‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﻘﺪﻣﺔ ﻗﺼرية ﺟﺪٍّا‬

‫ﺗﺄﻟﻴﻒ‬
‫دﻳﻔﻴﺪ ﺟﻴﻪ ﻫﺎﻧﺪ‬

‫ﺗﺮﺟﻤﺔ‬
‫أﺣﻤﺪ ﺷﻜﻞ‬

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

‫اﻟﻄﺒﻌﺔ اﻷ ﱃ ‪٢٠١٦‬‬
‫رﻗﻢ إﻳﺪاع ‪٢٠١٥ / ١٧٨٠٤‬‬
‫ﻟﻠﺘﻌﻠﻴﻢ اﻟﺜﻘﺎﻓﺔ‬ ‫ﺟﻤﻴﻊ اﻟﺤﻘﻮ ﻣﺤﻔﻮﻇﺔ ﻟﻠﻨﺎﴍ ﻣﺆﺳﺴﺔ ﻫﻨﺪا‬
‫املﺸﻬﺮة ﺑﺮﻗﻢ ‪ ٨٨٦٢‬ﺑﺘﺎرﻳﺦ ‪٢٠١٢ / ٨ / ٢٦‬‬

‫ﻣﺆﺳﺴﺔ ﻫﻨﺪا ﻟﻠﺘﻌﻠﻴﻢ اﻟﺜﻘﺎﻓﺔ‬

‫إ ﻣﺆﺳﺴﺔ ﻫﻨﺪا ﻟﻠﺘﻌﻠﻴﻢ اﻟﺜﻘﺎﻓﺔ ﻏري ﻣﺴﺌﻮﻟﺔ ﻋﻦ آراء املﺆﻟﻒ أﻓﻜﺎر‬
‫إﻧﻤﺎ ﱢ‬
‫ﻳﻌﱪ اﻟﻜﺘﺎب ﻋﻦ آراء ﻣﺆﻟﻔﻪ‬
‫‪ ٥٤‬ﻋﻤﺎرات اﻟﻔﺘﺢ‪ ،‬ﺣﻲ اﻟﺴﻔﺎرات‪ ،‬ﻣﺪﻳﻨﺔ ﻧﴫ ‪ ،١١٤٧١‬اﻟﻘﺎﻫﺮة‬
‫ﺟﻤﻬﻮرﻳﺔ ﻣﴫ اﻟﻌﺮﺑﻴﺔ‬
‫ﻓﺎﻛﺲ‪+ ٢٠٢ ٣٥٣٦٥٨٥٣ :‬‬ ‫ﺗﻠﻴﻔﻮ ‪+ ٢٠٢ ٢٢٧٠٦٣٥٢ :‬‬
‫اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ‪hindawi@hindawi.org :‬‬
‫املﻮﻗﻊ اﻹﻟﻜﱰ ﻧﻲ‪http://www.hindawi.org :‬‬

‫ﻫﺎﻧﺪ‪ ،‬دﻳﻔﻴﺪ ﺟﻴﻪ‪.‬‬

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

‫ﺗﺼﻤﻴﻢ اﻟﻐﻼ ‪ :‬ﻣﺤﻤﺪ اﻟﻄﻮﺑﺠﻲ‪.‬‬

‫ﻳﻤﻨﻊ ﻧﺴﺦ أ اﺳﺘﻌﻤﺎ أ ﺟﺰء ﻣﻦ ﻫﺬا اﻟﻜﺘﺎب ﺑﺄﻳﺔ ﺳﻴﻠﺔ ﺗﺼﻮﻳﺮﻳﺔ أ إﻟﻜﱰ ﻧﻴﺔ أ ﻣﻴﻜﺎﻧﻴﻜﻴﺔ‪،‬‬
‫ﻳﺸﻤﻞ ذﻟﻚ اﻟﺘﺼﻮﻳﺮ اﻟﻔﻮﺗﻮﻏﺮاﰲ اﻟﺘﺴﺠﻴﻞ ﻋﲆ أﴍﻃﺔ أ أﻗﺮاص ﻣﻀﻐﻮﻃﺔ أ اﺳﺘﺨﺪا أﻳﺔ ﺳﻴﻠﺔ‬
‫ﻧﴩ أﺧﺮ ‪ ،‬ﺑﻤﺎ ﰲ ذﻟﻚ ﺣﻔﻆ املﻌﻠﻮﻣﺎت اﺳﱰﺟﺎﻋﻬﺎ‪ ،‬د إذ ﺧﻄﻲ ﻣﻦ اﻟﻨﺎﴍ‪.‬‬
‫ﻧﴩ ﻛﺘﺎب ﻋﻠﻢ اﻹﺣﺼﺎء أ ﻻ ﺑﺎﻟﻠﻐﺔ اﻹﻧﺠﻠﻴﺰﻳﺔ ﻋﺎ ‪ .٢٠٠٨‬ﻧﴩت ﻫﺬ اﻟﱰﺟﻤﺔ ﺑﺎﻻﺗﻔﺎ ﻣﻊ اﻟﻨﺎﴍ‬
‫اﻷﺻﲇ‪.‬‬
‫‪Arabic Language Translation Copyright © 2016 Hindawi Foundation for‬‬
‫‪Education and Culture.‬‬
‫‪Statistics‬‬
‫‪Copyright © David J. Hand 2008.‬‬
‫‪Statistics was originally published in English in 2008.‬‬
‫‪This translation is published by arrangement with Oxford University Press.‬‬
‫‪All rights reserved.‬‬
 ‫اﳌﺤﺘﻮﻳﺎت‬

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

‫ﺗﻤﺜﱢﻞ اﻷﻓﻜﺎر اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ أﺳﺎس ﻛﻞ ﺟﻮاﻧﺐ اﻟﺤﻴﺎة اﻟﺤﺪﻳﺜﺔ ﺗﻘﺮﻳﺒﺎ‪ .‬ﰲ ﺑﻌﺾ‬
‫ﻟﻜﻦ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎ ﺗﻜﻮ اﻷﻓﻜﺎر اﻷد ات‬ ‫ْ‬ ‫اﻷﺣﻴﺎ ﻳﻜﻮ د ْر اﻹﺣﺼﺎء اﺿﺤﺎ‪،‬‬
‫اﻹﺣﺼﺎﺋﻴﺔ ﻣﺨﺘﻔﻴﺔ ﰲ اﻟﺨﻠﻔﻴﺔ‪ .‬ﰲ ﻛﻠﺘﺎ اﻟﺤﺎﻟﺘني‪ ،‬ﺑﺴﺒﺐ اﻟﻮﺟﻮد اﻟﺸﺎﻣﻞ ﻟﻸﻓﻜﺎر‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻣﻦ املﻔﻴﺪ ﻟﻠﻐﺎﻳﺔ أ ﻧﻤﺘﻠﻚ ﺑﻌﺾ اﻟﻔﻬْ ﻢ ﻟﻬﺎ‪ .‬اﻟﻬﺪ ﻣﻦ‬
‫ﻫﺬا اﻟﻜﺘﺎب ﻫﻮ ﺗﻘﺪﻳﻢ ﻣﺜﻞ ﻫﺬا اﻟﻔﻬﻢ‪.‬‬
‫ﻳﻌﺎﻧﻲ اﻹﺣﺼﺎء ﻣﻦ ﺳﻮء ﻓﻬْ ﻢ ﺟﻮﻫﺮ ﻣﺆﺳﻒ ﻳﻀ ﱢﻠﻞ اﻟﻨﺎس ﻋﻦ ﻃﺒﻴﻌﺘﻪ اﻷﺳﺎﺳﻴﺔ‪.‬‬
‫ﻫﺬا اﻻﻋﺘﻘﺎد اﻟﺨﺎﻃﺊ ﻫﻮ أﻧﻪ ﻳﺘﻄﻠﺐ ﻣﻬﺎرة ﺣﺴﺎﺑﻴﺔ ﻛﺒرية ﻣﻤ ﱠﻠﺔ‪ ،‬أﻧﻪ‪ ،‬ﻧﺘﻴﺠﺔ ﻟﺬﻟﻚ‪،‬‬
‫ﻣﺠﺎ ﺟﺎ ﱞ ﻣﻤ ﱞﻞ ﻳﺨﻠﻮ ﻣﻦ اﻟﺨﻴﺎ أ اﻹﺑﺪاع أ اﻹﺛﺎرة‪ .‬ﺑﻴْﺪ أ ﻫﺬ ﺻﻮرة ﺧﺎﻃﺌﺔ ﺗﻤﺎﻣﺎ‬
‫ملﺠﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ؛ إذ إﻧﻬﺎ ﻣﺒﻨﻴﺔ ﻋﲆ ﺗﺼﻮر ﻳﺮﺟﻊ ﺗﺎرﻳﺨﻪ إﱃ أﻛﺜﺮ ﻣﻦ ﻧﺼﻒ‬
‫ﻗﺮ ‪ .‬ﺗﺤﺪﻳﺪا‪ ،‬ﺗﺘﺠﺎﻫﻞ ﻫﺬ اﻟﺼﻮرة ﺗﻤﺎﻣﺎ ﺣﻘﻴﻘﺔ أ أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ ﻗﺪ ﻏريت ﺟﻪ‬
‫املﺠﺎ ﺗﻤﺎﻣﺎ؛ إذ ﺣﻮﱠﻟﺘْﻪ ﻣﻦ ﻣﺠﺎ ﻣﻌﺘﻤﺪ ﻋﲆ اﻟﺤﺴﺎب إﱃ ﻧﻈﺎ ﻗﺎﺋﻢ ﻋﲆ اﺳﺘﺨﺪا أد ات‬
‫ﺑﺮﻣﺠﻴﺔ ﻣﺘﻄﻮرة ﻟﺴ ْﱪ اﻟﺒﻴﺎﻧﺎت ﺑﺤﺜﺎ ﻋﻦ اﻟﻔﻬﻢ اﻟﺘﻨﻮﻳﺮ‪ .‬ﻫﺬا ﻫﻮ ﻣﺎ ﻳﺘﻤﺤﻮر ﺣﻮﻟﻪ ﻣﺠﺎ‬
‫ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ؛ اﺳﺘﺨﺪا اﻷد ات ملﺴﺎﻋﺪة اﻹدرا ﺗﻮﻓري ﻛ ﱟﻞ ﻣﻦ ﺳﺎﺋﻞ ﺗﺴﻠﻴﻂ‬
‫اﻟﻀﻮء‪ ،‬ﺳﺒﻞ اﻟﻔﻬْ ﻢ‪ ،‬أد ات اﻟﺮﺻﺪ اﻟﺘﻮﺟﻴﻪ‪ ،‬ﻧﻈﻢ املﺴﺎﻋﺪة ﰲ ﻋﻤﻠﻴﺔ ﺻﻨﻊ اﻟﻘﺮار‪ .‬ﻛﻞ‬
‫ﻫﺬا — أﻛﺜﺮ — ﻳﻤﺜﱢﻞ ﺟﻮاﻧﺐ ﻣﺠﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪.‬‬
‫ﻳﻬﺪ ﻫﺬا اﻟﻜﺘﺎب إﱃ ﻣﻨْﺢ اﻟﻘﺎرئ ﻗﺪْرا ﻣﻦ اﻟﻔﻬْ ﻢ ملﺠﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ .‬ﻣﻦ‬
‫اﻟﻮاﺿﺢ أﻧﻪ ﰲ ﻛﺘﺎب ﻗﺼري ﻣﺜﻞ ﻫﺬا اﻟﻜﺘﺎب ﻻ أﺳﺘﻄﻴﻊ اﻟﺨﻮض ﰲ اﻟﺘﻔﺎﺻﻴﻞ؛ ﻟﺬا ﺑﺪﻻ‬
‫ﺑﺄﴎ ‪ ،‬ﰲ ﻣﺤﺎ ﻟﺔ ﻟﻠﺘﻌﺒري ﻋﻦ ﻃﺒﻴﻌﺔ‬ ‫ْ‬ ‫ﻣﻦ اﻟﺘﻔﺼﻴﻞ‪ ،‬ﱠ‬
‫ﻓﻀﻠﺖ إ ْﻟﻘﺎء ﻧﻈﺮة ﻋﺎﻣﺔ ﻋﲆ املﺠﺎ‬
‫اﻟﻔﻠﺴﻔﺔ اﻷﻓﻜﺎر اﻷد ات اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ .‬آﻣﻞ أ ْ ﻳﻤﻨﺢ اﻟﻜﺘﺎب اﻟﻘﺎرئ ﻓﻬﻤﺎ‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻜﻴﻔﻴﺔ ﻋﻤﻞ ﻣﺠﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬ﻣﺪ أﻫﻤﻴﺘﻪ‪ ،‬أ ﻳﻌ ﱢﺮﻓﻪ — ﺑﺎﻟﻄﺒﻊ — اﻟﺴﺒﺐ‬
‫ﰲ أﻫﻤﻴﺘﻪ‪.‬‬
‫ﻳﻌﺮض اﻟﻔﺼﻞ اﻷ ﺑﻌﺾ اﻟﺘﻌﺮﻳﻔﺎت اﻷﺳﺎﺳﻴﺔ‪ ،‬ﻣﻊ ﺗﻮﺿﻴﺤﺎت ﺗﻬﺪ ﻟﻠﺘﻌﺮﻳﻒ‬
‫ﺑﺒﻌﺾ ﻣﻦ ﻗﻮة اﻹﺣﺼﺎء أﻫﻤﻴﺘﻪ إﺛﺎرﺗﻪ‪ .‬ﻳﻘﺪ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ ﺑﻌﻀﺎ ﻣﻦ أﺑﺴﻂ‬
‫ﱠ‬
‫ﺑﺎملﻠﺨﺼﺎت اﻷﺳﺎﺳﻴﺔ‬ ‫اﻷﻓﻜﺎر اﻹﺣﺼﺎﺋﻴﺔ؛ اﻷﻓﻜﺎر اﻟﺘﻲ رﺑﻤﺎ ﻗﺎﺑﻠﻬﺎ اﻟﻘﺎرئ ﺑﺎﻟﻔﻌﻞ‪ ،‬املﻌﻨﻴﺔ‬
‫ﻟﻠﺒﻴﺎﻧﺎت‪ .‬ﻳﺤﺬرﻧﺎ اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ ﻣﻦ أ ﺻﺤﺔ أ اﺳﺘﻨﺘﺎﺟﺎت ﻧﺴﺘﻘﻴﻬﺎ ﺗﻌﺘﻤﺪ ﻛﺜريا ﻋﲆ‬
‫ﺟﻮدة اﻟﺒﻴﺎﻧﺎت اﻟﺨﺎ ‪ ،‬ﻳﻮﺿﺢ أﻳﻀﺎ اﺳﱰاﺗﻴﺠﻴﺎت ﻟﺠﻤﻊ اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﻛﻔﺎءة‪.‬‬
‫إذا ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت إﺣﺪ ﺳﺎﻗﻲ اﻹﺣﺼﺎء‪ ،‬ﻓﺈ ﺳﺎﻗﻬﺎ اﻷﺧﺮ ﻫﻲ اﻻﺣﺘﻤﺎ ‪ .‬ﻳﻘﺪ اﻟﻔﺼﻞ‬
‫اﻟﺮاﺑﻊ املﻔﺎﻫﻴﻢ اﻷﺳﺎﺳﻴﺔ ﻟﻼﺣﺘﻤﺎ ‪ .‬اﺳﺘﻨﺎدا ﻋﲆ ﺳﺎﻗﻲ اﻟﺒﻴﺎﻧﺎت اﻻﺣﺘﻤﺎﻻت‪ ،‬ﻳﺒﺪأ اﻹﺣﺼﺎء‬
‫ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ املﴚ‪ ،‬ﻣﻊ ﺻﻒ ﻛﻴﻔﻴﺔ اﺳﺘﻘﺎء املﺮء ﻟﻼﺳﺘﻨﺘﺎﺟﺎت اﻟﺘﻮﺻﻞ ﻻﺳﺘﺪﻻﻻت‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻳﻌﺮض اﻟﻔﺼﻞ اﻟﺴﺎدس ﻟﻤْ ﺤﺔ ﺧﺎﻃﻔﺔ ﻟﺒﻌﺾ اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ املﻬﻤﺔ‪،‬‬
‫ﻣﺒﻴﱢﻨﺎ ﻛﻴﻒ أﻧﻬﺎ ﺗﺸ ﱢﻜﻞ ﺟﺰءا ﻣﻦ ﺷﺒﻜﺔ ﻣﱰاﺑﻄﺔ ﻣﻦ اﻷﻓﻜﺎر اﻟﻄﺮ ﻻﺳﺘﺨﺮاج اﻟﻔﻬﻢ‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬أﺧريا‪ ،‬ﻳﺘﻨﺎ اﻟﻔﺼﻞ اﻟﺴﺎﺑﻊ ﺑﻌﺾ اﻟﻄﺮ اﻟﺘﻲ أﺛﱠﺮ ﺑﻬﺎ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻋﲆ‬
‫اﻹﺣﺼﺎء‪.‬‬
‫أ ﱡد أ ْ أﺷﻜﺮ إﻣﻴﲇ ﻛﻴﻨﻮا ‪ ،‬ﺷﻴﲇ ﺷﺎﻧﻮ ‪ ،‬ﻣﺎرﺗﻦ ﻛﺮ در‪ ،‬ﻗﺎرﺋﺎ ﻣﺠﻬﻮﻻ؛ ﻋﲆ‬
‫ﺣﺴﻨﺖ ﺗﻌﻠﻴﻘﺎﺗﻬﻢ ﻫﺬا اﻟﻜﺘﺎب ﻛﺜريا‪ ،‬ﺳﺎﻋﺪت ﻋﲆ‬ ‫اﻟﺘﻌﻠﻴﻖ ﻋﲆ ﻣﺴﻮﱠدات ﻫﺬا اﻟﻜﺘﺎب؛ إذ ﱠ‬
‫ﺗﺴﻮﻳﺔ اﻟﻐﻤﻮض ﰲ اﻟﺘﻔﺴريات‪ .‬ﺑﺎﻟﻄﺒﻊ‪ ،‬أ ﻏﻤﻮض ﺑﺎ ﻫﻮ ﺧﻄﺌﻲ أﻧﺎ ﺣﺪ ‪.‬‬
‫دﻳﻔﻴﺪ ﺟﻴﻪ ﻫﺎﻧﺪ‬
‫إﻣﱪﻳﺎ ﻛﻮﻟﻴﺪج‪ ،‬ﻟﻨﺪ‬

‫‪8‬‬
 ‫اﻟﻔﺼﻞ اﻷ‬

‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ردٍّا ﻋﲆ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻘﻮﻟﻮ ‪» :‬ﺛﻤﺔ أﻛﺎذﻳﺐ‪ ،‬أﻛﺎذﻳﺐ ﺑﻐﻴﻀﺔ‪ ،‬إﺣﺼﺎﺋﻴﺎت«‪،‬‬

‫ﱠ‬
‫ﻟﻜﻦ‬ ‫ﻏﺎﻟﺒﺎ ﻣﺎ أﻗﺘﺒﺲ ﻗﻮ ﻓﺮﻳﺪرﻳﻚ ﻣﻮﺳﺘﻠﺮ‪» :‬اﻟﻜﺬب ﺑﺎﻹﺣﺼﺎﺋﻴﺎت ﺳﻬﻞ‪،‬‬
‫اﻟﻜﺬب ﺑﺪ ﻧﻬﺎ أﺳﻬﻞ‪«.‬‬

‫)‪ (1‬ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‬

‫أرﻳﺪ أ أﺑﺪأ ﺑﺘﺄﻛﻴﺪ رﺑﻤﺎ ﻳﺠﺪ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻘﺮاء ﻣﻔﺎﺟﺌﺎ‪» :‬ﻋﻠﻢ اﻹﺣﺼﺎء ﻫﻮ أﻛﺜﺮ اﻟﻌﻠﻮ‬
‫أﺑني ﻟﻚ اﻟﺴﺒﺐ‬‫إﺛﺎرة‪ «.‬ﻫﺪﰲ ﰲ ﻫﺬا اﻟﻜﺘﺎب أ ْ أ ﺿﺢ ﻟﻚ أ ﻫﺬ اﻟﻌﺒﺎرة ﺻﺤﻴﺤﺔ‪ ،‬أ ﱢ‬
‫ﰲ ﺻﺤﺘﻬﺎ‪ .‬آﻣﻞ أ أﺑﺪﱢد ﺑﻌﺾ املﻔﺎﻫﻴﻢ اﻟﺨﺎﻃﺌﺔ اﻟﻘﺪﻳﻤﺔ ﺣﻮ ﻃﺒﻴﻌﺔ اﻹﺣﺼﺎء‪ ،‬إﻇﻬﺎر‬
‫ﻣﺎ ﻳﺒﺪ ﻋﻠﻴﻪ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬ﻛﺬﻟﻚ ﺗﻮﺿﻴﺢ ﺑﻌﺾ ﻣﻦ ﻗﻮﱠﺗﻪ اﻟﻬﺎﺋﻠﺔ‪ ،‬ﻓﻀﻼ ﻋﻦ‬
‫اﻧﺘﺸﺎر ‪.‬‬
‫ﻋﲆ ﻧﺤﻮ ﺧﺎص‪ ،‬أرﻳﺪ ﰲ ﻫﺬا اﻟﻔﺼﻞ اﻟﺘﻤﻬﻴﺪ أ أﻧﻘﻞ أﻣﺮﻳﻦ؛ أ ﻟﻬﻤﺎ‪ :‬ﻫﻮ ﻧﻜﻬﺔ‬
‫اﻟﺜﻮرة اﻟﺘﻲ ﺣﺪﺛﺖ ﰲ اﻟﻌﻘﻮد اﻟﻘﻠﻴﻠﺔ املﺎﺿﻴﺔ؛ ﻓﺄرﻳﺪ أ أﴍح ﻛﻴﻒ ﺗﺤﻮ اﻹﺣﺼﺎء‬
‫ﻣﻌﻨﻲ ﺑﺎﻟﺘﻼﻋﺐ اﻟﻴﺪ ﺑﺄﻋﻤﺪة اﻷرﻗﺎ إﱃ ﺗﻜﻨﻮﻟﻮﺟﻴﺎ ﺣﺪﻳﺜﺔ‬ ‫ﱟ‬ ‫ﻣﻦ ﻋﻠﻢ ﻓﻴﻜﺘﻮر ﺟﺎ ﱟ‬
‫ﻣﺘﻄﻮرة ﻟﻠﻐﺎﻳﺔ ﺗﻨﻄﻮ ﻋﲆ اﺳﺘﺨﺪا أد ات اﻟﱪﻣﺠﻴﺎت اﻷﻛﺜﺮ ﺗﻘﺪﻣﺎ‪ .‬أرﻳﺪ ﺗﻮﺿﻴﺢ ﻛﻴﻒ‬
‫ﻳﺴﺘﺨﺪ إﺣﺼﺎﺋﻴﻮ اﻟﻴﻮ ﻫﺬ اﻷد ات ﻟﺪراﺳﺔ اﻟﺒﻴﺎﻧﺎت ﺑﺤﺜﺎ ﻋﻦ اﻟﺒﻨﻴﺎت اﻷﻧﻤﺎط‪ ،‬ﻛﻴﻔﻴﺔ‬
‫ﻛﺸﻒ اﻟﺤﻘﺎﺋﻖ املﻮﺟﻮدة‬‫اﺳﺘﺨﺪاﻣﻬﻢ ﻟﻬﺬ اﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﻟﺘﻘﺸري ﻃﺒﻘﺎت اﻟﺤرية اﻟﻐﻤﻮض ْ‬
‫ﺗﺤﺘﻬﺎ؛ ﻓﻌﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ — ﻋﲆ ﻏﺮار اﻟﺘﻠﺴﻜﻮﺑﺎت املﺠﺎﻫﺮ اﻷﺷﻌﺔ اﻟﺴﻴﻨﻴﺔ أﺟﻬﺰة‬
‫اﻟﺮادار أﺟﻬﺰة املﺴﺢ اﻟﻄﺒﻴﺔ — ﻳﻤ ﱢﻜﻨﻨﺎ ﻣﻦ رؤﻳﺔ أﺷﻴﺎء ﻏري ﻣﺮﺋﻴﺔ ﻟﻠﻌني املﺠﺮدة؛ ﻓﻬﺬا‬
‫اﻟﻌﻠﻢ ﻳﻤ ﱢﻜﻨﻨﺎ ﻣﻦ اﻟﺮؤﻳﺔ ﺧﻼ اﻟﻀﺒﺎب اﻻرﺗﺒﺎ املﻮﺟﻮد ﰲ اﻟﻌﺎﻟﻢ ﻣﻦ ﺣﻮﻟﻨﺎ؛ ﻣﻦ أﺟﻞ‬
‫ﻓﻬﻢ اﻟﻮاﻗﻊ اﻷﺳﺎﳼ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻫﺬا إذ ﻫﻮ أ ﳾء أرﻳﺪ أ أ ﺻﻠﻪ ﺧﻼ ﻫﺬا اﻟﻔﺼﻞ‪ :‬اﻟﻘﻮة اﻹﺛﺎرة اﻟﻬﺎﺋﻠﺘﺎ‬

‫اﻟﻠﺘﺎ ﻳﻀﻤﻬﻤﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬املﺼﺪر اﻟﺬ ﺟﺎء ﻣﻨﻪ‪ ،‬اﻷﺷﻴﺎء اﻟﺘﻲ ﻳﻘﺪر ﻋﲆ‬
‫ﻓﻌﻠﻬﺎ‪ .‬اﻟﴚء اﻟﺜﺎﻧﻲ اﻟﺬ أﺗﻤﻨﱠﻰ ﺗﻮﺻﻴﻠﻪ ﻫﻮ اﻟﻮﺟﻮد اﻟﻜﲇ ﻟﻺﺣﺼﺎء؛ ﻓﻼ ﻳﻮﺟﺪ ﺟﺎﻧﺐ ﻣﻦ‬
‫ﻣﺒﻨﻲ ﻋﲆ ﻋﻠﻢ اﻹﺣﺼﺎء؛‬‫ﱞ‬ ‫ﺟﻮاﻧﺐ اﻟﺤﻴﺎة اﻟﺤﺪﻳﺜﺔ ﻻ ﻳﻤﺴﻪ ﻋﻠﻢ اﻹﺣﺼﺎء‪ .‬إ اﻟﻄﺐ اﻟﺤﺪﻳﺚ‬
‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺻﻔﺖ اﻟﺘﺠﺎرب اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﻀﺒﻂ ﺑﺄﻧﻬﺎ » اﺣﺪة ﻣﻦ أد ات‬
‫اﻟﺒﺤﺚ اﻷﺑﺴﻂ اﻷﻗﻮ اﻷﻛﺜﺮ ﺛﻮرﻳﺔ‪ «.‬ﻓﻬْ ﻢ اﻟﻌﻤﻠﻴﺎت اﻟﺘﻲ ﺗﻨﺘﴩ اﻷ ﺑﺌﺔ ﻣﻦ ﺧﻼﻟﻬﺎ‬
‫ﻳﻤﻨﻌﻬﺎ ﻣﻦ اﻟﻔﺘﻚ ﺑﺎﻟﺒﴩ‪ .‬ﺗﻌﺘﻤﺪ اﻟﺤﻜﻮﻣﺔ اﻟﻘﺪﻳﺮة ﻋﲆ اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ اﻟﺪﻗﻴﻖ ﻟﻠﺒﻴﺎﻧﺎت‬
‫ﰲ ﺻﻒ اﻻﻗﺘﺼﺎد املﺠﺘﻤﻊ؛ رﺑﻤﺎ ﻳﻤﺜﻞ ﻫﺬا ﺣﺠﺔ ﻟﻺﴏار ﻋﲆ أ ﺟﻤﻴﻊ ﻣﻦ ﻳﻜﻮﻧﻮ‬
‫ﰲ اﻟﺤﻜﻮﻣﺔ ﻳﻨﺒﻐﻲ أ ﻳﺪرﺳﻮا د رات إﻟﺰاﻣﻴﺔ ﰲ اﻹﺣﺼﺎء‪ .‬املﺰارﻋﻮ ﺗﻘﻨﻴﱡﻮ اﻟﻐﺬاء‬
‫ﻣﺮاﻛﺰ اﻟﺘﺴﻮ ﻳﺴﺘﺨﺪﻣﻮ ﺟﻤﻴﻌﺎ اﻹﺣﺼﺎء ﻋﲆ ﻧﺤﻮ ﺿﻤﻨﻲ ﰲ ﺗﺤﺪﻳﺪ ﻣﺎ ﻳﺰرﻋﻮﻧﻪ‪،‬‬
‫ﻛﻴﻔﻴﺔ ﻣﻌﺎﻟﺠﺘﻪ‪ ،‬ﻛﻴﻔﻴﺔ ﺗﻐﻠﻴﻔﻪ ﺗﻮزﻳﻌﻪ‪ .‬ﻳﺤﺪد اﻟﻬﻴﺪر ﻟﻮﺟﻴﻮ ﻣﺪ اﻻرﺗﻔﺎع اﻟﻼز‬
‫ﻟﺒﻨﺎء ﺣﻮاﺟﺰ اﻟﻔﻴﻀﺎﻧﺎت ﻣﻦ ﺧﻼ ﺗﺤﻠﻴﻞ إﺣﺼﺎﺋﻴﺎت اﻷرﺻﺎد اﻟﺠﻮﻳﺔ‪ .‬ﻳﺒﻨﻲ املﻬﻨﺪﺳﻮ‬
‫أﻧﻈﻤﺔ اﻟﻜﻤﺒﻴﻮﺗﺮ ﺑﺎﺳﺘﺨﺪا إﺣﺼﺎﺋﻴﺎت املﻮﺛﻮﻗﻴﺔ ﻟﻀﻤﺎ ﻋﺪ ﺗﻌﻄﻠﻬﺎ ﻛﺜريا‪ .‬ﺗﺒﻨﻰ ﻧﻈﻢ‬
‫ﻣﻌﻘﺪة‪ ،‬ﺑﺤﻴﺚ ﺗﻌﻤﻞ ﺑﺸﻜﻞ ﻟﺤﻈﻲ )أ ﰲ‬ ‫ﻣﺮاﻗﺒﺔ اﻟﺤﺮﻛﺔ اﻟﺠﻮﻳﺔ ﻋﲆ ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ ﱠ‬
‫اﻟﺰﻣﻦ اﻟﺤﻘﻴﻘﻲ(‪ .‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻚ ﻗﺪ ﻻ ﺗﺪر ذﻟﻚ‪ ،‬ﻓﺈ اﻷﻓﻜﺎر اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ‬
‫ﻛﺎﻣﻨﺔ ﰲ ﻛﻞ ﺟﻮاﻧﺐ اﻟﺤﻴﺎة اﻟﺤﺪﻳﺜﺔ ﺗﻘﺮﻳﺒﺎ‪.‬‬

‫)‪ (2‬ﺑﻌﺾ اﻟﺘﻌﺮﻳﻔﺎت‬

‫أﺣﺪ اﻟﺘﻌﺮﻳﻔﺎت اﻟﺠﻴﺪة ﻟﻌﻠﻢ اﻹﺣﺼﺎء أﻧﻪ »ﺗﻜﻨﻮﻟﻮﺟﻴﺎ اﺳﺘﺨﺮاج املﻌﻨﻰ ﻣﻦ اﻟﺒﻴﺎﻧﺎت«‪ .‬ﻣﻊ‬
‫ذﻟﻚ‪ ،‬ﻻ ﻳﻮﺟﺪ ﺗﻌﺮﻳﻒ ﻣﺜﺎﱄ؛ ﻓﻌﲆ ﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﻻ ﻳﺸري ﻫﺬا اﻟﺘﻌﺮﻳﻒ إﱃ املﺼﺎدﻓﺔ‬
‫اﻻﺣﺘﻤﺎ ‪ ،‬اﻟﻠﺬﻳﻦ ﻳﻌﺪﱠا دﻋﺎﻣﺘني أﺳﺎﺳﻴﺘني ﻟﻠﻌﺪﻳﺪ ﻣﻦ ﺗﻄﺒﻴﻘﺎت اﻹﺣﺼﺎء؛ ﻣﻦ ﺛﻢ رﺑﻤﺎ‬
‫ﻳﺘﻤﺜﱠﻞ ﺗﻌﺮﻳﻒ ﺟﻴﺪ آﺧﺮ ﰲ أﻧﻪ »ﺗﻜﻨﻮﻟﻮﺟﻴﺎ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻋﺪ اﻟﻴﻘني«‪ .‬ﻣﻊ ﻫﺬا‪ ،‬ﻗﺪ ﺗﻀﻊ‬
‫ﺗﻌﺮﻳﻔﺎت أﺧﺮ ‪ ،‬أ ﺗﻌﺮﻳﻔﺎت أﻛﺜﺮ دﻗﺔ‪ ،‬ﻣﺰﻳﺪا ﻣﻦ اﻟﱰﻛﻴﺰ ﻋﲆ اﻷد ار اﻟﺘﻲ ﻳﻠﻌﺒﻬﺎ ﻋﻠﻢ‬
‫اﻹﺣﺼﺎء‪ .‬ﻫﻜﺬا ﻳﻤﻜﻨﻨﺎ اﻟﻘﻮ إ ﻋﻠﻢ اﻹﺣﺼﺎء ﻫﻮ اﻟﻌﻠﻢ اﻟﺮﺋﻴﺲ »ﻟﻠﺘﻨﺒﺆ ﺑﺎملﺴﺘﻘﺒﻞ« أ‬
‫»ﻟﺼﻨﻊ اﺳﺘﻨﺘﺎﺟﺎت ﺣﻮ املﺠﻬﻮ « أ »ﻹﻧﺘﺎج ﻣﻠﺨﺼﺎت ﻣﻨﺎﺳﺒﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت«‪ .‬ﻋﻨﺪ‬
‫ﻄﻲ ﻋﲆ ﻧﺤﻮ اﺳﻊ ﺟﻮﻫﺮ ﻫﺬا املﺠﺎ ‪ ،‬ﻋﲆ اﻟﺮﻏﻢ‬ ‫ﺟﻤﻊ ﻫﺬ اﻟﺘﻌﺮﻳﻔﺎت ﻣﻌﺎ ﻓﺈﻧﻬﺎ ﺗﻐ ﱢ‬
‫ﱢ‬
‫ﺳﺘﻮﻓﺮ ﺗﺠﺴﻴﺪات ﻣﺨﺘﻠﻔﺔ ﺟﺪٍّا ﻟﻬﺬا اﻟﻌﻠﻢ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬ ‫ﻣﻦ أ اﻟﺘﻄﺒﻴﻘﺎت املﺨﺘﻠﻔﺔ‬
‫اﺗﺨﺎذ اﻟﻘﺮارات اﻟﺘﻨﺒﺆ اﻟﺮﺻﺪ اﻟﻠﺤﻈﻲ اﻟﻜﺸﻒ ﻋﻦ اﻟﻐﺶ اﻟﺘﻌﺪاد اﻟﺴﻜﺎﻧﻲ ﺗﺤﻠﻴﻞ‬

‫‪10‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫ﺗﺴﻠﺴﻞ اﻟﺠﻴﻨﺎت ﻛﻠﻬﺎ ﺗﻄﺒﻴﻘﺎت ﻟﻺﺣﺼﺎء‪ ،‬ﻣﻊ ذﻟﻚ رﺑﻤﺎ ﺗﺘﻄﻠﺐ أﺳﺎﻟﻴﺐ أد ات ﻣﺨﺘﻠﻔﺔ‬
‫ﻟﻠﻐﺎﻳﺔ‪ .‬ﺛﻤﺔ ﳾء ﺗﺠﺪر ﻣﻼﺣﻈﺘﻪ ﺣﻮ ﻫﺬ اﻟﺘﻌﺮﻳﻔﺎت؛ ﻫﻮ أﻧﻨﻲ ﺗﻌﻤﺪت اﺧﺘﻴﺎر ﻛﻠﻤﺔ‬
‫»ﺗﻜﻨﻮﻟﻮﺟﻴﺎ« ﺑﺪﻻ ﻣﻦ ﻋﻠﻢ؛ ﻓﺎﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﻫﻲ ﺗﻄﺒﻴﻖ ﻟﻠﻌﻠﻢ اﻛﺘﺸﺎﻓﺎﺗﻪ‪ ،‬ﻫﺬا ﻫﻮ ﻣﺎﻫﻴﺔ‬
‫اﻹﺣﺼﺎء؛ ﺗﻄﺒﻴﻖ ﻓﻬْ ﻤﻨﺎ ﻟﻜﻴﻔﻴﺔ اﺳﺘﺨﺮاج املﻌﻠﻮﻣﺎت ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﻬﻤﻨﺎ ﻟﻌﺪ اﻟﻴﻘني‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﻳﺸﺎر إﱃ اﻹﺣﺼﺎء أﺣﻴﺎﻧﺎ ﻋﲆ أﻧﻪ ﻋﻠﻢ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬إﺣﺪ املﺠﻼت اﻹﺣﺼﺎﺋﻴﺔ‬
‫اﻷﻛﺜﺮ إﺛﺎرة ﺗﺸﻮﻳﻘﺎ ﺗﺴﻤﱠ ﻰ ﺑﺬﻟﻚ اﻻﺳﻢ ﻓﺤﺴﺐ‪» :‬اﻟﻌﻠﻮ اﻹﺣﺼﺎﺋﻴﺔ«‪.‬‬
‫ﺣﺘﻰ اﻵ ﰲ ﻫﺬا اﻟﻜﺘﺎب — ﻋﲆ ﺟﻪ اﻟﺨﺼﻮص ﰲ اﻟﻔﻘﺮة اﻟﺴﺎﺑﻘﺔ — ﺗﻨﺎ ﻟﺖ‬
‫»اﻹﺣﺼﺎء«‪ ،‬ﻳﻮﺟﺪ ﳾء آﺧﺮ ﺳﻨﺘﻨﺎ ﻟﻪ ﰲ ﻫﺬا اﻟﻜﺘﺎب ﻫﻮ »اﻹﺣﺼﺎﺋﻴﺎت«‪ ،‬اﻹﺣﺼﺎﺋﻴﺔ ﻫﻲ‬
‫ﺣﻘﻴﻘﺔ رﻗﻤﻴﺔ أ ﻣﻠﺨﺺ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻣﻠﺨﺺ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺼﻒ ﺑﻌﺾ اﻟﺴﻜﺎ ؛‬
‫رﺑﻤﺎ ﺣﺠﻢ اﻟﺴﻜﺎ أ ﻣﻌ ﱠﺪ املﻮاﻟﻴﺪ أ ﻣﻌ ﱠﺪ اﻟﺠﺮﻳﻤﺔ؛ إذ ‪ ،‬ﻳﺪ ر ﻫﺬا اﻟﻜﺘﺎب — ﻣﻦ‬
‫ﻧﺎﺣﻴﺔ — ﺣﻮ اﻟﺤﻘﺎﺋﻖ اﻟﺮﻗﻤﻴﺔ اﻟﻔﺮدﻳﺔ‪ .‬ﻟﻜﻦ ﺑﺎملﻌﻨﻰ اﻟﺤﻘﻴﻘﻲ ﻟﻠﻐﺎﻳﺔ ﻓﻬﻮ ﻳﺪ ر ﺣﻮ‬
‫ﻣﺎ ﻫﻮ أﻛﺜﺮ ﻣﻦ ذﻟﻚ ﺑﻜﺜري؛ ﻓﻬﻮ ﻳﺪ ر ﺣﻮ ﻛﻴﻔﻴﺔ ﺟﻤْ ﻊ ﻣﻌﺎﻟﺠﺔ ﺗﺤﻠﻴﻞ اﺳﺘﻨﺘﺎج أﺷﻴﺎء‬
‫ﻣﻦ ﻫﺬ اﻟﺤﻘﺎﺋﻖ اﻟﺮﻗﻤﻴﺔ‪ .‬ﻫﻮ ﻳﺪ ر ﺣﻮ اﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﻧﻔﺴﻬﺎ؛ ﻫﺬا ﻳﻌﻨﻲ أ اﻟﻘﺎرئ‬
‫اﻵﻣﻞ ﰲ أ ﻳﺠﺪ ﺟﺪا أﻋﺪاد ﰲ ﻫﺬا اﻟﻜﺘﺎب )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ »إﺣﺼﺎﺋﻴﺎت رﻳﺎﺿﻴﺔ«(‬
‫ﻓﺴﻮ ﻳﺼﺎب ﺑﺨﻴﺒﺔ أﻣﻞ‪ .‬ﻟﻜﻦ اﻟﻘﺎرئ اﻵﻣﻞ ﰲ اﻟﺘﻮﺻﻞ ﻟﻔﻬﻢ ﻛﻴﻔﻴﺔ اﺗﺨﺎذ اﻟﴩﻛﺎت‬
‫ﻟﻠﻘﺮارات‪ ،‬ﻛﻴﻔﻴﺔ اﻛﺘﺸﺎ ﻋﻠﻤﺎء اﻟﻔﻠﻚ ﻷﻧﻮاع ﺟﺪﻳﺪة ﻣﻦ اﻟﻨﺠﻮ ‪ ،‬ﻛﻴﻔﻴﺔ ﺗﺤﺪﻳﺪ اﻟﺒﺎﺣﺜني‬
‫ﰲ ﻣﺠﺎ اﻟﻄﺐ ﻟﻠﺠﻴﻨﺎت املﺮﺗﺒﻄﺔ ﺑﻤﺮض ﻣﻌني‪ ،‬ﻛﻴﻔﻴﺔ اﺗﺨﺎذ اﻟﺒﻨﻮ ﻗﺮارا ﺑﻤﻨﺢ أ ﻋﺪ‬
‫ﻣﻨﺢ ﺷﺨﺺ ﻣﺎ ﺑﻄﺎﻗﺔ اﺋﺘﻤﺎ ‪ ،‬ﻛﻴﻔﻴﺔ ﺗﺤﺪﻳﺪ ﴍﻛﺎت اﻟﺘﺄﻣني ﺗﻜﻠﻔﺔ اﻟﻘﺴﻂ‪ ،‬ﻛﻴﻔﻴﺔ ﺑﻨﺎء‬
‫ﻣﺮﺷﺤﺎت اﻟﱪﻳﺪ املﺰﻋﺞ اﻟﺘﻲ ﺗﻤﻨﻊ اﻹﻋﻼﻧﺎت املﺰﻋﺠﺔ ﻣﻦ اﻟﻮﺻﻮ إﱃ ﺻﻨﺪ ﺑﺮﻳﺪ‬ ‫ﱢ‬
‫اﻹﻟﻜﱰ ﻧﻲ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ؛ ﻓﺈﻧﻪ ﺳﻮ ﻳﺠﺪ ﻣﺄرﺑﻪ‪.‬‬
‫ﻳﺒني اﻟﻔﺎر ﺑني املﺴﻤﱠ ْﻴني »اﻹﺣﺼﺎء« »اﻹﺣﺼﺎﺋﻴﺎت«؛ ﻓﺎﻹﺣﺼﺎء ﻫﻮ‬ ‫ﻛﻞ ﻣﺎ ﺳﺒﻖ ﱢ‬
‫اﻟﻌﻠﻢ اﻷﺳﺎﳼ اﻟﺸﺎﻣﻞ‪ ،‬أﻣﺎ اﻹﺣﺼﺎﺋﻴﺎت ﻓﻴﻘﺼﺪ ﺑﻬﺎ اﻟﺤﻘﺎﺋﻖ اﻟﺮﻗﻤﻴﺔ أ املﻠﺨﺼﺎت املﻨﺪرﺟﺔ‬
‫ﺗﺤﺖ املﻈ ﱠﻠﺔ اﻟﻜﱪ ﻟﻌﻠﻢ اﻹﺣﺼﺎء‪.‬‬
‫اﺳﺘﺨﺪﻣﺖ ﰲ ﺗﻌﺮﻳﻔﻲ اﻷ ﻛﻠﻤﺔ »اﻟﺒﻴﺎﻧﺎت«‪ .‬ﻛﻠﻤﺔ »ﺑﻴﺎﻧﺎت« ﰲ اﻹﻧﺠﻠﻴﺰﻳﺔ ‪Data‬‬
‫ﻣﺸﺘﻘﺔ ﻣﻦ اﻟﻜﻠﻤﺔ اﻟﻼﺗﻴﻨﻴﺔ ‪ datum‬ﺑﻤﻌﻨﻰ »ﳾء ﻣﻌﻄﻰ« املﺸﺘﻘﺔ ﻣﻦ ‪ dare‬ﺑﻤﻌﻨﻰ‬
‫»ﻳﻌﻄﻲ«‪ .‬ﻋﺎدة ﻣﺎ ﺗﻜﻮ اﻟﺒﻴﺎﻧﺎت أرﻗﺎﻣﺎ؛ ﻧﺘﺎﺋﺞ ﻗﻴﺎﺳﺎت أ ﺣﺴﺎﺑﺎت أ ﻏريﻫﺎ ﻣﻦ‬
‫اﻟﻌﻤﻠﻴﺎت‪ .‬ﻳﻤﻜﻦ اﻟﻨﻈﺮ ملﺜﻞ ﻫﺬ اﻟﺒﻴﺎﻧﺎت ﻋﲆ أﻧﻬﺎ ﺗﻘ ﱢﺪ ﺗﻤﺜﻴﻼ ﻣﺒﺴﻄﺎ ملﺎ ﻧﺪرﺳﻪ‪.‬‬
‫ﻓﺈذا ﻛﻨﱠﺎ ﻣﻬﺘﻤﱢ ني ﺑﺄﻃﻔﺎ املﺪارس‪ ،‬ﺑﺨﺎﺻﺔ ﻗﺪرﺗﻬﻢ اﻷﻛﺎدﻳﻤﻴﺔ ﻣﺪ ﻣﻼءﻣﺘﻬﻢ ﻷﻧﻮاع‬

‫‪11‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﻬﻦ املﺨﺘﻠﻔﺔ‪ ،‬رﺑﻤﺎ ﻧﺨﺘﺎر دراﺳﺔ اﻷرﻗﺎ اﻟﺘﻲ ﺗﺼﻒ ﻧﺘﺎﺋﺠﻬﻢ ﰲ ﻣﺨﺘﻠﻒ اﻻﺧﺘﺒﺎرات‬
‫اﻻﻣﺘﺤﺎﻧﺎت‪.‬‬
‫رﺑﻤﺎ ﺗﻤﻨﺤﻨﺎ ﻫﺬ اﻷرﻗﺎ إﺷﺎرة ﺣﻴﺎ ﻗﺪراﺗﻬﻢ ﻣﻴﻮﻟﻬﻢ‪ .‬ﺑﺎﻋﱰا اﻟﺠﻤﻴﻊ‪ ،‬ﻟﻦ‬
‫ﻳﻜﻮ ﻫﺬا اﻟﺘﻤﺜﻴﻞ ﻣﺜﺎﻟﻴٍّﺎ؛ ﻓﺮﺑﻤﺎ ﺗﺸري اﻟﺪرﺟﺔ املﻨﺨﻔﻀﺔ ﺑﺒﺴﺎﻃﺔ إﱃ أ ﺷﺨﺼﺎ ﻣﺎ ﻛﺎ‬
‫ﻳﺸﻌﺮ ﺑﺎملﺮض أﺛﻨﺎء اﻻﻣﺘﺤﺎ ‪ .‬ﻋﺒﺎرة »ﻟﻢ ﻳﺤﴬ« ﻻ ﺗﺨﱪﻧﺎ ﺑﺎﻟﻜﺜري ﻋﻦ ﻗﺪرة اﻟﻄﻔﻞ‪،‬‬
‫ﻟﻜﻦ ﺗﺨﱪﻧﺎ ﻓﺤﺴﺐ أﻧﻪ ﻟﻢ ﻳﺨ ْﺾ اﻻﻣﺘﺤﺎ ‪ .‬ﺳﺄﺗﺤﺪث ﺑﺸﻜﻞ أﻛﺜﺮ اﺳﺘﻔﺎﺿﺔ ﻋﻦ »ﺟﻮدة‬
‫اﻟﺒﻴﺎﻧﺎت« ﰲ ﻗﺖ ﻻﺣﻖ‪ ،‬ﻫﻲ ﻣﻬﻤﺔ ﺑﺴﺒﺐ املﺒﺪأ اﻟﻌﺎ )اﻟﺬ ﻳﻨﻄﺒﻖ ﻋﲆ ﺟﻤﻴﻊ ﺟﻮاﻧﺐ‬
‫اﻟﺤﻴﺎة‪ ،‬ﻟﻴﺲ ﻓﻘﻂ ﰲ اﻹﺣﺼﺎﺋﻴﺎت( اﻟﻘﺎﴈ ﺑﺄﻧﻪ إذا ﻛﺎﻧﺖ املﺎدة اﻟﺨﺎ اﻟﺘﻲ ﺗﻌﻤﻞ ﻋﻠﻴﻬﺎ‬
‫ردﻳﺌﺔ‪ ،‬ﻓﺈ اﻟﻨﺘﺎﺋﺞ ﺳﺘﻜﻮ ردﻳﺌﺔ‪ .‬ﻳﺴﺘﻄﻴﻊ اﻹﺣﺼﺎﺋﻴﻮ ﻓﻬْ ﻢ أﺷﻴﺎء ﻛﺜرية ﻣﺬﻫﻠﺔ ﻣﻦ‬
‫اﻷرﻗﺎ ‪ ،‬ﻟﻜﻨﻬﻢ ﻻ ﻳﻤﻜﻦ أ ﻳﺼﻨﻌﻮا املﻌﺠﺰات‪.‬‬
‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪ ،‬ﻳﺒﺪ أ ﺣﺎﻻت ﻛﺜرية ﻻ ﺗﻨﺘﺞ ﺑﻴﺎﻧﺎت رﻗﻤﻴﺔ ﻣﺒﺎﴍة؛ ﻓﺎﻟﻜﺜري ﻣﻦ‬
‫اﻟﺒﻴﺎﻧﺎت اﻟﺨﺎ ﻗﺪ ﺗﻜﻮ ﰲ ﺷﻜﻞ ﺻﻮر أ ﻛﻠﻤﺎت أ ﺣﺘﻰ أﺷﻴﺎء ﻣﺜﻞ إﺷﺎرات إﻟﻜﱰ ﻧﻴﺔ‬
‫أ ﺻﻮﺗﻴﺔ؛ ﻣﻦ ﺛﻢ ﻓﺈ ﺻﻮر اﻷﻗﻤﺎر اﻟﺼﻨﺎﻋﻴﺔ ﻟﻠﻤﺤﺎﺻﻴﻞ أ ﺗﻐﻄﻴﺔ اﻟﻐﺎﺑﺎت املﻄرية‪،‬‬
‫اﻷ ﺻﺎ اﻟﻠﻔﻈﻴﺔ ﻟﻶﺛﺎر اﻟﺠﺎﻧﺒﻴﺔ اﻟﺘﻲ ﺗﺤﺪث ﻋﻨﺪ ﺗﻨﺎ اﻟﺪ اء‪ ،‬اﻷﺻﻮات املﻠﻔﻮﻇﺔ‬
‫ﻋﻨﺪ اﻟﺘﺤﺪث؛ ﻻ ﺗﺄﺧﺬ ﻣﻈﻬﺮ اﻷرﻗﺎ ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻳﻈﻬﺮ اﻟﻔﺤﺺ اﻟﺪﻗﻴﻖ أﻧﻪ ﻋﻨﺪﻣﺎ ﺗﻘﺎس‬
‫ﻫﺬ اﻷﺷﻴﺎء ﺗﺴﺠﱠ ﻞ‪ ،‬ﻓﺈﻧﻬﺎ ﺗﱰﺟﻢ إﱃ ﺗﻤﺜﻴﻼت رﻗﻤﻴﺔ أ إﱃ ﺗﻤﺜﻴﻼت ﻳﻤﻜﻦ أ ﺗﱰﺟﻢ‬
‫ﺑﻌﺪ ذﻟﻚ إﱃ أرﻗﺎ ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺻﻮر اﻷﻗﻤﺎر اﻟﺼﻨﺎﻋﻴﺔ اﻟﺼﻮر اﻷﺧﺮ ﺗﻤﺜﱠﻞ‬
‫ﺑﻤﻼﻳني اﻟﻌﻨﺎﴏ اﻟﺼﻐرية اﻟﺘﻲ ﺗﺴﻤﱠ ﻰ ﺣﺪات اﻟﺒﻜﺴﻞ‪ ،‬ﻛ ﱞﻞ ﻣﻨﻬﺎ ﻳﻮﺻﻒ ﻣﻦ ﺣﻴﺚ‬
‫اﻟﺸﺪة )اﻟﺮﻗﻤﻴﺔ( ﻟﻸﻟﻮا املﺨﺘﻠﻔﺔ اﻟﺘﻲ ﺗﺸ ﱢﻜﻠﻬﺎ‪ .‬ﻳﻤﻜﻦ ﻣﻌﺎﻟﺠﺔ اﻟﻨﺺ ﰲ ﺻﻮرة ﺗﻌﺪاد‬
‫ﻟﻠﻜﻠﻤﺎت أ ﻣﻘﺎﻳﻴﺲ ﻟﻠﺘﺸﺎﺑﻪ ﺑني اﻟﻜﻠﻤﺎت اﻟﻌﺒﺎرات؛ ﻫﺬا ﻫﻮ ﻧﻮع اﻟﺘﻤﺜﻴﻞ املﺴﺘﺨﺪ‬
‫ﻣﻦ ﻗﺒﻞ ﻣﺤ ﱢﺮﻛﺎت اﻟﺒﺤﺚ ﻋﲆ ﺷﺒﻜﺔ اﻹﻧﱰﻧﺖ ﻣﺜﻞ ﺟﻮﺟﻞ‪ .‬ﺗﻤﺜﱠﻞ اﻟﻜﻠﻤﺎت املﻨﻄﻮﻗﺔ ﻣﻦ‬
‫ﺧﻼ اﻟﻜﺜﺎﻓﺎت اﻟﺮﻗﻤﻴﺔ ﻟﻸﺷﻜﺎ املﻮﺟﻴﺔ اﻟﺘﻲ ﺗﺸ ﱢﻜﻞ اﻷﺟﺰاء املﻔﺮدة ﻣﻦ اﻟﻜﻼ ‪ .‬ﻋﲆ ﻧﺤﻮ‬
‫ﻋﺎ ‪ ،‬رﻏﻢ أﻧﻪ ﻟﻴﺴﺖ ﺟﻤﻴﻊ اﻟﺒﻴﺎﻧﺎت أرﻗﺎﻣﺎ‪ ،‬ﻓﺈ ﻣﻌﻈﻢ اﻟﺒﻴﺎﻧﺎت ﺗﱰﺟﻢ إﱃ ﺷﻜﻞ رﻗﻤﻲ ﰲ‬
‫ﻣﺮﺣﻠﺔ ﻣﺎ‪ .‬ﻣﻌﻈﻢ اﻹﺣﺼﺎﺋﻴﺎت ﺗﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ‪.‬‬

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

‫ﻧﺴﺒﺖ ﻋﺒﺎرة »ﺛﻤﺔ أﻛﺎذﻳﺐ‪ ،‬أﻛﺎذﻳﺐ ﺑﻐﻴﻀﺔ‪ ،‬إﺣﺼﺎﺋﻴﺎت« — املﺬﻛﻮرة ﰲ ﺑﺪاﻳﺔ ﻫﺬا‬
‫اﻟﻔﺼﻞ — ﻋﲆ ﺟﻮ ﻣﺨﺘﻠﻔﺔ إﱃ ﻣﺎر ﺗﻮﻳﻦ ﺑﻨﻴﺎﻣني دزراﺋﻴﲇ‪ ،‬ﻏريﻫﻤﺎ‪ .‬ﻛﻤﺎ رد ﻋﲆ‬

‫‪12‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫ﻟﺴﺎ اﻟﻌﺪﻳﺪ ﻣﻦ اﻷﺷﺨﺎص ﺗﴫﻳﺤﺎت ﻣﻤﺎﺛﻠﺔ؛ ﻣﻨﻬﺎ‪» :‬ﻋﲆ ﻏﺮار اﻷﺣﻼ ‪ ،‬اﻹﺣﺼﺎﺋﻴﺎت‬
‫ﻫﻲ ﺷﻜﻞ ﻣﻦ أﺷﻜﺎ ﺗﺤﻘﻴﻖ اﻟﺮﻏﺒﺎت« )ﺟﻮ ﺑﻮدرﻳﺎر‪ ،‬ﰲ ﻛﺘﺎب »ذﻛﺮﻳﺎت ﺟﻤﻴﻠﺔ«‪،‬‬
‫ﻠﺖ‬‫ﱠت ﻋﲆ ﻧﺤﻮ ﺧﺎص إﱃ ﻧﺘﻴﺠﺔ ﻣﺆﺳﻔﺔ ﺗﻤﺜ ﱠ ْ‬ ‫اﻟﻔﺼﻞ اﻟﺮاﺑﻊ(‪ …» ،‬ﻋﺒﺎدة اﻹﺣﺼﺎﺋﻴﺎت أد ْ‬
‫ﰲ ﺟﻌﻞ ﻣﻬﻤﺔ اﻟﻜﺎذب اﻟﴫ أﺳﻬﻞ ﺑﻜﺜري« )ﺗﻮ ﺑﻮرﻧﺎ ‪ ،‬ﰲ ﻛﺘﺎب »ﻗﺎﻣﻮس اﻟﺘﻀﻠﻴﻞ«(‪،‬‬
‫»اﻹﺣﺼﺎﺋﻴﺎت ﻫﻲ »ﺧﺰﻋْ ﺒﻼت« ﻣﺪﻋﻮﻣﺔ ﺑﺎﻷرﻗﺎ « )أ در ﻫﺎﺑريا رﻳﺘﺸﺎرد ر ﻧﻴﻮ ‪ ،‬ﰲ‬
‫ﻛﺘﺎب »اﻹﺣﺼﺎﺋﻴﺎت اﻟﻌﺎﻣﺔ«(‪» ،‬اﻹﺟﺮاءات اﻟﻘﺎﻧﻮﻧﻴﺔ ﻣﺜﻞ اﻹﺣﺼﺎﺋﻴﺎت؛ إذا ﺗﻼﻋﺒﺖ ﺑﻬﺎ‪،‬‬
‫ﻳﻤﻜﻨﻚ أ ﺗﺜﺒﺖ أ ﱠ ﳾء« )آرﺛﺮ ﻫﻴﲇ‪ ،‬ﰲ ر اﻳﺔ »املﻄﺎر«(‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻳﻮﺟﺪ ﻛﺜري ﻣﻦ اﻟﺸﻚ ﺣﻴﺎ اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬رﺑﻤﺎ ﻧﺘﺴﺎء أﻳﻀﺎ ﻣﺎ إذا‬
‫ﻛﺎ ﻫﻨﺎ ﻋﻨﴫ ﺧﻮ ﻣﻦ ﻫﺬا املﺠﺎ ‪ .‬ﻣﻦ املﺆﻛﺪ أ اﻹﺣﺼﺎﺋﻲ ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﻠﻌﺐ د ر ﺷﺨﺺ‬
‫ﺗﻮﺧﻲ اﻟﺤﺬر‪ ،‬رﺑﻤﺎ ﺣﺘﻰ ﻳﻜﻮ ﺣﺎﻣﻞ اﻷﺧﺒﺎر اﻟﺴﻴﺌﺔ‪ .‬اﻹﺣﺼﺎﺋﻴﻮ اﻟﻌﺎﻣﻠﻮ‬ ‫ﻳﺠﺐ ﻋﻠﻴﻪ ﱢ‬
‫ﰲ اﻟﺒﻴﺌﺎت اﻟﺒﺤﺜﻴﺔ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ﰲ ﻛﻠﻴﺎت اﻟﻄﺐ أ اﻟﺴﻴﺎﻗﺎت اﻻﺟﺘﻤﺎﻋﻴﺔ — رﺑﻤﺎ‬
‫ﻳﻜﻮ ﻋﻠﻴﻬﻢ ﴍح أ اﻟﺒﻴﺎﻧﺎت ﻏري ﻛﺎﻓﻴﺔ ﻟﻺﺟﺎﺑﺔ ﻋﻦ ﺳﺆا ﻣﻌني‪ ،‬أ أ اﻟﺠﻮاب ﺑﺒﺴﺎﻃﺔ‬
‫ﻟﻴﺲ ﻣﺎ أراد اﻟﺒﺎﺣﺚ ﺳﻤﺎﻋﻪ‪ ،‬رﺑﻤﺎ ﻳﻜﻮ ﻫﺬا أﻣﺮا ﻣﺆﺳﻔﺎ ﻣﻦ ﺟﻬﺔ ﻧﻈﺮ اﻟﺒﺎﺣﺚ‪ ،‬ﻟﻜﻦ‬
‫ﻟﻴﺲ ﻣﻦ اﻹﻧﺼﺎ إﻟﻘﺎء اﻟﻠﻮ ﻋﲆ ﺣﺎﻣﻞ اﻟﺮﺳﺎﻟﺔ اﻹﺣﺼﺎﺋﻴﺔ‪.‬‬
‫ﰲ ﻛﺜري ﻣﻦ اﻟﺤﺎﻻت‪ ،‬ﺗﺘﻮ ﱠﻟﺪ اﻟﺸﻜﻮ ﺑﺴﺒﺐ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻳﺨﺘﺎر اﻹﺣﺼﺎﺋﻴﺎت اﻧﺘﻘﺎﺋﻴٍّﺎ‪.‬‬
‫ﻓﺈذا ﻛﺎ ﻫﻨﺎ أﻛﺜﺮ ﻣﻦ ﻃﺮﻳﻘﺔ ﻟﺘﻠﺨﻴﺺ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﺗﻨﺒﻊ ﻛ ﱞﻞ ﻣﻨﻬﺎ ﺑﺎﻟﻨﻈﺮ‬
‫ﰲ ﺟﻮاﻧﺐ ﻣﺨﺘﻠﻔﺔ ﻗﻠﻴﻼ‪ ،‬ﻓﺈ اﻷﺷﺨﺎص املﺨﺘﻠﻔني ﺣﻴﻨﻬﺎ ﻳﻤﻜﻦ أ ﻳﺨﺘﺎر ا اﻟﱰﻛﻴﺰ ﻋﲆ‬
‫ﻣﻠﺨﺼﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬ﺛﻤﺔ ﻣﺜﺎ ﻣﺤﺪد ﰲ إﺣﺼﺎﺋﻴﺎت اﻟﺠﺮﻳﻤﺔ؛ ﻓﻔﻲ ﺑﺮﻳﻄﺎﻧﻴﺎ‪ ،‬رﺑﻤﺎ ﻳﻌ ﱡﺪ‬
‫أﻫﻢ ﻣﺼﺪر ﻹﺣﺼﺎﺋﻴﺎت اﻟﺠﺮﻳﻤﺔ ﻫﻮ »اﺳﺘﻘﺼﺎء اﻟﺠﺮﻳﻤﺔ اﻟﱪﻳﻄﺎﻧﻴﺔ«‪ ،‬ﻫﺬا اﻻﺳﺘﻘﺼﺎء‬
‫ﻳﻘﺪﱢر ﻣﺴﺘﻮ اﻟﺠﺮﻳﻤﺔ ﻋﻦ ﻃﺮﻳﻖ ﺳﺆا ﻋﻴﱢﻨﺔ ﻣﻦ اﻟﻨﺎس ﻣﺒﺎﴍة ﻋﻦ اﻟﺠﺮاﺋﻢ اﻟﺘﻲ ﻗﻌﻮا‬
‫ﺿﺤﺎﻳﺎ ﻟﻬﺎ ﺧﻼ اﻟﻌﺎ املﺎﴈ‪ .‬ﰲ املﻘﺎﺑﻞ‪ ،‬ﻓﺈ ﺳﻠﺴﻠﺔ »إﺣﺼﺎﺋﻴﺎت اﻟﺠﺮاﺋﻢ املﺴﺠﱠ ﻠﺔ«‬
‫ﺗﺸﻤﻞ ﺟﻤﻴﻊ اﻟﺠﺮاﺋﻢ املﺒ ﱠﻠﻎ ﻋﻨﻬﺎ إﱃ زارة اﻟﺪاﺧﻠﻴﺔ اﻟﺘﻲ ﺳﺠﱠ ﻠﺘْﻬﺎ اﻟﴩﻃﺔ‪ .‬ﺑﻄﺒﻴﻌﺘﻬﺎ‪،‬‬
‫ﻻ ﺗﺸﻤﻞ ﻫﺬ اﻹﺣﺼﺎﺋﻴﺎت ﺑﻌﺾ اﻟﺠﺮاﺋﻢ اﻟﺒﺴﻴﻄﺔ‪ ،‬أﻫﻢ ﻣﻦ ذﻟﻚ ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ أﻧﻬﺎ‬
‫ﺗﺴﺘﺜﻨﻲ اﻟﺠﺮاﺋﻢ اﻟﺘﻲ ﻟﻢ ﺗﺒ ﱠﻠﻎ ﻋﻨﻬﺎ اﻟﴩﻃﺔ ﰲ املﻘﺎ اﻷ ‪ .‬ﺑﻮﺟﻮد ﻣﺜﻞ ﻫﺬ اﻻﺧﺘﻼﻓﺎت‪،‬‬
‫ﻟﻴﺲ ﻣﻦ املﺴﺘﻐﺮب أ اﻷرﻗﺎ ﻳﻤﻜﻦ أ ﺗﺨﺘﻠﻒ ﺑني ﻣﺠﻤﻮﻋﺘﻲ اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﻟﺪرﺟﺔ أ‬
‫ﻓﺌﺎت ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﺠﺮاﺋﻢ رﺑﻤﺎ ﺗﺒﺪ آﺧﺬة ﰲ اﻟﺘﻨﺎﻗﺺ ﻋﲆ ﻣﺮ اﻟﺰﻣﻦ ﻓﻘﺎ ﻹﺣﺪ ﻣﺠﻤﻮﻋﺘﻲ‬
‫اﻷرﻗﺎ ﻓﻴﻤﺎ ﺗﻜﻮ آﺧﺬة ﰲ اﻟﺘﺰاﻳﺪ ﻓﻘﺎ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻷﺧﺮ ‪.‬‬
‫أرﻗﺎ إﺣﺼﺎﺋﻴﺎت اﻟﺠﺮﻳﻤﺔ ﺗﻮﺿﺢ أﻳﻀﺎ ﺳﺒﺒﺎ ﻣﺤﺘﻤﻼ آﺧﺮ ﻟﻠﺘﺸﻜﻚ ﰲ اﻹﺣﺼﺎﺋﻴﺎت؛‬
‫ﻓﻌﻨﺪ اﺳﺘﺨﺪا ﻣﻘﻴﺎس ﻣﻌني ﻛﻤﺆﴍ ﻷداء ﻧﻈﺎ ﻣﺎ‪ ،‬رﺑﻤﺎ ﻳﺨﺘﺎر اﻷﺷﺨﺎص اﺳﺘﻬﺪا ﻫﺬا‬

‫‪13‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻜﻦ ﻋﲆ ﺣﺴﺎب ﺟﻮاﻧﺐ أﺧﺮ ﻣﻦ اﻟﻨﻈﺎ ؛ ﻣﻦ ﺛﻢ ﻳﺘﺤﺴﻦ‬ ‫ْ‬ ‫املﻘﻴﺎس‪ ،‬ﻓﻴﺤﺴﻨﻮ ﻗﻴﻤﺘﻪ‬
‫املﻘﻴﺎس املﺨﺘﺎر ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺘﻜﺎﻓﺊ‪ ،‬ﻳﺼﺒﺢ ﻋﺪﻳﻢ اﻟﻔﺎﺋﺪة ﻛﻤﻘﻴﺎس ﻷداء اﻟﻨﻈﺎ ؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻦ ﻟﻠﴩﻃﺔ أ ﺗﻘﻠﻞ ﻣﻦ ﻣﻌﺪ ﴎﻗﺔ املﺘﺎﺟﺮ ﻣﻦ ﺧﻼ ﺗﺮﻛﻴﺰ ﻛﻞ ﻣﻮاردﻫﺎ‬
‫ﻋﲆ ﺗﻠﻚ اﻟﺠﺮﻳﻤﺔ‪ ،‬ﻋﲆ ﺣﺴﺎب اﻟﺴﻤﺎح ﺑﺰﻳﺎدة أﻧﻮاع أﺧﺮ ﻣﻦ اﻟﺠﺮﻳﻤﺔ؛ ﻧﺘﻴﺠﺔ ﻟﺬﻟﻚ‪،‬‬
‫ﻓﺈ ﻣﻌﺪ ﴎﻗﺔ املﺘﺎﺟﺮ ﻳﺼﺒﺢ ﻋﺪﻳﻢ اﻟﻔﺎﺋﺪة ﻛﻤﺆﴍ ﻋﲆ ﻣﻌﺪ اﻟﺠﺮﻳﻤﺔ‪ .‬ﻗﺪ ﺳﻤﱢ ﻴﺖ‬
‫ﻫﺬ اﻟﻈﺎﻫﺮة ﺑﺎﺳﻢ »ﻗﺎﻧﻮ ﺟﻮدﻫﺎرت«‪ ،‬ﺗﻴﻤﱡ ﻨﺎ ﺑﺘﺸﺎرﻟﺰ ﺟﻮدﻫﺎرت‪ ،‬ﻫﻮ ﻛﺒري ﻣﺴﺘﺸﺎرﻳﻦ‬
‫ﺳﺎﺑﻘﺎ ﰲ »ﻣﴫ إﻧﺠﻠﱰا«‪.‬‬
‫اﻟﻬﺪ ﻣﻦ ﻛﻞ ذﻟﻚ ﻫﻮ أ املﺸﻜﻠﺔ ﻻ ﺗﻜﻤﻦ ﰲ اﻹﺣﺼﺎﺋﻴﺎت ﰲ ﺣﺪ ذاﺗﻬﺎ‪ ،‬ﻟﻜﻦ ﰲ‬
‫اﺳﺘﺨﺪا ﺗﻠﻚ اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﺳﻮء ﻓﻬﻢ ﻛﻴﻔﻴﺔ إﻧﺘﺎج اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﻣﺎ ﺗﻌﻨﻴﻪ اﻹﺣﺼﺎﺋﻴﺎت‬
‫ٍّ‬
‫ﺣﻘﺎ‪ .‬ﻟﻌﻞ ﻣﻦ اﻟﻄﺒﻴﻌﻲ ﺗﻤﺎﻣﺎ أ ﻧﻜﻮ ﻣﺘﺸ ﱢﻜﻜني ﺣﻴﺎ اﻷﺷﻴﺎء اﻟﺘﻲ ﻻ ﻧﻔﻬﻤﻬﺎ‪ ،‬اﻟﺤﻞ ﻫﻮ‬
‫إزاﻟﺔ ﺳﻮء اﻟﻔﻬﻢ‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺛﻤﺔ ﺳﺒﺐ آﺧﺮ ﻟﻠﺘﺸﻜﻚ ﻳﻨﺸﺄ أﺳﺎﺳﺎ ﻧﺘﻴﺠﺔ ﻟﻄﺒﻴﻌﺔ اﻟﺘﻘﺪ اﻟﻌﻠﻤﻲ؛ ﻣﻦ‬
‫ﺗﺒني أ ﻧﻮﻋﺎ ﻣﻌﻴﻨﺎ ﻣﻦ‬ ‫ﺛﻢﱠ‪ ،‬رﺑﻤﺎ ﻧﻘﺮأ ﰲ ﻳﻮ ﻣﻦ اﻷﻳﺎ ﰲ ﺻﺤﻴﻔﺔ ﻣﺎ ﻋﻦ دراﺳﺔ ﻋﻠﻤﻴﺔ ﱢ‬
‫اﻟﻄﻌﺎ ﺿﺎ ﱞر ﻟﻨﺎ‪ ،‬ﰲ اﻟﻴﻮ اﻟﺘﺎﱄ ﺗﺸري إﱃ أﻧﻪ ﻣﻔﻴﺪ‪ .‬ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ﻳﻮ ﱢﻟﺪ ذﻟﻚ ا ْﻟﺘﺒﺎﺳﺎ؛‬
‫أ ْ ﺷﻌﻮرا ﺑﺄ اﻟﻌﻠﻤﺎء ﻻ ﻳﻌﺮﻓﻮ اﻟﺠﻮاب‪ ،‬رﺑﻤﺎ أﻧﻪ ﻻ ﻳﻤﻜﻦ اﻟﻮﺛﻮ ﺑﻬﻢ‪ .‬ﺣﺘﻤﺎ ﻣﺜﻞ‬
‫ﻫﺬ اﻟﺘﺤﻘﻴﻘﺎت اﻟﻌﻠﻤﻴﺔ ﺗﺴﺘﺨﺪ اﻟﺘﺤﻠﻴﻼت اﻹﺣﺼﺎﺋﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﻜﺜﱠﻒ؛ ﻣﻦ ﺛﻢ ﻓﺈ‬
‫ﺑﻌﻀﺎ ﻣﻦ ﻫﺬ اﻟﺸﻜﻮ ﻳﻨﺘﻘﻞ إﱃ اﻹﺣﺼﺎﺋﻴﺎت‪ .‬ﻟﻜﻦ ﺟﻮﻫﺮ اﻟﺘﻘﺪ اﻟﻌﻠﻤﻲ ﻫﻮ ﺗﺤﻘﻴﻖ‬
‫ﺗﻐري ﻓﻬﻤﻨﺎ؛ ﻓﺮﻏﻢ أﻧﻨﺎ ﻛﻨﱠﺎ ﻧﻈﻦ ﰲ املﺎﴈ أ اﻟﺪﻫﻮ اﻟﻐﺬاﺋﻴﺔ ﺿﺎرة‬ ‫اﻛﺘﺸﺎﻓﺎت ﺟﺪﻳﺪة ﱢ‬
‫ﻟﻨﺎ‪ ،‬ﻓﻘﺪ دﻓﻌﻨﺎ ﻣﺰﻳﺪ ﻣﻦ اﻟﺪراﺳﺎت إﱃ إدرا أﻧﻪ ﻳﻮﺟﺪ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺪﻫﻮ ؛ ﺑﻌﻀﻬﺎ‬
‫ﻣﻔﻴﺪ ﺑﻌﻀﻬﺎ ﺿﺎر‪ .‬إ اﻟﺼﻮرة أﻛﺜﺮ ﺗﻌﻘﻴﺪا ﻣﻤﺎ ﻛﻨﱠﺎ ﻧﻌﺘﻘﺪ ﰲ اﻟﺒﺪاﻳﺔ؛ ﻟﺬﻟﻚ ﻟﻴﺲ ﻣﻦ‬
‫املﺴﺘﻐﺮب أ ﺗﺆ ﱢد اﻟﺪراﺳﺎت اﻷ ﻟﻴﺔ إﱃ اﺳﺘﻨﺘﺎﺟﺎت ﺗﺒﺪ ﻣﺘﻀﺎرﺑﺔ ﻣﺘﻨﺎﻗﻀﺔ‪.‬‬
‫اﻟﺴﺒﺐ اﻟﺮاﺑﻊ ﻟﻠﺘﺸﻜﻚ ﻳﻨﺸﺄ ﻣﻦ ﺳﻮء ﻓﻬﻢ أ ﱄ ﱟ ملﺒﺎدئ اﻹﺣﺼﺎء‪ .‬ﻛﺘﻤﺮﻳﻦ‪ ،‬رﺑﻤﺎ‬
‫ﻳﺤﺎ اﻟﻘﺎرئ أ ﻳﺤﺪد ﻣﺎ ﻫﻮ ﻣﺜري ﻟﻠﺸﻜﻮ ﰲ ﻛ ﱟﻞ ﻣﻦ اﻟﻌﺒﺎرات اﻟﺘﺎﻟﻴﺔ )اﻷﺟﻮﺑﺔ ﻣﻮﺟﻮدة‬
‫ﰲ اﻟﺘﻌﻠﻴﻘﺎت اﻟﺨﺘﺎﻣﻴﺔ ﰲ آﺧﺮ اﻟﻜﺘﺎب(‪:‬‬
‫)‪ (١‬ﻧﻘﺮأ ﰲ ﺗﻘﺮﻳﺮ ﻣﺎ أ اﻟﺘﺸﺨﻴﺺ املﺒ ﱢﻜﺮ ﻟﻠﻤﺮض ﻳﺆد إﱃ اﻟﺘﻤﺘﻊ ﺑﻤﻌﺪﻻت ﻋﻤﺮﻳﺔ‬
‫أﻃﻮ ؛ ﻟﺬﻟﻚ ﻓﺈ ﺑﺮاﻣﺞ اﻟﻔﺤﺺ ﻣﻔﻴﺪة‪.‬‬
‫)‪ (٢‬ﻗﻴﻞ ﻟﻨﺎ إ اﻟﺴﻌﺮ املﻌﻠﻦ ﺧ ﱢﻔﺾ ﺑﺎﻟﻔﻌﻞ ﺑﻨﺴﺒﺔ ﺧﺼﻢ ‪ ٪٢٥‬ﻟﻠﻌﻤﻼء ﱠ‬
‫املﺆﻫﻠني‪ ،‬ﻟﻜﻨﻨﺎ‬
‫ﻟﺴﻨﺎ ﱠ‬
‫ﻣﺆﻫﻠني؛ ﻟﺬﻟﻚ ﻋﻠﻴﻨﺎ دﻓﻊ ‪ ٪٢٥‬أﻛﺜﺮ ﻣﻦ اﻟﺴﻌﺮ املﻌﻠﻦ‪.‬‬

‫‪14‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫املﺘﻮﻗﻊ ﺳﻮ ﻳﺼﻞ إﱃ ‪ ١٥٠‬ﻋﺎﻣﺎ ﰲ اﻟﻘﺮ املﻘﺒﻞ‪،‬‬‫ﱠ‬ ‫)‪ (٣‬ﻧﺴﻤﻊ ﺗﻨﺒﺆا ﺑﺄ ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ‬
‫اﺳﺘﻨﺎدا إﱃ اﺳﺘﻘﺮاء ﺑﺴﻴﻂ ﻣﻦ اﻟﺰﻳﺎدات ﻋﲆ ﻣﺪ اﻟﺴﻨﻮات املﺎﺋﺔ املﺎﺿﻴﺔ‪.‬‬
‫)‪ (٤‬ﻗﻴﻞ ﻟﻨﺎ‪» :‬ﻣﻨﺬ ﻋﺎ ‪ ،١٩٥٠‬ﺗﻀﺎﻋﻒ ﻛ ﱠﻞ ﻋﺎ ﻋﺪد اﻷﻃﻔﺎ اﻷﻣﺮﻳﻜﻴني اﻟﺬﻳﻦ ﺗﻌﺮﺿﻮا‬
‫ﻟﺤﺎدث إﻃﻼ ﻧﺎر‪«.‬‬

‫أﺣﻴﺎﻧﺎ ﻻ ﻳﻜﻮ ﺳﻮء اﻟﻔﻬﻢ أ ﻟﻴٍّﺎ ﻟﻠﻐﺎﻳﺔ‪ ،‬أ ﻋﲆ اﻷﻗﻞ‪ ،‬ﻳﻨﺸﺄ ﻋﻦ ﻣﻔﺎﻫﻴﻢ إﺣﺼﺎﺋﻴﺔ‬
‫ﻋﻤﻴﻘﺔ ﻧﺴﺒﻴٍّﺎ‪ .‬ﺳﻴﻜﻮ ﻣﺴﺘﻐﺮﺑﺎ ﱠأﻻ ﻳﻮﺟﺪ ﺑﻌﺾ اﻷﻓﻜﺎر اﻟﻌﻤﻴﻘﺔ املﻨﺎﻗﻀﺔ ﻟﻠﺒﺪﻳﻬﺔ ﰲ‬
‫اﻹﺣﺼﺎء ﺑﻌﺪ أﻛﺜﺮ ﻣﻦ ﻗﺮ ﻣﻦ اﻟﺘﻄﻮر‪ .‬ﺗﺘﻤﺜﻞ إﺣﺪ ﻫﺬ اﻷﻓﻜﺎر ﻓﻴﻤﺎ ﻳﻌﺮ ﺑﺎﺳﻢ‬
‫»ﻣﻐﺎﻟﻄﺔ املﺪﻋﻲ«‪ ،‬ﺗﺼﻒ اﻟﺨﻠﻂ ﺑني اﺣﺘﻤﺎ أ ﺷﻴﺌﺎ ﻣﺎ ﺳﻮ ﻳﻜﻮ ﺻﺤﻴﺤﺎ )ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬املﺘﻬﻢ ﻣﺬﻧﺐ( إذا ﻛﺎ ﻟﺪﻳﻚ ﺑﻌﺾ اﻷدﻟﺔ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻗﻔﺎزات املﺪﻋﻰ‬
‫ﻋﻠﻴﻪ ﰲ ﻣﴪح اﻟﺠﺮﻳﻤﺔ(‪ ،‬ﻣﻊ اﺣﺘﻤﺎ اﻟﻌﺜﻮر ﻋﲆ ﻫﺬا اﻟﺪﻟﻴﻞ إذا ﻛﻨﺖ ﺗﻔﱰض أ املﺘﻬﻢ‬
‫ﻣﺬﻧﺐ‪ .‬ﻫﺬا ﺧﻠﻂ ﺷﺎﺋﻊ — ﻟﻴﺲ ﰲ املﺤﺎﻛﻢ ﻓﺤﺴﺐ — ﺳﻮ ﻧﺘﻨﺎ ﻟﻪ ﻋﲆ ﻧﺤﻮ أ ﺛﻖ ﰲ‬
‫ﻗﺖ ﻻﺣﻖ‪.‬‬
‫إذا ﻛﺎ ﻫﻨﺎ ﺷﻚ ﻋﺪ ﺛﻘﺔ ﰲ اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﻓﻤﻦ اﻟﻮاﺿﺢ أ اﻟﻠﻮ ﻻ ﻳﻘﻊ ﻋﲆ‬
‫اﻹﺣﺼﺎﺋﻴﺎت أ ﻛﻴﻔﻴﺔ ﺣﺴﺎﺑﻬﺎ‪ ،‬إﻧﻤﺎ ﻳﻘﻊ ﻋﲆ ﻃﺮﻳﻘﺔ اﺳﺘﺨﺪا ﺗﻠﻚ اﻹﺣﺼﺎﺋﻴﺎت‪ .‬ﻟﻴﺲ‬
‫ﻣﻦ اﻟﻌﺪ إ ْﻟﻘﺎء اﻟﻠﻮ ﻋﲆ اﻟﻌﻠﻢ‪ ،‬أ اﻹﺣﺼﺎﺋﻲ اﻟﺬ ﻳﺴﺘﺨﺮج املﻌﻨﻰ ﻣﻦ اﻟﺒﻴﺎﻧﺎت؛ ﺑﻞ إ‬
‫اﻟﻠﻮ ﻳﻘﻊ ﻋﲆ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻻ ﻳﻔﻬﻤﻮ ﻣﺎ ﺗﻘﻮﻟﻪ اﻷرﻗﺎ ‪ ،‬أ اﻟﺬﻳﻦ ﻳﺘﻌﻤﱠ ﺪ إﺳﺎءة اﺳﺘﺨﺪا‬
‫اﻟﻨﺘﺎﺋﺞ؛ ﻓﻨﺤﻦ ﻻ ﻧﻠﻮ اﻟﺒﻨﺪﻗﻴﺔ ﻋﲆ ﻗﺘْﻞ أﺣﺪﻫﻢ‪ ،‬ﺑﻞ اﻟﺸﺨﺺ اﻟﺬ أﻃﻠﻖ اﻟﺮﺻﺎص ﻣﻦ‬
‫اﻟﺒﻨﺪﻗﻴﺔ ﻫﻮ املﻠﻮ ‪.‬‬

‫)‪ (4‬اﻟﺒﻴﺎﻧﺎت‬
‫رأﻳﻨﺎ أ اﻟﺒﻴﺎﻧﺎت ﻫﻲ املﺎدة اﻟﺨﺎ اﻟﺘﻲ ﺑﻨﻲ ﻋﻠﻴﻬﺎ اﻹﺣﺼﺎء‪ ،‬ﻛﺬﻟﻚ ﻫﻲ املﺎدة اﻟﺨﺎ اﻟﺘﻲ‬
‫ﺗﺤﺴﺐ ﻣﻨﻬﺎ اﻹﺣﺼﺎﺋﻴﺎت اﻟﻔﺮدﻳﺔ ﻧﻔﺴﻬﺎ‪ ،‬أ ﻫﺬ اﻟﺒﻴﺎﻧﺎت ﻋﺎدة ﻣﺎ ﺗﻜﻮ أرﻗﺎﻣﺎ‪ .‬ﻣﻊ‬
‫ذﻟﻚ‪ ،‬ﻓﺈ اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﻮاﻗﻊ أﻛﺜﺮ ﻣﻦ ﻣﺠﺮد أرﻗﺎ ‪ .‬ﻟﻜﻲ ﺗﻜﻮ ﻣﻔﻴﺪة — أ ْ ﺗﻤ ﱢﻜﻨﻨﺎ ﻣﻦ‬
‫اﻟﻘﻴﺎ ﺑﺒﻌﺾ اﻟﺘﺤﻠﻴﻼت اﻹﺣﺼﺎﺋﻴﺔ ذات املﻐﺰ — ﻳﺠﺐ أ ﺗﺮﺗﺒﻂ ﻫﺬ اﻷرﻗﺎ ﺑﻤﻌﻨﻰ؛‬
‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ ﻣﻌﺮﻓﺔ ﻣﺎ »ﺗﻘﻴﺴﻪ« اﻟﻘﻴﺎﺳﺎت‪ ،‬ﻣﺎ ﺗﻢ ﻋ ﱡﺪ ﻋﻨﺪﻣﺎ ﻳﻌﺮض‬
‫ﻋﻠﻴﻨﺎ ﺗﻌﺪاد‪ .‬ﻟﺘﺤﻘﻴﻖ ﻧﺘﺎﺋﺞ ﺻﺤﻴﺤﺔ دﻗﻴﻘﺔ ﻋﻨﺪﻣﺎ ﻧﻘﻮ ﺑﺘﻨﻔﻴﺬ ﺗﺤﻠﻴﻞ إﺣﺼﺎﺋﻲ‪ ،‬ﻧﺤﺘﺎج‬
‫أﻳﻀﺎ أ ﻧﻌﺮ ﺷﻴﺌﺎ ﻋﻦ ﻛﻴﻔﻴﺔ اﻟﺤﺼﻮ ﻋﲆ ﻫﺬ اﻟﻘﻴﻢ‪ .‬ﻫﻞ أﺟﺎب ﺟﻤﻴﻊ ﻣﻦ ﺳﺄﻟﻨﺎﻫﻢ‬

‫‪15‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻋﲆ اﻻﺳﺘﺒﻴﺎ ‪ ،‬أ أﺟﺎب ﺑﻌﺾ اﻷﺷﺨﺎص ﻓﺤﺴﺐ؟ إذا أﺟﺎب ﺑﻌﺾ اﻷﺷﺨﺎص ﻓﺤﺴﺐ‪،‬‬
‫ﻓﻬﻞ ﻫﻢ ﻳﻤﺜﱢﻠﻮ املﺠﻤﻮﻋﺔ اﻟﺘﻲ ﻧﻮ ﱡد أ ﻧﺪﱄ ﺑﺒﻴﺎ ﺣﻮﻟﻬﺎ ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ أ إ اﻟﻌﻴﻨﺔ‬
‫ﻣﺸﻮﱠﻫﺔ ﺑﻄﺮﻳﻘﺔ ﻣﺎ؟ ﻫﻞ‪ ،‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺗﺴﺘﺒﻌﺪ ﻋﻴﱢﻨﺘﻨﺎ اﻟﺸﺒﺎب ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺘﻜﺎﻓﺊ؟‬
‫ﺑﺎملﺜﻞ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺤﺎﺟﺔ إﱃ ﻣﻌﺮﻓﺔ ﻣﺎ إذا اﻧﺴﺤﺐ ﻣﺮﴇ ﻣﻦ اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ‪ ،‬ﻣﺎ إذا‬
‫ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت ﻣﺤﺪﱠﺛﺔ أ ﻻ‪ .‬ﻧﺤﺘﺎج إﱃ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ أداة اﻟﻘﻴﺎس ﻣﻮﺛﻮﻗﺎ ﺑﻬﺎ‬
‫أ ﻻ‪ ،‬أ ﻫﻞ ﻛﺎﻧﺖ ﻟﺪﻳﻬﺎ ﻗﻴﻤﺔ ﻗﺼﻮ ﺗﺴﺠﱠ ﻞ ﻋﻨﺪﻣﺎ ﺗﻜﻮ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻣﺮﺗﻔﻌﺔ ﻋﲆ‬
‫ﻧﺤﻮ ﻣﻔﺮط‪ .‬ﻫﻞ ﻟﻨﺎ أ ﻧﻔﱰض أ ﻣﻌﺪ اﻟﻨﺒﺾ اﻟﺬ ﺳﺠﱠ ﻠﺘْﻪ املﻤﺮﺿﺔ دﻗﻴﻖ أ إﻧﻪ ﻗﻴﻤﺔ‬
‫ﺗﻘﺮﻳﺒﻴﺔ ﻓﺤﺴﺐ؟ ﺛﻤﺔ ﻋﺪد ﻻ ﺣﴫ ﻟﻪ ﻣﻦ ﻣﺜﻞ ﻫﺬ اﻷﺳﺌﻠﺔ ﻳﻤﻜﻦ ﻃﺮﺣﻪ‪ ،‬ﻧﺤﺘﺎج إﱃ‬
‫أ ﻧﻜﻮ ﻣﺘﻨﺒﱢﻬني ﻟﺘﻠﻚ اﻷﺳﺌﻠﺔ اﻟﺘﻲ ﻳﻤﻜﻦ أ ﺗﺆﺛﱢﺮ ﻋﲆ اﻟﻨﺘﺎﺋﺞ اﻟﺘﻲ ﻧﺴﺘﺨﻠﺼﻬﺎ‪ .‬إذا ﻟﻢ‬
‫ﻧﻔﻌﻞ ذﻟﻚ‪ ،‬ﻓﺴﺘﺼﺒﺢ اﻟﺸﻜﻮ ﻣﻦ اﻟﻨﻮع املﺬﻛﻮر آﻧﻔﺎ ﻣﴩ ﻋﺔ ﺗﻤﺎﻣﺎ‪.‬‬
‫ﺗﺘﻤﺜﱠﻞ إﺣﺪ ﻃﺮ اﻟﻨﻈﺮ إﱃ اﻟﺒﻴﺎﻧﺎت ﰲ اﻋﺘﺒﺎرﻫﺎ »أدﻟﺔ«؛ ﻓﺒﺪ ﺑﻴﺎﻧﺎت‪ ،‬ﺗﺼﺒﺢ‬
‫ﺗﻮﻓﺮ اﻟﺒﻴﺎﻧﺎت ﻣﻌﺮﻓﺔ أﺳﺎﺳﻴﺔ ﺗﺮﺑﻂ‬ ‫ﱢ‬ ‫أﻓﻜﺎرﻧﺎ ﻧﻈﺮﻳﺎﺗﻨﺎ ﺣﻴﺎ اﻟﻌﺎﻟﻢ ﻣﺤﺾ ﺗﻜﻬﻨﺎت‪.‬‬
‫أﻓﻜﺎرﻧﺎ ﻧﻈﺮﻳﺎﺗﻨﺎ ﺑﺎﻟﻮاﻗﻊ‪ ،‬ﺗﺴﻤﺢ ﻟﻨﺎ ﺑﺎﻟﺘﺤﻘﻖ ﻣﻦ ﺻﺤﺔ ﻓﻬﻤﻨﺎ اﺧﺘﺒﺎر ‪ .‬ﺑﻌﺪ ذﻟﻚ‬
‫ﺗﺴﺘﺨﺪ اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ملﻘﺎرﻧﺔ اﻟﺒﻴﺎﻧﺎت ﻣﻊ أﻓﻜﺎرﻧﺎ ﻧﻈﺮﻳﺎﺗﻨﺎ‪ ،‬ﻟﻨﺮ ﻣﺪ ﺗﻮاﻓﻖ‬
‫ﺑﻌﻀﻬﺎ ﻣﻊ ﺑﻌﺾ‪ .‬ﺳﻮء اﻟﺘﻮاﻓﻖ ﻳﺪﻓﻌﻨﺎ إﱃ اﻟﺘﻔﻜري ﻣﺮة أﺧﺮ إﻋﺎدة ﺗﻘﻴﻴﻢ أﻓﻜﺎرﻧﺎ‬
‫إﻋﺎدة ﺻﻴﺎﻏﺘﻬﺎ ﻟﻜﻲ ﺗﺘﻄﺎﺑﻖ ﻋﲆ ﻧﺤﻮ أﻓﻀﻞ ﻣﻊ اﻟﻮاﻗﻊ املﺮﺻﻮد‪ .‬ﻟﻜﻦ رﺑﻤﺎ ﻳﺠﺪر ﺿﻊ‬
‫ﻣﻼﺣﻈﺔ ﺗﺤﺬﻳﺮﻳﺔ ﻫﻨﺎ؛ ﻫﻲ أ ﺳﻮء اﻟﺘﻮاﻓﻖ ﻳﻤﻜﻦ أﻳﻀﺎ أ ﻳﻜﻮ ﻧﺎﺗﺠﺎ ﻋﻦ ﺳﻮء ﺟﻮدة‬
‫اﻟﺒﻴﺎﻧﺎت‪ .‬ﻳﺠﺐ أ ﻧﻜﻮ ﻣﻨﺘﺒﻬني ﻟﻬﺬا اﻻﺣﺘﻤﺎ ؛ ﻓﺮﺑﻤﺎ ﺗﻜﻮ ﻧﻈﺮﻳﺎﺗﻨﺎ ﺳﻠﻴﻤﺔ ﻟﻜﻦ ﻗﺪ‬
‫ﺗﻜﻮ أد ات اﻟﻘﻴﺎس ﻣﻌﻴﺒﺔ ﺑﻄﺮﻳﻘﺔ ﻣﺎ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻓﺎﻟﺘﻄﺎﺑﻖ اﻟﺠﻴﺪ ﺑني اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‬
‫ﻣﺎ ﺗﻘﻮﻟﻪ ﻧﻈﺮﻳﺎﺗﻨﺎ ﻋﻤﱠ ﺎ ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ﻋﻠﻴﻪ اﻟﺒﻴﺎﻧﺎت ﻳﺆﻛﺪ ﻋﻤﻮﻣﺎ ﻋﲆ أﻧﻨﺎ ﻋﲆ اﻟﻄﺮﻳﻖ‬
‫ﺣﻘﺎ ﺣﻘﻴﻘﺔ ﻣﺎ ﻳﺠﺮ ‪.‬‬‫اﻟﺼﺤﻴﺢ‪ .‬ذﻟﻚ ﻳﺆﻛﺪ ﻋﲆ أ أﻓﻜﺎرﻧﺎ ﺗﻌﻜﺲ ٍّ‬
‫ﻳﺴﺘﺘﺒﻊ ذﻟﻚ ﺿﻤﻨﺎ أﻧﻪ ﻟﻜﻲ ﺗﻜﻮ أﻓﻜﺎرﻧﺎ ﻧﻈﺮﻳﺎﺗﻨﺎ ذات ﻣﻐﺰ ‪ ،‬ﻳﺠﺐ أ ﺗﺴﻔﺮ ﻋﻦ‬
‫ﺗﻮﻗﻌﺎت ﻳﻤﻜﻦ ﻣﻘﺎرﻧﺘﻬﺎ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﻮﺟﻮدة ﻟﺪﻳﻨﺎ‪ .‬ﻓﺈذا ﻟﻢ ﺗﺨﱪﻧﺎ اﻟﻨﻈﺮﻳﺎت ﺑﻤﺎ ﻳﻨﺒﻐﻲ‬
‫أ ﻧﺘﻮﻗﻊ ﻣﻼﺣﻈﺘﻪ‪ ،‬أ إذا ﻛﺎﻧﺖ اﻟﺘﻮﻗﻌﺎت ﻋﺎﻣﺔ ﻟﻠﻐﺎﻳﺔ ﺑﺤﻴﺚ إ أ ﺑﻴﺎﻧﺎت ﺳﻮ ﺗﺘﻮاﻓﻖ‬
‫ﻣﻊ ﻧﻈﺮﻳﺎﺗﻨﺎ‪ ،‬ﻓﺈﻧﻬﺎ ﻟﻦ ﺗﻜﻮ ذات ﻓﺎﺋﺪة ﻛﺒرية؛ ﻓﺄ ﺑﻴﺎﻧﺎت ﺳﺘﺘﻮاﻓﻖ ﻣﻌﻬﺎ‪ .‬ﻗﺪ اﻧﺘﻘﺪ‬
‫اﻟﺘﺤﻠﻴﻞ اﻟﻨﻔﴘ اﻟﺘﻨﺠﻴﻢ ﻋﲆ ﻫﺬ اﻷﺳﺲ‪.‬‬
‫ﱠ‬
‫املﻌﻘﺪ؛ ﺑﺎﺗﺨﺎذ ﻗﺮارات ﺣﻮ‬ ‫ﻛﻤﺎ ﺗﺴﻤﺢ اﻟﺒﻴﺎﻧﺎت ﻟﻨﺎ ﺑﺘﺤﺴﺲ ﻃﺮﻳﻘﻨﺎ ﻋﱪ اﻟﻌﺎﻟﻢ‬
‫أﻓﻀﻞ اﻹﺟﺮاءات اﻟﺘﻲ ﻳﺠﺐ اﻟﻘﻴﺎ ﺑﻬﺎ؛ ﻓﻨﺤﻦ ﻧﺄﺧﺬ ﻗﻴﺎﺳﺎﺗﻨﺎ‪ ،‬ﻧﺤﺴﺐ املﺠﺎﻣﻴﻊ اﻟﻜﻠﻴﺔ‪،‬‬

‫‪16‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫ﻧﺴﺘﺨﺪ اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﻻﺳﺘﺨﺮاج املﻌﻠﻮﻣﺎت ﻣﻦ ﻫﺬ اﻟﺒﻴﺎﻧﺎت ﻟﻮﺻﻒ اﻟﻜﻴﻔﻴﺔ‬

‫اﻟﺘﻲ ﻳﺴري ﺑﻬﺎ اﻟﻌﺎﻟﻢ ﻣﺎ ﻋﻠﻴﻨﺎ أ ﻧﻔﻌﻞ ﻟﺠﻌﻠﻪ ﻳﺴري ﻋﲆ اﻟﻨﺤﻮ اﻟﺬ ﻧﺮﻳﺪ‪ .‬ﻫﺬ‬
‫املﺒﺎدئ ﺗﻮﺿﺤﻬﺎ أﺷﻴﺎء ﻣﺜﻞ اﻟﻄﻴﺎر اﻵﱄ ﰲ اﻟﻄﺎﺋﺮة‪ ،‬أﻧﻈﻤﺔ املﻼﺣﺔ ﺑﺎﻷﻗﻤﺎر اﻟﺼﻨﺎﻋﻴﺔ‬
‫ﰲ اﻟﺴﻴﺎرات‪ ،‬املﺆﴍات اﻻﻗﺘﺼﺎدﻳﺔ ﻣﺜﻞ ﻣﻌﺪ اﻟﺘﻀﺨﻢ اﻟﻨﺎﺗﺞ املﺤﲇ اﻹﺟﻤﺎﱄ‪ ،‬ﻣﺮاﻗﺒﺔ‬
‫املﺮﴇ ﰲ ﺣﺪات اﻟﻌﻨﺎﻳﺔ املﺮﻛﺰة‪ ،‬ﺗﻘﻴﻴﻢ اﻟﺴﻴﺎﺳﺎت اﻻﺟﺘﻤﺎﻋﻴﺔ املﻌﻘﺪة‪.‬‬
‫ﻧﻈﺮا ﻟﻠﺪ ر اﻷﺳﺎﳼ اﻟﺬ ﺗﻠﻌﺒﻪ اﻟﺒﻴﺎﻧﺎت ﺑﻮﺻﻔﻬﺎ اﻟﺮاﺑﻂ ﺑني ﻣﻼﺣﻈﺎﺗﻨﺎ ﻟﻠﻌﺎﻟﻢ ﻣﻦ‬
‫ﺣﻮﻟﻨﺎ ﺑني أﻓﻜﺎرﻧﺎ ﻓﻬﻤﻨﺎ ﻟﻬﺬا اﻟﻌﺎﻟﻢ‪ ،‬ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ ﻗﺒﻴﻞ املﺒﺎﻟﻐﺔ أ ﻧﺼﻒ اﻟﺒﻴﺎﻧﺎت —‬
‫ﺗﻜﻨﻮﻟﻮﺟﻴﺎ اﺳﺘﺨﺮاج املﻌﻨﻰ ﻣﻨﻬﺎ — ﺑﺎﻋﺘﺒﺎرﻫﺎ ﺣﺠﺮ اﻷﺳﺎس ﻟﻠﺤﻀﺎرة اﻟﺤﺪﻳﺜﺔ‪ .‬ﻫﺬا‬
‫ﻫﻮ اﻟﺴﺒﺐ ﰲ أﻧﻨﻲ اﺳﺘﺨﺪﻣﺖ اﻟﻌﻨﻮا اﻟﻔﺮﻋﻲ »ﻛﻴﻒ ﺗﺘﺤﻜﻢ اﻟﺒﻴﺎﻧﺎت ﰲ ﻋﺎملﻨﺎ؟« ﻟﻜﺘﺎﺑﻲ‬
‫»ﺗﻮﻟﻴﺪ املﻌﻠﻮﻣﺎت« )اﻧﻈﺮ ﻗﺴﻢ اﻟﻘﺮاءات اﻹﺿﺎﻓﻴﺔ(‪.‬‬

‫)‪ (5‬ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﻋﻈﻢ‬

‫ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ ﺟﺬ ر ﻣﺠﺎ اﻹﺣﺼﺎء ﻳﻤﻜﻦ ﺗﺘﺒﻌﻬﺎ ﻟﺰﻣﻦ ﺑﻌﻴﺪ ﻟﻠﻐﺎﻳﺔ‪ ،‬ﻓﺈ ﻣﺠﺎ اﻹﺣﺼﺎء‬
‫ﻧﻔﺴﻪ ﰲ اﻟﺤﻘﻴﻘﺔ ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ ﺑﻀﻌﺔ ﻗﺮ ﻓﺤﺴﺐ‪ .‬ﺗﺄﺳﺴﺖ اﻟﺠﻤﻌﻴﺔ اﻹﺣﺼﺎﺋﻴﺔ املﻠﻜﻴﺔ‬
‫ﰲ ﻋﺎ ‪ ،١٨٣٤‬اﻟﺠﻤﻌﻴﺔ اﻹﺣﺼﺎﺋﻴﺔ اﻷﻣﺮﻳﻜﻴﺔ ﰲ ﻋﺎ ‪ ،١٨٣٩‬ﰲ ﺣني أﻧﻪ ﻟﻢ ﻳﻨﺸﺄ ﻗﺴﻢ‬
‫ﻟﻺﺣﺼﺎء ﰲ أ ﺟﺎﻣﻌﺔ ﰲ اﻟﻌﺎﻟﻢ ﺣﺘﻰ ﻋﺎ ‪ ،١٩١١‬ﺣني ﺣﺪث ذﻟﻚ ﰲ ﻳﻮﻧﻴﻔﺮﺳﻴﺘﻲ ﻛﻮﻟﻴﺪج‬
‫ﰲ ﻟﻨﺪ ‪ .‬ﺗﻀﻤﻦ ﻣﺠﺎ اﻹﺣﺼﺎء املﺒﻜﺮ ﻋﺪة ﻓﺮ ع‪ ،‬ﺗﺠﻤﱠ ﻌﺖ ﰲ ﻧﻬﺎﻳﺔ املﻄﺎ ﻟﺘﺼﺒﺢ ﻋﻠﻢ‬
‫اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ .‬ﺗﻤﺜﱠﻞ أﺣﺪ ﻫﺬ اﻟﻔﺮ ع ﰲ ﻓﻬﻢ اﻻﺣﺘﻤﺎﻻت‪ ،‬ﻫﻮ أﻣﺮ ﻳﻌﻮد ﺗﺎرﻳﺨﻪ إﱃ‬
‫ﻣﻨﺘﺼﻒ اﻟﻘﺮ اﻟﺴﺎﺑﻊ ﻋﴩ‪ ،‬ﻧﺒﻊ ﺟﺰﺋﻴٍّﺎ ﻣﻦ اﻷﺳﺌﻠﺔ املﺘﻌ ﱢﻠﻘﺔ ﺑﺎملﻘﺎﻣﺮة‪ .‬ﺗﻤﺜﱠﻞ آﺧﺮ ﰲ‬
‫إدرا أ اﻟﻘﻴﺎﺳﺎت ﻧﺎدرا ﻣﺎ ﺗﻜﻮ ﺧﺎﻟﻴﺔ ﻣﻦ اﻷﺧﻄﺎء‪ ،‬ﻟﺬﻟﻚ ﺟﺪت ﺣﺎﺟﺔ إﱃ ﺑﻌﺾ‬
‫اﻟﺘﺤﻠﻴﻞ ﻻﺳﺘﺨﺮاج ﻣﻌﻨﻰ ﻣﻌﻘﻮ ﻣﻨﻬﺎ‪ .‬ﰲ اﻟﺴﻨﻮات اﻷ ﱃ‪ ،‬ﻛﺎ ﻫﺬا ﻣﻬﻤٍّ ﺎ‪ ،‬ﺧﺼﻮﺻﺎ‬
‫ﰲ ﻋﻠﻢ اﻟﻔﻠﻚ‪ .‬ﻟﻜﻦ ﻛﺎ ﻳﻮﺟﺪ ﻓﺮع آﺧﺮ ﻫﻮ اﻻﺳﺘﺨﺪا اﻟﺘﺪرﻳﺠﻲ ﻟﻠﺒﻴﺎﻧﺎت اﻹﺣﺼﺎﺋﻴﺔ‬
‫ﻟﺘﻤﻜني اﻟﺤﻜﻮﻣﺎت ﻣﻦ إدارة ﺑﻠﺪاﻧﻬﺎ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﺬا اﻻﺳﺘﺨﺪا ﻫﻮ اﻟﺬ أ ﱠد إﱃ ﻇﻬﻮر‬
‫ﻛﻠﻤﺔ ‪ Statistics‬ﺑﻤﻌﻨﻰ »إﺣﺼﺎﺋﻴﺎت«؛ ﻓﻬﻲ ﺑﻴﺎﻧﺎت ﻋﻦ اﻟﺪ ﻟﺔ ‪ .State‬ﺗﻤﺘﻠﻚ ﻛﻞ اﻟﺪ‬
‫املﺘﻘﺪﻣﺔ اﻵ ﻣﻜﺎﺗﺐ إﺣﺼﺎء ﻃﻨﻴﺔ ﺧﺎﺻﺔ ﺑﻬﺎ‪.‬‬
‫ﻣ ﱠﺮ ﻋﻠﻢ اﻹﺣﺼﺎء‪ ،‬ﺧﻼ ﺗﻄﻮر ‪ ،‬ﺑﻌﺪة ﻣﺮاﺣﻞ‪ .‬ﺗﻤﻴﱠﺰت املﺮﺣﻠﺔ اﻷ ﱃ — اﻟﺘﻲ اﻣﺘﺪﱠت‬
‫ﺣﺘﻰ ﻧﻬﺎﻳﺔ اﻟﻘﺮ اﻟﺘﺎﺳﻊ ﻋﴩ ﺗﻘﺮﻳﺒﺎ — ﺑﺎﻻﺳﺘﻜﺸﺎﻓﺎت اﻟﻌﺸﻮاﺋﻴﺔ ﻟﻠﺒﻴﺎﻧﺎت‪ .‬ﺛﻢ ﺷﻬﺪ‬
‫اﻟﻨﺼﻒ اﻷ ﻣﻦ اﻟﻘﺮ اﻟﻌﴩﻳﻦ اﻛﺘﺴﺎب اﻹﺣﺼﺎء ﻟﻠﺼﺒﻐﺔ اﻟﺮﻳﺎﺿﻴﺔ‪ ،‬ﻟﺪرﺟﺔ أ اﻟﻜﺜريﻳﻦ‬

‫‪17‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫رأ ْﻫﺎ ﻓﺮﻋﺎ ﻣﻦ اﻟﺮﻳﺎﺿﻴﺎت )إﻧﻬﺎ ﺗﺘﻌﺎﻣﻞ ﻣﻊ اﻷرﻗﺎ ‪ ،‬أﻟﻴﺲ ﻛﺬﻟﻚ؟( ﺑﺎﻟﻔﻌﻞ‪ ،‬ﻻ ﻳﺰا‬
‫اﻹﺣﺼﺎﺋﻴﻮ ﰲ اﻟﺠﺎﻣﻌﺔ ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﺪرﺳﻮ اﻹﺣﺼﺎء داﺧﻞ أﻗﺴﺎ اﻟﺮﻳﺎﺿﻴﺎت‪ .‬ﺷﻬﺪ اﻟﻨﺼﻒ‬
‫اﻟﺜﺎﻧﻲ ﻣﻦ اﻟﻘﺮ اﻟﻌﴩﻳﻦ ﻇﻬﻮر اﻟﻜﻤﺒﻴﻮﺗﺮ‪ ،‬ﻛﺎ ﻫﺬا اﻟﺘﻐﻴري ﻫﻮ اﻟﺬ ارﺗﻘﻰ ﺑﺎﻹﺣﺼﺎء‬
‫ﻣﻦ ﻛﻮﻧﻬﺎ ﻋﻤﻼ ﺻﻌﺒﺎ إﱃ ﻋﻤﻞ ﻣﻤْ ﺘﻊ؛ ﻓﻘﺪ أزا اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺤﺎﺟﺔ ﻻﻣﺘﻼ ﻣﻤﺎرﳼ اﻹﺣﺼﺎء‬
‫ملﻬﺎرات ﺣﺴﺎﺑﻴﺔ ﺧﺎﺻﺔ‪ ،‬ﻓﻠﻢ ﻳﻌﻮد ا ﺑﺤﺎﺟﺔ ﻟﻘﻀﺎء ﺳﺎﻋﺎت ﻃﻮﻳﻠﺔ ﰲ ﻣﻌﺎﻟﺠﺔ اﻷرﻗﺎ ‪.‬‬
‫ﻫﺬا ﻣﻤﺎﺛﻞ ﻟﻠﺘﻐﻴري ﻣﻦ اﻟﺤﺎﺟﺔ إﱃ املﴚ إﱃ ﻛﻞ ﻣﻜﺎ ﻟﻠﻘﺪرة ﻋﲆ ﻗﻴﺎدة اﻟﺴﻴﺎرة؛ ﻓﺎﻟﺮﺣﻼت‬
‫اﻟﺘﻲ ﻛﺎﻧﺖ ﺗﺴﺘﻐﺮ ﰲ اﻟﺴﺎﺑﻖ أﻳﺎﻣﺎ أﺻﺒﺤﺖ اﻵ ﺗﺴﺘﻐﺮ دﻗﺎﺋﻖ‪ ،‬اﻟﺮﺣﻼت اﻟﺘﻲ ﻛﺎﻧﺖ‬
‫ﻃﻮﻳﻠﺔ ﻟﻠﻐﺎﻳﺔ ﻟﺪرﺟﺔ ﺗﻤﻨﻊ اﻟﺘﻔﻜري ﻓﻴﻬﺎ أﺻﺒﺤﺖ اﻵ ﻣﻤﻜﻨﺔ‪.‬‬
‫ﺷﻬﺪ اﻟﻨﺼﻒ اﻟﺜﺎﻧﻲ ﻣﻦ اﻟﻘﺮ اﻟﻌﴩﻳﻦ أﻳﻀﺎ ﻇﻬﻮر ﻣﺪارس أﺧﺮ ﻟﺘﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫ﻟﻜﻦ ملﺠﺎﻻت أﺧﺮ ‪ ،‬ﺧﺎﺻﺔ ﻋﻠﻮ اﻟﻜﻤﺒﻴﻮﺗﺮ‪.‬‬ ‫ْ‬ ‫ﻻ ﺗﻌﻮد أﺻﻮﻟﻬﺎ ﻟﻌﻠﻢ اﻹﺣﺼﺎء اﻟﻜﻼﺳﻴﻜﻲ‬
‫ﺗﺸﻤﻞ ﻫﺬ املﺪارس اﻟﺘﻌﻠﻢ اﻵﱄ اﻟﺘﻌﺮ ﻋﲆ اﻷﻧﻤﺎط اﻟﺘﻨﻘﻴﺐ ﻋﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬ﺑﻴﻨﻤﺎ‬
‫ﺗﻄﻮرت ﻫﺬ اﻟﺘﺨﺼﺼﺎت اﻷﺧﺮ ‪ ،‬ﻛﺎﻧﺖ ﺗﺤﺪث ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ﺗﻮﺗﺮات ﺑني ﻫﺬ املﺪارس‬
‫املﺨﺘﻠﻔﺔ اﻹﺣﺼﺎء‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻓﺎﻟﺤﻘﻴﻘﺔ ﻫﻲ أ ﺟﻬﺎت اﻟﻨﻈﺮ املﺘﻔﺎ ﺗﺔ اﻟﺘﻲ ﺗﻘﺪﱢﻣﻬﺎ ﻫﺬ‬
‫املﺪارس املﺨﺘﻠﻔﺔ ﺳﺎﻫﻤﺖ ﺟﻤﻴﻌﻬﺎ ﺑﴚء ﰲ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‪ ،‬إﱃ ﺣ ﱢﺪ أ اﻹﺣﺼﺎﺋﻴني اﻟﺠﺪد‬
‫ﺗﻮﻓﺮﻫﺎ ﺟﻤﻴﻊ ﻫﺬ املﺠﺎﻻت‪ .‬ﺳﺄذﻛﺮ‬ ‫ﰲ اﻟﻮﻗﺖ اﻟﺤﺎﱄ ﻳﺨﺘﺎر ﺑﺤﺮﻳﺔ ﻣﻦ اﻷد ات اﻟﺘﻲ ﱢ‬
‫ﺑﻌﺾ ﻫﺬ اﻷد ات ﰲ ﻗﺖ ﻻﺣﻖ‪ .‬ﺑﻮﺿﻊ ﻫﺬا ﰲ اﻻﻋﺘﺒﺎر‪ ،‬ﺳﻮ أﺗﺒﻨﱠﻰ ﰲ ﻫﺬا اﻟﻜﺘﺎب‬
‫ﺗﻌﺮﻳﻔﺎ اﺳﻌﺎ ﻟﻺﺣﺼﺎء‪ ،‬ﻣﻬﺘﺪﻳﺎ ﺑﺘﻌﺮﻳﻒ »ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﻋﻈﻢ« اﻟﺬ ﻗﺪﱠﻣﻪ اﻹﺣﺼﺎﺋﻲ‬
‫اﻟﺒﺎرز ﺟﻮ ﺗﺸﺎﻣﱪز‪ ،‬اﻟﺬ ﻗﺎ ‪» :‬ﻳﻤﻜﻦ ﺗﻌﺮﻳﻒ ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﻋﻈﻢ ﺑﺒﺴﺎﻃﺔ — إ ْ‬
‫ﻛﺎ ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺤﻜﻢ — ﺑﺄﻧﻪ ﻛﻞ ﻣﺎ ﻳﺘﻌﻠﻖ »ﺑﺎﻟﺘﻌﻠﻢ ﻣﻦ اﻟﺒﻴﺎﻧﺎت«‪ ،‬ﻣﻦ اﻟﺘﺨﻄﻴﻂ أ‬
‫ﺿﻊ ﺣﺪ د ﺑني ﺗﺨﺼﺼﺎت‬ ‫اﻟﺠﻤﻊ اﻷ ﺣﺘﻰ اﻟﻌﺮض أ اﻟﺘﻘﺮﻳﺮ اﻷﺧري‪ «.‬أﻣﺎ ﻣﺤﺎ ﻟﺔ ْ‬
‫ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت املﺨﺘﻠﻔﺔ‪ ،‬ﻓﻬﻲ ﻋﻤﻠﻴﺔ ﻏري ﻣﺠﺪﻳﺔ ﻻ ﻃﺎﺋﻞ ﻣﻦ راﺋﻬﺎ‪.‬‬
‫إذ ‪ ،‬ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ ﻻ ﻳﺪ ر ﺣﻮ اﻟﺤﺴﺎب‪ ،‬إﻧﻤﺎ ﻳﺪ ر ﺣﻮ »اﻻﺳﺘﻘﺼﺎء«‪،‬‬
‫ﺑﻞ إ اﻟﺒﻌﺾ ﺻﻒ ﻋﻠﻢ اﻹﺣﺼﺎء ﺑﺄﻧﻪ »ﺗﻄﺒﻴﻖ اﻷﺳﻠﻮب اﻟﻌﻠﻤﻲ«‪ .‬ﻣﻊ أﻧﻨﺎ ﻣﺎ زﻟﻨﺎ ﻧﺠﺪ‬
‫ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎ أ اﻟﻌﺪﻳﺪ ﻣﻦ اﻹﺣﺼﺎﺋﻴني ﻳﻌﻤﻠﻮ اﻧﻄﻼﻗﺎ ﻣﻦ أﻗﺴﺎ اﻟﺮﻳﺎﺿﻴﺎت ﰲ‬
‫اﻟﺠﺎﻣﻌﺎت ﻛﻤﺎ أﴍت آﻧﻔﺎ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺠﺪﻫﻢ أﻳﻀﺎ ﰲ ﻛﻠﻴﺎت اﻟﻄﺐ أﻗﺴﺎ اﻟﻌﻠﻮ اﻻﺟﺘﻤﺎﻋﻴﺔ‪،‬‬
‫ﺑﻤﺎ ﰲ ذﻟﻚ اﻻﻗﺘﺼﺎد اﻟﻌﺪﻳﺪ ﻣﻦ اﻷﻗﺴﺎ اﻷﺧﺮ اﻟﺘﻲ ﺗﱰا ح ﺑني اﻟﻬﻨﺪﺳﺔ إﱃ ﻋﻠﻢ اﻟﻨﻔﺲ‪.‬‬
‫ﰲ ﺧﺎرج اﻟﺠﺎﻣﻌﺎت‪ ،‬ﺗﻌﻤﻞ أﻋﺪاد ﻛﺒرية ﰲ اﻟﺤﻜﻮﻣﺔ اﻟﺼﻨﺎﻋﺔ‪ ،‬ﰲ اﻟﻘﻄﺎع اﻟﺪ اﺋﻲ‪،‬‬
‫اﻟﺘﺴﻮﻳﻖ‪ ،‬اﻻﺗﺼﺎﻻت‪ ،‬اﻟﺨﺪﻣﺎت املﴫﻓﻴﺔ‪ ،‬ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ املﺠﺎﻻت اﻷﺧﺮ ‪ ،‬ﻓﺠﻤﻴﻊ‬

‫‪18‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫املﺪﻳﺮﻳﻦ ﻳﻌﺘﻤﺪ ﻋﲆ املﻬﺎرات اﻹﺣﺼﺎﺋﻴﺔ ملﺴﺎﻋﺪﺗﻬﻢ ﰲ ﺗﻔﺴري اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺼﻒ‬

‫أﻗﺴﺎﻣﻬﻢ ﴍﻛﺎﺗﻬﻢ إﻧﺘﺎﺟﻬﻢ املﻮﻇﻔني ﻣﺎ إﱃ ذﻟﻚ‪ .‬ﻻ ﻳﺴﺘﺨﺪ ﻫﺆﻻء اﻷﺷﺨﺎص‬
‫اﻟﺮﻣﻮز اﻟﺼﻴﻎ اﻟﺮﻳﺎﺿﻴﺔ‪ ،‬ﻟﻜﻦ ﻳﺴﺘﺨﺪﻣﻮ اﻷد ات اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﻻﻛﺘﺴﺎب‬
‫املﻌﺮﻓﺔ اﻟﻔﻬﻢ ﻣﻦ اﻷدﻟﺔ؛ أ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻟﻠﻘﻴﺎ ﺑﺬﻟﻚ‪ ،‬ﻓﺈﻧﻬﻢ ﻳﺤﺘﺎﺟﻮ إﱃ دراﺳﺔ ﻣﺠﻤﻮﻋﺔ‬
‫اﺳﻌﺔ ﻣﻦ اﻷﻣﻮر ﻏري اﻟﺮﻳﺎﺿﻴﺔ ﰲ ﺟﻮﻫﺮﻫﺎ؛ ﻣﺜﻞ ﺟﻮدة اﻟﺒﻴﺎﻧﺎت‪ ،‬ﺷﻜﻠﻬﺎ ﻛﻴﻔﻴﺔ ﺟﻤﻌﻬﺎ‪،‬‬
‫ﺗﺤﺪﻳﺪ املﺸﻜﻠﺔ‪ ،‬ﺗﺤﺪﻳﺪ اﻟﻬﺪ اﻷﻛﱪ ﻟﻠﺘﺤﻠﻴﻞ )اﻟﻔﻬﻢ اﻟﺘﻨﺒﺆ اﻟﻘﺮار‪ ،‬ﻣﺎ إﱃ ذﻟﻚ(‪ ،‬ﻣﻊ‬
‫ﺗﺤﺪﻳﺪ ﻣﻘﺪار ﻋﺪ اﻟﻴﻘني املﺮﺗﺒﻂ ﺑﺎﻟﻨﺘﺎﺋﺞ‪ ،‬ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﻣﻮر اﻷﺧﺮ ‪.‬‬
‫ﻛﻤﺎ آﻣﻞ أ ﻳﻜﻮ ﻗﺪ اﺗﻀﺢ ﻣﻤﺎ ﺳﺒﻖ‪ ،‬ﻓﺈ ﻋﻠﻢ اﻹﺣﺼﺎء ﱢ‬
‫ﻛﲇ ﱡ اﻟﻮﺟﻮد؛ إذ ﻳﺘﺨﻠﻞ ﺟﻤﻴﻊ‬
‫ﻣﻨﺎﺣﻲ اﻟﺤﻴﺎة‪ .‬ﻗﺪ ﻛﺎ ﻟﺬﻟﻚ ﺗﺄﺛري ﻣﺘﺒﺎد ﻋﲆ ﺗﻄﻮر ﻋﻠﻢ اﻹﺣﺼﺎء ﻧﻔﺴﻪ؛ ﻓﺒﻴﻨﻤﺎ ﻃﺒﻘﺖ‬
‫اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﰲ ﻣﺠﺎﻻت ﺟﺪﻳﺪة‪ ،‬أدت املﺸﺎﻛﻞ املﺘﻄﻠﺒﺎت اﻟﺨﺼﺎﺋﺺ املﻌﻴﻨﺔ ﻟﺘﻠﻚ‬
‫املﺠﺎﻻت إﱃ ﺗﻄﻮﻳﺮ أﺳﺎﻟﻴﺐ أد ات إﺣﺼﺎﺋﻴﺔ ﺟﺪﻳﺪة‪ .‬ﺑﻌﺪ ذﻟﻚ‪ ،‬ﺑﻤﺠﺮد أ ﻃﻮرت ﻫﺬ‬
‫اﻷﺳﺎﻟﻴﺐ اﻷد ات اﻟﺠﺪﻳﺪة‪ ،‬اﻧﺘﴩت ﺟﺪت ﺗﻄﺒﻴﻘﺎت ﻟﻬﺎ ﰲ ﻣﺠﺎﻻت أﺧﺮ ‪.‬‬

‫)‪ (6‬ﺑﻌﺾ اﻷﻣﺜﻠﺔ‬

‫ﻣﺜﺎ ‪َ :١‬ﻓ ْﻠﱰة اﻟﱪﻳﺪ املﺰﻋﺞ‬

‫»اﻟﱪﻳﺪ املﺰﻋﺞ« ﻫﻮ ﻣﺼﻄﻠﺢ ﻳﺴﺘﺨﺪ ﻟﻮﺻﻒ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ ﻏري املﺮﻏﻮب ﻓﻴﻬﺎ‬
‫املﺮﺳﻠﺔ ﺗﻠﻘﺎﺋﻴٍّﺎ إﱃ اﻟﻌﺪﻳﺪ ﻣﻦ املﺘﺴ ﱢﻠﻤني؛ ﻋﺎدة ﻣﺎ ﻳﺼﻞ ﻋﺪدﻫﻢ إﱃ ﻣﻼﻳني املﺘﺴ ﱢﻠﻤني‪ .‬ﻫﺬ‬
‫اﻟﺮﺳﺎﺋﻞ رﺳﺎﺋﻞ دﻋﺎﺋﻴﺔ‪ ،‬ﻏﺎﻟﺒﺎ ﻣﺎ ﺗﻜﻮ ﻣﺰﻋﺠﺔ‪ ،‬رﺑﻤﺎ ﺗﻜﻮ اﺟﻬﺎت ملﺤﺘﺎﻟني‪ .‬ﻫﻲ‬
‫ﺗﺸﻤﻞ أﺷﻴﺎء ﻣﺜﻞ ﻋﺮ ض دﻣﺞ اﻟﺪﻳﻮ ‪ ،‬ﺧﻄﻂ اﻟﺜﺮاء اﻟﴪﻳﻊ‪ ،‬اﻷد ﻳﺔ اﻟﺘﻲ ﻻ ﺗﴫ إﻻ‬
‫ﺑﻮﺻﻔﺔ ﻃﺒﻴﺔ‪ ،‬ﻧﺼﺎﺋﺢ ﺣﻮ ﺳﻮ اﻷﺳﻬﻢ‪ ،‬أد ات ﺟﻨﺴﻴﺔ ﻏﺮﻳﺒﺔ‪ .‬املﺒﺪأ اﻷﺳﺎﳼ ﰲ ﻫﺬ‬
‫اﻟﺮﺳﺎﺋﻞ ﻫﻮ أﻧﻪ إذا راﺳﻠﺖ ﻋﺪدا ﻛﺎﻓﻴﺎ ﻣﻦ اﻟﻨﺎس‪ ،‬ﻣﻦ املﺤﺘﻤﻞ أ ﻳﺼﺒﺢ ﺑﻌﻀﻬﻢ ﻣﻬﺘﻤٍّ ﺎ‬
‫— أ ﻳﻨﺨﺪع — ﺑﻌﺮﺿﻚ‪ .‬ﻣﺎ ﻟﻢ ﺗﻜﻦ اﻟﺮﺳﺎﺋﻞ آﺗﻴﺔ ﻣﻦ ﻣﻨﻈﻤﺎت ﻃﻠﺐ ﻣﻨﻬﺎ ﻋﲆ ﺟﻪ‬
‫اﻟﺘﺤﺪﻳﺪ ﻣﻌﻠﻮﻣﺎت‪ ،‬ﻓﺈ ﻣﻌﻈﻤﻬﺎ ﻟﻦ ﻳﻜﻮ ﻣﺜريا ﻟﻼﻫﺘﻤﺎ ‪ ،‬ﻟﻦ ﻳﺮﻏﺐ أﺣﺪ ﰲ ﺗﻀﻴﻴﻊ ﻗﺘﻪ‬
‫ﰲ ﻗﺮاءﺗﻬﺎ ﺣﺬﻓﻬﺎ‪ .‬ﻫﻮ ﻣﺎ ﻳﻘﻮدﻧﺎ إﱃ ﻣﺮﺷﺤﺎت اﻟﱪﻳﺪ املﺰﻋﺞ؛ ﻫﻲ ﺑﺮاﻣﺞ ﺣﺎﺳﻮﺑﻴﺔ‬
‫ﺗﻔﺤﺺ ﺗﻠﻘﺎﺋﻴٍّﺎ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ اﻟﻮاردة ﺗﺤﺪد اﻟﺮﺳﺎﺋﻞ اﻟﺘﻲ ﻣﻦ املﺤﺘﻤﻞ أ‬
‫ﺗﻜﻮ ﻏري ﻣﺮﻏﻮب ﻓﻴﻬﺎ‪ .‬ﻳﻤﻜﻦ ﺑﺮﻣﺠﺔ املﺮﺷﺤﺎت ﺑﺤﻴﺚ ﻳﺤﺬ اﻟﱪﻧﺎﻣﺞ اﻟﺮﺳﺎﺋﻞ ﻏري‬
‫املﺮﻏﻮب ﻓﻴﻬﺎ ﺗﻠﻘﺎﺋﻴٍّﺎ‪ ،‬أ ﻳﺮﺳﻠﻬﺎ إﱃ ﻣﺠﻠﺪ ﺗﺨﺰﻳﻦ ﻟﻠﻔﺤﺺ ﻻﺣﻘﺎ‪ ،‬أ ﻳﺘﺨﺬ ﺑﻌﺾ اﻹﺟﺮاءات‬

‫‪19‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻷﺧﺮ املﻨﺎﺳﺒﺔ‪ .‬ﺗﻮﺟﺪ ﺗﻘﺪﻳﺮات ﻣﺨﺘﻠﻔﺔ ﻟﻜﻤﻴﺔ اﻟﱪﻳﺪ املﺰﻋﺞ اﻟﺘﻲ ﺗﺮﺳﻞ‪ ،‬ﻟﻜﻦ ﰲ ﻗﺖ‬
‫ﻛﺘﺎﺑﺔ ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻳﺸري أﺣﺪ اﻟﺘﻘﺪﻳﺮات إﱃ أﻧﻪ ﺗﺮﺳﻞ أﻛﺜﺮ ﻣﻦ ‪ ٩٠‬ﻣﻠﻴﺎر رﺳﺎﻟﺔ ﻣﻦ اﻟﱪﻳﺪ‬
‫ﻏري املﺮﻏﻮب ﻓﻴﻪ ﻛﻞ ﻳﻮ ؛ ﺑﻤﺎ أ ﻫﺬا اﻟﻌﺪد ﻳﺮﺗﻔﻊ ارﺗﻔﺎﻋﺎ ﻛﺒريا ﻛﻞ ﺷﻬﺮ‪ ،‬ﻓﻤﻦ املﺮﺟﺢ‬
‫أ ﻳﻜﻮ أﻛﱪ ﺑﻜﺜري ﰲ ﻗﺖ ﻗﺮاءﺗﻚ ﻟﻬﺬا اﻟﻜﺘﺎب‪.‬‬
‫ﺛﻤﺔ ﺗﻘﻨﻴﺎت ﻋﺪﻳﺪة ملﻨﻊ اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ‪ .‬ﺗﺘﺤﻘﻖ ﺑﻌﺾ اﻟﻄﺮ اﻟﺒﺴﻴﻄﺔ ﻟﻠﻐﺎﻳﺔ‬
‫ﻓﺤﺴﺐ ﻣﻦ ﺟﻮد ﻛﻠﻤﺎت أﺳﺎﺳﻴﺔ ﰲ اﻟﺮﺳﺎﻟﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﺎﻧﺖ رﺳﺎﻟﺔ ﺗﺘﻀﻤﻦ‬
‫ﻛﻠﻤﺔ ‪» viagra‬ﻓﻴﺎﺟﺮا«‪ ،‬رﺑﻤﺎ ﺗﺤﻈﺮ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻓﺈ إﺣﺪ ﺧﺼﺎﺋﺺ رﺻﺪ اﻟﱪﻳﺪ املﺰﻋﺞ‬
‫ﻫﻲ أﻧﻬﺎ ﺗﺸﺒﻪ ﺳﺒﺎ اﻟﺘﺴﻠﺢ؛ ﻓﺒﻤﺠﺮد أ ﻳﺪر املﺴﺌﻮﻟﻮ ﻋﻦ اﻟﺮﺳﺎﺋﻞ أ رﺳﺎﺋﻠﻬﻢ ﺣﻈﺮت‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﻌﻴﻨﺔ‪ ،‬ﻳﺴﻌ ْﻮ إﱃ أﺳﺎﻟﻴﺐ ﻟﻼﻟﺘﻔﺎ ﺣﻮ ﻫﺬ اﻟﻄﺮﻳﻘﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ‬
‫ﻳﺘﻌﻤﺪ ﻛﺘﺎﺑﺔ ‪ viagra‬ﻋﲆ ﻧﺤﻮ ﺧﺎﻃﺊ ﰲ ﺻﻮرة ‪ v1agra‬أ ‪v-iagra‬؛ ﺑﺤﻴﺚ ﻳﻤﻜﻨﻚ‬
‫اﻟﺘﻌﺮ ﻋﻠﻴﻬﺎ ﻟﻜﻦ د أ ﻳﺘﻤﻜﻦ اﻟﱪﻧﺎﻣﺞ اﻟﺘﻠﻘﺎﺋﻲ ﻣﻦ اﻟﺘﻌﺮ ﻋﻠﻴﻬﺎ‪.‬‬
‫ﺗﺴﺘﻨﺪ أد ات رﺻﺪ اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ اﻷﻛﺜﺮ ﺗﻄﻮرا ﻋﲆ ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ‬
‫ﻟﻠﻤﺤﺘﻮ اﻟﻜﻼﻣﻲ ﻟﺮﺳﺎﺋﻞ اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﺗﺴﺘﺨﺪ‬
‫ﺗﻘﺪﻳﺮات ﻻﺣﺘﻤﺎﻻت ﺟﻮد ﻛﻠﻤﺎت ﻣﻌﻴﻨﺔ أ ﻣﺠﻤﻮﻋﺎت ﻣﻦ اﻟﻜﻠﻤﺎت اﻟﺘﻲ ﺗﻈﻬﺮ ﰲ رﺳﺎﺋﻞ‬
‫اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ‪ .‬ﺑﻌﺪ ذﻟﻚ‪ ،‬ﺗﺼﺒﺢ اﻟﺮﺳﺎﻟﺔ اﻟﺘﻲ ﺗﺤﺘﻮ ﻋﲆ اﻟﻜﺜري ﻣﻦ اﻟﻜﻠﻤﺎت‬
‫اﻟﻌﺎﻟﻴﺔ اﻻﺣﺘﻤﺎ ﻣﻮﺿﻊ ﺷ ﱟﻚ‪ .‬ﺗﺒﻨﻲ اﻷد ات اﻷﻛﺜﺮ ﺗﻄﻮرا ﻧﻤﺎذج ﻻﺣﺘﻤﺎﻟﻴﺔ أ ﻛﻠﻤﺔ اﺣﺪة‬
‫ﺳﺘﺘﺒﻊ ﻛﻠﻤﺔ أﺧﺮ ﰲ ﺗﺴﻠﺴﻞ؛ ﻣﻦ ﺛ ﱠﻢ ﺗﺘﻤﻜﻦ ﻣﻦ رﺻﺪ اﻟﻌﺒﺎرات ﻣﺠﻤﻮﻋﺎت اﻟﻜﻠﻤﺎت‬
‫املﺸﺒﻮﻫﺔ‪ .‬ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬ﺗﺴﺘﺨﺪ أﺳﺎﻟﻴﺐ أﺧﺮ ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ ﻟﻠﺼﻮر ﻟﺮﺻﺪ أﺷﻴﺎء‬
‫ﻣﺜﻞ ﻟﻮ اﻟﺒﴩة ﰲ اﻟﺼﻮرة املﺮﺳﻠﺔ ﻋﱪ اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ‪.‬‬

‫ﻣﺜﺎ ‪ :٢‬ﻗﻀﻴﺔ ﺳﺎﱄ ﻛﻼر‬

‫ﰲ ﻋﺎ ‪ ،١٩٩٩‬ﺧﻀﻌﺖ ﺳﺎﱄ ﻛﻼر — ﻫﻲ ﻣﺤﺎﻣﻴﺔ ﺑﺮﻳﻄﺎﻧﻴﺔ ﺷﺎﺑﺔ — ﻟﻠﻤﺤﺎﻛﻤﺔ أدﻳﻨﺖ‬

‫ﺣﻜﻢ ﻋﻠﻴﻬﺎ ﺑﺎﻟﺴﺠﻦ ﻣﺪ اﻟﺤﻴﺎة ﻟﻘﺘْﻠﻬﺎ ﻃﻔﻠﻴْﻬﺎ‪ .‬ﺗﻮﰲ ﻃﻔﻠﻬﺎ اﻷ ﰲ ﻋﺎ ‪ ،١٩٩٦‬ﻋﻦ‬
‫ﻋﻤﺮ ﻳﺒﻠﻎ ‪ ١١‬أﺳﺒﻮﻋﺎ‪ ،‬ﻣﺎت ﻃﻔﻠﻬﺎ اﻟﺜﺎﻧﻲ ﰲ ﻋﺎ ‪ ،١٩٩٨‬ﻋﻦ ﻋﻤﺮ ﻳﺒﻠﻎ ‪ ٨‬أﺳﺎﺑﻴﻊ‪.‬‬
‫اﻋﺘﻤﺪ اﻟﺤﻜﻢ ﻋﲆ ﻣﺎ أﺻﺒﺢ ﻧﻤﻮذﺟﺎ ﻟﺴﻮء ﻓﻬﻢ اﺳﺘﺨﺪا اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﻋﻨﺪﻣﺎ ادﱠﻋﻰ‬
‫ﻃﺒﻴﺐ اﻷﻃﻔﺎ اﻟﺴري ر ﻣﺪ ‪ ،‬ﰲ د ر ﻛﺸﺎﻫﺪ ﺧﺒري ﻟﺼﺎﻟﺢ اﻻدﱢﻋﺎء‪ ،‬أ اﺣﺘﻤﺎﻟﻴﺔ املﻮت‬
‫املﻔﺎﺟﺊ ﻟﻄﻔﻠني ﻛﺎﻧﺖ ‪ ١‬ﻣﻦ ﺑني ‪ ٧٣‬ﻣﻠﻴﻮ ﺣﺎﻟﺔ‪ .‬ﻗﺪ ﺣﺼﻞ ﻋﲆ ﻫﺬا اﻟﺮﻗﻢ ﺑﺒﺴﺎﻃﺔ‬
‫ﻋﻦ ﻃﺮﻳﻖ ﴐب اﺣﺘﻤﺎﻟﻴﺔ ﺣﺎﻟﺘﻲ اﻟﻮﻓﺎة ﻣﻌﺎ ﻋﲆ ﻧﺤﻮ ﻣﻨﻔﺼﻞ‪ .‬ﺑﻘﻴﺎﻣﻪ ﺑﺬﻟﻚ‪ ،‬ﻟﺠﻬﻠﻪ‬

‫‪20‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫ﺑﺄﺳﺎﺳﻴﺎت اﻹﺣﺼﺎء‪ ،‬ﺗﺠﺎﻫﻞ ﺗﻤﺎﻣﺎ ﺣﻘﻴﻘﺔ أ ﺣﺪ ث اﺣﺪة ﻣﻦ ﺣﺎﻻت اﻟﻮﻓﺎة ﺗﻠﻚ ﰲ أ‬

‫أﴎة ﻣﻦ املﺮﺟﺢ أ ﻳﻌﻨﻲ ارﺗﻔﺎع اﺣﺘﻤﺎﻟﻴﺔ ﺣﺪ ث ﻓﺎة أﺧﺮ ‪.‬‬
‫ﺗ ﱢﺒني دراﺳﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺴﺎﺑﻘﺔ أ اﺣﺘﻤﺎ ﺗﻌ ﱡﺮض أ ﻃﻔﻞ ﻣﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ ﻟﻠﻤﻮت‬
‫املﻔﺎﺟﺊ ﰲ أﴎة ﻣﺜﻞ أﴎة ﻛﻼر ﻳﺒﻠﻎ ﺣﻮاﱄ ‪ .٨٥٠٠ / ١‬إذا اﻓﱰﺿﻨﺎ ﺑﺎﻟﺘﺒﻌﻴﺔ أ ﻗﻮع‬
‫ﺣﺎﻟﺔ ﻓﺎة ﻣﺜﻞ ﻫﺬ ﻻ ﻳﻐري اﺣﺘﻤﺎ ﻗﻮع ﺣﺎﻟﺔ أﺧﺮ ‪ ،‬ﻓﺈ ﻓﺮﺻﺔ ﻗﻮع ﺣﺎﻟﺘني ﻣﻦ ﻫﺬ‬
‫اﻟﻮﻓﻴﺎت ﰲ اﻷﴎة ﻧﻔﺴﻬﺎ ﺳﺘﻜﻮ ‪ ٨٥٠٠ / ١‬ﻣﴬ ﺑﺎ ﰲ ‪٨٥٠٠ / ١‬؛ أ اﺣﺪا ﻣﻦ ‪٧٣‬‬
‫ﻣﻠﻴﻮﻧﺎ‪ .‬ﺑﻴْﺪ أ ﻫﺬا اﻻﻓﱰاض ﺟﺮ ء‪ ،‬ﻳﺸري اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ اﻟﺪﻗﻴﻖ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺴﺎﺑﻘﺔ‬
‫إﱃ أﻧﻪ ﰲ اﻟﻮاﻗﻊ ﺗﺰداد ﻓﺮﺻﺔ ﺣﺪ ث ﻣﻮت ﻣﻔﺎﺟﺊ ﺛﺎ ﻛﺜريا ﻋﻨﺪ ﻗﻮع ﺣﺎﻟﺔ ﻣﻤﺎﺛﻠﺔ ﻗﺒﻞ‬
‫ذﻟﻚ ﺑﺎﻟﻔﻌﻞ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﺗﺸري اﻟﺤﺴﺎﺑﺎت إﱃ أ اﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺎﻻت اﻟﻮﻓﺎة املﺘﻌﺪﱢدة ﺗﻠﻚ‬
‫ﱠ‬
‫ﻳﺘﻮﻗﻊ ﺣﺪ ﺛﻬﺎ ﻛﻞ ﻋﺎ ﰲ د ﻟﺔ ﺑﺤﺠﻢ املﻤﻠﻜﺔ املﺘﺤﺪة‪ .‬ﻳﻘﻮ املﻮﻗﻊ اﻹﻟﻜﱰ ﻧﻲ‬ ‫ﻳﻨﺒﻐﻲ أ‬
‫ملﺆﺳﺴﺔ دراﺳﺔ أﺳﺒﺎب ﻣﻮت اﻷﻃﻔﺎ ‪» :‬ﻣﻦ اﻟﻨﺎدر ﺟﺪٍّا ﺣﺪ ث املﻮت املﻔﺎﺟﺊ ﻣﺮﺗني ﰲ‬
‫اﻷﴎة ﻧﻔﺴﻬﺎ‪ ،‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ اﺿﻄﺮاﺑﺎ راﺛﻴٍّﺎ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ — ﻣﺜﻞ ﺟﻮد ﺧﻠﻞ‬
‫أﻳﴤ — ﻗﺪ ﻳﺴﺒﺐ ﻣﻮت أﻛﺜﺮ ﻣﻦ رﺿﻴﻊ ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺘﻮﻗﻊ‪«.‬‬
‫ﰲ ﻗﻀﻴﺔ ﺳﺎﱄ ﻛﻼر ‪ ،‬ﻛﺎ ﻳﻮﺟﺪ ﻣﺰﻳﺪ ﻣﻦ اﻷد ﱠﻟﺔ اﻟﺘﻲ ﺗﺸري إﱃ ﺑﺮاءﺗﻬﺎ‪ ،‬ﰲ اﻟﻨﻬﺎﻳﺔ‬
‫أﺻﺒﺢ ﻣﻦ اﻟﻮاﺿﺢ أ اﺑﻨﻬﺎ اﻟﺜﺎﻧﻲ ﻛﺎ ﻳﻌﺎﻧﻲ ﻋ ْﺪ ﺑﻜﺘريﻳﺔ ﻣﻌﺮ ﻓﺎ أﻧﻬﺎ ﺗﺴﺒﱢﺐ ﻣﻮت‬
‫اﻟﺮﺿﻴﻊ املﻔﺎﺟﺊ‪ .‬أﻃﻠﻖ ﴎاح اﻟﺴﻴﺪة ﻛﻼر ﺑﻌﺪ ذﻟﻚ ﰲ اﻻﺳﺘﺌﻨﺎ ﰲ ﻋﺎ ‪ .٢٠٠٣‬ﻣﻦ‬
‫املﺄﺳﺎ أﻧﻬﺎ ﺗﻮﻓﻴﺖ ﰲ ﻣﺎرس ﻣﻦ ﻋﺎ ‪ ٢٠٠٧‬ﻋﻦ ﻋﻤﺮ ﻳﺒﻠﻎ ‪ ٤٢‬ﻋﺎﻣﺎ ﻓﺤﺴﺐ‪ .‬ﻳﻮﺟﺪ‬
‫ﻣﺰﻳﺪ ﻣﻦ اﻟﺘﻔﺎﺻﻴﻞ ﻋﻦ ﺳﻮء اﻟﻔﻬﻢ اﻟﺮﻫﻴﺐ ﺳﻮء اﺳﺘﺨﺪا اﻹﺣﺼﺎﺋﻴﺎت ﰲ ﻣﻘﺎ ﻣﻤﺘﺎز‬
‫ﻛﺘﺒﺘْﻪ ﻫﻴﻠني ﺟﻮﻳﺲ ﻋﲆ املﻮﻗﻊ املﺬﻛﻮر ﰲ ﻗﺴﻢ اﻟﻘﺮاءات اﻹﺿﺎﻓﻴﺔ ﰲ ﻧﻬﺎﻳﺔ ﻫﺬا اﻟﻜﺘﺎب‪.‬‬

‫ﻣﺜﺎ ‪ :٣‬ﻋﻨﺎﻗﻴﺪ اﻟﻨﺠﻮ‬

‫ﻣﻊ ازدﻳﺎد ﻗﺪرﺗﻨﺎ ﻋﲆ ﺳ ْﱪ املﺰﻳﺪ املﺰﻳﺪ ﻣﻦ أﻏﻮار اﻟﻜﻮ ‪ ،‬أﺻﺒﺢ ﻣﻦ اﻟﻮاﺿﺢ أ اﻷﺟﺮا‬
‫اﻟﺴﻤﺎ ﻳﺔ ﺗﻤﻴﻞ إﱃ اﻟﺘﺠﻤﱡ ﻊ ﻣﻌﺎ‪ ،‬ﺗﻔﻌﻞ ذﻟﻚ ﺑﻄﺮﻳﻘﺔ ﻫﺮﻣﻴﺔ؛ ﺣﻴﺚ ﺗﺸﻜﻞ اﻟﻨﺠﻮ ﻋﻨﺎﻗﻴﺪ‪،‬‬
‫ﻋﻨﺎﻗﻴﺪ اﻟﻨﺠﻮ ﻧﻔﺴﻬﺎ ﺗﺸﻜﻞ ﻋﻨﺎﻗﻴﺪ ﻋﲆ ﻣﺴﺘﻮ أﻋﲆ‪ ،‬ﻫﺬ اﻟﻌﻨﺎﻗﻴﺪ اﻷﻋﲆ ﺗﺘﺠﻤﻊ‬
‫ﺑﺪ ْرﻫﺎ ﰲ ﻋﻨﺎﻗﻴﺪ أﻛﱪ‪ .‬ﻋﲆ ﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬ﻣﺠ ﱠﺮﺗﻨﺎ — اﻟﺘﻲ ﻫﻲ ﻋﻨﻘﻮد ﻣﻦ اﻟﻨﺠﻮ‬
‫— ﺟﺰء ﻣﻦ »املﺠﻤﻮﻋﺔ املﺤﻠﻴﺔ« املﻜﻮﻧﺔ ﻣﻦ ﺣﻮاﱄ ﺛﻼﺛني ﻣﺠ ﱠﺮة‪ ،‬ﻫﺬ املﺠﻤﻮﻋﺔ ﺑﺪ رﻫﺎ‬
‫ﺟﺰء ﻣﻦ »اﻟﻌﻨﻘﻮد املﺠ ﱢﺮ املﺤﲇ اﻟﻬﺎﺋﻞ«‪ .‬ﻋﲆ اﻟﻨﻄﺎ اﻷ ﺳﻊ‪ ،‬ﻳﺒﺪ اﻟﻜﻮ ﺑﺎﻷﺣﺮ ﻣﺜﻞ‬
‫اﻟﺮﻏﻮة‪ ،‬ﻣﻊ ﺟﻮد ﺧﻴﻮط ﺗﺘﻜﻮ ﻣﻦ ﻋﻨﺎﻗﻴﺪ ﻣﺠﺮﻳﺔ ﻓﺎﺋﻘﺔ اﻗﻌﺔ ﻋﲆ ﺣﻮا ﻣﺴﺎﺣﺎت‬

‫‪21‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻓﺎرﻏﺔ ﺷﺎﺳﻌﺔ‪ .‬ﻟﻜﻦ ﻛﻴﻒ اﻛﺘﺸﻒ ﻛﻞ ﻫﺬا؟ ﻓﺤﺘﻰ ﻟﻮ اﺳﺘﺨﺪﻣﻨﺎ ﺗﻠﺴﻜﻮﺑﺎت ﻗﻮﻳﺔ ﻟﻠﻨﻈﺮ‬
‫ﺧﺎرج اﻷرض‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺮ ﺑﺒﺴﺎﻃﺔ ﺳﻤﺎء ﻣﻠﻴﺌﺔ ﺑﺎﻟﻨﺠﻮ ‪ .‬اﻟﺠﻮاب ﻫﻮ أ اﺳﺘﻨﺘﺎج ﺟﻮد‬
‫ﻫﺬا اﻟﻬﻴﻜﻞ اﻟﻌﻨﻘﻮد — ﺑﻞ اﻛﺘﺸﺎﻓﻪ ﰲ املﻘﺎ اﻷ — ﺗﻄ ﱠﻠﺐ ﺗﻘﻨﻴﺎت إﺣﺼﺎﺋﻴﺔ‪ .‬ﺗﺸﻤﻞ‬
‫إﺣﺪ ﻓﺌﺎت ﻫﺬ اﻟﺘﻘﻨﻴﺎت ﺣﺴﺎب املﺴﺎﻓﺎت ﺑني ﻛﻞ ﻧﺠﻢ ﻋﺪد ﻗﻠﻴﻞ ﻣﻦ اﻟﻨﺠﻮ اﻷﻗﺮب‬
‫ﻣﺘﻮﻗﻊ ﺗﻜﻮ اﻗﻌﺔ ﰲ‬‫ﱠ‬ ‫إﻟﻴﻪ‪ .‬اﻟﻨﺠﻮ اﻟﺘﻲ ﻳﻜﻮ ﻋﺪد اﻟﻨﺠﻮ اﻟﻘﺮﻳﺒﺔ ﻣﻨﻬﺎ أﻛﱪ ﻣﻤﺎ ﻫﻮ‬
‫ﻣﻨﺎﻃﻖ ﻛﺜﻴﻔﺔ ﻣﺤﻠﻴٍّﺎ؛ أ إﻧﻬﺎ ﺗﺸ ﱢﻜﻞ ﻋﻨﺎﻗﻴﺪ ﻣﺤﻠﻴﺔ‪.‬‬
‫ﺑﺎﻟﻄﺒﻊ‪ ،‬ﻳﺘﻌﻠﻖ اﻷﻣﺮ ﺑﺄﻛﺜﺮ ﻣﻦ ذﻟﻚ ﺑﻜﺜري؛ ﻓﺴﺤﺐ اﻟﻐﺒﺎر ﺑني اﻟﻨﺠﻮ ﺳﺘﺤﺠﺐ‬
‫رؤﻳﺔ اﻷﺷﻴﺎء اﻟﺒﻌﻴﺪة‪ ،‬ﺳﺤﺐ اﻟﻐﺒﺎر ﻫﺬ ﻟﻴﺴﺖ ﻣﻮ ﱠزﻋﺔ ﻋﲆ ﻧﺤﻮ ﻣﻮﺣﱠ ﺪ ﰲ اﻟﻔﻀﺎء‪.‬‬
‫ﺑﺎملﺜﻞ‪ ،‬ﻟﻦ ﺗﺮ اﻷﺟﺮا اﻟﺒﺎﻫﺘﺔ ﱠإﻻ إذا ﻛﺎﻧﺖ ﻗﺮﻳﺒﺔ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻣﻦ اﻷرض‪ .‬اﻟﺨﻴﻂ‬
‫اﻟﺮﻓﻴﻊ ﻣﻦ املﺠﺮات اﻟﺬ ﺗﺮ ﻧﻬﺎﻳﺘﻪ ﻣﻦ اﻷرض ﻳﻤﻜﻦ أ ﻳﺒﺪ ﻛﻌﻨﻘﻮد ﻛﺜﻴﻒ‪ ،‬ﻫﻜﺬا‪.‬‬
‫ﻳﻨﺒﻐﻲ ﺗﻄﺒﻴﻖ ﺗﺼﺤﻴﺤﺎت إﺣﺼﺎﺋﻴﺔ ﻣﺘﻄﻮرة ﺣﺘﻰ ﻧﺘﻤﻜﻦ ﻣﻦ ﺗﻤﻴﻴﺰ اﻟﺤﻘﻴﻘﺔ اﻟﻜﺎﻣﻨﺔ‬
‫ﻣﻦ اﻟﺘﻮزﻳﻌﺎت اﻟﻈﺎﻫﺮﻳﺔ ﻟﻸﺟﺮا اﻟﺴﻤﺎ ﻳﺔ‪.‬‬
‫إ ﻓﻬْ ﻢ ﺑﻨﻴﺔ اﻟﻜﻮ ﻳﻠﻘﻲ اﻟﻀﻮء ﻋﲆ ﻛﻴﻔﻴﺔ ﺗﺸ ﱡﻜﻠﻪ‪ ،‬ﻋﲆ ﺗﻄﻮﱡر املﺴﺘﻘﺒﲇ‪.‬‬

‫ﻣﺜﺎ ‪ :٤‬ﺗﺼﻨﻴﻊ املﻮاد اﻟﻜﻴﻤﻴﺎﺋﻴﺔ‬

‫أﴍت ﺑﺎﻟﻔﻌﻞ إﱃ أﻧﻪ ﰲ ﺣني أ اﻹﺣﺼﺎﺋﻴني رﺑﻤﺎ ﻳﻜﻮﻧﻮ ﻗﺎدرﻳﻦ ﻋﲆ اﻟﻘﻴﺎ ﺑﺄﻣﻮر ﻣﺬﻫﻠﺔ‪،‬‬
‫ﻓﺈﻧﻬﻢ ﻻ ﻳﻤﻜﻦ أ ﻳﺤﻘﻘﻮا ﻣﻌﺠﺰات؛ ﺑﺎﻟﺘﺤﺪﻳﺪ‪ ،‬ﺳﻮ ﺗﺘﺤﺪد ﺟﻮدة اﺳﺘﻨﺘﺎﺟﺎﺗﻬﻢ د ﻣﺎ‬
‫ﺑﺠﻮدة اﻟﺒﻴﺎﻧﺎت‪ .‬ﰲ ﺿﻮء ﻫﺬا اﻷﻣﺮ‪ ،‬ﻟﻴﺲ ﻣﻦ املﺴﺘﻐﺮب ﺟﻮد ﺗﺨﺼﺼﺎت ﻓﺮﻋﻴﺔ ﻣﻬﻤﺔ‬
‫اﻟﺴﺒﻞ ﻟﺠﻤﻊ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﺗﻨﺎﻗﺶ ﻫﺬ اﻟﺘﺨﺼﺼﺎت اﻟﻔﺮﻋﻴﺔ ﰲ‬ ‫ﰲ اﻹﺣﺼﺎء ﻣﻌﻨﻴﺔ ﺑﺄﻓﻀﻞ ﱡ‬
‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‪ .‬ﻳﺘﻤﺜﻞ أﺣﺪ ﻫﺬ اﻟﺘﺨﺼﺼﺎت اﻟﻔﺮﻋﻴﺔ ﰲ »اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ«‪ ،‬ﺗﺴﺘﺨﺪ‬
‫ﺗﻘﻨﻴﺎت اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ ﰲ اﻟﺤﺎﻻت اﻟﺘﻲ ﻣﻦ املﻤﻜﻦ ﻓﻴﻬﺎ اﻟﺘﺤﻜﻢ أ اﻟﺘﻼﻋﺐ ﰲ ﺑﻌﺾ‬
‫»املﺘﻐريات« اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﺗﻤ ﱢﻜﻨﻨﺎ أد ات اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ ﻣﻦ اﺳﺘﺨﺮاج أﻗﴡ‬
‫ﻗﺪر ﻣﻦ املﻌﻠﻮﻣﺎت ﺑﺎﻟﻨﺴﺒﺔ ﻷ اﺳﺘﺨﺪا ﻣﻌني ﻟﻠﻤﻮارد؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ إﻧﺘﺎج ﺑﻮﻟﻴﻤﺮ‬
‫ﻛﻴﻤﻴﺎﺋﻲ ﻣﻌني رﺑﻤﺎ ﻧﻜﻮ ﻗﺎدرﻳﻦ ﻋﲆ ﺿﺒﻂ درﺟﺔ اﻟﺤﺮارة اﻟﻀﻐﻂ ﻗﺖ اﻟﺘﻔﺎﻋﻞ‬
‫اﻟﻜﻴﻤﻴﺎﺋﻲ ﺑﺄ ﻗﻴﻢ ﻧﺮﻳﺪﻫﺎ‪ .‬اﻟﻘﻴﻢ املﺨﺘﻠﻔﺔ ﻟﻬﺬ املﺘﻐريات اﻟﺜﻼﺛﺔ ﺳﺘﺆد إﱃ اﺧﺘﻼﻓﺎت‬
‫ﰲ ﺟﻮدة املﻨﺘﺞ اﻟﻨﻬﺎﺋﻲ‪ .‬اﻟﺴﺆا ﻫﻮ‪ :‬ﻣﺎ ﻫﻲ أﻓﻀﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ؟‬
‫ﻣﺒﺪﺋﻴٍّﺎ‪ ،‬ﻫﺬا ﺳﺆا ﻳﺴﻬﻞ اﻹﺟﺎﺑﺔ ﻋﻨﻪ؛ ﻓﻨﺼﻨﻊ ﺑﺒﺴﺎﻃﺔ اﻟﻌﺪﻳﺪ ﻣﻦ ﻛﻤﻴﺎت اﻟﺒﻮﻟﻴﻤﺮ‪،‬‬
‫ﻟﻜ ﱟﻞ ﻣﻨﻬﺎ ﻗﻴﻢ ﻣﺨﺘﻠﻔﺔ ﻣﻦ املﺘﻐريات اﻟﺜﻼﺛﺔ‪ .‬ﻫﺬا ﻳﺴﻤﺢ ﻟﻨﺎ ﺑﺘﻘﺪﻳﺮ »اﺳﺘﺠﺎﺑﺔ اﻟﺴﻄﺢ«‪،‬‬

‫‪22‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫ﺗﺒني ﺟﻮدة اﻟﺒﻮﻟﻴﻤﺮ ﻋﻨﺪ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ﻗﻴﻢ املﺘﻐريات اﻟﺜﻼﺛﺔ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺑﻌﺪ ذﻟﻚ‬ ‫اﻟﺘﻲ ﱢ‬
‫اﺧﺘﻴﺎر اﻟﻘﻴﻢ اﻟﺜﻼث املﺤﺪدة اﻟﺘﻲ ﺗﺰﻳﺪ اﻟﺠﻮدة إﱃ اﻟﺤﺪ اﻷﻗﴡ‪.‬‬
‫ﻟﻜﻦ ﻣﺎذا ﻟﻮ ﻛﺎﻧﺖ ﻋﻤﻠﻴﺔ اﻟﺘﺼﻨﻴﻊ ﻣﻦ اﻟﻨﻮع اﻟﺬ ﻳﺴﺘﻐﺮ ﻋﺪة أﻳﺎ ﻟﺼﻨﻊ ﻛﻞ‬
‫ﻛﻤﻴﺔ؟ إ ﺻﻨﻊ اﻟﻌﺪﻳﺪ ﻣﻦ ﻫﺬ اﻟﻜﻤﻴﺎت ملﺠﺮد اﻟﺘﻮﺻﻞ إﱃ أﻓﻀﻞ ﻃﺮﻳﻘﺔ ﻟﻠﻘﻴﺎ ﺑﺬﻟﻚ‬
‫رﺑﻤﺎ ﻳﻜﻮ أﻣﺮا ﺻﻌﺐ اﻟﺘﻨﻔﻴﺬ؛ ﻓﺼﻨﻊ ﻣﺎﺋﺔ ﻛﻤﻴﺔ‪ ،‬ﻳﺴﺘﻐﺮ ﺻﻨﻊ ﻛ ﱟﻞ ﻣﻨﻬﺎ ﺛﻼﺛﺔ أﻳﺎ ‪،‬‬
‫ﺳﻴﺴﺘﻐﺮ اﻟﺠﺰء اﻷﻛﱪ ﻣﻦ ﻋﺎ ﻛﺎﻣﻞ‪ .‬ﻟﺤﺴﻦ اﻟﺤﻆ‪ ،‬اﻟﺘﺠﺎرب املﺼﻤﱠ ﻤﺔ ﺑﺬﻛﺎء ﺗﺴﻤﺢ ﻟﻨﺎ‬
‫ﺑﺎﺳﺘﺨﺮاج املﻌﻠﻮﻣﺎت ﻧﻔﺴﻬﺎ ﻣﻦ ﻣﺠﻤﻮﻋﺎت ﻣﺨﺘﺎرة ﺑﻌﻨﺎﻳﺔ ﻣﻦ اﻟﻘﻴﻢ ﻋﺪدﻫﺎ أﻗ ﱡﻞ ﺑﻜﺜري‪.‬‬
‫ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ﻳﻤﻜﻦ ﻟﻨﺴﺒﺔ ﺿﺌﻴﻠﺔ ﻣﻦ اﻟﻜﻤﻴﺎت أ ﺗﻤﻨﺤﻨﺎ ﻣﻌﻠﻮﻣﺎت ﻛﺎﻓﻴﺔ ﻟﺘﺤﺪﻳﺪ‬
‫أﻓﻀﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ‪ ،‬ﴍﻳﻄﺔ أ ﺗﺨﺘﺎر ﺗﻠﻚ اﻟﻜﻤﻴﺎت ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ‪.‬‬

‫ﻣﺜﺎ ‪ :٥‬رﺿﺎ اﻟﻌﻤﻼء‬

‫إ إدارة أ ﻣﺆﺳﺴﺔ ﻟﻠﺒﻴﻊ ﺑﺎﻟﺘﺠﺰﺋﺔ ﻋﲆ ﻧﺤﻮ ﻓﻌﱠ ﺎ ‪ ،‬ﺑﺤﻴﺚ ﺗﺤﻘﻖ رﺑﺤﺎ ﺗﻨﻤﻮ ﻣﻊ ﻣﺮ ر‬
‫اﻟﻮﻗﺖ‪ ،‬ﺗﺘﻄﻠﺐ إﻳﻼء اﻫﺘﻤﺎ دﻗﻴﻖ ﻟﻠﻌﻤﻼء‪ ،‬ﻣﻨﺤﻬﻢ املﻨﺘﺞ أ اﻟﺨﺪﻣﺔ اﻟﺘﻲ ﻳﺮﻳﺪ ﻧﻬﺎ‪.‬‬
‫اﻟﻔﺸﻞ ﰲ اﻟﻘﻴﺎ ﺑﺬﻟﻚ ﻳﻌﻨﻲ أﻧﻬﻢ ﺳﻴﺘﻮﺟﻬﻮ إﱃ ﻣﻨﺎﻓﺲ ﻳﻘ ﱢﺪ ﻣﺎ ﻫﻮ ﻣﻄﻠﻮب‪ .‬ﺑﻴﺖ‬
‫اﻟﻘﺼﻴﺪ ﻫﻨﺎ ﻫﻮ أ اﻟﻔﺸﻞ ﺳﻮ ﻳﺘﻀﺢ ﻣﻦ اﻧﺨﻔﺎض اﻹﻳﺮادات‪ .‬ﻳﻤﻜﻨﻨﺎ ﻣﺤﺎ ﻟﺔ ﺗﺠﻨﱡﺐ‬
‫ذﻟﻚ ﻣﻦ ﺧﻼ ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺣﻮ ﻣﺸﺎﻋﺮ اﻟﻌﻤﻼء ﻗﺒﻞ أ ﻳﺒﺪء ا اﻟﺘﺼﻮﻳﺖ ﺑﺄﻣﻮاﻟﻬﻢ‪.‬‬
‫ﻳﻤﻜﻨﻨﺎ ﺗﻨﻔﻴﺬ دراﺳﺎت ﻣﺴﺤﻴﺔ ﻟﺮﺿﺎ اﻟﻌﻤﻼء‪ ،‬ﺳﺎﺋﻠني اﻟﻌﻤﻼء ﻣﺎ إذا ﻛﺎﻧﻮا ﺳﻌﺪاء ﺑﺎملﻨﺘﺞ‬
‫أ اﻟﺨﺪﻣﺔ أ ﻻ‪ ،‬ﻋﻦ اﻟﻄﺮ اﻟﺘﻲ ﻳﻤﻜﻦ ﻣﻦ ﺧﻼﻟﻬﺎ ﺗﺤﺴني ذﻟﻚ‪.‬‬
‫ﻟﻠﻮﻫﻠﺔ اﻷ ﱃ ﻗﺪ ﻳﺒﺪ أﻧﻪ ﻣﻦ اﻟﴬ ر ﻣﻨﺢ اﻻﺳﺘﺒﻴﺎﻧﺎت ﻟﺠﻤﻴﻊ اﻟﻌﻤﻼء ﻣﻦ أﺟﻞ‬
‫اﻟﺤﺼﻮ ﻋﲆ ﻧﺘﺎﺋﺞ ﻣﻮﺛﻮﻗﺔ ﺗﻌﻜﺲ ﺳﻠﻮ ﻗﺎﻋﺪة اﻟﻌﻤﻼء ﺑﺄﻛﻤﻠﻬﺎ‪ ،‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أ‬
‫ﻫﺬ ﻋﻤﻠﻴﺔ ﻣﻜ ﱢﻠﻔﺔ ﺗﺴﺘﻐﺮ ﻗﺘﺎ ﻃﻮﻳﻼ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻮﺟﺪ — ﻟﺤﺴﻦ اﻟﺤﻆ — أﺳﺎﻟﻴﺐ‬
‫إﺣﺼﺎﺋﻴﺔ ﺗﻤ ﱢﻜﻦ ﻣﻦ اﻟﺤﺼﻮ ﻋﲆ ﻧﺘﺎﺋﺞ دﻗﻴﻘﺔ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻣﻦ ﻋﻴﱢﻨﺔ ﻣﻦ اﻟﻌﻤﻼء‬
‫ﻓﺤﺴﺐ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻦ أ ﺗﻜﻮ اﻟﻨﺘﺎﺋﺞ أﺣﻴﺎﻧﺎ أﻛﺜﺮ دﻗﺔ ﻣﻦ إﴍا ﺟﻤﻴﻊ اﻟﻌﻤﻼء‪.‬‬
‫ﻻ ﺣﺎﺟﺔ ﺑﻨﺎ ﻟﻘﻮ إﻧﻪ ﻳﻠﺰ ﺟﻮد ﻋﻨﺎﻳﺔ ﻛﺒرية ﰲ ﻫﺬ اﻟﻌﻤﻠﻴﺔ؛ ﻓﻤﻦ اﻟﴬ ر أ ﻧﻜﻮ‬
‫ﺣﺬرﻳﻦ ﻣﻦ ﺑﻨﺎء اﺳﺘﻨﺘﺎﺟﺎت ﻋﲆ ﻋﻴﻨﺔ ﻣﺸﻮﻫﺔ؛ ﻓﺮﺑﻤﺎ ﺳﺘﻜﻮ اﻟﻨﺘﺎﺋﺞ ﻏري ﻣﺠﺪﻳﺔ ﰲ ﺻﻒ‬
‫ﻛﻴﻔﻴﺔ ﺗﴫ اﻟﻌﻤﻼء ﻋﻤﻮﻣﺎ إذا أﺟﺮﻳﺖ املﻘﺎﺑﻼت ﻣﻊ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻨﻔﻘﻮ ﻣﺒﺎﻟﻎ ﻛﺒرية‬
‫ﻣﻦ املﺎ ﻓﺤﺴﺐ‪ .‬ﻣﺮة أﺧﺮ ‪ ،‬ﻃﻮرت اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ اﻟﺘﻲ ﺗﻤ ﱢﻜﻨﻨﺎ ﻣﻦ ﺗﺠﻨﱡﺐ ﻣﺜﻞ‬
‫ﻫﺬ اﻷﺧﻄﺎء؛ ﻣﻦ ﺛﻢ اﺳﺘﺨﻼص اﺳﺘﻨﺘﺎﺟﺎت ﺻﺤﻴﺤﺔ‪.‬‬

‫‪23‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﺜﺎ ‪ :٦‬ﻛﺸﻒ اﻻﺣﺘﻴﺎ ﺑﺒﻄﺎﻗﺎت اﻻﺋﺘﻤﺎ‬

‫ﻟﻴﺴﺖ ﻛﻞ ﻣﻌﺎﻣﻼت ﺑﻄﺎﻗﺎت اﻻﺋﺘﻤﺎ ﴍﻋﻴﺔ‪ .‬املﻌﺎﻣﻼت اﻻﺣﺘﻴﺎﻟﻴﺔ ﺗﻜﻠﻒ اﻟﺒﻨﻚ أﻣﻮاﻻ‪،‬‬
‫ﻛﺬﻟﻚ ﺗﻜﻠﻒ ﻋﻤﻼء اﻟﺒﻨﻚ أﻣﻮاﻻ؛ ﻣﻦ ﺛﻢ ﻓﺈ ﻛﺸﻒ اﻻﺣﺘﻴﺎ ﻣﻨْﻌﻪ أﻣﺮ ﻣﻬ ﱞﻢ ﻟﻠﻐﺎﻳﺔ‪.‬‬
‫ﺗﻠﻘﻲ اﺗﺼﺎ ﻫﺎﺗﻔﻲ ﻣﻦ املﴫ ﻟﻠﺘﺄﻛﺪ ﻣﻦ‬ ‫رﺑﻤﺎ ﻣﺮ اﻟﻌﺪﻳﺪ ﻣﻦ ﻗ ﱠﺮاء ﻫﺬا اﻟﻜﺘﺎب ﺑﺘﺠﺮﺑﺔ ﱢ‬
‫أﻧﻬﻢ ﻗﺎﻣﻮا ﺑﺒﻌﺾ املﻌﺎﻣﻼت‪ .‬ﺗﺴﺘﻨﺪ ﻫﺬ املﻜﺎملﺎت اﻟﻬﺎﺗﻔﻴﺔ ﻋﲆ ﺗﻮﻗﻌﺎت ﺗﻘﺪﻣﻬﺎ ﻧﻤﺎذج‬
‫إﺣﺼﺎﺋﻴﺔ ﺗﺤﺪد ﻣﺪ ﴍﻋﻴﺔ ﺗﴫﻓﺎت اﻟﻌﻤﻼء‪ .‬اﻟﺨﺮ ج ﻋﻦ اﻟﺴﻠﻮ اﻟﺬ ﺗﺘﻨﺒﱠﺄ ﺑﻪ ﻫﺬ‬
‫اﻟﻨﻤﺎذج ﻳﺸري إﱃ أ ﺷﻴﺌﺎ ﻣﺮﻳﺒﺎ ﻳﺠﺮ ﻳﺴﺘﺤﻖ اﻟﺘﺤﻘﻖ ﻣﻨﻪ‪.‬‬
‫ﺗﻮﺟﺪ أﻧﻮاع ﻋﺪﻳﺪة ﻣﻦ اﻟﻨﻤﺎذج‪ ،‬ﻳﻌﺘﻤﺪ ﺑﻌﻀﻬﺎ ﺑﺒﺴﺎﻃﺔ ﻋﲆ أﻧﻤﺎط اﻟﺴﻠﻮ املﺜرية‬
‫ﻟﻠﺸﻜﻮ ﰲ ﺟﻮﻫﺮﻫﺎ؛ ﻣﺜﻞ اﻻﺳﺘﺨﺪا املﺘﺰاﻣﻦ ﻟﺒﻄﺎﻗﺔ اﺣﺪة ﰲ ﻣﻜﺎﻧني ﺑﻌﻴﺪﻳْﻦ ﺟﻐﺮاﻓﻴٍّﺎ‪.‬‬
‫ﻳﺴﺘﻨﺪ اﻟﺒﻌﺾ اﻵﺧﺮ ﻋﲆ ﻧﻤﺎذج أﻛﺜﺮ ﺗﻔﺼﻴﻼ ﻷﻧﻮاع املﻌﺎﻣﻼت اﻟﺘﻲ ﻳﻘﻮ ﺑﻬﺎ اﻟﺸﺨﺺ‬
‫ﻋﺎدة‪ ،‬ﻣﺘﻰ ﻳﻤﻴﻞ إﱃ اﻟﻘﻴﺎ ﺑﻬﺎ‪ ،‬ﻛﻤﻴﺔ املﺎ املﺴﺘﺨﺪ ‪ ،‬ﰲ أ أﻧﻮاع املﻨﺎﻓﺬ‪ ،‬ﻷ أﻧﻮاع‬
‫املﻨﺘﺠﺎت‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪ ،‬ﻻ ﻳﻮﺟﺪ ﻧﻤﻮذج ﺗﻨﺒﱡﺌﻲ ﻛﺎﻣﻞ؛ ﻓﻐﺎﻟﺒﺎ ﻣﺎ ﺗﺘﻨﻮع أﻧﻤﺎط ﻣﻌﺎﻣﻼت ﺑﻄﺎﻗﺔ‬
‫اﻻﺋﺘﻤﺎ ؛ ﺣﻴﺚ إ اﻟﻨﺎس ﻗﺪ ﻳﺸﱰ ﻓﺠﺄة ﻣﻨﺘﺠﺎت ﻟﻢ ﻳﺸﱰ ﻫﺎ ﻣﻦ ﻗﺒﻞ‪ .‬ﻋﻼ ة ﻋﲆ ذﻟﻚ‪،‬‬
‫ﻧﺴﺒﺔ ﺿﺌﻴﻠﺔ ﻓﺤﺴﺐ ﻣﻦ املﻌﺎﻣﻼت ﺗﻜﻮ اﺣﺘﻴﺎﻟﻴﺔ؛ رﺑﻤﺎ ﺣﻮاﱄ اﺣﺪ ﰲ اﻷﻟﻒ‪ .‬ﻫﺬا ﻳﺠﻌﻞ‬
‫ﻛﺸﻒ اﻻﺣﺘﻴﺎ ﺷﺪﻳﺪ اﻟﺼﻌﻮﺑﺔ‪.‬‬
‫إ ﻛﺸﻒ اﻻﺣﺘﻴﺎ ﻣﻨﻌﻪ ﻣﻌﺮﻛﺔ ﻣﺴﺘﻤﺮة؛ ﻓﻌﻨﺪ ﺳ ﱢﺪ أﺣﺪ ﺳﺒﻞ اﻻﺣﺘﻴﺎ ‪ ،‬ﻓﺈ املﺤﺘﺎﻟني‬
‫اﻟﺘﺨﲇ ﻋﻦ ﻣﺴﺎرﻫﻢ اﻟﺬ اﺧﺘﺎر اﻟﺤﺼﻮ ﻋﲆ ﻇﻴﻔﺔ ﻣﴩ ﻋﺔ‪ ،‬ﺑﻞ‬ ‫ﱢ‬ ‫ﻻ ﻳﻤﻴﻠﻮ إﱃ‬
‫ﻳﺘﺠﻬﻮ إﱃ أﺳﺎﻟﻴﺐ أﺧﺮ ﻟﻼﺣﺘﻴﺎ ؛ ﻣﻦ ﺛﻢ ﻓﺈ ذﻟﻚ ﻳﺘﻄﻠﺐ ﺗﻄﻮﻳﺮ املﺰﻳﺪ ﻣﻦ اﻟﻨﻤﺎذج‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪.‬‬

‫ﻣﺜﺎ ‪ :٧‬اﻟﺘﻀﺨﻢ‬
‫إﻧﻨﺎ ﺟﻤﻴﻌﺎ ﻧﺄﻟﻒ ﻓﻜﺮة أ اﻷﺷﻴﺎء ﺗﺰداد ﻏﻼء ﺑﻤﺮ ر اﻟﻮﻗﺖ‪ .‬ﻟﻜﻦ ﻛﻴﻒ ﻳﻤﻜﻨﻨﺎ ﻣﻘﺎرﻧﺔ‬
‫ﺗﻜﺎﻟﻴﻒ املﻌﻴﺸﺔ اﻟﻴﻮ ﺑﺘﻜﺎﻟﻴﻒ املﻌﻴﺸﺔ أﻣﺲ؟ ﻟﻠﻘﻴﺎ ﺑﺬﻟﻚ‪ ،‬ﻧﺤﺘﺎج إﱃ ﻣﻘﺎرﻧﺔ اﻷﺷﻴﺎء‬
‫ﻧﻔﺴﻬﺎ اﻟﺘﻲ اﺷﱰﻳﻨﺎﻫﺎ ﰲ اﻟﻴﻮﻣني‪ .‬ﻟﻜﻦ ﻟﻸﺳﻒ‪ ،‬ﺗﻮﺟﺪ ﺗﻌﻘﻴﺪات؛ ﻓﺎملﺤﻼت اﻟﺘﺠﺎرﻳﺔ املﺨﺘﻠﻔﺔ‬
‫ﺗﺤﺪد أﺳﻌﺎرا ﻣﺨﺘﻠﻔﺔ ﻟﻸﺷﻴﺎء ﻧﻔﺴﻬﺎ‪ ،‬اﻷﺷﺨﺎص املﺨﺘﻠﻔﻮ ﻳﺸﱰ أﺷﻴﺎء ﻣﺨﺘﻠﻔﺔ‪،‬‬
‫ﻳﻐري اﻷﺷﺨﺎص أﻧﻔﺴﻬﻢ أﻧﻤﺎط ﴍاﺋﻬﻢ‪ ،‬ﺗﻈﻬﺮ ﻣﻨﺘﺠﺎت ﺟﺪﻳﺪة ﰲ اﻟﺴﻮ ﺗﺨﺘﻔﻲ‬

‫‪24‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎ‬

‫ﻣﻨﺘﺠﺎت ﻗﺪﻳﻤﺔ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪ .‬ﻛﻴﻒ ﻧﻀﻊ ﻣﺜﻞ ﻫﺬ اﻟﺘﻐﻴريات ﰲ اﻻﻋﺘﺒﺎر ﻋﻨﺪ ﺗﺤﺪﻳﺪ ﻣﺎ‬
‫إذا ﻛﺎﻧﺖ اﻟﺤﻴﺎة أﻛﺜﺮ ﺗﻜﻠﻔﺔ ﻫﺬ اﻷﻳﺎ أ ﻻ؟‬
‫أﻧﺸﺄ اﻹﺣﺼﺎﺋﻴﻮ اﻻﻗﺘﺼﺎدﻳﻮ ﻣﺆﴍات ﻣﺜﻞ »ﻣﺆﴍ أﺳﻌﺎر اﻟﺘﺠﺰﺋﺔ« »ﻣﺆﴍ‬
‫أﺳﻌﺎر املﺴﺘﻬﻠﻚ« ﻟﻘﻴﺎس ﺗﻜﺎﻟﻴﻒ املﻌﻴﺸﺔ‪ .‬ﺗﺴﺘﻨﺪ ﻫﺬ املﺆﴍات إﱃ »ﺳ ﱠﻠﺔ« اﻓﱰاﺿﻴﺔ‬
‫ﻟﻠﺴﻠﻊ )ﻣﺌﺎت ﻣﻨﻬﺎ( اﻟﺘﻲ ﻳﺸﱰﻳﻬﺎ اﻟﻨﺎس‪ ،‬إﺿﺎﻓﺔ إﱃ دراﺳﺎت اﺳﺘﻘﺼﺎﺋﻴﺔ ﻻﻛﺘﺸﺎ‬
‫اﻷﺳﻌﺎر اﻟﺘﻲ ﻳﺒﺎع ﺑﻬﺎ ﻛﻞ ﻋﻨﴫ ﰲ اﻟﺴﻠﺔ‪ .‬ﺗﺴﺘﺨﺪ ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ ﻣﺘﻄﻮرة ﻟﺠﻤﻊ‬
‫أﺳﻌﺎر اﻟﻌﻨﺎﴏ املﺨﺘﻠﻔﺔ ﻟﺘﻘﺪ رﻗﻤﺎ إﺟﻤﺎﻟﻴٍّﺎ اﺣﺪا ﻳﻤﻜﻦ ﻣﻘﺎرﻧﺘﻪ ﻋﲆ ﻣﺪار اﻟﺰﻣﻦ‪.‬‬
‫ﺑﺎﻹﺿﺎﻓﺔ إﱃ ﻛﻮﻧﻬﺎ ﻣﺆﴍا ﻋﲆ اﻟﺘﻀﺨﻢ‪ ،‬ﺗﺴﺘﺨﺪ ﻫﺬ املﺆﴍات أﻳﻀﺎ ﻟﻀﺒﻂ ﺣﺪ د‬
‫اﻹﻋﻔﺎء اﻟﴬﻳﺒﻲ اﻟﺮ اﺗﺐ املﺮﺗﺒﻄﺔ ﺑﺎملﺆﴍ املﻌﺎﺷﺎت اﻟﺘﻘﺎﻋﺪﻳﺔ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪.‬‬

‫ﺧﺎﺗﻤﺔ‬

‫رﻏﻢ أ ﻫﺬا ﻗﺪ ﻻ ﻳﺒﺪ اﺿﺤﺎ داﺋﻤﺎ ﻟﻠﻌني ﻏري اﻟﺨﺒرية‪ ،‬ﻓﺈ ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﺳﺎﻟﻴﺐ‬
‫اﻹﺣﺼﺎﺋﻴﺔ ﻳ ْﻜﻤﻨﺎ ﰲ ﻗﻠﺐ اﻻﻛﺘﺸﺎ اﻟﻌﻠﻤﻲ‪ ،‬اﻟﻌﻤﻠﻴﺎت اﻟﺘﺠﺎرﻳﺔ اﻟﺤﻜﻮﻣﻴﺔ‪ ،‬اﻟﺴﻴﺎﺳﺔ‬
‫اﻻﺟﺘﻤﺎﻋﻴﺔ‪ ،‬اﻟﺘﺼﻨﻴﻊ‪ ،‬اﻟﻄﺐ‪ ،‬ﻣﻌﻈﻢ ﺟﻮاﻧﺐ اﻟﻨﺸﺎط اﻹﻧﺴﺎﻧﻲ اﻷﺧﺮ ‪ .‬ﻋﻼ ة ﻋﲆ‬
‫ذﻟﻚ‪ ،‬ﻛﻠﻤﺎ ﺗﻘﺪ اﻟﻌﺎﻟﻢ‪ ،‬زادت أﻫﻤﻴﺔ ﻫﺬا اﻟﺪ ر أﻛﺜﺮ أﻛﺜﺮ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻣﻨﺬ ﻗﺖ‬
‫ﻃﻮﻳﻞ ﺗﻄﻮﻳﺮ أد ﻳﺔ ﺟﺪﻳﺪة ﻳﺸﱰط‪ ،‬ﻗﺎﻧﻮﻧﺎ‪ ،‬ﻣﺸﺎرﻛﺔ اﻹﺣﺼﺎﺋﻴني‪ ،‬ﳾء ﻣﻦ ﻫﺬا اﻟﻘﺒﻴﻞ‬
‫ﻳﺤﺪث اﻵ ﰲ اﻟﺼﻨﺎﻋﺔ املﴫﻓﻴﺔ؛ ﺣﻴﺚ إ اﻻﺗﻔﺎﻗﺎت اﻟﺪ ﻟﻴﺔ اﻟﺠﺪﻳﺪة ﺗﺘﻄﻠﺐ ﺿﻊ ﻧﻤﺎذج‬
‫إﺣﺼﺎﺋﻴﺔ ﻟﻠﻤﺨﺎﻃﺮ‪ .‬ﻧﻈﺮا ﻟﻬﺬا اﻟﺪ ر املﺤﻮر ‪ ،‬ﻣﻦ املﻬﻢ ﺑﻮﺿﻮح أ ﻳﻜﻮ أ ﻣﻮاﻃﻦ‬
‫ﻣﺴﺘﻨري ﻋﲆ ﻋﻠﻢ ﺑﺎملﺒﺎدئ اﻹﺣﺼﺎﺋﻴﺔ اﻷﺳﺎﺳﻴﺔ‪.‬‬
‫ﻳﻤ ﱢﻜﻨﻨﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬اﻟﺬ ﻳﺴﺘﺨﺪ اﻟﱪﻣﺠﻴﺎت املﺘﻄﻮرة ﻟﺪراﺳﺔ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫ﻣﻦ اﻟﻘﻴﺎ ﺑﺮﺣﻼت اﺳﺘﻜﺸﺎ ﻣﺸﺎﺑﻬﺔ ﻟﺘﻠﻚ اﻟﺘﻲ ﻗﺎ ﺑﻬﺎ املﺴﺘﻜﺸﻔﻮ ﻗﺒﻞ اﻟﻘﺮ‬
‫اﻟﻌﴩﻳﻦ؛ إذ اﺳﺘﻘﺼﻮْا درﺳﻮا ﻋﻮاﻟﻢ ﺟﺪﻳﺪة ﻣﺜرية‪ .‬ﻫﺬا اﻹدرا — أ ﻋﻠﻢ اﻹﺣﺼﺎء‬
‫اﻟﺤﻘﻴﻘﻲ ﻳﺘﻤﺤﻮر ﺣﻮ اﺳﺘﻜﺸﺎ املﺠﻬﻮ ‪ ،‬ﻻ ﻳﺘﻤﺤﻮر ﺣﻮ ﻋﻤﻠﻴﺎت ﺣﺴﺎﺑﻴﺔ ﻣﻤ ﱠﻠﺔ —‬
‫أﺳﺎﳼ ﰲ ﺗﻘﺪﻳﺮ ﻗﻴﻤﺔ ﻫﺬا اﻟﻌﻠﻢ اﻟﺤﺪﻳﺚ‪.‬‬
‫ﱞ‬

‫‪25‬‬
 ‫اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‬

‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫اﻟﺒﻴﺎﻧﺎت أدﻟﺔ اﻟﻄﺒﻴﻌﺔ‪.‬‬

‫ﻣﻘﺪﻣﺔ‬
‫أﻫﺪ ﰲ ﻫﺬا اﻟﻔﺼﻞ إﱃ ﺗﻘﺪﻳﻢ ﺑﻌﺾ املﻔﺎﻫﻴﻢ اﻷد ات اﻷﺳﺎﺳﻴﺔ اﻟﺘﻲ ﺗﺸﻜﻞ أﺳﺎس ﻋﻠﻢ‬
‫اﻹﺣﺼﺎء‪ ،‬اﻟﺘﻲ ﺗﻤ ﱢﻜﻨﻪ ﻣﻦ ﻟﻌﺐ أد ار ﻛﺜرية‪.‬‬
‫أﴍت ﰲ اﻟﻔﺼﻞ اﻷ إﱃ أ ﱠ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ ﻋﺎﻧﻰ ﻣﻦ ﻛﺜري ﻣﻦ املﻔﺎﻫﻴﻢ‬
‫اﻟﺨﺎﻃﺌﺔ ﺳﻮء اﻟﻔﻬﻢ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻳﺮ ﱠج ﺳﻮء ﻓﻬﻢ آﺧﺮ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎ )رﺑﻤﺎ ﻋﻦ ﻏري‬
‫ﻗﺼﺪ( ﻋﻦ ﻃﺮﻳﻖ اﻟﻜﺘﺐ اﻟﺘﻲ ﺗﴩح اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﻟﻠﺨﱪاء ﰲ ﺗﺨﺼﺼﺎت أﺧﺮ ؛‬
‫ﻫﻮ أ اﻹﺣﺼﺎء ﻋﺒﺎرة ﻋﻦ ﺣﻘﻴﺒﺔ ﻣﻦ اﻷد ات‪ ،‬ﻳﺘﻤﺜﻞ د ر اﻹﺣﺼﺎﺋﻲ أ ﻣﺴﺘﺨﺪ‬
‫اﻹﺣﺼﺎء ﰲ اﺧﺘﻴﺎر أداة اﺣﺪة ﺗﺘﻨﺎﺳﺐ ﻣﻊ ﻣﺴﺄﻟﺘﻪ‪ ،‬ﺛﻢ ﺗﻄﺒﻴﻘﻬﺎ‪.‬‬
‫ﺗﺘﻤﺜﻞ ﻣﺸﻜﻠﺔ ﻫﺬ اﻟﻨﻈﺮة ﻟﻺﺣﺼﺎء ﰲ أﻧﻬﺎ ﺗﻌﻄﻲ اﻧﻄﺒﺎﻋﺎ ﺑﺄ ﻣﺠﺎ اﻹﺣﺼﺎء‬
‫ﺑﺒﺴﺎﻃﺔ ﻋﺒﺎرة ﻋﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻄﺮ املﻨﻔﺼﻠﺔ ملﻌﺎﻟﺠﺔ اﻷرﻗﺎ ؛ ﻓﻬﻲ ﺗﻔﺸﻞ ﰲ ﻧﻘﻞ‬
‫ﺣﻘﻴﻘﺔ أ اﻹﺣﺼﺎء ﻛ ﱞﻞ ﻣﺘﺼﻞ‪ ،‬ﻣﺒﻨﻲ ﻋﲆ ﻣﺒﺎدئ ﻓﻠﺴﻔﻴﺔ ﻋﻤﻴﻘﺔ‪ ،‬ﺑﺤﻴﺚ ﺗﻜﻮ أد ات‬
‫ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت ﻣﺮﺗﺒﻄﺔ ﻣﺘﺼﻠﺔ؛ ﻓﺒﻌﻀﻬﺎ ﻗﺪ ﻳﺒﺪ ﺷﺎﻣﻼ ﻣﻘﺎرﻧﺔ ﺑﻐري ‪ ،‬رﺑﻤﺎ ﻳﺒﺪ‬
‫اﻟﺒﻌﺾ اﻵﺧﺮ ﻣﺨﺘﻠﻔﺎ ﺑﺒﺴﺎﻃﺔ ﻷﻧﻪ ﻳﺘﻌﺎﻣﻞ ﻣﻊ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻋﲆ اﻟﺮﻏﻢ‬
‫ﻣﻦ أ ﻫﺬ اﻷد ات ﺗﺒﺤﺚ ﻋﻦ اﻟﻨﻮع ﻧﻔﺴﻪ ﻣﻦ اﻟﺒﻨﻰ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪ .‬أﻇﻦ أ اﻧﻄﺒﺎع‬
‫ﻣﺠﻤﻮﻋﺔ اﻟﻄﺮ املﻌﺰ ﻟﺔ ﻫﺬا رﺑﻤﺎ ﻳﻜﻮ ﺳﺒﺒﺎ آﺧﺮ ﻳﺪﻓﻊ املﺴﺘﺠﺪﱢﻳﻦ ﰲ ﻣﺠﺎ اﻹﺣﺼﺎء‬
‫إﱃ اﻻﻋﺘﻘﺎد ﺑﺄ ﻫﺬا املﺠﺎ ﻣﻤ ﱞﻞ ﻧﻮﻋﺎ ﻣﺎ ﺻﻌﺐ اﻟﺘﻌﻠﻢ )ﺑﴫ اﻟﻨﻈﺮ ﻋﻦ أ ﺧﻮ ﻣﻦ‬
‫اﻷرﻗﺎ ﻗﺪ ﻳﻜﻮ ﻟﺪﻳﻬﻢ(؛ ﻓﺘﻌﻠﻢ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻄﺮ املﻨﻔﺼﻠﺔ اﻟﺘﻲ ﺗﺒﺪ ﺷﺪﻳﺪة اﻟﺘﺒﺎﻳﻦ‬
‫أﺻﻌﺐ ﺑﻜﺜري ﻣﻦ ﺗﻌﻠﻢ ﻫﺬ اﻟﻄﺮ ﻣﻦ ﺧﻼ اﺷﺘﻘﺎﻗﻬﺎ ﻣﻦ املﺒﺎدئ اﻷﺳﺎﺳﻴﺔ ﻧﻔﺴﻬﺎ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻷﻣﺮ ﻳﺸﺒﻪ ﰲ ﺻﻌﻮﺑﺘﻪ ﺗﻌ ﱡﻠﻢ ﻣﺠﻤﻮﻋﺔ ﻋﺸﻮاﺋﻴﺔ ﻣﻦ اﻟﻜﻠﻤﺎت ﻏري املﺮﺗﺒﻄﺔ‪ ،‬ﻣﻘﺎرﻧﺔ ﺑﺘﻌﻠﻢ‬
‫ﻛﻠﻤﺎت ﺟﻤﻠﺔ ذات ﻣﻌﻨﻰ‪ .‬ﻟﻘﺪ ﺳﻌﻴﺖ — ﰲ ﻫﺬا اﻟﻔﺼﻞ ﻋﲆ ﻣﺪار اﻟﻜﺘﺎب — ﻟﻠﺘﻌﺒري ﻋﻦ‬
‫اﻟﻌﻼﻗﺎت ﺑني اﻷﻓﻜﺎر اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻣﻦ أﺟﻞ إﻳﻀﺎح أ ﻣﺠﺎ اﻹﺣﺼﺎء ﰲ اﻟﺤﻘﻴﻘﺔ ﺣﺪة‬
‫ﻣﺘﻜﺎﻣﻠﺔ ﻣﱰاﺑﻄﺔ‪.‬‬

‫)‪ (1‬اﻟﺒﻴﺎﻧﺎت ﻣﺮة أﺧﺮ‬

‫ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ ﺗﻔﺎﺻﻴﻞ اﻟﺘﻌﺮﻳﻒ اﻟﺬ ﻧﻌﺘﻤﺪ ﻟﻪ‪،‬‬ ‫ﱢ‬ ‫أﻳٍّﺎ ﻛﺎ ﻣﺎ ﻳﻔﻌﻠﻪ ﻋﻠﻢ اﻹﺣﺼﺎء‪،‬‬
‫ﻓﺈ ﻋﻠﻢ اﻹﺣﺼﺎء ﻳﺒﺪأ ﺑﺎﻟﺒﻴﺎﻧﺎت‪ .‬ﺗﺼﻒ اﻟﺒﻴﺎﻧﺎت اﻟﻜﻮ اﻟﺬ ﻧﺮﻏﺐ ﰲ دراﺳﺘﻪ‪ ،‬أﺳﺘﺨﺪ‬
‫ﻛﻠﻤﺔ »اﻟﻜﻮ « ﻫﻨﺎ ﺑﻤﻌﻨﻰ ﻋﺎ اﺳﻊ؛ ﻓﻴﻤﻜﻦ أ ﻳﻜﻮ اﻟﻌﺎﻟﻢ املﺎد اﻟﺬ ﻳﺪ ر ﺣﻮﻟﻨﺎ‪،‬‬
‫ﻳﻤﻜﻦ أﻳﻀﺎ أ ﻳﻜﻮ ﻋﺎﻟﻢ ﻣﻌﺎﻣﻼت ﺑﻄﺎﻗﺎت اﻻﺋﺘﻤﺎ ‪ ،‬أ ﻋﺎﻟﻢ ﺗﺠﺎرب املﺼﻔﻮﻓﺎت‬
‫اﻟﺪﻗﻴﻘﺔ ﰲ ﻋﻠﻢ اﻟﻮراﺛﺔ‪ ،‬أ ﻋﺎﻟﻢ املﺪارس اﻟﺘﺪرﻳﺲ أداء اﻻﻣﺘﺤﺎﻧﺎت‪ ،‬أ ﻋﺎﻟﻢ اﻟﺘﺠﺎرة‬
‫ﺑني اﻟﺒﻠﺪا ‪ ،‬أ ﻋﺎﻟﻢ ﻛﻴﻔﻴﺔ ﺗﴫ اﻷﺷﺨﺎص ﻋﻨﺪ اﻟﺘﻌﺮض ﻟﻺﻋﻼﻧﺎت املﺨﺘﻠﻔﺔ‪ ،‬أ ﻋﺎﻟﻢ‬
‫اﻟﺠﺴﻴﻤﺎت د اﻟﺬرﻳﺔ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪ .‬ﻻ ﺗﻮﺟﺪ ﻧﻬﺎﻳﺔ ﻟﻠﻌﻮاﻟﻢ اﻟﺘﻲ ﻳﻤﻜﻦ دراﺳﺘﻬﺎ؛ ﻣﻦ‬
‫ﺛﻢ ﻻ ﻧﻬﺎﻳﺔ ﻟﻠﻌﻮاﻟﻢ اﻟﺘﻲ ﺗﻤﺜﻠﻬﺎ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪ ،‬ﻻ ﻳﻤﻜﻦ ملﺠﻤﻮﻋﺔ ﻣﺤﺪ دة ﻣﻦ اﻟﺒﻴﺎﻧﺎت أ ﺗﺨﱪﻧﺎ ﻋﻦ ﻛﻞ اﻟﺘﻌﻘﻴﺪات‬
‫اﻟﻼﻧﻬﺎﺋﻴﺔ ﻟﻠﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ ،‬ﺗﻤﺎﻣﺎ ﻛﻤﺎ ﻻ ﻳﻮﺟﺪ ﺻﻒ ﻟﻔﻈﻲ — ﺣﺘﻰ إ ْ ﻛﺘﺒﻪ أﻓﺼﺢ‬
‫املﺆ ﱢﻟﻔني — ﻳﻤﻜﻦ أ ﻳﻨﻘﻞ ﻛﻞ ﳾء ﻋﻦ ﻛﻞ ﺟﺎﻧﺐ ﻣﻦ ﺟﻮاﻧﺐ اﻟﻌﺎﻟﻢ ﻣﻦ ﺣﻮﻟﻨﺎ؛ ﻫﺬا‬
‫ﻳﻌﻨﻲ أﻧﻨﺎ ﻳﺠﺐ أ ﻧﻜﻮ اﻋني ﻟﻠﻐﺎﻳﺔ ﺑﺄ ﻣﻮاﻃﻦ ﺿﻌﻒ أ ﺛﻐﺮات ﰲ اﻟﺒﻴﺎﻧﺎت ﻟﺪﻳﻨﺎ‪،‬‬
‫ﻄﻲ‬‫ﻳﻌﻨﻲ أﻧﻪ ﻋﻨﺪ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻧﻜﻮ ﺑﺤﺎﺟﺔ ﻹﻳﻼء ﻋﻨﺎﻳﺔ ﺧﺎﺻﺔ ﻟﻠﺘﺄﻛﺪ ﻣﻦ أﻧﻬﺎ ﺗﻐ ﱢ‬
‫ﺑﺎﻟﻔﻌﻞ اﻟﺠﻮاﻧﺐ اﻟﺘﻲ ﻧﻬﺘﻢ ﺑﻬﺎ‪ ،‬أ اﻟﺘﻲ ﻧﺮﻏﺐ ﰲ اﺳﺘﺨﻼص ﻧﺘﺎﺋﺞ ﺣﻮﻟﻬﺎ‪ .‬ﺗﻮﺟﺪ أﻳﻀﺎ‬
‫ﻃﺮﻳﻘﺔ أﻛﺜﺮ إﻳﺠﺎﺑﻴﺔ ﻟﻠﻨﻈﺮ إﱃ ﻫﺬا اﻷﻣﺮ؛ ﻫﻲ أﻧﻪ ﻋﻦ ﻃﺮﻳﻖ ﺟﻤﻊ ﻣﺠﻤﻮﻋﺔ ﻣﺤﺪ دة ﻣﻦ‬
‫اﻟﺠﻮاﻧﺐ اﻟﻮﺻﻔﻴﺔ ﻓﺤﺴﺐ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﻀﻄﺮ ﻹﻗﺼﺎء اﻟﻌﻨﺎﴏ ﻏري ذات اﻟﺼﻠﺔ؛ ﻓﻌﻨﺪ دراﺳﺔ‬
‫ﺳﻼﻣﺔ ﺗﺼﻤﻴﻤﺎت اﻟﺴﻴﺎرات املﺨﺘﻠﻔﺔ‪ ،‬رﺑﻤﺎ ﻧﻘﺮر ﻋﺪ ﺗﺴﺠﻴﻞ ﻟﻮ اﻟﻘﻤﺎش اﻟﺬ ﻳﻜﺴﻮ‬
‫املﻘﺎﻋﺪ‪.‬‬
‫ﱠ‬ ‫ْ‬
‫ﺟﺎﻧﺒني؛ ﻳﺘﻌﻠﻖ أﺣﺪﻫﻤﺎ ﺑﺎﻟﻜﺎﺋﻨﺎت‬ ‫ﻣﻦ املﻼﺋﻢ ﻋﻤﻮﻣﺎ اﻟﻨﻈﺮ ﻟﻠﺒﻴﺎﻧﺎت ﻋﲆ أ ﻟﻬﺎ‬
‫اﻟﺘﻲ ﻧﺮﻏﺐ ﰲ دراﺳﺘﻬﺎ‪ ،‬ﻳﺘﻌﻠﻖ اﻟﺠﺎﻧﺐ اﻵﺧﺮ ﺑﺨﺼﺎﺋﺺ ﻫﺬ اﻟﻜﺎﺋﻨﺎت اﻟﺘﻲ ﻧﺮﻏﺐ‬
‫ﰲ دراﺳﺘﻬﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﺗﺘﻤﺜﻞ ﻫﺬ اﻟﻜﺎﺋﻨﺎت ﰲ أﻃﻔﺎ املﺪرﺳﺔ ﺗﺘﻤﺜﻞ‬
‫ﺧﺼﺎﺋﺼﻬﻢ ﰲ درﺟﺎﺗﻬﻢ ﰲ اﻻﺧﺘﺒﺎر‪ ،‬أ رﺑﻤﺎ ﺗﺘﻤﺜﻞ اﻟﻜﺎﺋﻨﺎت ﰲ اﻷﻃﻔﺎ ‪ ،‬ﻟﻜﻨﻨﺎ ﻧﺪرس‬

‫‪28‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ﻧﻈﺎﻣﻬﻢ اﻟﻐﺬاﺋﻲ ﻧﻤﻮﱠﻫﻢ اﻟﺒﺪﻧﻲ‪ ،‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ رﺑﻤﺎ ﺗﺘﻤﺜﻞ اﻟﺨﺼﺎﺋﺺ ﰲ ﻃﻮ اﻷﻃﻔﺎ‬
‫زﻧﻬﻢ‪ ،‬أ رﺑﻤﺎ ﺗﻜﻮ ﻫﺬ اﻟﻜﺎﺋﻨﺎت ﻣﻮا ﱠد ﻣﺎدﻳﺔ‪ ،‬أﻣﺎ اﻟﺨﺼﺎﺋﺺ ذات اﻷﻫﻤﻴﺔ ﻓﻬﻲ‬
‫ﺳﻤﺎﺗﻬﺎ اﻟﻜﻬﺮﺑﺎﺋﻴﺔ املﻐﻨﺎﻃﻴﺴﻴﺔ‪ .‬ﻣﻦ اﻟﺸﺎﺋﻊ ﰲ ﻣﺠﺎ اﻹﺣﺼﺎء ﺗﺴﻤﻴﺔ ﻫﺬ اﻟﺨﺼﺎﺋﺺ‬
‫»ﻣﺘﻐريات«‪ ،‬ﺑﺤﻴﺚ ﻳﻤﺘﻠﻚ ﻛﻞ ﻛﺎﺋﻦ ﻣﻨﻬﺎ »ﻗﻴﻤﺔ« ﻟﻠﻤﺘﻐري )درﺟﺔ اﻟﻄﻔﻞ ﰲ اﺧﺘﺒﺎر اﻹﻣﻼء‬
‫ﺗﻤﺜﻞ ﻗﻴﻤﺔ ﻣﺘﻐري اﻻﺧﺘﺒﺎر‪ ،‬ﻛﻤﻴﺔ اﻟﺘﻮﺻﻴﻞ اﻟﻜﻬﺮﺑﻲ ﻟﻠﻤﺎدة ﺗﻤﺜﻞ ﻗﻴﻤﺔ ﻣﺘﻐري اﻟﻘﺪرة ﻋﲆ‬
‫ﺗﻮﺻﻴﻞ اﻟﺘﻴﺎر‪ ،‬ﻣﺎ إﱃ ذﻟﻚ(‪ .‬ﰲ ﻣﺠﺎﻻت ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت اﻷﺧﺮ ‪ ،‬ﺗﺴﺘﺨﺪ ﻛﻠﻤﺎت ﺑﺪﻳﻠﺔ‬
‫ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ )ﻣﺜﻞ »ﻣﻴﺰة« أ »ﺳﻤﺔ« أ »ﺧﺎﺻﻴﺔ«(‪ ،‬ﻟﻜﻦ ﻋﻨﺪ ﻣﻨﺎﻗﺸﺔ اﻟﺠﻮاﻧﺐ‬
‫اﻟﺘﻘﻨﻴﺔ‪ ،‬ﺳﺄﻟﺘﺰ ﻋﺎدة ﺑﻜﻠﻤﺔ »ﻣﺘﻐري«‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﰲ أ دراﺳﺔ‪ ،‬رﺑﻤﺎ ﻧﻜﻮ ﻣﻬﺘﻤني ﺑﺄﻧﻮاع ﻣﺘﻌﺪدة ﻣﻦ اﻟﻜﺎﺋﻨﺎت‪ .‬ﻓﺮﺑﻤﺎ‬
‫ﻻ ﻧﺮﻏﺐ ﰲ اﻟﻔﻬﻢ ﺗﻘﺪﻳﻢ اﻟﻨﺘﺎﺋﺞ ﻋﻦ أﻃﻔﺎ املﺪارس ﻓﺤﺴﺐ‪ ،‬ﻟﻜﻦ أﻳﻀﺎ ﻋﻦ املﺪارس‬
‫ﻧﻔﺴﻬﺎ رﺑﻤﺎ ﻋﻦ املﻌﻠﻤني أﺳﺎﻟﻴﺐ اﻟﺘﺪرﻳﺲ اﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻟﻬﻴﺎﻛﻞ اﻹدارة املﺪرﺳﻴﺔ‪،‬‬
‫ﻛﻞ ذﻟﻚ ﰲ دراﺳﺔ اﺣﺪة‪ .‬ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬ﻋﺎدة ﻟﻦ ﻧﻜﻮ ﻣﻬﺘﻤني ﺑﺴﻤﺔ اﺣﺪة ﻟﻠﻜﺎﺋﻨﺎت‬
‫اﻟﺘﻲ ﺗﺨﻀﻊ ﻟﻠﺪراﺳﺔ‪ ،‬إﻧﻤﺎ ﺑﺎﻟﻌﻼﻗﺎت ﺑني اﻟﺴﻤﺎت‪ ،‬رﺑﻤﺎ ﺑﺎﻟﻔﻌﻞ ﺑﺎﻟﻌﻼﻗﺎت ﺑني ﺳﻤﺎت‬
‫ﻣﺘﻮﻗﻊ‪ ،‬ﻧﺠﺪ أ اﻷﻣﻮر‬ ‫ﱠ‬ ‫اﻟﻜﺎﺋﻨﺎت ﻣﻦ اﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻋﲆ املﺴﺘﻮﻳﺎت املﺨﺘﻠﻔﺔ‪ .‬ﻛﻤﺎ ﻫﻮ‬
‫ﱠ‬
‫ﻣﻌﻘﺪة ﻟﻠﻐﺎﻳﺔ؛ ﻧﻈﺮا ﻟﺘﻌﻘﻴﺪ املﻮﺿﻮﻋﺎت اﻟﺘﻲ ﻧﺪرﺳﻬﺎ‪.‬‬ ‫ﻏﺎﻟﺒﺎ ﻣﺎ ﺗﻜﻮ‬
‫ﻳﻘﺎ ﻛﺜري ﻣﻦ اﻟﻨﺎس ﻓﻜﺮة أﻧﻪ ﻳﻤﻜﻦ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ أ ﺗﻨﻘﻞ ﺟﻤﺎ اﻟﻌﺎﻟﻢ‬
‫اﻟﺤﻘﻴﻘﻲ؛ ﻓﻴﺸﻌﺮ ﺑﺄ ﺗﺤﻮﻳﻞ اﻷﺷﻴﺎء إﱃ أرﻗﺎ ﻳﺰﻳﻞ ﺑﻄﺮﻳﻘﺔ أ ﺑﺄﺧﺮ ﻋﻨﻬﺎ ﺳﺤﺮﻫﺎ‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﻢ ﻣﺨﻄﺌﻮ ﺣﺘﻰ اﻟﻨﺨﺎع؛ ﻓﺎﻷرﻗﺎ ﻟﺪﻳﻬﺎ اﻟﻘﺪرة ﻋﲆ اﻟﺴﻤﺎح ﻟﻨﺎ ﺑﺈدرا‬
‫ﺣﻖ ﻗﺪْر ‪.‬‬‫ﻫﺬا اﻟﺠﻤﺎ — ﻫﺬا اﻟﺴﺤﺮ — ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﺿﻮﺣﺎ أﻛﺜﺮ ﻋﻤﻘﺎ‪ ،‬ﺗﻘﺪﻳﺮ ﱠ‬
‫ﺑﺎﻋﱰا اﻟﺠﻤﻴﻊ‪ ،‬رﺑﻤﺎ ﻳﺰا »اﻟﻐﻤﻮض« ﻋﻦ ﻃﺮﻳﻖ ﺻﻒ اﻷﺷﻴﺎء ﺑﺼﻮرة رﻗﻤﻴﺔ؛ ﻓﺈذا‬
‫ﻗﻠﺖ إﻧﻪ ﻳﻮﺟﺪ أرﺑﻌﺔ أﺷﺨﺎص ﰲ اﻟﻐﺮﻓﺔ‪ ،‬ﻓﺈﻧﻚ ﺗﻌﺮ ﺑﺎﻟﻀﺒﻂ ﻣﺎ أﻋﻨﻴﻪ‪ ،‬ﰲ ﺣني أﻧﻨﻲ إذا‬
‫ﻗﻠﺖ إ ﺷﺨﺼﺎ ﻣﺎ ﺟﺬﱠاب‪ ،‬رﺑﻤﺎ ﻻ ﺗﻜﻮ ﻣﺘﺄﻛﺪا ﺗﻤﺎﻣﺎ ﻣﻤﱠ ﺎ أﻋﻨﻴﻪ‪ .‬رﺑﻤﺎ ﺗﺨﺘﻠﻒ ﺣﺘﻰ ﻣﻊ‬
‫ﺟﻬﺔ ﻧﻈﺮ ﰲ أ ﺛﻤﺔ ﺷﺨﺼﺎ ﺟﺬﱠاﺑﺎ ﰲ اﻟﻐﺮﻓﺔ‪ ،‬ﻟﻜﻦ ﻣﻦ ﻏري املﺮﺟﱠ ﺢ أ ﺗﺨﺘﻠﻒ ﻣﻊ‬
‫ﺟﻬﺔ ﻧﻈﺮ ﺑﺄ ﻫﻨﺎ أرﺑﻌﺔ أﺷﺨﺎص ﰲ اﻟﻐﺮﻓﺔ )ﺑﺎﺳﺘﺜﻨﺎء أﺧﻄﺎء اﻟﻌ ﱢﺪ ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪،‬‬
‫ﻟﻜﻦ ﻫﺬا أﻣﺮ ﻣﺨﺘﻠﻒ(‪ .‬اﻷرﻗﺎ ﻣﻔﻬﻮﻣﺔ ﻋﲆ ﻧﺤﻮ ﻋﺎملﻲ‪ ،‬ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ اﻟﺠﻨﺴﻴﺔ أ‬
‫اﻟﺪﻳﻦ أ اﻟﺠﻨﺲ أ اﻟﻌﻤﺮ أ أ ﺳﻤﺔ ﺑﴩﻳﺔ أﺧﺮ ‪ .‬ﻳﻤﻜﻦ أ ﺗﻜﻮ إزاﻟﺔ اﻟﻐﻤﻮض‬
‫— ﻣﻌﻬﺎ إزاﻟﺔ ﺧﻄﺮ ﺳﻮء اﻟﻔﻬﻢ — ﻣﻔﻴﺪة ﻋﻨﺪﻣﺎ ﻧﺤﺎ أ ﻧﻔﻬﻢ ﺷﻴﺌﺎ؛ ﻋﻨﺪﻣﺎ ﻧﺤﺎ‬
‫ﻓﻬﻤﻪ ﺗﻤﺎﻣﺎ‪.‬‬

‫‪29‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻳﺮﺗﺒﻂ اﻓﺘﻘﺎد اﻟﻐﻤﻮض ﻫﺬا ﰲ ﺗﻔﺴري اﻷرﻗﺎ ارﺗﺒﺎﻃﺎ ﺛﻴﻘﺎ ﺑﺤﻘﻴﻘﺔ أ »اﻷرﻗﺎ‬
‫ﺗﻤﺘﻠﻚ ﺳﻤﺔ اﺣﺪة ﻓﻘﻂ«؛ ﻧﻌﻨﻲ ﺑﻬﺬا ﻗﻴﻤﺘﻬﺎ أ ﺣﺠﻤﻬﺎ‪ .‬ﻓﻌﲆ اﻟﻨﻘﻴﺾ ﻣﻤﺎ ﻗﺪ ﻳﺪﻓﻌﻨﺎ‬
‫اﻟﻌﺮاﻓﻮ إﱃ اﻹﻳﻤﺎ ﺑﻪ‪ ،‬ﻓﺈ اﻷرﻗﺎ ﻟﻴﺴﺖ ﺟﺎﻟﺒﺔ ﻟﻠﺤﻆ اﻟﺠﻴﺪ أ اﻟﺴﻴﺊ؛ ﺗﻤﺎﻣﺎ ﻛﻤﺎ أ‬
‫اﻷرﻗﺎ ﻻ ﺗﻤﺘﻠﻚ ﻟﻮﻧﺎ أ ﻧﻜﻬﺔ أ راﺋﺤﺔ‪ ،‬ﻓﻠﻴﺲ ﻟﺪﻳﻬﺎ ﺳﻤﺎت ﻏري ﻗﻴﻤﺘﻬﺎ اﻟﺮﻗﻤﻴﺔ اﻟﺬاﺗﻴﺔ‪.‬‬
‫)ﻻ ﻳﻤﻜﻦ إﻧﻜﺎر أ ﺑﻌﺾ اﻷﺷﺨﺎص ﻳﻤﺘﻠﻜﻮ »اﻟﺤﺲ املﺮاﻓﻖ«‪ ،‬اﻟﺬ ﻓﻴﻪ ﻳﺮﺑﻄﻮ ﻟﻮﻧﺎ‬
‫ﻣﻌﻴﻨﺎ أ إﺣﺴﺎﺳﺎ ﺑﺄرﻗﺎ ﻣﻌﻴﻨﺔ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻓﺈ اﻷﺣﺎﺳﻴﺲ املﺮﺗﺒﻄﺔ ﺗﺘﺒﺎﻳﻦ ﺑﺎﺧﺘﻼ‬
‫اﻷﺷﺨﺎص‪ ،‬ﻻ ﻳﻤﻜﻦ اﻋﺘﺒﺎرﻫﺎ ﺳﻤﺎت ﺧﺎﺻﺔ ﺑﺎﻷرﻗﺎ ﻧﻔﺴﻬﺎ‪(.‬‬
‫ﺗﻘ ﱢﺪ اﻟﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ ﻟﻨﺎ ﺻﻠﺔ ﻣﺒﺎﴍة ﻓﻮرﻳﺔ ﺑﺎﻟﻈﻮاﻫﺮ اﻟﺘﻲ ﻧﺪرﺳﻬﺎ أﻛﺜﺮ ﻣﻤﺎ‬
‫ﺗﻘﺪﱢﻣﻪ اﻟﻜﻠﻤﺎت؛ ﻷ اﻟﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ ﺗﻨﺘﺞ ﻋﺎدة ﻋﻦ ﻃﺮﻳﻖ أد ات ﻗﻴﺎس ﺗﺘﺼﻞ اﺗﺼﺎﻻ‬
‫ﻣﺒﺎﴍا ﺑﺘﻠﻚ اﻟﻈﻮاﻫﺮ ﺑﺪرﺟﺔ أﻛﱪ ﻣﻦ اﺗﺼﺎﻟﻬﺎ ﺑﺎﻟﻜﻠﻤﺎت؛ ﻓﺎﻷرﻗﺎ ﺗﺄﺗﻲ ﻣﺒﺎﴍة ﻣﻦ‬
‫اﻷﺷﻴﺎء اﻟﺘﻲ ﺗﺠﺮ دراﺳﺘﻬﺎ‪ ،‬ﰲ ﺣني أ اﻟﻜﻠﻤﺎت ﺗﺨﻀﻊ ﻟﻠﱰﺷﻴﺢ ﻋﻦ ﻃﺮﻳﻖ اﻟﻌﻘﻞ‬
‫اﻟﺒﴩ ‪ .‬ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪ ،‬ﻓﺈ اﻷﺷﻴﺎء ﺗﻜﻮ أﻛﺜﺮ ﺗﻌﻘﻴﺪا إذا ﺗﻤﱠ ْﺖ إﺟﺮاءات ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‬
‫ﺑﻮاﺳﻄﺔ اﻟﻜﻠﻤﺎت )ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ إذا ﺟﻤﻌﺖ اﻟﺒﻴﺎﻧﺎت ﻋﻦ ﻃﺮﻳﻖ اﻻﺳﺘﺒﻴﺎﻧﺎت(‪ ،‬ﻟﻜﻦ‬
‫ﻻ ﻳﺰا املﺒﺪأ ﺻﺎﻟﺤﺎ‪ .‬ﺑﻴﻨﻤﺎ ﻗﺪ ﻻ ﺗﻜﻮ أد ات اﻟﻘﻴﺎس ﻣﺜﺎﻟﻴﺔ‪ ،‬ﻓﺈ اﻟﺒﻴﺎﻧﺎت ﺗﻜﻮ ﺗﻤﺜﻴﻼ‬
‫ﺣﻘﻴﻘﻴٍّﺎ ﻟﻨﺘﺎﺋﺞ ﺗﻄﺒﻴﻖ ﺗﻠﻚ اﻷد ات ﻋﲆ اﻟﻈﺎﻫﺮة ﻗﻴﺪ اﻟﺪراﺳﺔ‪ .‬أﺣﻴﺎﻧﺎ أﻟﺨﺺ ذﻟﻚ ﻣﻦ‬
‫ﺧﻼ اﻟﺘﻌﻠﻴﻖ املﻮﺟﻮد ﰲ ﺑﺪاﻳﺔ ﻫﺬا اﻟﻔﺼﻞ‪» :‬اﻟﺒﻴﺎﻧﺎت ﻫﻲ أدﻟﺔ اﻟﻄﺒﻴﻌﺔ‪ ،‬اﻟﺘﻲ ﺗﺮ ﻣﻦ‬
‫ﺧﻼ ﻋﺪﺳﺔ أداة اﻟﻘﻴﺎس‪«.‬‬
‫ﻓﻮ ﻛﻞ ﻫﺬا‪ ،‬ﻟﻸرﻗﺎ ﻧﺘﺎﺋﺞ ﻋﻤﻠﻴﺔ ﻣﻦ ﺣﻴﺚ اﻟﺘﻘﺪ املﺠﺘﻤﻌﻲ؛ ﻓﻘﺪرة اﻟﻌﺎﻟﻢ‬
‫املﺘﺤﴬ ﻋﲆ ﻣﻌﺎﻟﺠﺔ ﺗﻤﺜﻴﻼت اﻟﻮاﻗﻊ اﻟﺘﻲ ﺗﻘﺪﱢﻣﻬﺎ اﻷرﻗﺎ ﻫﻲ اﻟﺘﻲ أدﱠت إﱃ ﻣﺜﻞ ﻫﺬا‬ ‫ﱢ‬
‫اﻟﺘﻘﺪ املﺎد املﺬﻫﻞ ﰲ اﻟﻘﺮ اﻟﻘﻠﻴﻠﺔ املﺎﺿﻴﺔ‪.‬‬
‫ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ اﻷرﻗﺎ ﻟﻬﺎ ﺳﻤﺔ اﺣﺪة ﻓﻘﻂ — ﻗﻴﻤﺘﻬﺎ اﻟﺮﻗﻤﻴﺔ — ﻓﺮﺑﻤﺎ ﻧﺨﺘﺎر‬
‫اﺳﺘﺨﺪا ﺗﻠﻚ اﻟﺴﻤﺔ ﺑﻄﺮ ﻣﺨﺘﻠﻔﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻋﻨﺪ اﺗﺨﺎذ ﻗﺮار ﺑﺸﺄ ﺟﺪارة‬
‫اﻟﻄﻼب ﰲ اﻟﺼﻒ اﻟﺪراﳼ‪ ،‬رﺑﻤﺎ ﻧﺼﻨﱢﻔﻬﻢ ﻓﻘﺎ ﻟﺪرﺟﺎت اﻻﻣﺘﺤﺎ ؛ أ إﻧﻨﺎ رﺑﻤﺎ ﻻ ﻧﻬﺘ ﱡﻢ‬
‫ﱠإﻻ ﺑﻤﺎ إذا ﻛﺎﻧﺖ ﻧﺘﻴﺠﺔ ﻣﺎ أﻋﲆ ﻣﻦ أﺧﺮ ‪ ،‬ﻻ ﻧﻬﺘ ﱡﻢ ﺑﺎﻟﻔﺎر اﻟﻌﺪد اﻟﺪﻗﻴﻖ‪ .‬ﻋﻨﺪﻣﺎ‬
‫ﻧﻬﺘﻢ ﻓﻘﻂ »ﺑﱰﺗﻴﺐ« اﻟﻘﻴﻢ ﺑﻬﺬ اﻟﻄﺮﻳﻘﺔ ﻧﻘﻮ إﻧﻨﺎ ﻧﻌﺎﻟﺞ اﻟﺒﻴﺎﻧﺎت ﺑﻮﺿﻌﻬﺎ ﻋﲆ ﻣﻘﻴﺎس‬
‫»ﺗﺮﺗﻴﺒﻲ«‪ .‬ﻣﻦ ﻧﺎﺣﻴﺔ أﺧﺮ ‪ ،‬ﻋﻨﺪﻣﺎ ﻳﻘﻴﺲ املﺰارع ﻛﻤﻴﺔ اﻟﺬرة اﻟﺘﻲ أﻧﺘﺠﻬﺎ‪ ،‬ﻓﻼ ﻳﺮﻳﺪ‬
‫ﺑﺒﺴﺎﻃﺔ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎ ﻗﺪ أﻧﺘﺞ أﻛﺜﺮ ﻣﻤﺎ أﻧﺘﺞ ﰲ اﻟﻌﺎ املﺎﴈ أ ﻻ‪ ،‬ﻛﻤﺎ أﻧﻪ ﻳﺮﻳﺪ‬
‫أﻳﻀﺎ أ ﻳﻌﺮ ﻣﻘﺪار ﻣﺎ أﻧﺘﺠﻪ؛ أ اﻟﻮز اﻟﻔﻌﲇ؛ ﻓﻌﲆ أ ﺣﺎ ‪ ،‬ﺳﻮ ﺗﺒﺎع اﻟﺬرة ﰲ‬

‫‪30‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫اﻟﺴﻮ ﻋﲆ ﻫﺬا اﻷﺳﺎس‪ .‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﻳﻘﺎر املﺰارع ﻓﻌﻠﻴٍّﺎ ز اﻟﺬرة اﻟﺘﻲ أﻧﺘﺠﻬﺎ‬
‫ﺑﻮز ﻣﻌﻴﺎر ﻣﺜﻞ اﻟﻄﻦ‪ ،‬ﺣﺘﻰ ﻳﺴﺘﻄﻴﻊ ﻣﻌﺮﻓﺔ ﻛﻢ ﻃﻨٍّﺎ ﻣﻦ اﻟﺬرة أﻧﺘﺠﻪ‪ .‬ﻳﺘﻀﻤﻦ ذﻟﻚ‬
‫اﺣﺘﺴﺎب ﻧﺴﺒﺔ ز اﻟﺬرة اﻟﺘﻲ أﻧﺘﺠﻬﺎ املﺰارع ﻟﻮز اﻟﻄﻦ اﻟﻮاﺣﺪ ﻣﻦ اﻟﺬرة؛ ﻟﻬﺬا اﻟﺴﺒﺐ‪،‬‬
‫ﻋﻨﺪﻣﺎ ﻧﺴﺘﺨﺪ اﻟﻘﻴﻢ ﻋﲆ ﻫﺬا اﻟﻨﺤﻮ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﻘﻮ إﻧﻨﺎ ﻧﻌﺎﻟﺞ اﻟﺒﻴﺎﻧﺎت ﺑﻮﺿﻌﻬﺎ ﻋﲆ‬
‫ﻆ أﻧﻪ ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ ﻳﻤﻜﻨﻨﺎ اﺧﺘﻴﺎر ﺗﻐﻴري ﺣﺪة اﻟﻘﻴﺎس اﻷﺳﺎﺳﻴﺔ؛‬ ‫ﻣﻘﻴﺎس »ﻧﺴﺒﻲ«‪ .‬ﻻﺣ ْ‬
‫إذ ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب اﻟﻮز ﺑﺎﻟﺮﻃﻞ أ اﻟﻜﻴﻠﻮﺟﺮا ﺑﺪﻻ ﻣﻦ اﻟﻄﻦ‪ .‬ﻣﺎ دﻣﻨﺎ ﻧﺸري إﱃ اﻟﻮﺣﺪة‬
‫اﻟﺘﻲ اﺳﺘﺨﺪﻣﻨﺎﻫﺎ‪ ،‬ﻓﺈﻧﻪ ﻣﻦ اﻟﺴﻬﻞ ﻋﲆ أ ﺷﺨﺺ آﺧﺮ إﻋﺎدة ﺗﺤﻮﻳﻠﻬﺎ ﻣﺮة أﺧﺮ ‪ ،‬أ‬
‫ﺗﺤﻮﻳﻠﻬﺎ إﱃ أ ﺣﺪة ﻳﺴﺘﺨﺪﻣﻬﺎ ﻋﺎدة‪.‬‬
‫ﰲ ﺣﺎﻟﺔ أﺧﺮ ‪ ،‬رﺑﻤﺎ ﻧﺮﻏﺐ ﰲ ﻣﻌﺮﻓﺔ ﻋﺪد املﺮﴇ اﻟﺬﻳﻦ ﻋﺎﻧﻮْا ﻣﻦ أﺛﺮ ﺟﺎﻧﺒﻲ ﻣﻌني‬
‫ﻟﺪ اء ﻣﺎ‪ .‬إذا ﻛﺎ اﻟﻌﺪد ﻛﺒريا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻓﺈﻧﻨﺎ ﻗﺪ ﻧﺮﻏﺐ ﰲ ﺳﺤْ ﺐ اﻟﺪ اء ﻣﻦ اﻟﺴﻮ‬
‫ﻋﲆ أﺳﺎس أﻧﻪ ﻳﻨﻄﻮ ﻋﲆ ﻣﺨﺎﻃﺮة ﻛﺒرية ﻟﻠﻐﺎﻳﺔ‪ .‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺒﺴﺎﻃﺔ ﻧﺤﴢ‬
‫اﻟﻮﺣﺪات املﻨﻔﺼﻠﺔ اﻟﻮاﺿﺤﺔ املﻌﺎﻟﻢ )املﺮﴇ(‪ .‬ﻟﻦ ﺗﻜﻮ إﻋﺎدة اﻟﻘﻴﺎس ﻋﻦ ﻃﺮﻳﻖ ﺗﻐﻴري‬
‫اﻟﻮﺣﺪات ذات ﻣﻐﺰ )ﻓﻠﻦ ﻧﻔ ﱢﻜﺮ ﰲ إﺣﺼﺎء ﻋﺪد »ﻧﺼﻒ املﺮﴇ«!( ﻟﺬﻟﻚ ﻧﻘﻮ إﻧﻨﺎ ﻧﻌﺎﻟﺞ‬
‫اﻟﺒﻴﺎﻧﺎت ﺑﻮﺿﻌﻬﺎ ﰲ املﻘﻴﺎس »املﻄﻠﻖ«‪.‬‬

‫ﱠ‬
‫املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ‬ ‫)‪(2‬‬
‫ﰲ ﺣني أ اﻷرﻗﺎ اﻟﺒﺴﻴﻄﺔ ﺗﺸﻜﻞ »ﻋﻨﺎﴏ« اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﺈﻧﻪ ﻣﻦ أﺟﻞ أ ﺗﻜﻮ ﻣﻔﻴﺪة‪ ،‬ﻓﺈﻧﻨﺎ‬
‫ﻧﺤﺘﺎج إﱃ أ ْ ﻧﻨﻈﺮ ﰲ اﻟﻌﻼﻗﺎت ﺑﻴﻨﻬﺎ‪ ،‬رﺑﻤﺎ ﻧﺠﻤﻊ ﺑﻴﻨﻬﺎ ﺑﻄﺮﻳﻘﺔ ﻣﺎ‪ ،‬ﻫﻨﺎ ﻳﺄﺗﻲ د ْر‬
‫اﻹﺣﺼﺎء‪ .‬ﺳﻮ ﺗﺴﺘﻜﺸﻒ اﻟﻔﺼﻮ اﻟﻼﺣﻘﺔ ﻃﺮﻗﺎ أﻛﺜﺮ ﺗﻌﻘﻴﺪا ملﻘﺎرﻧﺔ اﻷرﻗﺎ اﻟﺠﻤﻊ‬
‫ﺑﻴﻨﻬﺎ‪ ،‬ﻟﻜﻦ ﺳﻴﻜﻮ ﻫﺬا اﻟﻔﺼﻞ ﺑﻤﻨﺰﻟﺔ ﻣﻘﺪﻣﺔ ﻟﻸﻓﻜﺎر‪ .‬ﺳﻨﻠﻘﻲ ﻫﻨﺎ ﻧﻈﺮة ﻋﲆ ﺑﻌﺾ‬
‫أﻛﺜﺮ اﻟﻄﺮ ﻣﺒﺎﴍة؛ ﻓﻠﻦ ﻧﺴﺘﻜﺸﻒ اﻟﻌﻼﻗﺎت ﺑني املﺘﻐريات املﺨﺘﻠﻔﺔ ﰲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬ﻟﻜﻦ‬
‫ﺑﺒﺴﺎﻃﺔ ﺳﻨﺮ املﻌﻠﻮﻣﺎت اﻟ ﱡﺮؤ اﻟﺘﻲ ﻳﻤﻜﻦ اﺳﺘﺨﻼﺻﻬﺎ ﻣﻦ اﻟﻌﻼﻗﺎت ﺑني اﻟﻘﻴﻢ املﻘﻴﺴﺔ‬
‫ْﻓﻖ املﺘﻐري ﻧﻔﺴﻪ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻧﻜﻮ ﻗﺪ ﺳﺠﱠ ﻠﻨﺎ أﻋﻤﺎر املﺘﻘﺪﱢﻣني ﻟﻠﺤﺼﻮ ﻋﲆ‬
‫ﻣﻨﺼﺐ ﰲ اﻟﺠﺎﻣﻌﺔ‪ ،‬أ درﺟﺔ ﺳﻄﻮع اﻟﻨﺠﻮ ﰲ ﻋﻨﻘﻮد ﻣﺠ ﱢﺮ ﱟ ﻣﺎ‪ ،‬أ اﻟﻨﻔﻘﺎت اﻟﺸﻬﺮﻳﺔ‬
‫ﻟﻸﴎ ﰲ ﻣﺪﻳﻨﺔ ﻣﺎ‪ ،‬أ أ زا أﺑﻘﺎر ﰲ ﻗﻄﻴﻊ ﰲ ﻗﺖ إرﺳﺎﻟﻬﺎ إﱃ اﻟﺴﻮ ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫ﰲ ﻛﻞ ﺣﺎﻟﺔ‪ ،‬ﺗﺴﺠﱠ ﻞ ﻗﻴﻤﺔ رﻗﻤﻴﺔ اﺣﺪة ﻟﻜﻞ »ﻛﺎﺋﻦ« ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﻜﺎﺋﻨﺎت‪.‬‬
‫ﻋﻨﺪﻣﺎ ﺗﺆﺧﺬ ﻣﻌﺎ‪ ،‬ﻳﻘﺎ إ اﻟﻘﻴﻢ اﻟﻔﺮدﻳﺔ ﰲ املﺠﻤﻮﻋﺔ ﺗﺸ ﱢﻜﻞ »ﺗﻮزﻳﻌﺎ« ﻟﻠﻘﻴﻢ‪ .‬ﺗﻌ ﱡﺪ‬
‫املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ ﺳﺒﻼ ﻟﺘﻤﻴﻴﺰ ﻫﺬا اﻟﺘﻮزﻳﻊ؛ أ ﻗﻮ ﻣﺎ إذا ﻛﺎﻧﺖ اﻟﻘﻴﻢ ﻣﺘﺸﺎﺑﻬﺔ‬

‫‪31‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺟﺪٍّا‪ ،‬ﻣﺎ إذا ﻛﺎﻧﺖ ﺗﻮﺟﺪ ﺑﻌﺾ اﻟﻘﻴﻢ اﻟﻜﺒرية أ اﻟﺼﻐرية ﻋﲆ ﻧﺤﻮ اﺳﺘﺜﻨﺎﺋﻲ‪ ،‬ﺗﺤﺪﻳﺪ‬
‫اﻟﻘﻴﻤﺔ »اﻟﻨﻤﻮذﺟﻴﺔ« … إﻟﺦ‪.‬‬

‫)‪ (1-2‬اﻟﻘِ ﻴَﻢ املﺘﻮﺳﻄﺔ‬

‫ﻳﺘﻤﺜﻞ أﺑﺴﻂ أﻧﻮاع اﻟﺘﻮﺻﻴﻔﺎت — أ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ — ملﺠﻤﻮﻋﺔ ﻣﻦ اﻷرﻗﺎ ﰲ‬
‫»اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ«‪ .‬اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻫﻲ ﻗﻴﻤﺔ ﺗﻤﺜﻴﻠﻴﺔ؛ ﻫﻲ ﻗﻴﻤﺔ ﻗﺮﻳﺒﺔ‪ ،‬ﺑﻤﻌﻨﻰ ﻣﺎ‪،‬‬
‫ﻷرﻗﺎ املﺠﻤﻮﻋﺔ‪ .‬اﻟﺤﺎﺟﺔ إﱃ ﳾء ﻣﻦ ﻫﺬا اﻟﻘﺒﻴﻞ ﺗﻜﻮ أﻛﺜﺮ ﺿﻮﺣﺎ ﻋﻨﺪﻣﺎ ﺗﻜﻮ‬
‫ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎ ﻛﺒرية؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﻨﻔﱰض أ ﻟﺪﻳﻨﺎ ﺟﺪ ﻻ ﻳﺴﺠﱢ ﻞ أﻋﻤﺎر ﻛﻞ‬
‫اﻷﺷﺨﺎص ﰲ ﻣﺪﻳﻨﺔ ﻛﺒرية؛ رﺑﻤﺎ ﻳﺒﻠﻎ ﻋﺪدﻫﻢ ﻣﻠﻴﻮ ﻧﺴﻤﺔ‪ .‬ﻣﻦ أﺟْ ﻞ اﻷﻏﺮاض اﻹدارﻳﺔ‬
‫اﻟﺘﺠﺎرﻳﺔ ﺳﻴﻜﻮ ﻣﻦ املﻔﻴﺪ ﻋﲆ ﻧﺤﻮ اﺿﺢ ﻣﻌﺮﻓﺔ ﻣﺘﻮﺳﻂ ﻋﻤﺮ اﻟﺴﻜﺎ ؛ ﻓﺴﻮ‬
‫ﺗﻮﺟﺪ ﺣﺎﺟﺔ ﻟﺨﺪﻣﺎت ﻣﺨﺘﻠﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ ،‬ﺗﻨﺸﺄ ﻓﺮص ﻣﺒﻴﻌﺎت إذا ﻛﺎ ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ ‪١٦‬‬
‫ﻋﺎﻣﺎ ﺑﺪﻻ ﻣﻦ ‪ .٦٠‬ﺑﺈﻣﻜﺎﻧﻨﺎ أ ﻧﺤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻓﻜﺮة ﻋﻦ اﻟﺤﺠﻢ اﻟﻌﺎ ﻟﻸرﻗﺎ ﰲ‬
‫اﻟﺠﺪ — اﻷﻋﻤﺎر — ﻣﻦ ﺧﻼ اﻟﻨﻈﺮ إﱃ ﻛﻞ اﻟﻘﻴﻢ‪ .‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أ ﻫﺬا ﺳﻴﻜﻮ‬
‫أﻣﺮا ﻋﺴريا‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬إذا ﻛﺎ اﻟﻨﻈﺮ إﱃ ﻛﻞ رﻗﻢ ﻳﺴﺘﻐﺮ ﺛﺎﻧﻴﺔ اﺣﺪة ﻓﻘﻂ‪ ،‬ﻓﺈ اﻷﻣﺮ‬
‫ﺳﻴﺴﺘﻐﺮ أﻛﺜﺮ ﻣﻦ ‪ ٢٧٠‬ﺳﺎﻋﺔ ﻟﻠﻨﻈﺮ إﱃ ﺟﺪ ﻣﻜ ﱠﻮ ﻣﻦ ﻣﻠﻴﻮ رﻗﻢ‪ ،‬ﻛﻞ ﻫﺬا ﻣﻊ‬
‫ْ‬
‫ﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ اﺳﺘﺨﺪا ﺟﻬﺎز‬ ‫ﺗﺠﺎﻫﻞ اﻟﻌﻤﻞ اﻟﻔﻌﲇ املﺘﻤﺜﻞ ﰲ ﻣﺤﺎ ﻟﺔ ﺗﺬ ﱡﻛﺮﻫﺎ ﻣﻘﺎرﻧﺘﻬﺎ‪.‬‬
‫اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺨﺎص ﺑﻨﺎ ملﺴﺎﻋﺪﺗﻨﺎ‪.‬‬
‫أ ﻻ‪ :‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ أ ﻧﻜﻮ اﺿﺤني ﺣﻴﺎ ﻣﺎ ﻧﻌﻨﻴﻪ ﺑﻜﻠﻤﺔ »ﻗﻴﻤﺔ ﻣﺘﻮﺳﻄﺔ«‬
‫ﺑﺎﻟﻀﺒﻂ‪ ،‬ﻷ اﻟﻜﻠﻤﺔ ﻟﻬﺎ ﻋﺪﱠة ﻣﻌﺎ ‪ .‬رﺑﻤﺎ اﻟﻨﻮع اﻷﻛﺜﺮ اﺳﺘﺨﺪاﻣﺎ ﻣﻦ اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻫﻮ‬
‫»املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ«‪ ،‬أ »اﻟﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ«‪ .‬ﻓﺈذا اﺳﺘﺨﺪ اﻟﺸﺨﺺ ﻛﻠﻤﺔ »املﺘﻮﺳﻂ«‬
‫د أ ﻳﻮﺿﺢ ﺗﻔﺴريﻫﺎ‪ ،‬ﻓﺈﻧﻪ رﺑﻤﺎ ﺣﻴﻨﻬﺎ ﻳﻜﻮ ﻗﺎﺻﺪا »املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ«‪.‬‬
‫ﻗﺒﻞ أ أ ﺿﺢ ﻛﻴﻔﻴﺔ ﺣﺴﺎب املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ‪ ،‬ﺗﺨﻴﱠ ْﻞ ﺟﺪ ﻻ آﺧﺮ ﻳﺤﺘﻮ ﻣﻠﻴﻮ‬
‫ﻟﻨﻔﱰض ﰲ ﻫﺬا اﻟﺠﺪ اﻟﺜﺎﻧﻲ أ ﺟﻤﻴﻊ اﻷرﻗﺎ ﻣﺘﻄﺎﺑﻘﺔ ﺑﻌﻀﻬﺎ ﻣﻊ ﺑﻌﺾ؛ أ‬ ‫ْ‬ ‫رﻗﻢ‪.‬‬
‫ﻟﻨﻔﱰض أﻧﻬﺎ ﺟﻤﻴﻌﺎ ﻟﻬﺎ اﻟﻘﻴﻤﺔ ﻧﻔﺴﻬﺎ‪ .‬اﻵ اﺟﻤﻊ ﺟﻤﻴﻊ اﻷرﻗﺎ ﰲ اﻟﺠﺪ اﻷ ﻹﻳﺠﺎد‬ ‫ْ‬
‫ﻣﺠﻤﻮﻋﻬﺎ اﻟﻜﲇ )ﻫﺬا ﻻ ﻳﺴﺘﻐﺮ ﺳﻮ ﺟﺰء ﻣﻦ اﻟﺜﺎﻧﻴﺔ ﺑﺎﺳﺘﺨﺪا ﺟﻬﺎز ﻛﻤﺒﻴﻮﺗﺮ(‪ .‬اﺟﻤﻊ‬
‫ﺟﻤﻴﻊ اﻷرﻗﺎ ﰲ اﻟﺠﺪ اﻟﺜﺎﻧﻲ ﻹﻳﺠﺎد ﻣﺠﻤﻮﻋﻬﺎ اﻟﻜﲇ‪ .‬إذا ﻛﺎ ﻣﺠﻤﻮﻋﺎ أرﻗﺎ اﻟﺠﺪ ﻟني‬
‫ﺑﺎﻟﻘﻴﻤﺔ ﻧﻔﺴﻬﺎ‪ ،‬ﻓﺈ اﻟﺮﻗﻢ اﻟﺬ ﺗﻜﺮر ﻣﻠﻴﻮ ﻣﺮة ﰲ اﻟﺠﺪ اﻟﺜﺎﻧﻲ ﻳﻤﺜﻞ ﻗﻴﻤﺔ ﺟﻮﻫﺮﻳﺔ‬
‫ﻧﻮﻋﺎ ﻣﺎ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻸرﻗﺎ ﰲ اﻟﺠﺪ اﻷ ‪ .‬ﻫﺬا اﻟﺮﻗﻢ املﻔﺮد‪ ،‬اﻟﺬ ﺟﻤﻌﺖ ﻣﻨﻪ ﻣﻠﻴﻮ‬

‫‪32‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫اﻷ ‪ ،‬ﻳﺴﻤﱠ ﻰ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ )ﻟﻸرﻗﺎ‬ ‫ﻧﺴﺨﺔ ﻟﺘﺼﻞ إﱃ املﺠﻤﻮع ﻧﻔﺴﻪ ﻛﻤﺎ ﰲ اﻟﺠﺪ‬
‫ﰲ اﻟﺠﺪ اﻷ (‪.‬‬
‫اﻟﺴﺒﻞ ﻟﺤﺴﺎب املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ ﻫﻲ ﻣﻦ ﺧﻼ ﻗﺴﻤﺔ ﻣﺠﻤﻮع‬ ‫ﰲ اﻟﻮاﻗﻊ‪ ،‬أﺳﻬﻞ ﱡ‬
‫اﻷرﻗﺎ املﻠﻴﻮ ﰲ اﻟﺠﺪ اﻷ ﻋﲆ ﻣﻠﻴﻮ ‪ .‬ﻋﻤﻮﻣﺎ‪ ،‬ﻳﺘﻢ إﻳﺠﺎد املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ ملﺠﻤﻮﻋﺔ‬
‫ﻣﻦ اﻷرﻗﺎ ﺑﺠﻤﻊ ﺟﻤﻴﻊ اﻷرﻗﺎ ﻗﺴﻤﺔ املﺠﻤﻮع ﻋﲆ ﻋﺪدﻫﺎ‪ .‬إﻟﻴﻚ ﻣﺜﺎﻻ آﺧﺮ‪ :‬ﰲ اﺧﺘﺒﺎر‬
‫ﻣﺎ‪ ،‬ﻛﺎﻧﺖ اﻟﻨﺴﺒﺔ املﺌﻮﻳﺔ ﻟﻨﺘﺎﺋﺞ ﺧﻤﺴﺔ ﻃﻼب ﰲ اﻟﺼﻒ ﻫﻲ‪ .٥٥ ،٩١ ،٥٣ ،٦٣ ،٧٨ :‬ﻳﺒﻠﻎ‬
‫ﻣﺠﻤﻮع ﻫﺬ اﻷرﻗﺎ ‪ .٣٤٠ = ٥٥ + ٩١ + ٥٣ + ٦٣ + ٧٨ :‬ﻳﺄﺗﻲ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ‬
‫ﺑﺒﺴﺎﻃﺔ ﻋﻦ ﻃﺮﻳﻖ ﻗﺴﻤﺔ ‪ ٣٤٠‬ﻋﲆ ‪٥‬؛ ﻫﻮ ‪ .٦٨‬ﻛﻨﺎ ﺳﻨﺤﺼﻞ ﻋﲆ املﺠﻤﻮع ﻧﻔﺴﻪ‬
‫)‪ (٣٤٠‬إذا ﺣﺼﻞ ﺟﻤﻴﻊ اﻟﻄﻼب اﻟﺨﻤﺴﺔ ﻋﲆ اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ‪.٦٨‬‬
‫ﻳﻤﺘﻠﻚ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺨﺼﺎﺋﺺ اﻟﺠﺬاﺑﺔ؛ ﻓﺪاﺋﻤﺎ ﻣﺎ ﻳﺄﺧﺬ ﻗﻴﻤﺔ ﺑني‬
‫أﻛﱪ اﻟﻘﻴﻢ أﺻﻐﺮﻫﺎ ﰲ ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎ ‪ .‬ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬ﻓﺈﻧﻪ ﻳﻮاز ﺑني اﻷرﻗﺎ ﰲ‬
‫املﺠﻤﻮﻋﺔ؛ ﺑﻤﻌﻨﻰ أ ﻣﺠﻤﻮع اﻟﻔﺮ ﺑني املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ اﻟﻘﻴﻢ اﻷﻛﱪ ﻣﻨﻪ ﻳﺴﺎ‬
‫ﺑﺎﻟﻀﺒﻂ ﻣﺠﻤﻮع اﻟﻔﺮ ﺑني املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ اﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻣﻨﻪ‪ .‬ﺑﻬﺬا املﻌﻨﻰ‪،‬‬
‫ﻫﻮ ﻗﻴﻤﺔ »ﻣﺮﻛﺰﻳﺔ«‪ .‬اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﻤﻠﻜﻮ ﺗﻔﻜريا ﻣﻴﻜﺎﻧﻴﻜﻴٍّﺎ ﻗﺪ ﻳﺮﻏﺒﻮ ﰲ ﺗﺼﻮر‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺛﻘﺎ زﻧﺔ اﻟﻮاﺣﺪ ﻣﻨﻬﺎ ﻛﻴﻠﻮﺟﺮا اﺣﺪ ﻣﻮﺿﻮﻋﺔ ﰲ ﻣﻮاﻗﻊ ﻣﺨﺘﻠﻔﺔ ﻋﲆ‬
‫ﻃﻮ ﻟﻮح ﺧﺸﺒﻲ )ﻋﺪﻳﻢ اﻟﻮز (‪ .‬ﻣﺴﺎﻓﺎت اﻷ زا ﻣﻦ أﺣﺪ ﻃﺮﰲ اﻟﻠﻮح ﺗﻤﺜﱢﻞ اﻟﻘﻴﻢ ﰲ‬
‫ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎ ‪ .‬املﺘﻮﺳﻂ ﻫﻮ املﺴﺎﻓﺔ اﻟﺘﻲ ﺗﻔﺼﻞ اﻟﻄﺮ ﻋﻦ ﻣﺤﻮر ارﺗﻜﺎز ﻳﺘﻮاز‬
‫ﻓﻴﻪ ﻟﻮح اﻟﺨﺸﺐ ﺗﻤﺎﻣﺎ‪.‬‬
‫املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ ﻫﻮ »إﺣﺼﺎﺋﻴﺔ«‪ ،‬ﻫﻮ ﻳﻠﺨﺺ ﻣﺠﻤﻮﻋﺔ ﻛﺎﻣﻠﺔ ﻣﻦ اﻟﻘﻴﻢ ﰲ‬
‫ﻣﺠﻤﻮﻋﺘﻨﺎ ﰲ ﺻﻮرة ﻗﻴﻤﺔ اﺣﺪة‪ .‬ﻳﺘﺒﻊ ذﻟﻚ أﻧﻪ ﻳﻬﻤﻞ أﻳﻀﺎ ﻣﻌﻠﻮﻣﺎت؛ ﻓﻴﺠﺐ ﱠأﻻ ﱠ‬
‫ﻧﺘﻮﻗﻊ‬
‫أ ﻧﻤﺜﱢﻞ ﻣﻠﻴﻮ رﻗﻢ ﻣﺨﺘﻠﻒ )أ ﺧﻤﺴﺔ‪ ،‬أ أﻳٍّﺎ ﻛﺎ ﻋﺪدﻫﺎ( ﻋﻦ ﻃﺮﻳﻖ رﻗﻢ اﺣﺪ د‬
‫ْ‬
‫ﻟﻜﻦ ﻧﻈﺮا ﻷﻧﻪ‬ ‫اﻟﺘﻀﺤﻴﺔ ﺑﴚء ﻣﺎ‪ ،‬ﺳﻨﻌﻤﻞ ﻋﲆ اﺳﺘﻜﺸﺎ ﻫﺬ اﻟﺘﻀﺤﻴﺔ ﰲ ﻗﺖ ﻻﺣﻖ‪.‬‬
‫ﻗﻴﻤﺔ ﻣﺮﻛﺰﻳﺔ ﺑﺎملﻌﻨﻰ امل ﱠﺒني أﻋﻼ ‪ ،‬ﻓﺈﻧﻪ ﻳﻤﻜﻦ أ ﻳﻜﻮ ﻣﻠﺨﺼﺎ ﻣﻔﻴﺪا؛ ﻓﻴﻤﻜﻨﻨﺎ ﻣﻘﺎرﻧﺔ‬
‫ﻣﺘﻮﺳﻄﺎت ﺣﺠﻢ اﻟﻔﺼﻞ ﰲ املﺪارس املﺨﺘﻠﻔﺔ‪ ،‬أ ﻣﺘﻮﺳﻂ درﺟﺔ اﺧﺘﺒﺎر ﻃﻼب ﻣﺨﺘﻠﻔني‪،‬‬
‫أ ﻣﺘﻮﺳﻂ اﻟﻮﻗﺖ اﻟﺬ ﻳﺴﺘﻐﺮﻗﻪ ﻣﺨﺘﻠﻒ اﻟﻨﺎس ﻟﻠﻮﺻﻮ إﱃ اﻟﻌﻤﻞ‪ ،‬أ ﻣﺘﻮﺳﻂ درﺟﺔ‬
‫اﻟﺤﺮارة اﻟﻴﻮﻣﻴﺔ ﰲ ﺳﻨﻮات ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ إﺣﺼﺎﺋﻴﺔ ﻣﻬﻤﺔ؛ ﻓﻬﻮ ﻣﻠﺨﺺ ملﺠﻤﻮﻋﺔ ﻣﻦ اﻷرﻗﺎ ‪ .‬ﺛﻤﺔ ﻣﻠﺨﺺ‬
‫آﺧﺮ ﻣﻬﻢ ﻫﻮ »اﻟﻮﺳﻴﻂ«‪ .‬ﻛﺎ املﺘﻮﺳﻂ ﻫﻮ اﻟﻘﻴﻤﺔ املﺤﻮرﻳﺔ؛ ﻧﻮﻋﺎ ﻣﻦ اﻟﻨﻘﻄﺔ املﺮﻛﺰﻳﺔ‬

‫‪33‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﻮازﻧﺔ ملﺠﻤﻮع اﻟﻔﺮ ﺑﻴﻨﻪ ﺑني اﻷرﻗﺎ ﰲ املﺠﻤﻮﻋﺔ‪ .‬أﻣﺎ اﻟﻮﺳﻴﻂ ﻓﻴﻮاز املﺠﻤﻮﻋﺔ‬
‫ﺑﻄﺮﻳﻘﺔ أﺧﺮ ؛ ﻓﻬﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮ ﻧﺼﻒ اﻷرﻗﺎ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت أﻛﱪ ﻣﻨﻬﺎ‬
‫اﻟﻨﺼﻒ اﻵﺧﺮ أﺻﻐﺮ ﻣﻨﻬﺎ‪ .‬ﺑﺎﻟﻌﻮدة إﱃ اﻟﺼﻒ املﻜ ﱠﻮ ﻣﻦ ﺧﻤﺴﺔ ﻃﻼب املﺬﻛﻮر أﻋﻼ ‪،‬‬
‫ﻓﺈ ﻧﺘﺎﺋﺠﻬﻢ ﺑﺎﻟﱰﺗﻴﺐ ﻣﻦ اﻷﺻﻐﺮ إﱃ اﻷﻛﱪ ﻫﻲ‪ .٩١ ،٧٨ ،٦٣ ،٥٥ ،٥٣ :‬اﻟﻨﺘﻴﺠﺔ‬
‫اﻟﻮﺳﻄﻰ ﻫﻨﺎ ﻫﻲ ‪ ،٦٣‬ﻟﺬﻟﻚ ﻫﺬا ﻫﻮ اﻟﻮﺳﻴﻂ‪.‬‬
‫ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﺳﺘﻈﻬﺮ ﺑﻌﺾ اﻟﺘﻌﻘﻴﺪات إذا ﺟﺪت ﻗﻴﻢ ﻣﺘﺴﺎ ﻳﺔ ﰲ ﻣﺠﻤﻮﻋﺔ‬
‫اﻟﺒﻴﺎﻧﺎت )ﻟﻨﻔﱰض ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ أﻧﻬﺎ ﺗﺘﻜﻮ ﻣﻦ ‪ ٩٩‬ﻧﺴﺨﺔ ﻣﻦ اﻟﻘﻴﻤﺔ ‪ ٠‬ﻧﺴﺨﺔ‬
‫اﺣﺪة ﻣﻦ اﻟﻘﻴﻤﺔ ‪ ،(١‬ﻟﻜﻦ ﻳﻤﻜﻦ اﻟﺘﻐﻠﺐ ﻋﲆ ذﻟﻚ‪ .‬ﻋﲆ أ ﺣﺎ ‪ ،‬ﻣﺮة أﺧﺮ اﻟﻮﺳﻴﻂ‬
‫ﻫﻮ ﻗﻴﻤﺔ ﺗﻤﺜﻴﻠﻴﺔ ﺑﻤﻌﻨﻰ ﻣﺎ‪ ،‬إ ﻛﺎ ﻳﺨﺘﻠﻒ ﻋﻦ املﺘﻮﺳﻂ‪ .‬ﺑﺴﺒﺐ ﻫﺬا اﻻﺧﺘﻼ ‪ ،‬ﻟﻨﺎ أ‬
‫ﻧﺘﻮﻗﻊ أﻧﻪ ﺳﻴﺄﺧﺬ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ﻋﻦ املﺘﻮﺳﻂ‪ .‬ﻣﻦ اﻟﻮاﺿﺢ أ اﻟﻮﺳﻴﻂ أﺳﻬﻞ ﰲ اﻟﺤﺴﺎب‬
‫ﻣﻦ املﺘﻮﺳﻂ‪ .‬ﻓﻠﻴﺲ ﻋﻠﻴﻨﺎ ﺟﻤﻊ أ ﻗﻴﻢ ﻟﻠﻮﺻﻮ إﻟﻴﻪ‪ ،‬ﻓﻀﻼ ﻋﻦ اﻟﻘﺴﻤﺔ ﻋﲆ ﻋﺪد اﻟﻘﻴﻢ‬
‫ﰲ املﺠﻤﻮﻋﺔ؛ ﻛﻞ ﻣﺎ ﻋﻠﻴﻚ اﻟﻘﻴﺎ ﺑﻪ ﻫﻮ ﺗﺮﺗﻴﺐ اﻷرﻗﺎ ‪ ،‬ﺗﺤﺪﻳﺪ ﻣﻮﻗﻊ اﻟﺮﻗﻢ املﻮﺟﻮد ﰲ‬
‫اﻟﻮﺳﻂ‪ .‬ﻟﻜﻦ ﰲ اﻟﻮاﻗﻊ ﻫﺬ املﻴﺰة اﻟﺤﺴﺎﺑﻴﺔ أﺳﺎﺳﺎ ﻏري ذات ﺻﻠﺔ ﺑﻌﴫ اﻟﻜﻤﺒﻴﻮﺗﺮ؛‬
‫ﻓﻔﻲ اﻟﺘﺤﻠﻴﻼت اﻹﺣﺼﺎﺋﻴﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻳﻘﻮ اﻟﻜﻤﺒﻴﻮﺗﺮ ﺑﻌﻤﻠﻴﺎت املﻌﺎﻟﺠﺔ اﻟﺤﺴﺎﺑﻴﺔ املﻤﻠﺔ‪.‬‬
‫ﺑﻮﺟﻮد ﻫﺬﻳﻦ املﻠﺨﺼني اﻹﺣﺼﺎﺋﻴني‪ ،‬ﻛﻼﻫﻤﺎ ﻳﻘ ﱢﺪ ﻗﻴﻤﺎ ﺗﻤﺜﻴﻠﻴﺔ‪ ،‬ﻛﻴﻒ ﻟﻨﺎ أ ﻧﺤﺪد‬
‫أﻳﻬﻤﺎ ﺳﻨﺴﺘﺨﺪ ﰲ أ ﻣﻮﻗﻒ ﻣﻌني؟ ﺑﻤﺎ أﻧﻬﻤﺎ ﻳﻌ ﱠﺮﻓﺎ ﻋﲆ ﻧﺤﻮ ﻣﺨﺘﻠﻒ — ﻳﺠﻤﻌﺎ‬
‫اﻟﻘﻴﻢ اﻟﺮﻗﻤﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﺨﺘﻠﻒ — ﻓﻤﻦ املﺮﺟﱠ ﺢ أ ﻳﻨﺘﺠﺎ ﻗﻴﻤﺎ ﻣﺨﺘﻠﻔﺔ؛ ﻟﺬﻟﻚ رﺑﻤﺎ ﺗﻜﻮ‬
‫أ اﺳﺘﻨﺘﺎﺟﺎت ﺗﺴﺘﻨﺪ إﻟﻴﻬﻤﺎ ﻣﺨﺘﻠﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬اﻟﺠﻮاب اﻟﻜﺎﻣﻞ ملﺴﺄﻟﺔ أﻳﻬﻤﺎ ﺗﺨﺘﺎر ﺳﻮ‬
‫ﻳﺪﺧﻠﻨﺎ ﰲ أﻣﻮر ﻓﻨﻴﺔ ﺗﺘﺠﺎ ز ﻣﺴﺘﻮ ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻟﻜﻦ اﻟﺠﻮاب اﻟﻘﺼري ﻫﻮ أ اﻻﺧﺘﻴﺎر‬
‫ﺳﻴﻌﺘﻤﺪ ﻋﲆ اﻟﺘﻔﺎﺻﻴﻞ اﻟﺪﻗﻴﻘﺔ ﻟﻠﺴﺆا اﻟﺬ ﻳﺮﻏﺐ املﺮء ﰲ اﻹﺟﺎﺑﺔ ﻋﻨﻪ‪.‬‬
‫إﻟﻴﻚ ﻣﺜﺎﻻ‪ :‬ﻟﻨﻔﱰض أ ﴍﻛﺔ ﺻﻐرية ﻟﺪﻳﻬﺎ ﺧﻤﺲ ﻣﺠﻤﻮﻋﺎت ﻣﻦ املﻮﻇﻔني‪ ،‬ﻟﻜ ﱟﻞ‬
‫ﻣﻨﻬﺎ درﺟﺔ ﻣﺮﺗﺐ ﻣﺨﺘﻠﻔﺎ ؛ ﻫﻲ ﻋﲆ اﻟﱰﺗﻴﺐ‪ ١٠٠٠٠ :‬د ﻻر‪ ١٠٠٠١ ،‬د ﻻر‪١٠٠٠٢ ،‬‬
‫د ﻻر‪ ١٠٠٠٣ ،‬د ﻻرات‪ ٩٩٩٩٩ ،‬د ﻻرا‪ .‬ﻣﺘﻮﺳﻂ ﻫﺬ اﻟﻘﻴﻢ ﻫﻮ ‪ ٢٨٠٠١‬د ﻻر‪ ،‬ﰲ ﺣني‬
‫أ اﻟﻮﺳﻴﻂ ﻫﻮ ‪ ١٠٠٠٢‬د ﻻر‪ .‬اﻵ ﻟﻨﻔﱰض أ اﻟﴩﻛﺔ ﺗﻌﺘﺰ ﺗﻮﻇﻴﻒ ﺧﻤﺴﺔ ﻣﻮﻇﻔني‬
‫ﺟﺪد؛ اﺣﺪ ﻟﻜﻞ درﺟﺔ‪ .‬رﺑﻤﺎ ﻳﺸري ﺻﺎﺣﺐ اﻟﻌﻤﻞ إﱃ أﻧﻪ ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﺳﻴﻀﻄﺮ »ﰲ‬
‫املﺘﻮﺳﻂ« ﻟﺪﻓﻊ راﺗﺐ إﺟﻤﺎﱄ ﻟﻠﻘﺎدﻣني اﻟﺠﺪد اﻟﺨﻤﺴﺔ ﻛﻠﻬﻢ ﻳﺒﻠﻎ ‪ ٢٨٠٠١‬د ﻻر؛ ﻣﻦ‬
‫ﺛﻢ ﻳﻜﻮ ﻫﺬا ﻫﻮ ﻣﺘﻮﺳﻂ اﻟﺮاﺗﺐ اﻟﺬ ﻳﺬﻛﺮ ﰲ اﻹﻋﻼ ‪ .‬ﻟﻜﻦ رﺑﻤﺎ ﻳﺸﻌﺮ املﻮﻇﻔﻮ أ‬
‫ﻫﺬا ﺗﺤﺎﻳﻞ؛ ﻷ ﻋﺪد املﻮﻇﻔني اﻟﺬﻳﻦ ﺳﻴﺪﻓﻊ ﻟﻬﻢ أﻗﻞ ﻣﻦ ‪ ١٠٠٠٢‬د ﻻرات ﺳﻴﺴﺎ ﻋﺪد‬

‫‪34‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫املﻮﻇﻔني اﻟﺬﻳﻦ ﺳﻴﺪﻓﻊ ﻟﻬﻢ ﻣﺒﻠﻎ أﻛﺜﺮ ﻣﻦ ‪ ١٠٠٠٢‬د ﻻرات‪ .‬رﺑﻤﺎ ﻳﺸﻌﺮ أﻧﻪ ﻣﻦ‬
‫اﻷﻛﺜﺮ ﺻﺪﻗﺎ ﺿﻊ ﻫﺬا اﻟﺮﻗﻢ ﰲ اﻹﻋﻼ ‪ .‬أﺣﻴﺎﻧﺎ ﻳﺘﻄﻠﺐ ﺗﺤﺪﻳﺪ أ املﻘﻴﺎﺳني ﻫﻮ املﻨﺎﺳﺐ‬
‫ﻳﺒني ﺷﻜﻞ ‪ 1-2‬ﺗﻮزﻳﻊ‬ ‫ﺗﻔﻜريا ﻣﺘﺄﻧﱢﻴﺎ‪ ) .‬ﰲ ﺣﺎ ﻛﻨﺖ ﺗﻌﺘﻘﺪ أ ﻫﺬ اﻟﺤﺠﺔ ﻣﺒﺘﺪﻋﺔ‪ ،‬ﱢ‬
‫ر اﺗﺐ ﻻﻋﺒﻲ اﻟﺒﻴﺴﺒﻮ اﻷﻣﺮﻳﻜﻲ ﻗﺒﻞ اﻹﴐاب ﰲ ﻋﺎ ‪ .١٩٩٤‬ﻛﺎ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ‬
‫‪ ١٫٢‬ﻣﻠﻴﻮ د ﻻر‪ ،‬ﻟﻜﻦ ﻛﺎ اﻟﻮﺳﻴﻂ ‪ ٠٫٥‬ﻣﻠﻴﻮ د ﻻر‪(.‬‬
‫ﻳﻮﺿﺢ ﻫﺬا املﺜﺎ أﻳﻀﺎ اﻟﺘﺄﺛري اﻟﻨﺴﺒﻲ ﻟﻠﻘﻴﻢ املﺘﻄ ﱢﺮﻓﺔ ﻋﲆ املﺘﻮﺳﻂ اﻟﻮﺳﻴﻂ‪.‬‬
‫ْ‬
‫ﻟﻜﻦ‬ ‫ﰲ ﻣﺜﺎ املﺮﺗﺒﺎت أﻋﻼ ‪ ،‬ﻳﺴﺎ املﺘﻮﺳﻂ ﻣﺎ ﻳﻘﺮب ﻣﻦ ﺛﻼﺛﺔ أﺿﻌﺎ اﻟﻮﺳﻴﻂ‪.‬‬
‫ﻟﻨﻔﱰض أ أﻛﱪ ﻗﻴﻤﺔ ﻛﺎﻧﺖ ‪ ١٠٠٠٤‬د ﻻرات ﺑﺪﻻ ﻣﻦ ‪ ٩٩٩٩٩‬د ﻻرا‪ ،‬ﺣﻴﻨﻬﺎ ﺳﻴﻈﻞ‬
‫)ﻧﺼﻒ اﻟﻘﻴﻢ أﻋﻼ ﻧﺼﻔﻬﺎ أدﻧﺎ (‪ ،‬ﱠإﻻ أ املﺘﻮﺳﻂ ﺳﻴﺘﻘ ﱠﻠﺺ‬
‫اﻟﻮﺳﻴﻂ ‪ ١٠٠٠٢‬د ﻻرات ْ‬
‫إﱃ ‪ ١٠٠٠٢‬د ﻻرات‪ .‬إ ﺣﺠﻢ ﻗﻴﻤﺔ اﺣﺪة ﻓﻘﻂ ﻳﻤﻜﻦ أ ﻳﻜﻮ ﻟﻪ ﺗﺄﺛري ﻛﺒري ﻋﲆ‬
‫املﺘﻮﺳﻂ‪ ،‬ﻟﻜﻨﻪ ﻻ ﻳﺆﺛﺮ ﻋﲆ اﻟﻮﺳﻴﻂ‪ .‬ﺣﺴﺎﺳﻴﺔ املﺘﻮﺳﻂ ﺗﻠﻚ ﺣﻴﺎ اﻟﻘﻴﻢ املﺘﻄﺮﻓﺔ ﻫﻲ‬
‫أﺣﺪ اﻷﺳﺒﺎب اﻟﺘﻲ ﺗﺠﻌﻞ اﻟﻮﺳﻴﻂ أﺣﻴﺎﻧﺎ ﻣﻔﻀﻼ ﰲ اﻻﺧﺘﻴﺎر ﻋﻦ املﺘﻮﺳﻂ‪.‬‬
‫ﱠ‬
‫املﻠﺨﺼني اﻟﻮﺣﻴﺪﻳﻦ ﻟﻠﻘﻴﻢ اﻟﺘﻤﺜﻴﻠﻴﺔ؛ ﻓﺜﻤﺔ ﻣﻠﺨﺺ آﺧﺮ‬ ‫ﻟﻴﺲ املﺘﻮﺳﻂ اﻟﻮﺳﻴﻂ‬
‫ﻣﻬﻢ ﻫﻮ »املﻨﻮا «؛ ﻫﻮ أﻛﺜﺮ اﻟﻘﻴﻢ ﺗﻜﺮارا ﰲ اﻟﻌﻴﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﻨﻔﱰض أﻧﻨﻲ‬
‫أﺣﴢ ﻋﺪد اﻷﻃﻔﺎ ﰲ اﻷﴎة ﰲ ﻣﺠﻤﻮﻋﺔ ﺳﻜﺎﻧﻴﺔ ﻣﻌﻴﻨﺔ‪ .‬رﺑﻤﺎ أﺟﺪ أ ﺑﻌﺾ اﻷﴎ ﻟﺪﻳﻬﺎ‬
‫ﻃﻔﻞ اﺣﺪ‪ ،‬ﺑﻌﻀﻬﺎ ﻟﺪﻳﻬﺎ ﻃﻔﻼ ‪ ،‬ﺑﻌﻀﻬﺎ ﺛﻼﺛﺔ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪ ،‬رﺑﻤﺎ أﺟﺪ ﻋﲆ ﺟﻪ‬
‫اﻟﺨﺼﻮص أ ﻋﺪد اﻷﴎ اﻟﺘﻲ ﻟﺪﻳﻬﺎ ﻃﻔﻼ أﻛﱪ ﻣﻦ أ ﻗﻴﻤﺔ أﺧﺮ ‪ .‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪،‬‬
‫ﺳﻴﻜﻮ ﻣﻨﻮا ﻋﺪد اﻷﻃﻔﺎ ﻟﻜﻞ أﴎة ﻫﻮ اﺛﻨني‪.‬‬

‫)‪ (2-2‬اﻟﺘﺸﺘﺖ‬

‫ﺗﻘ ﱢﺪ املﺘﻮﺳﻄﺎت — ﻋﲆ ﻏﺮار املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ اﻟﻮﺳﻴﻂ — ﻣﻠﺨﺼﺎت رﻗﻤﻴﺔ اﺣﺪة‬

‫ملﺠﻤﻮﻋﺎت ﻣﻦ اﻟﻘﻴﻢ اﻟﺮﻗﻤﻴﺔ‪ ،‬ﻫﻲ ﻣﻔﻴﺪة ﻷﻧﻬﺎ ﻳﻤﻜﻦ أ ﺗﻌﻄﻲ ﻣﺆﴍا ﻋﻦ اﻟﺤﺠﻢ اﻟﻌﺎ‬
‫ْ‬
‫ﻟﻜﻦ‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ ﰲ املﺜﺎ اﻟﺴﺎﺑﻖ‪ ،‬ﻳﻤﻜﻦ ﻟﻠﻘﻴﻢ اﻟﺘﻠﺨﻴﺼﻴﺔ‬ ‫ﻟﻠﻘﻴﻢ املﻮﺟﻮدة ﰲ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫اﻟﻮاﺣﺪة أ ﺗﻜﻮ ﻣﻀ ﱢﻠﻠﺔ‪ .‬ﻋﲆ ﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬ﻗﺪ ﺗﻨﺤﺮ اﻟﻘﻴﻢ اﻟﺘﻠﺨﻴﺼﻴﺔ اﻟﻮاﺣﺪة ﻛﺜريا‬
‫ﻋﻦ اﻟﻘﻴﻢ اﻟﻔﺮدﻳﺔ ﰲ ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎ ‪ .‬ﻟﺘﻮﺿﻴﺢ ذﻟﻚ‪ ،‬ﻟﻨﻔﱰض أ ﻟﺪﻳﻨﺎ ﻣﺠﻤﻮﻋﺔ ﻣﻦ‬
‫ﻣﻠﻴﻮ رﻗﻢ اﺣﺪ‪ ،‬ﻟﻬﺎ اﻟﻘﻴﻢ‪ .١٠٠٠٠٠٠ ،… ،٤ ،٣ ،٢ ،١ ،٠ :‬إ املﺘﻮﺳﻂ اﻟﻮﺳﻴﻂ‬
‫ﻛﻠﻴﻬﻤﺎ ﻟﻬﺬ املﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ ﻳﺴﺎ ‪ .٥٠٠٠٠٠‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ ﺗﻤﺎﻣﺎ أ ﻫﺬ‬

‫‪35‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫‪٤٠٠‬‬

‫‪٣٠٠‬‬
‫ﻣﻌﺪل اﻟﺘﻜﺮار‬

‫‪٢٠٠‬‬

‫‪١٠٠‬‬

‫‪٠‬‬
‫‪٠‬‬ ‫‪١‬‬ ‫‪٢‬‬ ‫‪٣‬‬ ‫‪٤‬‬ ‫‪٥‬‬ ‫‪٦‬‬
‫اﻟﺮواﺗﺐ ﺑﺎملﻠﻴﻮن دوﻻر‬

‫ﺷﻜﻞ ‪ :1-2‬ﺗﻮزﻳﻊ ر اﺗﺐ ﻻﻋﺒﻲ اﻟﺒﻴﺴﺒﻮ اﻷﻣﺮﻳﻜﻴني ﰲ ﻋﺎ ‪ .١٩٩٤‬ﻳﺒني املﺤﻮر اﻷﻓﻘﻲ‬

‫اﻟﺮ اﺗﺐ ﺑﺎملﻠﻴﻮ د ﻻر‪ ،‬ﻳﺒني املﺤﻮر اﻟﺮأﳼ أﻋﺪاد اﻟﻼﻋﺒني ﰲ ﻛﻞ ﻧﻄﺎ ﻣﻦ اﻟﺮ اﺗﺐ‪.‬‬

‫اﻟﻘﻴﻤﺔ ﻟﻴﺴﺖ ﻗﻴﻤﺔ »ﺗﻤﺜﻴﻠﻴﺔ« ﺟﻴﺪة ﻟﻠﻤﺠﻤﻮﻋﺔ‪ .‬ﻓﻌﲆ ﻃﺮﰲ املﺠﻤﻮﻋﺔ‪ ،‬ﺛﻤﺔ ﻗﻴﻤﺔ اﺣﺪة‬
‫أﻛﱪ ﺑﻨﺼﻒ ﻣﻠﻴﻮ ﻗﻴﻤﺔ اﺣﺪة أﺻﻐﺮ ﺑﻨﺼﻒ ﻣﻠﻴﻮ ﻣﻦ املﺘﻮﺳﻂ ) اﻟﻮﺳﻴﻂ(‪.‬‬
‫إ ﻣﺎ ﻧﻔﺘﻘﺪ ﻋﻨﺪﻣﺎ ﻧﻌﺘﻤﺪ ﻓﻘﻂ ﻋﲆ املﺘﻮﺳﻂ ﻟﺘﻠﺨﻴﺺ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻫﻮ‬
‫ﺑﻌﺾ املﺆﴍات ﺣﻮ ﻣﺪ اﻧﺘﺸﺎر اﻟﺒﻴﺎﻧﺎت ﺣﻮ ﻫﺬا املﺘﻮﺳﻂ؛ ﻫﻞ ﺑﻌﺾ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت‬
‫أﻛﱪ ﺑﻜﺜري ﻣﻦ املﺘﻮﺳﻂ؟ ﻫﻞ ﺑﻌﻀﻬﺎ أﺻﻐﺮ ﻣﻨﻪ ﺑﻜﺜري؟ أ إﻧﻬﺎ ﻣﺘﺠﻤﻌﺔ ﰲ ﺗﻘﺎرب ﺣﻮ‬
‫املﺘﻮﺳﻂ؟ ﻋﻤﻮﻣﺎ‪ ،‬ﻣﺎ ﻣﺪ اﺧﺘﻼ اﻟﻘﻴﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﺑﻌﻀﻬﺎ ﻋﻦ ﺑﻌﺾ؟ ﺗﻘ ﱢﺪ‬
‫املﻘﺎﻳﻴﺲ اﻹﺣﺼﺎﺋﻴﺔ ﻟﻠﺘﺸﺘﺖ ﻫﺬ املﻌﻠﻮﻣﺎت ﺑﺪﻗﺔ‪ ،‬ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ ﻣﻊ املﺘﻮﺳﻂ‪ ،‬ﻳﻮﺟﺪ‬
‫أﻛﺜﺮ ﻣﻦ ﻣﺠﺮد ﻣﻘﻴﺎس اﺣﺪ‪.‬‬

‫‪36‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫أﺑﺴﻂ ﻣﻘﺎﻳﻴﺲ اﻟﺘﺸﺘﺖ ﻫﻮ »املﺪ «؛ اﻟﺬ ﻳﻌ ﱠﺮ ﺑﺄﻧﻪ اﻟﻔﺮ ﺑني أﻛﱪ أﺻﻐﺮ‬
‫اﻟﻘﻴﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ .‬ﰲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺗﻨﺎ املﻜﻮﻧﺔ ﻣﻦ ﻣﻠﻴﻮ رﻗﻢ اﺣﺪ‪ ،‬املﺪ‬
‫ﻫﻮ‪ .١٠٠٠٠٠٠ = ٠ − ١٠٠٠٠٠٠ :‬ﰲ ﻣﺜﺎ اﻟﺮ اﺗﺐ اﻟﺨﻤﺴﺔ‪ ،‬املﺪ ﻫﻮ‪٩٩٩٩٩ :‬‬
‫ﻳﺒني ﻫﺬا املﺜﺎﻻ — اﻟﻠﺬا ﻳﻤﺘﻠﻜﺎ ﻣﺪ ﻛﺒريا — أﻧﻪ ﻳﻮﺟﺪ‬ ‫ﱢ‬ ‫‪.٨٩٩٩٩ = ١٠٠٠٠ −‬‬
‫اﺧﺘﻼ ﻛﺒري ﻋﻦ املﺘﻮﺳﻂ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﺎ املﻮﻇﻔﻮ ﻳﺘﻘﺎﺿ ْﻮ ر اﺗﺐ ﺗﺒﻠﻎ‬
‫‪ ٢٧٩٩٩‬د ﻻرا‪ ٢٨٠٠٠ ،‬د ﻻر‪ ٢٨٠٠١ ،‬د ﻻر‪ ٢٨٠٠٢ ،‬د ﻻر‪ ٢٨٠٠٣ ،‬د ﻻرات‪ ،‬ﻓﺈ‬
‫املﺘﻮﺳﻂ ﺳﻴﻜﻮ أﻳﻀﺎ ‪ ٢٨٠٠١‬د ﻻر‪ ،‬ﻟﻜﻦ ﺳﻴﻜﻮ املﺪ ‪ ٤‬د ﻻرات ﻓﻘﻂ‪ .‬ﻫﺬا ﻳﺮﺳﻢ‬
‫ﺻﻮرة ﻣﺨﺘﻠﻔﺔ ﺟﺪٍّا ﺗﺨﱪﻧﺎ أ املﻮﻇﻔني ﻣﻊ ﻫﺬ اﻟﺮ اﺗﺐ اﻟﺠﺪﻳﺪة ﺳﻴﺘﻘﺎﺿ ْﻮ اﻷﺟﺮ‬
‫ﻧﻔﺴﻪ ﺗﻘﺮﻳﺒﺎ‪ .‬أﻣﺎ املﺪ اﻟﻜﺒري ﻣﻦ املﺜﺎ اﻟﺴﺎﺑﻖ — اﻟﺒﺎﻟﻎ ‪ ٨٩٩٩٩‬د ﻻرا — ﻓﻴﺨﱪﻧﺎ ﻋﲆ‬
‫اﻟﻔﻮر أﻧﻪ ﺗﻮﺟﺪ اﺧﺘﻼﻓﺎت ﺿﺨﻤﺔ‪.‬‬
‫املﺪ ﻣﻘﻴﺎس ﻣﻼﺋﻢ ﻟﻠﻐﺎﻳﺔ ﻟﻪ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺨﺼﺎﺋﺺ اﻟﺠﺬاﺑﺔ ﻛﻤﻘﻴﺎس ﻟﻠﺘﺸﺘﺖ‪ ،‬ﻣﻦ‬
‫أﻫﻤﻬﺎ ﺑﺴﺎﻃﺘﻪ إﻣﻜﺎﻧﻴﺔ ﺗﻔﺴري اﻟﺴﻬﻠﺔ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻣﻦ املﻤﻜﻦ أ ﻧﺸﻌﺮ أﻧﻪ ﻟﻴﺲ ﻣﺜﺎﻟﻴٍّﺎ؛‬
‫ﻓﻬﻮ رﻏﻢ ﻛﻞ ﳾء ﻳﺘﺠﺎﻫﻞ ﻣﻌﻈﻢ اﻟﺒﻴﺎﻧﺎت؛ ﺣﻴﺚ ﻳﻌﺘﻤﺪ ﻓﻘﻂ ﻋﲆ أﻛﱪ اﻟﻘﻴﻢ أﺻﻐﺮﻫﺎ‪.‬‬
‫ﻟﻠﺘﻮﺿﻴﺢ‪ ،‬ﺗﺨﻴﱠ ْﻞ ﻣﺠﻤﻮﻋﺘني ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﺗﺘﺄﻟﻒ ﻛ ﱞﻞ ﻣﻨﻬﻤﺎ ﻣﻦ أﻟﻒ ﻗﻴﻤﺔ‪ .‬ﺗﺘﻀﻤﻦ إﺣﺪ‬
‫املﺠﻤﻮﻋﺘني ﻗﻴﻤﺔ اﺣﺪة ﺗﺒﻠﻎ ‪ ٩٩٨ ،٠‬ﻗﻴﻤﺔ ﺗﺒﻠﻎ ‪ ،٥٠٠‬ﻗﻴﻤﺔ اﺣﺪة ﺗﺒﻠﻎ ‪.١٠٠٠‬‬
‫ﺗﺘﻀﻤﻦ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت اﻷﺧﺮ ‪ ٥٠٠‬ﻗﻴﻤﺔ ﺗﺒﻠﻎ ‪ ٥٠٠ ،٠‬ﻗﻴﻤﺔ ﺗﺒﻠﻎ ‪ .١٠٠٠‬ﻣﺪ‬
‫ﻛﻠﺘﺎ ﻣﺠﻤﻮﻋﺘﻲ اﻟﺒﻴﺎﻧﺎت ﻫﻮ ‪ ) ١٠٠٠‬ﺑﺎملﺼﺎدﻓﺔ‪ ،‬ﻟﻜﻞ ﻣﻨﻬﻤﺎ أﻳﻀﺎ ﻣﺘﻮﺳﻂ ﻳﺒﻠﻎ ‪،(٥٠٠‬‬
‫ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أﻧﻬﻤﺎ ﻣﺨﺘﻠﻔﺘﺎ ﻟﻠﻐﺎﻳﺔ ﰲ ﻃﺒﻴﻌﺘﻬﻤﺎ؛ ﻓﺒﺎﻟﱰﻛﻴﺰ ﻓﻘﻂ ﻋﲆ أﻛﱪ اﻟﻘﻴﻢ‬
‫أﺻﻐﺮﻫﺎ‪ ،‬ﻓﺸﻞ املﺪ ﰲ ﻛﺸﻒ ﺣﻘﻴﻘﺔ أ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت اﻷ ﱃ ﺗﱰﻛﺰ ﻏﺎﻟﺒﺎ ﺑﻜﺜﺎﻓﺔ‬
‫ﺣﻮ املﺘﻮﺳﻂ‪.‬‬
‫ﻳﻤﻜﻦ اﻟﺘﻐﻠﺐ ﻋﲆ ﻫﺬا اﻟﻘﺼﻮر ﺑﺎﺳﺘﺨﺪا ﻣﻘﻴﺎس ﻟﻠﺘﺸﺘﺖ ﻳﻀﻊ اﻟﻘﻴﻢ »ﻛﻠﻬﺎ« ﰲ‬
‫اﻻﻋﺘﺒﺎر‪.‬‬
‫إﺣﺪ اﻟﻄﺮ اﻟﺸﺎﺋﻌﺔ ﻟﻠﻘﻴﺎ ﺑﺬﻟﻚ ﻫﻲ أ ﺗﺤﺴﺐ اﻟﻔﺮ ﺑني املﺘﻮﺳﻂ )اﻟﺤﺴﺎﺑﻲ(‬
‫ﻛﻞ رﻗﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﺗﻘﻮ ﺑﱰﺑﻴﻊ ﻫﺬ اﻟﻔﺮ ؛ ﻣﻦ ﺛﻢ ﺗﺤﺴﺐ ﻣﺘﻮﺳﻂ‬
‫ﻫﺬ اﻻﺧﺘﻼﻓﺎت املﺮﺑﻌﺔ‪) .‬ﺗﺮﺑﻴﻊ اﻟﻔﺮ ﻳﺠﻌﻞ اﻟﻘﻴﻢ ﺟﻤﻴﻌﻬﺎ ﻣﻮﺟﺒﺔ‪ .‬ﻓﺒﺨﻼ ذﻟﻚ‪،‬‬
‫ﺳﻮ ﺗﻠﻐﻲ اﻟﻔﺮ املﻮﺟﺒﺔ اﻟﺴﺎﻟﺒﺔ ﺑﻌﻀﻬﺎ ﺑﻌﻀﺎ ﻋﻨﺪﻣﺎ ﻧﻘﻮ ﺑﺤﺴﺎب املﺘﻮﺳﻂ‪(.‬‬
‫إذا ﻛﺎ املﺘﻮﺳﻂ اﻟﻨﺎﺗﺞ ﻋﻦ اﻟﻔﺮ املﺮﺑﻌﺔ ﺻﻐريا‪ ،‬ﻓﺈﻧﻪ ﻳﺨﱪﻧﺎ ﰲ اﻟﻌﺎدة أ اﻷرﻗﺎ‬
‫ﻟﻴﺴﺖ ﻣﺨﺘﻠﻔﺔ ﻛﺜريا ﻋﻦ ﻣﺘﻮﺳﻄﻬﺎ؛ ﻫﺬا ﻳﻌﻨﻲ أﻧﻬﺎ ﻟﻴﺴﺖ ﻣﺸﺘﺘﺔ ﻋﲆ ﻧﻄﺎ اﺳﻊ‪.‬‬

‫‪37‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻳﺴﻤﱠ ﻰ ﻣﻘﻴﺎس ﻣﺘﻮﺳﻂ اﻟﻔﺮ املﺮﺑﻌﺔ »ﺗﺒﺎﻳﻦ« اﻟﺒﻴﺎﻧﺎت؛ أ ﻳﺴﻤﱠ ﻰ ﰲ ﺑﻌﺾ اﻟﺘﺨﺼﺼﺎت‬
‫»ﻣﺘﻮﺳﻂ ﻣﺮﺑﻌﺎت اﻧﺤﺮاﻓﺎت اﻟﻘﻴﻢ«‪ .‬ﺳﻨﻮﺿﺢ اﻷﻣﺮ ﺑﺎﺳﺘﺨﺪا درﺟﺎت اﻟﻄﻼب اﻟﺨﻤﺴﺔ‬
‫ﰲ اﻻﺧﺘﺒﺎر اﻟﺘﻲ ﻛﺎﻧﺖ ‪ ،٥٥ ،٩١ ،٥٣ ،٦٣ ،٧٨‬ﻛﺎ ﻣﺘﻮﺳﻄﻬﺎ ‪ .٦٨‬اﻟﻔﺎر املﺮﺑﻊ ﺑني‬
‫اﻟﻨﺘﻴﺠﺔ اﻷ ﱃ املﺘﻮﺳﻂ ﻫﻮ )‪ ،١٠٠ = ٢ (٦٨ − ٧٨‬ﻫﻜﺬا‪ .‬ﻣﺠﻤﻮع اﻟﻔﺮ املﺮﺑﻌﺔ ﻫﻮ‬
‫‪١٠٤٨ = ١٦٩ + ٥٢٩ + ٢٢٥ + ٢٥ + ١٠٠‬؛ ﻣﻦ ﺛﻢ ﻓﺈ ﻣﺘﻮﺳﻂ ﻣﺮﺑﻌﺎت اﻧﺤﺮاﻓﺎت‬
‫اﻟﻘﻴﻢ ﻫﻮ ‪ .٢٠٩٫٦ = ٥ ÷ ١٠٤٨‬ﻫﺬا ﻫﻮ اﻟﺘﺒﺎﻳﻦ‪.‬‬
‫ﻳﻨﺸﺄ ﺗﻌﻘﻴﺪ ﻃﻔﻴﻒ ﻣﻦ ﺣﻘﻴﻘﺔ أ اﻟﺘﺒﺎﻳﻦ ﻳﻨﻄﻮ ﻋﲆ ﻗﻴﻢ ﻣﺮﺑﻌﺔ؛ ﻫﺬا ﻳﻌﻨﻲ أ‬
‫اﻟﺘﺒﺎﻳﻦ ﻧﻔﺴﻪ ﻳﻘﺎس ﺑ » ﺣﺪات ﻣﺮﺑﻌﺔ«‪ .‬ﻓﺈذا ﻛﻨﺎ ﻧﻘﻴﺲ إﻧﺘﺎﺟﻴﺔ املﺰارع ﻣﻦ ﺣﻴﺚ أﻃﻨﺎ‬
‫اﻟﺬرة‪ ،‬ﻓﺈ ﺗﺒﺎﻳﻦ اﻟﻘﻴﻢ ﻳﻘﺎس ﺑ »اﻟﻄﻦ املﺮﺑﻊ«‪ .‬ﻟﻴﺲ ﺗﺄﺛري ﻫﺬا اﻷﻣﺮ اﺿﺤﺎ‪ ،‬ﺑﺴﺒﺐ ﻫﺬ‬
‫اﻟﺼﻌﻮﺑﺔ‪ ،‬ﻣﻦ اﻟﺸﺎﺋﻊ أ ﻧﺤﺴﺐ اﻟﺠﺬر اﻟﱰﺑﻴﻌﻲ ﻟﻠﺘﺒﺎﻳﻦ‪ .‬ﻫﺬا ﻳﻌﻴﺪ ﺣﺪات اﻟﻘﻴﺎس إﱃ‬
‫ﺻﻮرﺗﻬﺎ اﻷﺻﻠﻴﺔ‪ ،‬ﻳﻨﺘﺞ ﻣﻘﻴﺎﺳﺎ ﻟﻠﺘﺸﺘﺖ ﻳﺴﻤﱠ ﻰ »اﻻﻧﺤﺮا املﻌﻴﺎر «‪ .‬ﰲ املﺜﺎ اﻟﺴﺎﺑﻖ‪،‬‬
‫ﻳﺘﻤﺜﻞ اﻻﻧﺤﺮا املﻌﻴﺎر ﻟﺪرﺟﺎت اﻟﻄﻼب ﰲ اﻻﺧﺘﺒﺎر ﰲ اﻟﺠﺬر اﻟﱰﺑﻴﻌﻲ ﻟﻠﻌﺪد ‪،٢٠٩٫٦‬‬
‫ﻫﻮ ‪.١٤٫٥‬‬
‫ﻳﺘﻐﻠﺐ اﻻﻧﺤﺮا املﻌﻴﺎر ﻋﲆ املﺸﻜﻠﺔ اﻟﺘﻲ ﺟﺪﻧﺎﻫﺎ ﻣﻊ املﺪ ؛ ﻓﻬﻮ ﻳﺴﺘﺨﺪ‬
‫اﻟﺒﻴﺎﻧﺎت ﻛﺎﻓﺔ‪ .‬ﻓﺈذا ﺗﺠﻤﻌﺖ ﻣﻌﻈﻢ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﺛﻴﻖ ﺟﺪٍّا ﻣﻌﺎ‪ ،‬ﻣﻊ ﺟﻮد‬
‫ﻋﺪد ﻗﻠﻴﻞ ﻣﻦ اﻟﻨﻘﺎط اﻟﻨﺎﺋﻴﺔ‪ ،‬ﻓﺴﻴﻌﻨﻲ ذﻟﻚ أ اﻻﻧﺤﺮا املﻌﻴﺎر ﺻﻐري‪ .‬ﰲ املﻘﺎﺑﻞ‪،‬‬
‫إذا ﻛﺎﻧﺖ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت ﺗﺘﺨﺬ ﻗﻴﻤﺎ ﻣﺨﺘﻠﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ ،‬ﺣﺘﻰ إذا ﻛﺎﻧﺖ ﺗﺘﺨﺬ اﻟﻘﻴﻢ اﻷﻛﱪ‬
‫اﻷﺻﻐﺮ ﻧﻔﺴﻬﺎ‪ ،‬ﻓﺈ اﻻﻧﺤﺮا املﻌﻴﺎر ﺳﻴﻜﻮ أﻛﱪ ﺑﻜﺜري‪.‬‬

‫)‪ (3-2‬اﻻﻟﺘﻮاء‬

‫ﺗﺨﱪﻧﺎ ﻣﻘﺎﻳﻴﺲ اﻟﺘﺸﺘﺖ ﺑﻤﺪ اﻧﺤﺮا اﻟﻘﻴﻢ املﻔﺮدة ﺑﻌﻀﻬﺎ ﻋﻦ ﺑﻌﺾ‪ ،‬ﻟﻜﻨﻬﺎ ﻻ ﺗﺨﱪﻧﺎ‬
‫ﺑﻄﺮﻳﻘﺔ اﻧﺤﺮاﻓﻬﺎ‪ .‬ﺑﺎﻟﺘﺤﺪﻳﺪ ﻻ ﺗﺨﱪﻧﺎ ﻣﺎ إذا ﻛﺎﻧﺖ اﻻﻧﺤﺮاﻓﺎت اﻷﻛﱪ ﺗﻤﻴﻞ إﱃ أ ﺗﻜﻮ‬
‫ﻟﺪ اﻟﻘﻴﻢ اﻟﻜﱪ أ اﻟﻘﻴﻢ اﻟﺼﻐﺮ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ .‬ﺗﺬ ﱠﻛ ْﺮ ﻣﺜﺎﻟﻨﺎ ﻋﻦ ﻣﻮﻇﻔﻲ اﻟﴩﻛﺔ‬
‫اﻟﺨﻤﺴﺔ‪ ،‬اﻟﺬ ﻳﺤﺼﻞ ﻓﻴﻪ أرﺑﻌﺔ ﻣﻮﻇﻔني ﻋﲆ ﺣﻮاﱄ ‪ ١٠٠٠٠‬د ﻻر ﺳﻨﻮﻳٍّﺎ‪ ،‬ﺑﻴﻨﻤﺎ ﻳﺤﺼﻞ‬
‫ﻣﻮﻇﻒ اﺣﺪ ﻋﲆ ﺣﻮاﱄ ﻋﴩة أﺿﻌﺎ ذﻟﻚ‪ .‬ﻣﻦ ﺷﺄ أ ﻣﻘﻴﺎس ﻟﻠﺘﺸﺘﺖ )اﻻﻧﺤﺮا‬
‫املﻌﻴﺎر ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ( أ ﻳﺨﱪﻧﺎ أ اﻟﻘﻴﻢ ﻣﺸﺘﺘﺔ ﻋﲆ ﻧﻄﺎ اﺳﻊ ﺟﺪٍّا‪ ،‬ﻟﻜﻨﻪ ﻟﻦ‬
‫ﻳﺨﱪﻧﺎ أ إﺣﺪ اﻟﻘﻴﻢ أﻛﱪ ﺑﻜﺜري ﻣﻦ اﻟﻘﻴﻢ اﻷﺧﺮ ‪ .‬ﺑﺎﻟﻔﻌﻞ‪ ،‬ﻓﺈ اﻻﻧﺤﺮا املﻌﻴﺎر‬

‫‪38‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ﻟﻠﻘﻴﻢ اﻟﺨﻤﺴﺔ ‪ ٩٠٠٠٠‬د ﻻر‪ ٨٩٩٩٩ ،‬د ﻻرا‪ ٨٩٩٩٨ ،‬د ﻻرا‪ ٨٩٩٩٧ ،‬د ﻻرا‪ ١ ،‬د ﻻر؛‬
‫ﻫﻮ ﺑﺎﻟﻀﺒﻂ ﻧﻔﺴﻪ ﻟﻠﻘﻴﻢ اﻟﺨﻤﺴﺔ اﻷﺻﻠﻴﺔ‪ .‬املﺨﺘﻠﻒ ﻫﻨﺎ ﻫﻮ أ اﻟﻘﻴﻤﺔ اﻟﺸﺎذة )ﻗﻴﻤﺔ‬
‫‪ ١‬د ﻻر( اﻵ ﺻﻐرية ﺟﺪٍّا ﺑﺪﻻ ﻣﻦ ﻛﻮﻧﻬﺎ ﻛﺒرية ﺟﺪٍّا‪ .‬ﻟﺮﺻﺪ ﻫﺬا اﻻﺧﺘﻼ ‪ ،‬ﻧﺤﺘﺎج إﱃ‬
‫إﺣﺼﺎﺋﻴﺔ أﺧﺮ ﻟﺘﻠﺨﻴﺺ اﻟﺒﻴﺎﻧﺎت‪ ،‬إﺣﺼﺎﺋﻴﺔ ﺗﻀﻊ ﰲ اﻻﻋﺘﺒﺎر ﺗﻘﻴﺲ »ﻋﺪ اﻟﺘﻨﺎﻇﺮ« ﰲ‬
‫ﺗﻮزﻳﻊ اﻟﻘﻴﻢ‪ .‬ﻳﺴﻤﱠ ﻰ أﺣﺪ أﻧﻮاع ﻋﺪ اﻟﺘﻨﺎﻇﺮ ﰲ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ »اﻻﻟﺘﻮاء«‪ .‬ﻳﻌﺪ ﻣﺜﺎﻟﻨﺎ اﻷﺻﲇ‬
‫ﻟﺮ اﺗﺐ املﻮﻇﻔني‪ ،‬اﻟﺬ ﻳﻤﺘﻠﻚ ﻗﻴﻤﺔ اﺣﺪة ﻛﺒرية ﻋﲆ ﻧﺤﻮ ﺷﺎذ ﺗﺒﻠﻎ ‪ ٩٩٩٩٩‬د ﻻرا‪،‬‬
‫»أﻳﻤﻦ اﻻﻟﺘﻮاء« )أ ﻣﻮﺟﺐ اﻻﻟﺘﻮاء(؛ ﻷ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ ﻳﻤﺘﻠﻚ »ذﻳﻼ« ﻃﻮﻳﻼ ﻳﻤﺘﺪ إﱃ ﻗﻴﻤﺔ‬
‫اﺣﺪة ﻛﺒرية ﻟﻠﻐﺎﻳﺔ ﻫﻲ ‪ ٩٩٩٩٩‬د ﻻرا‪ .‬ﻟﻬﺬا اﻟﺘﻮزﻳﻊ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻘﻴﻢ اﻟﺼﻐﺮ ﻋﺪد‬
‫ﻗﻠﻴﻞ ﻟﻠﻐﺎﻳﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﻜﱪ ‪ .‬ﰲ املﻘﺎﺑﻞ‪ ،‬ﻓﺈ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﺬﻛﻮر ﺳﺎﺑﻘﺎ‪ ،‬اﻟﺬ ﻳﺘﻀﻤﻦ‬
‫ﺷﺬ ذا ﻋﻨﺪ ﻗﻴﻤﺔ ‪ ١‬د ﻻر‪ ،‬ﻳﻜﻮ »أﻳﴪ اﻻﻟﺘﻮاء« )أ ﺳﺎﻟﺐ اﻻﻟﺘﻮاء(؛ ﻷ اﻟﺠﺰء اﻷﻛﱪ ﻣﻦ‬
‫اﻟﻘﻴﻢ ﻳﱰاﻛﻢ ﻣﻌﺎ‪ ،‬ﻳﻮﺟﺪ ذﻳﻞ ﻃﻮﻳﻞ ﻳﻤﺘﺪ ﻟﻸﺳﻔﻞ ﻧﺤﻮ اﻟﻘﻴﻤﺔ املﻔﺮدة اﻟﺼﻐرية ﺟﺪٍّا‪.‬‬
‫اﻟﺘﻮزﻳﻌﺎت املﻮﺟﺒﺔ اﻻﻟﺘﻮاء ﺷﺎﺋﻌﺔ ﻛﺜريا‪ ،‬املﺜﺎ اﻟﻜﻼﺳﻴﻜﻲ ﻋﻠﻴﻬﺎ ﻫﻮ ﺗﻮزﻳﻊ اﻟﺜﺮ ة‪،‬‬
‫اﻟﺬ ﻳﻤﺘﻠﻚ ﻓﻴﻪ اﻟﻌﺪﻳﺪ ﻣﻦ اﻷﻓﺮاد ﻣﺒﺎﻟﻎ ﺻﻐرية ﻓﻴﻤﺎ ﻳﻤﺘﻠﻚ ﻋﺪد ﻗﻠﻴﻞ ﻓﺤﺴﺐ ﻣﻦ‬
‫اﻷﻓﺮاد ﻣﻠﻴﺎرات ﻋﺪة ﻣﻦ اﻟﺪ ﻻرات‪ .‬ﻳﻌ ﱡﺪ ﺗﻮزﻳﻊ ر اﺗﺐ ﻻﻋﺒﻲ اﻟﺒﻴﺴﺒﻮ ﰲ اﻟﺸﻜﻞ ‪1-2‬‬
‫ﺗﻮزﻳﻌﺎ ﻣﻮﺟﺐ اﻻﻟﺘﻮاء ﺑﺸﺪة‪.‬‬

‫)‪ (4-2‬املﻘﺎﻳﻴﺲ اﻟﺘﺠﺰﻳﺌﻴﺔ‬

‫ﺗﻘ ﱢﺪ اﻟﻘﻴﻢ املﺘﻮﺳﻄﺔ ﻣﻘﺎﻳﻴﺲ اﻟﺘﺸﺘﺖ ﻣﻘﺎﻳﻴﺲ اﻻﻟﺘﻮاء ﻣﻠﺨﺼﺎت إﺣﺼﺎﺋﻴﺔ إﺟﻤﺎﻟﻴﺔ‪،‬‬
‫ﻓﺘﻜﺜﻒ اﻟﻘﻴﻢ املﻮﺟﻮدة ﰲ اﻟﺘﻮزﻳﻊ إﱃ أﻋﺪاد ﻗﻠﻴﻠﺔ ﻳﺴﻬﻞ اﻟﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬رﺑﻤﺎ‬
‫ﻳﻜﻮ اﻫﺘﻤﺎﻣﻨﺎ ﻣﻘﺼﻮرا ﻋﲆ أﺟﺰاء ﻓﻘﻂ ﻣﻦ اﻟﺘﻮزﻳﻊ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻧﻜﻮ‬
‫ﻣﻬﺘﻤني ﻓﺤﺴﺐ ﺑﺄﻛﱪ أ أﺻﻐﺮ ﺑﻀﻊ ﻗﻴﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت؛ ﻣﺜﻼ‪ ،‬أﻛﱪ ‪ ٪٥‬ﻣﻦ اﻟﻘﻴﻢ‪.‬‬
‫ا ْﻟﺘﻘﻴْﻨﺎ ﺑﺎﻟﻔﻌﻞ اﻟﻮﺳﻴﻂ؛ ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﺗﻜﻮ ﻣﻮﺟﻮدة ﰲ ﻣﻨﺘﺼﻒ اﻟﺒﻴﺎﻧﺎت؛ ﺑﻤﻌﻨﻰ‬
‫أ ‪ ٪٥٠‬ﻣﻦ اﻟﻘﻴﻢ أﻛﱪ ﻣﻨﻬﺎ ‪ ٪٥٠‬أﺻﻐﺮ ﻣﻨﻬﺎ‪ .‬ﻳﻤﻜﻦ ﺗﻌﻤﻴﻢ ﻫﺬ اﻟﻔﻜﺮة؛ ﻓﻌﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎ ‪» ،‬اﻟ ﱡﺮﺑﻴْﻊ اﻷﻋﲆ« ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷرﻗﺎ ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮ ‪) ٪٢٥‬أ اﻟﺮﺑﻊ(‬
‫ﻣﻦ ﻗﻴﻢ اﻟﺒﻴﺎﻧﺎت أﻛﱪ ﻣﻨﻬﺎ‪ ،‬أﻣﺎ »اﻟ ﱡﺮﺑﻴْﻊ اﻷدﻧﻰ« ﻓﻬﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮ ‪ ٪٢٥‬ﻣﻦ ﻗﻴﻢ‬
‫اﻟﺒﻴﺎﻧﺎت أﺻﻐﺮ ﻣﻨﻬﺎ‪.‬‬
‫ﴤ ﰲ ﻫﺬ اﻟﺘﺠﺰﺋﺔ ﺑﺪرﺟﺔ أﻛﱪ ﻧﺠﺪ أ ﻟﺪﻳﻨﺎ »اﻟﻌﺸ ْري« )اﻟﺬ ﻳﻘﺴﻢ ﻣﺠﻤﻮﻋﺔ‬ ‫ﺑﺎمل ﱢ‬
‫اﻟﺒﻴﺎﻧﺎت إﱃ أﻋﺸﺎر‪ ،‬ﻣﻦ اﻟﻌﺸ ْري اﻷدﻧﻰ ﺻﻮﻻ إﱃ اﻟﻌﺸ ْري اﻷﻋﲆ( »املﺆ ﱠ « )اﻟﺬ ﻳﻘﺴﻢ‬

‫‪39‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺒﻴﺎﻧﺎت إﱃ ﴍاﺋﺢ ﻣﺌﻮﻳﺔ(‪ .‬ﻫﻜﺬا ﻳﻤﻜﻦ ﺻﻒ ﺷﺨﺺ ﺑﺄﻧﻪ ﺣﻘﻖ ﻧﺘﻴﺠﺔ ﻓﻮ املﺆ ﱢ‬
‫اﻟﺨﺎﻣﺲ اﻟﺘﺴﻌني؛ ﻫﺬا ﻳﻌﻨﻲ أﻧﻪ ﰲ أﻋﲆ ‪ ٪٥‬ﻣﻦ ﻣﺠﻤﻮﻋﺔ اﻟﻨﺘﺎﺋﺞ‪ .‬املﺼﻄﻠﺢ اﻟﻌﺎ —‬
‫اﻟﺬ ﻳﺘﻀﻤﻦ اﻟ ﱡﺮﺑﻴْﻊ اﻟﻌﺸ ْري املﺆ ﱠ ﻏريﻫﺎ ﻛﺤﺎﻻت ﺧﺎﺻﺔ — ﻫﻮ »املﻘﺎﻳﻴﺲ اﻟﺘﺠﺰﻳﺌﻴﺔ«‪.‬‬

‫‪40‬‬
 ‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‬

‫ﲨﻊ ﺑﻴﺎﻧﺎت ﺻﺎﳊﺔ‬

‫اﻟﺒﻴﺎﻧﺎت اﻟﺨﺎ ﻣﺜﻞ اﻟﺒﻄﺎﻃﺲ اﻟﺨﺎ ؛ ﻋﺎدة ﻣﺎ ﺗﺘﻄﻠﺐ ﺗﻨﻈﻴﻔﺎ ﻗﺒﻞ اﻻﺳﺘﺨﺪا ‪.‬‬
‫ر ﻧﺎﻟﺪ إﻳﻪ ﺛﻴﺴﺘﺪ‬

‫ﱢ‬
‫ﺗﻮﻓﺮ اﻟﺒﻴﺎﻧﺎت ﻧﺎﻓﺬة ﻋﲆ اﻟﻌﺎﻟﻢ‪ ،‬ﻟﻜﻦ ﻣﻦ املﻬﻢ أ ﺗﻤﻨﺤﻨﺎ رؤﻳﺔ اﺿﺤﺔ‪ .‬إ اﻟﻨﺎﻓﺬة‬
‫اﻟﺘﻲ ﺗﻌﺎﻧﻲ ﻣﻦ اﻟﺨﺪ ش أ اﻟﺘﺸﻮﻫﺎت أ ﺟﻮد ﻋﻼﻣﺎت ﻋﲆ زﺟﺎﺟﻬﺎ ﻣﻦ املﺮﺟﱠ ﺢ أ‬
‫ﺗﻀ ﱢﻠﻠﻨﺎ ﺣﻴﺎ ﻣﺎ ﻳﻜﻤﻦ راءﻫﺎ‪ ،‬ﻳﻨﻄﺒﻖ اﻷﻣﺮ ﻧﻔﺴﻪ ﻋﲆ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻓﺈذا ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت‬
‫ﻣﺸﻮﱠﻫﺔ أ ﺗﺎﻟﻔﺔ ﺑﻄﺮﻳﻘﺔ ﻣﺎ‪ ،‬ﻳﻤﻜﻦ ﺑﺴﻬﻮﻟﺔ أ ﺗﻨﺸﺄ ﻋﻨﻬﺎ اﺳﺘﻨﺘﺎﺟﺎت ﺧﺎﻃﺌﺔ‪ .‬ﻋﻤﻮﻣﺎ‪،‬‬
‫ﻟﻴﺴﺖ ﻛﻞ اﻟﺒﻴﺎﻧﺎت ذات ﺟﻮدة ﻋﺎﻟﻴﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻨﻨﻲ أ أﺗﻌﻤﻖ أﻛﺜﺮ أﺷري إﱃ أﻧﻪ‬
‫ﻣﻦ اﻟﻨﺎدر أ ﺗﻘﺎﺑﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻟﻴﺲ ﺑﻬﺎ ﻣﺸﺎﻛﻞ ﰲ اﻟﺠﻮدة ﻣﻦ أ ﻧﻮع‪ ،‬رﺑﻤﺎ‬
‫إﱃ ﺣﺪ أﻧﻚ إذا ﻗﺎﺑﻠﺖ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ﻣﺜﻞ ﻫﺬ اﻟﺒﻴﺎﻧﺎت »املﺜﺎﻟﻴﺔ« ﻓﻼ ﺑﺪ أ ﺗﺸﻚ ﻓﻴﻬﺎ‪.‬‬
‫رﺑﻤﺎ ﻳﺠﺐ ﻋﻠﻴﻚ ﻗﺘﻬﺎ أ ﺗﺴﺄ ﻋﻦ ﻋﻤﻠﻴﺎت اﻹﻋﺪاد اﻟﺘﻲ ﺧﻀﻌﺖ ﻟﻬﺎ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫اﻟﺘﻲ ﺗﺠﻌﻠﻬﺎ ﺗﺒﺪ ﻣﺜﺎﻟﻴﺔ‪ .‬ﺳﻮ ﻧﻌﻮد إﱃ ﻣﺴﺄﻟﺔ اﻹﻋﺪاد ﻻﺣﻘﺎ‪.‬‬
‫ﺗﻤﻴﻞ اﻟﺘﻮﺻﻴﻔﺎت اﻟﻘﻴﺎﺳﻴﺔ ﻟﻸﻓﻜﺎر اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ املﻮﺟﻮدة ﰲ اﻟﻜﺘﺐ إﱃ‬
‫اﻓﱰاض أ اﻟﺒﻴﺎﻧﺎت ﻟﻴﺲ ﺑﻬﺎ ﻣﺸﺎﻛﻞ ) ﻫﻨﺎ ﻳﺼﻒ ﺧﱪاء اﻹﺣﺼﺎء اﻟﺒﻴﺎﻧﺎت ﺑﺄﻧﻬﺎ‬
‫»ﻧﻈﻴﻔﺔ«‪ ،‬ﰲ ﻣﻘﺎﺑﻞ اﻟﺒﻴﺎﻧﺎت »املﻠﻮﺛﺔ« أ »اﻟﻔﻮﺿﻮﻳﺔ«(‪ .‬ﻫﺬا أﻣﺮ ﻣﻔﻬﻮ ؛ ﻷ اﻟﻬﺪ ﻣﻦ‬
‫ﻫﺬ اﻟﻜﺘﺐ ﻫﻮ ﺻﻒ اﻟﻄﺮ ‪ ،‬ﻳﻨﺘﻘﺺ ﻣﻦ ﺿﻮح اﻟﻮﺻﻒ ﻗﻮ ﻣﺎ ﻳﺠﺐ اﻟﻘﻴﺎ ﺑﻪ إذا‬
‫ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت ﻟﻴﺴﺖ ﻛﻤﺎ ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻓﺈ ﻫﺬا اﻟﻜﺘﺎب ﻣﺨﺘﻠﻒ إﱃ ﺣ ﱟﺪ‬
‫ﻧﻘﻞ ﻧﻜﻬﺔ املﺠﺎ‬‫ﻣﺎ؛ ﻓﺎﻟﻬﺪ ﻫﻨﺎ ﻟﻴﺲ ﺗﻌﻠﻴﻢ آﻟﻴﺎت اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬إﻧﻤﺎ ﺗﻘﺪﻳﻢ ْ‬
‫اﻟﺤﻘﻴﻘﻲ‪ .‬ﻣﺠﺎ اﻹﺣﺼﺎء اﻟﺤﻘﻴﻘﻲ ﻳﻨﺒﻐﻲ أ ﻳﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﻠﻮﺛﺔ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﻦ أﺟﻞ ﺗﻮﺳﻴﻊ ﻣﻨﺎﻗﺸﺘﻨﺎ‪ ،‬ﻧﺤﺘﺎج إﱃ ﻓﻬﻢ ﻣﺎ ﻳﻤﻜﻦ أ ﺗﻌﻨﻴﻪ »اﻟﺒﻴﺎﻧﺎت اﻟﻔﺎﺳﺪة«‪،‬‬
‫ﻛﻴﻔﻴﺔ اﻟﺘﻌﺮ ﻋﻠﻴﻬﺎ‪ ،‬ﻣﺎذا ﻧﻔﻌﻞ ﺣﻴﺎﻟﻬﺎ‪ .‬ﻟﺴﻮء اﻟﺤﻆ‪ ،‬اﻟﺒﻴﺎﻧﺎت ﻣﺜﻞ اﻟﻨﺎس؛ ﻓﻴﻤﻜﻦ أ‬
‫»ﺗﻔﺴﺪ« ﺑﻌﺪد ﻏري ﻣﺤﺪ د ﻣﻦ اﻟﻄﺮ املﺨﺘﻠﻔﺔ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻳﻤﻜﻦ ﺗﺼﻨﻴﻒ اﻟﻌﺪﻳﺪ ﻣﻦ ﻫﺬ‬
‫اﻟﻄﺮ ﻋﲆ أﻧﻬﺎ »ﻧﺎﻗﺼﺔ« أ »ﻏري ﺻﺤﻴﺤﺔ«‪.‬‬

‫)‪ (1‬اﻟﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ‬

‫ﺗﻌ ﱡﺪ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﻏري ﻣﻜﺘﻤﻠﺔ إذا ﻛﺎﻧﺖ ﺑﻌﺾ املﻼﺣﻈﺎت ﻏري ﻣﻮﺟﻮدة‪ ،‬ﻗﺪ ﺗﻜﻮ‬
‫اﻟﺒﻴﺎﻧﺎت ﻣﻔﻘﻮدة ﻋﲆ ﻧﺤﻮ ﻋﺸﻮاﺋﻲ ﻷﺳﺒﺎب ﻻ ﻋﻼﻗﺔ ﻟﻬﺎ ﺗﻤﺎﻣﺎ ﺑﺎﻟﺪراﺳﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫رﺑﻤﺎ أ ﻗﻊ ﻛﻴﻤﻴﺎﺋﻲ أﻧﺒﻮب اﺧﺘﺒﺎر‪ ،‬أ ﻏﺎب ﻣﺮﻳﺾ ﰲ اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ ﻟﻜﺮﻳﻢ اﻟﺒﴩة‬
‫ﻋﻦ ﻣﻮﻋﺪ املﺘﺎﺑﻌﺔ ﺑﺴﺒﺐ ﺗﺄﺧﺮ اﻟﻄﺎﺋﺮة‪ ،‬أ اﻧﺘﻘﻞ ﺷﺨﺺ ﻣﻦ ﻣﻨﺰﻟﻪ ﻣﻦ ﺛ ﱠﻢ ﻟﻢ ﻳﻤﻜﻦ‬
‫اﻻﺗﺼﺎ ﺑﻪ ﻣﻦ أﺟﻞ اﺳﺘﻜﻤﺎ اﺳﺘﺒﻴﺎ املﺘﺎﺑﻌﺔ‪ .‬ﻟﻜﻦ ﺣﻘﻴﻘﺔ أ ﻋﻨﴫ ﺑﻴﺎﻧﺎت ﻣﻔﻘﻮد‬
‫ﻳﻤﻜﻦ أﻳﻀﺎ أ ﺗﻘﺪ ﻣﻌﻠﻮﻣﺎت ﰲ ﺣﺪ ذاﺗﻬﺎ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻳﺮﻏﺐ اﻟﺸﺨﺺ‬
‫اﻟﺬ ﻳﺴﺘﻜﻤﻞ اﺳﺘﻤﺎرة اﻟﻄﻠﺐ أ اﻻﺳﺘﺒﻴﺎ ﰲ إﺧﻔﺎء ﳾء ﻣﺎ‪ ،‬ﺑﺪﻻ ﻣﻦ اﻟﻜﺬب اﻟﴫﻳﺢ‪،‬‬
‫رﺑﻤﺎ ﺑﺒﺴﺎﻃﺔ ﻻ ﻳﺠﻴﺐ ﻋﻦ ﻫﺬا اﻟﺴﺆا ‪ .‬أ رﺑﻤﺎ أ اﻷﺷﺨﺎص املﻌﺘﻨﻘني ﻟﻮﺟﻬﺔ ﻧﻈﺮ‬
‫ﻣﻌﻴﻨﺔ ﻫﻢ ﻓﺤﺴﺐ ﻣﻦ ﻳﺠﻴﺒﻮ ﻋﲆ اﻻﺳﺘﺒﻴﺎ ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻃﻠﺐ ﻣﻦ اﻟﻌﻤﻼء ﻣﻞء‬
‫ﻳﺘﻠﻘﻮْﻧﻬﺎ‪ ،‬ﻓﺈ اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﺮﻳﺪ ﻣﻨﺎﻗﺸﺔ أﺷﻴﺎء‬ ‫اﺳﺘﻤﺎرات ﺗﻘﻴﻴﻢ ﻟﻠﺨﺪﻣﺔ اﻟﺘﻲ ﱠ‬
‫ﺑﺨﺼﻮص اﻟﺨﺪﻣﺔ رﺑﻤﺎ ﻳﻜﻮﻧﻮ أﻛﺜﺮ ﻣﻴﻼ ملﻞء اﻻﺳﺘﺒﻴﺎ ‪ .‬إذا ﻟﻢ ﻳﺪر ذﻟﻚ ﰲ اﻟﺘﺤﻠﻴﻞ‪،‬‬
‫ﻓﺴﻮ ﺗﻨﺘﺞ ﺻﻮرة ﻣﺸﻮﻫﺔ ﻋﻦ آراء اﻟﻌﻤﻼء‪ .‬اﺳﺘﻄﻼﻋﺎت اﻹﻧﱰﻧﺖ ﻣﻌ ﱠﺮﺿﺔ ﺧﺼﻮﺻﺎ‬
‫ﻟﻬﺬا اﻟﻨﻮع ﻣﻦ اﻟﻌﻴﻮب؛ ﺣﻴﺚ ﻳﻜﺘﻔﻰ ﻏﺎﻟﺒﺎ ﺑﺪﻋﻮة اﻟﻨﺎس ﻟﻺﺟﺎﺑﺔ ﻋﲆ اﻻﺳﺘﺒﻴﺎ ؛ ﻓﻼ ﺗﻮﺟﺪ‬
‫ﺳﻴﻄﺮة ﻋﲆ ﻣﺪ ﺗﻤﺜﻴﻞ املﺴﺘﺠﻴﺒني ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ‪ ،‬أ ﺣﺘﻰ ﻋﲆ‬
‫اﺣﺘﻤﺎﻟﻴﺔ أ ﻳﺠﻴﺐ اﻷﺷﺨﺎص أﻧﻔﺴﻬﻢ ﻋﺪة ﻣﺮات‪.‬‬
‫ﺗﻮﺟﺪ أﻣﺜﻠﺔ أﺧﺮ ﻛﺜرية ﻟﻬﺬا اﻟﻨﻮع ﻣﻦ »اﻟﺘﺤﻴﺰ ﰲ اﻻﺧﺘﻴﺎر«‪ ،‬ﻳﻤﻜﻦ أ ﺗﻜﻮ ﺧﻔﻴﺔ‬
‫إﱃ ﺣ ﱟﺪ ﻣﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻣﻦ املﺄﻟﻮ ﻟﻠﻤﺮﴇ اﻻﻧﺴﺤﺎب ﻣﻦ اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ ﻟﻸد ﻳﺔ‪.‬‬
‫ﻟﻨﻔﱰض أ املﺮﴇ اﻟﺬﻳﻦ ﺷﻔﻮا أﺛﻨﺎء اﺳﺘﺨﺪا اﻟﺪ اء ﻟﻢ ﻳﻌﻮد ا ﻟﻠﻤﻘﺎﺑﻠﺔ اﻟﺘﺎﻟﻴﺔ ﻷﻧﻬﻢ‬
‫ﺷﻌﺮ ا أﻧﻬﺎ ﻏري ﴐ رﻳﺔ )ﺑﻤﺎ أﻧﻬﻢ ﻗﺪ ﺗﻌﺎﻓﻮْا(‪ .‬ﺣﻴﻨﻬﺎ ﻳﻤﻜﻦ املﺴﺎرﻋﺔ ﺑﺎﻻﺳﺘﻨﺘﺎج ﺑﺄ‬
‫اﻟﺪ اء ﻟﻢ ﻳﻨﺠﺢ‪ ،‬ﻷ املﺮﴇ اﻟﺤﺎﴐﻳﻦ ﻫﻢ ﻓﻘﻂ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻻ ﻳﺰاﻟﻮ ﻣﺼﺎﺑني ﺑﺎملﺮض‪.‬‬
‫ﻇﻬﺮت ﺣﺎﻟﺔ ﻛﻼﺳﻴﻜﻴﺔ ﻟﻬﺬا اﻟﻨﻮع ﻣﻦ اﻟﺘﺤﻴﺰ ﻋﻨﺪﻣﺎ ﺗﻨﺒﱠﺄت ﺟﺮﻳﺪة »ﻟﻴﱰار‬
‫داﻳﺠﺴﺖ« ﻋﲆ ﻧﺤﻮ ﻏري ﺻﺤﻴﺢ أ ﻻﻧﺪ ﺳﻴﻬﺰ ر زﻓﻠﺖ ﰲ اﻻﻧﺘﺨﺎﺑﺎت اﻟﺮﺋﺎﺳﻴﺔ ﰲ‬

‫‪42‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﻋﺎ ‪ ١٩٣٦‬ﰲ اﻟﻮﻻﻳﺎت املﺘﺤﺪة ﺑﺄﻏﻠﺒﻴﺔ ﺳﺎﺣﻘﺔ‪ .‬ﻟﺴﻮء اﻟﺤﻆ‪ ،‬ﻛﺎﻧﺖ اﻻﺳﺘﺒﻴﺎﻧﺎت ﻗﺪ أرﺳﻠﺖ‬
‫ﻓﻘﻂ ﻟﻸﺷﺨﺎص اﻟﺬﻳﻦ ﻟﺪﻳﻬﻢ ﻫﺎﺗﻒ ﺳﻴﺎرة‪ ،‬ﰲ ﻋﺎ ‪ ١٩٣٦‬ﻛﺎ ﻫﺆﻻء اﻷﺷﺨﺎص أﻛﺜﺮ‬
‫ﺛﺮاء ﰲ املﺘﻮﺳﻂ ﻣﻦ إﺟﻤﺎﱄ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﻓﻜﺎ اﻷﺷﺨﺎص اﻟﺬﻳﻦ أرﺳﻠﺖ‬
‫إﻟﻴﻬﻢ اﻻﺳﺘﺒﻴﺎﻧﺎت ﻻ ﻳﻤﺜﻠﻮ ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ ﻛﻞ املﺠﻤﻮﻋﺔ املﻄﻠﻮﺑﺔ‪ .‬ﻛﻤﺎ اﺗﻀﺢ‪ ،‬اﻟﺠﺰء‬
‫اﻷﻛﱪ ﻣﻦ ﻏريﻫﻢ أﻳﱠﺪ ا ر زﻓﻠﺖ‪.‬‬
‫ﺛﻤﺔ ﻧﻮع آﺧﺮ ﻣﺨﺘﻠﻒ ﻣﻦ ﺣﺎﻟﺔ اﻻﺳﺘﻨﺘﺎﺟﺎت ﻏري اﻟﺼﺤﻴﺤﺔ اﻟﻨﺎﺷﺌﺔ ﻋﻦ ﻋﺪ ﻣﺮاﻋﺎة‬
‫اﻟﺒﻴﺎﻧﺎت املﻔﻘﻮدة‪ ،‬اﻟﺬ أﺻﺒﺢ ﺣﺎﻟﺔ إﺣﺼﺎﺋﻴﺔ ﻛﻼﺳﻴﻜﻴﺔ ﺛﺎﻧﻮﻳﺔ‪ .‬ﻫﺬ اﻟﺤﺎﻟﺔ ﻫﻲ ﺣﺎﻟﺔ‬
‫ﻣﻜﻮ اﻟﻔﻀﺎء »ﺗﺸﺎﻟﻨﺠﺮ«‪ ،‬اﻟﺬ اﻧﻔﺠﺮ ﻋﻨﺪ إﻃﻼﻗﻪ ﰲ ﻋﺎ ‪١٩٨٦‬؛ ﻣﻤﺎ أﺳﻔﺮ ﻋﻦ ﻣﻘﺘﻞ‬
‫ﺟﻤﻴﻊ ﻣﻦ ﻛﺎﻧﻮا ﻋﲆ ﻣﺘْﻨﻪ‪ .‬ﰲ اﻟﻠﻴﻠﺔ اﻟﺘﻲ ﺳﺒﻘﺖ اﻹﻃﻼ ‪ ،‬ﻋﻘﺪ اﺟﺘﻤﺎع ملﻨﺎﻗﺸﺔ ﻣﺎ إذا ﻛﺎ‬
‫ﻳﻨﺒﻐﻲ املﴤ ﻗﺪﻣﺎ ﰲ اﻹﻃﻼ أ ﻻ؛ ﺣﻴﺚ إ ﺗﻮﻗﻌﺎت درﺟﺔ اﻟﺤﺮارة ﰲ ﻣﻮﻋﺪ اﻹﻃﻼ‬
‫ﺗﺒني أﻧﻪ ﻋﲆ ﻣﺎ ﻳﺒﺪ ﻻ ﺗﻮﺟﺪ‬ ‫أﺷﺎرت إﱃ أﻧﻬﺎ ﻣﻨﺨﻔﻀﺔ ﻋﲆ ﻧﺤﻮ ﻛﺒري‪ .‬أﻧﺘﺠﺖ ﺑﻴﺎﻧﺎت ﱢ‬‫ْ‬
‫ﻋﻼﻗﺔ ﺑني درﺟﺔ ﺣﺮارة اﻟﻬﻮاء اﻷﴐار اﻟﺘﻲ ﻟﺤﻘﺖ ﺑﺒﻌﺾ أرﺑﻄﺔ اﻟﺼﻮارﻳﺦ املﺴﺎﻋﺪة‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت ﻏري ﻣﻜﺘﻤﻠﺔ‪ ،‬ﻟﻢ ﺗﺸﻤﻞ ﺟﻤﻴﻊ ﻋﻤﻠﻴﺎت اﻹﻃﻼ اﻟﺘﻲ ﻟﻢ ﺗﻘﻊ‬
‫ﺑﻬﺎ »أ « أﴐار‪ .‬ﻛﺎ ﻫﺬا ﻏري ﻣﻼﺋﻢ ﻷ ﻋﻤﻠﻴﺎت اﻹﻃﻼ اﻟﺘﻲ ﻟﻢ ﺗﻘﻊ ﻓﻴﻬﺎ أ أﴐار‬
‫أﺟﺮﻳﺖ ﰲ اﻟﻐﺎﻟﺐ ﰲ درﺟﺎت ﺣﺮارة أﻋﲆ‪ .‬ﻛﺎ اﻟﺠﺪ املﺤﺘﻮ ﻋﲆ اﻟﺒﻴﺎﻧﺎت »ﻛﺎﻓﺔ«‬
‫ﺳﻴﻈﻬﺮ ﻋﻼﻗﺔ اﺿﺤﺔ؛ زﻳﺎدة اﺣﺘﻤﺎﻟﻴﺔ ﻗﻮع اﻟﴬر ﰲ درﺟﺎت اﻟﺤﺮارة اﻷﻗﻞ‪.‬‬
‫ﻛﻤﺜﺎ أﺧري‪ ،‬اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﺘﻘﺪﻣﻮ ﺑﻄﻠﺒﺎت ﻟﻠﺤﺼﻮ ﻋﲆ ﻗﺮ ض ﻣﴫﻓﻴﺔ‬
‫ﺑﻄﺎﻗﺎت اﻻﺋﺘﻤﺎ ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪ ،‬ﻳﺠﺮ ﺣﺴﺎب »ﻣﺠﻤﻮع اﻟﻨﻘﺎط اﻻﺋﺘﻤﺎﻧﻴﺔ« ﻟﻬﻢ؛ ﻫﻲ‬
‫ﺗﻠﻌﺐ د را أﺳﺎﺳﻴٍّﺎ ﰲ ﺗﻘﺪﻳﺮ اﺣﺘﻤﺎﻟﻴﺔ ﻋﺠْ ﺰﻫﻢ ﻋﻦ اﻟﺴﺪاد‪ .‬ﺗﺴﺘﻤﺪ ﻫﺬ اﻟﺘﻘﺪﻳﺮات ﻣﻦ‬
‫اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ املﺒﻨﻴﺔ )ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﰲ اﻟﻔﺼﻞ اﻟﺴﺎدس( ﺑﺎﺳﺘﺨﺪا ﺑﻴﺎﻧﺎت ﻣﻦ‬
‫اﻟﻌﻤﻼء اﻟﺴﺎﺑﻘني اﻟﺬﻳﻦ ﺳﺪد ا دﻳﻮﻧﻬﻢ ﺑﺎﻟﻔﻌﻞ أ ﻋﺠﺰ ا ﻋﻦ اﻟﺴﺪاد‪ .‬ﻟﻜﻦ ﺗﻮﺟﺪ ﻣﺸﻜﻠﺔ؛‬
‫ﻓﺎﻟﻌﻤﻼء اﻟﺴﺎﺑﻘﻮ ﻟﻴﺴﻮا ﻣﻤﺜﻠني ﻟﺠﻤﻴﻊ اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﺗﻘﺪﻣﻮا ﺑﻄﻠﺒﺎت ﻟﻠﺤﺼﻮ ﻋﲆ‬
‫ﻗﺮض‪ .‬ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬اﺧﺘري اﻟﻌﻤﻼء اﻟﺴﺎﺑﻘﻮ ﻷﻧﻪ ﻛﺎ ﻳﻌﺘﻘﺪ أﻧﻬﻢ ﻣﺨﺎﻃﺮة ﻣﺄﻣﻮﻧﺔ‪.‬‬
‫ﻓﻠﻮ ﻛﺎ ﻫﺆﻻء املﺘﻘﺪﻣﻮ ﻋ ﱡﺪ ا ﻣﺨﺎﻃﺮة ﻏري ﻣﺄﻣﻮﻧﺔ ﰲ ﺣﺪ ذاﺗﻬﻢ ﻛﺎ ﻣﻦ املﺮﺟﺢ‬
‫أ ﻳﻌﺠﺰ ا ﻋﻦ اﻟﺴﺪاد‪ ،‬ﻣﺎ ﻛﺎﻧﻮا ﻟﻴﻘﺒﻠﻮا ﰲ املﻘﺎ اﻷ ؛ ﻣﻦ ﺛ ﱠﻢ ﻟﻢ ﻳﻜﻮﻧﻮا ﻟﻴﺪﺧﻠﻮا ﰲ‬
‫اﻟﺒﻴﺎﻧﺎت‪ .‬إ أ ﻧﻤﻮذج إﺣﺼﺎﺋﻲ ﻻ ﻳﺄﺧﺬ ﺑﻌني اﻻﻋﺘﺒﺎر ﻫﺬا اﻟﺘﺸﻮﻳﻪ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‬
‫ﻣﻦ املﺮﺟﱠ ﺢ أ ﻳﺆ ﱢد إﱃ اﺳﺘﻨﺘﺎﺟﺎت ﺧﺎﻃﺌﺔ‪ .‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﻳﻤﻜﻦ أ ﻳﻌﻨﻲ ﻫﺬا اﻧﻬﻴﺎر‬
‫اﻟﺒﻨﻚ‪.‬‬

‫‪43‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻛﺎﻧﺖ ﺑﻌﺾ اﻟﻘﻴﻢ ﻓﺤﺴﺐ ﻧﺎﻗﺼﺔ ﻟﻜﻞ ﺳﺠﻞ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ﺑﻌﺾ اﻹﺟﺎﺑﺎت‬ ‫ْ‬ ‫إذا‬
‫ﻋﲆ اﻻﺳﺘﺒﻴﺎ (‪ ،‬ﻳﻮﺟﺪ ﻧﻬﺠﺎ أﺳﺎﺳﻴﺎ ﺷﺎﺋﻌﺎ ﻟﻠﺘﺤﻠﻴﻞ‪ .‬ﻳﺘﻤﺜﻞ أﺣﺪ اﻟﻨﻬﺠني ﺑﺒﺴﺎﻃﺔ ﰲ‬
‫ﻧﺒﺬ أ ﺳﺠﻼت ﻏري ﻣﻜﺘﻤﻠﺔ؛ ﻫﺬا ﻳﺘﻀﻤﻦ ﻧﻘﻄﺘﻲ ﺿﻌﻒ ﻣﺤﺘﻤﻠﺘني ﺧﻄريﺗني؛ أ ﻻﻫﻤﺎ‪:‬‬
‫أﻧﻪ ﻳﻤﻜﻦ أ ﻳﺆد ﻟﺘﺸﻮﻫﺎت ﻳﺴﺒﺒﻬﺎ اﻟﺘﺤﻴﺰ ﰲ اﻻﺧﺘﻴﺎر ﻣﻦ اﻟﻨﻮع اﻟﺬ ﻧﻮﻗﺶ آﻧﻔﺎ؛ ﻓﺈذا‬
‫ﻛﺎﻧﺖ ﺳﺠﻼت ﻣﻦ ﻧﻮع ﻣﻌني أﻛﺜﺮ ﻋﺮﺿﺔ ﻷ ﻳﻜﻮ ﺑﻌﺾ ﻗﻴﻤﻬﺎ ﻧﺎﻗﺼﺔ‪ ،‬ﻓﺈ ﺣﺬ‬
‫ﻫﺬ اﻟﺴﺠﻼت ﺳﻮ ﻳﱰ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﻣﺸﻮﻫﺔ‪ .‬ﻧﻘﻄﺔ اﻟﻀﻌﻒ اﻟﺨﻄرية اﻟﺜﺎﻧﻴﺔ ﻫﻲ‬
‫أﻧﻪ ﻳﻤﻜﻦ أ ﻳﺆد إﱃ اﻧﺨﻔﺎض ﻫﺎﺋﻞ ﰲ ﺣﺠﻢ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت املﺘﺎﺣﺔ ﻟﻠﺘﺤﻠﻴﻞ؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﻨﻔﱰض أ اﺳﺘﺒﻴﺎﻧﺎ ﻳﺤﺘﻮ ﻋﲆ ﻣﺎﺋﺔ ﺳﺆا ‪ ،‬ﻣﻦ املﻤﻜﻦ ﺗﻤﺎﻣﺎ ﱠأﻻ ﻳﺠﻴﺐ‬
‫أ ﻣﺸﺎر ﰲ اﻟﺪراﺳﺔ ﻋﲆ »ﻛﻞ« ﺳﺆا ؛ ﻣﻦ ﺛﻢ ﻓﺈ »ﺟﻤﻴﻊ« اﻟﺴﺠﻼت ﺳﺘﺘﻀﻤﻦ ﺷﻴﺌﺎ‬
‫ﻧﺎﻗﺼﺎ؛ ﻫﺬا ﻳﻌﻨﻲ أ ﻧﺒﺬ اﻟﺮد د ﻏري املﻜﺘﻤﻠﺔ ﻣﻦ ﺷﺄﻧﻪ أ ﻳﺆد إﱃ ﻧﺒﺬ ﻛﺎﻓﺔ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫اﻟﻨﻬﺞ اﻟﺸﺎﺋﻊ اﻟﺜﺎﻧﻲ ملﻌﺎﻟﺠﺔ اﻟﻘﻴﻢ اﻟﻨﺎﻗﺼﺔ ﻫﻮ إدﺧﺎ ﻗﻴﻢ ﺑﺪﻳﻠﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫ﻟﻨﻔﱰض أ ﺑﻨﺪ اﻟﻌﻤﺮ ﻧﺎﻗﺺ ﻣﻦ ﺑﻌﺾ اﻟﺴﺠﻼت‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺣﻴﻨﻬﺎ اﺳﺘﺒﺪا ﻣﺘﻮﺳﻂ‬
‫اﻷﻋﻤﺎر املﺴﺠﻠﺔ ﺑﺎﻟﻘﻴﻢ املﻔﻘﻮدة‪ .‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ ﻫﺬا ﻳﻨﺘﺞ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﻛﺎﻣﻠﺔ‬
‫)ﺳﻮاء أﻛﻤﻠﻬﺎ املﺸﺎرﻛﻮ ﰲ اﻟﺪراﺳﺔ أ أﻛﻤﻠﻨﺎﻫﺎ ﻧﺤﻦ(‪ ،‬ﻓﺈﻧﻪ ﻟﻪ ﻋﻴﻮب أﻳﻀﺎ؛ ﻓﻔﻲ ﻫﺬ‬
‫اﻟﺤﺎﻟﺔ ﻧﻜﻮ ﻗﺪ اﺧﺘﻠﻘﻨﺎ اﻟﺒﻴﺎﻧﺎت ﰲ اﻷﺳﺎس‪.‬‬
‫إذا ﻛﺎ ﻫﻨﺎ ﺳﺒﺐ ﻟﻠﺸﻚ ﰲ أ ﻏﻴﺎب ﻋﺪد ﻣﻌني إﻧﻤﺎ ﻳﺮﺗﺒﻂ ﺑﺎﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻛﺎ‬
‫ﺳﻴﻤﺘﻠﻜﻬﺎ ﻟﻮ ﻛﺎ ﺣﺎﴐا )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﺎ ﻛﺒﺎر اﻟﺴﻦ أﻗﻞ ﰲ اﺣﺘﻤﺎﻟﻴﺔ اﻟﺘﻌﺮﻳﻒ‬
‫ﺑﺴﻨﱢﻬﻢ(‪ ،‬ﻓﺜﻤﺔ ﺣﺎﺟﺔ إﱃ ﺟﻮد أﺳﺎﻟﻴﺐ إﺣﺼﺎﺋﻴﺔ أﻛﺜﺮ ﺗﻔﺼﻴﻼ‪ .‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ ﺑﻨﺎء‬
‫ﻧﻤﻮذج إﺣﺼﺎﺋﻲ ﻻﺣﺘﻤﺎﻟﻴﺔ ﻧﻘﺼﺎ اﻟﺒﻴﺎﻧﺎت — رﺑﻤﺎ ﻣﻦ اﻟﻨﻮع اﻟﺬ ﻳﺘﻨﺎ ﻟﻪ اﻟﻔﺼﻞ‬
‫اﻟﺴﺎدس — ﻛﺬﻟﻚ ﻟﻠﻌﻼﻗﺎت اﻷﺧﺮ املﻮﺟﻮدة داﺧﻞ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫ﻣﻦ اﻟﺠﺪﻳﺮ ﺑﺎﻟﺬﻛﺮ أﻧﻪ ﻣﻦ اﻟﴬ ر ﻗﺒﻮ ﺣﻘﻴﻘﺔ أﻧﻪ ﻟﻴﺴﺖ ﻛﻞ اﻟﻘﻴﻢ ﻗﺪ ﺳﺠﱢ ﻠﺖ‪.‬‬
‫ﻣﻦ املﻤﺎرﺳﺎت اﻟﺸﺎﺋﻌﺔ اﺳﺘﺨﺪا رﻣﺰ ﺧﺎص ﻟﻺﺷﺎرة إﱃ أ اﻟﻘﻴﻤﺔ ﻧﺎﻗﺼﺔ؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎ ‪ ،‬ﻣﻦ اﻟﺸﺎﺋﻊ اﺳﺘﺨﺪا رﻣﺰ ‪ N/A‬اﺧﺘﺼﺎرا ﻟﻌﺒﺎرة ‪ Not Available‬ﺑﻤﻌﻨﻰ »ﻏري‬
‫ﻣﺘﺎح«‪ ،‬ﻟﻜﻦ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ﻳﺘﻢ اﺳﺘﺨﺪا رﻣﻮز رﻗﻤﻴﺔ ﻣﺜﻞ ‪ ٩٩٩٩‬ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻌﻤﺮ‪.‬‬
‫ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬اﻹﺧﻔﺎ ﰲ ﺟﻌﻞ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﺪر أ ‪ ٩٩٩٩‬ﻳﻤﺜﻞ اﻟﻘﻴﻢ اﻟﻨﺎﻗﺼﺔ‬
‫ﻳﻤﻜﻦ أ ﻳﺆد إﱃ ﻧﺘﻴﺠﺔ ﻏري دﻗﻴﻘﺔ إﱃ ﺣ ﱟﺪ ﻛﺒري‪ .‬ﺗﺨﻴﱠ ْﻞ ﻣﺎ ﺳﻴﻜﻮ ﻋﻠﻴﻪ ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ‬
‫املﻘﺪﱠر ﻋﻨﺪﻣﺎ ﻳﺪﺧﻞ ﻋﺪد ﻛﺒري ﻣﻦ اﻟﻘﻴﻢ ‪ ٩٩٩٩‬ﰲ ﻋﻤﻠﻴﺔ اﻟﺤﺴﺎب‪.‬‬

‫‪44‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﱠ‬
‫ﻣﺘﻮﻗﻌﺎ‪ ،‬ﻻ ﻳﻮﺟﺪ ﺣ ﱞﻞ ﻣﺜﺎﱄ ﻟﻠﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ؛‬ ‫ﻋﻤﻮﻣﺎ‪ ،‬ﻟﻌﻞ ﻫﺬا ﻳﻨﺒﻐﻲ أ ﻳﻜﻮ‬
‫ﻓﺠﻤﻴﻊ ﻃﺮ اﻟﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ ﺗﺘﻄﻠﺐ إﻗﺤﺎ ﻧﻮع ﻣﻦ اﻻﻓﱰاﺿﺎت اﻹﺿﺎﻓﻴﺔ‪ ،‬اﻟﺤﻞ اﻷﻓﻀﻞ‬
‫ﻫﻮ ﺗﻘﻠﻴﻞ املﺸﻜﻠﺔ أﺛﻨﺎء ﻣﺮﺣﻠﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‪.‬‬

‫)‪ (2‬اﻟﺒﻴﺎﻧﺎت ﻏري اﻟﺼﺤﻴﺤﺔ‬

‫اﻟﺒﻴﺎﻧﺎت ﻏري املﻜﺘﻤﻠﺔ ﻫﻲ ﻧﻮع اﺣﺪ ﻣﻦ ﻣﺸﻜﻼت اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻟﻜﻦ رﺑﻤﺎ ﺗﻜﻮ اﻟﺒﻴﺎﻧﺎت‬
‫»ﻏري ﺻﺤﻴﺤﺔ« ﺑﺄ ﻋﺪد ﻣﻦ اﻟﻄﺮ ﻷ ﻋﺪد ﻣﻦ اﻷﺳﺒﺎب‪ .‬ﻳﻮﺟﺪ ﻣﺴﺘﻮﻳﺎت ﻋﺎﻟﻴﺔ‬
‫ﻣﻨﺨﻔﻀﺔ ﻷﺳﺒﺎب ﻫﺬ املﺸﻜﻼت‪.‬‬
‫أﺣﺪ اﻷﺳﺒﺎب اﻟﻌﺎﻟﻴﺔ املﺴﺘﻮ ﻳﺘﻤﺜﻞ ﰲ ﺻﻌﻮﺑﺔ اﺗﺨﺎذ ﻗﺮار ﺑﺸﺄ اﻟﺘﻌﺮﻳﻔﺎت املﻨﺎﺳﺒﺔ‬
‫) املﺘﻔﻖ ﻋﻠﻴﻬﺎ ﻋﺎملﻴٍّﺎ(‪ .‬ﻳﻌ ﱡﺪ ﻣﻌ ﱠﺪ اﻟﺠﺮﻳﻤﺔ — املﺸﺎر إﻟﻴﻪ ﰲ اﻟﻔﺼﻞ اﻷ — ﻣﺜﺎﻻ ﻋﲆ‬
‫ذﻟﻚ‪ ،‬ﻳﻌ ﱡﺪ ﻣﻌﺪ اﻻﻧﺘﺤﺎر ﻣﺜﺎﻻ آﺧﺮ‪ .‬ﻋﺎدة ﻣﺎ ﻳﻜﻮ اﻻﻧﺘﺤﺎر ﻧﺸﺎﻃﺎ ﻓﺮدﻳٍّﺎ؛ ﻟﺬﻟﻚ ﻻ‬
‫ﻳﺴﺘﻄﻴﻊ أﺣﺪ آﺧﺮ أ ﻳﻌﺮ ﻋﲆ ﺟﻪ اﻟﻴﻘني أﻧﻪ ﻛﺎ اﻧﺘﺤﺎرا‪ .‬ﰲ أﺣﻴﺎ ﻛﺜرية ﺗﱰ‬
‫رﺳﺎﻟﺔ اﻧﺘﺤﺎر‪ ،‬ﻟﻜﻦ ﻟﻴﺲ ﰲ ﺟﻤﻴﻊ اﻟﺤﺎﻻت؛ ﻣﻦ ﺛﻢ ﻳﺠﺐ اﺳﺘﺨﻼص دﻟﻴﻞ ﻋﲆ أ‬
‫اﻟﻮﻓﺎة ﻛﺎﻧﺖ ﰲ اﻟﺤﻘﻴﻘﺔ اﻧﺘﺤﺎرا‪ .‬ﻫﺬا ﻳﻨﻘﻠﻨﺎ إﱃ ﻧﻄﺎ ﻏﺎﻣﺾ؛ ﻷﻧﻪ ﻳﺜري ﻣﺴﺄﻟﺔ اﻷدﻟﺔ‬
‫ذات اﻟﺼﻠﺔ‪ ،‬ﻋﺪد اﻷدﻟﺔ املﻄﻠﻮﺑﺔ‪ .‬ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬ﻳﻌﻤﺪ اﻟﻌﺪﻳﺪ ﻣﻦ املﻨﺘﺤﺮﻳﻦ إﱃ‬
‫إﺧﻔﺎء ﺣﻘﻴﻘﺔ اﻧﺘﺤﺎرﻫﻢ؛ ﻟﻜﻲ ﺗﺴﺘﻄﻴﻊ اﻷﴎة اﻟﺤﺼﻮ ﻋﲆ أﻣﻮا اﻟﺘﺄﻣني ﻋﲆ اﻟﺤﻴﺎة‬
‫ﻣﺜﻼ‪.‬‬
‫ﺗﺘﻮﱃ اﻟﻮﻛﺎﻟﺔ اﻟﻮﻃﻨﻴﺔ ﻟﺴﻼﻣﺔ املﺮﴇ ﰲ‬ ‫ﱠ‬ ‫ﰲ ﻣﻮﺿﻊ ﻣﺨﺘﻠﻒ — أﻛﺜﺮ ﺗﻌﻘﻴﺪا —‬
‫ﺿﻊ اﻟﺘﻘﺎرﻳﺮ ﺣﻮ اﻟﺤﻮادث اﻟﺘﻲ ﺗﻘﻊ ﰲ املﺴﺘﺸﻔﻴﺎت‪ ،‬ﺛﻢ‬ ‫املﻤﻠﻜﺔ املﺘﺤﺪة ﻣﺴﺌﻮﻟﻴﺔ ْ‬
‫ﺗﺤﺎ اﻟﻮﻛﺎﻟﺔ ﺑﻌﺪ ذﻟﻚ ﺗﺼﻨﻴﻔﻬﺎ ﻟﺘﺤﺪﻳﺪ اﻟﻘﻮاﺳﻢ املﺸﱰﻛﺔ‪ ،‬ﻟﻜﻲ ﻳﻤﻜﻦ اﺗﺨﺎذ اﻟﺨﻄﻮات‬
‫اﻟﻼزﻣﺔ ملﻨْﻊ ﻗﻮع اﻟﺤﻮادث ﰲ املﺴﺘﻘﺒﻞ‪ .‬ﺗﻜﻤﻦ اﻟﺼﻌﻮﺑﺔ ﰲ أ اﻟﺤﻮادث ﺗﻮﺻﻒ ﻋﻦ‬
‫ﻃﺮﻳﻖ ﻋﺪة آﻻ ﻣﻦ اﻷﺷﺨﺎص املﺨﺘﻠﻔني‪ ،‬ﺗﻮﺻﻒ ﺑﻄﺮ ﻣﺨﺘﻠﻔﺔ‪ .‬ﺣﺘﻰ اﻟﺤﺎدث ﻧﻔﺴﻪ‬
‫ﻳﻤﻜﻦ ﺻﻔﻪ ﺑﺄﻛﺜﺮ ﻣﻦ ﻧﺤﻮ ﻣﺨﺘﻠﻒ ﺟﺪٍّا‪.‬‬
‫ﻋﲆ ﻣﺴﺘﻮ أدﻧﻰ‪ ،‬ﻏﺎﻟﺒﺎ ﻣﺎ ﺗﻘﻊ أﺧﻄﺎء ﰲ ﻗﺮاءة املﻘﺎﻳﻴﺲ أ ﺗﺴﺠﻴﻞ اﻟﻘﻴﻢ؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻮﺟﺪ اﺗﺠﺎ ﺷﺎﺋﻊ ﰲ ﻗﺮاءة املﻘﺎﻳﻴﺲ ﻫﻮ اﻟﺘﻘﺮﻳﺐ ﺑﻼ ﻋﻲ إﱃ أﻗﺮب‬
‫ﻋﺪد ﺻﺤﻴﺢ؛ ﻓﺘﻮزﻳﻌﺎت ﻗﻴﺎﺳﺎت ﺿﻐﻂ اﻟﺪ املﺴﺠﱠ ﻠﺔ ﺑﺎﺳﺘﺨﺪا ﻣﻘﺎﻳﻴﺲ ﺿﻐﻂ اﻟﺪ‬
‫اﻟﻘﺪﻳﻤﺔ )ﻏري اﻹﻟﻜﱰ ﻧﻴﺔ( ﺗﻈﻬﺮ اﺗﺠﺎﻫﺎ اﺿﺤﺎ ملﺰﻳﺪ ﻣﻦ اﻟﻘﻴﻢ املﺴﺠﱠ ﻠﺔ ﻋﻨﺪ ‪،٧٠ ،٦٠‬‬
‫‪ ٨٠‬ﻣ ﱢﻠﻴﻤﱰا ﻣﻦ اﻟﺰﺋﺒﻖ ﻣﻦ اﻟﻘﻴﻢ املﺠﺎ رة‪ ،‬ﻣﺜﻞ ‪ ٦٩‬أ ‪ .٧٢‬ﻋﻨﺪ أﻗﴡ ﻗﺪْر ﻳﻤﻜﻦ أ‬

‫‪45‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺗﺼﻠﻪ أﺧﻄﺎء اﻟﺘﺴﺠﻴﻞ‪ ،‬ﻳﻤﻜﻦ أ ﺗﻌﻜﺲ اﻷرﻗﺎ )‪ ،٢٨‬ﺑﺪﻻ ﻣﻦ ‪ ،(٨٢‬أ ﻳﻤﻜﻦ اﻟﺨﻠﻂ‬
‫ﺑني اﻟﺮﻗﻢ ‪ ٧‬املﻜﺘﻮب ﺑﺨﻂ اﻟﻴﺪ ﻣﻊ اﻟﺮﻗﻢ ‪ ) ١‬ﻫﺬا أﻗﻞ اﺣﺘﻤﺎﻻ ﰲ أ ر ﺑﺎ؛ ﺣﻴﺚ إ ‪٧‬‬
‫ﻳﻜﺘﺐ ‪ ،(٧‬أ ﻗﺪ ﺗﻮﺿﻊ اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﻌﻤﻮد اﻟﺨﻄﺄ ﰲ اﻟﻨﻤﻮذج‪ ،‬ﺑﻬﺬا ﺗﺘﻀﺎﻋﻒ اﻟﻘﻴﻢ‬
‫ﻣﺼﺎدﻓﺔ ﺑﻤﻘﺪار ﻋﴩة أﺿﻌﺎ ‪ ،‬أ رﺑﻤﺎ ﻳﺤﺪث ﺧﻠﻂ ﺑني اﻟﻨﻤﻂ اﻷﻣﺮﻳﻜﻲ ﻟﻜﺘﺎﺑﺔ اﻟﺘﺎرﻳﺦ‬
‫)ﺷﻬﺮ‪/‬ﻳﻮ ‪/‬ﺳﻨﺔ( ﻧﻤﻂ املﻤﻠﻜﺔ املﺘﺤﺪة )ﻳﻮ ‪/‬ﺷﻬﺮ‪/‬ﺳﻨﺔ(‪ ،‬أ اﻟﻌﻜﺲ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﰲ ﻋﺎ ‪ ،١٧٩٦‬ﻃﺮد اﻟﻔﻠﻜﻲ املﻠﻜﻲ ﻧﻴﻔﻴﻞ ﻣﺎﺳﻜﻴﻠني ﻣﺴﺎﻋﺪ دﻳﻔﻴﺪ ﻛﻴﻨﱪ ﻋﲆ أﺳﺎس‬
‫أ ﻣﺸﺎﻫﺪات اﻷﺧري ﻟﻸ ﻗﺎت اﻟﺘﻲ ﻳﻌﱪ ﻓﻴﻬﺎ ﻧﺠﻢ ﻣﺨﺘﺎر ﻟﺨﻂ اﻟﺰ ا ﻋﻦ ﻃﺮﻳﻖ أﺣﺪ‬
‫اﻟﺘﻠﺴﻜﻮﺑﺎت ﰲ ﺟﺮﻳﻨﺘﺶ ﻟﻢ ﺗﻜﻦ دﻗﻴﻘﺔ ﺟﺪٍّا‪ .‬ﻛﺎ ﻫﺬا اﻷﻣﺮ ﻣﻬﻤٍّ ﺎ ﻷ دﻗﺔ اﻟﺴﺎﻋﺔ ﰲ‬
‫ﺟﺮﻳﻨﺘﺶ ﺗﺘﻮﻗﻒ ﻋﲆ اﻟﻘﻴﺎﺳﺎت اﻟﺪﻗﻴﻘﺔ ﻷ ﻗﺎت اﻟﻌﺒﻮر‪ ،‬ﺗﻘﺪﻳﺮات ﺧﻄﻮط اﻟﻄﻮ ﻟﺪ‬
‫ﺳﻔﻦ اﻟﺪ ﻟﺔ ﺗﻌﺘﻤﺪ ﻋﲆ اﻟﺴﺎﻋﺔ‪ ،‬اﻹﻣﱪاﻃﻮرﻳﺔ اﻟﱪﻳﻄﺎﻧﻴﺔ ﺗﻌﺘﻤﺪ ﻋﲆ ﺳﻔﻨﻬﺎ‪ .‬ﻣﻊ ذﻟﻚ‪،‬‬
‫ﺗﺄﺧﺮ رد اﻟﻔﻌﻞ اﻟﻨﻔﴘ ﻇﺎﻫﺮة‬ ‫ﻓﴪ اﻟﺒﺎﺣﺜﻮ ﺑﻌﺪ ذﻟﻚ أﺳﺒﺎب ﻋﺪ اﻟﺪﻗﺔ ﻫﺬ ﰲ ﺿﻮء ﱡ‬ ‫ﱠ‬
‫اﻟﺘﻘﺮﻳﺐ اﻟﻼ اﻋﻲ املﺬﻛﻮرة أﻋﻼ ‪ .‬ﻛﻤﺜﺎ أﺧري ﻣﻦ ﺑني ﻛﺜري ﻣﻦ اﻷﻣﺜﻠﺔ اﻟﺘﻲ ﻛﺎ ﻳﻤﻜﻦ‬
‫أ أﺧﺘﺎرﻫﺎ‪ ،‬أﺷﺎر ﺗﻌﺪاد اﻟﻮﻻﻳﺎت املﺘﺤﺪة ﻟﻌﺎ ‪ ١٩٧٠‬إﱃ ﺟﻮد ‪ ٢٨٩‬ﻓﺘﺎة رﻣﱢ ﻠﺖ ﻃ ﱢﻠﻘﺖ‬
‫ﰲ اﻟﻮﻗﺖ ﻧﻔﺴﻪ ﰲ ﺳﻦ ‪ .١٤‬ﻳﺠﺐ أ ﻧﻼﺣﻆ أﻳﻀﺎ ﻧﻘﻄﺔ ﻋﺎﻣﺔ‪ ،‬ﻫﻲ أﻧﻪ ﻛﻠﻤﺎ زاد‬
‫ﺣﺠﻢ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ ،‬زاد ﻋﺪد املﺸﺎرﻛني ﰲ ﺗﺠﻤﻴﻌﻬﺎ‪ ،‬ﻛﻠﻤﺎ زادت املﺮاﺣﻞ املﺸﺎرﻛﺔ‬
‫ﰲ ﻣﻌﺎﻟﺠﺘﻬﺎ‪ ،‬زاد اﺣﺘﻤﺎ اﺣﺘﻮاﺋﻬﺎ ﻋﲆ أﺧﻄﺎء‪.‬‬
‫ﻛﺜريا ﻣﺎ ﺗﻨﺸﺄ أﻣﺜﻠﺔ أﺧﺮ ﻷﺧﻄﺎء اﻟﺒﻴﺎﻧﺎت ﻣﻦ املﺴﺘﻮ اﻷدﻧﻰ ﻣﻦ ﺣﺪات اﻟﻘﻴﺎس‪،‬‬
‫ﻣﺜﻞ ﺗﺴﺠﻴﻞ اﻟﻄﻮ ﺑﺎملﱰ ﺑﺪﻻ ﻣﻦ اﻟﻘﺪ ‪ ،‬أ اﻟﻮز ﺑﺎﻟﺮﻃﻞ ﺑﺪﻻ ﻣﻦ اﻟﻜﻴﻠﻮﺟﺮا ‪ .‬ﰲ ﻋﺎ‬
‫‪ ،١٩٩٩‬ﻓﻘﺪ »ﻣﺴﺒﺎر ﻣﻨﺎخ املﺮﻳﺦ« ﻋﻨﺪﻣﺎ ﻓﺸﻞ ﰲ دﺧﻮ اﻟﻐﻼ اﻟﺠﻮ ﻟﻠﻤﺮﻳﺦ ﺑﺎﻟﺰا ﻳﺔ‬
‫اﻟﺼﺤﻴﺤﺔ ﺑﺴﺒﺐ اﻟﺨﻠﻂ ﺑني ﻗﻴﺎﺳﺎت اﻟﻀﻐﻂ ﺑﻮﺣﺪﺗﻲ اﻟﺮﻃﻞ اﻟﻨﻴﻮﺗﻦ‪ .‬ﰲ ﻣﺜﺎ آﺧﺮ‬
‫ﻟﻠﺨﻠﻂ ﺑني ﺣﺪات اﻟﻘﻴﺎس — ﻫﺬ املﺮة ﰲ ﺳﻴﺎ ﻃﺒﻲ — ﻛﺎﻧﺖ ﻣﺴﺘﻮﻳﺎت اﻟﻜﺎﻟﺴﻴﻮ‬
‫ﰲ اﻟﺪ ﻋﻨﺪ ﺳﻴﺪة ﻣﺴﻨﱠﺔ ﻋﺎدة ﻣﺴﺘﻮﻳﺎت ﻋﺎدﻳﺔ‪ ،‬ﰲ ﻧﻄﺎ ‪ ٨٫٦‬ﺣﺘﻰ ‪ ،٩٫١‬ﻟﻜﻦ ْ‬
‫ﺑﺪت‬
‫ﻓﺠﺄة أﻧﻬﺎ اﻧﺨﻔﻀﺖ إﱃ ﻗﻴﻤﺔ أﻗ ﱠﻞ ﻣﻦ ذﻟﻚ ﺑﻜﺜري ﺗﺒﻠﻎ ‪ .٤٫٨‬ﻛﺎﻧﺖ املﻤﺮﺿﺔ املﺴﺌﻮﻟﺔ‬
‫ﻋﲆ ﺷﻚ أ ﺗﺒﺪأ ﰲ ﺣﻘﻨﻬﺎ ﺑﺎﻟﻜﺎﻟﺴﻴﻮ ﻋﻨﺪﻣﺎ اﻛﺘﺸﻒ اﻟﺪﻛﺘﻮر ﺳﻠﻔﺎﺗﻮر ﺑﻴﻨﻔﻴﻨﺠﺎ‬
‫أ اﻻﻧﺨﻔﺎض اﻟﻈﺎﻫﺮ ﻛﺎ ﺑﺒﺴﺎﻃﺔ ﺑﺴﺒﺐ أ املﺨﺘﱪ ﻏري ﺣﺪات اﻟﻘﻴﺎس اﻟﺘﻲ ﻛﺎ‬
‫ﻣﲇ‬‫ﻳﺴﺘﺨﺪﻣﻬﺎ ﰲ ﺗﻘﺪﻳﻢ ﺗﻘﺎرﻳﺮ اﻟﻨﺘﺎﺋﺞ )ﻣﻦ ﻣ ﱢﻠﻴﺠﺮا ﻟﻜﻞ دﻳﺴﻴﻠﱰ )ﻋ ْﴩ اﻟﻠﱰ( إﱃ ﱢ‬
‫ﻣﻜﺎﻓﺊ ﻟﻜﻞ ﻟﱰ(‪.‬‬

‫‪46‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫)‪ (3‬اﻧﺘﺸﺎر اﻟﺨﻄﺄ‬

‫ﱠ‬
‫ﺗﺘﻔﴙ ﺗﺴﺒﱢﺐ ﻋﻮاﻗﺐ ﺧﻴﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬ ‫ﺑﻤﺠﺮد ارﺗﻜﺎب اﻷﺧﻄﺎء‪ ،‬ﻓﺈﻧﻬﺎ ﻳﻤﻜﻦ أ‬
‫ﻧﺴﺐ ﻋﺠﺰ املﻴﺰاﻧﻴﺔ ﺗﴪﻳﺢ اﻟﻌﻤﺎ املﺤﺘﻤﻞ ﰲ ﺷﻤﺎ ﻏﺮب ﻻﻳﺔ إﻧﺪﻳﺎﻧﺎ ﰲ ﻋﺎ ‪٢٠٠٦‬‬
‫ﺷﻖ ﻃﺮﻳﻘﻪ ﻋﱪ اﻟﻨﻈﺎ ؛ ﻓﺄﺣﺪ املﻨﺎز ﻛﺎﻧﺖ ﻗﻴﻤﺘﻪ‬ ‫إﱃ ﺗﺄﺛري ﺧﻄﺄ ﰲ رﻗﻢ اﺣﺪ ﻓﻘﻂ ﱠ‬
‫‪ ١٢١٩٠٠‬د ﻻر ﻟﻜﻦ ﺗﻐريت ﻗﻴﻤﺘﻪ ﻋﻦ ﻃﺮﻳﻖ اﻟﺨﻄﺄ إﱃ ‪ ٤٠٠‬ﻣﻠﻴﻮ د ﻻر‪ .‬ﻟﻸﺳﻒ‪،‬‬
‫اﺳﺘﺨﺪﻣﺖ ﻫﺬ اﻟﻘﻴﻤﺔ اﻟﺨﺎﻃﺌﺔ ﰲ ﺣﺴﺎب املﻌﺪﻻت اﻟﴬﻳﺒﻴﺔ‪.‬‬
‫ﰲ ﺣﺎﻟﺔ أﺧﺮ ‪ ،‬ذﻛﺮ ﻋﺪد ﺻﺤﻴﻔﺔ »ﺗﺎﻳﻤﺰ« ﺑﺘﺎرﻳﺦ ‪ ٢‬دﻳﺴﻤﱪ ‪ ٢٠٠٤‬ﻛﻴﻒ أ‬
‫‪ ٦٦٥٠٠‬ﴍﻛﺔ ﻣﻦ ﺣﻮاﱄ ‪ ١٧٠٠٠٠‬ﴍﻛﺔ أزﻳﻠﺖ ﻋﻦ ﻃﺮﻳﻖ اﻟﺨﻄﺄ ﻣﻦ ﻗﺎﺋﻤﺔ ﻣﺴﺘﺨﺪﻣﺔ‬
‫ﻟﺘﺠﻤﻴﻊ اﻟﺘﻘﺪﻳﺮات اﻟﺮﺳﻤﻴﺔ ﻟﻨﺎﺗﺞ اﻟﺒﻨﺎء ﰲ املﻤﻠﻜﺔ املﺘﺤﺪة؛ أ ﱠد ذﻟﻚ إﱃ اﻧﺨﻔﺎض ﻧﻤﻮ‬
‫اﻟﺒﻨﺎء ﰲ اﻟﺮﺑﻊ اﻷ ﺑﻨﺴﺒﺔ ‪ ،٪٢٫٦‬ﺑﺪﻻ ﻣﻦ اﻟﻘﻴﻤﺔ اﻟﺼﺤﻴﺤﺔ اﻟﺘﻲ ﺗﻘﴤ ﺑﺎرﺗﻔﺎﻋﻪ ﺑﻨﺴﺒﺔ‬
‫‪٪٠٫٥‬؛ ﺗﺮﺗﱠﺐ ﻋﲆ ذﻟﻚ أﻧﻪ ﰲ اﻟﺮﺑﻊ اﻟﺜﺎﻧﻲ رد أ ﻧﺴﺒﺔ اﻟﻨﻤﻮ ﺗﺒﻠﻎ ‪ ٪٥٫٣‬ﺑﺪﻻ ﻣﻦ‬
‫اﻟﻨﺴﺒﺔ اﻟﻔﻌﻠﻴﺔ اﻟﺒﺎﻟﻐﺔ ‪.٪٢٫١‬‬

‫)‪ (4‬اﻹﻋﺪاد‬
‫ﻛﻤﺎ ﻳﺠﺐ أ ﻳﻜﻮ اﺿﺤﺎ ﻣﻦ اﻷﻣﺜﻠﺔ اﻟﺴﺎﺑﻘﺔ‪ ،‬ﻓﺈ ﻋﻨﴫا أﺳﺎﺳﻴٍّﺎ أ ﻟﻴٍّﺎ ﰲ أ ﺗﺤﻠﻴﻞ‬
‫إﺣﺼﺎﺋﻲ ﻳﺘﻤﺜﻞ ﰲ اﻟﻔﺤﺺ اﻟﺪﻗﻴﻖ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺘﺤﻘﻖ ﻣﻦ ﺟﻮد اﻷﺧﻄﺎء ﺗﺼﺤﻴﺤﻬﺎ إ ْ‬
‫أﻣﻜﻦ‪ .‬ﰲ ﺑﻌﺾ اﻟﺴﻴﺎﻗﺎت‪ ،‬ﻳﻤﻜﻦ أ ﺗﺴﺘﻐﺮ ﻫﺬ املﺮﺣﻠﺔ اﻷ ﻟﻴﺔ ﻗﺘﺎ أﻃﻮ ﻣﻦ ﻣﺮاﺣﻞ‬
‫اﻟﺘﺤﻠﻴﻞ اﻟﻼﺣﻘﺔ‪.‬‬
‫ﺛﻤﺔ ﻣﻔﻬﻮ رﺋﻴﴘ ﰲ ﺗﻨﻈﻴﻒ اﻟﺒﻴﺎﻧﺎت ﻫﻮ »اﻟﻘﻴﻤﺔ اﻟﺸﺎذة«‪ .‬اﻟﻘﻴﻤﺔ اﻟﺸﺎذة ﻫﻲ‬
‫ﻗﻴﻤﺔ ﺗﺨﺘﻠﻒ ﻛﺜريا ﻋﻦ اﻟﻘﻴﻢ اﻷﺧﺮ ‪ ،‬أ ﻋﻤﺎ ﻫﻮ ﻣﺘﻮﻗﻊ‪ ،‬ﺗﻜﻮ ﺧﺎرﺟﺔ ﻋﻦ ذﻳﻞ اﻟﺘﻮزﻳﻊ‪.‬‬
‫أﺣﻴﺎﻧﺎ ﺗﺤﺪث ﻫﺬ اﻟﻘﻴﻢ املﺘﻄﺮﻓﺔ ﺑﻔﻌﻞ املﺼﺎدﻓﺔ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ‬
‫ﻣﻌﻈﻢ ﺣﺎﻻت اﻟﻄﻘﺲ ﺗﻜﻮ ﻣﻌﺘﺪﻟﺔ إﱃ ﺣ ﱟﺪ ﻣﺎ‪ ،‬ﻓﺈ اﻟﻌﻮاﺻﻒ اﻟﺸﺪﻳﺪة ﺗﺤﺪث ﺑﺎﻟﻔﻌﻞ ﰲ‬
‫ﺑﻌﺾ اﻷﺣﻴﺎ ‪ .‬ﻟﻜﻦ ﰲ ﺣﺎﻻت أﺧﺮ ﻳﻨﺸﺄ اﻟﺸﺬ ذ ﺑﺴﺒﺐ أﻧﻮاع اﻷﺧﻄﺎء املﻮﺿﺤﺔ ﺳﺎﺑﻘﺎ‪،‬‬
‫ﻣﺜﻞ ﻣﻘﻴﺎس ﺷﺪة اﻟﺮﻳﺢ اﻟﺬ ﻳﺸري ﻇﺎﻫﺮﻳٍّﺎ إﱃ ﻋﺎﺻﻔﺔ ﺿﺨﻤﺔ ﻣﻔﺎﺟﺌﺔ ﻣﻦ اﻟﺮﻳﺎح ﰲ‬
‫ﻛﻞ ﻣﻨﺘﺼﻒ ﻟﻴﻞ‪ ،‬ﺗﺰاﻣﻨﺎ ﻣﻊ اﻟﻮﻗﺖ ﻧﻔﺴﻪ اﻟﺬ ﻳﻌﻴﺪ ﻓﻴﻪ ﺗﻠﻘﺎﺋﻴٍّﺎ ﻣﻌﺎﻳﺮة ﻧﻔﺴﻪ؛ ﻟﺬﻟﻚ‬
‫ﻳﻌﺪ اﻟﺒﺤﺚ ﻋﻦ اﻟﻘﻴﻢ اﻟﺸﺎذة اﺳﱰاﺗﻴﺠﻴﺔ ﻋﺎﻣﺔ ﺟﻴﺪة ﻟﻠﻜﺸﻒ ﻋﻦ اﻷﺧﻄﺎء ﰲ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫اﻟﺘﻲ ﻳﻤﻜﻦ ﺑﻌﺪ ذﻟﻚ اﻟﺘﺤﻘﻖ ﻣﻨﻬﺎ ﻋﻦ ﻃﺮﻳﻖ ﺷﺨﺺ ﻣﺎ‪ .‬رﺑﻤﺎ ﺗﻜﻮ ﻫﺬ اﻟﻘﻴﻢ ﻗﻴﻤﺎ‬

‫‪47‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺷﺎذة ﺧﺎﺻﺔ ﺑﻤﺘﻐريات ﻣﻔﺮدة )ﻣﺜﻞ اﻟﺮﺟﻞ اﻟﺒﺎﻟﻎ ﻣﻦ اﻟﻌﻤﺮ ‪ ٢١٠‬ﺳﻨﻮات(‪ ،‬أ ﻣﺘﻐريات‬
‫ﻣﺘﻌﺪدة‪ ،‬ﻟﻴﺲ أ ﱞ ﻣﻨﻬﺎ ﻗﻴﻤﺔ ﺷﺎذة ﰲ ﺣﺪ ذاﺗﻪ )ﻣﺜﻞ اﻟﻔﺘﺎة اﻟﺒﺎﻟﻐﺔ ﻣﻦ اﻟﻌﻤﺮ ‪ ٥‬ﺳﻨﻮات‬
‫ﻟﺪﻳﻬﺎ ‪ ٣‬أﻃﻔﺎ (‪.‬‬
‫ﺣﻼ ﺷﺎﻣﻼ ﻟﻠﻜﺸﻒ ﻋﻦ اﻷﺧﻄﺎء ﰲ‬ ‫ﻛﺸﻒ اﻟﻘﻴﻤﺔ اﻟﺸﺎذة ﻟﻴﺲ ٍّ‬‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪ْ ،‬‬
‫اﻟﺒﻴﺎﻧﺎت؛ ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬ﻳﻤﻜﻦ اﻟﻮﻗﻮع ﰲ أﺧﻄﺎء ﺗﺆد إﱃ ﻗﻴﻢ ﺗﻈﻬﺮ ﻃﺒﻴﻌﻴﺔ ﺗﻤﺎﻣﺎ‪.‬‬
‫ﻓﺮﺑﻤﺎ ﻳﺪرج ﺟﻨﺲ ﺷﺨﺺ ﻣﺎ ﻋﻦ ﻃﺮﻳﻖ اﻟﺨﻄﺄ ﻋﲆ أﻧﻪ أﻧﺜﻰ ﺑﺪﻻ ﻣﻦ ﻛﻮﻧﻪ ذﻛﺮا‪ .‬أﻓﻀﻞ‬
‫ﺣﻞ ﻫﻮ ﺗﺒﻨﱢﻲ ﻣﻤﺎرﺳﺎت إدﺧﺎ ﺑﻴﺎﻧﺎت ﺗﻘﻠﻞ ﻣﻦ ﻋﺪد ﻣﻦ اﻷﺧﻄﺎء‪ .‬ﺳﻨﺘﻨﺎ ﻫﺬا اﻷﻣﺮ‬
‫ﺑﺎﻟﺘﻔﺼﻴﻞ ﰲ ﺟﺰء ﺗﺎ ‪.‬‬
‫إذا اﻛﺘﺸﻒ ﺧﻄﺄ اﺿﺢ‪ ،‬ﺗﻮاﺟﻬﻨﺎ ﻣﺸﻜﻠﺔ ﻣﺎ ﻳﺠﺐ اﻟﻘﻴﺎ ﺑﻪ ﺣﻴﺎﻟﻪ‪ .‬ﻳﻤﻜﻦ أ ﻧﺤﺬ‬
‫اﻟﻘﻴﻤﺔ‪ ،‬ﻣﻌﺘﱪﻳﻦ أﻧﻬﺎ ﻗﻴﻤﺔ ﻧﺎﻗﺼﺔ‪ ،‬ﺛﻢ ﻧﺤﺎ اﺳﺘﺨﺪا أﺣﺪ إﺟﺮاءات اﻟﻘﻴﻢ اﻟﻨﺎﻗﺼﺔ‬
‫املﺬﻛﻮرة ﺳﺎﺑﻘﺎ‪ .‬أﺣﻴﺎﻧﺎ ﻳﻤﻜﻨﻨﺎ ﺿﻊ ﺗﺨﻤني ذﻛﻲ ملﺎ ﻛﺎ ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ﻋﻠﻴﻪ ﻫﺬ‬
‫اﻟﻘﻴﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﻨﻔﱰض أﻧﻪ ﺧﻼ ﺗﺴﺠﻴﻞ أﻋﻤﺎر ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻄﻼب‪ ،‬ﺣﺼﻞ‬
‫اﻟﺸﺨﺺ ﻋﲆ ﺳﻠﺴﻠﺔ اﻟﻘﻴﻢ ‪ .٢٣ ،١٨ ،١٨ ،٢١٠ ،١٩ ،٢٣ ،٢١ ،١٧ ،١٩ ،١٨‬ﺑﺪراﺳﺔ‬
‫ﻫﺬ اﻟﻘﻴﻢ‪ ،‬رﺑﻤﺎ ﻧﻌﺘﻘﺪ أﻧﻪ ﻣﻦ املﺮﺟﺢ أ اﻟﻘﻴﻤﺔ ‪ ٢١٠‬ﻗﺪ دﺧﻠﺖ ﰲ اﻟﻌﻤﻮد اﻟﺨﻄﺄ‪ ،‬أﻧﻪ‬
‫ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ‪ .٢١‬ﺑﺎملﻨﺎﺳﺒﺔ‪ ،‬ﻻﺣﻆ ﻋﺒﺎرة »ﺗﺨﻤني ذﻛﻲ« املﺴﺘﺨﺪﻣﺔ أﻋﻼ ‪ .‬ﻓﻜﻤﺎ‬
‫ﻫﻲ اﻟﺤﺎ ﻣﻊ ﻛﻞ ﺗﺤﻠﻴﻼت اﻟﺒﻴﺎﻧﺎت اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻓﺈ اﻟﺘﻔﻜري املﺘﺄﻧﻲ أﻣﺮ ﺑﺎﻟﻎ اﻷﻫﻤﻴﺔ‪.‬‬
‫ﻓﻠﻴﺲ اﻷﻣﺮ ﻣﺠﺮد ﻣﺴﺄﻟﺔ اﺧﺘﻴﺎر ﻃﺮﻳﻘﺔ إﺣﺼﺎﺋﻴﺔ ﻣﻌﻴﻨﺔ ﺗﺮ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻟﻴﻘﻮ ﺑﺎﻟﻌﻤﻞ؛‬
‫ﻓﺎﻟﻜﻤﺒﻴﻮﺗﺮ ﻻ ﻳﻘﻮ إﻻ ﺑﺎﻟﻌﻤﻠﻴﺎت اﻟﺤﺴﺎﺑﻴﺔ ﺣﺴﺐ‪.‬‬
‫ﻛﺎ ﻣﺜﺎ أﻋﻤﺎر اﻟﻄﻼب ﰲ اﻟﻔﻘﺮة اﻟﺴﺎﺑﻘﺔ ﺻﻐريا ﻟﻠﻐﺎﻳﺔ؛ إذ ﻛﺎ ﻳﺤﺘﻮ ﻓﺤﺴﺐ‬
‫ﻋﲆ ﻋﴩة أرﻗﺎ ؛ ﻟﺬﻟﻚ ﻛﺎ ﻣﻦ اﻟﺴﻬﻞ اﻟﻨﻈﺮ ﻓﻴﻬﺎ ﺗﺤﺪﻳﺪ اﻟﻘﻴﻤﺔ اﻟﺸﺎذة‪ ،‬ﺿﻊ‬
‫ﺗﺨﻤني ذﻛﻲ ﺣﻮ ﻣﺎ ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ﻋﻠﻴﻪ ﻫﺬ اﻟﻘﻴﻤﺔ‪ .‬ﻟﻜﻨﻨﺎ ﻧﻮاﺟﻪ ﻋﲆ ﻧﺤﻮ ﻣﺘﺰاﻳﺪ‬
‫ﻣﺠﻤﻮﻋﺎت ﺑﻴﺎﻧﺎت أﻛﱪ أﻛﱪ‪ .‬إ ﻣﺠﻤﻮﻋﺎت اﻟﺒﻴﺎﻧﺎت املﻜﻮﻧﺔ ﻣﻦ ﻋﺪة ﻣﻠﻴﺎرات ﻣﻦ اﻟﻘﻴﻢ‬
‫ﺷﺎﺋﻌﺔ ﰲ اﻟﻮﻗﺖ اﻟﺤﺎﴐ ﰲ اﻟﺘﻄﺒﻴﻘﺎت اﻟﻌﻠﻤﻴﺔ )ﻣﺜﻞ ﺗﺠﺎرب اﻟﺠﺴﻴﻤﺎت(‪ ،‬اﻟﺘﻄﺒﻴﻘﺎت‬
‫اﻟﺘﺠﺎرﻳﺔ )ﻣﺜﻞ اﻻﺗﺼﺎﻻت(‪ ،‬ﻏريﻫﺎ ﻣﻦ املﺠﺎﻻت اﻷﺧﺮ ‪ .‬ﻏﺎﻟﺒﺎ ﻣﺎ ﺳﻴﻜﻮ ﻣﺴﺘﺤﻴﻼ ﺗﻤﺎﻣﺎ‬
‫اﺳﺘﻜﺸﺎ ﻛﻞ اﻟﻘﻴﻢ ﻳﺪ ﻳٍّﺎ‪ ،‬ﻳﻜﻮ ﻋﻠﻴﻨﺎ أ ﻧﻌﺘﻤﺪ ﻋﲆ اﻟﻜﻤﺒﻴﻮﺗﺮ‪ .‬ﻃﻮﱠر اﻹﺣﺼﺎﺋﻴﻮ‬
‫إﺟﺮاءات آﻟﻴﺔ ﻟﻠﻜﺸﻒ ﻋﻦ اﻟﻘﻴﻢ اﻟﺸﺎذة‪ ،‬ﻟﻜﻨﻬﺎ ﻻ ﺗﺤﻞ املﺸﻜﻠﺔ ﺗﻤﺎﻣﺎ‪ .‬رﺑﻤﺎ ﺗﻠﻔﺖ‬
‫اﻹﺟﺮاءات اﻵﻟﻴﺔ اﻻﻧﺘﺒﺎ ﻧﺤﻮ أﻧﻮاع ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﻐﺮﻳﺒﺔ‪ ،‬ﻟﻜﻨﻬﺎ ﺳﺘﺘﺠﺎﻫﻞ ﺳﻤﺎت‬
‫اﻟﻐﺮاﺑﺔ اﻟﺘﻲ ﻟﻢ ﺗﺨﱪ ﻋﻨﻬﺎ‪ .‬ﺛﻢ ﻫﻨﺎ ﻣﺴﺄﻟﺔ ﻣﺎ ﻳﺠﺐ اﻟﻘﻴﺎ ﺑﻪ ﺣﻴﺎ اﻟﺸﺬ ذ اﻟﻈﺎﻫﺮ‬

‫‪48‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫اﻟﺬ ﻛﺸﻔﻪ اﻟﻜﻤﺒﻴﻮﺗﺮ‪ .‬ﻻ ﺑﺄس ﰲ ﻫﺬا إذا ﻛﺎ رﻗﻤﺎ اﺣﺪا ﻣﻦ ﻫﺬ املﻠﻴﺎر رﻗﻢ ﻫﻮ‬
‫اﻟﺬ ﻛﺎ ﻣﻮﺿﻊ ﺷﻚ‪ ،‬ﻟﻜﻦ ﻣﺎذا ﻟﻮ ﻛﺎ ﻣﺎﺋﺔ أﻟﻒ رﻗﻢ ﰲ ﻣﻮﺿﻊ ﺷﻚ؟ ﻣﺮة أﺧﺮ ‪،‬‬
‫اﻟﻔﺤﺺ اﻟﺘﺼﺤﻴﺢ ﻋﻦ ﻃﺮﻳﻖ اﻷﺷﺨﺎص ﻏري ﻋﻤﲇ‪ .‬ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ ﻣﺜﻞ ﻫﺬ اﻟﺤﺎﻻت‪،‬‬
‫ﻃﻮﱠر اﻹﺣﺼﺎﺋﻴﻮ ﻣﺮة أﺧﺮ إﺟﺮاءات آﻟﻴﺔ‪ ،‬ﻃﻮرت ﺑﻌﺾ ﻣﻦ أﻗﺪ أﺳﺎﻟﻴﺐ اﻟﺘﺤﺮﻳﺮ‬
‫اﻟﺘﺼﺤﻴﺢ اﻵﻟﻴﺔ ﺗﻠﻚ ﰲ ﺳﻴﺎ اﻟﺘﻌﺪادات اﻟﺪراﺳﺎت املﺴﺤﻴﺔ اﻟﻜﺒرية‪ ،‬ﻟﻜﻨﻬﺎ دراﺳﺎت‬
‫ﻟﻴﺴﺖ ﻣﻌﺼﻮﻣﺔ ﻣﻦ اﻟﺨﻄﺄ‪ .‬ﺧﻼﺻﺔ اﻟﻘﻮ أ اﻹﺣﺼﺎﺋﻴني ﻻ ﻳﺴﺘﻄﻴﻌﻮ — ﻟﻸﺳﻒ —‬
‫ﺻﻨﻊ املﻌﺠﺰات‪ .‬إ ﺟﻮد ﺑﻴﺎﻧﺎت ردﻳﺌﺔ اﻟﺠﻮدة ﻳﺠﻌﻠﻨﺎ ﰲ ﺧﻄﺮ اﻟﺤﺼﻮ ﻋﲆ ﻧﺘﺎﺋﺞ‬
‫ردﻳﺌﺔ اﻟﺠﻮدة )ﺑﻤﻌﻨﻰ ﻏري دﻗﻴﻘﺔ ﺧﺎﻃﺌﺔ ﻋﺮﺿﺔ ﻟﻠﺨﻄﺄ(‪ .‬أﻓﻀﻞ اﺳﱰاﺗﻴﺠﻴﺔ ﻟﺘﺠﻨﺐ‬
‫ذﻟﻚ ﻫﻲ اﻟﺤﺮص ﻋﲆ اﻟﺤﺼﻮ ﻋﲆ ﺑﻴﺎﻧﺎت ذات ﺟﻮدة ﻋﺎﻟﻴﺔ ﻣﻦ اﻟﺒﺪاﻳﺔ‪.‬‬
‫ﻃﻮرت اﻟﻌﺪﻳﺪ ﻣﻦ اﻻﺳﱰاﺗﻴﺠﻴﺎت ﻟﺘﺠﻨﺐ اﻷﺧﻄﺎء ﰲ اﻟﺒﻴﺎﻧﺎت ﰲ املﻘﺎ اﻷ ‪ ،‬ﻫﻲ‬
‫ﺗﺘﻨﻮع ﻓﻘﺎ ملﺠﺎ اﻟﺘﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻋﻨﺪﻣﺎ ﺗﻨﺴﺦ ﺑﻴﺎﻧﺎت‬
‫اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ ﻣﻦ اﺳﺘﻤﺎرات ﺳﺠﻞ اﻟﺤﺎﻟﺔ املﻜﺘﻮﺑﺔ ﺑﺎﻟﻴﺪ‪ ،‬ﻳﻮﺟﺪ اﺣﺘﻤﺎ ﺣﺪ ث‬
‫أﺧﻄﺎء ﰲ ﻣﺮﺣﻠﺔ اﻟﻨﺴﺦ‪ .‬ﺗﻘﻠﻞ ﻫﺬ اﻷﺧﻄﺎء ﻋﻦ ﻃﺮﻳﻖ ﺗﺮﺗﻴﺐ ﺗﻜﺮار إدﺧﺎ اﻟﺒﻴﺎﻧﺎت‬
‫ﻣﺮﺗني ﻋﻦ ﻃﺮﻳﻖ ﺷﺨﺼني ﻣﺨﺘﻠﻔني ﻳﻌﻤﻼ ﻋﲆ ﻧﺤﻮ ﻣﺴﺘﻘﻞ‪ ،‬ﺛﻢ اﻟﺘﺤﻘﻖ ﻣﻦ ﺟﻮد‬
‫أ اﺧﺘﻼﻓﺎت‪ .‬ﻋﻨﺪ اﻟﺘﻘﺪ ﻟﻠﺤﺼﻮ ﻋﲆ ﻗﺮض‪ ،‬ﻓﺈ ﺑﻴﺎﻧﺎت اﻟﻄﻠﺐ )ﻣﺜﻞ اﻟﻌﻤﺮ اﻟﺪﺧﻞ‬
‫اﻟﺪﻳﻮ اﻷﺧﺮ ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ( ﻳﻤﻜﻦ إدﺧﺎﻟﻬﺎ ﻣﺒﺎﴍة إﱃ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ‪ ،‬ﻳﻤﻜﻦ‬
‫ﻟﱪاﻣﺞ اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺘﻔﺎﻋﻠﻴﺔ اﻟﺘﺤﻘﻖ ﻣﻦ اﻷﺟﻮﺑﺔ ﺑﻴﻨﻤﺎ ﻳﺘﻢ إدﺧﺎﻟﻬﺎ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا‬
‫ﻛﺎ اﻟﺸﺨﺺ ﻣﺎﻟﻜﺎ ملﻨﺰ ‪ ،‬ﻓﻬﻞ ﺗﺸﻤﻞ دﻳﻮﻧﻪ اﻟﺮﻫﻦ اﻟﻌﻘﺎر ؟( ﻋﻤﻮﻣﺎ‪ ،‬ﻳﺠﺐ ﺗﺼﻤﻴﻢ‬
‫اﻻﺳﺘﻤﺎرات ﻋﲆ ﻧﺤﻮ ﻳﻘﻠﻞ اﻷﺧﻄﺎء؛ ﻓﻼ ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ﻣﻌﻘﺪة ﻋﲆ ﻧﺤﻮ ﻣﻔﺮط‪ ،‬ﻳﺠﺐ‬
‫أ ﺗﻜﻮ ﺟﻤﻴﻊ اﻷﺳﺌﻠﺔ اﺿﺤﺔ‪ .‬ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻣﻦ اﻷﻓﻜﺎر اﻟﺠﻴﺪة إﺟﺮاء دراﺳﺔ‬
‫ﻣﺴﺤﻴﺔ ﺗﺠﺮﻳﺒﻴﺔ ﺻﻐرية ﻟﻠﺘﻌﺮ ﻋﲆ أﻳﺔ ﻣﺸﻜﻼت ﰲ ﻋﻤﻠﻴﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت ﻗﺒﻞ اﻻﻧﺘﻘﺎ‬
‫ﻟﻠﺘﻨﻔﻴﺬ اﻟﻔﻌﲇ‪.‬‬
‫ﺑﺎملﻨﺎﺳﺒﺔ‪ ،‬ﺗﻌﺪ ﻋﺒﺎرة »ﺧﻄﺄ ﺣﺎﺳﻮﺑﻲ« ﻋﺒﺎرة ﻣﺄﻟﻮﻓﺔ‪ ،‬ﻳﻌﺪ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻛﺒﺶ ﻓﺪاء‬
‫ﺷﺎﺋﻊ ﻋﻨﺪﻣﺎ ﺗﺤﺪث أﺧﻄﺎء ﰲ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻟﻜﻦ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﻔﻌﻞ ﻓﺤﺴﺐ ﻣﺎ ﻳﻘﺎ ﻟﻪ‪،‬‬
‫ﻣﺴﺘﺨﺪﻣﺎ اﻟﺒﻴﺎﻧﺎت املﻘﺪﱠﻣﺔ ﻟﻪ‪ .‬ﻋﻨﺪﻣﺎ ﺗﺤﺪث اﻷﺧﻄﺎء‪ ،‬ﻓﻠﻴﺲ ﻫﺬا ﺻﻨﻴﻌﺔ ﻳﺪ اﻟﻜﻤﺒﻴﻮﺗﺮ‪.‬‬

‫)‪ (5‬اﻟﺒﻴﺎﻧﺎت اﻟﺮﺻﺪﻳﺔ ﰲ ﻣﻘﺎﺑﻞ اﻟﺒﻴﺎﻧﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﻜﻮ ﻣﻦ املﻔﻴﺪ اﻟﺘﻤﻴﻴﺰ ﺑني اﻟﺪراﺳﺎت »اﻟﺮﺻﺪﻳﺔ« اﻟﺪراﺳﺎت »اﻟﺘﺠﺮﻳﺒﻴﺔ«‪،‬‬
‫ﺑﺎملﺜﻞ ﺑني اﻟﺒﻴﺎﻧﺎت اﻟﺮﺻﺪﻳﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ‪ .‬ﺗﺸري اﻟﺼﻔﺔ »رﺻﺪﻳﺔ« إﱃ اﻟﺤﺎﻻت‬

‫‪49‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺘﻲ ﻻ ﻳﺴﺘﻄﻴﻊ املﺮء ﻓﻴﻬﺎ أ ﻳﺘﺪﺧﻞ ﰲ ﻋﻤﻠﻴﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ‬
‫اﺳﺘﻄﻼع ﺣﻮ اﻟﺘﻮﺟﻬﺎت اﻟﺬﻫﻨﻴﺔ ﻟﻸﺷﺨﺎص ﺣﻴﺎ اﻟﺴﻴﺎﺳﻴني )اﻧﻈﺮ أدﻧﺎ (‪ ،‬ﺗﺴﺄ ﻋﻴﻨﺔ‬
‫ﻣﻨﺎﺳﺒﺔ ﻣﻦ اﻷﺷﺨﺎص ﻋﻦ ﺷﻌﻮرﻫﻢ‪ ،‬أ ﰲ دراﺳﺔ ﻟﺨﺼﺎﺋﺺ املﺠﺮات اﻟﺒﻌﻴﺪة‪ ،‬ﺳﻮ‬
‫ﺗﺨﻀﻊ ﻫﺬ اﻟﺨﺼﺎﺋﺺ ﻟﻠﺮﺻﺪ اﻟﺘﺴﺠﻴﻞ‪ .‬ﰲ ﻫﺬﻳﻦ املﺜﺎﻟني‪ ،‬اﺧﺘﺎر اﻟﺒﺎﺣﺜﻮ ﺑﺒﺴﺎﻃﺔ‬
‫اﻷﺷﺨﺎص أ اﻷﺷﻴﺎء اﻟﺘﻲ ﺳﻴﺪرﺳﻮﻧﻬﺎ ﺛﻢ ﺳﺠﻠﻮا ﺧﺼﺎﺋﺺ ﻫﺆﻻء اﻷﺷﺨﺎص أ اﻷﺷﻴﺎء‪.‬‬
‫ﻻ ﺟﻮد ﻫﻨﺎ ﻟﻔﻜﺮة اﻟﻘﻴﺎ ﺑﴚء ﻣﺎ ﻟﻸﺷﺨﺎص أ املﺠﺮات ﻗﺒﻞ ﻗﻴﺎﺳﻬﺎ‪ .‬ﰲ املﻘﺎﺑﻞ‪،‬‬
‫ﰲ اﻟﺪراﺳﺔ اﻟﺘﺠﺮﻳﺒﻴﺔ ﻳﺘﻼﻋﺐ اﻟﺒﺎﺣﺜﻮ ﻓﻌﻠﻴٍّﺎ ﺑﻌﻨﺎﴏ اﻟﺪراﺳﺔ ﺑﻄﺮﻳﻘﺔ ﻣﺎ؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫أﺧﺬ اﻟﻘﻴﺎﺳﺎت‪ .‬ﰲ‬ ‫املﺜﺎ ‪ ،‬ﰲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ رﺑﻤﺎ ﻳﻌ ﱢﺮﺿﻮ املﺘﻄﻮﱢﻋني ﻟﺪ اء ﻣﻌني ﻗﺒﻞ ْ‬
‫ﺗﺠﺮﺑﺔ ﺗﺼﻨﻴﻌﻴﺔ ﻹﻳﺠﺎد اﻟﻈﺮ اﻟﺘﻲ ﺗﺴﻔﺮ ﻋﻦ أﻗﻮ ﻣﻨﺘﺞ ﻧﻬﺎﺋﻲ‪ ،‬ﺳﻴﺠ ﱢﺮﺑﻮ ﻇﺮ ﻓﺎ‬
‫ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻳﺘﻤﺜﱠﻞ أﺣﺪ اﻟﻔﺮ اﻟﺠﻮﻫﺮﻳﺔ ﺑني اﻟﺪراﺳﺎت اﻟﺮﺻﺪﻳﺔ اﻟﺘﺠﺮﻳﺒﻴﺔ ﰲ أ اﻟﺪراﺳﺎت‬
‫اﻟﺘﺠﺮﻳﺒﻴﺔ أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﺑﻜﺜري ﰲ ﺗﺤﺪﻳﺪ اﻟﺴﺒﺐ املﺴﺒﺐ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻧﺨﻤﻦ‬
‫أ ﻃﺮﻳﻘﺔ ﻣﻌﻴﻨﺔ ﻟﺘﻌﻠﻴﻢ اﻷﻃﻔﺎ اﻟﻘﺮاءة )اﻟﻄﺮﻳﻘﺔ »أ« ﻣﺜﻼ( أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﻣﻦ ﻃﺮﻳﻘﺔ‬
‫أﺧﺮ )اﻟﻄﺮﻳﻘﺔ »ب«(‪ .‬ﰲ دراﺳﺔ ﺻﻔﻴﺔ‪ ،‬ﺳﻮ ﻧﻨﻈﺮ ﻟﻸﻃﻔﺎ اﻟﺬﻳﻦ ﺧﻀﻌﻮا ﻟﻠﺘﻌﻠﻴﻢ‬
‫ﺑﺎﺳﺘﺨﺪا إﺣﺪ اﻟﻄﺮﻳﻘﺘني ﻧﻘﺎر ﻗﺪرﺗﻬﻢ ﻋﲆ اﻟﻘﺮاءة‪ .‬ﻟﻜﻨﻨﺎ ﻟﻦ ﻧﻜﻮ ﻗﺎدرﻳﻦ ﻋﲆ‬
‫اﻟﺘﺪﺧﻞ ﰲ ﺗﻮزﻳﻊ اﻷﻃﻔﺎ اﻟﺬﻳﻦ ﻳﺨﻀﻌﻮ ﻟﻠﻄﺮﻳﻘﺔ »أ« اﻟﺬﻳﻦ ﻳﺨﻀﻌﻮ ﻟﻠﻄﺮﻳﻘﺔ »ب«؛‬
‫ﻓﻬﺬا ﻳﺘﺤﺪد ﻣﻦ ﻗﺒﻞ ﺷﺨﺺ آﺧﺮ‪ .‬ﻳﺴﺒﺐ ذﻟﻚ ﻣﺸﻜﻠﺔ ﻣﺤﺘﻤﻠﺔ؛ إذ ﻳﻌﻨﻲ أﻧﻪ ﻣﻦ املﻤﻜﻦ‬
‫أ ﺗﻮﺟﺪ اﺧﺘﻼﻓﺎت أﺧﺮ ﺑني ﻣﺠﻤﻮﻋﺘﻲ ﺗﻌ ﱡﻠﻢ اﻟﻘﺮاءة‪ ،‬ﻓﻀﻼ ﻋﻦ ﻃﺮﻳﻘﺔ اﻟﺘﺪرﻳﺲ؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﺘﻘﺪﻳﻢ ﺗﻮﺿﻴﺢ ﺻﺎرخ‪ ،‬رﺑﻤﺎ ﻳﻠﺤﻖ املﺪ ﱢرس ﺟﻤﻴﻊ اﻷﻃﻔﺎ اﻟﺬﻳﻦ ﻳﺘﻌ ﱠﻠﻤﻮ‬
‫ﻋﲆ ﻧﺤﻮ أﴎع ﺑﺎﻟﻄﺮﻳﻘﺔ »أ«؛ أ رﺑﻤﺎ ﻛﺎ اﻷﻃﻔﺎ أﻧﻔﺴﻬﻢ ﻣﺴﻤﻮﺣﺎ ﻟﻬﻢ ﺑﺎﻻﺧﺘﻴﺎر‪،‬‬
‫ﻣﺎ أ ﻟﺌﻚ اﻷﻛﺜﺮ ﺗﻘﺪﻣﺎ ﺑﺎﻟﻔﻌﻞ ﰲ اﻟﻘﺮاءة إﱃ اﺧﺘﻴﺎر اﻟﻄﺮﻳﻘﺔ »أ«‪ .‬إذا ﻛﻨﱠﺎ أﻛﺜﺮ ﺗﻤﺮﺳﺎ ﰲ‬
‫ﻣﺠﺎ اﻹﺣﺼﺎء‪ ،‬ﻓﺮﺑﻤﺎ ﻧﺴﺘﺨﺪ أﺳﺎﻟﻴﺐ إﺣﺼﺎﺋﻴﺔ ﰲ ﻣﺤﺎ ﻟﺔ ﻟﻠﺴﻴﻄﺮة ﻋﲆ أ اﺧﺘﻼﻓﺎت‬
‫ﻣﻮﺟﻮدة ﻣﺴﺒﻘﺎ ﺑني اﻷﻃﻔﺎ ‪ ،‬ﻛﺬﻟﻚ اﻟﻌﻮاﻣﻞ اﻷﺧﺮ اﻟﺘﻲ ﻧﻌﺘﻘﺪ أﻧﻬﺎ ﻣﻦ املﺮﺟﱠ ﺢ أ ﺗﺆﺛﱢﺮ‬
‫ﻋﲆ ﻣﺪ ﴎﻋﺔ ﺗﻌﻠﻤﻬﻢ اﻟﻘﺮاءة‪ .‬ﻟﻜﻦ ﺗﻈﻞ ﻫﻨﺎ داﺋﻤﺎ اﺣﺘﻤﺎﻟﻴﺔ ﺟﻮد ﺗﺄﺛريات أﺧﺮ‬
‫ﻟﻢ ﻧﻔ ﱢﻜﺮ ﻓﻴﻬﺎ‪ ،‬اﻟﺘﻲ ﺗﺴﺒﺐ اﻟﻔﺮ ‪.‬‬
‫ﺗﺘﻐﻠﺐ اﻟﺪراﺳﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ ﻋﲆ ﻫﺬا اﻻﺣﺘﻤﺎ ﻋﻦ ﻃﺮﻳﻖ اﻻﺧﺘﻴﺎر املﺘﻌﻤﱠ ﺪ ﻟﻜﻞ ﻃﻔﻞ‬
‫ﻟﻠﻄﺮﻳﻘﺔ اﻟﺘﻲ ﻳﺪرس ﺑﻬﺎ؛ ﻓﺈذا ﻛﻨﱠﺎ ﻧﻌﺮ ﺑﺎﻟﻔﻌﻞ ﻛﻞ اﻟﻌﻮاﻣﻞ املﻤﻜﻨﺔ‪ ،‬ﺑﺎﻹﺿﺎﻓﺔ إﱃ‬
‫ﻃﺮﻳﻘﺔ اﻟﺘﺪرﻳﺲ — اﻟﺘﻲ ﻳﻤﻜﻦ أ ﺗﺆﺛﱢﺮ ﻋﲆ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة — ﻳﻤﻜﻨﻨﺎ اﻟﺘﺄﻛﺪ ﻣﻦ‬

‫‪50‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﻧﻈﻦ أ‬‫ﱡ‬ ‫أ اﻟﺘﻮزﻳﻊ ﻋﲆ ﻃﺮﻳﻘﺘﻲ اﻟﺘﺪرﻳﺲ ﻛﺎ »ﻣﺘﻮازﻧﺎ«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﻨﱠﺎ‬
‫اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة ﺗﺘﺄﺛﺮ ﺑﺎﻟﻌﻤﺮ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﻮزﻳﻊ اﻟﻌﺪد ﻧﻔﺴﻪ ﻣﻦ اﻷﻃﻔﺎ اﻟﺼﻐﺎر ﻋﲆ ﻛﻞ‬
‫ﻃﺮﻳﻘﺔ‪ .‬ﻫﻜﺬا‪ ،‬ﻓﺈ أ اﺧﺘﻼﻓﺎت ﰲ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة ﻧﺎﺷﺌﺔ ﻋﻦ اﻟﻌﻤﺮ ﻟﻦ ﻳﻜﻮ ﻟﻬﺎ‬
‫أ ﺗﺄﺛري ﻋﲆ اﻟﻔﺮ ﺑني ﻣﺠﻤﻮﻋﺘﻴﻨﺎ؛ أ إﻧﻪ إذا ﻛﺎ ﻟﻠﻌﻤﺮ ﺗﺄﺛري ﻋﲆ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة‪،‬‬
‫ﻓﺈ اﻟﺘﺄﺛري ﺳﻴﻜﻮ ﻧﻔﺴﻪ ﰲ ﻛﻠﺘﺎ املﺠﻤﻮﻋﺘني‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻤﺘﻠﻚ اﻟﺪراﺳﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ‬
‫ﺳﻴﻠﺔ أﻛﺜﺮ ﻗﻮة ﰲ اﺧﺘﻴﺎر أ ﻃﻔﻞ ﻳﺨﻀﻊ ﻷ ﻃﺮﻳﻘﺔ‪ ،‬اﻟﺘﻲ ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ »اﻟﺘﻮزﻳﻊ‬
‫اﻟﻌﺸﻮاﺋﻲ«‪ ،‬ﺳﻮ أﺗﻨﺎ ذﻟﻚ ﻓﻴﻤﺎ ﻳﲇ‪:‬‬
‫ﻧﺘﻴﺠﺔ ﻫﺬا أﻧﻪ ﰲ اﻟﺪراﺳﺔ اﻟﺘﺠﺮﻳﺒﻴﺔ ﻳﻤﻜﻦ أ ﻧﻜﻮ أﻛﺜﺮ ﺛﻘﺔ ﺣﻴﺎ ﺳﺒﺐ أ‬
‫ﺗﺄﺛري ﻣﺮﺻﻮد‪ .‬ﰲ ﺗﺠﺮﺑﺔ ﻣﻘﺎرﻧﺔ ﺗﻌﻠﻴﻢ اﻟﻘﺮاءة‪ ،‬ﻳﻤﻜﻨﻨﺎ أ ﻧﻜﻮ أﻛﺜﺮ ﺛﻘﺔ أ أ ﻓ ْﺮ‬
‫ﰲ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة ﺑني املﺠﻤﻮﻋﺘني ﻫﻮ ﻧﺘﻴﺠﺔ ﻟﻄﺮﻳﻘﺔ اﻟﺘﻌﻠﻴﻢ‪ ،‬ﻟﻴﺲ ﻧﺘﻴﺠﺔ ﻋﺎﻣﻞ‬
‫آﺧﺮ‪.‬‬
‫ﻟﻸﺳﻒ‪ ،‬ﻟﻴﺲ ﻣﻦ املﻤﻜﻦ داﺋﻤﺎ إﺟﺮاء اﻟﺘﺠﺎرب ﺑﺪﻻ ﻣﻦ اﻟﺪراﺳﺎت اﻟﺮﺻﺪﻳﺔ‪ .‬ﻓﻼ‬
‫ﻳﻤﻜﻨﻨﺎ ﻣﺜﻼ ﺗﻌﺮﻳﺾ املﺠﺮات املﺨﺘﻠﻔﺔ ﻟﻈﺮ ﻣﺨﺘﻠﻔﺔ! ﻋﲆ أ ﺣﺎ ‪ ،‬رﺑﻤﺎ ﻳﻜﻮ ﻣﻦ‬
‫املﻀ ﱢﻠﻞ ﰲ ﺑﻌﺾ اﻷ ﻗﺎت اﺳﺘﺨﺪا املﻨﻬﺞ اﻟﺘﺠﺮﻳﺒﻲ؛ ﻓﻔﻲ ﻛﺜري ﻣﻦ اﻟﺪراﺳﺎت املﺴﺤﻴﺔ‬
‫اﻻﺟﺘﻤﺎﻋﻴﺔ‪ ،‬ﻳﺘﻤﺜﻞ اﻟﻬﺪ ﰲ ﻣﻌﺮﻓﺔ ﺣﺎ اﻟﺴﻜﺎ اﻟﺤﻘﻴﻘﻲ‪ ،‬ﻻ ﰲ »ﻣﺎذا ﺳﻴﻜﻮ اﻟﺘﺄﺛري‬
‫اﻟﻨﺎﺗﺞ إذا ﻓﻌﻠﻨﺎ ﻛﺬا ﻛﺬا؟« ﻣﻊ ذﻟﻚ‪ ،‬إذا ﻛﻨﱠﺎ ﻧﺮﻳﺪ ﺑﺎﻟﻔﻌﻞ أ ﻧﻌﺮ ﻣﺎذا ﺳﻴﻜﻮ ﺗﺄﺛري أ‬
‫ﺗﺪﺧﻞ ﻣﺤﺘﻤﻞ‪ ،‬ﻓﺈ اﻟﺪراﺳﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ ﺗﻌ ﱡﺪ اﺳﱰاﺗﻴﺠﻴﺔ أﻓﻀﻞ‪ .‬ﻫﺬا اﻟﻨﻮع ﻣﻦ اﻟﺪراﺳﺎت‬ ‫ﱡ‬
‫اﺳﻊ اﻻﻧﺘﺸﺎر ﰲ ﻗﻄﺎع اﻟﺼﻨﺎﻋﺎت اﻟﺪ اﺋﻴﺔ اﻟﻄﺐ ﻋﻠﻢ اﻟﻨﻔﺲ‪ ،‬ﻣﺠﺎ اﻟﺘﺼﻨﻴﻊ‬
‫اﻟﺼﻨﺎﻋﺎت اﻟﺘﺤﻮﻳﻠﻴﺔ‪ ،‬ﻛﻤﺎ ﻳﺴﺘﺨﺪ ﻋﲆ ﻧﺤﻮ ﻣﺘﺰاﻳﺪ ﰲ ﺗﻘﻴﻴﻢ اﻟﺴﻴﺎﺳﺔ اﻻﺟﺘﻤﺎﻋﻴﺔ ﰲ‬
‫ﻣﺠﺎﻻت ﻣﺜﻞ إدارة ﻗﻴﻤﺔ اﻟﻌﻤﻼء‪.‬‬
‫ﻋﻤﻮﻣﺎ‪ ،‬ﻋﻨﺪ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت ﺑﻬﺪ إﺟﺎﺑﺔ أ اﺳﺘﻜﺸﺎ ﺑﻌﺾ اﻷﺳﺌﻠﺔ‪ ،‬ﻛﻠﻤﺎ زادت‬
‫اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺠﻤﻊ‪ ،‬زادت دﻗﺔ اﻹﺟﺎﺑﺔ اﻟﺘﻲ ﻳﻤﻜﻦ اﻟﺤﺼﻮ ﻋﻠﻴﻬﺎ؛ ﻫﺬا ﻧﺘﻴﺠﺔ ﻟ »ﻗﺎﻧﻮ‬
‫اﻷﻋﺪاد اﻟﻜﺒرية«‪ ،‬اﻟﺬ ﺳﻴﻨﺎﻗﺶ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‪ .‬ﻟﻜﻦ ﺟﻤﻊ املﺰﻳﺪ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻳﻔﺮض‬
‫ﺗﻜﻠﻔﺔ أﻛﱪ‪ .‬ﻟﺬﻟﻚ ﻓﻤﻦ اﻟﴬ ر اﻟﺘﻮﺻﻞ إﱃ ﺣ ﱟﻞ ﺳﻂ ﻣﻨﺎﺳﺐ ﺑني ﻛﻤﻴﺔ اﻟﺒﻴﺎﻧﺎت‬
‫اﻟﺘﻲ ﺗﺠﻤﻊ ﺗﻜﻠﻔﺔ ﺟﻤﻌﻬﺎ‪ .‬ﺗﻘﺒﻊ ﺗﺨﺼﺼﺎت ﻓﺮﻋﻴﺔ ﻣﺘﻌﺪدة ﻣﻦ اﻹﺣﺼﺎء ﰲ ﻗﻠﺐ ﻫﺬ‬
‫اﻟﻌﻤﻠﻴﺔ‪ ،‬ﻋﲆ ﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﻳﻌ ﱡﺪ »اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ« »ﻣﺴﺢ اﻟﻌﻴﻨﺎت« ﻧﻮﻋني ﻣﻦ‬
‫اﻟﺘﺨﺼﺼﺎت اﻟﺮﺋﻴﺴﻴﺔ‪.‬‬

‫‪51‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫)‪ (6‬اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ‬

‫رأﻳﻨﺎ ﺑﺎﻟﻔﻌﻞ أﻣﺜﻠﺔ ﻟﺘﺠﺎرب ﺑﺴﻴﻄﺔ ﺟﺪٍّا‪ .‬ﺗﺘﻤﺜﻞ إﺣﺪ أﺑﺴﻂ اﻟﺘﺠﺎرب ﰲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ‬
‫ﺛﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ ﺗﺴﺘﺨﺪ ﻋﻴﻨﺎت ﻋﺸﻮاﺋﻴﺔ‪ .‬اﻟﻬﺪ ﻫﻨﺎ ﻫﻮ املﻘﺎرﻧﺔ ﺑني ﻋﻼﺟني ﻣﻦ‬
‫اﻟﻌﻼﺟﺎت اﻟﺒﺪﻳﻠﺔ )»أ« »ب«‪ ،‬ﻣﺜﻼ( ﻟﻜﻲ ﻧﺴﺘﻄﻴﻊ ﻣﻌﺮﻓﺔ أﻳﻬﻤﺎ ﻳﻨﺒﻐﻲ إﻋﻄﺎؤ ملﺮﻳﺾ‬
‫ﺟﺪﻳﺪ‪ .‬ﻻﻛﺘﺸﺎ ذﻟﻚ‪ ،‬ﻧﻘﺪ اﻟﻌﻼج »أ« إﱃ إﺣﺪ ﻋﻴﻨﺘﻲ املﺮﴇ‪ ،‬اﻟﻌﻼج »ب« إﱃ اﻟﻌﻴﻨﺔ‬
‫اﻷﺧﺮ ﻣﻦ املﺮﴇ‪ ،‬ﻧﻘﻴﱢﻢ ﻓﻌﺎﻟﻴﺔ اﻟﻌﻼج‪ .‬إذا ﺗﻔ ﱠﻮ »أ« ﻋﲆ »ب« ﰲ املﺘﻮﺳﻂ‪ ،‬ﻓﺈﻧﻨﺎ‬
‫ﱠ‬
‫ﻳﺘﻠﻘﻰ املﺮﻳﺾ اﻟﺠﺪﻳﺪ اﻟﻌﻼج »أ«‪ .‬ﺳﻴﻌﺘﻤﺪ ﻣﻌﻨﻰ ﻛﻠﻤﺔ »ﺗﻔﻮ « ﰲ اﻟﺠﻤﻠﺔ‬ ‫ﺳﻨﻮﴆ أ‬
‫اﻟﺴﺎﺑﻘﺔ ﻋﲆ اﻟﺪراﺳﺔ ﻧﻔﺴﻬﺎ؛ إذ ﻳﻤﻜﻦ أ ﺗﻌﻨﻲ »ﻳﺸﻔﻲ املﺰﻳﺪ ﻣﻦ املﺮﴇ«‪ ،‬أ »ﻳﻄﻴﻞ‬
‫ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ«‪ ،‬أ »ﻳﺴﺒﺐ ﻣﺘﻮﺳﻂ اﻧﺨﻔﺎض أﻛﱪ ﰲ اﻷﻟﻢ«‪ ،‬أ ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫ﻛﻤﺎ ﻻﺣﻈﻨﺎ ﺑﺎﻟﻔﻌﻞ ﺳﺎﺑﻘﺎ‪ ،‬إذا ﻛﺎﻧﺖ ﻣﺠﻤﻮﻋﺘﺎ املﺮﴇ ﺗﺨﺘﻠﻔﺎ ﻋﲆ ﻧﺤﻮ ﻣﺎ‪ ،‬ﻓﺈ‬
‫اﻻﺳﺘﻨﺘﺎﺟﺎت اﻟﺘﻲ ﻳﻤﻜﻦ أ ﻧﺴﺘﺨﻠﺼﻬﺎ ﻣﺤﺪ دة‪ .‬ﻓﺈذا ﻛﺎ املﺮﴇ اﻟﺬﻳﻦ ﱠ‬
‫ﺗﻠﻘﻮا اﻟﻌﻼج‬
‫ﺗﻠﻘﻮا اﻟﻌﻼج »ب« ﻛﻠﻬﻢ ﻣﻦ اﻹﻧﺎث‪ ،‬ﻓﺈﻧﻨﺎ ﻟﻦ ﻧﻌﺮ ﻣﺎ‬‫»أ« ﺟﻤﻴﻌﺎ ﻣﻦ اﻟﺬﻛﻮر‪ ،‬اﻟﺬﻳﻦ ﱠ‬
‫إذا ﻛﺎ أ ﻓﺮ ﺑني املﺠﻤﻮﻋﺘني ﻻﺣﻈﻨﺎ ﻳﺮﺟﻊ إﱃ اﻟﻌﻼج أ إﱃ اﺧﺘﻼ اﻟﺠﻨﺲ؛ إذ‬
‫ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ اﻟﻌﻼج‪ .‬ﺗﻨﻄﺒﻖ اﻟﻨﻘﻄﺔ ﻧﻔﺴﻬﺎ ﻋﲆ‬ ‫ﱢ‬ ‫رﺑﻤﺎ ﺗﺘﺤﺴﻦ ﺻﺤﺔ اﻹﻧﺎث أﴎع‬
‫أ ﻋﺎﻣﻞ آﺧﺮ؛ اﻟﻌﻤﺮ أ اﻟﻄﻮ أ اﻟﻮز أ ﻣﺪة املﺮض أ ﺗﺎرﻳﺦ اﻟﻌﻼﺟﺎت اﻟﺴﺎﺑﻘﺔ‪ ،‬أ‬
‫ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫إﺣﺪ اﺳﱰاﺗﻴﺠﻴﺎت ﺗﻘﻠﻴﻞ ﻫﺬ اﻟﺼﻌﻮﺑﺔ ﺗﻜﻤﻦ ﰲ ﺗﻮزﻳﻊ املﺮﴇ ﻋﺸﻮاﺋﻴٍّﺎ ﻋﲆ‬
‫ﻣﺠﻤﻮﻋﺘﻲ اﻟﻌﻼج‪ .‬ﺗﻜﻤﻦ ﻗﻮة ﻫﺬا اﻟﻨﻬﺞ ﰲ أﻧﻪ ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ ﻋﺪ ﺿﻤﺎﻧﻪ ﻟﻮﺟﻮد ﺗﻮاز‬
‫)ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻣﻦ املﻤﻜﻦ أ ﺗﺆد ﻋﻤﻠﻴﺔ اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ إﱃ ﺟﻮد ﻧﺴﺒﺔ أﻋﲆ‬
‫ﺑﻜﺜري ﻣﻦ اﻟﺬﻛﻮر ﰲ ﻣﺠﻤﻮﻋﺔ اﺣﺪة ﻋﻦ اﻷﺧﺮ (‪ ،‬ﻓﺈ اﻟﻘﻮاﻋﺪ اﻷﺳﺎﺳﻴﺔ ﻟﻼﺣﺘﻤﺎ )اﻟﺘﻲ‬
‫ﻧﻨﺎﻗﺸﻬﺎ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ( ﺗﺨﱪﻧﺎ أ اﺧﺘﻼﻻت اﻟﺘﻮاز اﻟﻜﺒرية ﻏري ﻣﺮﺟﺤﺔ اﻟﺤﺪ ث ﻋﲆ‬
‫ﻧﺤﻮ ﻛﺒري‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻣﻦ املﻤﻜﻦ اﻟﺘﻌﻤﻖ أﻛﺜﺮ ﻣﻦ ﻫﺬا ﺑﺤﺴﺎب اﺣﺘﻤﺎﻟﻴﺔ ﺣﺪ ث درﺟﺎت‬
‫ﻋﺪ اﻟﺘﻮاز املﺨﺘﻠﻔﺔ‪ .‬ﻫﺬا ﺑﺪ ر ﻳﺘﻴﺢ ﻟﻨﺎ ﺣﺴﺎب ﻣﺪ اﻟﺜﻘﺔ اﻟﺘﻲ ﻳﺠﺐ أ ﻧﻤﺘﻠﻜﻬﺎ‬
‫ﺣﻴﺎ اﺳﺘﻨﺘﺎﺟﺎﺗﻨﺎ‪.‬‬
‫ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬إذا ﻛﺎ اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ »ﻣﺰد ج اﻟﺘﻌﻤﻴﺔ«‪ ،‬ﻓﻼ ﻳﻮﺟﺪ ﺧﻄﺮ‬
‫اﻟﺘﺤﻴﺰ اﻟﻼ اﻋﻲ اﻟﺬ ﻳﺘﺪﺧﻞ ﰲ ﻋﻤﻠﻴﺔ اﻟﺘﻮزﻳﻊ أ ﻗﻴﺎس املﺮﴇ‪ .‬ﺗﻜﻮ اﻟﺪراﺳﺔ‬
‫ﻣﺰد ﺟﺔ اﻟﺘﻌﻤﻴﺔ إذا ﻟﻢ ﻳﻜﻦ املﺮﻳﺾ ﻻ اﻟﻄﺒﻴﺐ اﻟﺬ ﻳﺠﺮ اﻟﺘﺠﺮﺑﺔ ﻳﻌﺮ أ ﻋﻼج‬
‫ﻳﺘﻠﻘﺎ املﺮﻳﺾ‪ .‬ﻳﻤﻜﻦ ﺗﺤﻘﻴﻖ ذﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﺟﻌﻞ اﻷﻗﺮاص أ اﻷد ﻳﺔ ﺗﺒﺪ ﻣﺘﻄﺎﺑﻘﺔ‪،‬‬ ‫ﱠ‬

‫‪52‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﺗﺮﻣﻴﺰﻫﺎ ﺑﺒﺴﺎﻃﺔ ﺑﺎﻟﺤﺮﻓني »س« »ص« د اﻹﺷﺎرة إﱃ ﻣﺎﻫﻴﺔ اﻟﻌﻼج‪ .‬ﰲ ﻗﺖ ﻻﺣﻖ‬
‫ﻓﺤﺴﺐ — ﺑﻌﺪ أ ﻳﻜﺸﻒ اﻟﺘﺤﻠﻴﻞ أ »س« أﻓﻀﻞ ﻣﻦ »ص« — ﺗﻔﻚ ﺷﻔﺮة اﻟﱰﻣﻴﺰ‪،‬‬
‫ﻟﺘﻮﺿﻴﺢ أ »س« ﻫﻮ ﰲ ﺣﻘﻴﻘﺘﻪ اﻟﻌﻼج »أ« أ »ب«‪.‬‬
‫إ اﻟﺘﺠﺮﺑﺔ اﻟﴪﻳﺮﻳﺔ اﻟﺜﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ اﻟﺘﻲ ﺗﺴﺘﺨﺪ ﻋﻴﻨﺎت ﻋﺸﻮاﺋﻴﺔ ﺑﺴﻴﻄﺔ ﺟﺪٍّا‪،‬‬
‫ﻟﻬﺎ ﺻﻮر ﻣﻮﺳﻌﺔ اﺿﺤﺔ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ اﻟﺘﻮﺳﻊ ﻓﻴﻬﺎ ﻋﲆ اﻟﻔﻮر إﱃ أﻛﺜﺮ‬
‫ﱢ‬
‫أﻏري اﻷﻣﺜﻠﺔ‪ .‬ﻳﺮﻏﺐ ﻣﺰارع ﰲ‬ ‫ﻣﻦ ﻣﺠﻤﻮﻋﺘﻲ ﻋﻼج‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻣﻦ أﺟﻞ اﻟﺘﻨﻮﻳﻊ‪ ،‬ﺳﻮ‬
‫ﻣﻌﺮﻓﺔ أ ﱟ ﻣﻦ ﻣﺴﺘﻮﻳﺎت املﺎء املﻨﺨﻔﻀﺔ أ اﻟﻌﺎﻟﻴﺔ أﻓﻀﻞ ﻓﻴﻤﺎ ﻳﺨﺺ إﻧﺘﺎج ﻏﻠﺔ أﻛﱪ ﻣﻦ‬
‫املﺤﺎﺻﻴﻞ‪ .‬ﻳﻤﻜﻨﻪ إﺟﺮاء ﺗﺠﺮﺑﺔ ﺑﺴﻴﻄﺔ ﺛﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻨﻮع املﺬﻛﻮر ﺳﺎﺑﻘﺎ ﻟﺘﺤﺪﻳﺪ‬
‫ﻣﺘﻮﻗﻌﺔ ﺗﻤﺎﻣﺎ‪ ،‬ﻓﺴﻮ ﻳﺮﻳﺪ ﺗﻌﺮﻳﺾ أﻛﺜﺮ ﻣﻦ‬ ‫ﱠ‬ ‫ﻫﺬا‪ .‬ﺑﻤﺎ أﻧﻨﺎ ﻧﻌﻠﻢ أ اﻟﻨﺘﺎﺋﺞ ﻟﻴﺴﺖ‬
‫ﺻﻮﺑﺔ اﺣﺪة ملﺴﺘﻮ ﻣﻴﺎ ﻣﻨﺨﻔﺾ‪ ،‬أﻛﺜﺮ ﻣﻦ ﺻﻮﺑﺔ اﺣﺪة ملﺴﺘﻮ ﻋﺎ ‪ ،‬ﺛﻢ ﻳﺤﺴﺐ‬
‫ﻣﺘﻮﺳﻂ اﻟﻐ ﱠﻠﺔ ﰲ ﻛﻞ ﻣﺴﺘﻮ ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻳﻘﺮر اﺳﺘﺨﺪا أرﺑﻊ ﺻﻮﺑﺎت ﻟﻜﻞ‬
‫ﻣﺴﺘﻮ ‪ .‬ﻫﺬا ﻫﻮ ﺑﺎﻟﻀﺒﻂ ﻧﻮع اﻟﺘﺼﻤﻴﻢ ﻧﻔﺴﻪ ﻛﻤﺎ ﰲ دراﺳﺔ ﻃﺮ اﻟﺘﺪرﻳﺲ اﻟﺴﺎﺑﻘﺔ‪.‬‬
‫ﻟﻜﻦ ﻟﻨﻔﱰض اﻵ أ املﺰارع ﻳﺮﻳﺪ أﻳﻀﺎ أ ﻳﻌﺮ أ ﱞ ﻣﻦ ﻣﺴﺘﻮﻳﺎت اﻷﺳﻤﺪة‬
‫املﻨﺨﻔﻀﺔ اﻟﻌﺎﻟﻴﺔ أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ‪ .‬اﻟﴚء اﻟﺒﺪﻳﻬﻲ اﻟﻘﻴﺎ ﺑﻪ ﻫﻮ إﺟﺮاء ﺗﺠﺮﺑﺔ أﺧﺮ ﺛﻨﺎﺋﻴﺔ‬
‫ﺗﺘﻠﻘﻰ ﻣﺴﺘﻮ ﻣﻨﺨﻔﻀﺎ ﻣﻦ اﻷﺳﻤﺪة أرﺑﻌﺔ‬ ‫املﺠﻤﻮﻋﺔ؛ ﻫﺬ املﺮة ﺑﺎﺳﺘﺨﺪا أرﺑﻊ ﺻﻮﺑﺎت ﱠ‬
‫ﱠ‬
‫ﺗﺘﻠﻘﻰ ﻣﺴﺘﻮ ﻋﺎﻟﻴﺎ‪ .‬ﻫﺬا ﺟﻴﺪ ﺟﺪٍّا‪ ،‬ﻟﻜﻦ اﻹﺟﺎﺑﺔ ﻋﲆ ﻛﻼ اﻟﺴﺆاﻟني — اﻟﺴﺆا ﻋﻦ ﻣﺴﺘﻮ‬
‫املﺎء اﻟﺴﺆا ﻋﻦ ﻣﺴﺘﻮ اﻷﺳﻤﺪة — ﺗﺘﻄﻠﺐ ﻣﺎ ﻣﺠﻤﻮﻋﻪ ﺳﺖ ﻋﴩة ﺻﻮﺑﺔ‪ .‬إذا ﻛﺎ‬
‫املﺰارع ﻣﻬﺘﻤٍّ ﺎ أﻳﻀﺎ ﺑﻔﻌﺎﻟﻴﺔ ﻣﺴﺘﻮﻳﺎت اﻟﺮﻃﻮﺑﺔ املﻨﺨﻔﻀﺔ اﻟﻌﺎﻟﻴﺔ‪ ،‬درﺟﺔ اﻟﺤﺮارة‪،‬‬
‫ﺳﺎﻋﺎت اﻟﺘﻌﺮض ﻟﻀﻮء اﻟﺸﻤﺲ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ؛ ﻓﺴﻨﺮ أﻧﻪ ﺳﻴﻜﻮ ﺑﺤﺎﺟﺔ ﻟﻌﺪد ﻛﺒري‬
‫ﻟﻠﻐﺎﻳﺔ ﻣﻦ اﻟﺼﻮﺑﺎت‪.‬‬
‫ﺗﻮﺟﺪ ﻃﺮﻳﻘﺔ ذﻛﻴﺔ ﻟﻠﻐﺎﻳﺔ ﻟﻼﻟﺘﻔﺎ ﺣﻮ ذﻟﻚ؛ ﻫﻲ ﺑﺎﺳﺘﺨﺪا ﻣﻔﻬﻮ ﺗﺼﻤﻴﻢ‬
‫اﻟﺘﺠﺎرب »اﻟﻌﺎﻣﻠﻴﺔ«؛ ﻓﺒﺪﻻ ﻣﻦ ﺗﻨﻔﻴﺬ ﺗﺠﺮﺑﺘني ﻣﻨﻔﺼﻠﺘني‪ ،‬اﺣﺪة ﻟﻠﻤﻴﺎ اﺣﺪة ﻟﻸﺳﻤﺪة‪،‬‬
‫ﻳﺴﺘﻄﻴﻊ املﺰارع ﻣﻌﺎﻟﺠﺔ ﺻﻮﺑﺘني ﺑﺎﺳﺘﺨﺪا »أﺳﻤﺪة ﻣﻨﺨﻔﻀﺔ‪ ،‬ﻣﺎء ﻣﻨﺨﻔﺾ«‪ ،‬اﺛﻨﺘني‬
‫»ﻣﻨﺨﻔﻀﺔ‪ ،‬ﻋﺎ «‪ ،‬اﺛﻨﺘني »ﻋﺎﻟﻴﺔ ﻣﻨﺨﻔﺾ«‪ ،‬اﺛﻨﺘني »ﻋﺎﻟﻴﺔ‪ ،‬ﻋﺎ «‪ .‬ﻫﺬا ﻳﺘﻄﻠﺐ ﻓﻘﻂ‬
‫ﺛﻤﺎﻧﻲ ﺻﻮﺑﺎت زراﻋﻴﺔ‪ ،‬ﻣﻊ ذﻟﻚ ﻧﻈﻞ ﻧﻌﺎﻟﺞ أرﺑﻌﺎ ﻣﻨﻬﺎ ﺑﻤﺴﺘﻮ ﻣﻴﺎ ﻣﻨﺨﻔﺾ أرﺑﻌﺎ‬
‫ﺑﻤﺴﺘﻮ ﻣﻴﺎ ﻋﺎ ‪ ،‬ﻛﺬﻟﻚ أرﺑﻊ ﺻﻮﺑﺎت ﺑﻤﺴﺘﻮ أﺳﻤﺪة ﻣﻨﺨﻔﺾ أرﺑﻌﺎ ﺑﻤﺴﺘﻮ‬
‫أﺳﻤﺪة ﻋﺎ ؛ ﻣﻦ ﺛﻢ ﻓﺈ ﻧﺘﺎﺋﺞ اﻟﺘﺤﻠﻴﻞ ﺳﻮ ﺗﻜﻮ دﻗﻴﻘﺔ ﺗﻤﺎﻣﺎ ﻛﻤﺎ ﻟﻮ ﻛﻨﱠﺎ أﺟﺮﻳْﻨﺎ‬
‫ﺗﺠﺮﺑﺘني ﻣﻨﻔﺼﻠﺘني‪.‬‬

‫‪53‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﺘﻠﻚ ﻫﺬا اﻟﺘﺼﻤﻴﻢ اﻟﻌﺎﻣﲇ )املﻴﺎ اﻷﺳﻤﺪة ﻛﻼﻫﻤﺎ »ﻋﺎﻣﻞ«( ﻣﻴﺰة إﺿﺎﻓﻴﺔ‬
‫ﺟﺬاﺑﺔ؛ ﻓﻬﻮ ﻳﺘﻴﺢ ﻟﻨﺎ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎ ﺗﺄﺛري ﻣﺴﺘﻮ اﻟﺴﻤﺎد ﻣﺨﺘﻠﻔﺎ ﻋﻨﺪ ﻣﺴﺘﻮﻳﻲ املﻴﺎ ؛‬
‫ﻓﺮﺑﻤﺎ ﻳﺨﺘﻠﻒ اﻟﻔﺮ ﺑني املﺤﺼﻮ ﻣﻊ ﻣﺴﺘﻮﻳﻲ اﻷﺳﻤﺪة املﻨﺨﻔﺾ اﻟﻌﺎﱄ ﰲ ﺣﺎﻟﺔ‬
‫اﺧﺘﻼ ﻣﺴﺘﻮ املﻴﺎ ‪ .‬ﻫﺬا ﻳﺴﻤﱠ ﻰ »ﺗﺄﺛري اﻟﺘﻔﺎﻋﻞ«‪ ،‬ﻻ ﻳﻤﻜﻦ ﻓﺤْ ﺼﻪ ﰲ ﻧﻬْ ﺞ إﺟﺮاء‬
‫ﺗﺠﺮﺑﺘني ﻣﻨﻔﺼﻠﺘني‪.‬‬
‫ﺟﺮ اﻟﺘﻮﺳﻊ ﰲ ﻫﺬ اﻟﻔﻜﺮة اﻷﺳﺎﺳﻴﺔ ﺑﻄﺮ ﻋﺪﻳﺪة ﻹﻧﺘﺎج أد ات ﻗﻮﻳﺔ ﻟﻠﻐﺎﻳﺔ‬
‫ﻟﻠﺤﺼﻮ ﻋﲆ ﻣﻌﻠﻮﻣﺎت دﻗﻴﻘﺔ ﻣﻦ أﺟْ ﻞ اﻟﻮﺻﻮ ﻟﻠﺤ ﱢﺪ اﻷدﻧﻰ ﻣﻦ اﻟﺘﻜﻠﻔﺔ‪ .‬ﻋﻨﺪ ﺿﻤﱢ ﻬﺎ‬
‫إﱃ ﻏريﻫﺎ ﻣﻦ أد ات اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ‪ ،‬ﻣﺜﻞ اﻟﺘﻮاز اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ اﻟﺴﻴﻄﺮة ﻋﲆ‬
‫اﻟﺘﺄﺛريات املﻌﺮ ﻓﺔ‪ ،‬ﻧﺘﺠﺖ ﺑﻌﺾ اﻟﺘﺼﺎﻣﻴﻢ اﻟﺘﺠﺮﻳﺒﻴﺔ املﺘﻄﻮرة ﻟﻠﻐﺎﻳﺔ‪.‬‬
‫أﺣﻴﺎﻧﺎ ﰲ اﻟﺘﺠﺎرب ﺗﻜﻮ اﻷﻣﻮر ﻏري اﻹﺣﺼﺎﺋﻴﺔ ﻣﻬﻤﱠ ﺔ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ اﻟﺘﺠﺎرب‬
‫اﻟﴪﻳﺮﻳﺔ اﻟﺪراﺳﺎت اﻟﻄﺒﻴﺔ دراﺳﺎت اﻟﺴﻴﺎﺳﺔ اﻻﺟﺘﻤﺎﻋﻴﺔ اﻷﺧﺮ ‪ ،‬رﺑﻤﺎ ﺗﻜﻮ اﻷﻣﻮر‬
‫اﻷﺧﻼﻗﻴﺔ ذات ﺻﻠﺔ؛ ﻓﻔﻲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ ﺗﻘﺎر ﻋﻼﺟﺎ ﺟﺪﻳﺪا ﻣﻘﱰﺣﺎ ﻣﻊ ﻋﻼج ﻫﻤﻲ‬
‫ﱠ‬
‫ﺳﻴﺘﻠﻘ ْﻮ ﺷﻴﺌﺎ ﻟﻴﺲ ﻟﻪ‬ ‫ﻧﺼﻒ املﺮﴇ املﺘﻄﻮﱢﻋني‬ ‫)ﻏري ﻧﺸﻂ(‪ ،‬ﺳﻨﻜﻮ ﻋﲆ ﻣﻌﺮﻓﺔ ﺑﺄ ﱠ ْ‬
‫أ ﺗﺄﺛري ﺑﻴﻮﻟﻮﺟﻲ‪ .‬ﻫﻞ ﻫﺬا ﻣﻨﺎﺳﺐ؟ ﻫﻞ ﻳﻮﺟﺪ ﺧﻄﺮ أ ﻳﻌﺎﻧﻲ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻳﺘﻨﺎ ﻟﻮ‬
‫اﻟﻌﻼج اﻟﺠﺪﻳﺪ املﻘﱰح ﻣﻦ آﺛﺎر ﺟﺎﻧﺒﻴﺔ؟ ﻣﺜﻞ ﻫﺬ اﻷﺷﻴﺎء ﻳﺠﺐ أ ﺗﻜﻮ ﻣﺘﻮازﻧﺔ ﻣﻊ‬
‫ﺣﻘﻴﻘﺔ أ أﻋﺪادا ﻻ ﺗﺤﴡ ﻣﻦ املﺮﴇ ﰲ املﺴﺘﻘﺒﻞ ﺳﻮ ﻳﺴﺘﻔﻴﺪ ﻣﻤﱠ ﺎ ﻳﺘﻢ ﻣﻌﺮﻓﺘﻪ‬
‫ﺧﻼ اﻟﺘﺠﺮﺑﺔ‪.‬‬

‫)‪ (7‬ﻣﺴﺢ اﻟﻌﻴﻨﺎت‬

‫ﺗﺨﻴﻞ أﻧﻪ ﻣﻦ أﺟﻞ إدارة اﻟﺒﻼد ﻋﲆ ﻧﺤﻮ ﻓﻌﺎ ‪ ،‬ﻧﻮ ﱡد أ ﻧﻌﺮ ﻣﺘﻮﺳﻂ اﻟﺪﺧﻞ ملﻠﻴﻮ‬
‫ﺷﺨﺺ ﻋﺎﻣﻞ ﻣﻦ اﻟﺮﺟﺎ اﻟﻨﺴﺎء ﰲ ﺑﻠﺪة ﻣﻌﻴﻨﺔ‪ .‬ﻇﺎﻫﺮﻳٍّﺎ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﺤﺪﻳﺪ ﻫﺬا ﻋﻦ ﻃﺮﻳﻖ‬
‫ﺳﺆا ﻛ ﱟﻞ ﻣﻨﻬﻢ ﻋﻦ دﺧﻠﻪ‪ ،‬ﺣﺴﺎب ﻣﺘﻮﺳﻂ اﻟﻨﺘﺎﺋﺞ‪ .‬أﻣﺎ ﻋﻤﻠﻴٍّﺎ‪ ،‬ﻓﺈ ﻫﺬا ﺳﻴﻜﻮ ﺻﻌﺒﺎ‬
‫ﻟﻠﻐﺎﻳﺔ‪ ،‬ﻳﻜﺎد ﻳﻜﻮ ﻣﺴﺘﺤﻴﻼ‪ .‬ﻓﻀﻼ ﻋﻦ أ ﳾء آﺧﺮ‪ ،‬ﻣﻦ املﺮﺟﱠ ﺢ أ ﻳﺘﻐري اﻟﺪﺧﻞ‬
‫ﻋﲆ ﻣﺪ اﻟﻮﻗﺖ اﻟﺬ ﺳﻴﺴﺘﻐﺮﻗﻪ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻓﺮﺑﻤﺎ ﻳﱰ ﺑﻌﺾ اﻟﻨﺎس ﻇﺎﺋﻔﻬﻢ أ‬
‫ﱡ‬
‫ﺗﻌﻘﺐ‬ ‫ﻳﺘﻠﻘﻰ اﻟﺒﻌﺾ اﻵﺧﺮ ﻋﻼ ات‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪ .‬ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬ﻓﺈ‬ ‫ﻳﻐري ﻧﻬﺎ‪ ،‬رﺑﻤﺎ ﱠ‬
‫ﻛﻞ ﺷﺨﺺ ﺳﻴﻜﻮ ﻣﻜ ﱢﻠﻔﺎ ﻟﻠﻐﺎﻳﺔ‪ .‬رﺑﻤﺎ ﻧﺤﺎ ﺧﻔﺾ اﻟﺘﻜﺎﻟﻴﻒ ﻣﻦ ﺧﻼ اﻻﻋﺘﻤﺎد ﻋﲆ‬
‫ْ‬
‫ﻟﻜﻦ ﻛﻤﺎ رأﻳْﻨﺎ ﺳﺎﺑﻘﺎ ﰲ اﻟﺤﺎﻟﺔ املﺘﻄ ﱢﺮﻓﺔ ﻟﻼﻧﺘﺨﺎﺑﺎت‬ ‫اﻟﻬﺎﺗﻒ‪ ،‬ﻻ املﻘﺎﺑﻼت اﻟﺸﺨﺼﻴﺔ‪،‬‬

‫‪54‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫اﻟﺮﺋﺎﺳﻴﺔ ﰲ اﻟﻮﻻﻳﺎت املﺘﺤﺪة ﻟﻌﺎ ‪ ،١٩٣٦‬ﻳﻮﺟﺪ ﺧﻄﺮ ﻛﺒري ﺑﺄﻧﻨﺎ ﺳﻮ ﻧﻐﻔﻞ ﻋﻦ ﴍاﺋﺢ‬
‫ﻣﻬﻤﺔ ﻣﻦ اﻟﺴﻜﺎ ‪.‬‬
‫ﻣﺎ ﻧﺤﺘﺎﺟﻪ ﻫﻮ ﻃﺮﻳﻘﺔ ﻣﺎ ﻟﺘﻘﻠﻴﻞ ﺗﻜﻠﻔﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت ﻟﻜﻨﻬﺎ ﰲ ﻧﻔﺲ اﻟﻮﻗﺖ ﺗﺠﻌﻞ‬
‫اﻟﻌﻤﻠﻴﺔ أﴎع‪ ،‬ﺗﺠﻌﻠﻬﺎ — إذا أﻣﻜﻦ — أﻛﺜﺮ دﻗﺔ أﻳﻀﺎ‪ .‬ﺑﺼﻴﺎﻏﺔ اﻷﻣﺮ ﺑﻬﺬ اﻟﻄﺮﻳﻘﺔ‪،‬‬
‫ﺷﺎﻗﺔ‪ ،‬ﻟﻜﻦ اﻷﻓﻜﺎر اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ اﻟﺘﻲ ﺗﺘﻤﺘﻊ ﺑﻬﺬ‬ ‫رﺑﻤﺎ ﻳﺒﺪ اﻷﻣﺮ ﻛﺄﻧﻪ ﻣﻬﻤﺔ ﱠ‬
‫اﻟﺨﺼﺎﺋﺺ ﻣﻮﺟﻮدة‪ .‬اﻟﻔﻜﺮة اﻟﺮﺋﻴﺴﻴﺔ ﻫﻲ ﻓﻜﺮة ﻗﺎﺑﻠﻨﺎﻫﺎ ﻋﺪة ﻣﺮات ﻣﻦ ﻗﺒﻞ؛ ﻫﻲ‬
‫ﻓﻜﺮة اﻟﻌﻴﱢﻨﺔ‪.‬‬
‫ﻟﻨﻔﱰض أﻧﻪ ﺑﺪﻻ ﻣﻦ ﻣﻌﺮﻓﺔ ﻣﺎ ﻳﺤﺼﻞ ﻋﻠﻴﻪ ﻛﻞ اﺣﺪ ﻣﻦ املﻠﻴﻮ ﻣﻮﻇﻒ‪ ،‬ﺳﺄﻟﻨﺎ‬
‫ﺑﺒﺴﺎﻃﺔ أﻟﻒ ﻣﻮﻇﻒ ﻣﻨﻬﻢ‪ .‬ﻟﻜﻦ ﻋﻠﻴﻨﺎ ﺑﻮﺿﻮح اﻵ أ ﻧﻜﻮ ﺣﺬرﻳﻦ ﺑﺸﺄ اﻷﻟﻒ‬
‫ﻣﻮﻇﻒ اﻟﺬﻳﻦ ﻧﺴﺄﻟﻬﻢ ﺑﺎﻟﻀﺒﻂ‪ .‬أﺳﺒﺎب ذﻟﻚ ﻫﻲ ﰲ اﻷﺳﺎس اﻷﺳﺒﺎب ﻧﻔﺴﻬﺎ اﻟﺘﻲ دﻋﺘْﻨﺎ‬
‫ﻋﻨﺪﻣﺎ ﻛﻨﱠﺎ ﻧﺼﻤﱢ ﻢ اﻟﺘﺠﺮﺑﺔ اﻟﺜﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ اﻟﺒﺴﻴﻄﺔ إﱃ اﺗﺨﺎذ ﺧﻄﻮات ﻟﻀﻤﺎ أ اﻟﻔﺮ‬
‫ﺗﺘﻠﻘﻰ اﻟﻌﻼج »ب«؛ ﻟﺬا‬‫ﱠ‬ ‫اﻟﻮﺣﻴﺪ ﺑني املﺠﻤﻮﻋﺘني ﻛﺎ أ اﺣﺪة ﱠ‬
‫ﺗﺘﻠﻘﻰ اﻟﻌﻼج »أ« اﻷﺧﺮ‬
‫ﻋﻠﻴﻨﺎ اﻵ أ ﻧﺘﺄﻛﺪ أ اﻷﺷﺨﺎص اﻷﻟﻒ املﺤﺪدﻳﻦ اﻟﺬﻳﻦ ﻧﺘﻮاﺻﻞ ﻣﻌﻬﻢ ﻳﻤﺜﻠﻮ املﻮﻇﻔني‬
‫املﻠﻴﻮ ﻋﲆ ﻧﺤﻮ ﺗﺎ ‪.‬‬
‫ﱢ‬
‫ﻣﺎ اﻟﺬ ﻧﻌﻨﻴﻪ ﺑﻜﻠﻤﺔ »ﻣﻤﺜﻞ«؟ ﻋﲆ ﻧﺤﻮ ﻣﺜﺎﱄ‪ ،‬ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ﻋﻴﱢﻨﺘﻨﺎ املﻜﻮﱠﻧﺔ ﻣﻦ‬
‫أﻟﻒ ﻣﻮﻇﻒ ﺗﺤﺘﻮ ﻋﲆ ﻧﺴﺒﺔ اﻟﺮﺟﺎ ﻧﻔﺴﻬﺎ املﻮﺟﻮدة ﰲ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ‬
‫ﻟﻠﺪراﺳﺔ‪ ،‬اﻟﻨﺴﺒﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﺸﺒﺎب‪ ،‬اﻟﻨﺴﺒﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﻌﺎﻣﻠني ﺑﺪ ا ﺟﺰﺋﻲ‪ ،‬ﻣﺎ إﱃ‬
‫ذﻟﻚ‪ .‬ﻧﺴﺘﻄﻴﻊ ﺿﻤﺎ ذﻟﻚ إﱃ ﺣ ﱟﺪ ﻣﺎ ﻣﻦ ﺧﻼ اﺧﺘﻴﺎر أﻟﻒ ﻣﻮﻇﻒ ﺑﺤﻴﺚ ﺗﻜﻮ ﻧﺴﺒﺔ‬
‫اﻟﺮﺟﺎ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ — ﺻﺤﻴﺤﺔ‪ .‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻳﻮﺟﺪ ﻗﻴﺪ ﻋﻤﲇ ملﺎ ﻳﻤﻜﻨﻨﺎ‬
‫ﻣﻮازﻧﺘﻪ ﻋﻤﺪا ﺑﻬﺬ اﻟﻄﺮﻳﻘﺔ‪.‬‬
‫ﺷﺎﻫﺪﻧﺎ ﻛﻴﻔﻴﺔ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻫﺬ اﻟﺼﻌﻮﺑﺔ ﻋﻨﺪﻣﺎ ﺗﻨﺎ ﻟﻨﺎ اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ؛ ذﻟﻚ‬
‫ﻣﻦ ﺧﻼ »اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ« ﻟﻠﻤﺮﴇ ﻋﲆ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ املﺠﻤﻮﻋﺘني‪ .‬ﰲ ﺣﺎﻟﺘﻨﺎ ﻫﺬ‬
‫ﺳﻨﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ ﻋﻦ ﻃﺮﻳﻖ »أﺧﺬ ﻋﻴﻨﺔ ﻋﺸﻮاﺋﻴﺔ« ﻣﻦ أﻟﻒ ﺷﺨﺺ ﻣﻦ ﻣﺠﻤﻮﻋﺔ املﻮﻇﻔني‬
‫اﻟﻜﻠﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﻣﺮة أﺧﺮ ‪ ،‬رﻏﻢ أ ﻫﺬا ﻻ ﻳﻀﻤﻦ أ اﻟﻌﻴﻨﺔ ﺳﺘﻜﻮ ﻣﺸﺎﺑﻬﺔ‬
‫ﰲ ﺗﻜﻮﻳﻨﻬﺎ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬ﻓﺈ اﻻﺣﺘﻤﺎﻟﻴﺔ اﻷﺳﺎﺳﻴﺔ ﺗﺨﱪﻧﺎ أ ﻓﺮﺻﺔ‬
‫اﻟﺤﺼﻮ ﻋﲆ ﻋﻴﱢﻨﺔ ﻣﺨﺘﻠﻔﺔ ﻛﺜريا ﺿﺌﻴﻠﺔ ﺟﺪٍّا‪ .‬ﺗﺤﺪﻳﺪا‪ ،‬ﻳﱰﺗﺐ ﻋﲆ ذﻟﻚ أ اﺣﺘﻤﺎﻟﻴﺔ‬
‫أ ﺗﻜﻮ ﺗﻘﺪﻳﺮاﺗﻨﺎ ملﺘﻮﺳﻂ اﻟﺪﺧﻞ‪ ،‬املﺴﺘﻤﺪﱠة ﻣﻦ اﻟﻌﻴﻨﺔ‪ ،‬ﻣﺨﺘﻠﻔﺔ ﻛﺜريا ﻋﻦ ﻣﺘﻮﺳﻂ‬
‫اﻟﺪﺧﻞ ﰲ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ؛ ﺿﻌﻴﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﺛﻤﺔ ﺧﺎﺻﻴﺘﺎ‬

‫‪55‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻼﺣﺘﻤﺎﻻت — ﺳﻮ ﻧﺘﻨﺎ ﻟﻬﻤﺎ ﰲ ﻗﺖ ﻻﺣﻖ؛ ﻫﻤﺎ »ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية« »ﻣﱪﻫﻨﺔ‬

‫اﻟﻨﻬﺎﻳﺔ املﺮﻛﺰﻳﺔ« — ﺗﺨﱪاﻧﻨﺎ أﻳﻀﺎ أﻧﻨﺎ ﻳﻤﻜﻨﻨﺎ ﺟﻌﻞ ﻫﺬ اﻻﺣﺘﻤﺎﻟﻴﺔ ﺿﺌﻴﻠﺔ ﻛﻤﺎ ﻧﺸﺎء‬
‫ﺣﻘﺎ ﻟﻴﺲ ﻣﺪ ﻛﱪ ﻧﺴﺒﺔ اﻟﻌﻴﻨﺔ إﱃ‬ ‫ﻣﻦ ﺧﻼ زﻳﺎدة ﺣﺠﻢ اﻟﻌﻴﻨﺔ‪ .‬ﻳﺘﻀﺢ ﻟﻨﺎ أ ﻣﺎ ﻳﻬﻢ ٍّ‬
‫املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ‪ ،‬إﻧﻤﺎ ﺑﺒﺴﺎﻃﺔ ﻣﺪ ﻛﱪ ﺣﺠﻢ اﻟﻌﻴﻨﺔ‪ .‬ﻓﺴﻴﻜﻮ ﺗﻘﺪﻳﺮﻧﺎ — املﺴﺘﻨﺪ إﱃ‬
‫ﺣﺠﻢ ﻋﻴﻨﺔ ﻣﻜﻮﻧﺔ ﻣﻦ أﻟﻒ ﺷﺨﺺ — ﺑﺎﻟﺪﻗﺔ ﻧﻔﺴﻬﺎ إذا ﻛﺎﻧﺖ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ اﻟﺨﺎﺿﻌﺔ‬
‫ﻟﻠﺪراﺳﺔ ﺗﺘﺄﻟﻒ ﻣﻦ ﻋﴩة ﻣﻼﻳني أ ﻋﴩة ﻣﻠﻴﺎرات ﺷﺨﺺ‪ .‬ﺑﻤﺎ أ ﺣﺠﻢ اﻟﻌﻴﻨﺔ ﻳﺮﺗﺒﻂ‬
‫ارﺗﺒﺎﻃﺎ ﻣﺒﺎﴍا ﺑﺘﻜﻠﻔﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﺈ ﻟﺪﻳﻨﺎ اﻵ ﻋﻼﻗﺔ ﻣﺒﺎﴍة ﺑني اﻟﺪﻗﺔ اﻟﺘﻜﻠﻔﺔ؛‬
‫ﻓﻜﻠﻤﺎ ﻛﺎ ﺣﺠﻢ اﻟﻌﻴﻨﺔ أﻛﱪ‪ ،‬زادت اﻟﺘﻜﻠﻔﺔ‪ ،‬ﻟﻜﻦ ﻗ ﱠﻞ اﺣﺘﻤﺎ اﻻﻧﺤﺮا اﻟﻜﺒري ﺑني ﺗﻘﺪﻳﺮ‬
‫اﻟﻌﻴﻨﺔ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪.‬‬
‫ﰲ ﺣني أ »أﺧﺬ ﻋﻴﻨﺔ ﻋﺸﻮاﺋﻴﺔ ﻣﻜﻮﻧﺔ ﻣﻦ أﻟﻒ ﺷﺨﺺ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ« ﻟﻠﻌﺎﻣﻠني‬
‫ﰲ املﺪﻳﻨﺔ ﻗﺪ ﻳﺒﺪ ﻛﺄﻧﻪ ﻋﻤﻠﻴﺔ ﺑﺴﻴﻄﺔ‪ ،‬ﻓﺈﻧﻬﺎ ﰲ اﻗﻊ اﻷﻣﺮ ﻋﻤﻠﻴﺔ ﺗﺘﻄﻠﺐ ﻋﻨﺎﻳﺔ ﺷﺪﻳﺪة؛‬
‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ ﺑﺒﺴﺎﻃﺔ اﺧﺘﻴﺎر أﻟﻒ ﺷﺨﺺ ﻣﻦ أﻛﱪ ﴍﻛﺔ ﰲ املﺪﻳﻨﺔ؛ ﻷ‬
‫ﻫﺬ اﻟﻌﻴﻨﺔ ﻗﺪ ﻻ ﺗﻜﻮ ﻣﻤﺜﻠﺔ ﻟﻠﻌﺎﻣﻠني املﻠﻴﻮ ﺟﻤﻴﻌﻬﻢ‪ .‬ﺑﺎملﺜﻞ‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ اﻻﺗﺼﺎ ﺑﻌﻴﻨﺔ‬
‫ﻋﺸﻮاﺋﻴﺔ ﻣﻦ ﺑﻴﻮت اﻷﺷﺨﺎص ﰲ اﻟﺴﺎﻋﺔ اﻟﺜﺎﻣﻨﺔ ﻣﺴﺎء؛ ﻷﻧﻨﺎ ﺳﻨﻐﻔﻞ ﻋﻦ أ ﻟﺌﻚ اﻟﺬﻳﻦ‬
‫ﻳﻌﻤﻠﻮ ﰲ ﻗﺖ ﻣﺘﺄﺧﺮ‪ ،‬رﺑﻤﺎ ﻳﺨﺘﻠﻒ ﻫﺆﻻء اﻟﻌﻤﺎ ﰲ ﻣﺘﻮﺳﻂ اﻟﺪﺧﻞ ﻋﻦ اﻵﺧﺮﻳﻦ‪.‬‬
‫ﻋﻤﻮﻣﺎ‪ ،‬ﻟﻠﺘﺄﻛﺪ ﻣﻦ أ اﻟﻌﻴﻨﺔ املﻜﻮﻧﺔ ﻣﻦ أﻟﻒ ﺷﺨﺺ ﻣﻤﺜﱢﻠﺔ ﻋﲆ ﻧﺤﻮ ﻣﻨﺎﺳﺐ ﻟﻠﻤﺠﻤﻮﻋﺔ‬
‫اﻟﻜﻠﻴﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺤﺎﺟﺔ إﱃ »إﻃﺎر املﻌﺎﻳﻨﺔ«؛ ﻫﻮ ﻗﺎﺋﻤﺔ ﺗﻀﻢ املﻠﻴﻮ اﻟﻌﺎﻣﻠني ﺟﻤﻴﻌﻬﻢ ﰲ‬
‫املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬اﻟﺘﻲ ﻳﻤﻜﻦ أ ﻧﺨﺘﺎر ﻣﻨﻬﺎ أﻟﻒ ﺷﺨﺺ ﻋﺸﻮاﺋﻴٍّﺎ‪ .‬إ ﺟﻮد‬
‫ﻣﺜﻞ ﻫﺬ اﻟﻘﺎﺋﻤﺔ ﻳﻀﻤﻦ أ اﺣﺘﻤﺎﻟﻴﺔ ﺗﻀﻤني ﻛﻞ اﻷﺷﺨﺎص ﰲ اﻟﻌﻴﻨﺔ ﻣﺘﺴﺎ ﻳﺔ‪.‬‬
‫ﺗﻌ ﱡﺪ ﻓﻜﺮة »أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ« ﻫﺬ أﺳﺎﺳﺎ ﻟﻌﻤﻠﻴﺔ ﻣﺴﺢ اﻟﻌﻴﻨﺎت؛‬
‫ﻓﻘﺪ ﺷ ﱠﻜ ْﻠﻨﺎ إﻃﺎر ﻣﻌﺎﻳﻨﺔ‪ ،‬ﻣﻨﻪ ﻧﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﺳﻨﻀﻤﱢ ﻨﻬﻢ ﰲ ﻋﻴﱢﻨﺘﻨﺎ‪ ،‬ﺛﻢ‬
‫ﻧﺘﻌﻘﺒﻬﻢ )ﻣﻦ ﺧﻼ ﻣﻘﺎﺑﻠﺔ ﺷﺨﺼﻴﺔ أ اﺗﺼﺎ ﻫﺎﺗﻔﻲ أ رﺳﺎﻟﺔ أ ﺑﺮﻳﺪ إﻟﻜﱰ ﻧﻲ‪ ،‬أ‬ ‫ﱠ‬
‫ﺑﺄ ﻃﺮﻳﻘﺔ( ﻧﺴﺠﻞ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﻧﺮﻳﺪﻫﺎ‪ .‬ﻗﺪ ﻃﻮرت ﻫﺬ اﻟﻔﻜﺮة اﻷﺳﺎﺳﻴﺔ ﺑﺎﻟﻌﺪﻳﺪ‬
‫ﻣﻦ اﻟﻄﺮ اﻟﺪﻗﻴﻘﺔ املﺘﻄﻮرة ﺟﺪٍّا؛ ﻣﻤﺎ أﺳﻔﺮ ﻋﻦ ﻧﻬﺞ أﻛﺜﺮ دﻗﺔ أﻗﻞ ﺗﻜﻠﻔﺔ؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎ ‪ ،‬إذا ﻛﻨﱠﺎ ﻧﻨﻮ ﻣﻘﺎﺑﻠﺔ ﻛﻞ ﺷﺨﺺ ﻣﻦ اﻷﻟﻒ املﺸﺎرﻛني ﰲ اﻟﺪراﺳﺔ‪ ،‬ﻓﺈ ذﻟﻚ ﻳﻤﻜﻦ‬
‫أ ﻳﻜﻮ ﻣﻜ ﱢﻠﻔﺎ ﺟﺪٍّا ﻣﻦ ﺣﻴﺚ اﻟﻮﻗﺖ ﻧﻔﻘﺎت اﻟﺘﻨﻘﻞ‪ .‬ﺳﻴﻜﻮ ﻣﻦ اﻷﻓﻀﻞ — ﻣﻦ ﻫﺬا‬
‫املﻨﻈﻮر — اﺧﺘﻴﺎر املﺸﺎرﻛني ﰲ اﻟﺪراﺳﺔ ﻣﻦ ﻋﻨﺎﻗﻴﺪ ﺟﻐﺮاﻓﻴﺔ ﻣﺤﻠﻴﺔ ﺻﻐرية‪ .‬ﻳﻮﺳﻊ‬
‫»أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﻨﻘﻮدﻳﺔ« ﻋﻤﻠﻴﺔ أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ ﻣﻦ ﺧﻼ اﻟﺴﻤﺎح‬

‫‪56‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﺑﺬﻟﻚ؛ ﻓﺒﺪﻻ ﻣﻦ اﺧﺘﻴﺎر أﻟﻒ ﺷﺨﺺ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﻋﺸﻮاﺋﻴٍّﺎ‪ ،‬ﻓﺈ ﻫﺬا‬
‫اﻟﻨﻬﺞ ﻳﺨﺘﺎر )ﻣﺜﻼ( ﻋﴩ ﻣﺠﻤﻮﻋﺎت ﺗﺘﻜﻮ ﻛ ﱞﻞ ﻣﻨﻬﺎ ﻣﻦ ﻣﺎﺋﺔ ﺷﺨﺺ‪ ،‬ﺑﺤﻴﺚ ﻳﻌﻴﺶ ﻛﻞ‬
‫اﻷﺷﺨﺎص ﰲ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﺑﻌﻀﻬﻢ ﺑﺎﻟﻘﺮب ﻣﻦ ﺑﻌﺾ‪ .‬ﺑﺎملﺜﻞ‪ ،‬ﻳﻤﻜﻨﻨﺎ اﻟﺘﺄﻛﺪ ﻣﻦ ﺗﺤﻘﻴﻖ‬
‫اﻟﺘﻮاز ﰲ ﺑﻌﺾ اﻟﻌﻮاﻣﻞ‪ ،‬ﺑﺪﻻ ﻣﻦ ﻣﺠﺮد اﻻﻋﺘﻤﺎد ﻋﲆ إﺟﺮاء أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ‪ ،‬إذا‬
‫ﻓﺮﺿﻨﺎ اﻟﺘﻮاز ﻋﲆ ﻃﺮﻳﻘﺔ اﺧﺘﻴﺎر اﻟﻌﻴﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ أ ﻧﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ‬
‫ﻋﺪدا ﻣﻦ اﻟﻨﺴﺎء ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬ﻧﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ ﻋﲆ ﻧﺤﻮ ﻣﻨﻔﺼﻞ‬
‫ﻋﺪدا ﻣﻦ اﻟﺮﺟﺎ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ؛ ﺣﻴﺚ ﻳﺘﻢ اﺧﺘﻴﺎر اﻷﻋﺪاد ﺑﺤﻴﺚ ﺗﻜﻮ‬
‫ﻧﺴﺐ اﻟﺬﻛﻮر اﻹﻧﺎث ﻫﻲ ﻧﻔﺴﻬﺎ ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ ﰲ املﺠﻤﻮﻋﺔ اﻹﺟﻤﺎﻟﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪.‬‬
‫ﻳﻘﺴﻢ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ‬ ‫ﻳﻌﺮ ﻫﺬا اﻹﺟﺮاء ﺑﺄﻧﻪ »اﻟﻄﺮﻳﻘﺔ اﻟﴩاﺋﺤﻴﺔ ﻷﺧﺬ اﻟﻌﻴﻨﺎت«؛ ﻷﻧﻪ ﱢ‬
‫اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ املﺪرﺟﺔ ﰲ إﻃﺎر اﻟﻌﻴﻨﺔ إﱃ ﴍاﺋﺢ )اﻟﺮﺟﺎ اﻟﻨﺴﺎء ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ(‪.‬‬
‫إذا ﻛﺎ املﺘﻐري املﺴﺘﺨﺪ ﰲ اﻟﴩاﺋﺢ )اﻟﺠﻨﺲ ﰲ ﻫﺬا املﺜﺎ ( ﻳﺮﺗﺒﻂ ارﺗﺒﺎﻃﺎ ﻗﻮﻳٍّﺎ ﺑﺎملﺘﻐري‬
‫اﻟﺬ ﻧﻬﺘﻢ ﺑﻪ )اﻟﺪﺧﻞ ﻫﻨﺎ(‪ ،‬ﻳﻤﻜﻦ أ ﻳﺴﻔﺮ ﻫﺬا ﻋﻦ ﺗﺤﺴﻦ ﰲ اﻟﺪﻗﺔ ﻟﺤﺠﻢ اﻟﻌﻴﻨﺔ ﻧﻔﺴﻪ‪.‬‬
‫ﻋﻤﻮﻣﺎ‪ ،‬ﰲ ﻋﻤﻠﻴﺔ املﻌﺎﻳﻨﺔ‪ ،‬ﻧﻜﻮ ﻣﺤﻈﻮﻇني ﻟﻠﻐﺎﻳﺔ إذا ﺣﺼﻠﻨﺎ ﻋﲆ رد د ﻣﻦ ﺟﻤﻴﻊ‬
‫اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻧﺘﻮاﺻﻞ ﻣﻌﻬﻢ‪ .‬ﻳﻮﺟﺪ داﺋﻤﺎ ﻣﻘﺪار ﻣﻦ ﻋﺪ اﻻﺳﺘﺠﺎﺑﺔ‪ ،‬ﻫﺬا ﻳﻌﻮد ﺑﻨﺎ‬
‫إﱃ ﻣﺸﻜﻠﺔ اﻟﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ اﻟﺘﻲ ﻧﺎﻗﺸﻨﺎﻫﺎ ﺳﺎﺑﻘﺎ‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ‪ ،‬ﻳﻤﻜﻦ ﻟﻠﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ‬
‫أ ﺗﺆد إﱃ ﻋﻴﻨﺔ ﻣﺘﺤﻴﺰة اﺳﺘﻨﺘﺎﺟﺎت ﻏري ﺻﺤﻴﺤﺔ‪ .‬ﻓﺈذا رﻓﺾ اﻟﺬﻳﻦ ﻳﺤﺼﻠﻮ ﻋﲆ‬
‫ر اﺗﺐ ﻛﺒرية املﺸﺎرﻛﺔ ﰲ اﻟﺪراﺳﺔ‪ ،‬ﻓﺴﻮ ﻧﺒﺨﺲ ﺗﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ اﻟﺪﺧﻞ ﰲ املﺠﻤﻮﻋﺔ‬
‫اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﺑﺴﺒﺐ ﻫﺬا‪ ،‬ﻃﻮر ﺧﱪاء اﻟﺪراﺳﺎت املﺴﺤﻴﺔ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ‬
‫ﺳﺎﺋﻞ ﺗﻘﻠﻴﻞ ﺿﺒﻂ ﻋﺪ اﻻﺳﺘﺠﺎﺑﺔ‪ ،‬ﺑﻤﺎ ﰲ ذﻟﻚ ﺗﻜﺮار اﻟﺘﻮاﺻﻞ ﻣﻊ ﻏري املﺴﺘﺠﻴﺒني‬
‫إﺟﺮاءات إﻋﺎدة اﻟﺘﻘﻴﻴﻢ اﻹﺣﺼﺎﺋﻲ‪.‬‬

‫ﺧﺎﺗﻤﺔ‬
‫ﺗﻨﺎ ﻫﺬا اﻟﻔﺼﻞ املﻮاد اﻟﺨﺎ ﻟﻺﺣﺼﺎﺋﻴﺎت؛ ﻫﻲ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻗﺪ ﺻﻴﻐﺖ ﺗﻘﻨﻴﺎت ﺟﻤﻊ‬
‫ﺑﻴﺎﻧﺎت ﻣﺘﻄﻮرة ﻋﲆ ﻳﺪ اﻹﺣﺼﺎﺋﻴني ﻟﻠﺤﺼﻮ ﻋﲆ أﻗﴡ ﻗﺪر ﻣﻦ املﻌﻠﻮﻣﺎت ﺑﺎﻟﺤﺪ اﻷدﻧﻰ‬
‫ﻣﻦ اﻟﺘﻜﻠﻔﺔ‪ ،‬ﻟﻜﻦ ﺳﻴﻜﻮ ﻣﻦ اﻟﺴﺬاﺟﺔ اﻻﻋﺘﻘﺎد ﺑﺄﻧﻪ ﻳﻤﻜﻦ ﻋﺎدة اﻟﺤﺼﻮ ﻋﲆ ﺑﻴﺎﻧﺎت‬
‫ﻣﺜﺎﻟﻴﺔ‪ .‬إ اﻟﺒﻴﺎﻧﺎت اﻧﻌﻜﺎس ﻟﻠﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ ،‬اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ ﱠ‬
‫ﻣﻌﻘﺪ‪ .‬إدراﻛﺎ ﻟﻬﺬا‪،‬‬
‫ْ‬
‫ﻟﻜﻦ ﻣﻦ املﻬﻢ‬ ‫ﻃﻮر اﻹﺣﺼﺎﺋﻴﻮ أﻳﻀﺎ أد ات ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت ذات اﻟﺠﻮدة اﻟﺮدﻳﺌﺔ‪.‬‬
‫أ ﻧﺪر أ اﻹﺣﺼﺎﺋﻴني ﻟﻴﺴﻮا ﺳﺤﺮة‪ .‬ﻳﻨﻄﺒﻖ اﻟﻘﻮ املﺄﺛﻮر اﻟﻘﺪﻳﻢ‪» :‬ﻣﺪﺧﻼت ﻋﺪﻳﻤﺔ‬
‫اﻟﻨﻔﻊ ﺗﺴﺎ ﻧﺘﺎﺋﺞ ﻋﺪﻳﻤﺔ اﻟﻨﻔﻊ« ﺗﻤﺎﻣﺎ ﻋﲆ اﻹﺣﺼﺎﺋﻴﺎت ﻛﻤﺎ ﻳﻨﻄﺒﻖ ﻋﲆ ﻛﻞ ﳾء آﺧﺮ‪.‬‬

‫‪57‬‬
 ‫اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‬

‫اﻻﺣﺘﲈﻻت‬

‫ﻛﻮﻧﻚ إﺣﺼﺎﺋﻴٍّﺎ ﻳﻌﻨﻲ أﻧﻚ ﻟﻦ ﺗﻀﻄﺮ أﺑﺪا إﱃ اﻟﻘﻮ ﺑﺄﻧﻚ ﻣﺘﺄﻛﺪ‪.‬‬

‫ﻣﺠﻬﻮ‬

‫)‪ (1‬ﺟﻮﻫﺮ املﺼﺎدﻓﺔ‬

‫أﺣﺪ اﻟﺘﻌﺮﻳﻔﺎت اﻟﺘﻲ ﻗﺪﻣﺖ ﰲ اﻟﻔﺼﻞ اﻷ ﺣﻮ اﻹﺣﺼﺎء ﻫﻮ أﻧﻪ ﻋﻠﻢ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻋﺪ‬
‫اﻟﻴﻘني‪ .‬ﺑﻤﺎ أﻧﻪ ﻣﻦ اﻟﻮاﺿﺢ ﻟﻠﻐﺎﻳﺔ أ اﻟﻌﺎﻟﻢ ﻣﲇء ﺑﻌﺪ اﻟﻴﻘني‪ ،‬ﻓﺈ ﻫﺬا أﺣﺪ أﺳﺒﺎب‬
‫ﻫﻴﻤﻨﺔ اﻷﻓﻜﺎر اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ .‬إ املﺴﺘﻘﺒﻞ ﻣﺠﻬﻮ ﻻ ﻧﺴﺘﻄﻴﻊ أ ﻧﻜﻮ اﺛﻘني‬
‫ﻣﺘﻮﻗﻊ؛ ﻓﺘﺘﻌﻄﻞ اﻟﺴﻴﺎرات ﻧﻘﻊ ﰲ ﺣﻮادث‬ ‫ﱠ‬ ‫ﺑﺸﺄ ﻣﺎ ﺳﻴﺤﺪث‪ .‬ﺑﺎﻟﻔﻌﻞ ﻳﺤﺪث ﻣﺎ ﻫﻮ ﻏري‬
‫ﻳﴬب اﻟﱪ ‪ ،‬ﺧﺸﻴﺔ أ أﻗﺪ اﻧﻄﺒﺎﻋﺎ ﺑﺄ ﻛﻞ اﻷﻣﻮر ﺳﻴﺌﺔ‪ ،‬أﻗﻮ إ ﻫﻨﺎ ﻣﻦ ﻳﻔﻮز‬
‫ﺣﺘﻰ ﺑﺎﻟﻴﺎﻧﺼﻴﺐ‪ .‬ﰲ أﺑﺴﻂ اﻟﺤﺎﻻت‪ ،‬ﻧﺤﻦ ﻻ ﻧﻌﻠﻢ ﻳﻘﻴﻨﺎ أ ﺣﺼﺎ ﺳﻴﻔﻮز ﺑﺎﻟﺴﺒﺎ أ‬
‫أ ﻋﺪد ﺳﻮ ﻳﻈﻬﺮ ﻋﻨﺪ إﻟﻘﺎء ﻧﺮد‪ .‬ﻓﻮ ذﻟﻚ ﻛﻠﻪ‪ ،‬ﻻ ﻧﺴﺘﻄﻴﻊ اﻟﺘﻨﺒﺆ ﺑﻄﻮ اﻟﺤﻴﺎة اﻟﺘﻲ‬
‫ﺳﻨﻌﻴﺸﻬﺎ‪.‬‬
‫ﻟﻜﻦ ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ ﻛﻞ ﻫﺬا‪ ،‬ﻳﺘﻤﺜﻞ أﺣﺪ أﻋﻈﻢ اﻻﻛﺘﺸﺎﻓﺎت اﻟﺘﻲ ﺗﻮﺻﻠﺖ إﻟﻴﻬﺎ اﻟﺒﴩﻳﺔ‬
‫ﰲ أﻧﻪ ﻳﻮﺟﺪ ﻣﺒﺎدئ ﻣﻌﻴﻨﺔ ﺗﺤﻜﻢ ﺳ ْري املﺼﺎدﻓﺔ ﻋﺪ اﻟﻴﻘني‪ .‬رﺑﻤﺎ ﻳﺒﺪ ﻫﺬا ﺗﻨﺎﻗﻀﺎ ﰲ‬
‫املﺼﻄﻠﺤﺎت؛ ﻓﺎﻷﺣﺪاث ﻏري اﻟﻴﻘﻴﻨﻴﺔ ﺑﻄﺒﻴﻌﺘﻬﺎ ﻻ ﺗﻨﻄﻮ ﻋﲆ ﻳﻘني؛ ﻓﻜﻴﻒ إذ ﺗﻮﺟﺪ‬
‫ﻗﻮاﻧني ﻃﺒﻴﻌﻴﺔ ﺗﺤﻜﻢ ﺳري ﻫﺬ اﻷﻣﻮر؟‬
‫إﺣﺪ اﻹﺟﺎﺑﺎت ﻋﲆ ﻫﺬا اﻟﺴﺆا ﻫﻲ أﻧﻪ ﰲ ﺣني أ اﻷﺣﺪاث اﻟﻔﺮدﻳﺔ رﺑﻤﺎ ﺗﻜﻮ‬
‫ﻏﺎﻣﻀﺔ ﻏري ﻗﺎﺑﻠﺔ ﻟﻠﺘﻨﺒﺆ ﺑﻬﺎ‪ ،‬ﻓﺈﻧﻪ ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﻜﻮ ﻣﻦ املﻤﻜﻦ اﻟﺨﺮ ج ﺑﺘﻌﻤﻴﻢ ﻳﻨﻄﺒﻖ ﻋﲆ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺣﺪاث‪ .‬املﺜﺎ اﻟﻜﻼﺳﻴﻜﻲ ﻟﺬﻟﻚ ﻫﻮ إﻟﻘﺎء اﻟﻌﻤﻠﺔ؛ ﻓﺮﻏﻢ أﻧﻨﻲ ﻻ أﺳﺘﻄﻴﻊ أ‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫أﻗﻮ ﻣﺎ إذا ﻛﺎﻧﺖ اﻟﻌﻤﻠﺔ ﺳﺘﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة أ اﻟﻜﺘﺎﺑﺔ ﺑﻌﺪ أ ﻋﻤﻠﻴﺔ إﻟﻘﺎء ﻣﻨﻔﺮدة‪،‬‬
‫ﻳﻤﻜﻨﻨﻲ أ أﻗﻮ ﺑﺜﻘﺔ ﻛﺒرية إﻧﻪ إذا أﻟﻘﻴﺖ اﻟﻌﻤﻠﺔ ﻋﺪة ﻣﺮات ﻓﺈﻧﻬﺎ ﺳﺘﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة‬
‫ﰲ ﺣﻮاﱄ ﻧﺼﻒ ﻋﺪد املﺮات ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﰲ ﺣﻮاﱄ ﻧﺼﻒ ﻋﺪد املﺮات‪) .‬أﻓﱰض ﻫﻨﺎ أ‬
‫اﻟﻌﻤﻠﺔ »ﻋﻤﻠﺔ ﻣﺘﺰﻧﺔ«‪ ،‬أﻧﻪ ﻻ ﺗﺴﺘﺨﺪ أ ﺧﺪﻋﺔ ﺑﺎﻷﻳﺪ أﺛﻨﺎء إﻟﻘﺎﺋﻬﺎ‪ (.‬ﺛﻤﺔ ﻣﺜﺎ آﺧﺮ‬
‫ﰲ ﻫﺬا اﻟﻨﻄﺎ ﻫﻮ ﺗﺤﺪﻳﺪ ﻣﺎ إذا ﻛﺎ املﻮﻟﻮد ذﻛﺮا أ أﻧﺜﻰ؛ ﻓﺘﺤﺪﻳﺪ اﻟﺠﻨﺲ ﺧﻼ ﻋﻤﻠﻴﺔ‬
‫اﻟﺤﻤﻞ أﻣﺮ ﺧﺎﺿﻊ ﻟﻠﻤﺼﺎدﻓﺔ اﻟﺒﺤﺘﺔ ﻻ ﻳﻤﻜﻦ اﻟﺘﻨﺒﺆ ﺑﻪ‪ .‬ﻟﻜﻨﻨﺎ ﻧﻌﺮ أﻧﻪ ﻋﲆ ﻣﺪار‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺎﻻت اﻟﻮﻻدة ﻓﺈ أﻛﺜﺮ ﻣﻦ ﻧﺼﻒ ﻋﺪد املﻮاﻟﻴﺪ ﺑﻘﻠﻴﻞ ﺳﻴﻜﻮﻧﻮ ذﻛﻮرا‪.‬‬
‫ﺗﻌ ﱡﺪ ﻫﺬ اﻟﺴﻤﺔ اﻟﻄﺒﻴﻌﻴﺔ اﻟﻘﺎﺑﻠﺔ ﻟﻠﻤﻼﺣﻈﺔ ﻣﺜﺎﻻ ﻟﻠﻘﻮاﻧني اﻟﺘﻲ ﺗﺤﻜﻢ ﻋﺪ اﻟﻴﻘني‪،‬‬
‫ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ »ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية« ﺑﺴﺒﺐ ﺣﻘﻴﻘﺔ أ اﻟﻨﺴﺒﺔ ﺗﻘﱰب أﻛﺜﺮ أﻛﺜﺮ‬
‫ﻣﻦ ﻗﻴﻤﺔ ﻣﻌﻴﻨﺔ )اﻟﻨﺼﻒ ﰲ ﺣﺎﻻت اﻟﻌﻤﻠﺔ املﺘﺰﻧﺔ ﻧﻮع ﺟﻨﺲ املﻮاﻟﻴﺪ( ﻛﻠﻤﺎ زاد ﻋﺪد‬
‫اﻟﺤﺎﻻت اﻟﺘﻲ ﻧﻨﻈﺮ ﻓﻴﻬﺎ‪ .‬ﻟﻬﺬا اﻟﻘﺎﻧﻮ ﺗﺒﻌﺎت ﻣﺘﻌﺪدة‪ ،‬ﻫﻮ اﺣﺪ ﻣﻦ أﻗﻮ اﻷد ات‬
‫اﻹﺣﺼﺎﺋﻴﺔ ﰲ ﺗﺮ ﻳﺾ ﻋﺪ اﻟﻴﻘني اﻟﺴﻴﻄﺮة ﻋﻠﻴﻪ اﻟﺴﻤﺎح ﻟﻨﺎ ﺑﺎﻻﺳﺘﻔﺎدة ﻣﻨﻪ‪ .‬ﺳﻨﻌﻮد‬
‫إﻟﻴﻪ ﻻﺣﻘﺎ ﰲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬ﻋﲆ ﻧﺤﻮ ﻣﺘﻜﺮر ﺧﻼ اﻟﻜﺘﺎب‪.‬‬

‫)‪ (2‬ﻓﻬﻢ اﻻﺣﺘﻤﺎﻻت‬

‫ﻟﻜﻲ ﻧﺘﻤﻜﻦ ﻣﻦ ﻣﻨﺎﻗﺸﺔ ﻣﺴﺎﺋﻞ ﻋﺪ اﻟﻴﻘني ﻋﺪ اﻟﻘﺪرة ﻋﲆ اﻟﺘﻨﺒﺆ د ﻏﻤﻮض‪ ،‬ﻓﺈ‬

‫ﻋﻠﻢ اﻹﺣﺼﺎء ﻳﺴﺘﺨﺪ — ﻣﺜﻞ أ ﻋﻠﻢ آﺧﺮ — ﻟﻐﺔ دﻗﻴﻘﺔ؛ ﻫﻲ ﻟﻐﺔ »اﻻﺣﺘﻤﺎﻻت«‪ .‬إذا‬
‫ﻛﺎ ﻫﺬا ﻫﻮ أ ﺗﻌ ﱡﺮض ﻟﻚ ﻟﻠﻐﺔ اﻻﺣﺘﻤﺎﻻت‪ ،‬إذ ﻳﺠﺐ أ أﺣﺬر ﻣﻦ أﻧﻚ ﺳﻮ ﺗﻜﻮ‬
‫ﺑﺤﺎﺟﺔ ﻟﺒﺬ ﺑﻌﺾ اﻟﺠﻬﺪ ﻣﻦ أﺟﻞ ﻓﻬﻤﻬﺎ‪ ،‬ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ ﻣﻊ أ ﺗﻌﺮض ﻟﻠﻤﺮء ﻷ‬
‫ﻟﻐﺔ ﺟﺪﻳﺪة‪ .‬ﺑﻮﺿﻊ ذﻟﻚ ﰲ اﻻﻋﺘﺒﺎر‪ ،‬رﺑﻤﺎ ﺗﺠﺪ ﰲ اﻟﻮاﻗﻊ أ ﻫﺬا اﻟﻔﺼﻞ ﻳﺘﻄﻠﺐ اﻟﻘﺮاءة‬
‫أﻛﺜﺮ ﻣﻦ ﻣﺮة اﺣﺪة؛ ﻓﺮﺑﻤﺎ ﺗﺮﻏﺐ ﰲ إﻋﺎدة ﻗﺮاءة ﻫﺬا اﻟﻔﺼﻞ ﻣﺮة أﺧﺮ ﻋﻨﺪﻣﺎ ﺗﺼﻞ إﱃ‬
‫ﻧﻬﺎﻳﺔ اﻟﻜﺘﺎب‪.‬‬
‫ازدﻫﺮ ﺗﻄﻮر ﻟﻐﺔ اﻻﺣﺘﻤﺎﻻت ﰲ اﻟﻘﺮ اﻟﺴﺎﺑﻊ ﻋﴩ‪ .‬ﻗﺪ أرﳻ ﻗﻮاﻋﺪﻫﺎ ﻋﻠﻤﺎء‬
‫اﻟﺮﻳﺎﺿﻴﺎت أﻣﺜﺎ ﺑﻠﻴﺰ ﺑﺎﺳﻜﺎ ﺑﻴري د ﻓريﻣﺎ ﻛﺮﻳﺴﺘﻴﺎ ﻫﻴﺠﻨﺰ ﺟﺎﻛﻮب ﺑﺮﻧﻮﱄ‪،‬‬
‫ﻣﻦ ﺑﻌﺪﻫﻢ ﺑﻴري ﺳﻴﻤﻮ ﻻﺑﻼس أﺑﺮاﻫﺎ د ﻣﻮاﻓﺮ ﺳﻴﻤﻴﻮ ‪-‬دﻧﻴﺲ ﺑﻮاﺳﻮ أﻧﻄﻮا‬
‫ﻛﻮرﻧﻮ ﺟﻮ ﻓني‪ ،‬ﻏريﻫﻢ‪ .‬ﺑﺤﻠﻮ أ اﺋﻞ اﻟﻘﺮ اﻟﻌﴩﻳﻦ‪ ،‬ﻛﺎﻧﺖ ﻛﻞ اﻷﻓﻜﺎر اﻟﻼزﻣﺔ‬
‫ﻟﻌﻠﻢ اﺣﺘﻤﺎﻻت ﻗﻮ ﻣﺘﻮاﻓﺮة‪ .‬ﰲ ﻋﺎ ‪ ،١٩٣٣‬ﻗ ﱠﺪ ﻋﺎﻟﻢ اﻟﺮﻳﺎﺿﻴﺎت اﻟﺮ ﳼ أﻧﺪرﻳﻪ‬

‫‪60‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ٍّ‬
‫ﻛﺎﻣﻼ‬ ‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﺪﻳﻬﻴﺎت اﻟﺘﻲ ﻗﺪﻣﺖ »ﺣﺴﺎﺑﺎ« رﻳﺎﺿﻴٍّﺎ رﺳﻤﻴٍّﺎ‬ ‫ﻛﻮملﻮﺟﻮر‬
‫ﻟﻼﺣﺘﻤﺎﻻت‪ .‬ﻣﻨﺬ ذﻟﻚ اﻟﺤني‪ ،‬اﻋﺘﻤﺪ ﻧﻈﺎ اﻟﺒﺪﻳﻬﻴﺎت ﻫﺬا ﻋﺎملﻴٍّﺎ ﺗﻘﺮﻳﺒﺎ‪.‬‬
‫ﺗﻮﻓﺮ ﺑﺪﻳﻬﻴﺎت ﻛﻮملﻮﺟﻮر آﻟﻴﺔ ﻳﻤﻜﻦ ﻣﻦ ﺧﻼﻟﻬﺎ اﻟﺘﻌﺎﻣﻞ ﻣﻊ اﻻﺣﺘﻤﺎﻻت‪ ،‬ﻟﻜﻨﻬﺎ‬ ‫ﱢ‬
‫ﺑﻨﻴﺔ رﻳﺎﺿﻴﺔ‪ .‬ﻻﺳﺘﺨﺪا ﻫﺬ اﻟﺒﻨﻴﺔ ﻟﺘﻘﺪﻳﻢ ﺑﻴﺎﻧﺎت ﺣﻮ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ ،‬ﻣﻦ اﻟﴬ ر‬
‫اﻹﺷﺎرة إﱃ ﻣﺎ ﺗﻤﺜﱢﻠﻪ اﻟﺮﻣﻮز املﻮﺟﻮدة ﰲ اﻵﻟﻴﺔ اﻟﺮﻳﺎﺿﻴﺔ املﻮﺟﻮدة ﰲ ﻫﺬا اﻟﻌﺎﻟﻢ؛ أ إﻧﻨﺎ‬
‫ﺑﺤﺎﺟﺔ إﱃ ﻗﻮ ﻣﺎ »ﺗﻌﻨﻴﻪ« اﻟﺮﻳﺎﺿﻴﺎت‪.‬‬
‫ﻳﻌني ﺣﺴﺎب اﻻﺣﺘﻤﺎﻻت أرﻗﺎﻣﺎ ﺑني ‪ ١ ٠‬ﻟﻸﺣﺪاث ﻏري املﺆﻛﺪة ﻟﺘﻤﺜﻴﻞ اﺣﺘﻤﺎﻟﻴﺔ‬
‫ﺣﺪ ﺛﻬﺎ‪ .‬ﻳﻌﻨﻲ اﻻﺣﺘﻤﺎ ‪ ١‬أ ﻫﺬا اﻟﺤﺪث ﻣﺆﻛﺪ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬اﺣﺘﻤﺎ أﻧﻪ ﻟﻮ أ‬
‫أﺣﺪﻫﻢ ﻧﻈﺮ ﻣﻦ ﻧﺎﻓﺬة ﺣﺠﺮة ﻣﻜﺘﺒﻲ ﺑﻴﻨﻤﺎ ﻛﻨﺖ أﻛﺘﺐ ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻟﺮآﻧﻲ ﺟﺎﻟﺴﺎ إﱃ‬
‫ﻣﻜﺘﺒﻲ(‪ .‬اﻻﺣﺘﻤﺎ ‪ ٠‬ﻳﻌﻨﻲ أ اﻟﺤﺪث ﻣﺴﺘﺤﻴﻞ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬اﺣﺘﻤﺎ أ ﺷﺨﺼﺎ‬
‫ﻣﺎ ﺳﻮ ﻳﻨﻬﻲ ﺳﺒﺎ ﻣﺎراﺛﻮ ﰲ ﻋﴩ دﻗﺎﺋﻖ(‪ .‬ﺑﺎﻟﻨﺴﺒﺔ ﻟﺤﺪث ﻣﺎ »ﻳﻤﻜﻦ« أ ﻳﺤﺪث‬
‫ﻟﻜﻨﻪ ﻟﻴﺲ ﻣﺆﻛﺪا ﻻ ﻣﺴﺘﺤﻴﻼ‪ ،‬ﻓﺈ رﻗﻤﺎ ﺑني ‪ ١ ٠‬ﻳﻤﺜﻞ »اﺣﺘﻤﺎ « ﺣﺪ ﺛﻪ‪.‬‬
‫إﺣﺪ ﻃﺮ اﻟﻨﻈﺮ إﱃ ﻫﺬا اﻟﺮﻗﻢ ﻫﻲ أﻧﻪ ﻳﻤﺜﻞ »درﺟﺔ اﻋﺘﻘﺎد« املﺮء أ اﻟﺤﺪث‬
‫ﺳﻮ ﻳﺤﺪث‪ .‬ﺳﻮ ﻳﻤﺘﻠﻚ اﻷﺷﺨﺎص املﺨﺘﻠﻔﻮ ﻣﻌﻠﻮﻣﺎت أﻛﺜﺮ أ أﻗﻞ ﻣﺘﻌﻠﻘﺔ ﺑﻜﻮ‬
‫اﻟﺤﺪث ﺳﻴﻘﻊ أ ﻻ؛ ﻟﺬﻟﻚ رﺑﻤﺎ ﻳﺘﻮﻗﻊ أ ﻳﻤﺘﻠﻚ اﻷﺷﺨﺎص املﺨﺘﻠﻔﻮ درﺟﺎت ﻣﺨﺘﻠﻔﺔ ﻣﻦ‬
‫اﻻﻋﺘﻘﺎد؛ ﻫﺬا ﻳﻌﻨﻲ اﺣﺘﻤﺎﻻت ﻣﺨﺘﻠﻔﺔ ﻟﻬﺬا اﻟﺤﺪث‪ .‬ﻟﻬﺬا اﻟﺴﺒﺐ‪ ،‬ﺗﺴﻤﱠ ﻰ ﺟﻬﺔ اﻟﻨﻈﺮ‬
‫ﺗﻠﻚ ﺣﻴﺎ اﻻﺣﺘﻤﺎ اﻻﺣﺘﻤﺎ »اﻟﺬاﺗﻲ« أ »اﻟﺸﺨﴢ«؛ ﻓﻬﻲ ﺗﻌﺘﻤﺪ ﻋﲆ ﻣﻦ ﻳﻘﻴﱢﻢ اﻻﺣﺘﻤﺎ ‪.‬‬
‫ﻣﻦ اﻟﻮاﺿﺢ أﻳﻀﺎ أ اﻻﺣﺘﻤﺎ ﻟﺪ اﻟﺸﺨﺺ رﺑﻤﺎ ﻳﺘﻐري ﻣﻊ ﺗﻮاﻓﺮ املﺰﻳﺪ ﻣﻦ املﻌﻠﻮﻣﺎت‪.‬‬
‫ﻓﺮﺑﻤﺎ ﺗﺒﺪأ ﺑﺎﺣﺘﻤﺎ — درﺟﺔ اﻋﺘﻘﺎد — ﺗﺒﻠﻎ ‪ ٢ / ١‬أ ﻋﻤﻠﺔ ﻣﻌﻴﻨﺔ ﺳﻮ ﺗﺴﺘﻘﺮ ﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ )ﻋﲆ أﺳﺎس ﺗﺠﺮﺑﺘﻚ اﻟﺴﺎﺑﻘﺔ ﻣﻊ ﻗﺬ ﻋﻤﻼت ﻣﻌﺪﻧﻴﺔ أﺧﺮ (‪ ،‬ﻟﻜﻦ ﺑﻌﺪ‬
‫ﻣﺮاﻗﺒﺔ اﺳﺘﻘﺮار اﻟﻌﻤﻠﺔ ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ‪ ١٠٠‬ﻣﺮة ﻣﺘﺘﺎﻟﻴﺔ د اﺳﺘﻘﺮارﻫﺎ ﻋﲆ ﺟﻪ‬
‫اﻟﻜﺘﺎﺑﺔ ﻗﻂ‪ ،‬رﺑﻤﺎ ﺗﺼﺒﺢ ﻣﺘﺸﻜﻜﺎ ﺗﻐري اﺣﺘﻤﺎﻻﺗﻚ اﻟﺸﺨﺼﻴﺔ ﺑﺄ ﺗﺴﺘﻘﺮ ﻫﺬ اﻟﻌﻤﻠﺔ‬
‫ﻋﲆ ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ‪.‬‬
‫ﻗﺪ ﻃﻮرت أد ات ﻟﺘﻘﺪﻳﺮ اﻻﺣﺘﻤﺎﻻت اﻟﺬاﺗﻴﺔ ﻟﻸﻓﺮاد ﻋﲆ أﺳﺎس اﺳﱰاﺗﻴﺠﻴﺎت‬
‫املﺮاﻫﻨﺔ‪ ،‬ﻟﻜﻦ ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ ﻣﻊ أ إﺟﺮاء ﻟﻠﻘﻴﺎس‪ ،‬ﺛﻤﺔ ﻗﻴﻮد ﻋﻤﻠﻴﺔ ﻋﲆ ﻣﺪ دﻗﺔ‬
‫ﺗﻘﺪﻳﺮ اﻻﺣﺘﻤﺎﻻت‪.‬‬
‫ﺗﺘﻤﺜﻞ ﺟﻬﺔ ﻧﻈﺮ ﻣﺨﺘﻠﻔﺔ ﻻﺣﺘﻤﺎﻻت ﻗﻮع ﺣﺪث ﻣﺎ ﰲ أﻧﻬﺎ ﻋﺪد ﻣﺮات ﻗﻮع ﻫﺬا‬
‫اﻟﺤﺪث إذا ﺗﻜﺮرت اﻟﻈﺮ ﻋﲆ ﻧﺤﻮ ﻣﺘﻄﺎﺑﻖ ﻟﻌﺪد ﻻ ﻧﻬﺎﺋﻲ ﻣﻦ املﺮات‪ .‬ﻳﻌ ﱡﺪ ﻣﺜﺎ‬

‫‪61‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻗﺬ اﻟﻌﻤﻠﺔ املﺘﺰﻧﺔ اﻟﺴﺎﺑﻖ ﺗﻮﺿﻴﺤﺎ ﻟﻬﺬا؛ ﻓﻘﺪ رأﻳﻨﺎ أﻧﻪ ﺑﻴﻨﻤﺎ ﺗﻘﺬ اﻟﻌﻤﻠﺔ‪ ،‬ﻓﺈ ﻧﺴﺒﺔ‬
‫ﻇﻬﻮر اﻟﺼﻮرة ﺗﻘﱰب أﻛﺜﺮ أﻛﺜﺮ ﻣﻦ ﻗﻴﻤﺔ ﻣﺤﺪدة‪ .‬ﺗﻌ ﱠﺮ ﻫﺬ اﻟﻘﻴﻤﺔ ﻋﲆ أﻧﻬﺎ اﺣﺘﻤﺎ‬
‫اﺳﺘﻘﺮار اﻟﻌﻤﻠﺔ ﻋﲆ ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ﰲ أ ﻋﻤﻠﻴﺔ ﻗﺬ اﺣﺪة‪ .‬ﻧﻈﺮا ﻟﺪ ر اﻟﺘﻜﺮارات‪،‬‬
‫أ ﻋﺪد املﺮات‪ ،‬ﰲ ﺗﺤﺪﻳﺪ ﻫﺬا اﻟﺘﻔﺴري ﻟﻼﺣﺘﻤﺎﻻت‪ ،‬ﻓﺈﻧﻪ ﻳﺴﻤﻰ اﻟﺘﻔﺴري »اﻟﺘﻜﺮار «‪.‬‬
‫ﺗﻤﺎﻣﺎ ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ ﻣﻊ اﻟﻨﻬﺞ اﻟﺬاﺗﻲ‪ ،‬ﺗﻮﺟﺪ ﻗﻴﻮد ﻋﻤﻠﻴﺔ ﺗﻤﻨﻌﻨﺎ ﻣﻦ إﻳﺠﺎد‬
‫ﺣﻘﺎ ﻇﺮ ﻓﺎ‬‫اﻻﺣﺘﻤﺎﻻت اﻟﺘﻜﺮارﻳﺔ ﺑﺎﻟﻀﺒﻂ؛ ﻓﻌﻤﻠﻴﺘﺎ ﻗﺬ ﻟﻌﻤﻠﺔ ﻣﺎ ﻻ ﻳﻤﻜﻦ أ ﺗﻤﺘﻠﻜﺎ ٍّ‬
‫ﻣﺘﻄﺎﺑﻘﺔ ﺗﻤﺎﻣﺎ؛ ﻓﺴﻮ ﺗﺒﲆ ﺑﻌﺾ اﻟﺠﺰﻳﺌﺎت ﻣﻦ اﻟﻌﻤﻠﺔ ﰲ اﻟﺮﻣﻴﺔ اﻷ ﱃ‪ ،‬ﺳﺘﺨﺘﻠﻒ‬
‫ﻤﺎس ﻣﻊ اﻷﺻﺎﺑﻊ ﰲ املﺮة‬ ‫ﺗﻴﺎرات اﻟﻬﻮاء‪ ،‬ﺳﱰﺗﻔﻊ درﺟﺔ ﺣﺮارة اﻟﻌﻤﻠﺔ ﻗﻠﻴﻼ ﺟﺮاء اﻟﺘﱠ ﱢ‬
‫اﻷ ﱃ‪ .‬ﻋﲆ أ ﺣﺎ ﺳﻴﻜﻮ ﻋﻠﻴﻨﺎ ﻗﻒ ﻗﺬ اﻟﻌﻤﻠﺔ ﰲ ﻗﺖ ﻣﺎ؛ ﻟﺬﻟﻚ ﻻ ﻳﻤﻜﻨﻨﺎ ﻗﺬﻓﻬﺎ‬
‫ﻓﻌﻠﻴٍّﺎ ﻟﻌﺪد ﻻ ﻧﻬﺎﺋﻲ ﻣﻦ املﺮات‪.‬‬
‫ﻫﺬا اﻟﺘﻔﺴريا املﺨﺘﻠﻔﺎ ملﺎ ﺗﻌﻨﻴﻪ اﻻﺣﺘﻤﺎﻻت ﻟﻬﻤﺎ ﺧﺼﺎﺋﺺ ﻣﺨﺘﻠﻔﺔ‪ .‬ﻓﻴﻤﻜﻦ‬
‫اﺳﺘﺨﺪا اﻟﻨﻬﺞ اﻟﺬاﺗﻲ ﻟﺘﻌﻴني اﺣﺘﻤﺎ ﻣﻌني ﻟﺤﺪث ﻓﺮﻳﺪ ﻣﻦ ﻧﻮﻋﻪ؛ ﺣﺪث ﻳﻜﻮ اﻟﺘﻔﻜري‬
‫ﰲ ﺗﻜﺮار ﰲ ﻇﻞ ﻇﺮ ﻣﻤﺎﺛﻠﺔ ﻟﻌﺪد ﻻ ﻧﻬﺎﺋﻲ — أ ﺣﺘﻰ ﻋﺪد ﻛﺒري — ﻣﻦ املﺮات‬
‫ﻻ ﻣﻌﻨﻰ ﻟﻪ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﻴﺲ ﻫﻨﺎ ﻣﻌﻨﻰ ﻻﻗﱰاح ﻋﻤﻞ ﺳﻠﺴﻠﺔ ﻻ ﻧﻬﺎﺋﻴﺔ ﻣﻦ‬
‫املﺤﺎ ﻻت املﺘﻄﺎﺑﻘﺔ ﻻﻏﺘﻴﺎ اﻟﺮﺋﻴﺲ املﻘﺒﻞ ﻟﻠﻮﻻﻳﺎت املﺘﺤﺪة‪ ،‬ﺑﺤﻴﺚ ﻳﺆد ﺑﻌﻀﻬﺎ ﻟﻨﺘﻴﺠﺔ‬
‫ﻣﺎ اﻟﺒﻌﺾ اﻵﺧﺮ ﻟﻨﺘﻴﺠﺔ أﺧﺮ ؛ ﻟﺬﻟﻚ ﻳﺒﺪ ﻣﻦ اﻟﺼﻌﺐ ﺗﻄﺒﻴﻖ اﻟﺘﻔﺴري اﻟﺘﻜﺮار ﻋﲆ‬
‫ﻣﺜﻞ ﻫﺬا اﻟﺤﺪث‪ .‬ﻣﻦ ﻧﺎﺣﻴﺔ أﺧﺮ ‪ ،‬ﻓﺈ اﻟﻨﻬﺞ اﻟﺬاﺗﻲ ﻳﻨﻘﻞ اﻻﺣﺘﻤﺎﻻت ﻣﻦ ﻛﻮﻧﻬﺎ ﺧﺎﺻﻴﺔ‬
‫ﻣﻮﺿﻮﻋﻴﺔ ﻟﻠﻌﺎﻟﻢ اﻟﺨﺎرﺟﻲ )ﻣﺜﻞ اﻟﻜﺘﻠﺔ أ اﻟﻄﻮ ( إﱃ ﻛﻮﻧﻬﺎ ﺧﺎﺻﻴﺔ ﻟﻠﺘﻔﺎﻋﻞ ﺑني اﻟﺮاﺻﺪ‬
‫اﻟﻌﺎﻟﻢ؛ ﻓﺎﻻﺣﺘﻤﺎﻻت اﻟﺬاﺗﻴﺔ ﺗﺠﻌﻞ اﻟﺮاﺻﺪ ﻫﻮ اﻷﺳﺎس‪ .‬ﻗﺪ ﻳﺸﻌﺮ اﻟﺒﻌﺾ أ ﻫﺬا ﻧﻘﻄﺔ‬
‫ﺿﻌﻒ؛ ﻓﻬﺬا ﻳﻌﻨﻲ أ اﻷﺷﺨﺎص املﺨﺘﻠﻔني ﻳﻤﻜﻨﻬﻢ اﺳﺘﺨﻼص اﺳﺘﻨﺘﺎﺟﺎت ﻣﺨﺘﻠﻔﺔ ﻣﻦ‬
‫اﻟﺘﺤﻠﻴﻞ ﻧﻔﺴﻪ ﻟﻠﺒﻴﺎﻧﺎت ﻧﻔﺴﻬﺎ‪ .‬ﻗﺪ ﻳﻌﺘﱪ اﻟﺒﻌﺾ اﻵﺧﺮ ﻧﻘﻄﺔ ﻗﻮة؛ إذ إ اﻻﺳﺘﻨﺘﺎﺟﺎت‬
‫ﺗﺘﺄﺛﺮ ﺑﻤﻌﺮﻓﺘﻚ اﻟﺴﺎﺑﻘﺔ‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻮﺟﺪ ﺗﻔﺴريات أﺧﺮ ﻟﻼﺣﺘﻤﺎ ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻔﱰض اﻟﻨﻬﺞ‬
‫»اﻟﻜﻼﺳﻴﻜﻲ« أ ﺟﻤﻴﻊ اﻷﺣﺪاث ﺗﺘﻜﻮ ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺣﺪاث اﻻﺑﺘﺪاﺋﻴﺔ املﺘﺴﺎ ﻳﺔ‬
‫اﻻﺣﺘﻤﺎ ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﻣﻲ اﻟﻨﺮد ﻗﺪ ﻳﻨﺘﺞ اﻟﺮﻗﻢ ‪ ١‬أ ‪ ٢‬أ ‪ ٣‬أ ‪ ٤‬أ ‪ ٥‬أ‬
‫‪ ،٦‬ﺗﻤﺎﺛﻞ اﻟﻨﺮد ﻳﺸري إﱃ ﺗﺴﺎ اﺣﺘﻤﺎﻟﻴﺔ ﻇﻬﻮر ﻫﺬ اﻟﻨﺘﺎﺋﺞ اﻟﺴﺖ‪ ،‬ﻫﻜﺬا ﻛﻞ رﻗﻢ‬
‫ﻟﺪﻳﻪ اﺣﺘﻤﺎ ﻳﺒﻠﻎ ‪) ٦ / ١‬ﻳﺠﺐ أ ﻳﻜﻮ ﻣﺠﻤﻮﻋﻬﺎ ‪ ،١‬ﻧﻈﺮا ﻷﻧﻪ ﻣﻦ »املﺆﻛﺪ« أ اﺣﺪا‬
‫ﻣﻦ اﻷرﻗﺎ ‪ ١‬أ ‪ ٢‬أ ‪ ٣‬أ ‪ ٤‬أ ‪ ٥‬أ ‪ ٦‬ﺳﻮ ﻳﻈﻬﺮ(‪ .‬اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻋﺪد‬

‫‪62‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ز ﺟﻲ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ — ﻫﻮ ﻣﺠﻤﻮع اﻻﺣﺘﻤﺎﻻت املﺘﺴﺎ ﻳﺔ ﻟﻜﻞ أﺣﺪاث اﻟﺤﺼﻮ‬

‫ﻋﲆ ‪ ٢‬أ ‪ ٤‬أ ‪٦‬؛ ﻣﻦ ﺛ ﱠﻢ ﻓﻬﻮ ﻳﺴﺎ ‪ .٢ / ١‬ﻣﻊ ذﻟﻚ‪ ،‬ﰲ ﻇﺮ أﻗﻞ اﺻﻄﻨﺎﻋﻴﺔ‪،‬‬
‫ﺗﻮﺟﺪ ﺻﻌﻮﺑﺎت ﰲ ﺗﺤﺪﻳﺪ ﻣﺎﻫﻴﺔ ﻫﺬ اﻷﺣﺪاث »املﺘﺴﺎ ﻳﺔ اﻻﺣﺘﻤﺎ «؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫إذا ﻛﻨﺖ أرﻳﺪ ﻣﻌﺮﻓﺔ اﺣﺘﻤﺎ أ ﺗﺴﺘﻐﺮ رﺣﻠﺘﻲ اﻟﺼﺒﺎﺣﻴﺔ ﻟﻠﻌﻤﻞ أﻗﻞ ﻣﻦ ﺳﺎﻋﺔ اﺣﺪة‪،‬‬
‫ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ اﻟﻮاﺿﺢ ﻋﲆ اﻹﻃﻼ ﻣﺎ ﻳﻨﺒﻐﻲ أ ﺗﻜﻮ ﻋﻠﻴﻪ اﻷﺣﺪاث اﻻﺑﺘﺪاﺋﻴﺔ املﺘﺴﺎ ﻳﺔ‬
‫اﻻﺣﺘﻤﺎ ‪ .‬ﻻ ﻳﻮﺟﺪ ﺗﻤﺎﺛﻞ اﺿﺢ ﰲ ﻫﺬا املﻮﻗﻒ ﻣﺸﺎﺑﻪ ﻟﻠﺘﻤﺎﺛﻞ املﻮﺟﻮد ﰲ ﺣﺎﻟﺔ اﻟﻨﺮد‪.‬‬
‫ﻋﻼ ة ﻋﲆ ذﻟﻚ‪ ،‬إذا ﺗﻄﻠﺒﻨﺎ أ ﺗﻜﻮ اﻷﺣﺪاث اﻻﺑﺘﺪاﺋﻴﺔ »ﻣﺘﺴﺎ ﻳﺔ اﻻﺣﺘﻤﺎ « ﻓﺴﻨﻘﻊ ﰲ‬
‫ﻓﺦ اﻟﺘﻌﺮﻳﻒ اﻟﺪاﺋﺮ ؛ إذ ﻳﺒﺪ أﻧﻨﺎ ﻫﻜﺬا ﻧﻌ ﱢﺮ اﻻﺣﺘﻤﺎ ﺑﺎﺣﺘﻤﺎ ‪.‬‬
‫ﻳﺠﺪر اﻟﺘﺄﻛﻴﺪ ﻫﻨﺎ ﻋﲆ أ ﻛﻞ ﻫﺬ اﻟﺘﻔﺴريات املﺨﺘﻠﻔﺔ ﻟﻼﺣﺘﻤﺎﻻت ﺗﺘﻮاﻓﻖ ﻣﻊ‬
‫اﻟﺒﺪﻳﻬﻴﺎت ﻧﻔﺴﻬﺎ ﻳﺘﻢ ﻣﻌﺎﻟﺠﺘﻬﺎ ﺑﺎﻵﻟﻴﺔ اﻟﺮﻳﺎﺿﻴﺔ ﻧﻔﺴﻬﺎ‪ .‬ﻣﺎ ﻳﺨﺘﻠﻒ ﺑﺒﺴﺎﻃﺔ ﻫﻮ‬
‫ﻃﺮﻳﻘﺔ رﺳﻢ ﺧﺮﻳﻄﺔ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ؛ أ ﺗﻌﺮﻳﻒ ﻣﺎ »ﻳﻌﻨﻴﻪ« اﻟﻜﺎﺋﻦ اﻟﺮﻳﺎﴈ‪ .‬أﺣﻴﺎﻧﺎ‬
‫أﻗﻮ إ »اﻟﺤﺴﺎب« ﻫﻮ ﻧﻔﺴﻪ‪ ،‬ﻟﻜﻦ »اﻟﻨﻈﺮﻳﺔ« ﻣﺨﺘﻠﻔﺔ‪ .‬ﰲ اﻟﺘﻄﺒﻴﻘﺎت اﻹﺣﺼﺎﺋﻴﺔ —‬
‫ﻛﻤﺎ ﺳﻨﺮ ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ — ﻳﻤﻜﻦ ﻟﻠﺘﻔﺴريات املﺨﺘﻠﻔﺔ أ ﺗﺆد ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ‬
‫إﱃ اﺳﺘﺨﻼص اﺳﺘﻨﺘﺎﺟﺎت ﻣﺨﺘﻠﻔﺔ‪.‬‬

‫)‪ (3‬ﻗﻮاﻧني املﺼﺎدﻓﺔ‬

‫ذﻛﺮﻧﺎ ﺑﺎﻟﻔﻌﻞ ﻗﺎﻧﻮﻧﺎ اﺣﺪا ﻣﻦ ﻗﻮاﻧني اﻻﺣﺘﻤﺎﻻت؛ ﻫﻮ ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية‪ .‬ﻫﺬا‬
‫اﻟﻘﺎﻧﻮ ﻳﺮﺑﻂ رﻳﺎﺿﻴﺎت اﻻﺣﺘﻤﺎﻻت ﺑﺎملﻼﺣﻈﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ ﰲ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ .‬ﺛﻤﺔ‬
‫ﻗﻮاﻧني أﺧﺮ ﻟﻼﺣﺘﻤﺎﻻت ﻣﺘﻀﻤﻨﺔ ﰲ ﺑﺪﻳﻬﻴﺎت اﻻﺣﺘﻤﺎﻻت‪ .‬ﺗﺘﻀﻤﻦ ﺑﻌﺾ ﻫﺬ اﻟﻘﻮاﻧني‬
‫املﻬﻤﺔ ﻟﻠﻐﺎﻳﺔ ﻣﻔﻬﻮ »اﻻﺳﺘﻘﻼ «‪.‬‬
‫ﻳﻘﺎ إ اﻟﺤﺪﺛني ﻣﺴﺘﻘﻼ إذا ﻛﺎ ﻗﻮع أﺣﺪﻫﻤﺎ ﻻ ﻳﺆﺛﺮ ﻋﲆ اﺣﺘﻤﺎﻻت ﻗﻮع‬
‫اﻵﺧﺮ؛ ﻓﺤﻘﻴﻘﺔ أ اﻟﻌﻤﻠﺔ اﻟﺘﻲ ﻗﺬﻓﺘﻬﺎ ﺑﻴﺪ اﻟﻴﴪ ﺳﻮ ﺗﺴﺘﻘﺮ ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻷﻋﲆ‬
‫ﺑﺪﻻ ﻣﻦ ﺟﻪ اﻟﺼﻮرة ﻻ ﺗﺆﺛﺮ ﻋﲆ ﻧﺘﺎﺋﺞ ﻗﺬ اﻟﻌﻤﻠﺔ ﺑﻴﺪ اﻟﻴﻤﻨﻰ‪ ،‬ﻓﻌﻤﻠﻴﺘﺎ ﻗﺬ اﻟﻌﻤﻠﺔ‬
‫ﻫﺎﺗﺎ ﻣﺴﺘﻘﻠﺘﺎ ‪ .‬إذا ﻛﺎ اﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ املﻮﺟﻮدة ﰲ ﻳﺪ اﻟﻴﴪ ﺳﻮ ﺗﺴﺘﻘﺮ‬
‫ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ﻫﻮ ‪ ،٢ / ١‬اﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ ﰲ ﻳﺪ اﻟﻴﻤﻨﻰ ﺳﻮ ﺗﺴﺘﻘﺮ ﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ ﻫﻮ ‪ ،٢ / ١‬ﻓﺈ اﺣﺘﻤﺎ أ ﻛﻠﺘﺎ اﻟﻌﻤﻠﺘني ﺳﻮ ﺗﻘﻊ ﻋﲆ ﺟﻪ اﻟﺼﻮرة‬
‫ﻫﻮ ‪ .٤ / ١ = ٢ / ١ × ٢ / ١‬ﻳﺴﻬﻞ إدرا ﻫﺬا ﺣﻴﺚ إﻧﻨﺎ ﻧﺘﻮﻗﻊ أﻧﻪ ﰲ ﻛﺜري ﻣﻦ ﺗﻜﺮارات‬
‫ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ‬ ‫ﺗﺠﺮﺑﺔ اﻟﻘﺬ املﺰد ج ﺳﻮ ﺗﺴﺘﻘﺮ اﻟﻘﻄﻌﺔ اﻟﻨﻘﺪﻳﺔ ﰲ اﻟﻴﺪ اﻟﻴﴪ‬

‫‪63‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻓﻴﻤﺎ ﻳﻘﺮب ﻣﻦ ﻧﺼﻒ ﻣﺮات ﻗﺬﻓﻬﺎ‪ ،‬أﻧﻪ ﻣﻦ ﺑني ﻫﺬ اﻟﺤﺎﻻت‪ ،‬ﺳﻮ ﺗﺴﺘﻘﺮ اﻟﻘﻄﻌﺔ‬
‫اﻟﻨﻘﺪﻳﺔ ﰲ اﻟﻴﺪ اﻟﻴﻤﻨﻰ ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ﻓﻴﻤﺎ ﻳﻘﺮب ﻣﻦ ﻧﺼﻒ ﻣﺮات ﻗﺬﻓﻬﺎ ﻷ ﻧﺘﺎﺋﺞ‬
‫ﻋﻤﻠﻴﺔ اﻟﻘﺬ اﻷ ﱃ ﻻ ﺗﺆﺛﺮ ﻋﲆ اﻟﺜﺎﻧﻴﺔ‪ .‬ﺑﻮﺟﻪ ﻋﺎ ‪ ،‬ﻓﺈ ﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد ﻣﺮات اﻟﻘﺬ‬
‫املﺰد ج ﻣﻦ ﺷﺄﻧﻪ أ ﻳﻨﺘﺞ ﻋﻨﻪ ﺻﻮرة‪ .‬ﺑﺎملﺜﻞ‪ ،‬ﻓﺈ ﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد املﺮات ﺳﻴﻨﺘﺞ‬
‫ﻋﻨﻪ ﻛﺘﺎﺑﺔ ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﴪ ‪ ،‬ﺻﻮرة ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﻤﻨﻰ‪ ،‬ﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد املﺮات‬
‫ﺳﻴﻨﺘﺞ ﻋﻨﻪ ﺻﻮرة ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﴪ ‪ ،‬ﻛﺘﺎﺑﺔ ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﻤﻨﻰ‪ ،‬ﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد‬
‫املﺮات ﺳﻴﻨﺘﺞ ﻋﻨﻪ ﻛﺘﺎﺑﺔ ﰲ ﻛﻠﺘﺎ اﻟﻌﻤﻠﺘني‪.‬‬
‫ٍّ‬
‫ﻣﺴﺘﻘﻼ ﻋﻤﱠ ﺎ إذا‬ ‫ﰲ املﻘﺎﺑﻞ‪ ،‬ﻓﺈ اﺣﺘﻤﺎ اﻟﺘﻌﺜﺮ اﻟﺴﻘﻮط ﰲ اﻟﺸﺎرع ﺑﺎﻟﺘﺄﻛﻴﺪ ﻟﻴﺲ‬
‫ﻄﻰ ﺑﺎﻟﺜﻠﻮج أ ﻻ؛ ﻓﻬﺬا اﻟﺤﺪﺛﺎ »ﻏري ﻣﺴﺘﻘﻠني«‪ .‬رأﻳﻨﺎ ﻣﺜﺎﻻ آﺧﺮ‬ ‫ﻛﺎ اﻟﺸﺎرع ﻣﻐ ٍّ‬
‫ﻟﻸﺣﺪاث ﻏري املﺴﺘﻘﻠﺔ ﰲ اﻟﻔﺼﻞ اﻷ ؛ ﰲ ﺣﺎﻟﺔ ﻟﺴﺎﱄ ﻛﻼر املﺄﺳﺎ ﻳﺔ اﻟﺘﻲ ﺗﻮﰲ ﻓﻴﻬﺎ‬
‫ﻃﻔﻼ ﰲ اﻷﴎة ﻧﻔﺴﻬﺎ‪ .‬ﻋﻨﺪﻣﺎ ﻳﻜﻮ اﻟﺤﺪﺛﺎ ﻏري ﻣﺴﺘﻘﻠني‪ ،‬ﻓﺈﻧﻨﺎ ﻻ ﻧﺴﺘﻄﻴﻊ ﺣﺴﺎب‬
‫اﺣﺘﻤﺎ ﻗﻮع ﻛ ﱟﻞ ﻣﻨﻬﻤﺎ ﺑﺒﺴﺎﻃﺔ ﻋﻦ ﻃﺮﻳﻖ ﴐب اﺣﺘﻤﺎﱄ ﻗﻮﻋﻬﻤﺎ املﻨﻔﺼﻠني ﻣﻌﺎ‪ .‬ﰲ‬
‫اﻟﻮاﻗﻊ‪ ،‬ﻛﺎ ﻫﺬا ﻫﻮ اﻟﺨﻄﺄ اﻟﺬ ﻛﺎ ﻳﻜﻤﻦ ﰲ ﺟﻮﻫﺮ ﻗﻀﻴﺔ ﺳﺎﱄ ﻛﻼر ‪ .‬ﻹدرا ذﻟﻚ‪،‬‬
‫دﻋﻨﺎ ﻧﺄﺧﺬ املﻮﻗﻒ اﻷﻛﺜﺮ ﺗﻄﺮﻓﺎ ﻟﺤﺪﺛني ﻏري ﻣﺴﺘﻘﻠني ﺗﻤﺎﻣﺎ؛ ﻫﻮ ﻋﻨﺪﻣﺎ »ﺗﺤﺪﱢد« ﻧﺘﺎﺋﺞ‬
‫أﺣﺪ اﻟﺤﺪﺛني »ﻋﲆ ﻧﺤﻮ ﺗﺎ « ﻧﺘﺎﺋﺞ اﻟﺤﺪث اﻵﺧﺮ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺗﺄﻣﱠ ْﻞ ﻋﻤﻠﻴﺔ ﻗﺬ‬
‫ﻋﻤﻠﺔ اﺣﺪة‪ ،‬اﻟﺤﺪﺛﺎ » ﺟﻪ اﻟﺼﻮرة ﻟﻠﻌﻤﻠﺔ ﻷﻋﲆ« » ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻟﻠﻌﻤﻠﺔ ﻷﺳﻔﻞ«‪ .‬ﻛ ﱞﻞ‬
‫ﻣﻦ ﻫﺬﻳﻦ اﻟﺤﺪﺛني ﻟﺪﻳﻪ اﺣﺘﻤﺎ ﻳﺒﻠﻎ اﻟﻨﺼﻒ؛ ﻓﺎﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ ﺳﻮ ﺗﺴﺘﻘﺮ ﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ ﻫﻮ ‪ ،٢ / ١‬اﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ ﺳﻮ ﺗﺴﺘﻘﺮ ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻷﺳﻔﻞ ﻫﻮ‬
‫‪ .٢ / ١‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أﻧﻬﻤﺎ ﻟﻴﺴﺎ ﺣﺪﺛني ﻣﺴﺘﻘﻠني‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﻤﺎ ﻣﺮﺗﺒﻄﺎ ارﺗﺒﺎﻃﺎ‬
‫ﺗﺎﻣٍّ ﺎ‪ .‬ﻓﻌﲆ أ ﺣﺎ ‪ ،‬إذا ﻛﺎ اﻟﺤﺪث اﻷ ﺻﺤﻴﺤﺎ )اﻟﺼﻮرة ﻷﻋﲆ( »ﻳﺠﺐ« أ ﻳﻜﻮ‬
‫اﻟﺜﺎﻧﻲ ﺻﺤﻴﺤﺎ )اﻟﻜﺘﺎﺑﺔ ﻷﺳﻔﻞ(‪ .‬ﻷﻧﻬﻤﺎ ﻣﺮﺗﺒﻄﺎ ارﺗﺒﺎﻃﺎ ﺗﺎﻣٍّ ﺎ‪ ،‬ﻓﺈ اﺣﺘﻤﺎ أ ﻳﺤﺪث‬
‫ﻛﻼﻫﻤﺎ ﻳﺴﺎ ﺑﺒﺴﺎﻃﺔ اﺣﺘﻤﺎ ﺣﺪ ث اﻷ ؛ ﻫﻮ اﺣﺘﻤﺎ ﻳﺒﻠﻎ اﻟﻨﺼﻒ‪ .‬ﻟﻴﺲ ﻫﺬا ﻣﺎ‬
‫ﻧﺤﺼﻞ ﻋﻠﻴﻪ إذا ﴐﺑﻨﺎ اﻻﺣﺘﻤﺎﻟني املﻨﻔﺼﻠني اﻟﺒﺎﻟﻎ ﻛ ﱞﻞ ﻣﻨﻬﻤﺎ ﻧﺼﻔﺎ ﻣﻌﺎ‪.‬‬
‫ﺑﺼﻔﺔ ﻋﺎﻣﺔ‪ ،‬ﻳﻌﻨﻲ ﻋﺪ اﻻﺳﺘﻘﻼ ﺑني ﺣﺪﺛني أ اﺣﺘﻤﺎ أ أﺣﺪﻫﻤﺎ ﺳﻴﺤﺪث‬
‫ﻳﻌﺘﻤﺪ ﻋﲆ ﻛﻮ اﻵﺧﺮ ﻗﺪ ﺣﺪث أ ﻻ‪.‬‬
‫ﻳﻄﻠﻖ اﻹﺣﺼﺎﺋﻴﻮ ﻋﲆ اﺣﺘﻤﺎ ﻗﻮع ﺣﺪﺛني ﻣﻌﺎ اﺳﻢ »اﻻﺣﺘﻤﺎ املﺸﱰ « ﻟﻬﺬﻳﻦ‬
‫اﻟﺤﺪﺛني؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ أ ﻧﺘﺤﺪث ﻋﻦ اﻻﺣﺘﻤﺎ املﺸﱰ ﺑﺄﻧﻨﻲ ﺳﻮ أﻧﺰﻟﻖ‬
‫ﻄﻰ ﺑﺎﻟﺜﻠﻮج‪ .‬اﻻﺣﺘﻤﺎ املﺸﱰ ﺑني ﺣﺪﺛني ﻳﺮﺗﺒﻂ ارﺗﺒﺎﻃﺎ ﺛﻴﻘﺎ ﺑﺎﺣﺘﻤﺎ‬ ‫أ اﻟﻄﺮﻳﻖ ﻣﻐ ٍّ‬

‫‪64‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫أ ﻳﻘﻊ ﺣﺪث ﻣﺎ »إذا« ﻗﻊ ﺣﺪث آﺧﺮ‪ .‬ﻫﺬا ﻳﺴﻤﻰ »اﻻﺣﺘﻤﺎ اﻟﴩﻃﻲ«؛ أ اﺣﺘﻤﺎ‬
‫أ ﺣﺪﺛﺎ ﻣﺎ ﺳﻮ ﻳﻘﻊ ﻧﻈﺮا ﻟﻮﻗﻮع ﺣﺪث آﺧﺮ‪ .‬ﻫﻜﺬا ﻳﻤﻜﻨﻨﺎ أ ﻧﺘﺤﺪث ﻋﻦ اﻻﺣﺘﻤﺎ‬
‫اﻟﴩﻃﻲ ﺑﺄﻧﻨﻲ ﺳﻮ أﻧﺰﻟﻖ ﻷ اﻟﻄﺮﻳﻖ ﻣﻐ ٍّ‬
‫ﻄﻰ ﺑﺎﻟﺜﻠﻮج‪.‬‬
‫إ اﻻﺣﺘﻤﺎ )املﺸﱰ ( ﻟﻮﻗﻮع ﻛﻼ اﻟﺤﺪﺛني »أ« »ب« ﻫﻮ ﺑﺒﺴﺎﻃﺔ اﺣﺘﻤﺎ ﻗﻮع‬
‫اﻟﺤﺪث »أ« ﻣﴬ ﺑﺎ ﰲ اﺣﺘﻤﺎ ﻗﻮع اﻟﺤﺪث »ب« )املﴩ ط( ﻧﻈﺮا ﻟﻮﻗﻮع »أ«؛ ﻓﺎﻻﺣﺘﻤﺎ‬
‫)املﺸﱰ ( أ اﻟﺜﻠﻮج ﺗﺘﺴﺎﻗﻂ أﻧﻨﻲ ﺳﺄﻧﺰﻟﻖ ﻫﻮ اﺣﺘﻤﺎ أ اﻟﺜﻠﻮج ﺗﺘﺴﺎﻗﻂ ﻣﴬ ﺑﺎ ﰲ‬
‫اﻻﺣﺘﻤﺎ )املﴩ ط( أﻧﻨﻲ ﺳﺄﻧﺰﻟﻖ إذا ﻛﺎﻧﺖ اﻟﺜﻠﻮج ﻗﺪ ﺗﺴﺎﻗﻄﺖ‪.‬‬
‫ﻟﻠﺘﻮﺿﻴﺢ‪ ،‬ﺗﺄﻣﱠ ْﻞ رﻣﻴﺔ اﺣﺪة ﻟﺤﺠﺮ ﻧﺮد ﺣﺪﺛني‪ .‬اﻟﺤﺪث »أ« ﻫﻮ أ اﻟﺮﻗﻢ اﻟﻈﺎﻫﺮ‬
‫ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ،٢‬اﻟﺤﺪث »ب« ﻫﻮ أ اﻟﺮﻗﻢ اﻟﻈﺎﻫﺮ ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ .٣‬اﻻﺣﺘﻤﺎ‬
‫املﺸﱰ ﻟﻬﺬﻳﻦ اﻟﺤﺪﺛني »أ« »ب« ﻫﻮ اﺣﺘﻤﺎ أ ﻧﺤﺼﻞ ﻋﲆ ﻋﺪد ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪٢‬‬
‫‪ ،٣‬ﻫﺬا اﻻﺣﺘﻤﺎ ﻳﺒﻠﻎ ‪ ٦ / ١‬ﻓﻘﻂ؛ إذ إ اﺣﺪا ﻓﻘﻂ ﻣﻦ اﻷرﻗﺎ ‪ ٦ ،٥ ،٤ ،٣ ،٢ ،١‬ﻳﻘﺒﻞ‬
‫اﻟﻘﺴﻤﺔ ﻋﲆ ﻛﻞ ﻣﻦ ‪ .٣ ٢‬اﻻﺣﺘﻤﺎ املﴩ ط ﻟﻠﺤﺪث »ب« ﻧﻈﺮا ﻟﻮﻗﻮع »أ« ﻫﻮ اﺣﺘﻤﺎ‬
‫اﻟﺤﺼﻮ ﻋﲆ رﻗﻢ ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ٣‬ﻣﻦ ﺑني اﻷرﻗﺎ اﻟﺘﻲ ﺗﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ .٢‬ﺣﺴﻨﺎ‪،‬‬
‫ﻣﻦ ﺑني ﺟﻤﻴﻊ اﻷرﻗﺎ اﻟﺘﻲ ﺗﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ) ٢‬ﻫﺬا ﻳﻌﻨﻲ‪ ،‬ﻣﻦ ﺑني ‪ (٦ ،٤ ،٢‬رﻗﻢ اﺣﺪ‬
‫ﻓﻘﻂ ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ،٣‬ﻟﺬﻟﻚ ﻳﺒﻠﻎ ﻫﺬا اﻻﺣﺘﻤﺎ اﻟﴩﻃﻲ ‪ .٣ / ١‬أﺧريا‪ ،‬ﻓﺈ اﺣﺘﻤﺎ‬
‫اﻟﺤﺪث »أ« ﻫﻮ ‪) ٢ / ١‬ﻧﺼﻒ اﻷرﻗﺎ ‪ ٦ ،٥ ،٤ ،٣ ،٢ ،١‬ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ .(٢‬ﻣﻦ ﺛ ﱠﻢ‬
‫ﻧﺠﺪ أ اﺣﺘﻤﺎ »أ« )‪ (٢ / ١‬ﻣﴬ ﺑﺎ ﰲ اﻻﺣﺘﻤﺎ )اﻟﴩﻃﻲ( ﻟﻠﺤﺪث »ب« ﻧﻈﺮا ﻟﻮﻗﻮع‬
‫»أ« )‪ (٣ / ١‬ﻫﻮ ‪ .٦ / ١‬ﻫﻮ ﻳﺒﻠﻎ ﻧﻔﺲ ﻗﻴﻤﺔ اﻻﺣﺘﻤﺎ املﺸﱰ ﺑﺎﻟﺤﺼﻮ ﻋﲆ ﻋﺪد ﻳﻘﺒﻞ‬
‫اﻟﻘﺴﻤﺔ ﻋﲆ ﻛﻞ ﻣﻦ ‪٣ ٢‬؛ أ اﻻﺣﺘﻤﺎ املﺸﱰ ﻟﻮﻗﻮع اﻟﺤﺪﺛني »أ« »ب«‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ا ْﻟﺘﻘﻴْﻨﺎ ﺳﺎﺑﻘﺎ ﻣﻔﻬﻮ اﻻﺣﺘﻤﺎ اﻟﴩﻃﻲ ﰲ اﻟﻔﺼﻞ اﻷ ‪ ،‬ﰲ ﺻﻮرة‬
‫ﻣﻐﺎﻟﻄﺔ املﺪﻋﻲ‪ .‬أﺷﺎر ﻫﺬا إﱃ أ اﺣﺘﻤﺎ ﻗﻮع اﻟﺤﺪث »أ« ﻧﻈﺮا إﱃ ﺣﺪ ث »ب« ﻟﻴﺲ‬
‫ﻫﻮ اﻻﺣﺘﻤﺎ ﻧﻔﺴﻪ ﺑﻮﻗﻮع اﻟﺤﺪث »ب« ﻧﻈﺮا ﻟﻮﻗﻮع »أ«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬اﺣﺘﻤﺎ أ‬
‫ﺷﺨﺼﺎ ﻣﺎ ﻳﺪﻳﺮ ﴍﻛﺔ ﻛﱪ ﻳﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة ﻟﻴﺲ ﻫﻮ اﻻﺣﺘﻤﺎ ﻧﻔﺴﻪ ﺑﺄ اﻟﺸﺨﺺ‬
‫اﻟﺬ ﻳﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة ﻳﺪﻳﺮ ﴍﻛﺔ ﻛﱪ ‪ .‬ﻫﺬا ﻳﻘﻮدﻧﺎ إﱃ ﻗﺎﻧﻮ آﺧﺮ ﻣﻬ ﱟﻢ ﻟﻠﻐﺎﻳﺔ ﻣﻦ‬
‫ﻗﻮاﻧني اﻻﺣﺘﻤﺎﻻت؛ ﻫﻮ »ﻣﱪﻫﻨﺔ ﺑﺎﻳﺰ« )أ »ﻗﺎﻋﺪة ﺑﺎﻳﺰ«(‪ .‬ﺗﺴﺎﻋﺪﻧﺎ ﻣﱪﻫﻨﺔ ﺑﺎﻳﺰ ﰲ رﺑﻂ‬
‫ﻫﺬﻳﻦ اﻻﺣﺘﻤﺎﻟني اﻟﴩﻃﻴني؛ اﻻﺣﺘﻤﺎ اﻟﴩﻃﻲ ﻟﻠﺤﺪث »أ« ﻧﻈﺮا ﻟﻮﻗﻮع »ب«‪ ،‬اﻻﺣﺘﻤﺎ‬
‫اﻟﴩﻃﻲ ﻟﻠﺤﺪث »ب« ﻧﻈﺮا ﻟﻮﻗﻮع »أ«‪.‬‬
‫رأﻳﻨﺎ ﻟﻠﺘ ﱢﻮ أ اﺣﺘﻤﺎ ﻗﻮع ﻛﻼ اﻟﺤﺪﺛني »أ« »ب« ﻳﺴﺎ اﺣﺘﻤﺎ أ »أ« ﺳﻴﻘﻊ‬
‫ﻣﴬ ﺑﺎ ﰲ اﻻﺣﺘﻤﺎ )املﴩ ط( ﺑﺄ »ب« ﺳﻴﻘﻊ ﻧﻈﺮا ﻟﻮﻗﻮع »أ«‪ .‬ﻟﻜﻦ ﻳﻤﻜﻦ أﻳﻀﺎ‬

‫‪65‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻛﺘﺎﺑﺔ ﻫﺬا ﻋﲆ ﻧﺤﻮ ﻣﻌﻜﻮس؛ اﺣﺘﻤﺎ أ ﻛﻼ اﻟﺤﺪﺛني »أ« »ب« ﺳﻮ ﻳﻘﻌﺎ ﻳﺴﺎ‬
‫أﻳﻀﺎ اﺣﺘﻤﺎ أ »ب« ﺳﻴﻘﻊ ﻣﴬ ﺑﺎ ﰲ اﺣﺘﻤﺎ أ »أ« ﺳﻴﻘﻊ ﻧﻈﺮا ﻟﻮﻗﻮع »ب«‪ .‬ﺗﻨﺺ‬
‫ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ )ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻪ ﻋﺎدة ﻣﺎ ﻳﻌﱪ ﻋﻦ ذﻟﻚ ﻋﲆ ﻧﺤﻮ ﻣﺨﺘﻠﻒ( ﻋﲆ أ ﻫﺎﺗني‬
‫اﻟﻄﺮﻳﻘﺘني ﺑﺒﺴﺎﻃﺔ ﻃﺮﻳﻘﺘﺎ ﺑﺪﻳﻠﺘﺎ ﻟﻜﺘﺎﺑﺔ اﻻﺣﺘﻤﺎ املﺸﱰ ﻟﻠﺤﺪﺛني »أ« »ب«؛ أ‬
‫إ اﺣﺘﻤﺎ »أ« ﻣﴬ ﺑﺎ ﰲ اﺣﺘﻤﺎ »ب« ﻧﻈﺮا ﻟﻮﻗﻮع اﻟﺤﺪث »أ« ﻳﺴﺎ اﺣﺘﻤﺎ »ب«‬
‫ﻣﴬ ﺑﺎ ﰲ اﺣﺘﻤﺎ »أ« ﻧﻈﺮا ﻟﻮﻗﻮع اﻟﺤﺪث »ب«‪ .‬ﻛﻼﻫﻤﺎ ﻳﺴﺎ اﻻﺣﺘﻤﺎ املﺸﱰ‬
‫ﺑني »أ« »ب«‪ .‬ﰲ ﻣﺜﺎ »رﺋﻴﺲ اﻟﴩﻛﺔ اﻟﺬ ﻳﻘﻮد ﺳﻴﺎرة«‪ ،‬ﺗﻜﺎﻓﺊ ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ ﻗﻮ إ‬
‫اﺣﺘﻤﺎ إدارﺗﻚ ﻟﴩﻛﺔ ﻛﱪ ﻧﻈﺮا إﱃ أﻧﻚ ﺗﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة‪ ،‬ﻣﴬ ﺑﺎ ﰲ اﺣﺘﻤﺎ أ‬
‫ﺗﺘﻤﻜﻦ ﻣﻦ ﻗﻴﺎدة ﺳﻴﺎرة‪ ،‬ﻳﺴﺎ اﺣﺘﻤﺎ أﻧﻚ ﺗﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة ﻧﻈﺮا إﱃ أﻧﻚ رﺋﻴﺲ‬
‫ﴍﻛﺔ‪ ،‬ﻣﴬ ﺑﺎ ﰲ اﺣﺘﻤﺎ ﻛﻮﻧﻚ رﺋﻴﺲ ﴍﻛﺔ‪ .‬ﻛﻼﻫﻤﺎ ﻳﺴﺎ اﻻﺣﺘﻤﺎ املﺸﱰ ﻟﻜﻮﻧﻚ‬
‫رﺋﻴﺲ ﴍﻛﺔ ﻗﺎدرا ﻋﲆ ﻗﻴﺎدة ﺳﻴﺎرة‪.‬‬
‫ﻳﻨﺺ ﻗﺎﻧﻮ آﺧﺮ ﻟﻼﺣﺘﻤﺎﻻت ﻋﲆ أﻧﻪ إذا ﻛﺎ ﻳﻤﻜﻦ ﻗﻮع أﺣﺪ اﻟﺤﺪﺛني‪ ،‬ﻟﻜﻦ‬
‫ﻻ ﻳﻤﻜﻦ أ ﻳﻘﻊ ﻛﻼﻫﻤﺎ ﻣﻌﺎ‪ ،‬ﻓﺈ اﺣﺘﻤﺎ أ أﺣﺪﻫﻤﺎ ﺳﻴﻘﻊ ﻫﻮ ﻣﺠﻤﻮع اﻻﺣﺘﻤﺎﻟني‬
‫املﻨﻔﺼﻠني ﻟﻮﻗﻮع ﻛ ﱟﻞ ﻣﻨﻬﻤﺎ‪ .‬إذا ﻗﺬﻓﺖ ﻋﻤﻠﺔ — ﻣﻦ املﺆﻛﺪ أﻧﻬﺎ ﻻ ﻳﻤﻜﻦ أ ﺗﻈﻬﺮ ﺟﻪ‬
‫اﻟﻜﺘﺎﺑﺔ اﻟﺼﻮرة ﰲ اﻟﻮﻗﺖ ذاﺗﻪ — ﻓﺈ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة »أ « ﺟﻪ اﻟﻜﺘﺎﺑﺔ‬
‫ﻫﻮ ﻣﺠﻤﻮع اﺣﺘﻤﺎ أ ﺟﻪ اﻟﺼﻮرة ﺳﻮ ﻳﻈﻬﺮ اﺣﺘﻤﺎ أ ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﺳﻮ ﻳﻈﻬﺮ‪.‬‬
‫إذا ﻛﺎﻧﺖ اﻟﻌﻤﻠﺔ ﻣﺘﺰﻧﺔ‪ ،‬ﻓﺈ ﻛﻼ ﻫﺬﻳﻦ اﻻﺣﺘﻤﺎﻟني املﻨﻔﺼﻠني ﻫﻮ اﻟﻨﺼﻒ‪ ،‬ﻫﻜﺬا ﻓﺈ‬
‫اﻻﺣﺘﻤﺎ اﻟﻜﲇ ﻟﻈﻬﻮر ﺟﻪ اﻟﺼﻮرة ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻫﻮ ‪ .١‬ﻫﺬا اﻷﻣﺮ ﻳﺒﺪ ﻣﻌﻘﻮﻻ ﺗﻤﺎﻣﺎ؛‬
‫إذ ﻳﺘﻮاﻓﻖ اﻟﺮﻗﻢ ‪ ١‬ﻣﻊ اﻟﻴﻘني‪ ،‬ﻣﻦ املﺆﻛﺪ أﻧﻪ ﻳﺠﺐ أ ﻳﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة أ ﺟﻪ‬
‫اﻟﻜﺘﺎﺑﺔ )أﻓﱰض أﻧﻪ ﻻ ﻳﻤﻜﻦ أ ﻳﻨﺘﻬﻲ اﻷﻣﺮ ﺑﻮﻗﻮ اﻟﻌﻤﻠﺔ ﻋﲆ ﺣﺎﻓﺘﻬﺎ!( ﺑﺎﻟﻌﻮدة إﱃ‬
‫ﻣﺜﺎ رﻣﻲ اﻟﻨﺮد‪ :‬ﻛﺎ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻋﺪد ز ﺟﻲ ﻫﻮ ﻣﺠﻤﻮع اﺣﺘﻤﺎﻻت اﻟﺤﺼﻮ‬
‫ﻋﲆ أ ﱟ ﻣﻦ اﻷرﻗﺎ ‪ ٢‬أ ‪ ٤‬أ ‪٦‬؛ ﻷﻧﻪ ﻻ ﻳﻤﻜﻦ أ ﻳﻘﻊ أ ﻣﻦ ﻫﺬ اﻷﺣﺪاث ﻣﻌﺎ ) ﻻ‬
‫ﺗﻮﺟﺪ أ ﻃﺮ أﺧﺮ ﻟﻠﺤﺼﻮ ﻋﲆ ﻋﺪد ز ﺟﻲ ﺑﺮﻣﻴﺔ اﺣﺪة ﻟﻠﻨﺮد(‪.‬‬

‫)‪ (4‬املﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ ﺗﻮزﻳﻌﺎﺗﻬﺎ‬

‫رأﻳﻨﺎ ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ ﻛﻴﻒ ﻳﻤﻜﻦ اﺳﺘﺨﺪا املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ ﻻﺳﺘﺨﺮاج‬
‫ﱢ‬
‫ﻣﺘﻐري ﻣﺎ‪ ،‬ﺑﺤﻴﺚ ﺗﻜﺜﻒ املﺠﻤﻮﻋﺔ ﻟﻴﻜﻮ ﺗﻮزﻳﻊ‬ ‫املﻌﻠﻮﻣﺎت ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ ﻗﻴﻢ‬
‫اﻟﻘﻴﻢ ﺳﻬﻞ اﻟﻔﻬﻢ‪ .‬إ أ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﺣﻘﻴﻘﻴﺔ ﺗﻜﻮ ﻣﺤﺪ دة ﰲ اﻟﺤﺠﻢ؛ ﻓﻼ ﻳﻤﻜﻦ‬

‫‪66‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫أ ﺗﺤﺘﻮ إﻻ ﻋﲆ ﻋﺪد ﻣﺤﺪ د ﻣﻦ اﻟﻘﻴﻢ‪ .‬ﻫﺬ املﺠﻤﻮﻋﺔ املﺤﺪ دة ﻗﺪ ﺗﻤﺜﻞ ﻗﻴﻢ ﻛﺎﻓﺔ‬
‫اﻷﺷﻴﺎء ﻣﻦ اﻟﻨﻮع اﻟﺬ ﻧﺨﻀﻌﻪ ﻟﻠﺪراﺳﺔ )ﻣﺜﻞ درﺟﺎت ﺟﻤﻴﻊ ﻻﻋﺒﻲ د ر ﻛﺮة اﻟﻘﺪ ﰲ‬
‫ﺳﻨﺔ ﻣﻌﻴﻨﺔ( أ ﻗﺪ ﺗﻤﺜﻞ ﻗﻴﻢ ﺑﻌﺾ اﻷﺷﻴﺎء ﻓﺤﺴﺐ؛ أ ْ إﻧﻬﺎ »ﻋﻴﻨﺔ«‪ .‬رأﻳﻨﺎ أﻣﺜﻠﺔ ﻋﲆ‬
‫ﻫﺬا ﻋﻨﺪﻣﺎ ﺗﻨﺎ ﻟﻨﺎ ﻣﺴﺢ اﻟﻌﻴﻨﺎت‪.‬‬
‫اﻟﻌﻴﻨﺔ ﻫﻲ ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ ﻣﻦ »ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﻢ« اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﰲ‬
‫ﺑﻌﺾ اﻟﺤﺎﻻت‪ ،‬ﺗﻜﻮ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻏري اﺿﺤﺔ اﻟﺘﻌﺮﻳﻒ‪ ،‬رﺑﻤﺎ ﺗﻜﻮ ﺿﺨﻤﺔ أ‬
‫ﺣﺘﻰ ﻻ ﻧﻬﺎﺋﻴﺔ؛ ﻟﺬﻟﻚ ﻻ ﻳﻜﻮ ﻟﺪﻳﻨﺎ ﺧﻴﺎر اﻟﻠﺠﻮء إﱃ ﻋﻴﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ ﺗﺠﺎرب‬
‫ﻗﻴﺎس ﴎﻋﺔ اﻟﻀﻮء‪ ،‬ﰲ ﻛﻞ ﻣﺮة آﺧﺬ ﻓﻴﻬﺎ اﻟﻘﻴﺎس أﺗﻮﻗﻊ اﻟﺤﺼﻮ ﻋﲆ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ‬
‫ﻗﻠﻴﻼ؛ ذﻟﻚ ﺑﺒﺴﺎﻃﺔ ﺑﺴﺒﺐ ﻋﺪ اﻟﺪﻗﺔ ﰲ ﻋﻤﻠﻴﺔ اﻟﻘﻴﺎس‪ .‬ﻳﻤﻜﻨﻨﻲ — ﻋﲆ اﻷﻗﻞ ﻣﻦ‬
‫ﺣﻴﺚ املﺒﺪأ — املﴤ ﻗﺪﻣﺎ ﰲ أﺧﺬ اﻟﻘﻴﺎﺳﺎت إﱃ اﻷﺑﺪ؛ ﻫﺬا ﻳﻌﻨﻲ أ ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﺎﺳﺎت‬
‫املﺤﺘﻤﻠﺔ اﻟﻜﺎﻣﻠﺔ ﻻ ﻧﻬﺎﺋﻴﺔ‪ .‬ﺑﻤﺎ أ ﻫﺬا أﻣﺮ ﻣﺴﺘﺤﻴﻞ‪ ،‬ﻳﺠﺐ أ أرﴇ ﺑﻌﻴﻨﺔ ﻣﺤﺪ دة ﻣﻦ‬
‫اﻟﻘﻴﺎﺳﺎت‪ .‬ﺳﻮ ﺗﺴﺘﺨﺮج ﻫﺬ اﻟﻘﻴﺎﺳﺎت ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﻠﻘﻴﻢ اﻟﺘﻲ ﻳﺤﺘﻤﻞ أ‬
‫أﺣﺼﻞ ﻋﻠﻴﻬﺎ‪ .‬ﰲ ﺣﺎﻻت أﺧﺮ ‪ ،‬ﺗﻜﻮ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﺤﺪ دة؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ‬
‫ﻟﻠﺴﻤْ ﻨﺔ ﺑني اﻟﺬﻛﻮر ﰲ ﺑﻠﺪة ﻣﻌﻴﻨﺔ‪ ،‬ﺗﻜﻮ ﻣﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌني ﻟﻠﺪراﺳﺔ ﻣﺤﺪ دة‪،‬‬ ‫دراﺳﺔ ﱢ‬
‫رﻏﻢ أﻧﻨﻲ ﻣﻦ ﺣﻴﺚ املﺒﺪأ أﺳﺘﻄﻴﻊ ز ﻛﻞ اﺣﺪ ﻣﻨﻬﻢ ﰲ املﺪﻳﻨﺔ‪ ،‬ﻓﻔﻲ املﻤﺎرﺳﺔ اﻟﻌﻤﻠﻴﺔ‬
‫رﺑﻤﺎ ﻟﻦ أرﻳﺪ ذﻟﻚ‪ ،‬ﺳﻮ أﺳﺘﺨﺪ ﻋﻴﻨﺔ‪ .‬ﻣﺮة أﺧﺮ ‪ ،‬ﻛﻞ ﻗﻴﻤﺔ ﰲ ﻋﻴﻨﺘﻲ ﻣﺄﺧﻮذة ﻣﻦ‬
‫املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﻠﻘﻴﻢ املﻤﻜﻨﺔ‪.‬‬
‫ﰲ ﻛ ﱟﻞ ﻣﻦ ﻫﺬ اﻷﻣﺜﻠﺔ‪ ،‬ﻛﻞ ﻣﺎ أﻋﺮﻓﻪ ﻗﺒﻞ أ آﺧﺬ ﻛﻞ ﻗﻴﺎس ﻫﻮ أﻧﻪ ﺳﻴﻜﻮ ﻟﻪ‬
‫ﻗﻴﻤﺔ ﻣﺎ ﻣﻦ ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﻢ اﻟﻜﺎﻣﻠﺔ املﻤﻜﻨﺔ‪ .‬ﺳﺘﺤﺪث ﻛﻞ ﻗﻴﻤﺔ ﺑﺎﺣﺘﻤﺎ ﻣﻌني‪ ،‬ﻟﻜﻨﻲ‬
‫ﻻ أﺳﺘﻄﻴﻊ أ أﺣﺪد أﻛﺜﺮ ﻣﻦ ذﻟﻚ‪ ،‬رﺑﻤﺎ ﻻ أﻋﺮ ﻣﺎ ﻫﻮ ﻫﺬا اﻻﺣﺘﻤﺎ ‪ .‬ﺑﺎﻟﺘﺄﻛﻴﺪ‬
‫ﻻ أﺳﺘﻄﻴﻊ أ أﺣﺪد ﺑﺎﻟﻀﺒﻂ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﺳﻮ أﺣﺼﻞ ﻋﻠﻴﻬﺎ ﰲ اﻟﻘﻴﺎس اﻟﺘﺎﱄ ﻟﴪﻋﺔ‬
‫اﻟﻀﻮء أ ﻣﺎذا ﺳﻴﻜﻮ ز اﻟﺮﺟﻞ اﻟﺘﺎﱄ اﻟﺬ ﺳﺄﻗﻴﺴﻪ‪ .‬ﺑﺎملﺜﻞ‪ ،‬ﰲ رﻣﻲ اﻟﻨﺮد‪ ،‬أﻋﻠﻢ أ‬
‫اﻟﻨﺘﻴﺠﺔ ﻳﻤﻜﻦ أ ﺗﻜﻮ ‪ ١‬أ ‪ ٢‬أ ‪ ٣‬أ ‪ ٤‬أ ‪ ٥‬أ ‪ ،٦‬ﻫﻨﺎ أﻋﺮ أ ﻫﺬ اﻻﺣﺘﻤﺎﻻت‬
‫ﻣﺘﺴﺎ ﻳﺔ )ﻓﻨﺮد ﻣﻜﻌﺐ ﻣﺜﺎﱄ(‪ ،‬ﻟﻜﻦ ﺑﺨﻼ ذﻟﻚ ﻻ أﺳﺘﻄﻴﻊ أ أﺣﺪد اﻟﻌﺪد اﻟﺬ‬
‫ﺳﻴﻈﻬﺮ‪ .‬ﻋﲆ ﻏﺮار ﻗﻴﺎﺳﺎت اﻟﴪﻋﺔ اﻟﻮز ‪ ،‬ﻓﺈ اﻟﻨﺘﻴﺠﺔ ﻋﺸﻮاﺋﻴﺔ؛ ﻟﻬﺬا اﻟﺴﺒﺐ ﺗﺴﻤﱠ ﻰ‬
‫ﻫﺬ املﺘﻐريات »ﻣﺘﻐريات ﻋﺸﻮاﺋﻴﺔ«‪.‬‬
‫ا ْﻟﺘﻘﻴْﻨﺎ ﻣﻦ ﻗﺒﻞ ﺑﺎﻟﻔﻌﻞ ﻣﻔﻬﻮ املﻘﺎﻳﻴﺲ اﻟﺘﺠﺰﻳﺌﻴﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ ﺣﺎﻟﺔ‬
‫املﺆﻳﱠﺎت‪ ،‬املﺆ ﱡ ‪ ٢٠‬ﻣﻦ اﻟﺘﻮزﻳﻊ ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮ ‪ ٪٢٠‬ﻣﻦ ﻗﻴﻢ اﻟﺒﻴﺎﻧﺎت أﺻﻐﺮ‬

‫‪67‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﻨﻬﺎ‪ ،‬املﺆ ‪ ٨‬ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮ ‪ ٪٨‬ﻣﻦ ﻗﻴﻢ اﻟﺒﻴﺎﻧﺎت أﺻﻐﺮ ﻣﻨﻬﺎ‪ ،‬ﻫﻜﺬا‪ .‬ﻋﻤﻮﻣﺎ‪،‬‬
‫املﺆ ﱡ ‪ K‬ﻳﻜﻮ ‪ k%‬ﻣﻦ اﻟﻌﻴﻨﺔ أﺻﻐﺮ ﻣﻨﻪ‪ .‬ﻳﻤﻜﻨﻨﺎ ﺗﺼﻮر ﺗﺤﺪﻳﺪ ﻣﺆﻳﱠﺎت ﻣﻤﺎﺛﻠﺔ‪ ،‬ﻟﻴﺲ‬
‫ﻟﻠﻌﻴﻨﺔ اﻟﺘﻲ ﻧﺮﺻﺪﻫﺎ ﻓﺤﺴﺐ‪ ،‬ﻟﻜﻦ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﺘﻲ ﻳﻤﻜﻨﻨﺎ‬
‫رﺻﺪﻫﺎ‪ .‬إذا ﻋﺮﻓﻨﺎ املﺆ ﱠ ‪ ٢٠‬ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﻦ اﻟﻘﻴﻢ‪ ،‬ﺣﻴﻨﻬﺎ ﻓﺴﻨﻌﺮ أ اﻟﻘﻴﻤﺔ‬
‫املﺄﺧﻮذة ﻋﺸﻮاﺋﻴٍّﺎ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﺪﻳﻬﺎ اﺣﺘﻤﺎ ‪ ٠٫٢٠‬أ ﺗﻜﻮ أﺻﻐﺮ ﻣﻦ ﻫﺬا‬
‫املﺆ ﱢ ‪ .‬ﻋﻤﻮﻣﺎ‪ ،‬إذا ﻋﺮﻓﻨﺎ ﻛﻞ ﻣﺆﻳﱠﺎت املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ‪ ،‬ﻓﺴﻨﻌﺮ اﺣﺘﻤﺎ اﺳﺘﺨﺮاج ﻗﻴﻤﺔ‬
‫ﰲ آﺧﺮ ‪ ٪١٠‬أ ‪ ٪٢٥‬أ ‪ ٪١٦‬أ ‪ ٪٩٨‬أ أ ﻧﺴﺒﺔ ﻣﺌﻮﻳﺔ أﺧﺮ ﻧﻬﺘ ﱡﻢ ﺑﺎﺧﺘﻴﺎرﻫﺎ؛ ﻫﺬا‬
‫ﻳﻌﻨﻲ أﻧﻨﺎ ﺣﻴﻨﻬﺎ ﻧﻌﺮ ﻛﻞ ﳾء ﻋﻦ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﻤﻜﻨﺔ اﻟﺘﻲ ﻧﺴﺘﻄﻴﻊ اﻟﺤﺼﻮ ﻋﻠﻴﻬﺎ‪.‬‬
‫ﻟﻦ ﻧﻌﺮ ﻣﺎ اﻟﻘﻴﻤﺔ اﻟﺘﺎﻟﻴﺔ اﻟﺘﻲ ﺳﻨﺤﺼﻞ ﻋﻠﻴﻬﺎ‪ ،‬ﻟﻜﻦ ﺳﻨﻌﺮ اﺣﺘﻤﺎ أﻧﻬﺎ ﺳﺘﻜﻮ ﰲ‬
‫أﺻﻐﺮ ‪ ٪١‬ﻣﻦ اﻟﻘﻴﻢ ﰲ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ‪ ،‬أ ﰲ أﺻﻐﺮ ‪ ،٪٢‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﻳﻮﺟﺪ اﺳﻢ ملﺠﻤﻮﻋﺔ ﻣﺆﻳﱠﺎت اﻟﺘﻮزﻳﻊ اﻟﻜﺎﻣﻠﺔ؛ إذ ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ »ﺗﻮزﻳﻊ اﻻﺣﺘﻤﺎ‬
‫اﻟﱰاﻛﻤﻲ«‪ ،‬ﻫﻮ »ﺗﻮزﻳﻊ اﺣﺘﻤﺎ « ﻷﻧﻪ ﻳﺨﱪﻧﺎ »ﺑﺎﺣﺘﻤﺎ « اﻟﺤﺼﻮ ﻋﲆ ﻗﻴﻤﺔ أﻗﻞ ﻣﻦ أ‬
‫ﻗﻴﻤﺔ ﻧﺨﺘﺎرﻫﺎ‪ ،‬ﻫﻮ »ﺗﺮاﻛﻤﻲ« ﻷﻧﻪ ﻣﻦ اﻟﻮاﺿﺢ أ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻗﻴﻤﺔ أﻗﻞ ﻣﻦ‬
‫اﻟﻘﻴﻤﺔ »س« ﻳﺰداد ﻛﻠﻤﺎ زادت »س«‪ .‬ﰲ ﻣﺜﺎ أ زا اﻟﺬﻛﻮر‪ ،‬ﻟﻮ ﻛﻨﺖ أﻋﺮ أ اﺣﺘﻤﺎ‬
‫اﺧﺘﻴﺎر رﺟﻞ زﻧﻪ أﻗﻞ ﻣﻦ ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ ﻫﻮ ‪ ،٢ / ١‬ﻓﺈﻧﻨﻲ ﺣﻴﻨﻬﺎ ﺳﺄﻋﻠﻢ أ اﺣﺘﻤﺎ‬
‫اﺧﺘﻴﺎر رﺟﻞ زﻧﻪ أﻗﻞ ﻣﻦ ‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ ﻫﻮ أﻛﺜﺮ ﻣﻦ ‪ ٢ / ١‬ﻷﻧﻪ ﻳﻤﻜﻨﻨﻲ أ أﺧﺘﺎر ﻣﻦ‬
‫ﺑني ﻛﻞ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻘ ﱡﻞ زﻧﻬﻢ ﻋﻦ ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ‪ ،‬ﻛﺬﻟﻚ أ ﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻜﻮ زﻧﻬﻢ‬
‫ﺑني ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ ‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ‪ .‬ﻋﻨﺪ اﻟﺤﺪ اﻷﻗﴡ‪ ،‬ﻓﺈ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻗﻴﻤﺔ‬
‫أﻗﻞ ﻣﻦ أ ﺗﺴﺎ أﻛﱪ ﻗﻴﻤﺔ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﻢ اﻟﻜﺎﻣﻠﺔ ﻫﻮ ‪١‬؛ أ إﻧﻪ ﺣﺪث ﻣﺆﻛﺪ‪.‬‬
‫ﺗﺘﻀﺢ ﻫﺬ اﻟﻔﻜﺮة ﰲ اﻟﺸﻜﻞ ‪1-4‬؛ ﻓﻔﻲ ﻫﺬا اﻟﺸﻜﻞ‪ ،‬ﺗﻤﺜﱠﻞ ﻗﻴﻢ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ‬
‫)ﻓﻜﺮ ﰲ اﻟﻮز ( ﻋﲆ املﺤﻮر اﻷﻓﻘﻲ‪ ،‬ﻳﻤﺜﱠﻞ اﺣﺘﻤﺎ اﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻋﲆ املﺤﻮر اﻟﺮأﳼ‪.‬‬
‫ﻳﺒني املﻨﺤﻨﻰ اﺣﺘﻤﺎ أ ﺗﻜﻮ اﻟﻘﻴﻤﺔ املﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ — ﺑﺎﻟﻨﺴﺒﺔ ﻷ ﻗﻴﻤﺔ ﻣﻌﻴﻨﺔ‬
‫ﻟﻠﻤﺘﻐري اﻟﻌﺸﻮاﺋﻲ — أﺻﻐﺮ ﻣﻦ ﻫﺬ اﻟﻘﻴﻤﺔ املﻌﻴﻨﺔ‪.‬‬
‫ﻳﺨﱪﻧﺎ ﺗﻮزﻳﻊ اﻻﺣﺘﻤﺎ اﻟﱰاﻛﻤﻲ ملﺘﻐري ﻋﺸﻮاﺋﻲ ﺑﺎﺣﺘﻤﺎ أ ﺗﻜﻮ ﻗﻴﻤﺔ ﻣﺨﺘﺎرة‬
‫ﻋﺸﻮاﺋﻴٍّﺎ »أﻗﻞ« ﻣﻦ أ ﻗﻴﻤﺔ أﺧﺮ ‪ .‬اﻟﻄﺮﻳﻘﺔ اﻟﺒﺪﻳﻠﺔ ﻟﻠﻨﻈﺮ إﱃ اﻷﻣﻮر ﻫﻲ أ ﻧﻨﻈﺮ إﱃ‬
‫»ﺑني« أ ﻗﻴﻤﺘني ﻣﻌﻴﻨﺘني‪ .‬ﺗﺘﻤﺜﻞ ﻫﺬ‬ ‫اﺣﺘﻤﺎ أ ﻗﻴﻤﺔ ﻣﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﺳﻮ ﺗﻘﻊ ْ‬
‫اﻻﺣﺘﻤﺎﻻت ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ ﰲ ﺳﻴﺎ اﻟﻨﻄﺎ اﻟﻮاﻗﻊ ﺑني ﻗﻴﻤﺘني ﺗﺤﺖ ﻣﻨﺤﻨﻰ »اﻟﻜﺜﺎﻓﺔ«‬
‫اﻻﺣﺘﻤﺎﻟﻴﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﺒني ﺷﻜﻞ ‪ 2-4‬ﻣﻨﺤﻨﻰ »اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ«‪ ،‬ﻳﺒني ﻣﻨﻄﻘﺔ‬

‫‪68‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫اﻻﺣﺘﻤﺎل‬ ‫س‬

‫ص‬
‫ﻗﻴﻤﺔ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ‬

‫ﺷﻜﻞ ‪ :1-4‬ﺗﻮزﻳﻊ اﻻﺣﺘﻤﺎ اﻟﱰاﻛﻤﻲ‪.‬‬

‫)ﻣﻈﻠﻠﺔ( ﺗﺤﺖ املﻨﺤﻨﻰ ﺑني ﻧﻘﻄﺘﻲ »أ« »ب« ﻣﻤﺜﻠﺔ اﺣﺘﻤﺎ أ ﻗﻴﻤﺔ ﻣﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ‬
‫ﺳﻮ ﺗﻘﻊ ﺑني »أ« »ب«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻋﻨﺪ اﺳﺘﺨﺪا ﻣﺜﻞ ﻫﺬا املﻨﺤﻨﻰ ﻟﺘﻮزﻳﻊ‬
‫أ زا اﻟﺮﺟﺎ ﰲ ﺑﻠﺪﺗﻨﺎ‪ ،‬ﻳﻤﻜﻦ أ ﻧﺠﺪ اﺣﺘﻤﺎ أ ﻳﻘﻊ رﺟﻞ ﻣﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ ﺑني‬
‫‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ ‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ‪ ،‬أ أ ز ج آﺧﺮ ﻣﻦ اﻟﻘﻴﻢ‪ ،‬أ ﻓﻮ أ ﻗﻴﻤﺔ ﻧﺮﻳﺪﻫﺎ‬
‫أ ﺗﺤﺘﻬﺎ‪ .‬ﻋﲆ ﻧﺤﻮ ﻋﺎ ‪ ،‬ﻣﻦ املﺮﺟﺢ أ ﺗﺤﺪث اﻟﻘﻴﻢ املﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﰲ املﻨﺎﻃﻖ‬
‫اﻟﺘﻲ ﺗﻜﻮ ﻓﻴﻬﺎ اﻻﺣﺘﻤﺎﻟﻴﺔ أﻛﺜﺮ ﻛﺜﺎﻓﺔ؛ أ ﺣﻴﺚ ﻳﻜﻮ ﻣﻨﺤﻨﻰ اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ ﰲ‬
‫أﻋﻼ ‪.‬‬
‫ﻻﺣﻆ أ املﺴﺎﺣﺔ اﻟﻜﻠﻴﺔ ﺗﺤﺖ املﻨﺤﻨﻰ ﰲ ﺷﻜﻞ ‪ 2-4‬ﻳﺠﺐ أ ﺗﻜﻮ ‪ — ١‬املﺘﻮاﻓﻖ‬
‫ﻣﻊ اﻟﻴﻘني — ﻳﺠﺐ أ ﺗﻜﻮ ﻟﻠﻘﻴﻤﺔ املﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﻗﻴﻤﺔ »ﺟﺰﺋﻴﺔ« ﻣﻨﻬﺎ‪.‬‬
‫ﺗﻤﺘﻠﻚ ﻣﻨﺤﻨﻴﺎت اﻟﺘﻮزﻳﻊ ﻟﻠﻤﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ أﺷﻜﺎﻻ ﻣﺨﺘﻠﻔﺔ؛ ﻓﺎﺣﺘﻤﺎ أ اﻣﺮأة‬
‫ﻣﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﺳﻮ ﻳﻜﻮ زﻧﻬﺎ ﺑني ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ ‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣﺎ ﻋﺎدة ﻻ ﻳﻜﻮ‬
‫ﻫﻮ ﻧﻔﺴﻪ اﺣﺘﻤﺎ أ رﺟﻼ ﻣﺨﺘﺎرا ﻋﺸﻮاﺋﻴٍّﺎ ﺳﻴﻜﻮ زﻧﻪ ﺑني ﻫﺎﺗني اﻟﻘﻴﻤﺘني‪ .‬رﺑﻤﺎ‬
‫ﻧﺘﻮﻗﻊ أ ﻣﻨﺤﻨﻰ ﺗﻮزﻳﻊ أ زا اﻟﻨﺴﺎء ﺳﻴﺄﺧﺬ ﻗﻴﻤﺎ ﻛﺒرية ﰲ اﻷ زا اﻷﺻﻐﺮ ﻣﻤﺎ ﻫﻲ‬ ‫ﱠ‬
‫اﻟﺤﺎ ﺑﺎﻟﻨﺴﺒﺔ ملﻨﺤﻨﻰ اﻟﺮﺟﺎ ‪.‬‬

‫‪69‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻛﺜﺎﻓﺔ اﻻﺣﺘﻤﺎل‬

‫أ‬ ‫ب‬
‫ﻗﻴﻤﺔ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ‬

‫ﺷﻜﻞ ‪ :2-4‬داﻟﺔ اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ‪.‬‬

‫ﺗﻤﺘﻠﻚ ﺑﻌﺾ اﻷﺷﻜﺎ أﻫﻤﻴﺔ ﺧﺎﺻﺔ‪ ،‬ﺗﻮﺟﺪ أﺳﺒﺎب ﻋﺪﻳﺪة ﻟﺬﻟﻚ؛ ﻓﻔﻲ ﺑﻌﺾ اﻟﺤﺎﻻت‪،‬‬
‫ﺗﻈﻬﺮ أﺷﻜﺎ ﻣﻌﻴﻨﺔ‪ ،‬أ أﺷﻜﺎ ﻣﻘﺎرﺑﺔ ﻟﻠﻐﺎﻳﺔ ﻟﻬﺬ اﻷﺷﻜﺎ ‪ ،‬ﻋﲆ ﻧﺤﻮ ﻃﺒﻴﻌﻲ‪ .‬ﺑﻴﻨﻤﺎ ﰲ‬
‫ﺣﺎﻻت أﺧﺮ ‪ ،‬ﺗﻨﺸﺄ اﻟﺘﻮزﻳﻌﺎت ﻛﻨﺘﺎﺋﺞ ﻟﻘﻮاﻧني اﻻﺣﺘﻤﺎﻻت‪.‬‬
‫ﻟﻌﻞ أﺑﺴﻂ اﻟﺘﻮزﻳﻌﺎت ﻫﻮ »ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ«‪ .‬ﻫﺬا اﻟﺘﻮزﻳﻊ ﻳﻤﻜﻦ أ ﻳﺘﺨﺬ ﻗﻴﻤﺘني‬
‫ﻓﺤﺴﺐ‪ ،‬ﻗﻴﻤﺔ ﻟﻬﺎ اﺣﺘﻤﺎ ‪ ،p‬ﻣﺜﻼ‪ ،‬اﻷﺧﺮ ﻟﻬﺎ اﺣﺘﻤﺎ ‪ .1−p‬ﺑﻤﺎ أﻧﻪ ﻻ ﻳﻤﻜﻦ أ ﻳﺘﺨﺬ‬
‫ﱠإﻻ ﻗﻴﻤﺘني ﻓﻘﻂ‪ ،‬ﻓﻤﻦ »املﺆﻛﺪ« أ إﺣﺪ اﻟﻘﻴﻤﺘني ﺳﻮ ﺗﻈﻬﺮ؛ ﻣﻦ ﺛ ﱠﻢ ﻓﺈ ﻣﺠﻤﻮع‬
‫اﺣﺘﻤﺎﻻت ﻫﺎﺗني اﻟﻨﺘﻴﺠﺘني ﻳﺴﺎ ‪ .١‬ﻟﺪﻳﻨﺎ ﺑﺎﻟﻔﻌﻞ أﻣﺜﻠﺔ أ ﺿﺤﺖ ملﺎذا ﻳﻌ ﱡﺪ ﻫﺬا اﻟﺘﻮزﻳﻊ‬
‫ﻣﻔﻴﺪا؛ ﻓﺎﻟﺤﺎﻻت اﻟﺘﻲ ﻻ ﻳﻨﺘﺞ ﻋﻨﻬﺎ إﻻ ﻧﺘﻴﺠﺘﺎ ﺷﺎﺋﻌﺔ ﺟﺪٍّا؛ ﻣﺜﻞ ﻗﺬ اﻟﻌﻤﻠﺔ اﻟﺘﻲ ﻳﻨﺘﺞ‬
‫ﻋﻨﻬﺎ إﻣﱠ ﺎ ﺟﻪ اﻟﺼﻮرة إﻣﱠ ﺎ ﺟْ ﻪ اﻟﻜﺘﺎﺑﺔ‪ ،‬ﻋﻤﻠﻴﺔ اﻟﻮﻻدة اﻟﺘﻲ ﺗﻜﻮ ﻧﺘﻴﺠﺘﻬﺎ إﻣﺎ ذﻛﺮا إﻣﺎ‬
‫أﻧﺜﻰ‪ .‬ﰲ ﻫﺎﺗني اﻟﺤﺎﻟﺘني‪ ،‬ﺗﻤﺘﻠﻚ ‪ p‬ﻗﻴﻤﺔ ‪ ٢ / ١‬أ ﻣﺎ ﻳﻘﺮب ﻣﻦ ‪ .٢ / ١‬ﻟﻜﻦ ﻳﻮﺟﺪ ﻋﺪد‬
‫ﻛﺒري ﻣﻦ اﻟﺤﺎﻻت اﻷﺧﺮ اﻟﺘﻲ ﻻ ﻳﻮﺟﺪ ﻟﻬﺎ ﺳﻮ ﻧﺘﻴﺠﺘني ﻣﺤﺘﻤﻠﺘني‪ :‬ﻧﻌﻢ‪/‬ﻻ‪ ،‬ﺟﻴﺪ‪/‬ﺳﻴﺊ‪،‬‬
‫اﻓﱰاﴈ أ ﻏري اﻓﱰاﴈ‪ ،‬اﻧﻜﺴﺎر أ ﻋﺪ اﻧﻜﺴﺎر‪ ،‬ﺗﻮﻗﻒ‪/‬ﺣﺮﻛﺔ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﻳﻮﺳﻊ »اﻟﺘﻮزﻳﻊ ذ اﻟﺤﺪﻳﻦ« ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ؛ ﻓﺈذا ﻗﺬﻓﻨﺎ ﻋﻤﻠﺔ ﺛﻼث ﻣﺮات‪ ،‬رﺑﻤﺎ ﻳﻈﻬﺮ‬
‫ﺟﻪ اﻟﺼﻮرة ﻣﺮة أ ﻣﺮﺗني أ ﺛﻼث ﻣﺮات أ ﻻ ﻳﻈﻬﺮ أﺑﺪا‪ .‬إذا ﻛﺎ ﻟﺪﻳﻨﺎ ﺛﻼﺛﺔ ﻣﻮﻇﻔني‬

‫‪70‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ﰲ ﻣﺮﻛﺰ اﺗﺼﺎﻻت ﻳﺠﻴﺒﻮ ﻋﲆ ﻧﺤﻮ ﻣﺴﺘﻘ ﱟﻞ ﻋﲆ املﻜﺎملﺎت ﻋﻨﺪﻣﺎ ﺗﺮد‪ ،‬ﻓﺈﻧﻪ ﻣﻦ املﻤﻜﻦ أ‬
‫ﻳﻜﻮ اﺣﺪ أ اﺛﻨﺎ أ اﻟﺜﻼﺛﺔ ﻣﺸﻐﻮﻟني أ ﻻ ﻳﻜﻮ أﺣﺪﻫﻢ ﻣﺸﻐﻮﻻ ﰲ أ ﻟﺤﻈﺔ ﻣﻌﻴﻨﺔ‪.‬‬
‫ﻳﺨﱪﻧﺎ اﻟﺘﻮزﻳﻊ ذ اﻟﺤﺪﻳﻦ ﺑﺎﺣﺘﻤﺎ ﺣﺼﻮﻟﻨﺎ ﻋﲆ ﻛﻞ رﻗﻢ ﻣﻦ ﻫﺬ اﻷرﻗﺎ ‪ ،٠‬أ ‪ ،١‬أ ‪،٢‬‬
‫أ ‪ .٣‬ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ ‪ ،‬ﻓﺈﻧﻪ ﻳﻄﺒﻖ ﻋﲆ ﻧﺤﻮ ﻋﺎ ‪ ،‬ﻟﻴﺲ ﻓﻘﻂ ﻋﲆ املﺠﻤﻮع اﻟﻜﲇ ﻟﺜﻼﺛﺔ‬
‫أﺣﺪاث‪ .‬ﻓﺈذا ﻗﺬﻓﻨﺎ ﻋﻤﻠﺔ ﻣﺎﺋﺔ ﻣﺮة‪ ،‬ﻓﺈ اﻟﺘﻮزﻳﻊ ذا اﻟﺤ ﱠﺪﻳْﻦ ﻳﺨﱪﻧﺎ أﻳﻀﺎ ﺑﺎﺣﺘﻤﺎﻻت أﻧﻨﺎ‬
‫ﺳﻨﺤﺼﻞ ﻋﲆ ﻛ ﱟﻞ ﻣﻦ ‪ ١٠٠ ،… ،٢ ،١ ،٠‬ﺟﻪ ﺻﻮرة‪.‬‬
‫ﺗﺼﻞ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ إﱃ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺨﺎص ﺑﻲ ﻋﺸﻮاﺋﻴٍّﺎ‪ .‬ﺗﺼﻞ‬
‫ﺧﻼ اﻟﻌﻤﻞ اﻟﺼﺒﺎﺣﻲ — ﰲ املﺘﻮﺳﻂ — )ﻣﺜﻼ( ﺑﻤﻌﺪ ﺧﻤﺲ رﺳﺎﺋﻞ ﰲ اﻟﺴﺎﻋﺔ‪ ،‬ﻟﻜﻦ‬
‫ﻋﺪد اﻟﺮﺳﺎﺋﻞ اﻟﺘﻲ ﺗﺼﻞ ﰲ ﻛﻞ ﺳﺎﻋﺔ ﻳﻤﻜﻦ أ ﻳﻨﺤﺮ ﻋﻦ ﻫﺬا املﻌﺪ ﻋﲆ ﻧﺤﻮ ﻛﺒري‬
‫ﺟﺪٍّا؛ إذ ﻳﺼﻞ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ﻋﴩ رﺳﺎﺋﻞ‪ ،‬ﰲ أﺣﻴﺎ أﺧﺮ ﻻ ﺗﺼﻞ أ رﺳﺎﻟﺔ‪ .‬ﻳﻤﻜﻦ‬
‫اﺳﺘﺨﺪا »ﺗﻮزﻳﻊ ﺑﻮاﺳﻮ « ﻟﻮﺻﻒ اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ ﻟﻌﺪد رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ اﻟﺘﻲ‬
‫ﺗﺼﻞ ﰲ ﻛﻞ ﺳﺎﻋﺔ‪ .‬ﻳﻤﻜﻦ أ ﻳﺨﱪﻧﺎ ﺑﺎﺣﺘﻤﺎ )إذا ﻛﺎﻧﺖ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰ ﻧﻲ ﺗﺼﻞ‬
‫ﻋﲆ ﻧﺤﻮ ﻣﺴﺘﻘﻞ ﻛﺎ املﻌﺪ اﻟﻌﺎ ﻟﻮﺻﻮﻟﻬﺎ ﺛﺎﺑﺘﺎ( ﻋﺪ ﺻﻮ أ رﺳﺎﻟﺔ‪ ،‬أ ﺻﻮ‬
‫رﺳﺎﻟﺔ اﺣﺪة‪ ،‬أ رﺳﺎﻟﺘني‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪ .‬ﻫﺬا اﻟﺘﻮزﻳﻊ ﻳﺨﺘﻠﻒ ﻋﻦ اﻟﺘﻮزﻳﻊ ذ اﻟﺤﺪﻳﻦ؛‬
‫ﻷﻧﻪ ﻋﲆ اﻷﻗﻞ ﻣﻦ ﺣﻴﺚ املﺒﺪأ ﻻ ﻳﻮﺟﺪ ﺣﺪ أﻋﲆ ﻟﻠﻌﺪد اﻟﺬ ﻳﻤﻜﻦ أ ﻳﺼﻞ ﰲ أ ﺳﺎﻋﺔ‪.‬‬
‫ﻓﻔﻲ ﺣﺎﻟﺔ ﻗﺬ اﻟﻌﻤﻠﺔ ﻣﺎﺋﺔ ﻣﺮة‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ رؤﻳﺔ أﻛﺜﺮ ﻣﻦ ‪ ١٠٠‬ﺟﻪ ﺻﻮرة‪ ،‬ﻟﻜﻦ ﻳﻤﻜﻦ‬
‫أ ﻳﺼﻠﻨﻲ )ﰲ ﻳﻮ ﺳﻴﺊ ﻟﻠﻐﺎﻳﺔ!( أﻛﺜﺮ ﻣﻦ ‪ ١٠٠‬رﺳﺎﻟﺔ ﺑﺮﻳﺪ إﻟﻜﱰ ﻧﻲ ﰲ ﺳﺎﻋﺔ اﺣﺪة‪.‬‬
‫ﺣﺘﻰ اﻵ ‪ ،‬ﻛﻞ اﻟﺘﻮزﻳﻌﺎت اﻻﺣﺘﻤﺎﻟﻴﺔ اﻟﺘﻲ ذﻛﺮﺗﻬﺎ ﻫﻲ ملﺘﻐريات ﻋﺸﻮاﺋﻴﺔ »ﻣﻨﻔﺼﻠﺔ«‬
‫)أ ﻣﺘﻘﻄﻌﺔ(؛ أ إ املﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ ﻻ ﺗﺄﺧﺬ ﺳﻮ ﻗﻴﻢ ﻣﻌﻴﻨﺔ )ﻗﻴﻤﺘني ﰲ ﺣﺎﻟﺔ‬
‫ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ‪ ،‬ﻋﺪد ﻣﻦ اﻟﻘﻴﻢ ﻳﻌﺘﻤﺪ ﻋﲆ ﻋﺪد ﻣﺮات ﻗﺬ اﻟﻌﻤﻠﺔ‪/‬ﻋﺪد املﺸﻐﻠني ﰲ ﺣﺎﻟﺔ‬
‫اﻟﺘﻮزﻳﻊ ذ اﻟﺤﺪﻳﻦ‪ ،‬اﻷﻋﺪاد اﻟﺼﺤﻴﺤﺔ ‪ … ،٣ ،٢ ،١ ،٠‬ﰲ ﺣﺎﻟﺔ ﺗﻮزﻳﻊ ﺑﻮاﺳﻮ (‪ .‬ﺛﻤﺔ‬
‫ﻣﺘﻐريات ﻋﺸﻮاﺋﻴﺔ أﺧﺮ »ﻣﺘﺼﻠﺔ« )أ ﻣﺴﺘﻤﺮة(‪ ،‬ﻳﻤﻜﻦ أ ﺗﺄﺧﺬ أ ﻗﻴﻤﺔ ﻣﻦ اﻟﻨﻄﺎ ؛‬
‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬اﻟﻄﻮ ﻳﻤﻜﻦ أ ﻳﺄﺧﺬ أ ﻗﻴﻤﺔ داﺧﻞ ﻧﻄﺎ ﻣﻌني )رﻫﻨﺎ ﺑﺪﻗﺔ أداة‬
‫اﻟﻘﻴﺎس(‪ ،‬ﻻ ﻳﻘﺘﴫ‪ ،‬ﻣﺜﻼ‪ ،‬ﻋﲆ ‪ ٤‬أ ‪ ٥‬أ ‪ ٦‬أﻗﺪا ‪.‬‬
‫إذا ﻛﺎ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ ﻳﻤﻜﻦ أ ﻳﺄﺧﺬ ﻗﻴﻤﺎ ﺿﻤﻦ ﻓﱰة ﻣﺤﺪ دة ﻓﻘﻂ )ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎ ﺑني ‪ (١ ٠‬إذا ﻛﺎ »ﻣﻦ املﺤﺘﻤﻞ ﻋﲆ ﻧﺤﻮ ﻣﺘﺴﺎ « أ ﻳﺄﺧﺬ أ ﻗﻴﻤﺔ ﻣﻦ اﻟﻘﻴﻢ‬
‫ﰲ ﺗﻠﻚ اﻟﻔﱰة‪ ،‬ﻳﻘﺎ إﻧﻪ ﻳﺘﺒﻊ »ﺗﻮزﻳﻌﺎ ﻣﻨﺘﻈﻤﺎ«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﺎ ﺳﺎﻋﻲ اﻟﱪﻳﺪ‬
‫ﻳﺼﻞ داﺋﻤﺎ ﰲ اﻟﻔﱰة ﻣﻦ ‪ ١٠‬ﺻﺒﺎﺣﺎ ﺣﺘﻰ ‪ ١١‬ﺻﺒﺎﺣﺎ‪ ،‬ﻟﻜﻦ ﺑﻄﺮﻳﻘﺔ ﻻ ﻳﻤﻜﻦ اﻟﺘﻨﺒﺆ ﺑﻬﺎ‬

‫‪71‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺗﻤﺎﻣﺎ )ﻓﻤﻦ املﺤﺘﻤﻞ أ ﻳﺼﻞ ﰲ اﻟﻔﱰة ﺑني ‪ ١٠ : ٠٥‬ﺣﺘﻰ ‪ ١٠ : ١٠‬ﺑﺎﻟﻘﺪر ﻧﻔﺴﻪ ﻻﺣﺘﻤﺎ‬
‫ﺻﻮﻟﻪ ﰲ أ ﻓﱰة ﺧﻤﺲ دﻗﺎﺋﻖ أﺧﺮ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ (‪ ،‬ﻓﺈ ﺗﻮزﻳﻊ ﻗﺖ ﺻﻮﻟﻪ ﺧﻼ‬
‫ﻫﺬ اﻟﻔﱰة ﻳﻜﻮ ﻣﻨﺘﻈﻤﺎ‪.‬‬
‫ﻳﻤﻜﻦ ﻟﺒﻌﺾ املﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ أ ﺗﺄﺧﺬ أ ﻗﻴﻤﺔ ﻣﻮﺟﺒﺔ؛ ﺷﺄ املﺪة اﻟﺰﻣﻨﻴﺔ‬
‫ﻟﻈﺎﻫﺮة ﻣﺎ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ .‬ﻟﺘﻮﺿﻴﺢ ذﻟﻚ‪ ،‬ﺗﺄﻣﱠ ﻞ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ اﻟﺘﻲ ﺗﻈ ﱡﻞ ﻓﻴﻬﺎ املﺰﻫﺮﻳﺎت‬
‫اﻟﺰﺟﺎﺟﻴﺔ ﺳﻠﻴﻤﺔ ﻗﺒﻞ أ ﺗﻨﻜﴪ‪ .‬املﺰﻫﺮﻳﺎت اﻟﺰﺟﺎﺟﻴﺔ ﻻ ﺗﺘﻘﺪ ﰲ اﻟﻌﻤﺮ‪ ،‬ﻟﺬﻟﻚ ﻟﻴﺲ ﻣﻦ‬
‫املﻔﻀﻠﺔ ﻟﺪﻳﻚ ﰲ اﻟﻌﺎ املﻘﺒﻞ إذا ﻛﺎ ﻋﻤﺮﻫﺎ ‪٨٠‬‬ ‫ﱠ‬ ‫املﺮﺟﺢ ﺑﺪرﺟﺔ أﻛﱪ أ ﺗﻨﻜﴪ املﺰﻫﺮﻳﺔ‬
‫ﺳﻨﺔ‪ ،‬ﻣﻦ أ ﺗﻨﻜﴪ ﰲ اﻟﻌﺎ املﻘﺒﻞ إذا ﻛﺎ ﻋﻤﺮﻫﺎ ‪ ١٠‬ﺳﻨﻮات ﻓﻘﻂ )ﰲ ﺣﺎﻟﺔ ﺗﺴﺎ‬
‫ﻛﻞ اﻟﻌﻮاﻣﻞ اﻷﺧﺮ (‪ .‬ﻗﺎر ْ ذﻟﻚ ﻣﻊ اﺣﺘﻤﺎ ﻓﺎة ﺷﺨﺺ ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ ‪ ٨٠‬ﺳﻨﺔ ﰲ‬
‫اﻟﻌﺎ املﻘﺒﻞ ﰲ ﻣﻘﺎﺑﻞ اﺣﺘﻤﺎ ﻓﺎة ﺷﺨﺺ ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ ‪ ١٠‬ﺳﻨﻮات ﰲ اﻟﻌﺎ املﻘﺒﻞ‪.‬‬
‫ﻄﻢ ﰲ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ ‪ ،t‬ﻓﺈ اﺣﺘﻤﺎ أ ﺗﺘﺤﻄﻢ ﰲ‬ ‫ﺑﺎﻟﻨﺴﺒﺔ ملﺰﻫﺮﻳﺔ زﺟﺎﺟﻴﺔ‪ ،‬إذا ﻟﻢ ﺗﺘﺤ ﱠ‬
‫اﻟﻠﺤﻈﺔ اﻟﺘﺎﻟﻴﺔ ﻫﻮ اﻻﺣﺘﻤﺎ ﻧﻔﺴﻪ‪ ،‬ﻣﻬﻤﺎ ﻛﺎﻧﺖ ﻗﻴﻤﺔ ‪) t‬ﻣﺮة أﺧﺮ ‪ ،‬ﻛﻞ اﻟﻌﻮاﻣﻞ اﻷﺧﺮ‬
‫ﻣﺘﺴﺎ ﻳﺔ(‪ .‬ﻳﻘﺎ ﻫﻨﺎ إ ﻋﻤﺮ املﺰﻫﺮﻳﺎت اﻟﺰﺟﺎﺟﻴﺔ ﻳﺘﺒﻊ »ﺗﻮزﻳﻌﺎ أ ﱢﺳﻴٍّﺎ«‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﺗﻮﺟﺪ‬
‫أﻋﺪاد ﻫﺎﺋﻠﺔ ﻣﻦ ﺗﻄﺒﻴﻘﺎت اﻟﺘﻮزﻳﻌﺎت اﻷ ﱢﺳﻴﱠﺔ‪ ،‬ﻟﻴﺲ أﻋﻤﺎر املﺰﻫﺮﻳﺎت اﻟﺰﺟﺎﺟﻴﺔ ﻓﺤﺴﺐ!‬
‫ﻟﻌﻞ اﻷﻛﺜﺮ ﺷﻬﺮة ﺑني اﻟﺘﻮزﻳﻌﺎت املﺴﺘﻤﺮة ﻫﻮ »اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ« أ »ﺗﻮزﻳﻊ‬
‫ﺟﺎ س«‪ .‬ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﻮﺻﻒ ﻋﲆ ﻧﺤﻮ ﻋﺎ ﰲ ﺳﻴﺎ ﺷﻜﻠﻪ اﻟﻌﺎ ‪» :‬ﺷﻜﻞ اﻟﺠﺮس«‪ ،‬ﻛﻤﺎ ﻫﻮ‬
‫ﻣﺒني ﰲ اﻟﺸﻜﻞ ‪ .3-4‬ﻫﺬا ﻳﻌﻨﻲ أ اﺣﺘﻤﺎ ﺣﺪ ث اﻟﻘﻴﻢ املﻮﺟﻮدة ﰲ اﻟﻮﺳﻂ أﻛﱪ ﻣﻦ‬
‫اﺣﺘﻤﺎ ﺣﺪ ث اﻟﻘﻴﻢ ﰲ اﻟﻄﺮﻓني اﻟﺒﻌﻴﺪﻳﻦ ﻋﻦ اﻟﻮﺳﻂ‪ .‬ﻳﻮﻓﺮ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ ﺗﻘﺮﻳﺒﺎ‬
‫ﺟﻴﺪا ﻟﻜﺜري ﻣﻦ اﻟﺘﻮزﻳﻌﺎت اﻟﺘﻲ ﺗﺤﺪث ﻃﺒﻴﻌﻴٍّﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺗﻮزﻳﻊ أﻃﻮا ﻋﻴﻨﺔ‬
‫ﻋﺸﻮاﺋﻴﺔ ﻣﻦ اﻟﺮﺟﺎ اﻟﺒﺎﻟﻐني ﻳﺘﺒﻊ ﺗﻮزﻳﻌﺎ ﻃﺒﻴﻌﻴٍّﺎ ﺗﻘﺮﻳﺒﺎ‪.‬‬
‫ﻳﻈﻬﺮ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ أﻳﻀﺎ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎ ﺑﻤﻈﻬﺮ اﻟﻨﻤﻮذج اﻟﺠﻴﺪ ﻟﺸﻜﻞ‬
‫ﺗﻮزﻳﻊ إﺣﺼﺎﺋﻴﺎت اﻟﻌﻴﻨﺔ )ﻣﺜﻞ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ املﺬﻛﻮرة ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ( ﻋﻨﺪﻣﺎ‬
‫ﺗﻨﻄﻮ ﻋﲆ ﻋﻴﻨﺎت ﻛﺒرية‪ .‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻟﻨﻔﱰض أﻧﻨﺎ أﺧﺬﻧﺎ ﻋﲆ ﻧﺤﻮ ﻣﺘﻜﺮر ﻋﻴﻨﺎت‬
‫ﻋﺸﻮاﺋﻴﺔ ﻣﻦ ﺗﻮزﻳﻊ ﻣﺎ‪ ،‬ﺣﺴﺒﻨﺎ ﻣﺘﻮﺳﻂ ﻛﻞ ﻋﻴﻨﺔ ﻣﻦ ﻫﺬ اﻟﻌﻴﻨﺎت‪ .‬ﺑﻤﺎ أ ﻛﻞ ﻋﻴﻨﺔ‬
‫ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺘﻮﻗﻊ أ ﻳﻜﻮ ﻛﻞ ﻣﺘﻮﺳﻂ ﻣﺨﺘﻠﻔﺎ؛ أ ﺳﻴﻜﻮ ﻟﺪﻳﻨﺎ ﺗﻮزﻳﻊ ﻟﻠﻤﺘﻮﺳﻄﺎت‪.‬‬
‫إذا ﻛﺎﻧﺖ ﻛﻞ ﻋﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ‪ ،‬ﻓﺴﻴﺘﻀﺢ أ ﻫﺬا اﻟﺘﻮزﻳﻊ ﻟﻠﻤﺘﻮﺳﻄﺎت ﻫﻮ‬
‫ﺗﻮزﻳﻊ ﻃﺒﻴﻌﻲ ﺗﻘﺮﻳﺒﺎ‪.‬‬
‫أﴍت ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ إﱃ أ اﻹﺣﺼﺎء ﻟﻴﺲ ﻣﺠﺮد ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷد ات املﻌﺰ ﻟﺔ‪،‬‬
‫ﻟﻜﻨﻪ ﻟﻐﺔ ﻣﺘﺼﻠﺔ‪ .‬ﺗﻨﻄﺒﻖ ﻧﻘﻄﺔ ﻣﻤﺎﺛﻠﺔ ﻋﲆ اﻟﺘﻮزﻳﻌﺎت اﻻﺣﺘﻤﺎﻟﻴﺔ‪ .‬ﻓﻌﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻨﻲ‬

‫‪72‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫‪٠٫٤‬‬

‫‪٠٫٣‬‬

‫‪٠٫٢‬‬

‫‪٠٫١‬‬

‫‪٠‬‬
‫‪٣−‬‬ ‫‪٢−‬‬ ‫‪١−‬‬ ‫‪٠‬‬ ‫‪١‬‬ ‫‪٢‬‬ ‫‪٣‬‬

‫ﺷﻜﻞ ‪ :3-4‬اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ‪.‬‬

‫ﻛﻼ ﻋﲆ ﺣﺪة آﻧﻔﺎ‪ ،‬ﻓﺈ اﻟﺤﻘﻴﻘﺔ ﻫﻲ أ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻳﻤﻜﻦ اﻋﺘﺒﺎر ﺣﺎﻟﺔ ﺧﺎﺻﺔ‬ ‫ذﻛﺮﺗﻬﺎ ٍّ‬
‫ﻣﻦ اﻟﺘﻮزﻳﻊ ذ اﻟﺤ ﱠﺪﻳْﻦ )ﻓﻬﻮ ﺗﻮزﻳﻊ ذ ﺣ ﱠﺪﻳْﻦ ﻋﻨﺪﻣﺎ ﻻ ﻳﻮﺟﺪ ﺳﻮ ﻧﺘﻴﺠﺘني ﻣﺤﺘﻤﻠﺘني‬
‫ﻄﻰ ﺣﺠﻢ‬ ‫ﻓﺤﺴﺐ(‪ .‬ﺑﺎملﺜﻞ‪ ،‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ اﻟﻌﻤﻠﻴﺎت اﻟﺮﻳﺎﺿﻴﺔ اﻟﺘﻲ ﺗﻈﻬﺮ ﻫﺬا ﺗﺘﺨ ﱠ‬
‫ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻓﺈ ﺗﻮزﻳﻊ ﺑﻮاﺳﻮ ﻳﻤﺜﱢﻞ ﺣﺎﻟﺔ ﻣﺘﻄ ﱢﺮﻓﺔ ﻣﻦ اﻟﺘﻮزﻳﻊ ذ اﻟﺤ ﱠﺪﻳْﻦ‪ ،‬ﻳﺸ ﱢﻜﻞ‬
‫ﺗﻮزﻳﻊ ﺑﻮاﺳﻮ اﻟﺘﻮزﻳﻊ اﻷ ﱢﳼ ز ﺟﺎ ﻃﺒﻴﻌﻴٍّﺎ‪ ،‬ﻳﺼﺒﺢ اﻟﺘﻮزﻳﻊ ذ اﻟﺤﺪﻳﻦ أﻛﺜﺮ أﻛﺜﺮ‬
‫ﺷﺒﻬﺎ ﺑﺎﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ ﻛﻠﻤﺎ زاد اﻟﺤﺪ اﻷﻗﴡ ﻟﻌﺪد اﻷﺣﺪاث‪ ،‬ﻫﻜﺬا‪ .‬ﻫﺬ اﻟﺘﻮزﻳﻌﺎت‬
‫ﰲ ﺣﻘﻴﻘﺘﻬﺎ ﺟﺰء ﻣﻦ ﺣﺪة رﻳﺎﺿﻴﺔ ﻛﺎﻣﻠﺔ ﻣﺘﻜﺎﻣﻠﺔ‪.‬‬
‫ﻟﻘﺪ ﺻﻔﺖ اﻟﺘﻮزﻳﻌﺎت اﻟﺴﺎﺑﻘﺔ ﺑﺎﻟﻘﻮ إ ﻟﻬﺎ أﺷﻜﺎﻻ ﻣﺨﺘﻠﻔﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻦ‬
‫ﺻﻒ ﻫﺬ اﻷﺷﻜﺎ ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ‪ .‬ﻓﺮأﻳْﻨﺎ أ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻳﺘﻤﻴﺰ ﺑﻮﺟﻮد اﻟﻘﻴﻤﺔ ‪.p‬‬
‫ﻫﺬا ﻳﺨﱪﻧﺎ ﺑﺎﺣﺘﻤﺎ أﻧﻨﺎ ﺳﻮ ﻧﺤﺼﻞ ﻋﲆ ﻧﺘﻴﺠﺔ ﻣﻌﻴﻨﺔ‪ .‬ﺗﺘﻮاﻓﻖ ﻗﻴﻢ ‪ p‬املﺨﺘﻠﻔﺔ ﻣﻊ‬
‫ﺗﻮزﻳﻌﺎت ﺑﺮﻧﻮﱄ ﻣﺨﺘﻠﻔﺔ؛ ﻓﻴﻤﻜﻨﻨﺎ ﺻﻴﺎﻏﺔ ﻧﺘﺎﺋﺞ ﻗﺬ ﻋﻤﻠﺔ ﻋﻦ ﻃﺮﻳﻖ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻣﻊ‬
‫اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة — ‪ — p‬ﻣﺴﺎ ﻳﺎ اﻟﻨﺼﻒ‪ ،‬ﺻﻴﺎﻏﺔ اﺣﺘﻤﺎ ﻗﻮع ﺣﺎدث‬

‫‪73‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻗﻴﻤﺔ ﺻﻐرية ﺟﺪٍّا )ﻛﻤﺎ‬ ‫ﻟﺴﻴﺎرة ﰲ رﺣﻠﺔ اﺣﺪة ﺑﻮاﺳﻄﺔ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻣﻊ ‪ p‬ﺗﺴﺎ‬
‫آﻣﻞ!(‪ .‬ﰲ ﻣﺜﻞ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﺗﺴﻤﻰ ‪» p‬ﻣﻌْ ﻠﻤﺔ« )أ ﺑﺎراﻣﱰا(‪.‬‬
‫ﺗﺘﻤﻴﺰ اﻟﺘﻮزﻳﻌﺎت اﻷﺧﺮ أﻳﻀﺎ ﺑﻮﺟﻮد ﻣﻌﻠﻤﺎت ﺗﺆد اﻟﺪ ر ﻧﻔﺴﻪ؛ إذ ﺗﻌﺮﻓﻨﺎ‬
‫ﺑﺎﻟﻀﺒﻂ ﺑﻌﻀﻮ ﻋﺎﺋﻠﺔ اﻟﺘﻮزﻳﻌﺎت اﻟﺬ ﻧﺘﺤﺪث ﻋﻨﻪ‪ .‬ﻟﻨﺮ ﻛﻴﻔﻴﺔ ذﻟﻚ‪ ،‬دﻋْ ﻨﺎ ﻧﻌ ْﺪ ﺧﻄﻮة‬
‫إﱃ اﻟﻮراء ﻧﺘﺬﻛﺮ ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية‪ .‬ﻳﻨﺺ ﻫﺬا اﻟﻘﺎﻧﻮ ﻋﲆ أﻧﻨﺎ إذا ﻗﻤﻨﺎ ﺑﻤﻼﺣﻈﺎت‬
‫ﻣﺴﺘﻘ ﱠﻠﺔ ﻣﺘﻜﺮرة ﻟﺤﺪث ﻟﻪ ﻧﺘﻴﺠﺔ ‪ A‬ﺑﺎﺣﺘﻤﺎ ‪ p‬ﻧﺘﻴﺠﺔ ‪ B‬ﺑﺎﺣﺘﻤﺎ ‪ ،1 − p‬ﻓﺈﻧﻨﺎ ﻳﺠﺐ‬
‫أ ﻧﺘﻮﻗﻊ أ ﻧﺴﺒﺔ ﻣﺮات ﻣﻼﺣﻈﺔ اﻟﻨﺘﻴﺠﺔ ‪ A‬ﺗﻘﱰب أﻛﺜﺮ أﻛﺜﺮ ﻣﻦ ‪ p‬ﻛﻠﻤﺎ زاد ﻋﺪد‬
‫املﻼﺣﻈﺎت اﻟﺘﻲ ﻧﻘﻮ ﺑﻬﺎ‪ .‬ﺗﻌﻤﱠ ﻢ ﻫﺬ اﻟﺴﻤﺔ ﺑﻄﺮ ﻣﻬﻤﺔ‪ .‬ﻓﻌﲆ ﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﻟﻨﻔﱰض‬
‫أﻧﻪ ﺑﺪﻻ ﻣﻦ ﻣﻼﺣﻈﺔ ﺣﺪث ﻟﻪ ﻧﺘﻴﺠﺘﺎ ﻣﺤﺘﻤﻠﺘﺎ ﻓﺤﺴﺐ‪ ،‬ﻻﺣﻈﻨﺎ ﺣﺪﺛﺎ ﻳﻤﻜﻦ أ ﻳﺄﺧﺬ‬
‫أ ﻗﻴﻤﺔ ﻣﻦ ﺗﻮزﻳﻊ ﻋﲆ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻳﺄﺧﺬ أ ﻗﻴﻤﺔ ﰲ اﻟﻔﱰة‬
‫]‪ .[١ ،٠‬ﻟﻨﻔﱰض أﻧﻨﺎ أﺧﺬﻧﺎ ﻣﺠﻤﻮﻋﺎت ﻣﻦ اﻟﻘﻴﺎﺳﺎت ‪ n‬ﻣﻦ ﻣﺜﻞ ﻫﺬا اﻟﺘﻮزﻳﻊ ﻋﲆ ﻧﺤﻮ‬
‫ﻣﺘﻜﺮر‪ .‬ﻳﺨﱪﻧﺎ ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية أﻳﻀﺎ أﻧﻪ ﻳﻨﺒﻐﻲ ﻟﻨﺎ أ ﻧﺘﻮﻗﻊ أ ﻳﻘﱰب ﻣﺘﻮﺳﻂ‬
‫اﻟﻘﻴﺎﺳﺎت ‪ n‬ﻣﻦ ﻗﻴﻤﺔ ﺛﺎﺑﺘﺔ ﻛﻠﻤﺎ ﻛﺎﻧﺖ ‪ n‬أﻛﱪ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﺼﻮر زﻳﺎدة ‪ n‬د‬
‫ﺣﺪ‪ ،‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ ﻣﻦ املﻨﻄﻘﻲ أ ﻧﺘﺤﺪث ﻋﻦ ﻣﺘﻮﺳﻂ ﻋﻴﻨﺔ ﻏري ﻣﺤﺪ دة ﻣﺴﺘﻤﺪة‬
‫ﻣﻦ اﻟﺘﻮزﻳﻊ؛ ﺑﻞ ﺣﺘﻰ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ ﻧﻔﺴﻪ‪ .‬ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺑﺎﺳﺘﺨﺪا ﻫﺬ اﻟﻔﻜﺮة‬
‫ﻳﻤﻜﻦ أ ﻧﺘﺤﺪث ﻋﻦ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ اﻷ ﱢﳼ ﻧﻔﺴﻪ ﻟﻴﺲ ﻋﻦ ﻣﺘﻮﺳﻂ »ﻋﻴﻨﺔ ﻣﺄﺧﻮذة‬
‫ﻣﻦ اﻟﺘﻮزﻳﻊ اﻷﳼ« ﻓﺤﺴﺐ‪ .‬ﺗﻤﺎﻣﺎ ﻛﻤﺎ ﺳﺘﻤﺘﻠﻚ ﺗﻮزﻳﻌﺎت ﺑﺮﻧﻮﱄ املﺨﺘﻠﻔﺔ ﻣﻌﻠﻤﺎت ‪p‬‬
‫ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺈ اﻟﺘﻮزﻳﻌﺎت اﻷﺳﻴﺔ املﺨﺘﻠﻔﺔ ﺳﻮ ﺗﻤﺘﻠﻚ ﻣﺘﻮﺳﻄﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬ﺣﻴﻨﻬﺎ ﻳﻜﻮ‬
‫املﺘﻮﺳﻂ ﻣﻌﻠﻤﺔ ﻟﻠﺘﻮزﻳﻊ اﻷﳼ‪.‬‬
‫رأﻳﻨﺎ ﰲ ﻣﺜﺎ ﺳﺎﺑﻖ أ اﻟﺘﻮزﻳﻊ اﻷﳼ ﻛﺎ ﻧﻤﻮذﺟﺎ ﻣﻌﻘﻮﻻ »ﻟﻌﻤﺮ« املﺰﻫﺮﻳﺎت‬
‫اﻟﺰﺟﺎﺟﻴﺔ )ﺗﺤﺖ ﻇﺮ ﻣﻌﻴﻨﺔ(‪ ،‬اﻵ ﻳﻤﻜﻨﻨﺎ أ ﻧﺘﺼﻮر أ ﻟﺪﻳﻨﺎ ﻣﺠﻤﻮﻋﺘني ﻣﻦ ﻫﺬ‬
‫املﺰﻫﺮﻳﺎت؛ ﻣﺠﻤﻮﻋﺔ ﺗﺘﻜﻮ ﻣﻦ ﻣﺰﻫﺮﻳﺎت ﺻﻠﺒﺔ ﻣﺼﻨﻮﻋﺔ ﻣﻦ زﺟﺎج ﺳﻤﻴﻚ ﻟﻠﻐﺎﻳﺔ‪،‬‬
‫ﻣﺠﻤﻮﻋﺔ ﺛﺎﻧﻴﺔ ﺗﺘﻜﻮ ﻣﻦ ﻣﺰﻫﺮﻳﺎت ﻫ ﱠﺸﺔ ﻣﺼﻨﻮﻋﺔ ﻣﻦ زﺟﺎج رﻗﻴﻖ ﻟﻠﻐﺎﻳﺔ‪ .‬ﻣﻦ اﻟﻮاﺿﺢ‬
‫أﻧﻪ ﰲ املﺘﻮﺳﻂ‪ ،‬ﻣﺰﻫﺮﻳﺎت املﺠﻤﻮﻋﺔ اﻷ ﱃ ﻣﻦ املﺮﺟﺢ أ ﺗﻌﻴﺶ ﻟﻔﱰة أﻃﻮ ﻣﻦ ﻣﺰﻫﺮﻳﺎت‬
‫املﺠﻤﻮﻋﺔ اﻟﺜﺎﻧﻴﺔ‪ .‬ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ املﺠﻤﻮﻋﺘني ﻟﻬﺎ ﻣﻌﻠﻤﺔ ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻳﻤﻜﻨﻨﺎ ﺗﺤﺪﻳﺪ املﻌﻠﻤﺎت اﻟﺨﺎﺻﺔ ﺑﺎﻟﺘﻮزﻳﻌﺎت اﻷﺧﺮ ﻋﲆ ﻧﺤﻮ ﻣﺸﺎﺑﻪ؛ ﻓﻨﺘﺼﻮر‬
‫ﺣﺴﺎب ﻣﻠﺨﺼﺎت إﺣﺼﺎﺋﻴﺔ ﻟﻌﻴﻨﺎت ﺑﺤﺠﻢ ﻻ ﻧﻬﺎﺋﻲ ﻣﺴﺘﻤﺪة ﻣﻦ اﻟﺘﻮزﻳﻌﺎت؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ أ ﻧﺘﺼﻮر ﺣﺴﺎب ﻣﺘﻮﺳﻄﺎت ﻋﻴﻨﺎت ﻛﺒرية ﻻ ﻧﻬﺎﺋﻴﺔ ﻣﺴﺘﻤﺪة ﻣﻦ أﻋﻀﺎء‬

‫‪74‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫اﻷﴎة اﻟﻌﺎدﻳﺔ ﻟﻠﺘﻮزﻳﻌﺎت‪ .‬إﻻ أ اﻷﻣﻮر أﻛﺜﺮ ﺗﻌﻘﻴﺪا ﻗﻠﻴﻼ ﻫﻨﺎ؛ ﻷ أﻋﻀﺎء ﻫﺬ اﻷﴎة‬
‫ﻣﻦ اﻟﺘﻮزﻳﻌﺎت ﻻ ﺗﺘﺤﺪﱠد ﻋﲆ ﻧﺤﻮ ﻓﺮﻳﺪ ﺑﻮاﺳﻄﺔ ﻣﻌﻠﻤﺔ اﺣﺪة؛ ﻓﻬﻲ ﺗﺘﻄﻠﺐ ﻣﻌﻠﻤﺘني‪ .‬ﰲ‬
‫ْ‬
‫ﻛﺎﻓﻴني؛ إذ ﺳﻴﻌﻤﻼ ﻣﻌﺎ ﻋﲆ‬ ‫اﻟﻮاﻗﻊ‪ ،‬املﺘﻮﺳﻂ اﻻﻧﺤﺮا املﻌﻴﺎر ﻟﻠﺘﻮزﻳﻌﺎت ﺳﻴﻜﻮﻧﺎ‬
‫ﺗﺤﺪﻳﺪ أ أﻋﻀﺎء اﻟﻌﺎﺋﻠﺔ ﻧﺘﺤﺪث ﻋﻨﻪ ﻋﲆ ﻧﺤﻮ ﻓﺮﻳﺪ‪.‬‬
‫ﻧ ﱢﻘﺢ ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية أﻛﺜﺮ ﻣﻦ ذﻟﻚ‪ .‬ﺗﺨﻴﱠﻞ اﺳﺘﺨﺮاج اﻟﻌﺪﻳﺪ ﻣﻦ ﻣﺠﻤﻮﻋﺎت اﻟﻘﻴﻢ‬
‫ﻣﻦ ﺗﻮزﻳﻊ ﻣﺎ‪ ،‬ﺑﺤﻴﺚ ﺗﻜﻮ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﺑﺎﻟﺤﺠﻢ ‪ ،n‬اﺣﺴﺐ املﺘﻮﺳﻂ ﻟﻜﻞ ﻣﺠﻤﻮﻋﺔ‪.‬‬
‫ﺣﻴﻨﻬﺎ ﺳﺘﻜﻮ املﺘﻮﺳﻄﺎت ﻧﻔﺴﻬﺎ ﻋﻴﻨﺔ ﻣﻦ اﻟﺘﻮزﻳﻊ؛ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﺤﺘﻤﻠﺔ ملﺘﻮﺳﻂ ﻋﻴﻨﺔ‬
‫ﺑﺎﻟﺤﺠﻢ ‪ .n‬ﺗﺨﱪﻧﺎ »ﻣﱪﻫﻨﺔ اﻟﻨﻬﺎﻳﺔ املﺮﻛﺰﻳﺔ« أ ﺗﻮزﻳﻊ ﻫﺬ املﺘﻮﺳﻄﺎت ﻧﻔﺴﻬﺎ ﻳﺘﺒﻊ‬
‫ﺗﻘﺮﻳﺒﺎ ﺗﻮزﻳﻌﺎ ﻃﺒﻴﻌﻴٍّﺎ‪ ،‬ﻫﺬا اﻟﺘﻘﺮﻳﺐ ﻳﺰداد أﻛﺜﺮ أﻛﺜﺮ ﻛﻠﻤﺎ زادت ﻗﻴﻤﺔ ‪ .n‬ﰲ اﻟﻮاﻗﻊ‪،‬‬
‫إﻧﻬﺎ ﺗﺨﱪﻧﺎ أﻛﺜﺮ ﻣﻦ ﻫﺬا؛ إذ ﺗﺨﱪﻧﺎ أﻳﻀﺎ أ ﻣﺘﻮﺳﻂ ﺗﻮزﻳﻊ املﺘﻮﺳﻄﺎت ﻫﺬا ﻳﺘﻄﺎﺑﻖ‬
‫ﻓﻘﻂ ‪1/n‬‬ ‫ﻣﻊ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﻠﻘﻴﻢ‪ ،‬أ اﻟﺘﺒﺎﻳﻦ ﰲ ﺗﻮزﻳﻊ املﺘﻮﺳﻄﺎت ﻳﺴﺎ‬
‫ﺿﻌﻒ ﺣﺠﻢ ﺗﺒﺎﻳﻦ ﺗﻮزﻳﻊ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ‪ .‬ﻳﺘﻀﺢ أ ﻫﺬا ﻣﻔﻴﺪ ﻟﻠﻐﺎﻳﺔ ﰲ اﻹﺣﺼﺎء؛‬
‫ﻷﻧﻪ ﻳﻌﻨﻲ أﻧﻨﺎ ﻳﻤﻜﻨﻨﺎ ﺗﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﺑﺄﻛﱪ ﻗﺪر ﻣﻦ اﻟﺪﻗﺔ ﻧﺮﻏﺐ ﻓﻴﻪ‬
‫ﻓﻘﻂ ﻋﻦ ﻃﺮﻳﻖ أﺧﺬ ﻋﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻳﻜﻔﻲ )أﺧﺬ ‪ n‬ﻛﺒرية ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ(؛ ﺣﻴﺚ ﺗﺨﱪﻧﺎ‬
‫ﻣﱪﻫﻨﺔ اﻟﻨﻬﺎﻳﺔ املﺮﻛﺰﻳﺔ ﻣﺪ ﺣﺠﻢ اﻟﻌﻴﻨﺔ اﻟﺬ ﻳﺠﺐ أ ﻧﺼﻞ إﻟﻴﻪ ﻟﺘﺤﻘﻴﻖ اﺣﺘﻤﺎ‬
‫ﻛﺒري ﻟﻠﻮﺻﻮ ﻟﻬﺬ اﻟﺪﻗﺔ‪ .‬ﺑﺸﻜﻞ أﻋﻢ‪ ،‬ﻳﻌ ﱡﺪ املﺒﺪأ اﻟﻘﺎﺋﻞ ﺑﺄﻧﻨﺎ ﻧﺴﺘﻄﻴﻊ اﻟﺤﺼﻮ ﻋﲆ‬
‫ﺗﻘﺪﻳﺮات أﻓﻀﻞ أﻓﻀﻞ ﻣﻦ ﺧﻼ أﺧﺬ ﻋﻴﻨﺎت أﻛﱪ ﻣﺒﺪأ ﻗﻮﻳٍّﺎ ﻟﻠﻐﺎﻳﺔ‪ .‬ﻗﺪ رأﻳﻨﺎ ﺑﺎﻟﻔﻌﻞ‬
‫إﺣﺪ اﻟﻄﺮ اﻟﺘﻲ ﺗﺴﺘﺨﺪ ﻓﻴﻬﺎ ﻫﺬ اﻟﻔﻜﺮة ﻋﲆ ﻧﺤﻮ ﻋﻤﲇ ﺣني ﺗﻨﺎ ﻟﻨﺎ ﻣﻮﺿﻮع ﻣﺴﺢ‬
‫اﻟﻌﻴﻨﺎت ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‪.‬‬
‫إﻟﻴﻚ ﻣﺜﺎﻻ آﺧﺮ‪ .‬ﰲ ﻋﻠﻢ اﻟﻔﻠﻚ‪ ،‬ﺗﻜﻮ اﻷﺟﺮا اﻟﺴﻤﺎ ﻳﺔ اﻟﺒﻌﻴﺪة ﺧﺎﻓﺘﺔ ﺟﺪٍّا‪ ،‬ﺗﻜﻮ‬
‫ﻣﻌﻘﺪة ﺑﺴﺒﺐ اﻟﺘﻘﻠﺒﺎت اﻟﻌﺸﻮاﺋﻴﺔ ﰲ اﻹﺷﺎرات‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬إذا أﺧﺬﻧﺎ اﻟﻌﺪﻳﺪ‬ ‫املﺸﺎﻫﺪات ﱠ‬
‫ﻣﻦ اﻟﺼﻮر ﻟﻠﺠﺮ ﻧﻔﺴﻪ راﻛﺒْﻨﺎﻫﺎ ﺑﻌﻀﻬﺎ ﻓﻮ ﺑﻌﺾ‪ ،‬ﻓﺈ اﻷﻣﺮ ﻳﺸﺒﻪ ﺣﺴﺎب ﻣﺘﻮﺳﻂ‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻘﻴﺎﺳﺎت ﻟﻠﴚء ﻧﻔﺴﻪ‪ ،‬ﻛﻞ ﻗﻴﺎس ﻣﺴﺘﻤﺪ ﻣﻦ اﻟﺘﻮزﻳﻊ ﻧﻔﺴﻪ ﻟﻜﻦ ﺑﻮﺟﻮد‬
‫ﻣﻜ ﱢﻮ ﻋﺸﻮاﺋﻲ إﺿﺎﰲ‪ .‬ﺑﺎﺳﺘﺨﺪا ﻗﻮاﻧني اﻻﺣﺘﻤﺎﻻت املﺬﻛﻮرة ﺳﺎﺑﻘﺎ ﻳﺘﻢ اﻟﺘﺨﻠﺺ ﻣﻦ‬
‫اﻟﻌﺸﻮاﺋﻴﺔ‪ ،‬ﺗﺒﻘﻰ رؤﻳﺔ اﺿﺤﺔ ﻟﻺﺷﺎرة اﻷﺳﺎﺳﻴﺔ؛ أ اﻟﺠﺮ اﻟﺴﻤﺎ ‪.‬‬

‫‪75‬‬
 ‫اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‬

‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫اﻹﺣﺼﺎء ﻫﻮ اﻟﻔﻠﺴﻔﺔ اﻟﺘﻄﺒﻴﻘﻴﺔ ﻟﻠﻌﻠﻮ ‪.‬‬

‫إﻳﻪ ﺑﻲ دﻳﻔﻴﺪ‬

‫رأﻳﻨﺎ ﰲ اﻟﻔﺼﻞ اﻷ أ اﻹﺣﺼﺎﺋﻴﺎت ﺗﻠﻌﺐ د را ﻣﺰد ﺟﺎ ﻳﺘﻤﺜﻞ ﰲ ﺗﻠﺨﻴﺺ اﻟﺒﻴﺎﻧﺎت‬

‫اﺳﺘﺨﺮاج اﻻﺳﺘﻨﺘﺎﺟﺎت ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬اﺳﺘﻜﺸﻔﻨﺎ ﺑﻌﺾ اﻷد ات اﻟﺒﺴﻴﻄﺔ ﻟﺘﻠﺨﻴﺺ‬
‫اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‪ .‬ﰲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬ﺑﺎﺳﺘﺨﺪا ﻣﻔﺎﻫﻴﻢ اﻻﺣﺘﻤﺎﻻت املﺬﻛﻮرة‬
‫ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‪ ،‬ﺳﻮ ﻧﺘﻨﺎ اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ ؛ أ ‪ ،‬ﺳﻨﺪرس ﻃﺮ ﺗﺤﺪﻳﺪ ﻗﻴﻤﺔ‬
‫اﻟﻜﻤﻴﺎت اﻟﺘﻲ ﻻ ﻳﻤﻜﻨﻨﺎ ﻣﻼﺣﻈﺘﻬﺎ ﺑﺎﻟﻔﻌﻞ‪ ،‬ﺗﻘﺪﻳﻢ إﻓﺎدات ﻋﻨﻬﺎ‪ .‬إﻟﻴﻚ ﺑﻌﺾ اﻷﻣﺜﻠﺔ‪:‬‬
‫ﻣﺜﺎ ‪ :١‬ﻟﺘﺤﺪﻳﺪ ﴎﻋﺔ اﻟﻀﻮء‪ ،‬ﺳﻨﻘﻮ ﺑﺘﻨﻔﻴﺬ ﺑﻌﺾ ﻃﺮ اﻟﻘﻴﺎس‪ .‬ﻻ ﺗﻮﺟﺪ ﻃﺮﻳﻘﺔ‬
‫ﻗﻴﺎس ﻣﺜﺎﻟﻴﺔ‪ ،‬إذا ﻛﺮرﻧﺎ ﻫﺬ اﻟﻌﻤﻠﻴﺔ ﻓﺮﺑﻤﺎ ﺳﻨﺤﺼﻞ ﻋﲆ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ﻗﻠﻴﻼ‪ .‬ﺗﻜﺮار‬
‫اﻟﻘﻴﺎس ﻣﺎﺋﺔ ﻣﺮة ﻣﻦ املﺮﺟﺢ أ ﻳﻌﻄﻴﻨﺎ ﻣﺎﺋﺔ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ﻗﻠﻴﻼ‪ .‬ﻫﺪﻓﻨﺎ إذ ﻫﻮ‬
‫اﺳﺘﺨﺪا ﻫﺬ اﻟﻌﻴﻨﺔ ﻣﻦ اﻟﻘﻴﻢ ﻟﺘﻘﺪﻳﺮ ﴎﻋﺔ اﻟﻀﻮء اﻟﺤﻘﻴﻘﻴﺔ‪ ،‬د أ ﻳﺸﻮﺑﻬﺎ ﺷﺎﺋﺒﺔ‬
‫ﻣﻦ ﺧﻄﺄ اﻟﻘﻴﺎس‪.‬‬
‫ﻣﺜﺎ ‪ :٢‬ﰲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ ﻋﺸﻮاﺋﻴﺔ ﺑﺴﻴﻄﺔ‪ ،‬رﺑﻤﺎ ﻧﻌﻄﻲ د اء ﺟﺪﻳﺪا ﻟﻌﻴﱢﻨﺔ ﻣﻦ املﺮﴇ‬
‫د اء ﻣﻌﻴﺎرﻳٍّﺎ ﻟﻌﻴﻨﺔ أﺧﺮ ‪ .‬ﺑﻨﺎء ﻋﲆ ﻣﻼﺣﻈﺎت اﻵﺛﺎر ﻟﺪ ﻫﺎﺗني املﺠﻤﻮﻋﺘني ﻣﻦ‬
‫املﺮﴇ ﺳﻮ ﻧﺮﻏﺐ ﰲ ﺗﻘﺪﻳﻢ إﻓﺎدة‪ ،‬أ اﺳﺘﺪﻻ ‪ ،‬ﺣﻮ اﻟﻔﻌﺎﻟﻴﺔ اﻟﻨﺴﺒﻴﺔ ﻟﻠﺪ اء اﻟﺠﺪﻳﺪ‪.‬‬
‫ﺑﻌﺒﺎرة أﺧﺮ ‪ ،‬ﻧﺮﻏﺐ ﰲ ﺗﻘﺪﻳﺮ ﻣﺪ ﻛﱪ اﻟﻔﺎر ﰲ ﻓﻌﺎﻟﻴﺔ اﻟﺪ اءﻳﻦ اﻟﺬ ﻗﺪ ﱠ‬
‫ﻧﺘﻮﻗﻌﻪ‬
‫ﺻﻔﻨﺎ ﻛﻞ د اء ﻣﻦ اﻟﺪ اءﻳﻦ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﻦ املﺮﴇ اﻟﺨﺎﺿﻌني‬ ‫ْ‬ ‫إذا ﻛﻨﱠﺎ ﻗﺪ‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻠﺪراﺳﺔ‪ .‬ﺳﻨﺮﻏﺐ أﻳﻀﺎ ﻋﲆ ﻧﺤﻮ ﻣﺜﺎﱄ ﰲ اﻟﺤﺼﻮ ﻋﲆ ﺑﻌﺾ املﺆﴍات ﺣﻮ ﻣﺪ‬

‫ﺛﻘﺘﻨﺎ ﰲ ﺣﺠﻢ اﻟﺘﻘﺪﻳﺮ‪.‬‬
‫ﻣﺜﺎ ‪ :٣‬ﰲ دراﺳﺔ ﻟﻠﺒﻄﺎﻟﺔ ﰲ ﻟﻨﺪ ‪ ،‬ﺳﺘﻜﻮ ﻣﻘﺎﺑﻠﺔ اﻟﺠﻤﻴﻊ ﻏري ﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ؛ ﻟﺬﻟﻚ‬
‫ﺳﺘﺠﺮ ﻣﻘﺎﺑﻼت ﻣﻊ ﻋﻴﻨﺔ ﻣﻦ اﻷﺷﺨﺎص‪ ،‬ﺑﻬﺪ اﺳﺘﺨﺪا رد د ﻫﺬ اﻟﻌﻴﻨﺔ ﻟﺘﻘﺪﻳﻢ‬
‫إﻓﺎدة ﻋﺎﻣﺔ ﻋﻦ ﻟﻨﺪ ﺑﺄﻛﻤﻠﻬﺎ؛ أ إﻧﻨﺎ ﻧﻮد ﺗﻘﺪﻳﺮ اﻟﺒﻄﺎﻟﺔ ﰲ ﻟﻨﺪ ﺑﺄﻛﻤﻠﻬﺎ ﺑﺎﺳﺘﺨﺪا‬
‫ﺑﻴﺎﻧﺎت اﻟﻌﻴﻨﺔ‪.‬‬
‫ﻣﺜﺎ ‪ :٤‬ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﺗﺠﺮﻳﺪﻳﺔ‪ ،‬ﻗﺪﻣﺖ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ ﻓﻜﺮة »ﻣﻌْ ﻠﻤﺔ« اﻟﺘﻮزﻳﻊ‪.‬‬
‫ﺷﺎﻫﺪﻧﺎ ﻣﺜﺎ ﻋﺎﺋﻠﺔ ﺑﺮﻧﻮﱄ ﻣﻦ اﻟﺘﻮزﻳﻌﺎت؛ ﺣﻴﺚ ﻳﺴﺘﻄﻴﻊ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ أ ﻳﺄﺧﺬ‬
‫اﻟﻘﻴﻤﺔ ‪ ٠‬أ ‪ ،١‬ﺣﻴﺚ ﻛﺎﻧﺖ ‪ p‬ﻣﻌﻠﻤﺔ ﺗﻌﻄﻲ اﺣﺘﻤﺎ ﻣﻼﺣﻈﺔ اﻟﻘﻴﻤﺔ ‪ .١‬ﻛﻤﺎ‬
‫رأﻳﻨﺎ أﻳﻀﺎ ﻣﺜﺎﻻ ﻋﲆ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ‪ ،‬اﻟﺬ ﻛﺎ ﻳﻤﺘﻠﻚ ﻣﻌﻠﻤﺘني؛ ﻫﻤﺎ اﻻﻧﺤﺮا‬
‫املﻌﻴﺎر املﺘﻮﺳﻂ‪ .‬رﺑﻤﺎ ﻳﻜﻮ ﻫﺪﻓﻨﺎ ﻫﻮ ﺗﻘﺪﻳﺮ ﻗﻴﻤﺔ ﻫﺬ املﻌﻠﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫رﺑﻤﺎ ﺗﺪرس ﻋﺎﻟﻤﺔ أﻧﺜﺮ ﺑﻮﻟﻮﺟﻴﺎ أﻃﻮا ﻣﺠﻤﻮﻋﺔ ﻣﻌﻴﻨﺔ ﻣﻦ اﻷﺷﺨﺎص‪ ،‬رﺑﻤﺎ ﺗﻜﻮ‬
‫ﻣﺴﺘﻌﺪﱠة ﻻﻓﱰاض أ اﻷﻃﻮا ﻣﻮ ﱠزﻋﺔ ﻃﺒﻴﻌﻴٍّﺎ‪ ،‬ﻟﻜﻦ ﻟﺘﻮﺻﻴﻒ اﻟﺘﻮزﻳﻊ ﺗﻮﺻﻴﻔﺎ ﺗﺎﻣٍّ ﺎ‬
‫ﺳﻮ ﺗﺤﺘﺎج إﱃ ﻣﻌﺮﻓﺔ املﺘﻮﺳﻂ اﻻﻧﺤﺮا املﻌﻴﺎر ﻟﻬﺬا اﻟﺘﻮزﻳﻊ‪ .‬رﺑﻤﺎ ﺗﺮﻏﺐ ﰲ‬
‫اﺳﺘﺨﺪا أﻃﻮا ﻋﻴﻨﺔ أﺷﺨﺎص ﻣﻦ املﺠﻤﻮﻋﺔ ﻟﺘﻘﺪﻳﺮ املﺘﻮﺳﻂ اﻻﻧﺤﺮا املﻌﻴﺎر‬
‫ﻟﻠﻤﺠﻤﻮﻋﺔ ﺑﺄﻛﻤﻠﻬﺎ‪.‬‬

‫)‪ (1‬ﺗﻘﺪﻳﺮ اﻟﻨﻘﻄﺔ‬

‫ﻋﺮض ﻋﲇ ﱠ ﺻﺪﻳﻖ ﱄ اﻟﺼﻔﻘﺔ اﻟﺘﺎﻟﻴﺔ‪ :‬ﺳﻮ ﻳﻘﺬ ﻋﻤﻠﺔ ﻣﻌﺪﻧﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﺘﻜﺮر‪ ،‬ﻛﻠﻤﺎ‬
‫ﻇﻬﺮ ﺟﻪ اﻟﺼﻮرة ﺳﻮ ﻳﻌﻄﻴﻨﻲ ‪ ١٠‬ﺟﻨﻴﻬﺎت اﺳﱰﻟﻴﻨﻴﺔ‪ ،‬ﻟﻜﻦ ﻛﻠﻤﺎ ﻇﻬﺮ ﺟﻪ اﻟﻜﺘﺎﺑﺔ‬
‫ﺳﻮ أﻋﻄﻴﻪ ‪ ٥‬ﺟﻨﻴﻬﺎت اﺳﱰﻟﻴﻨﻴﺔ‪.‬‬
‫ﻳﺒﺪ ﻫﺬا ﻟﻠﻮﻫﻠﺔ اﻷ ﱃ ﻛﺄﻧﻪ ﺻﻔﻘﺔ ﺟﻴﺪة ﺑﺎﻟﻨﺴﺒﺔ ﱄ‪ .‬ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬ﻣﻦ املﻌﺮ‬
‫ﺟﻴﺪا أﻧﻪ ﻣﻦ املﺮﺟﺢ ﻋﲆ ﻧﺤﻮ ﻣﺘﺴﺎ أ ﺗﺴﺘﻘﺮ اﻟﻌﻤﻠﺔ ﺟﻪ اﻟﺼﻮرة أ اﻟﻜﺘﺎﺑﺔ ﻷﻋﲆ‬
‫)اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﻳﺴﺎ ‪(٢ / ١‬؛ ﻟﺬﻟﻚ ﻣﻦ املﺤﺘﻤﻞ أ أﻓﻮز ﺑﻌﴩة ﺟﻨﻴﻬﺎت‬
‫اﺳﱰﻟﻴﻨﻴﺔ ﺑﻘﺪر اﺣﺘﻤﺎ ﺧﺴﺎرة ﺧﻤﺴﺔ ﺟﻨﻴﻬﺎت اﺳﱰﻟﻴﻨﻴﺔ ﰲ ﻛﻞ ﻗﺬﻓﺔ ﻟﻠﻌﻤﻠﺔ‪ .‬ﰲ‬
‫املﺘﻮﺳﻂ‪ ،‬ﺳﻮ أﻛﻮ ﻓﺎﺋﺰا‪.‬‬
‫ﻟﻜﻦ ﺑﻌﺪ ذﻟﻚ ﺳﺎ رﺗْﻨﻲ اﻟﺸﻜﻮ ‪ .‬ملﺎذا ﻳﻘﺪ ﱄ ﺻﻔﻘﺔ ﻳﺒﺪ أﻧﻬﺎ ﰲ ﺻﺎﻟﺤﻲ ﻟﻠﻐﺎﻳﺔ؟‬
‫ﺑﺪأت أﺷ ﱡﻚ ﰲ أﻧﻪ رﺑﻤﺎ ﻋﺒﺚ ﺑﺎﻟﻌﻤﻠﺔ؛ ﺑﺤﻴﺚ ﻳﻜﻮ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﰲ اﻟﻮاﻗﻊ‬

‫‪78‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫أﻗ ﱠﻞ ﻣﻦ اﻟﻨﺼﻒ‪ .‬ﻓﻌﲆ أ ﺣﺎ ‪ ،‬إذا ﻛﺎ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﰲ اﻟﺤﻘﻴﻘﺔ ﺿﺌﻴﻼ‬

‫ﻟﻠﻐﺎﻳﺔ‪ ،‬ﺑﺤﻴﺚ إﻧﻪ ﻧﺎدرا ﻣﺎ ﻳﻈﻬﺮ‪ ،‬ﻳﻤﻜﻦ أ ﺗﻜﻮ اﻟﺼﻔﻘﺔ ﺳﻴﺌﺔ ﺑﺎﻟﻨﺴﺒﺔ ﱄ‪ .‬ملﻌﺮﻓﺔ ﻫﺬا‪،‬‬
‫ﺳﺄرﻏﺐ ﰲ ﺗﻘﺪﻳﺮ ﻫﺬا اﻻﺣﺘﻤﺎ ‪ .‬ﻋﺮض ﺻﺪﻳﻘﻲ — اﻟﻜﺮﻳﻢ ﻟﻠﻐﺎﻳﺔ ﻟﻜﻨﻪ ﻻ ﻳﻌﺮ ﺷﻴﺌﺎ‬
‫ﺳﺖ ﻣﺮات‪ ،‬ﺣﺘﻰ أﺳﺘﻄﻴﻊ أ أر اﻟﻮﺟﻪ اﻟﺬ ﺳﻴﻈﻬﺮ ﰲ‬ ‫ﻋﻦ اﻹﺣﺼﺎء — ﻗﺬْ اﻟﻌﻤﻠﺔ ﱠ‬
‫ﻛﻞ ﻣﺮة‪ .‬ﻫﺪﰲ إذ ﻫﻮ اﺳﺘﺨﺪا ﻫﺬ اﻟﺒﻴﺎﻧﺎت ﻟﺘﻘﺪﻳﺮ اﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ ﺳﺘﺴﺘﻘﺮ ﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ ﰲ ﻋﻤﻠﻴﺎت اﻟﻘﺬ املﺴﺘﻘﺒﻠﻴﺔ‪.‬‬
‫ﻟﻨﻔﱰض أ اﻟﻌﻤﻠﺔ ﺧﻀﻌﺖ ﻟﻠﺘﻼﻋﺐ‪ ،‬أ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﻌﻤﻠﺔ ﰲ أ ﻗﺬﻓﺔ‬
‫اﺣﺪة ﻛﺎ ‪ ٣ / ١‬ﻓﻘﻂ‪ .‬ﺑﻤﺎ أ ﻗﺬﻓﺎت اﻟﻌﻤﻠﺔ ﻣﺴﺘﻘﻠﺔ ﺑﻌﻀﻬﺎ ﻋﻦ ﺑﻌﺾ )ﻧﺘﻴﺠﺔ اﻟﻘﺬﻓﺔ‬
‫اﻟﻮاﺣﺪة ﻻ ﺗﺆﺛﺮ ﻋﲆ ﻧﺘﻴﺠﺔ أ ﻗﺬﻓﺔ أﺧﺮ (‪ ،‬ﻓﺈﻧﻨﺎ ﻧﻌﻠﻢ أ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة‬
‫ﰲ ﻗﺬﻓﺘني ﻫﻮ ﺑﺒﺴﺎﻃﺔ ﻧﺎﺗﺞ ﴐب اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﰲ ﻛﻠﺘﺎ املﺮﺗني‪× ٣ / ١ :‬‬
‫‪ .٩ / ١ = ٣ / ١‬ﺑﺎملﺜﻞ‪ ،‬ﺑﻤﺎ أ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻫﻮ ‪ ،٣ / ٢ = ٣ / ١ − ١‬ﻓﺈ‬
‫اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﻣﺘﺒﻮﻋﺎ ﺑﻈﻬﻮر ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﺳﻴﻜﻮ ﺣﺎﺻﻞ ﴐب ‪٣ / ١‬‬
‫‪٣ / ٢‬؛ ﻫﻮ ‪ .٩ / ٢‬ﻋﻤﻮﻣﺎ‪ ،‬ﺑﺎﻓﱰاض أ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﰲ ﻛﻞ ﻗﺬﻓﺔ ﻫﻮ‬
‫‪ ،٣ / ١‬ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ أ ﺗﺴﻠﺴﻞ ﻟﻮﺟﻬﻲ اﻟﺼﻮرة اﻟﻜﺘﺎﺑﺔ؛ ﻋﲆ‬
‫ﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﺗﺴﻠﺴﻞ ﻣﻤﺎﺛﻞ ﻟﺬﻟﻚ اﻟﺬ ﻳﻈﻬﺮ ﰲ اﻟﻘﺬﻓﺎت اﻟﺴﺖ اﻟﺘﻲ رأﻳﻨﺎﻫﺎ ﺑﺎﻟﻔﻌﻞ؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا أﻇﻬﺮت اﻟﻘﺬﻓﺎت اﻟﺴﺖ اﻟﺘﺴﻠﺴﻞ ص – – ص – – – ‪،‬‬
‫ﻓﺈ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﺗﺴﻠﺴﻞ ﻣﺘﻄﺎﺑﻖ ﺑﺎملﺼﺎدﻓﺔ ﺳﻴﻜﻮ ‪× ٣ / ١ × ٣ / ٢ × ٣ / ١‬‬
‫‪٧٢٩ / ١٦ = ٣ / ٢ × ٣ / ٢ × ٣ / ٢‬؛ أ ﺗﻘﺮﻳﺒﺎ ‪.٠٫٠٢٢‬‬
‫ﻳﻤﻜﻨﻨﺎ ﺑﺎﻟﻄﺮﻳﻘﺔ ﻧﻔﺴﻬﺎ ﺣﺴﺎب اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﺗﺴﻠﺴﻞ ص – – ص –‬
‫– – إذا ﻛﺎ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﰲ ﻛﻞ ﻗﺬﻓﺔ ﻳﺴﺎ ﻓﻌﻠﻴٍّﺎ أ ﻗﻴﻤﺔ أﺧﺮ ؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﺎ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ‪ ) ٢ / ١‬ﻣﻦ ﺛﻢ ﻓﺈ اﺣﺘﻤﺎ ﻇﻬﻮر‬
‫ﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻳﺴﺎ ‪ ،(٢ / ١ = ٢ / ١ − ١‬ﻓﺈ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻣﺜﻞ ﻫﺬا اﻟﺘﺴﻠﺴﻞ‬
‫ﻫﻮ ‪٦٤ / ١ = ٢ / ١ × ٢ / ١ × ٢ / ١ × ٢ / ١ × ٢ / ١ × ٢ / ١‬؛ أ ﺗﻘﺮﻳﺒﺎ ‪،٠٫٠١٦‬‬
‫إذا ﻛﺎ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﻫﻮ ‪ ،١٠ / ١‬ﻓﺈ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ ﻣﺜﻞ ﻫﺬا‬
‫اﻟﺘﺴﻠﺴﻞ ﻳﻘﺮب ﻣﻦ ‪ ٠٫٠٠٧‬ﻫﻜﺬا‪.‬‬
‫ﻫﺪﻓﻨﺎ اﻵ ﻫﻮ ﺗﻘﺪﻳﺮ اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﰲ أ ﻗﺬﻓﺔ ﻣﺴﺘﻘﺒﻠﻴﺔ؛ أ إﻧﻨﺎ‬
‫ﻧﺮﻏﺐ ﰲ اﺧﺘﻴﺎر ﻗﻴﻤﺔ اﺣﺪة — ‪ ٣ / ١‬أ ‪ ٢ / ١‬أ ‪ ١٠ / ١‬أ أﻳٍّﺎ ﻣﺎ ﺗﻜﻮ — ﻛﺘﻘﺪﻳﺮ‬
‫ﻟﻬﺬا اﻻﺣﺘﻤﺎ ‪ .‬ﻋﻨﺪ اﻟﻨﻈﺮ إﱃ اﻟﺤﺴﺎﺑﺎت اﻟﺴﺎﺑﻘﺔ‪ ،‬ﻧﺮ أ اﺣﺘﻤﺎ اﻟﺤﺼﻮ ﻋﲆ اﻟﻨﺘﺎﺋﺞ‬

‫‪79‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﺮﺻﻮدة ﻟﺴﺖ ﻗﺬﻓﺎت ﻫﻮ ‪ ٠٫٠٢٢‬إذا ﻛﺎ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ ﻟﻈﻬﻮر ﺟﻪ اﻟﺼﻮرة ﻫﻮ‬

‫‪ ،٣ / ١‬ﰲ ﺣني أﻧﻪ ﻻ ﻳﺘﺠﺎ ز ‪ ٠٫٠١٦‬إذا ﻛﺎ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ ﻟﻈﻬﻮر ﺟﻪ اﻟﺼﻮرة‬
‫ﻫﻮ ‪ ،٢ / ١‬ﻫﻮ أﻗﻞ ﻣﻦ ذﻟﻚ — ‪ ٠٫٠٠٧‬ﻓﻘﻂ — إذا ﻛﺎ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ ﻟﻈﻬﻮر‬
‫ﺟﻪ اﻟﺼﻮرة ﻫﻮ ‪ .١٠ / ١‬ﻣﺎ ﻳﻌﻨﻴﻪ ﻫﺬا ﻫﻮ أﻧﻪ ﻣﻦ اﻷﻛﺜﺮ ﺗﺮﺟﻴﺤﺎ أ ﻧﺤﺼﻞ ﻋﲆ ﻧﺘﺎﺋﺞ‬
‫اﻟﻘﺬﻓﺎت اﻟﺴﺖ املﺮﺻﻮدة إذا ﻛﺎ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ ﻫﻮ ‪ ٣ / ١‬أﻛﺜﺮ ﻣﻤﱠ ﺎ إذا ﻛﺎ ‪ ٢ / ١‬أ‬
‫‪١٠ / ١‬؛ ﻣﻦ ﺛ ﱠﻢ ﻳﺒﺪ ﻣﻦ املﻌﻘﻮ أ ﻧﺨﺘﺎر اﻟﻘﻴﻤﺔ ‪ ٣ / ١‬ﻛﺘﻘﺪﻳﺮ ﺣﻴﺪ ﻻﺣﺘﻤﺎ ﻇﻬﻮر‬
‫ﺟﻪ اﻟﺼﻮرة؛ ﻓﻬﺬ ﻫﻲ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﺮﺟﺢ أ ﺗﺴﻔﺮ ﻋﻦ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺣﺼﻠﻨﺎ ﻋﻠﻴﻬﺎ‬
‫ﻓﻌﻼ‪.‬‬
‫ﻳﻮﺿﺢ ﻫﺬا املﺜﺎ ﻃﺮﻳﻘﺔ »اﻹﻣﻜﺎﻧﻴﺔ اﻟﻘﺼﻮ « ﻟﻠﺘﻘﺪﻳﺮ؛ إذ ﻧﺨﺘﺎر ﻗﻴﻤﺔ املﻌﻠﻤﺔ‬
‫اﻟﺘﻲ ﻟﺪﻳﻬﺎ أﻋﲆ اﺣﺘﻤﺎ ﻹﻧﺘﺎج اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‪ .‬ﰲ املﺜﺎ اﻟﺴﺎﺑﻖ‪ ،‬ﺣﺴﺒﺖ ﻓﻘﻂ ﻫﺬا‬
‫اﻻﺣﺘﻤﺎ ﻟﻠﻘﻴﻢ اﻟﺜﻼث املﺮﺗﺒﻄﺔ ﺑﺎﺣﺘﻤﺎﻟﻴﺔ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة )‪،(١٠ / ١ ،٢ / ١ ،٣ / ١‬‬
‫ﺗﺒني اﺣﺘﻤﺎ ﺣﺪ ث‬ ‫ﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ ﺟﻮﻫﺮﻳٍّﺎ ﺣﺴﺎﺑﻬﺎ ﻟﺠﻤﻴﻊ اﻟﻘﻴﻢ املﻤﻜﻨﺔ‪ .‬اﻟﺪاﻟﺔ اﻟﺘﻲ ﱢ‬
‫اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة ﻟﻜﻞ ﺧﻴﺎر ﻣﻤﻜﻦ ﻻﺣﺘﻤﺎﻟﻴﺔ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ‬
‫»داﻟﺔ اﻹﻣﻜﺎ «‪ .‬ﺗﻠﻌﺐ ﻫﺬ اﻟﺪاﻟﺔ د را ﻣﺤﻮرﻳٍّﺎ ﰲ اﻻﺳﺘﺪﻻ اﻹﺣﺼﺎﺋﻲ‪.‬‬
‫ﻳﻤﻜﻦ ﺗﻄﺒﻴﻖ املﺒﺪأ ﻧﻔﺴﻪ ﻣﻦ أﺟْ ﻞ اﻟﺤﺼﻮ ﻋﲆ ﺗﻘﺪﻳﺮات ملﻌﻠﻤﺎت اﻟﺘﻮزﻳﻊ‬
‫اﻟﻄﺒﻴﻌﻲ‪ ،‬أ أ ﺗﻮزﻳﻊ آﺧﺮ‪ .‬ﻓﻨﺤﺴﺐ ﺑﺒﺴﺎﻃﺔ ﻣﺎ ﻳﻤﻜﻦ أ ﻳﻜﻮ اﺣﺘﻤﺎ اﻟﺤﺼﻮ‬
‫ﻋﲆ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﻣﺜﻞ اﻟﺘﻲ ﺣﺪﺛﺖ ﰲ اﻟﻮاﻗﻊ ﺑﺎﻟﻨﺴﺒﺔ ﻟﺨﻴﺎرات اﻟﻘﻴﻢ املﺨﺘﻠﻔﺔ املﺤﺘﻤﻠﺔ‬
‫ﻟﻠﻤﻌﻠﻤﺔ‪ .‬ﻣﻘﺪر اﻹﻣﻜﺎﻧﻴﺔ اﻟﻘﺼﻮ ﻫﻮ ﻗﻴﻤﺔ املﻌﻠﻤﺔ اﻟﺘﻲ ﺗﻨﺘﺞ أﻛﱪ اﻻﺣﺘﻤﺎﻻت‪ .‬ﻻﺣﻆ‬
‫أ ﻫﺬ اﻟﻌﻤﻠﻴﺔ ﺗﻨﺘﺞ ﻗﻴﻤﺔ اﺣﺪة؛ ﻫﻲ ﺗﻘﺪﻳﺮ ﻳﻜﻮ ﻫﻮ اﻷﻓﻀﻞ ﻣﻦ ﻣﻨﻈﻮر اﻹﻣﻜﺎﻧﻴﺔ‬
‫اﻟﻘﺼﻮ ‪ .‬ﻷﻧﻬﺎ ﻗﻴﻤﺔ اﺣﺪة ﻓﺤﺴﺐ‪ ،‬ﻓﺈﻧﻬﺎ ﺗﺴﻤﻰ »ﺗﻘﺪﻳﺮ اﻟﻨﻘﻄﺔ«‪.‬‬
‫ﺛﻤﺔ ﻃﺮﻳﻘﺔ ﺑﺪﻳﻠﺔ ﻟﻠﺘﻔﻜري ﰲ ﻫﺬا اﻟﻨﻬﺞ ﻟﻠﺘﻘﺪﻳﺮ؛ ﻫﻲ اﻟﻨﻈﺮ ﻟﺪاﻟﺔ اﻹﻣﻜﺎ ﻋﲆ‬
‫أﻧﻬﺎ ﻣﻘﻴﺎس ﻟﻠﺘﻮاﻓﻖ ﺑني اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة )اﻟﺘﺴﻠﺴﻞ اﻟﻨﺎﺗﺞ ﻋﻦ ﺳﺖ ﻗﺬﻓﺎت ﻟﻠﻌﻤﻠﺔ(‬
‫اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻨﺒﱠﺄت ﺑﻬﺎ ﻧﻈﺮﻳﺘﻨﺎ )ﺣﻴﺚ ﺗﻌﻨﻲ ﻛﻠﻤﺔ »ﻧﻈﺮﻳﺔ« ﻫﻨﺎ اﻟﻘﻴﻤﺔ املﻘﱰﺣﺔ‬
‫ﻻﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ٣ / ١ ،‬أ ‪ .(٢ / ١‬اﺧﺘﻴﺎر اﻟﻨﻈﺮﻳﺔ‬
‫)اﺣﺘﻤﺎ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة( ﻟﺘﺤﻘﻴﻖ أﻗﴡ ﻗﺪر ﻣﻦ اﻟﺘﻮاﻓﻖ — أ ﻋﲆ ﻧﺤﻮ ﻣﻜﺎﻓﺊ‪،‬‬
‫ﻟﺘﻘﻠﻴﻞ اﻟﺘﻨﺎﻗﺾ — أﻣﺮ ﻣﻌﻘﻮ ﻋﲆ ﻧﺤﻮ اﺿﺢ‪ .‬اﻟﺘﻔﻜري ﰲ اﻷﻣﺮ ﺑﻬﺬ اﻟﻄﺮﻳﻘﺔ ﻳﺴﻤﺢ‬
‫ﻟﻨﺎ ﺑﺎﻟﺘﻌﻤﻴﻢ؛ إذ ﻳﻤﻜﻨﻨﺎ اﻟﺘﻔﻜري ﰲ ﻣﻘﺎﻳﻴﺲ أﺧﺮ ﻟﻠﺘﻨﺎﻗﺾ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ ﻛﺜري‬
‫ﻣﻦ اﻟﺤﺎﻻت‪ ،‬ﻳﺘﻤﺜﻞ ﻣﻘﻴﺎس ﺟﻴﺪ ﻟﻠﺘﻨﺎﻗﺾ ﰲ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻟﻔﺮ ﺑني ﻗﻴﻤﺔ املﻌﻠﻤﺔ‬

‫‪80‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫املﻘﱰﺣﺔ ﻗﻴﻢ اﻟﻌﻴﻨﺔ اﻟﻔﺮدﻳﺔ‪ .‬اﺧﺘﻴﺎر املﻌﻠﻤﺔ ﻟﻠﺤﺪ ﻣﻦ ﻫﺬا املﻘﻴﺎس ﻳﻌﻨﻲ اﻟﺤﺼﻮ ﻋﲆ‬
‫»أﻓﻀﻞ« ﺗﻘﺪﻳﺮ‪ ،‬ﰲ ﺳﻴﺎ أﺻﻐﺮ ﻣﺠﻤﻮع ﻟﻠﻔﺮ املﺮﺑﻌﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﺬ ﻃﺮﻳﻘﺔ ﺷﺎﺋﻌﺔ‬
‫ﻟﻠﻐﺎﻳﺔ ﻟﻠﺘﻘﺪﻳﺮ‪ ،‬ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ — ﻷﺳﺒﺎب اﺿﺤﺔ — »ﺗﻘﺪﻳﺮ املﺮﺑﻌﺎت اﻟﺼﻐﺮ «‪.‬‬
‫أﺣﻴﺎﻧﺎ ﻳﻜﻮ ﻟﺪﻳﻨﺎ أﻓﻜﺎر ﻗﺒﻞ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت ﻋﻦ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻧﺘﻮﻗﻊ أ ﺗﻜﻮ ﻋﻠﻴﻬﺎ‬
‫املﻌﻠﻤﺔ‪ .‬ﻣﺜﻞ ﻫﺬ اﻷﻓﻜﺎر ﻗﺪ ﺗﺄﺗﻲ ﻣﻦ اﻟﺨﱪات أ اﻟﺘﺠﺎرب اﻟﺴﺎﺑﻘﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫ﺑﻨﺎء ﻋﲆ ﺧﱪﺗﻨﺎ اﻟﺴﺎﺑﻘﺔ ﰲ ﻗﺬ اﻟﻘﻄﻊ اﻟﻨﻘﺪﻳﺔ‪ ،‬رﺑﻤﺎ ﻧﻌﺘﻘﺪ أ املﻌﻠﻤﺔ ‪ ،p‬اﻟﺘﻲ ﺗﻌﻄﻲ‬
‫اﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ املﻘﺬ ﻓﺔ ﺳﻮ ﺗﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة‪ ،‬ﺗﻘﱰب ﻣﻦ ‪ ،٢ / ١‬أﻧﻪ ﻣﻦ ﻏري‬
‫املﺤﺘﻤﻞ ﺟﺪٍّا أ ﺗﻜﻮ ﺑﻌﻴﺪة ﻋﻦ ‪ .٢ / ١‬ﻧﻘﻮ إ ﻟﺪﻳﻨﺎ »ﺗﻮزﻳﻌﺎ ﻗﺒﻠﻴٍّﺎ« ﻹﻳﻤﺎﻧﻨﺎ ﺑﺄ‬
‫املﻌﻠﻤﺔ املﺠﻬﻮﻟﺔ ﺗﺄﺧﺬ ﻗﻴﻤﺎ ﻣﺨﺘﻠﻔﺔ‪ .‬ﻳﻤﺜﻞ ﻫﺬا اﻟﺘﻮزﻳﻊ إﻳﻤﺎﻧﺎ ذاﺗﻴٍّﺎ ﺣﻴﺎ ﻗﻴﻤﺔ املﻌﻠﻤﺔ؛‬
‫ﻛﻤﺎ ﻫﻲ اﻟﺤﺎ ﻣﻊ اﻟﺘﻔﺴري اﻟﺬاﺗﻲ ﻟﻼﺣﺘﻤﺎ املﺬﻛﻮر ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‪ .‬ﰲ ﻣﺜﻞ ﻫﺬ‬
‫اﻟﺤﺎﻻت‪ ،‬ﺑﺪﻻ ﻣﻦ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت ﺑﻤﻌﺰ ﻻﺳﺘﺨﺮاج ﺗﻘﺪﻳﺮ ﻟﻘﻴﻤﺔ املﻌﻠﻤﺔ‪ ،‬ﻣﻦ املﻨﻄﻘﻲ‬
‫اﻟﺠﻤﻊ ﺑني اﻟﺒﻴﺎﻧﺎت إﻳﻤﺎﻧﻨﺎ اﻟﺴﺎﺑﻖ ﻻﺳﺘﺨﺮاج »ﺗﻮزﻳﻊ ﺑﻌﺪ « ملﻌﺘﻘﺪاﺗﻨﺎ ﺣﻮ اﻟﻘﻴﻢ‬
‫املﺤﺘﻤﻠﺔ ﻟﻠﻤﻌﻠﻤﺔ‪ .‬ﻫﺬا ﻳﻌﻨﻲ أﻧﻨﺎ ﻧﺒﺪأ ﺑﺘﻮزﻳﻊ ﻳﺼﻒ ﻣﻌﺘﻘﺪاﺗﻨﺎ ﺣﻮ اﻟﻘﻴﻢ املﺤﺘﻤﻠﺔ‬
‫ﻟﻠﻤﻌﻠﻤﺔ‪ ،‬ﻧﻌﺪﱢﻟﻪ ﻓﻘﺎ ملﺎ ﻧﻼﺣﻈﻪ ﰲ اﻟﺒﻴﺎﻧﺎت؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺗﻮزﻳﻌﻨﺎ اﻟﻘﺒﲇ ﻻﺣﺘﻤﺎ‬
‫أ اﻟﻌﻤﻠﺔ ﺳﺘﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة رﺑﻤﺎ ﻳﻜﻮ ﻣﺮ ﱠﻛﺰا ﻟﻠﻐﺎﻳﺔ ﺣﻮ ﻗﻴﻤﺔ ‪٢ / ١‬؛ ﻓﻨﻌﺘﻘﺪ‬
‫أﻧﻪ ﻣﻦ املﺤﺘﻤﻞ ﺟﺪٍّا أ ﺗﻘﱰب ﻣﻦ ‪ .٢ / ١‬ﻣﻊ ذﻟﻚ‪ ،‬إذا ﻗﺬﻓﺖ اﻟﻌﻤﻠﺔ ﻣﺎﺋﺔ ﻣﺮة‪ ،‬ﻇﻬﺮ‬
‫ﰲ ﺛﻼث ﻣﺮات ﻓﺤﺴﺐ ﻣﻦ أﺻﻞ ﻣﺎﺋﺔ ﻣﺮة ﺟﻪ اﻟﺼﻮرة‪ ،‬ﻓﺮﺑﻤﺎ ﻧﺮﻏﺐ ﰲ ﺿﺒﻂ ﻫﺬا‬
‫اﻟﺘﻮزﻳﻊ؛ ﺑﺤﻴﺚ ﺗﻌﺘﱪ اﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻟﻼﺣﺘﻤﺎ أﻛﺜﺮ ﺗﺮﺟﻴﺤﺎ اﻟﻘﻴﻢ اﻷﻗﺮب ﻟﻠﻘﻴﻤﺔ ‪٢ / ١‬‬
‫أﻗﻞ ﺗﺮﺟﻴﺤﺎ‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ — املﺬﻛﻮرة ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ — ﻫﻲ اﻟﺘﻲ ﺗﻤﻜﻨﻨﺎ ﻣﻦ اﻟﺠﻤﻊ‬
‫ﺑني املﻌﺘﻘﺪات اﻟﻘﺒﻠﻴﺔ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة ﻹﻧﺘﺎج املﻌﺘﻘﺪات اﻟﺒﻌﺪﻳﺔ‪ .‬ﻟﻬﺬا اﻟﺴﺒﺐ‪ ،‬ﻳﻄﻠﻖ‬
‫ﻋﲆ ﻫﺬ اﻟﻄﺮﻳﻘﺔ ﻟﻠﺘﻘﺪﻳﺮ ﻃﺮﻳﻘﺔ »اﻟﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰ «‪ .‬ﺗﺬﻛﺮ أ ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ ﺗﺮﺑﻂ اﺛﻨني‬
‫ﻣﻦ اﻻﺣﺘﻤﺎﻻت اﻟﴩﻃﻴﺔ‪ :‬اﺣﺘﻤﺎ ﺣﺪ ث »أ« ﻧﻈﺮا ﻟﻮﻗﻮع »ب«‪ ،‬اﺣﺘﻤﺎ ﺣﺪ ث »ب«‬
‫ﻧﻈﺮا ﻟﻮﻗﻮع »أ«‪ .‬ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﻧﺴﺘﺨﺪ اﻟﻨﻈﺮﻳﺔ ﻟﺮﺑﻂ اﺣﺘﻤﺎ أ املﻌﻠﻤﺔ ﻟﻬﺎ ﻗﻴﻤﺔ‬
‫ﻣﺎ ﻧﻈﺮا ﻟﻠﺒﻴﺎﻧﺎت اﻟﺘﻲ ﻧﻼﺣﻈﻬﺎ‪ ،‬ﻣﻊ اﺣﺘﻤﺎ ﻣﻼﺣﻈﺔ ﻫﺬ اﻟﺒﻴﺎﻧﺎت ﻧﻈﺮا ﻟﻘﻴﻤﺔ ﻣﻌﻴﻨﺔ‬
‫ﻟﻠﻤﻌﻠﻤﺔ‪ .‬اﻵ ‪ ،‬اﻻﺣﺘﻤﺎ اﻟﺜﺎﻧﻲ ﻣﻦ ﻫﺬﻳﻦ اﻻﺣﺘﻤﺎﻟني — اﺣﺘﻤﺎ ﻣﻼﺣﻈﺔ ﻫﺬ اﻟﺒﻴﺎﻧﺎت‬
‫ﻧﻈﺮا ﻟﻘﻴﻤﺔ ﻣﻌﻴﻨﺔ ﻟﻠﻤﻌﻠﻤﺔ — ﻫﻮ ﺑﺒﺴﺎﻃﺔ داﻟﺔ اﻹﻣﻜﺎ ؛ ﻣﻦ ﺛ ﱠﻢ ﺗﺴﺘﺨﺪ ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ‬
‫إﻣﻜﺎﻧﻴﺔ اﻟﺒﻴﺎﻧﺎت ﻟﺘﻌﺪﻳﻞ ﻣﻌﺘﻘﺪاﺗﻨﺎ اﻟﻘﺒﻠﻴﺔ‪ ،‬ﻣﻦ أﺟﻞ إﻧﺘﺎج ﻣﻌﺘﻘﺪاﺗﻨﺎ اﻟﺒﻌﺪﻳﺔ‪.‬‬

‫‪81‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻻﺣﻆ أ ﻫﻨﺎ ﻓﺮﻗﺎ دﻗﻴﻘﺎ — ﻟﻜﻨﻪ ﻣﻬﻢ — ﺑني ﻫﺬ اﻟﻄﺮﻳﻘﺔ اﻟﻄﺮ اﻷﺧﺮ‬
‫املﺬﻛﻮرة ﺳﺎﺑﻘﺎ )اﻟﺘﻲ ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﻟﻄﺮ »اﻟﺘﻜﺮارﻳﺔ« أ »اﻟﻜﻼﺳﻴﻜﻴﺔ«(؛ ﺣﻴﺚ‬
‫إﻧﻨﺎ ﻧﻔﱰض ﻓﻴﻬﺎ أ املﻌﻠﻤﺔ املﺠﻬﻮﻟﺔ ﻟﻬﺎ ﻗﻴﻤﺔ ﺛﺎﺑﺘﺔ ﻟﻜﻨﻬﺎ ﻣﺠﻬﻮﻟﺔ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﺑﺎﻟﻨﺴﺒﺔ‬
‫ﻟﻠﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰ ‪ ،‬اﻓﱰﺿﻨﺎ أ املﻌﻠﻤﺔ املﺠﻬﻮﻟﺔ ﻟﻬﺎ ﺗﻮزﻳﻊ ﻋﱪ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ املﻤﻜﻨﺔ‪،‬‬
‫ﻣﻘﺪ ﰲ اﻟﺒﺪاﻳﺔ ﻣﻦ ﺧﻼ اﻟﺘﻮزﻳﻊ اﻟﻘﺒْﲇ‪ ،‬ﺛﻢ ﺑﻌﺪ ذﻟﻚ — ﻋﻨﺪ ﺗﺤﺪﻳﺜﻪ ﺑﻮاﺳﻄﺔ املﻌﻠﻮﻣﺎت‬
‫ﰲ اﻟﺒﻴﺎﻧﺎت — ﻣﻦ ﺧﻼ اﻟﺘﻮزﻳﻊ اﻟﺒﻌْ ﺪ ‪ .‬ﻳﻘﺮ اﻟﺒﺎﺣﺚ ﺑﺄ املﻌﻠﻤﺔ ﻳﻤﻜﻦ أ ﻳﻜﻮ ﻟﻬﺎ‬
‫ﻗﻴﻢ ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻳﺴﺘﺨﺪ اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ ﻟﻠﺘﻌﺒري ﻋﻦ ﻣﻌﺘﻘﺪ ﺣﻴﺎ ﻛﻞ ﻗﻴﻤﺔ‪.‬‬
‫ﻻ ﻳﺨﻠﻮ ﻣﻔﻬﻮ اﻟﺘﻮزﻳﻊ اﻟﻘﺒﲇ ﻣﻦ اﻟﺠﻮاﻧﺐ املﺜرية ﻟﻠﺠﺪ ‪ .‬ﻓﻌﲆ أﻗﻞ ﺗﻘﺪﻳﺮ‪ ،‬اﻷﺷﺨﺎص‬
‫ﱠ‬
‫املﺘﻮﻗﻊ أ ﻳﻤﺘﻠﻜﻮا ﺗﻮزﻳﻌﺎت‬ ‫املﺨﺘﻠﻔﻮ ذ اﻟﺨﱪة اﻟﺴﺎﺑﻘﺔ املﺨﺘﻠﻔﺔ‪ ،‬رﺑﻤﺎ ﻳﻜﻮ ﻣﻦ‬
‫ﻗﺒﻠﻴﺔ ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻫﺬ اﻟﺘﻮزﻳﻌﺎت ﺳﺘﺠﻤﻊ ﻣﻊ اﻟﺒﻴﺎﻧﺎت ﻹﻧﺘﺎج ﺗﻮزﻳﻌﺎت ﺑﻌﺪﻳﺔ ﻣﺨﺘﻠﻔﺔ‪،‬‬
‫رﺑﻤﺎ اﺳﺘﻨﺘﺎﺟﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬ﻫﻜﺬا ﺗﻢ اﻟﺘﻀﺤﻴﺔ ﺑﺄ ﺗﻈﺎﻫﺮ ﺑﺎملﻮﺿﻮﻋﻴﺔ‪ .‬ﻛﻤﺎ ﺗﻮﺟﺪ أﻳﻀﺎ‬
‫ﺻﻌﻮﺑﺔ ﻋﻤﻠﻴﺔ؛ ﻓﻔﻲ ﺣني أ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ املﻌﻠﻤﺔ ‪ p‬ﰲ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻟﻬﻤﺎ‬
‫ﺗﻔﺴريات اﺿﺤﺔ ﻣﺒﺎﴍة‪ ،‬ﻓﻠﻴﺴﺖ اﻟﺤﺎ داﺋﻤﺎ أ ﺗﻤﺘﻠﻚ ﻣﻌﻠﻤﺎت اﻟﺘﻮزﻳﻌﺎت ﺗﻔﺴريات‬
‫اﺿﺤﺔ‪ .‬ﻳﻤﻜﻦ أ ﻳﻜﻮ أﺣﻴﺎﻧﺎ ﻣﻦ اﻟﺼﻌﺐ ﻟﻠﻐﺎﻳﺔ اﻟﻮﺻﻮ ﻟﺘﻮزﻳﻌﺎت ﻗﺒﻠﻴﺔ ﻣﻌﻘﻮﻟﺔ‬
‫ﺗﻌﻜﺲ ﻣﻌﺮﻓﺘﻨﺎ املﺴﺒﻘﺔ‪.‬‬
‫ﻋﻨﺪ ﻫﺬ اﻟﻨﻘﻄﺔ ﰲ ﴍﺣﻨﺎ ﻟﻄﺮﻳﻘﺔ اﻟﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰ ﺻﻠﻨﺎ إﱃ اﻟﺘﻮزﻳﻊ اﻟﺒﻌﺪ ؛‬
‫ﻫﻮ ﺗﻮزﻳﻊ ﻳﻠﺨﺺ اﻋﺘﻘﺎد اﻟﺒﺎﺣﺚ ﺑﺸﺄ ﻛﻞ ﻗﻴﻤﺔ ﺗﺄﺧﺬﻫﺎ املﻌﻠﻤﺔ ﺑﻌﺪ رؤﻳﺔ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫ﻳﻤﻜﻨﻨﺎ‪ ،‬إذا أردﻧﺎ‪ ،‬ﺗﻘﻠﻴﺺ ﻫﺬا اﻟﺘﻮزﻳﻊ ﺑﺄﻛﻤﻠﻪ ﻟﺘﻘﺪﻳﺮ ﻧﻘﻄﺔ اﺣﺪة ﻋﻦ ﻃﺮﻳﻖ اﺳﺘﺨﺪا‬
‫ﻣﻠﺨﺺ إﺣﺼﺎﺋﻲ ﻟﻠﺘﻮزﻳﻊ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ أ ﻧﺴﺘﺨﺪ املﺘﻮﺳﻂ أ املﻨﻮا‬
‫اﻟﺨﺎص ﺑﻪ‪.‬‬

‫)‪ (2‬أ ﺗﻘﺪﻳﺮ أﻓﻀﻞ؟‬

‫ﻛﻴﻒ ﻳﻤﻜﻨﻨﺎ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ ﻃﺮﻳﻘﺔ ﺗﻘﺪﻳﺮ اﻟﻨﻘﻄﺔ ﻓﻌﺎﻟﺔ أ ﻻ‪ ،‬أ ﻣﻘﺪﱢر ﻫﻮ‬
‫اﻷﻓﻀﻞ؟ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺑﻴﻨﻤﺎ ﻗﺪ أﺧﺘﺎر ﺗﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ ﺑﺎﺳﺘﺨﺪا ﻣﺘﻮﺳﻂ‬
‫ﻋﻴﻨﺔ ﻣﺄﺧﻮذة ﻣﻦ ﻫﺬا اﻟﺘﻮزﻳﻊ‪ ،‬ﺛﻤﺔ ﺑﺪﻳﻞ ﻳﺘﻤﺜﻞ ﰲ إﺳﻘﺎط أﻛﱪ اﻟﻘﻴﻢ أﺻﻐﺮﻫﺎ ﻣﻦ اﻟﻌﻴﻨﺔ‬
‫ﻗﺒﻞ اﺣﺘﺴﺎب املﺘﻮﺳﻂ‪ .‬ﻋﻤﻮﻣﺎ‪ ،‬ﺗﺘﺴﻢ أﻛﱪ اﻟﻘﻴﻢ أﺻﻐﺮﻫﺎ ﺑﺎﻟﻘﺪْر اﻷﻛﱪ ﻣﻦ اﻟﺘﻔﺎ ت‬
‫ﻣﻦ ﻋﻴﻨﺔ ﻷﺧﺮ ؛ ﻟﺬﻟﻚ رﺑﻤﺎ ﻳﻨﺘﺞ اﻟﺘﻐﺎﴈ ﻋﻨﻬﺎ ﺗﻘﺪﻳﺮا أﻛﺜﺮ ﻣﻮﺛﻮﻗﻴﺔ أﻗ ﱠﻞ ﺗﻔﺎ ﺗﺎ‪.‬‬

‫‪82‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻄﺮﻳﻘﺔ اﻟﺘﻜﺮارﻳﺔ ﻟﻠﺘﻘﺪﻳﺮ‪ ،‬اﻟﺘﻲ ﺗﻔﱰض ﺟﻮد ﻗﻴﻤﺔ ﺣﻘﻴﻘﻴﺔ ﺛﺎﺑﺘﺔ —‬
‫ﻟﻜﻨﻬﺎ ﻣﺠﻬﻮﻟﺔ — ﻟﻠﻤﻌﻠﻤﺔ اﻟﺠﺎر ﺗﻘﺪﻳﺮﻫﺎ‪ ،‬ﻧﻮ ﱡد ﰲ اﻟﺤﺎﻟﺔ املﺜﺎﻟﻴﺔ أ ﻧﻌﺮ أ ﱞ ﻣﻦ‬
‫ﻫﺎﺗني اﻟﻄﺮﻳﻘﺘني ﺗﻌﻄﻲ ﺗﻘﺪﻳﺮا أﻗﺮب إﱃ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ .‬ﻟﻸﺳﻒ‪ ،‬ﺑﻤﺎ أ اﻟﻘﻴﻤﺔ‬
‫اﻟﺤﻘﻴﻘﻴﺔ ﻣﺠﻬﻮﻟﺔ )ﺑﻴﺖ اﻟﻘﺼﻴﺪ ﻫﻨﺎ ﻫﻮ ﺗﻘﺪﻳﺮﻫﺎ!( ﻓﻼ ﻳﻤﻜﻦ أﺑﺪا أ ﻧﻌﺮ اﻹﺟﺎﺑﺔ‪ .‬ﻣﻦ‬
‫ﻧﺎﺣﻴﺔ أﺧﺮ ‪ ،‬ﻣﺎ »ﻳﻤﻜﻨﻨﺎ« أ ﻧﺄﻣﻞ ﰲ أ ﻧﻌﺮﻓﻪ ﻫﻮ ﻋﺪد املﺮات اﻟﺘﻲ ﻗﺪ ﱠ‬
‫ﻧﺘﻮﻗﻊ ﻓﻴﻬﺎ أ‬
‫ﺗﻜﻮ اﻟﻘﻴﻤﺔ املﻘﺪﱠرة ﻗﺮﻳﺒﺔ ﻣﻦ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ إذا ﺣﺪث أ ﻛﺮرﻧﺎ ﻋﻤﻠﻴﺔ أ ْﺧﺬ ﻋﻴﻨﺔ ﻣﻦ‬
‫اﻟﻘﻴﺎﺳﺎت اﺣﺘﺴﺎب اﻟﺘﻘﺪﻳﺮ‪ .‬ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬ﺑﻤﺎ أ اﻟﻘﻴﻤﺔ املﻘﺪرة ﺗﺴﺘﻨﺪ ﻋﲆ ﻋﻴﻨﺔ‪ ،‬ﻓﻤﻦ‬
‫املﺮﺟﱠ ﺢ أ اﻟﻘﻴﻤﺔ املﻘﺪرة ﺳﺘﻜﻮ ﻣﺨﺘﻠﻔﺔ إذا أﺧﺬت ﻋﻴﻨﺔ ﻣﺨﺘﻠﻔﺔ؛ ﻫﺬا ﻳﻌﻨﻲ أ اﻟﺘﻘﺪﻳﺮ‬
‫ﰲ ﺣ ﱢﺪ ذاﺗﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ‪ ،‬ﻳﺨﺘﻠﻒ ﻣﻦ ﻋﻴﻨﺔ ﻟﻌﻴﻨﺔ أﺧﺮ ‪ .‬ﺑﻤﺎ أﻧﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ‪،‬‬
‫ﻓﺈ ﻟﻪ ﺗﻮزﻳﻌﺎ‪ .‬إذا ﻋﻠﻤﻨﺎ أ ﻫﺬا اﻟﺘﻮزﻳﻊ ﻣﺘﺠﻤﻊ ﺑﺈﺣﻜﺎ ﺣﻮ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ ،‬ﻓﺮﺑﻤﺎ‬
‫ﻧﻌﺘﱪ ﻃﺮﻳﻘﺔ اﻟﺘﻘﺪﻳﺮ ﻃﺮﻳﻘﺔ ﺟﻴﺪة‪ .‬ﺑﻌﺒﺎرة أﺧﺮ ‪ ،‬إذا ﻛﻨﱠﺎ ﻧﻌﺮ أ ﻃﺮﻳﻘﺔ ﻣﺎ »ﻋﺎدة«‬
‫ﻣﺎ ﺗﺴﻔﺮ ﻋﻦ ﺗﻘﺪﻳﺮ ﻳﻜﻮ ﻗﺮﻳﺒﺎ ﻟﻠﻐﺎﻳﺔ ﻣﻦ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻟﻠﻤﻌﻠﻤﺔ‪ ،‬ﻓﺮﺑﻤﺎ ﻧﻌﺘﱪﻫﺎ‬
‫ﻃﺮﻳﻘﺔ ﺟﻴﺪة ﻟﻠﺘﻘﺪﻳﺮ‪ .‬ﻣﻊ أ ﻫﺬا ﻻ ﻳﺨﱪﻧﺎ ﺷﻴﺌﺎ ﻋﻦ ﺣﺎﻟﺘﻨﺎ املﺤﺪدة‪ ،‬ﻓﺈﻧﻪ ﺳﻴﻜﻮ ﻟﺪﻳﻨﺎ‬
‫ﺛﻘﺔ ﰲ اﻟﻄﺮﻳﻘﺔ ﻋﲆ ﻧﺤﻮ ﻣﱪر‪ .‬ﻓﻌﲆ أ ﺣﺎ ‪ ،‬إذا ﻛﻨﺖ ﻋﲆ ﻋﻠﻢ ﺑﺄ ﺷﺨﺼﺎ ﻣﺎ ﻳﺘﻨﺒﱠﺄ‬
‫ﺗﻨﺒﺆا ﺻﺤﻴﺤﺎ ﰲ ‪ ٩٩٩‬ﻣﻦ ﻛﻞ ‪ ١٠٠٠‬ﻣﺮة‪ ،‬ﻓﺈﻧﻚ ﺑﺎﻟﺘﺄﻛﻴﺪ ﺳﺘﻤﻴﻞ إﱃ اﻟﻮﺛﻮ ﺑﻪ ﰲ أ‬
‫ﺣﺎﻟﺔ ﻣﻌﻴﻨﺔ‪ .‬أﻧﺖ ﺗﻔﻌﻞ ذﻟﻚ ﻣﻊ ﺳﺎﺋﻘﻲ اﻟﻘﻄﺎرات اﻟﻄﻴﺎرﻳﻦ املﻄﺎﻋﻢ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ؛‬
‫ﻓﺄﻧﺖ ﺗﻌﺮ أ اﻟﺴﺎﺋﻖ اﻟﻄﻴﺎر ﻧﺎدرا ﻣﺎ ﻳﻘﻊ ﰲ ﺣﺎدث‪ ،‬املﻄﻌﻢ ﻧﺎدرا ﻣﺎ ﻳﻘﺪ ﻃﻌﺎﻣﺎ‬
‫ﻣﺴﻤﱠ ﻤﺎ‪ ،‬ﻟﺬﻟﻚ ﺗﻜﻮ ﺳﻌﻴﺪا ﺑﺎملﺨﺎﻃﺮة ﺑﺄﻧﻪ »ﰲ ﻫﺬ املﺮة« ﺳﺘﻜﻮ اﻷﻣﻮر ﻋﲆ ﻣﺎ ﻳﺮا ‪.‬‬
‫ﺑﺎﺳﺘﺨﺪا ﻫﺬا املﺒﺪأ‪ ،‬ﻃﻮﱢرت ﻋﺪة ﻣﻘﺎﻳﻴﺲ ﻣﺨﺘﻠﻔﺔ ﻟﺘﻘﻴﻴﻢ ﻃﺮ اﻟﺘﻘﺪﻳﺮ اﻟﺘﻜﺮارﻳﺔ‬
‫اﻟﺒﺪﻳﻠﺔ‪ .‬ﻳﺘﻤﺜﻞ أﺣﺪ ﻫﺬ املﻘﺎﻳﻴﺲ ﰲ »اﻟﺘﺤﻴﺰ«‪ ،‬ﻫﺬا ﻳﺨﱪﻧﺎ ﺑﻤﺪ ﺣﺠﻢ اﻟﻔﺎر ﺑني‬
‫اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻟﻠﻤﻌﻠﻤﺔ اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻟﺘﻮزﻳﻊ اﻟﻘﻴﻢ املﻘﺪرة‪ .‬ﻋﲆ ﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬إذا‬
‫ﻛﺎ ﻫﺬا اﻟﻔﺎر ﻳﺴﺎ ﺻﻔﺮا )أ إذا ﻛﺎ ﻣﺘﻮﺳﻂ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﻘﺪرة ﻳﺴﺎ اﻟﻘﻴﻤﺔ‬
‫اﻟﺤﻘﻴﻘﻴﺔ(‪ ،‬ﻳﻘﺎ إ املﻘﺪﱢر »ﻏري ﻣﺘﺤﻴﺰ«‪.‬‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻧﺴﺒﺔ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة ﻧﺘﻴﺠﺔ ﻗﺬ اﻟﻌﻤﻠﺔ ﻋﺪة ﻣﺮات ﺗﻜﻮ‬
‫ﻣﻘﺪﱢرا ﻏري ﻣﺘﺤﻴﺰ ﻻﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ ﺳﺘﺴﺘﻘﺮ ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ؛ إذ إ اﻟﻘﻴﻤﺔ‬
‫املﺘﻮﺳﻄﺔ ﻟﺘﻮزﻳﻊ ﻫﺬ اﻟﻨﺴﺒﺔ ﰲ اﻟﺘﺠﺎرب املﺘﻜﺮرة ﺗﺴﺎ اﻻﺣﺘﻤﺎ اﻟﺼﺤﻴﺢ ﻟﻈﻬﻮر‬
‫ﺟﻪ اﻟﺼﻮرة‪ .‬ﻟﻠﺘﻮﺿﻴﺢ‪ ،‬اﻓﱰض أ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ ﻻﺳﺘﻘﺮار اﻟﻌﻤﻠﺔ ﺟﻪ اﻟﺼﻮرة‬
‫ﻷﻋﲆ ﻫﻮ ‪٠٫٥٥‬؛ ﻫﻮ أﻣﺮ ﻣﺠﻬﻮ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻨﺎ‪ ،‬أﻧﻨﺎ ﻗﺬﻓﻨﺎ اﻟﻌﻤﻠﺔ ﻋﴩ ﻣﺮات‪ ،‬ﻗﺪرﻧﺎ‬

‫‪83‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻫﺬا اﻻﺣﺘﻤﺎ ﻋﻦ ﻃﺮﻳﻖ ﻧﺴﺒﺔ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة‪ .‬رﺑﻤﺎ ﺗﺴﻔﺮ اﻟﻘﺬﻓﺎت اﻟﻌﴩ ﻋﻦ ﺳﺖ‬
‫ﻣﺮات ﻟﻈﻬﻮر ﺟﻪ اﻟﺼﻮرة؛ ﻫﻲ ﻧﺴﺒﺔ ﺗﺒﻠﻎ ‪ ،٠٫٦‬أ ﺛﻼث ﻣﺮات؛ ﻫﻲ ﻧﺴﺒﺔ ﺗﺒﻠﻎ ‪،٠٫٣‬‬
‫أ ﺧﻤﺲ ﻣﺮات؛ ﻫﻲ ﻧﺴﺒﺔ ﺗﺒﻠﻎ ‪ ،٠٫٥‬ﻫﻜﺬا‪ .‬ﰲ املﺘﻮﺳﻂ )ﻣﺘﻮﺳﻂ ﻳﺤﺴﺐ ﻣﻦ ﺧﻼ‬
‫ﺗﻜﺮارات ﺧﻴﺎﻟﻴﺔ ﻟﻠﻘﺬﻓﺎت اﻟﻌﴩ( ﺳﺘﻜﻮ اﻟﻨﺴﺒﺔ ‪ ٠٫٥٥‬ﻷ ﻧﺴﺒﺔ ﻇﻬﻮر ﺟﻪ اﻟﺼﻮرة‬
‫ﻫﻲ ﻣﻘﺪﱢر ﻏري ﻣﺘﺤﻴﺰ ﻻﺣﺘﻤﺎ أ اﻟﻌﻤﻠﺔ ﺳﻮ ﺗﺴﺘﻘﺮ ﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ‪.‬‬
‫ﻋﻤﻮﻣﺎ‪ ،‬املﻘﺪر ذ اﻟﺘﺤﻴﺰ اﻟﻜﺒري ﻟﻦ ﻳﻨﻈﺮ إﻟﻴﻪ ﻋﲆ ﻧﺤﻮ ﻣﻔﻀﻞ ﻣﺜﻞ املﻘﺪر ﻏري‬
‫املﺘﺤﻴﺰ‪ .‬ﰲ املﺘﻮﺳﻂ‪ ،‬ﻣﻦ ﺧﻼ ﺗﻜﺮار اﻟﺘﺠﺮﺑﺔ‪ ،‬ﻓﺈ املﻘﺪر ذا اﻟﺘﺤﻴﺰ اﻟﻜﺒري ﺳﻮ ﻳﺴﻔﺮ‬
‫ﻋﻦ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ﻛﺜريا ﻋﻦ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪.‬‬
‫ﺛﻤﺔ ﻣﻘﻴﺎس آﺧﺮ ﻟﺘﺤﺪﻳﺪ ﺟﻮدة املﻘﺪر ﻫﻮ »ﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ اﻟﺨﻄﺄ«؛ ﻓﺒﺎﻟﻨﺴﺒﺔ ﻷ‬
‫ﻗﻴﻤﺔ ﻣﻘﺪﱠرة ﻣﻌﻴﻨﺔ ﻳﻤﻜﻨﻨﺎ — إذا ﻋﺮﻓﻨﺎ ﻗﻴﻤﺔ املﻌﻠﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ — ﺣﺴﺎب ﻣﺮﺑﻊ اﻟﻔﺎر‬
‫)أ »ﻣﺮﺑﻊ اﻟﺨﻄﺄ«( ﺑني اﻟﺘﻘﺪﻳﺮ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ .‬اﻟﱰﺑﻴﻊ ﻣﻔﻴﺪ ﻟﺴﺒﺐ اﺣﺪ؛ ﻫﻮ أﻧﻪ‬
‫ﻳﺠﻌﻞ ﻛﻞ اﻷرﻗﺎ ﻣﻮﺟﺒﺔ‪ .‬ﺑﻤﺎ أ اﻟﺘﻘﺪﻳﺮ ﻧﻔﺴﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ ﻳﺨﺘﻠﻒ ﻣﻦ ﻋﻴﻨﺔ ﻟﻌﻴﻨﺔ‬
‫أﺧﺮ ‪ ،‬ﻓﺈ ﻣﺮﺑﻊ اﻟﺨﻄﺄ ﻫﻮ أﻳﻀﺎ ﻛﺬﻟﻚ‪ .‬ﺑﻤﺎ أﻧﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ‪ ،‬ﻓﺈ ﻟﺪﻳﻪ ﺗﻮزﻳﻌﺎ‪،‬‬
‫»ﻣﺘﻮﺳﻂ« ﻣﺮﺑﻊ اﻟﺨﻄﺄ ﺑﺒﺴﺎﻃﺔ ﻫﻮ ﻣﺘﻮﺳﻂ ﻫﺬا اﻟﺘﻮزﻳﻊ‪ .‬ﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ اﻟﺨﻄﺄ اﻟﺼﻐري‬
‫ﻳﻌﻨﻲ أ ﱠ — ﰲ املﺘﻮﺳﻂ — ﻣﺮﺑﻊ اﻟﻔﺎر ﺑني اﻟﻘﻴﻤﺔ املﻘﺪﱠرة اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﺻﻐري‪ .‬ﻻ‬
‫ﱠ‬
‫ﻣﻔﻀﻠﺔ ﻣﺜﻞ ذﻟﻚ‬ ‫ﻳﻨﻈﺮ إﱃ املﻘﺪﱢر اﻟﺬ ﻳﻌﺮ أ ﻟﺪﻳﻪ ﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ ﺧﻄﺄ ﻛﺒريا ﺑﻨﻈﺮة‬
‫اﻟﺬ ﻟﺪﻳﻪ ﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ ﺧﻄﺄ ﺻﻐري؛ إذ ﻟﻦ ﻳﺜﻖ املﺮء ﻛﺜريا ﰲ أ ﻗﻴﻤﺘﻪ ﻗﺮﻳﺒﺔ ﻣﻦ اﻟﻘﻴﻤﺔ‬
‫اﻟﺤﻘﻴﻘﻴﺔ‪.‬‬

‫)‪ (3‬ﺗﻘﺪﻳﺮ اﻟﻔﱰة‬

‫ﻋﻨﺪﻣﺎ ﺗﻨﺎ ﻟﻨﺎ ﺑﻌﺾ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ اﻷﺳﺎﺳﻴﺔ ﺑﺎﻟﺪراﺳﺔ ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‪ ،‬رأﻳﻨﺎ‬
‫أﻧﻬﺎ ﺗﻠﺨﺺ ﻋﲆ ﻧﺤﻮ ﺟﻴﺪ ﺟﺪٍّا ﻋﻴﻨﺔ ﻣﻦ اﻟﻘﻴﻢ ﻋﻦ ﻃﺮﻳﻖ ﻣﺘﻮﺳﻄﻬﺎ أ ﻣﻠﺨﺺ إﺣﺼﺎﺋﻲ‬
‫ﺣﻴﺪ آﺧﺮ‪ ،‬ﻟﻜﻦ ﻫﺬا ﺗﺮ اﻟﻜﺜري ﻣﻤﺎ ﻫﻮ ﻣﺮﻏﻮب ﻓﻴﻪ‪ .‬ﺗﺤﺪﻳﺪا‪ ،‬ﻓﺸﻠﺖ ﻫﺬ املﻠﺨﺼﺎت‬
‫ﰲ إﻳﻀﺎح ﻣﺪ اﻧﺘﺸﺎر ﻗﻴﻢ اﻟﻌﻴﻨﺔ ﺣﻮ ﻫﺬا املﺘﻮﺳﻂ‪ .‬ﻋﺎﻟﺠﻨﺎ ﻫﺬ املﺸﻜﻠﺔ ﻣﻦ ﺧﻼ‬
‫ﺗﻘﺪﻳﻢ املﺰﻳﺪ ﻣﻦ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ ﻣﺜﻞ املﺪ اﻻﻧﺤﺮا املﻌﻴﺎر ‪ ،‬اﻟﺘﻲ أﺷﺎرت إﱃ‬
‫ﻣﺪ ﺗﺸﺘﺖ ﻗﻴﻢ اﻟﻌﻴﻨﺔ‪.‬‬
‫ﻳﻨﻄﺒﻖ املﺒﺪأ ﻧﻔﺴﻪ ﻋﲆ اﻟﺘﻘﺪﻳﺮ‪ .‬ﺣﺘﻰ اﻵ ﺗﻨﺎ ﻟﻨﺎ ﺗﻘﺪﻳﺮات اﻟﻨﻘﻄﺔ‪ ،‬ﻫﻲ ﺗﻘﺪﻳﺮات‬
‫ﺗﺘﻤﺜﻞ ﰲ ﻗﻴﻤﺔ » اﺣﺪة« ﺗﻤﺜﻞ أﻓﻀﻞ ﺗﻘﺪﻳﺮ ﺑﻤﻌﻨﻰ ﻣﺎ‪ .‬ﺑﺪﻳﻞ ذﻟﻚ ﻫﻮ ﺗﻘﺪﻳﻢ ﻣﺠﻤﻮﻋﺔ‬

‫‪84‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫ﻣﻦ اﻟﻘﻴﻢ — أ »ﻓﱰة« — ﻧﺜﻖ ﰲ أﻧﻬﺎ ﺗﺤﺘﻮ ﻋﲆ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ .‬دﻋﻨﺎ ﻧﻌ ْﺪ إﱃ ﺻﻔﻘﺔ‬
‫اﻟﻌﴩة‪/‬اﻟﺨﻤﺴﺔ ﺟﻨﻴﻬﺎت اﻟﺘﻲ ﻋﺮﺿﻬﺎ ﺻﺪﻳﻘﻲ‪ .‬ﺳﻌﻴْﻨﺎ ﺳﺎﺑﻘﺎ ﻟﻠﻮﺻﻮ إﱃ أﻓﻀﻞ ﺗﻘﺪﻳﺮ‬
‫ﺣﻴﺪ ﻻﺣﺘﻤﺎ أ ﻗﺬﻓﺔ اﻟﻌﻤﻠﺔ ﺳﺘﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة‪ .‬ﺑﺪﻻ ﻣﻦ ذﻟﻚ‪ ،‬ﻳﻤﻜﻦ أ ﻧﺴﻌﻰ‬
‫ﻟﻠﻮﺻﻮ إﱃ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﺘﻲ ﻧﺜﻖ ﰲ أﻧﻬﺎ ﺗﺸﻤﻞ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ‪ .‬رﺑﻤﺎ ﻳﻤﻜﻨﻨﺎ‬
‫أ ﻧﻜﻮ اﺛﻘني ﻟﻠﻐﺎﻳﺔ ﰲ أ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ ﻳﻜﻤﻦ ﺑني ‪ ،٥ / ٢ ٤ / ١‬ﻣﺜﻼ‪ .‬ﻫﺬا‬
‫ﻣﺜﺎ ﻋﲆ »ﺗﻘﺪﻳﺮ اﻟﻔﱰة«‪.‬‬
‫ﺑﻤﺎ أ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻣﺠﻬﻮﻟﺔ‪ ،‬ﻓﻼ ﻧﺴﺘﻄﻴﻊ أ ﻧﻘﻮ ﻋﲆ ﺟﻪ اﻟﻴﻘني إذا ﻛﺎﻧﺖ‬
‫أ ﻓﱰة ﻣﻌﻴﻨﺔ ﺳﻮ ﺗﺸﺘﻤﻞ ﰲ اﻟﻮاﻗﻊ ﻋﲆ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ أ ﻻ‪ .‬ﻟﻜﻦ ﺗﺨﻴﱠ ْﻞ ﺗﻜﺮار‬
‫اﻟﺘﻤﺮﻳﻦ ﻣﺮارا ﺗﻜﺮارا ﺑﺎﺳﺘﺨﺪا ﻋﻴﻨﺎت ﻋﺸﻮاﺋﻴﺔ ﻣﺨﺘﻠﻔﺔ )ﺗﻤﺎﻣﺎ ﻛﻤﺎ ﺗﺨﻴﻠﻨﺎ ﻋﻨﺪﻣﺎ ﺣﺪدﻧﺎ‬
‫اﻟﺘﺤﻴﺰ ﺳﺎﺑﻘﺎ(‪ .‬ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب ﺗﻘﺪﻳﺮ اﻟﻔﱰة ﻟﻜﻞ ﻋﻴﻨﺔ ﻣﻦ ﻫﺬ اﻟﻌﻴﻨﺎت‪ ،‬إذا أﻧﺸﺌﺖ‬
‫اﻟﻔﱰات ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ‪ ،‬ﻓﻤﻦ املﻤﻜﻦ أ ﻧﻘﻮ إ ﻧﺴﺒﺔ ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﻔﱰات )ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎ ‪ ٪٩٥‬أ ‪ ٪٩٩‬أ ﻣﺎ ﻧﺨﺘﺎر( ﺗﺸﻤﻞ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ املﺠﻬﻮﻟﺔ‪.‬‬
‫ﺑﺎﻟﻌﻮدة إﱃ ﻋﻤﻠﺔ ﺻﺪﻳﻘﻲ‪ ،‬ﻻ ﻧﺴﺘﻄﻴﻊ أ ﻧﻘﻮ ﻋﲆ ﺟﻪ اﻟﻴﻘني إ أ ﻓﱰة ﻣﻌﻴﻨﺔ‪،‬‬
‫ﻣﺤﺴﻮﺑﺔ ﻷ ﻋﻴﻨﺔ ﺑﻴﺎﻧﺎت ﻣﻌﻴﻨﺔ‪ ،‬ﺳﺘﺤﺘﻮ ﻋﲆ اﻻﺣﺘﻤﺎ اﻟﺼﺤﻴﺢ ﺑﺄ اﻟﻌﻤﻠﺔ ﺳﻮ‬
‫ﺗﻈﻬﺮ ﺟﻪ اﻟﺼﻮرة‪ .‬ﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ اﻟﻘﻮ إ ‪) ٪٩٥‬أ ﻣﺎ ﻧﺨﺘﺎر( ﻣﻦ اﻟﻔﱰات ﺳﺘﺤﺘﻮ‬
‫ﻋﲆ اﻻﺣﺘﻤﺎ اﻟﺤﻘﻴﻘﻲ‪ .‬ﺑﻤﺎ أ ‪ ٪٩٥‬ﻣﻦ اﻟﻔﱰات ﺳﻮ ﺗﺤﺘﻮ ﻋﲆ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪،‬‬
‫ﻓﺈﻧﻨﺎ ﻳﻤﻜﻦ أ ﻧﺜﻖ ﻋﲆ ﻧﺤﻮ ﻛﺒري أ اﻟﻔﱰة اﻟﻮاﺣﺪة اﻟﺘﻲ ﺣﺴﺒﻨﺎﻫﺎ‪ ،‬اﺳﺘﻨﺎدا إﱃ اﻟﻌﻴﻨﺔ‬
‫اﻟﺘﻲ ﺣﺼﻠﻨﺎ ﻋﻠﻴﻬﺎ ﻓﻌﻼ )ص – – ص – – – ﰲ املﺜﺎ ( ﺳﺘﺸﻤﻞ اﻟﻘﻴﻤﺔ‬
‫اﻟﺤﻘﻴﻘﻴﺔ؛ ﻟﻬﺬا اﻟﺴﺒﺐ‪ ،‬ﺗﺴﻤﻰ ﻫﺬ اﻟﻔﱰات »ﻓﱰات اﻟﺜﻘﺔ«‪.‬‬
‫ﺑﺎﻟﺘﺤﻮ إﱃ ﻃﺮ اﻟﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰ ‪ ،‬رأﻳﻨﺎ أ ﻧﺘﻴﺠﺔ اﻟﺘﺤﻠﻴﻞ اﻟﺒﺎﻳﺰ ﻫﻲ ﺗﻮزﻳﻊ‬
‫ﺑﻌﺪ ﱞ ﻛﺎﻣﻞ ﻟﻠﻘﻴﻢ‪ ،‬ﻫﺬا اﻟﺘﻮزﻳﻊ ﻳﺨﱪﻧﺎ ﺑﻘﻮة اﻋﺘﻘﺎدﻧﺎ ﰲ أ املﻌﻠﻤﺔ ﻟﺪﻳﻬﺎ أ ﻗﻴﻤﺔ ﻣﻌﻴﻨﺔ‪.‬‬
‫ﻳﻤﻜﻦ أ ﻧﱰ اﻷﻣﻮر ﻋﻨﺪ ﻫﺬا اﻟﺤﺪ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا ﻛﺎ ﻟﻠﺘﻮزﻳﻊ اﻧﺤﺮا ﻣﻌﻴﺎر‬
‫ﺻﻐري ﻓﺈ ﻫﺬا ﻳﻌﻨﻲ أﻧﻨﺎ ﻛﻨﱠﺎ ﻋﲆ ﺛﻘﺔ ﻛﺒرية ﺑﺄ ﻗﻴﻤﺔ املﻌﻠﻤﺔ ﺗﻜﻤﻦ ﰲ ﻧﻄﺎ ﺿﻴﻖ‪.‬‬
‫ﻟﻜﻦ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ‪ ،‬ﻣﻦ املﺮﻳﺢ ﺗﻠﺨﻴﺺ اﻷﻣﻮر ﺑﻄﺮﻳﻘﺔ ﻣﻤﺎﺛﻠﺔ ﻟﻔﱰات اﻟﺜﻘﺔ أﻋﻼ ‪،‬‬
‫ﺗﻘﺪﻳﻢ ﻓﱰة ﻣﺤﺪدة ﺑﺄﻛﱪ أﺻﻐﺮ ﻗﻴﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ إﻳﺠﺎد ﻓﱰة ﺗﺤﺘﻮ ﻋﲆ‬
‫‪ ٪٩٥‬ﻣﻦ املﺴﺎﺣﺔ املﻮﺟﻮدة ﺗﺤﺖ اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ اﻟﺒﻌﺪ داﺧﻠﻬﺎ‪ .‬ﺑﻤﺎ أ اﻟﺘﻮزﻳﻌﺎت‬
‫ﺗﻤﺘﻠﻚ درﺟﺔ ﻣﻦ ﺗﻔﺴري املﻌﺘﻘﺪ‪ ،‬ﻓﺈ ﻫﺬ اﻟﻔﱰات ﻳﻤﻜﻦ ﺗﻔﺴريﻫﺎ ﻋﲆ أﻧﻬﺎ ﺗﻌﻄﻲ اﺣﺘﻤﺎ‬
‫أ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﺗﻜﻤﻦ ﰲ داﺧﻠﻬﺎ‪ .‬ﻟﺘﻤﻴﻴﺰﻫﺎ ﻋﻦ ﻓﱰات اﻟﺜﻘﺔ اﻟﺘﻜﺮارﻳﺔ‪ ،‬ﺗﺴﻤﱠ ﻰ ﻫﺬ‬
‫اﻟﻔﱰات »ﻓﱰات املﺼﺪاﻗﻴﺔ«‪.‬‬

‫‪85‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫)‪ (4‬اﻻﺧﺘﺒﺎر‬

‫ﻳﺴﺘﺨﺪ اﻹﺣﺼﺎﺋﻴﻮ ﻋﺒﺎرﺗﻲ‪» :‬اﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺔ« »اﺧﺘﺒﺎر اﻟﺪﻻﻟﺔ« ﻟﻮﺻﻒ ﻋﻤﻠﻴﺘﻲ‬

‫اﺳﺘﻜﺸﺎ ﻣﺎ إذا ﻛﺎﻧﺖ املﻌﻠﻤﺎت ﰲ اﻟﻨﻤﻮذج ﺗﺄﺧﺬ ﻗﻴﻤﺎ ﻣﺤﺪدة أ ﺗﻘﻊ ﰲ ﻧﻄﺎﻗﺎت ﻣﻌﻴﻨﺔ‪.‬‬
‫رﺑﻤﺎ ﻳﻌﻨﻲ ذﻟﻚ ﰲ أﺑﺴﻂ ﻣﺴﺘﻮﻳﺎﺗﻪ اﺧﺘﺒﺎر ﻣﻌﻠﻤﺔ اﺣﺪة ﻓﺤﺴﺐ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫ﻳﻤﻜﻦ أ ﻧﻌﺮ أ ‪ ٪٥٠‬ﻣﻦ املﺮﴇ اﻟﺬﻳﻦ ﻳﻌﺎﻧﻮ ﻣﻦ ﻣﺮض ﻣﻌني ﻳﺘﻌﺎﻓ ْﻮ ﺑﺘﻨﺎ‬
‫اﻟﻌﻼج املﻌﻴﺎر ‪ ،‬ﻗﺪ ﻧﺨﻤﻦ أ ﺗﻨﺎ ﻋﻼج ﺟﺪﻳﺪ ﻣﻘﱰح ﻳﺸﻔﻲ ‪ ٪٨٠‬ﻣﻦ ﻫﺆﻻء املﺮﴇ‪.‬‬
‫املﻌﻠﻤﺔ اﻟﻮﺣﻴﺪة اﻟﺘﻲ ﻧﻬﺘﻢ ﺑﺎﺧﺘﺒﺎرﻫﺎ ﻫﻲ ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻌﻼج اﻟﺠﺪﻳﺪ‪ ،‬ﺳﻨﻮ ﱡد‬
‫أ ﻧﻌﺮ ﻣﺎ إذا ﻛﺎﻧﺖ ‪ ٪٨٠‬ﺑﺪﻻ ﻣﻦ ‪.٪٥٠‬‬
‫ﻣﻦ اﻟﺤﻘﻴﻘﻲ أ اﻟﻨﺎس ﻣﺨﺘﻠﻔﻮ ؛ ﻓﻬﻢ ﻳﺨﺘﻠﻔﻮ ﻣﻦ ﺣﻴﺚ اﻟﻌﻤﺮ اﻟﺠﻨﺲ اﻟﻠﻴﺎﻗﺔ‬
‫اﻟﺒﺪﻧﻴﺔ ﺷﺪة املﺮض اﻟﻮز ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺷﻴﺎء اﻷﺧﺮ ؛ ﻫﺬا ﻳﻌﻨﻲ أﻧﻪ ﺣﺘﻰ ﻋﻨﺪﻣﺎ‬
‫ﻳﺘﻨﺎ أﺷﺨﺎص ﻣﺘﻤﺎﺛﻠﻮ اﻟﺠﺮﻋﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﺪ اء ﻧﻔﺴﻪ‪ ،‬ﻓﺈ اﻻﺳﺘﺠﺎﺑﺔ ﺗﺨﺘﻠﻒ؛‬
‫ﻓﺮﺑﻤﺎ ﻳﺸﻔﻰ اﻟﺒﻌﺾ ﻻ ﻳﺸﻔﻰ اﻟﺒﻌﺾ اﻵﺧﺮ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻣﻦ املﻤﻜﻦ ﻟﻠﻐﺎﻳﺔ أ ﺗﺨﺘﻠﻒ‬
‫اﺳﺘﺠﺎﺑﺔ املﺮﻳﺾ ﻧﻔﺴﻪ ﰲ اﻷ ﻗﺎت املﺨﺘﻠﻔﺔ ﺗﺤﺖ اﻟﻈﺮ املﺨﺘﻠﻔﺔ‪ .‬اﻟﻨﻤﻮذج املﻌﻘﻮ‬
‫ﻟﻬﺬ اﻟﺤﺎﻟﺔ رﺑﻤﺎ ﻳﺘﻤﺜﻞ ﰲ أ أ ﻣﺮﻳﺾ ﻳﺘﻨﺎ د اء ﻟﺪﻳﻪ اﺣﺘﻤﺎ ‪ p = 0.5‬ﻟﻠﺸﻔﺎء‪.‬‬
‫ﰲ ﻣﺜﺎﻟﻨﺎ‪ ،‬ﻧﻌﻠﻢ أ ‪ p = 0.8‬ﰲ ﻇﻞ اﻟﻌﻼج املﻌﻴﺎر ‪ ،‬ﻧﻈﻦ أ ‪ p = 0.8‬ﰲ ﻇﻞ اﻟﻌﻼج‬
‫اﻟﺠﺪﻳﺪ‪.‬‬
‫ﰲ ﻫﺬ املﺮﺣﻠﺔ‪ ،‬ملﻌﺮﻓﺔ اﻟﻨﺴﺒﺔ اﻟﺘﻲ ﺗﺸﻔﻰ ﻋﻦ ﻃﺮﻳﻖ اﻟﺪ اء اﻟﺠﺪﻳﺪ‪ ،‬ﻓﺈ ﻣﺎ ﻧﻮ ﱡد‬
‫اﻟﻘﻴﺎ ﺑﻪ ﻫﻮ إﻋﻄﺎء اﻟﺪ اء اﻟﺠﺪﻳﺪ ملﺠﻤﻮﻋﺔ املﺮﴇ ﺑﺄﻛﻤﻠﻬﺎ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬ﺗﺤﺖ ﻛﻞ‬
‫اﻟﻈﺮ املﻤﻜﻨﺔ‪ ،‬ﻧﺮ اﻟﻨﺴﺒﺔ اﻟﺘﻲ ﺗﺸﻔﻰ‪ .‬ﻫﺬا ﻣﺴﺘﺤﻴﻞ ﻋﲆ ﻧﺤﻮ اﺿﺢ‪ ،‬ﻣﺎ ﻳﺘﻌني‬
‫ﻋﻠﻴﻨﺎ اﻟﻘﻴﺎ ﺑﻪ ﻫﻮ إﻋﻄﺎء اﻟﺪ اء ﻟﻌﻴﻨﺔ ﻣﻦ املﺮﴇ ﺣﺴﺐ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺑﻌﺪ ذﻟﻚ ﺣﺴﺎب‬
‫ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﰲ اﻟﻌﻴﻨﺔ‪ .‬ﻟﻸﺳﻒ‪ ،‬ﺑﻤﺎ أﻧﻨﺎ ﻧﺘﻌﺎﻣﻞ ﻣﻊ ﻋﻴﻨﺔ ﻓﺤﺴﺐ‪ ،‬ﻟﻴﺲ ﺟﻤﻴﻊ املﺮﴇ‪،‬‬
‫ﻓﺈ ﻣﺠﺮد ﺣﻘﻴﻘﺔ ﺷﻔﺎء ‪ — ٪٨٠‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ — ﻣﻦ اﻟﻌﻴﻨﺔ أ ‪ ٪٦٠‬أ ‪ ٪٩٠‬أ‬
‫أ ﻧﺴﺒﺔ‪ ،‬ﻻ ﺗﻌﻨﻲ ﺑﺎﻟﴬ رة أ ﻫﺬ اﻟﻨﺴﺒﺔ ﺳﺘﺸﻔﻰ ﰲ ﻣﺠﻤﻮﻋﺔ املﺮﴇ ﺑﺄﻛﻤﻠﻬﺎ‪ .‬ﻓﺈذا‬
‫أﺧﺬﻧﺎ ﻋﻴﻨﺔ ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺴﻨﺤﺼﻞ ﻋﲆ اﻷرﺟﺢ ﻋﲆ ﻧﺘﻴﺠﺔ ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻣﻊ ذﻟﻚ ﻓﺈ اﻟﻌﻴﻨﺔ املﺄﺧﻮذة ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻳﺸﻔﻰ ﻓﻴﻬﺎ ﻋﻤﻮﻣﺎ ‪ ٪٥٠‬ﻓﻘﻂ ﻣﻦ املﺮﴇ‬
‫ﻋﺎدة ﻣﺎ ﺗﻜﻮ ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﻓﻴﻬﺎ أﻗﻞ ﻣﻦ اﻟﻌﻴﻨﺔ املﺄﺧﻮذة ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﺗﺒﻠﻎ ﻧﺴﺒﺔ اﻟﺸﻔﺎء‬
‫ﻓﻴﻬﺎ ‪ ٪٨٠‬ﻣﻦ املﺮﴇ‪.‬‬

‫‪86‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫ﻫﺬا ﻳﻌﻨﻲ أﻧﻨﺎ ﻳﻤﻜﻦ اﺳﺘﺨﺪا ﺣﺪ — ‪ t‬ﻣﺜﻼ — ﺑﺤﻴﺚ ﻟﻮ ﻻﺣﻈﻨﺎ أ ﻧﺴﺒﺔ اﻟﺸﻔﺎء‬
‫ﰲ اﻟﻌﻴﻨﺔ أﻗﻞ ﻣﻦ ‪ t‬ﺳﻮ ﻧﺮﺟﺢ ﻓﺮﺿﻴﺔ ‪ ،٪٥٠‬إذا ﻻﺣﻈﻨﺎ ﻧﺴﺒﺔ ﺷﻔﺎء ﰲ اﻟﻌﻴﻨﺔ أﻛﱪ‬
‫ﻣﻦ ‪ ،t‬ﻓﺴﻮ ﻧﺮﺟﺢ ﻓﺮﺿﻴﺔ ‪ .٪٨٠‬ﰲ اﻟﺤﺎﻟﺔ اﻟﺜﺎﻧﻴﺔ‪ ،‬ﻧﻘﻮ إ إﺣﺼﺎﺋﻴﺎت اﻟﻌﻴﻨﺔ ﺗﻘﻊ‬
‫ﰲ »ﻣﻨﻄﻘﺔ اﻟﺮﻓﺾ« أ »املﻨﻄﻘﺔ اﻟﺤﺮﺟﺔ«؛ ﺣﻴﺚ إ ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﻟﻠﻌﻼج املﻌﻴﺎر —‬
‫‪ — ٪٥٠‬ﻗﺪ »رﻓﻀﺖ«‪.‬‬
‫ﺑﺎﻟﻘﻴﺎ ﺑﺬﻟﻚ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺨﺎﻃﺮ ﺑﺎﻟﻮﻗﻮع ﰲ أﺣﺪ ﻧﻮﻋني ﻣﻦ اﻷﺧﻄﺎء؛ ﻓﻘﺪ ﻧﻘﺮر أ اﻟﺪ اء‬
‫اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪ ٪٨٠‬ﻣﻦ املﺮﴇ ﰲ ﻣﺠﻤﻮﻋﺔ املﺮﴇ اﻟﺨﺎﺿﻌني ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﻢ ﰲ ﺣني‬
‫أﻧﻪ ﰲ اﻟﺤﻘﻴﻘﺔ ﻳﺸﻔﻲ ‪ ٪٥٠‬ﻓﻘﻂ‪ ،‬أ ﻗﺪ ﻧﻘﺮر أ اﻟﺪ اء اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪ ٪٥٠‬ﻣﻦ املﺮﴇ ﰲ‬
‫ﻣﺠﻤﻮﻋﺔ املﺮﴇ اﻟﺨﺎﺿﻌني ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﻢ ﰲ ﺣني أﻧﻪ ﰲ اﻗﻊ اﻷﻣﺮ ﻳﺸﻔﻲ ‪ .٪٨٠‬ﺗﺮﺗﱢﺐ‬
‫ﻃﺮﻳﻘﺔ ﺗﺴﻤﻰ ﻃﺮﻳﻘﺔ »ﻧﻴﻤﺎ ‪-‬ﺑريﺳﻮ « ﻻﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺔ اﻷﻣﻮر ﺑﺤﻴﺚ ﻳﻜﻮ اﺣﺘﻤﺎ‬
‫اﻟﻮﻗﻮع ﰲ ﻛﻼ ﻫﺬﻳﻦ اﻟﻨﻮﻋني ﻣﻦ اﻷﺧﻄﺎء ﻣﻌﺮ ﻓﺎ‪ ،‬ﺻﻐريا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻟﻴﻌﻄﻴﻨﺎ ﺛﻘﺔ‬
‫ﰲ اﻟﻨﺘﺎﺋﺞ‪.‬‬
‫إﻟﻴﻚ ﻛﻴﻔﻴﺔ ﻋﻤﻞ ذﻟﻚ‪ :‬ﻧﺒﺪأ ﺑﻮﺿﻊ اﻓﱰاض؛ إذ ﻧﻔﱰض أ اﻟﺪ اء اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪٪٥٠‬‬
‫ﻓﻘﻂ ﻣﻦ املﺮﴇ‪ ،‬ﻳﺴﻤﻰ ﻫﺬا اﻻﻓﱰاض »ﻓﺮﺿﻴﺔ اﻟﻌﺪ «‪ .‬ﺗﻨﺺ ﻓﺮﺿﻴﺔ أﺧﺮ ﺗﺴﻤﱠ ﻰ‬
‫»اﻟﻔﺮﺿﻴﺔ اﻟﺒﺪﻳﻠﺔ« ﻋﲆ أ اﻟﺪ اء اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪ ٪٨٠‬ﻣﻦ املﺮﴇ‪ .‬ﺑﺎﺳﺘﺨﺪا ﺣﺴﺎﺑﺎت‬
‫اﻻﺣﺘﻤﺎ اﻷﺳﺎﺳﻴﺔ ﻧﺘﻤﻜﻦ ﻣﻦ ﻣﻌﺮﻓﺔ ﻧﺴﺒﺔ اﻟﻌﻴﻨﺎت اﻟﺘﻲ ﺳﻮ ﺗﻈﻬﺮ ﻧﺴﺒﺔ ﺷﻔﺎء —‬
‫ﻋﻦ ﻃﺮﻳﻖ املﺼﺎدﻓﺔ — أﻛﱪ ﻣﻦ أ ‪ t‬ﻣﺨﺘﺎرة‪ ،‬إذا ﻛﺎ اﻓﱰاض ‪) ٪٥٠‬ﻓﺮﺿﻴﺔ اﻟﻌﺪ (‬
‫ﺣﻘﻴﻘﻴٍّﺎ‪ .‬ﻋﺎدة ﻣﺎ ﺗﺨﺘﺎر ‪ t‬ﺑﺤﻴﺚ إﻧﻪ إذا ﻛﺎﻧﺖ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ﺣﻘﻴﻘﻴﺔ‪ ،‬ﻓﺈ ‪ ٪٥‬أ ‪٪١‬‬
‫ﻓﻘﻂ ﻣﻦ املﺮات ﺗﺘﺠﺎ ز ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﰲ اﻟﻌﻴﻨﺔ ‪.t‬‬
‫ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬ﻋﻨﺪﻣﺎ ﺗﻜﻮ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ﺣﻘﻴﻘﻴﺔ )أ إذا ﻛﺎ ‪ ٪٥٠‬ﻓﻘﻂ ﻣﻦ‬
‫املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ ﺳﻴﺸﻔﻰ( ﺣﺼﻠﻨﺎ ﰲ اﻟﻮاﻗﻊ ﻋﲆ ﻧﺴﺒﺔ ﺷﻔﺎء ﰲ‬
‫اﻟﻌﻴﻨﺔ أﻛﱪ ﻣﻦ ‪ — t‬ﻣﻤﺎ ﻳﺆد ﺑﻨﺎ إﱃ اﺗﺨﺎذ ﻗﺮار ﻟﺼﺎﻟﺢ ﻧﺴﺒﺔ اﻟﺸﻔﺎء اﻟﻜﲇ اﻟﺒﺎﻟﻐﺔ ‪٪٨٠‬‬
‫— ﻓﺮﺑﻤﺎ ﻧﻜﻮ اﻗﻌني ﰲ اﻟﻨﻮع اﻷ ﻣﻦ اﻷﺧﻄﺎء املﺬﻛﻮرة آﻧﻔﺎ ) ﻫﻮ ﻣﺎ ﻳﺴﻤﻰ ﺗﻘﻠﻴﺪﻳٍّﺎ‬
‫»ﺧﻄﺄ ﻣﻦ اﻟﻨﻮع اﻷ «(‪ .‬ﻋﺎدة ﻣﺎ ﻳﺴﺘﺨﺪ اﻟﺮﻣﺰ ∝ ﻟﺘﻤﺜﻴﻞ اﺣﺘﻤﺎ ﺣﺪ ث ﺧﻄﺄ ﻣﻦ‬
‫اﻟﻨﻮع اﻷ ‪ .‬ﻳﻌﻨﻲ اﺧﺘﻴﺎرﻧﺎ ﻟﻘﻴﻤﺔ ‪ t‬ﰲ املﺜﺎ أ ∝ ﺛﺎﺑﺘﺔ ﻟﺪﻳﻨﺎ ﻋﻨﺪ ‪ ٠٫٠٥‬أ ‪ ٠٫٠١‬أ‬
‫أ ﻗﻴﻤﺔ ﻧﺨﺘﺎرﻫﺎ‪.‬‬
‫إذا ﻻﺣﻈﻨﺎ ﻧﺴﺒﺔ ﺷﻔﺎء ﰲ اﻟﻌﻴﻨﺔ أﻛﱪ ﻣﻦ ‪ ،t‬ﺣﻴﻨﻬﺎ إﻣﺎ أ ﺗﻜﻮ ﻓﺮﺿﻴﺔ اﻟﻌﺪ‬
‫ﺣﻘﻴﻘﻴﺔ )اﻟﻨﺴﺒﺔ اﻟﺤﻘﻴﻘﻴﺔ اﻟﺒﺎﻟﻐﺔ ‪ ،(٪٥٠‬ﻳﻜﻮ ﺣﺪث ذ اﺣﺘﻤﺎ ﺿﻌﻴﻒ )ﻣﻌﺪ‬

‫‪87‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﻌﻴﻨﺔ أﻋﲆ ﻣﻦ ‪ ،t‬ﻳﺤﺪث ﺑﺎﺣﺘﻤﺎ ∝( ﻗﺪ ﻗﻊ‪ ،‬أ ﺗﻜﻮ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ﻏري ﺣﻘﻴﻘﻴﺔ‪.‬‬
‫ﻫﺬا ﻫﻤﺎ اﻻﺣﺘﻤﺎﻻ اﻟﻮﺣﻴﺪا املﻤﻜﻨﺎ ‪ ،‬ﻫﺬا ﻫﻮ ﺟﻮﻫﺮ ﻃﺮﻳﻘﺔ ﻧﻴﻤﺎ ‪-‬ﺑريﺳﻮ ﻻﺧﺘﺒﺎر‬
‫اﻟﻔﺮﺿﻴﺔ؛ ﻓﻌﻦ ﻃﺮﻳﻖ اﺧﺘﻴﺎر ‪ t‬ﺑﺤﻴﺚ ﻳﻜﻮ ∝ ﺻﻐريا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ) ﻳﻌﺘﻘﺪ ﻋﻤﻮﻣﺎ‬
‫أ ‪ ٠٫٠١ ٠٫٠٥‬ﺻﻐريا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ(‪ ،‬ﻧﺸﻌﺮ ﻋﲆ ﻧﺤﻮ ﻣﻌﻘﻮ ﺑﺎﻟﺜﻘﺔ ﻋﻨﺪ اﻹﺷﺎرة‬
‫إﱃ أ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ﻟﻴﺴﺖ ﺣﻘﻴﻘﻴﺔ؛ ﻷﻧﻪ ﻟﻮ ﻛﺎﻧﺖ ﺣﻘﻴﻘﺔ ﻟﻮﻗﻊ ﺣﺪث ﻏري ﻣﺮﺟﺢ‪.‬‬
‫أﻣﺎ اﻟﻨﻮع اﻟﺜﺎﻧﻲ ﻣﻦ اﻷﺧﻄﺎء )ﻳﺴﻤﻰ ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎ »ﺧﻄﺄ ﻣﻦ اﻟﻨﻮع اﻟﺜﺎﻧﻲ«(‬
‫ﻓﻴﻨﺸﺄ ﻋﻨﺪﻣﺎ ﺗﻜﻮ اﻟﻔﺮﺿﻴﺔ اﻟﺒﺪﻳﻠﺔ ﺣﻘﻴﻘﻴﺔ )ﻧﺴﺒﺔ ‪ ٪٨٠‬ﰲ املﺜﺎ (‪ ،‬ﻟﻜﻦ ﻧﺴﺒﺔ اﻟﺸﻔﺎء‬
‫املﺮﺻﻮدة ﰲ اﻟﻌﻴﻨﺔ أﻗﻞ ﻣﻦ ‪ .t‬ﺑﻤﺎ أﻧﻨﺎ اﺧﱰﻧﺎ ‪ t‬ﻟﻠﺴﻴﻄﺮة ﻋﲆ اﺣﺘﻤﺎ اﻟﻮﻗﻮع ﰲ اﻟﺨﻄﺄ‬
‫ﻣﻦ اﻟﻨﻮع اﻷ ‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ أ ﻧﺨﺘﺎر ‪ t‬أﻳﻀﺎ ﻟﻠﺴﻴﻄﺮة ﻋﲆ اﺣﺘﻤﺎ اﻟﻮﻗﻮع ﰲ اﻟﺨﻄﺄ ﻣﻦ‬
‫اﻟﻨﻮع اﻟﺜﺎﻧﻲ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻳﻤﻜﻨﻨﺎ أ ﻧﺠﻌﻞ اﺣﺘﻤﺎ اﻟﻮﻗﻮع ﰲ اﻟﺨﻄﺄ ﻣﻦ اﻟﻨﻮع اﻟﺜﺎﻧﻲ‬
‫ﺻﻐريا ﻛﻤﺎ ﻧﺸﺎء ﻋﻦ ﻃﺮﻳﻖ أﺧﺬ ﻋﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻳﻜﻔﻲ‪ .‬ﻫﺬا ﻣﺮة أﺧﺮ ﻫﻮ ﺗﺄﺛري‬
‫ﻗﺎﻧﻮ اﻷﻋﺪاد اﻟﻜﺒرية؛ ﻓﺰﻳﺎدة ﺣﺠﻢ اﻟﻌﻴﻨﺔ ﻳﻘﻠﻞ ﻣﻦ ﻧﻄﺎ اﻟﺘﻔﺎ ت ﰲ ﺗﻘﺪﻳﺮ اﻟﻌﻴﻨﺔ؛‬
‫ﻣﻦ ﺛ ﱠﻢ ﻳﻘﻠﻞ ﻣﻦ اﺣﺘﻤﺎ أ ﻳﻜﻮ ﺗﻘﺪﻳﺮ اﻟﻌﻴﻨﺔ أﻗﻞ ﻣﻦ ‪ t‬ﻋﻨﺪﻣﺎ ﺗﻜﻮ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‬
‫ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ أﻋﲆ؛ أ ﻋﻨﺪ ﻗﻴﻤﺔ ‪ .٪٨٠‬ﺑﺎﻟﺘﺤﺪﻳﺪ‪ ،‬ﻣﻦ ﺧﻼ‬
‫ﺟﻌﻞ اﻟﻌﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻳﻜﻔﻲ ﻳﻤﻜﻨﻨﺎ أ ﻧﻘ ﱢﻠﻞ ﻣﻦ اﺣﺘﻤﺎ ﺣﺪ ث اﻟﺨﻄﺄ ﻣﻦ اﻟﻨﻮع اﻟﺜﺎﻧﻲ‬
‫إﱃ أ ﻗﻴﻤﺔ ﻧﺮاﻫﺎ ﻣﻨﺎﺳﺒﺔ‪ .‬ﻋﺎدة ﻣﺎ ﻳﺴﺘﺨﺪ اﻟﺮﻣﺰ ‪ β‬ﻟﺘﻤﺜﻴﻞ اﺣﺘﻤﺎ ﺣﺪ ث اﻟﺨﻄﺄ ﻣﻦ‬
‫اﻟﻨﻮع اﻟﺜﺎﻧﻲ‪ ،‬ﻳﺴﺘﺨﺪ ﻣﺼﻄﻠﺢ »اﻟﻘﻮة« ﻟﺘﻤﺜﻴﻞ ‪1 − β‬؛ ﻫﻮ اﺣﺘﻤﺎ اﺧﺘﻴﺎر اﻟﻔﺮﺿﻴﺔ‬
‫اﻟﺒﺪﻳﻠﺔ ﻋﻨﺪﻣﺎ ﺗﻜﻮ ﺣﻘﻴﻘﻴﺔ‪.‬‬
‫إ ﻣﻮﻗﻒ اﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺎت املﺬﻛﻮر ﻫﻨﺎ ﻳﺸﺒﻪ املﻮﻗﻒ ﰲ املﺤﻜﻤﺔ‪ ،‬ﺣﻴﺚ ﻳﻔﱰض‬
‫ﰲ اﻟﺒﺪاﻳﺔ أ املﺘﻬﻢ ﺑﺮ ء )ﻓﺮﺿﻴﺔ اﻟﻌﺪ (‪ ،‬ﻫﻨﺎ ﻳﻜﻮ ﻣﻦ املﻤﻜﻦ ﺣﺪ ث ﻧﻮﻋني ﻣﻦ‬
‫اﻷﺧﻄﺎء‪ :‬اﻟﺤﻜﻢ ﻋﲆ ﺷﺨﺺ ﺑﺮ ء ﺑﺄﻧﻪ ﻣﺬﻧﺐ )اﻟﻨﻮع اﻷ ( أ اﻟﺤﻜﻢ ﻋﲆ ﺷﺨﺺ ﻣﺬﻧﺐ‬
‫ﺑﺄﻧﻪ ﺑﺮ ء )اﻟﻨﻮع اﻟﺜﺎﻧﻲ(‪.‬‬
‫ﻻﺣﻆ أ اﻟﻔﺮﺿﻴﺘني ﺗﺪﺧﻼ ﰲ ﻃﺮﻳﻘﺔ ﻧﻴﻤﺎ ‪-‬ﺑريﺳﻮ ﻻﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺔ‪ :‬ﻓﺮﺿﻴﺔ‬
‫اﻟﻌﺪ اﻟﻔﺮﺿﻴﺔ اﻟﺒﺪﻳﻠﺔ‪ .‬ﰲ »اﺧﺘﺒﺎر اﻟﺪﻻﻟﺔ«‪ ،‬ﺗﺨﻀﻊ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ﻓﻘﻂ ﻟﻼﺧﺘﺒﺎر؛‬
‫ﻓﺎﻟﻬﺪ ﻫﻮ »رﻓﺾ« ﻓﺮﺿﻴﺔ اﻟﻌﺪ إذا ﻛﺎﻧﺖ اﻟﻘﻴﻤﺔ اﻹﺣﺼﺎﺋﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻼﺧﺘﺒﺎر‬
‫)ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﰲ اﻟﻌﻴﻨﺔ ﰲ املﺜﺎ اﻟﺴﺎﺑﻖ( ﻣﺨﺘﻠﻔﺔ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻋﻤﱠ ﺎ ﻳﻤﻜﻦ ﱡ‬
‫ﺗﻮﻗﻌﻪ ﰲ‬
‫ﻇﻞ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ‪ ،‬أ »اﻟﻔﺸﻞ ﰲ رﻓﻀﻬﺎ« إذا ﻟﻢ ﺗﻜﻦ اﻟﻘﻴﻤﺔ ﻣﺘﻄﺮﻓﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬ﻓﻼ ﺗﻮﺟﺪ‬
‫أ ﻓﺮﺿﻴﺔ ﺑﺪﻳﻠﺔ ﻣﺬﻛﻮرة ﺑﻮﺿﻮح‪ .‬ﻳﺴﺘﺨﺪ املﺼﻄﻠﺢ »ﻗﻴﻤﺔ ‪ «p‬ﻟﻮﺻﻒ اﺣﺘﻤﺎ أ‬

‫‪88‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫ﻧﺮﺻﺪ ﻗﻴﻤﺔ إﺣﺼﺎﺋﻴﺔ ﺧﺎﺿﻌﺔ ﻟﻼﺧﺘﺒﺎر ﻣﺘﻄﺮﻓﺔ ﻣﺜﻞ ﺗﻠﻚ املﺮﺻﻮدة ﰲ اﻟﻮاﻗﻊ‪ ،‬أ أﻛﺜﺮ‬
‫ﺗﻄﺮﻓﺎ إذا ﻛﺎﻧﺖ ﻓﺮﺿﻴﺔ اﻟﻌﺪ ﺣﻘﻴﻘﻴﺔ‪.‬‬
‫ﺿﻌﺖ ﻓﻜﺮﺗﺎ ﻓﺮﺿﻴﺔ اﻟﻌﺪ اﺧﺘﺒﺎر اﻟﺪﻻﻟﺔ ﻣﻦ أﺟﻞ ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ املﺸﺎﻛﻞ‪،‬‬
‫ﻓﺜﻤﺔ اﺧﺘﺒﺎرات ﻣﻌﻴﻨﺔ ﻃﻮﱢرت ﺳﻤﱢ ﻴﺖ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎ ﺑﺎﺳﻢ أﺣﺪ ﻣﻄﻮﱢرﻳﻬﺎ اﻷﺻﻠﻴني‬
‫)ﻣﺜﻞ اﺧﺘﺒﺎر اﻟﺪ‪ ،‬اﺧﺘﺒﺎر ﻣﺎ ﻳﺘﻨﻲ(‪ ،‬أ ﺳﻤﱢ ﻴﺖ ﺗﻴﻤﱡ ﻨﺎ ﺑﺘﻮزﻳﻊ اﻹﺣﺼﺎﺋﻴﺔ املﻌﻨﻴﺔ‬
‫اﻟﺨﺎﺿﻌﺔ ﻟﻼﺧﺘﺒﺎر )ﻣﺜﻞ اﺧﺘﺒﺎر ‪ ،t‬اﺧﺘﺒﺎر ﻣﺮﺑﻊ ﻛﺎ (‪.‬‬
‫ﺗﻌ ﱡﺪ اﺧﺘﺒﺎرات اﻟﻔﺮﺿﻴﺎت اﻟﺒﺎﻳﺰﻳﺔ — ﻇﺎﻫﺮﻳٍّﺎ ﻋﲆ اﻷﻗﻞ — أﻛﺜﺮ ﺿﻮﺣﺎ؛ ْ‬
‫ﻓﻮﻓﻖ‬
‫ﻣﱪﻫﻨﺔ ﺑﺎﻳﺰ‪ ،‬ﻟﺪﻳﻨﺎ اﺣﺘﻤﺎﻻت ﺑﻌﺪﻳﺔ ﺑﺄ ﻛﻞ ﻓﺮﺿﻴﺔ ﺣﻘﻴﻘﻴﺔ؛ ﻣﻦ ﺛﻢ ﻧﺴﺘﻄﻴﻊ اﺳﺘﺨﺪاﻣﻬﺎ‬
‫ﻻﺧﺘﻴﺎر إﺣﺪ اﻟﻔﺮﺿﻴﺎت‪ .‬ﰲ املﻤﺎرﺳﺔ اﻟﻌﻤﻠﻴﺔ‪ ،‬ﻓﺈ اﻷﻣﻮر ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ﺗﻜﻮ أﻛﺜﺮ‬
‫ﺗﻌﻘﻴﺪا‪.‬‬

‫)‪ (5‬ﻧﻈﺮﻳﺔ اﻟﻘﺮار‬

‫ﺻﻔﺖ ﻋﲆ ﻧﺤﻮ ﻏري رﺳﻤﻲ »اﻻﺧﺘﺒﺎر« ﺑﺄﻧﻪ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ ﻣﻌﻠﻤﺎت ﻧﻤﻮذج ﺗﺘﺨﺬ‬
‫ﻗﻴﻤﺎ ﻣﻌﻴﻨﺔ أ ﺗﻘﻊ ﺿﻤﻦ ﻧﻄﺎﻗﺎت ﻣﻌﻴﻨﺔ‪ .‬ﻫﺬا ﺻﻒ ﺟﻴﺪ ﻟﻜﺜري ﻣﻤﺎ ﻳﺪ ر ﰲ أ ﺳﻴﺎ‬
‫ﻋﻠﻤﻲ؛ ﻓﺎﻟﻬﺪ ﻫﻮ اﻛﺘﺸﺎ ﻛﻴﻒ ﺗﺴري اﻷﻣﻮر‪ .‬ﻟﻜﻦ ﰲ ﺳﻴﺎﻗﺎت أﺧﺮ ‪ ،‬ﻣﺜﻞ اﻟﺘﺠﺎرة‬
‫أ اﻟﻄﺐ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻓﺈ اﻟﻬﺪ ﻋﺎدة ﻟﻴﺲ ﻣﺠﺮد اﻛﺘﺸﺎ ﻗﻴﻤﺔ املﻌﻠﻤﺎت‪ ،‬ﻟﻜﻦ‬
‫اﻟﻬﺪ ﻫﻮ اﻟﺘﴫ ﻓﻖ ﻣﺎ ﻧﺤﺼﻞ ﻋﻠﻴﻪ ﻣﻦ ﻣﻌﻠﻮﻣﺎت‪ .‬ﻓﻨﺮﻳﺪ أ ﻧﻨﻈﺮ إﱃ املﺮﻳﺾ‪،‬‬
‫ﻧﺠﺮ ﻋﺪدا ﻣﻦ املﻼﺣﻈﺎت اﻟﺘﺠﺎرب‪ ،‬ﻧﺘﺨﺬ أﻓﻀﻞ ﻣﺴﺎر ﻟﻠﻌﻼج‪ ،‬ذﻟﻚ ﺑﺎﺳﺘﺨﺪا‬
‫اﻟﺒﻴﺎﻧﺎت اﻟﻨﺎﺗﺠﺔ‪ .‬رﺑﻤﺎ ﻳﻌﻨﻲ ﻣﺼﻄﻠﺢ »أﻓﻀﻞ« أﺷﻴﺎء ﻛﺜرية ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻟﻜﻦ ﻋﲆ ﻧﺤﻮ‬
‫ﻧﻈﺮ ‪ ،‬ﻓﺈﻧﻨﺎ ﺳﻮ ﻧﺮﻏﺐ ﰲ ﺗﻌﻈﻴﻢ اﻟﻔﺎﺋﺪة أ اﻟﺮﺑﺢ أ »املﻨﻔﻌﺔ«‪ ،‬أ ﻋﲆ ﻧﺤﻮ ﻣﻜﺎﻓﺊ‪،‬‬
‫ﺗﻘﻠﻴﻞ اﻟﺘﻜﻠﻔﺔ أ اﻟﺨﺴﺎرة‪ .‬إذا ﻛﻨﱠﺎ ﻧﺴﺘﻄﻴﻊ ﺗﺤﺪﻳﺪ »داﻟﺔ ﻣﻨﻔﻌﺔ« ﻣﻨﺎﺳﺒﺔ‪ ،‬ﻣﺤﺪﱢدﻳﻦ ﻣﺎ‬
‫ﺳﻴﻜﻮ املﻜﺴﺐ إذا ﻃﺒﱢﻖ ﻛﻞ ﻓﻌﻞ ﺑﻴﻨﻤﺎ ﺗﺄﺧﺬ اﻟﺤﻘﻴﻘﺔ ﻏري املﻌﺮ ﻓﺔ ﻛﻞ ﻗﻴﻤﺔ ﻣﻦ ﻗﻴﻤﻬﺎ‬
‫املﻤﻜﻨﺔ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﻋﻨﺪﺋﺬ ﻣﻘﺎرﻧﺔ »ﻗﻮاﻋﺪ اﺗﺨﺎذ اﻟﻘﺮارات« املﺨﺘﻠﻔﺔ؛ أ اﻟﻄﺮ املﺨﺘﻠﻔﺔ‬
‫ﻟﻼﺧﺘﻴﺎر ﺑني اﻷﻓﻌﺎ ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻧﺨﺘﺎر ﻗﺎﻋﺪة اﺗﺨﺎذ اﻟﻘﺮار اﻟﺘﻲ ﺗﺰﻳﺪ ﻣﻦ‬
‫اﻟﺤﺪ اﻷدﻧﻰ ﻟﻠﻤﻜﺎﺳﺐ اﻟﺘﻲ ﻳﻤﻜﻦ ﺟﻠﺒﻬﺎ‪ ،‬ﻣﻬﻤﺎ ﻛﺎﻧﺖ اﻟﺤﻘﻴﻘﺔ ﻏري املﻌﺮ ﻓﺔ‪ .‬ﺑﺪﻻ ﻣﻦ‬
‫ذﻟﻚ‪ ،‬إذا ﻛﻨﱠﺎ ﻧﻌﻤﻞ ﺿﻤﻦ إﻃﺎر ﺑﺎﻳﺰ ؛ ﻣﻦ ﺛﻢ ﻛﺎ ﻟﺪﻳﻨﺎ ﺗﻮزﻳﻊ ﺑﻌﺪ ﻟﻼﺣﺘﻤﺎﻻت ﻋﱪ‬
‫اﻟﺤﺎﻟﺔ ﻏري املﻌﺮ ﻓﺔ ﻟﻠﺤﻘﻴﻘﺔ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب ﻣﺘﻮﺳﻂ ﻗﻴﻤﺔ اﻟﺮﺑﺢ ﻟﻜﻞ ﻗﺎﻋﺪة اﺗﺨﺎذ ﻗﺮار‪،‬‬
‫اﺧﺘﻴﺎر اﻟﻘﺎﻋﺪة ذات أﻛﱪ ﻗﻴﻤﺔ ﻟﻠﻤﺘﻮﺳﻂ‪.‬‬

‫‪89‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫إﻟﻴﻚ ﻣﺜﺎﻻ ﻋﲆ ذﻟﻚ‪ .‬رﺑﻤﺎ ﺗﺮﻏﺐ ﴍﻛﺔ ﻣﺎ ﰲ ﻣﻌﺮﻓﺔ أ ﱡ ﻣﺴﺎر ﻟﻠﻌﻤﻞ — إرﺳﺎ‬
‫رﺳﺎﻟﺔ أ إﺟﺮاء ﻣﻜﺎملﺔ ﻫﺎﺗﻔﻴﺔ — ﻫﻮ اﻷﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﰲ ﺗﺸﺠﻴﻊ ﻋﻤﻼﺋﻬﺎ ﻋﲆ ﴍاء أﺣﺪث‬
‫ﻣﻨﺘﺠﺎﺗﻬﺎ‪ .‬ﺳﻴﻜﻮ ﻣﻦ ﻏري اﻟﻮاﻗﻌﻲ أ ﻧﺘﺼﻮر أ اﻹﺟﺮاء ﻧﻔﺴﻪ ﺳﻴﻜﻮ أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ‬
‫ﻟﺠﻤﻴﻊ أﻧﻮاع اﻟﻌﻤﻼء؛ ﻓﺴﻴﺴﺘﺠﻴﺐ ﺑﻌﺾ اﻟﻌﻤﻼء ﻋﲆ ﻧﺤﻮ أﻓﻀﻞ ﻟﻠﺮﺳﺎﻟﺔ‪ ،‬ﺳﻴﺴﺘﺠﻴﺐ‬
‫اﻟﺒﻌﺾ أﻓﻀﻞ ﻟﻠﻤﻜﺎملﺔ اﻟﻬﺎﺗﻔﻴﺔ‪ ،‬ﻟﻜﻨﻨﺎ ﻻ ﻧﻌﺮ اﻟﻮﺳﻴﻠﺔ اﻷﻓﻀﻞ ﻟﻜﻞ ﻋﻤﻴﻞ‪ .‬ﻟﻜﻦ رﺑﻤﺎ‬
‫ﺗﻤﺘﻠﻚ اﻟﴩﻛﺔ ﺑﻴﺎﻧﺎت ﺣﻮ ﻛﻞ ﻋﻤﻴﻞ؛ ﻫﻲ املﻌﻠﻮﻣﺎت اﻟﺘﻲ ﻗﺪﱠﻣﻬﺎ اﻟﻌﻤﻴﻞ ﻋﻨﺪﻣﺎ اﺷﱰ‬
‫ﻣﻨﻬﺎ ﻷ ﻣﺮة؛ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺼﻒ ﻣﺸﱰﻳﺎﺗﻪ اﻟﺴﺎﺑﻘﺔ‪ ،‬ﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪ .‬ﺑﺎﺳﺘﺨﺪا ﻫﺬ‬
‫اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺻﻴﺎﻏﺔ ﻗﻮاﻋﺪ ﻻﺗﺨﺎذ اﻟﻘﺮار‪ ،‬اﻟﺘﻲ ﺗﺨﱪﻧﺎ ﺑﺄﻣﻮر ﻣﺜﻞ »إذا ﻛﺎ اﻟﻌﻤﻴﻞ‬
‫ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ أﻗﻞ ﻣﻦ ‪ ٢٥‬ﻋﺎﻣﺎ‪ ،‬ﻟﺪﻳﻪ ﻧﻤﻂ ﺳﺎﺑﻖ ﻣﻦ املﺸﱰﻳﺎت اﻟﻌﺎدﻳﺔ ﻓﻘ ْﻢ ﺑﺈﺟﺮاء‬
‫»ﻣﻜﺎملﺔ ﻫﺎﺗﻔﻴﺔ«؛ ﺧﻼ ذﻟﻚ ﻗ ْﻢ ﺑﺈرﺳﺎ »اﻟﺮﺳﺎﻟﺔ«‪ «.‬ﻳﻤﻜﻦ ﺻﻴﺎﻏﺔ اﻟﻌﺪﻳﺪ ﻣﻦ ﻗﻮاﻋﺪ‬
‫اﺗﺨﺎذ اﻟﻘﺮار املﺤﺘﻤﻠﺔ ﺗﻠﻚ‪ .‬ﺑﺎﻟﻨﺴﺒﺔ ﻟﻜﻞ إﺟﺮاء — ﻣﻜﺎملﺔ ﻫﺎﺗﻔﻴﺔ أ رﺳﺎﻟﺔ — ﻓﺈﻧﻨﺎ‬
‫ﻧﺴﺘﻄﻴﻊ ﺗﻘﺪﻳﺮ اﻟﺮﺑﺢ‪ ،‬رﺑﻤﺎ ﺣﺘﻰ ﻣﻦ اﻟﻨﺎﺣﻴﺔ اﻟﻨﻘﺪﻳﺔ‪ ،‬إذا ﻗﻤﻨﺎ ﺑﻬﺬا اﻹﺟﺮاء اﺗﻀﺢ أ‬
‫اﻟﻌﻤﻴﻞ ﻣﻦ اﻟﻨﻮع اﻟﺬ ﻳﺴﺘﺠﻴﺐ )أ ﻻ ﻳﺴﺘﺠﻴﺐ( ﺟﻴﺪا ﻟﻬﺬا اﻹﺟﺮاء؛ ﻣﻦ ﺛﻢ ﻳﻤﻜﻦ أ‬
‫ﻧﺨﺘﺎر ﻗﺎﻋﺪة اﺗﺨﺎذ اﻟﻘﺮار اﻟﺘﻲ ﺗﺠﻌﻞ اﻟﺤﺪ اﻷدﻧﻰ ﻟﻠﺮﺑﺢ أﻛﱪ‪ .‬أ ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب ﻣﺘﻮﺳﻂ‬
‫ﺗﻮزﻳﻊ اﻟﻌﻤﻼء ﻣﻦ ﻛﻞ ﻧﻮع‪ ،‬ﻹﻧﺘﺎج ﻣﺘﻮﺳﻂ رﺑﺢ ﻟﻜﻞ ﻗﺎﻋﺪة اﺗﺨﺎذ ﻗﺮار‪ ،‬ﺛﻢ اﺧﺘﻴﺎر‬
‫اﻟﻘﺎﻋﺪة اﻟﺘﻲ ﺗﺆد إﱃ أﻛﱪ ﻣﺘﻮﺳﻂ رﺑﺢ‪.‬‬

‫)‪ (6‬إذ أﻳﻦ ﻧﺤﻦ اﻵ ؟‬

‫ﻛﺎ اﻻﺳﺘﺪﻻ اﻹﺣﺼﺎﺋﻲ ﻋﲆ ﻣﺮ اﻟﺴﻨني ﻣﻮﺿﻊ ﺟﺪ ﻛﺒري‪ ،‬أﺣﻴﺎﻧﺎ ﻛﺎ اﻟﺠﺪ ﻣﺤﺘﺪﻣﺎ‬
‫ﻟﻠﻐﺎﻳﺔ‪ .‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ ﻃﺮ اﻻﺳﺘﺪﻻ املﺨﺘﻠﻔﺔ ﺗﺆد ﺑﺎﻟﻔﻌﻞ أﺣﻴﺎﻧﺎ إﱃ اﺳﺘﻨﺘﺎﺟﺎت‬
‫ﺗﺒني أ اﻻﺳﺘﺨﺪا اﻟﺒﺎﻟﻎ اﻟﺪﻗﺔ ﻟﻬﺬ اﻷﺳﺎﻟﻴﺐ ﻋﻦ ﻃﺮﻳﻖ‬ ‫ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺈ اﻟﺘﺠﺎرب ﱢ‬
‫إﺣﺼﺎﺋﻴني ﻳﻔﻬﻤﻮﻧﻬﺎ ﺟﻴﺪا ﻳﺆد ﻋﻤﻮﻣﺎ إﱃ اﺳﺘﻨﺘﺎﺟﺎت ﻣﺘﺸﺎﺑﻬﺔ‪ .‬ﻫﺬا ﻛﻠﻪ ﺟﺰء ﻣﻦ‬
‫ﻓﻦ ﺗﻄﺒﻴﻖ اﻹﺣﺼﺎء ﻳﺪ ﻋﲆ أ إﺟﺮاء اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ ﻟﻴﺲ ﻣﺠﺮد ﻣﻤﺎرﺳﺔ آﻟﻴﺔ‬
‫ﻟﻠﺮﻳﺎﺿﻴﺎت؛ ﻓﻬﻮ ﻳﺘﻄﻠﺐ ﻓﻬﻤﺎ ﻟﻠﺒﻴﺎﻧﺎت ﺧﻠﻔﻴﺎﺗﻬﺎ‪ ،‬ﻛﺬﻟﻚ ﻓﻬﻤﺎ ﺳﻠﻴﻤﺎ ﻟﻨﻈﺮﻳﺔ اﻻﺳﺘﺪﻻ‬
‫اﻷﺳﺎﺳﻴﺔ‪.‬‬
‫ﺗﻀﻊ املﺪارس املﺨﺘﻠﻔﺔ ﻟﻼﺳﺘﺪﻻ اﻹﺣﺼﺎﺋﻲ درﺟﺎت ﻣﺘﻔﺎ ﺗﺔ ﻣﻦ اﻟﱰﻛﻴﺰ ﻋﲆ ﻋﺪد‬
‫ﻣﻦ املﺒﺎدئ املﺨﺘﻠﻔﺔ‪ .‬ﻣﻦ أﻣﺜﻠﺔ ﻫﺬ املﺒﺎدئ »ﻣﺒﺪأ اﻹﻣﻜﺎ « )إذا اﻣﺘﻠﻚ ﻧﻤﻮذﺟﺎ ﻣﻦ‬
‫اﻟﻨﻤﺎذج املﺨﺘﻠﻔﺔ داﻟﺔ اﻻﺣﺘﻤﺎ ﻧﻔﺴﻬﺎ‪ ،‬ﻓﺈﻧﻪ ﻳﻨﺒﻐﻲ أ ﻳﺆدﻳﺎ إﱃ اﻟﻨﺘﺎﺋﺞ ﻧﻔﺴﻬﺎ(‪» ،‬ﻣﺒﺪأ‬

‫‪90‬‬
 ‫اﻟﺘﻘﺪﻳﺮ اﻻﺳﺘﺪﻻ‬

‫أﺧﺬ ﻋﻴﻨﺎت ﻣﺘﻜﺮرة« )ﻳﻨﺒﻐﻲ ﺗﻘﻴﻴﻢ اﻹﺟﺮاءات اﻹﺣﺼﺎﺋﻴﺔ ﻋﲆ أﺳﺎس ﻛﻴﻒ ﺳﺘﺘﴫ »ﰲ‬
‫املﺘﻮﺳﻂ« إذا ﻃﺒﻘﺖ ﻋﲆ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻌﻴﻨﺎت املﺘﻜﺮرة(‪» ،‬ﻣﺒﺪأ اﻟﻜﻔﺎﻳﺔ« )املﻌﻨﻲ ﺑﺘﻠﺨﻴﺺ‬
‫اﻟﺒﻴﺎﻧﺎت ﺑﺤﻴﺚ ﻳﺘﻢ إﺑﻘﺎء ﻣﻌﻠﻮﻣﺎت ﻛﺎﻓﻴﺔ ﻟﺘﻘﺪﻳﺮ أ ﻣﻌﻠﻤﺔ(‪ .‬ﻳﺒﺪ ﻛﻞ ﻣﺒﺪأ ﻣﻦ ﻫﺬ‬
‫املﺒﺎدئ ﻣﻌﻘﻮﻻ ﺗﻤﺎﻣﺎ‪ ،‬ﻟﻜﻨﻬﺎ رﺑﻤﺎ ﺗﺘﻌﺎرض أﺣﻴﺎﻧﺎ‪.‬‬
‫ﻛﺎﻧﺖ اﻷﺳﺎﻟﻴﺐ اﻟﺘﻜﺮارﻳﺔ اﻟﻜﻼﺳﻴﻜﻴﺔ ﻟﺴﻨﻮات ﻋﺪﻳﺪة ﻫﻲ اﻟﻄﺮ اﻷﻛﺜﺮ اﺳﺘﺨﺪاﻣﺎ‬
‫ﰲ اﻻﺳﺘﺪﻻ ‪ ،‬ﻟﻜﻦ اﻛﺘﺴﺒﺖ اﻷﺳﺎﻟﻴﺐ اﻟﺒﺎﻳﺰﻳﺔ ﺷﻌﺒﻴﺔ ﻛﺒرية ﰲ اﻟﺴﻨﻮات اﻷﺧرية‪ .‬ﻛﺎ‬
‫ﻫﺬا ﻧﺘﻴﺠﺔ ﻣﺒﺎﴍة ﻟﺘﻄﻮﻳﺮ أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﻘﻮﻳﺔ أﺳﺎﻟﻴﺐ اﻟﺤﻮﺳﺒﺔ اﻟﺬﻛﻴﺔ‪ ،‬ﻓﻀﻼ‬
‫ﻋﻦ اﻟﱰ ﻳﺞ ﺑﺤﻤﺎس ملﺜﻞ ﻫﺬ اﻷﺳﺎﻟﻴﺐ ﻣﻦ ﻗﺒﻞ ﻣﺆﻳﺪﻳﻬﺎ؛ ﻓﺎﻟﻌﻠﻮ ﺗﻤﺎرس ﰲ ﺳﻴﺎ‬
‫اﺟﺘﻤﺎﻋﻲ‪ ،‬اﻟﺠﻮاﻧﺐ اﻹﻧﺴﺎﻧﻴﺔ املﺘﻌﻠﻘﺔ ﺑﻜﻴﻔﻴﺔ اﻧﺘﺸﺎر ﺗﺮاﺟﻊ ﻫﻴﻤﻨﺔ اﻷﻓﻜﺎر املﺨﺘﻠﻔﺔ‬
‫ﻟﻼﺳﺘﺪﻻ ﻋﲆ ﻣﺪ اﻟﻌﻘﻮد اﻟﻘﻠﻴﻠﺔ املﺎﺿﻴﺔ ﺗﻌﺪ ﻗﺼﺔ راﺋﻌﺔ‪.‬‬
‫ﺛﻤﺔ ﻧﻘﻄﺔ أﺧرية؛ آﻣﻞ أ أﻛﻮ ﻗﺪ أ ﺿﺤﺖ ﰲ ﻫﺬا اﻟﻔﺼﻞ أ ﻫﻨﺎ ﺟﻮاﻧﺐ ﻣﺨﺘﻠﻔﺔ‬
‫ﻟﻼﺳﺘﺪﻻ ‪ .‬ﺗﺤﺪﻳﺪا‪ ،‬رﺑﻤﺎ ﻧﻜﻮ ﻣﻬﺘﻤﱢ ني ﺑﻤﺤﺎ ﻟﺔ اﻟﻌﺜﻮر ﻋﲆ إﺟﺎﺑﺎت ﻷﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ‬
‫اﻷﺳﺌﻠﺔ‪ .‬ﺗﺸﺘﻤﻞ ﻫﺬ اﻷﺳﺌﻠﺔ ﻋﲆ أﺳﺌﻠﺔ ﻣﺜﻞ‪ :‬ﺑﻢ ﺗﺨﱪﻧﻲ اﻟﺒﻴﺎﻧﺎت؟ ﻣﺎذا ﻳﻨﺒﻐﻲ ﻋﲇ ﱠ‬
‫أ أ ﻣﻦ ﺑﻪ؟ ﻣﺎذا ﻳﻨﺒﻐﻲ أ أﻓﻌﻞ؟ ﻣﺎ إﱃ ذﻟﻚ‪ .‬ﺗﺘﻼء ﻃﺮ اﻻﺳﺘﺪﻻ املﺨﺘﻠﻔﺔ ﻣﻊ‬
‫اﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻣﻦ اﻷﺳﺌﻠﺔ‪.‬‬

‫‪91‬‬
 ‫اﻟﻔﺼﻞ اﻟﺴﺎدس‬

‫اﻟﻨﲈذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

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

‫ﻟﻠﺠﻤﻴﻊ‪.‬‬
‫ﺟﻮ دﺑﻠﻴﻮ ﺗﻮﻛﻲ‬

‫)‪ (1‬اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ‪ :‬ﺿﻊ اﻟ ﱠﻠ ِﺒﻨﺎت ﻣﻌﺎ‬

‫اﺳﺘﺨﺪﻣﺖ اﻟﺘﻌﺒري »ﻧﻤﻮذج إﺣﺼﺎﺋﻲ« ﰲ أﻣﺎﻛﻦ ﻣﺨﺘﻠﻔﺔ ﰲ ﻫﺬا اﻟﻜﺘﺎب ﺣﺘﻰ اﻵ د‬

‫ﺗﺤﺪﻳﺪ ﻣﺎ أﻋﻨﻴﻪ‪ .‬اﻟﻨﻤﻮذج اﻹﺣﺼﺎﺋﻲ ﻫﻮ ﺗﻤﺜﻴﻞ أ ﺻﻒ ﺑﺴﻴﻂ ﻟﴚء أ ﻧﻈﺎ ﻳﺨﻀﻊ‬
‫ﻟﻠﺪراﺳﺔ‪ .‬رﺑﻤﺎ ﻳﻨﻄﻮ اﻟﻨﻤﻮذج اﻟﺒﺴﻴﻂ ﻟﻠﻐﺎﻳﺔ ﻋﲆ ﺟﺎﻧﺐ اﺣﺪ ﻓﺤﺴﺐ ﻣﻦ اﻟﻄﺒﻴﻌﺔ‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬رأﻳﻨﺎ أﻣﺜﻠﺔ ﻋﲆ ذﻟﻚ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ ﻋﻨﺪﻣﺎ ﺗﻨﺎ ﻟﻨﺎ ﺗﻮزﻳﻌﺎت املﺘﻐريات‬
‫ﱠ‬
‫ﻣﻔﺼﻠﺔ ﻟﻠﻐﺎﻳﺔ؛ إذ رﺑﻤﺎ‬ ‫املﻔﺮدة‪ .‬ﻋﻤﻮﻣﺎ‪ ،‬ﻳﻤﻜﻦ ﺑﺎﻟﻔﻌﻞ أ ﺗﻜﻮ اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ‬
‫ﺗﺤﺘﻮ ﻋﲆ آﻻ املﺘﻐريات املﺮﺗﺒﻄﺔ ﺑﻄﺮ ﻣﻌﻘﺪة ﻟﻠﻐﺎﻳﺔ‪ .‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﺳﻮ‬
‫ﻳﺴﺘﺨﺪ اﻻﻗﺘﺼﺎدﻳﻮ اﻟﺬﻳﻦ ﻳﺤﺎ ﻟﻮ ﺗﻮﺟﻴﻪ ﻗﺮارات أ ﺑﻨﻚ ﻣﺮﻛﺰ ﻣﺜﻞ ﻫﺬ اﻟﻨﻤﺎذج‬
‫اﻟﻜﺒرية‪.‬‬
‫ﺛﻤﺔ ﻣﻨﻈﻮر ﻣﻬ ﱞﻢ ﻓﻴﻤﺎ ﻳﺨﺺ اﻟﻨﻤﺎذج ﻳﺘﻤﺜﻞ ﰲ اﻟﺘﺴﺎؤ ﻣﺎ إذا ﻛﺎﻧﺖ ﻫﺬ اﻟﻨﻤﺎذج‬
‫ﺗﻤﺜﻞ اﻟﻮاﻗﻊ اﻷﺳﺎﳼ ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ؛ أ ﻣﺎ إذا ﻛﺎﻧﺖ »ﺣﻘﻴﻘﻴﺔ« أ ﻻ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﺬا‬
‫ﻫﻮ املﻨﻈﻮر اﻟﺬ اﺗﺨﺬﻧﺎ ﺳﺎﺑﻘﺎ ﰲ ﻫﺬا اﻟﻜﺘﺎب ﻋﻨﺪﻣﺎ ﺳﺄﻟﻨﺎ ﻣﺎ إذا ﻛﺎﻧﺖ ﻗﻴﻤﺔ املﻌﻠﻤﺔ‬
‫املﻘﱰﺣﺔ ﻫﻲ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ أ ﻻ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻳﻘﺮ املﻨﻈﻮر اﻷﻛﺜﺮ ﺗﻄﻮرا أﻧﻪ ﻻ ﻳﻮﺟﺪ‬
‫ﻧﻤﻮذج — إﺣﺼﺎﺋﻲ أ ﻏري ذﻟﻚ — ﻳﻤﻜﻦ أ ﻳﺄﺧﺬ ﰲ اﻻﻋﺘﺒﺎر ﻛﻞ اﻟﺘﺄﺛريات اﻟﻌﻼﻗﺎت‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﻤﻜﻨﺔ ﰲ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ .‬ﻫﺬا املﻨﻈﻮر ﻫﻮ اﻟﺬ دﻓﻊ اﻹﺣﺼﺎﺋﻲ اﻟﺒﺎرز ﺟﻮرج ﺑﻮﻛﺲ‬
‫ﻟﻠﺘﺄﻛﻴﺪ ﻋﲆ أ »ﺟﻤﻴﻊ اﻟﻨﻤﺎذج ﺧﺎﻃﺌﺔ‪ ،‬إ ﻛﺎ ﺑﻌﻀﻬﺎ ﻣﻔﻴﺪا‪ «.‬إﻧﻨﺎ ﻧﺒﻨﻲ ﻧﻤﺎذج ﻟﺴﺒﺐ؛‬
‫ﻫﻮ ﻣﺴﺎﻋﺪﺗﻨﺎ ﰲ اﻟﻔﻬﻢ اﻟﺘﻨﺒﺆ اﺗﺨﺎذ اﻟﻘﺮار‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪ .‬رﻏﻢ أﻧﻨﺎ ﻧﺪر أ ﻧﻤﺎذﺟﻨﺎ‬
‫ﺗﻤﺜﻞ ﺗﺒﺴﻴﻄﺎ ﴐ رﻳٍّﺎ ﻟﻠﺘﻌﻘﻴﺪ اﻟﺮﻫﻴﺐ ﻟﻠﻌﺎﻟﻢ‪ ،‬ﻓﺈﻧﻨﺎ إذا ﻣﺎ اﺧﱰﻧﺎﻫﺎ ﺟﻴﺪا ﻓﺴﻮ ﺗﻤﻜﻨﻨﺎ‬
‫ﻣﻦ اﻟﻘﻴﺎ ﺑﻬﺬ اﻷﻣﻮر‪ .‬أﻣﺎ إذا اﺧﱰﻧﺎﻫﺎ ﻋﲆ ﻧﺤﻮ ﺳﻴﺊ‪ ،‬ﻓﻠﻦ ﻧﻔﻬﻢ‪ ،‬ﺳﻮ ﺗﺨﻔﻖ‬
‫ﺗﻮﻗﻌﺎﺗﻨﺎ‪ ،‬ﺳﻮ ﺗﺆد ﻗﺮاراﺗﻨﺎ إﱃ أﺧﻄﺎء؛ إذ ‪ ،‬ﻫﺪﻓﻨﺎ ﻫﻮ ﺑﻨﺎء ﻧﻤﺎذج ﺟﻴﺪة ﺑﻤﺎ ﻓﻴﻪ‬ ‫ﱡ‬
‫اﻟﻜﻔﺎﻳﺔ ﻟﺘﺤﻘﻴﻖ ﻏﺮﺿﻨﺎ‪.‬‬
‫ﻳﻤﻜﻦ ﺗﻘﺴﻴﻢ اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ إﱃ ﻧﻮﻋ ْني‪ ،‬ﻳﺴﻤﱠ ﻴﺎ ﻏﺎﻟﺒﺎ »اﻟﻨﻤﺎذج‬
‫اﻵﻟﻴﺔ« »اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ«‪ .‬ﻳﺴﺘﻨﺪ اﻟﻨﻤﻮذج اﻵﱄ ﻋﲆ ﺑﻌﺾ اﻟﻨﻈﺮﻳﺎت اﻷﺳﺎﺳﻴﺔ اﻟﺼﻠﺒﺔ‬
‫ﻟﻜﻴﻔﻴﺔ ارﺗﺒﺎط اﻷﺷﻴﺎء؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﺗﺨﱪﻧﺎ ﻧﻈﺮﻳﺔ ﻣﺎ ﰲ اﻟﻔﻴﺰﻳﺎء ﻛﻴﻒ أ‬
‫ﴎﻋﺔ ﺳﻘﻮط اﻷﺟﺴﺎ ﺗﺰﻳﺪ ﻣﻊ زﻳﺎدة اﻟﺰﻣﻦ اﻟﺬ ﺗﻘﻊ ﻓﻴﻪ‪ .‬أ رﺑﻤﺎ ﺗﺨﱪﻧﺎ ﻧﻈﺮﻳﺔ أﺧﺮ‬
‫ﺣﻮ ﻛﻴﻔﻴﺔ اﻧﺘﺸﺎر اﻟﻌﻘﺎﻗري ﰲ أﻧﺤﺎء اﻟﺠﺴﻢ‪ .‬ﰲ ﻛﻠﺘﺎ ﻫﺎﺗني اﻟﺤﺎﻟﺘني‪ ،‬ﺳﻮ ﺗﺴﺘﻨﺪ‬
‫اﻟﻨﻤﺎذج إﱃ ﻧﻈﺮﻳﺎت ﺣﻮ ﻛﻴﻔﻴﺔ ﻋﻤﻞ اﻷﺷﻴﺎء ﻓﻌﻠﻴٍّﺎ؛ ﰲ اﻟﻮاﻗﻊ‪ ،‬ﺳﻮ ﺗﺴﺘﻨﺪ اﻟﻨﻤﺎذج ﻋﲆ‬
‫املﻌﺎدﻻت اﻟﺮﻳﺎﺿﻴﺔ اﻟﺘﻲ ﺗﺼﻒ ﻫﺬ اﻟﻨﻈﺮﻳﺎت‪ ،‬اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﻧﺠﻤﻌﻬﺎ ﻟﺘﻘﻴﻴﻢ ﻧﻤﺎذﺟﻨﺎ‬
‫ﺳﻮ ﺗﻜﻮ ﻗﻴﻢ املﺘﻐريات املﺴﺘﺨﺪﻣﺔ ﰲ ﻫﺬ اﻟﻨﻈﺮﻳﺎت‪ ،‬ﻣﺜﻞ اﻟﴪﻋﺔ اﻟﺰﻣﻦ )ﰲ ﺣﺎﻟﺔ‬
‫ﺳﻘﻮط اﻟﴚء( اﻟﱰﻛﻴﺰ اﻟﺰﻣﻦ )ﰲ ﺣﺎﻟﺔ اﻧﺘﺸﺎر اﻟﻌﻘﺎﻗري(؛ ﻣﻦ ﺛ ﱠﻢ اﻟﻨﻤﺎذج اﻵﻟﻴﺔ ﻫﻲ‬
‫ﻃﺮ رﻳﺎﺿﻴﺔ ﻣﺒﺎﴍة ﻟﻮﺻﻒ اﻟﻨﻈﺮﻳﺎت‪.‬‬
‫ﰲ املﻘﺎﺑﻞ‪ ،‬اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ ﻫﻲ ﻣﺠﺮد ﻣﺤﺎ ﻻت ﻟﺘﻮﻓري ﻣﻠﺨﺼﺎت ﻣﻼﺋﻤﺔ ﻟﻠﺠﻮاﻧﺐ‬
‫املﻬﻤﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‪ .‬ﻗﺪ ﻻ ﻳﻜﻮ ﻟﺪﻳﻨﺎ أ ﻧﻈﺮﻳﺔ ﺗﻘﻮ إ اﻷﺟﺴﺎ اﻟﺴﺎﻗﻄﺔ‬
‫ﺗﺰﻳﺪ ﴎﻋﺘﻬﺎ ﻣﻊ ﻣﺮ ر اﻟﺰﻣﻦ‪ ،‬ﻟﻜﻨﻨﺎ ﻗﺪ ﻧﻼﺣﻆ ﺟﻮد ﻋﻼﻗﺔ ﺑني اﻟﺰﻣﻦ اﻟﴪﻋﺔ‪ ،‬ﻋﲆ‬
‫أﺳﺎس ﻫﺬا‪ ،‬ﻧﺨﻤﱢ ﻦ ﺟﻮد ﻋﻼﻗﺔ ﻃﺮدﻳﺔ‪ .‬إذا ﻟﻢ ﻳﻮﺟﺪ أ ﻗﺎﻋﺪة ﻧﻈﺮﻳﺔ أﺳﺎﺳﻴﺔ ﻟﻬﺬ‬
‫اﻟﻌﻼﻗﺔ املﻘﱰﺣﺔ‪ ،‬ﻓﺈ اﻟﻨﻤﻮذج ﻳﻜﻮ ﻧﻤﻮذﺟﺎ ﺗﺠﺮﻳﺒﻴٍّﺎ‪.‬‬
‫اﻟﻨﻤﺎذج اﻵﻟﻴﺔ اﺳﻌﺔ اﻻﻧﺘﺸﺎر ﰲ اﻟﻌﻠﻮ اﻟﻔﻴﺰﻳﺎﺋﻴﺔ ﰲ ﻣﺠﺎﻻت ﻣﺜﻞ اﻟﻬﻨﺪﺳﺔ‪ ،‬ﻓﻴﻤﺎ‬
‫ﺗﻤﻴﻞ اﻟﻌﻠﻮ اﻻﺟﺘﻤﺎﻋﻴﺔ اﻟﺴﻠﻮﻛﻴﺔ إﱃ اﻻﺳﺘﻔﺎدة ﻋﲆ ﻧﺤﻮ أﻛﱪ ﻣﻦ اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ‪.‬‬
‫ﻣﻊ ذﻟﻚ ﻓﻤﻦ اﻟﻮاﺿﺢ ﺟﻮد ﺗﺪاﺧﻞ ﻛﺒري؛ إذ إ ﻃﺒﻴﻌﺔ اﻟﻨﻤﻮذج ﺗﻌﺘﻤﺪ ﻋﲆ ﻣﺎ ﻳﺠﺮ‬
‫ﻧﻤْ ﺬﺟﺘﻪ ﻣﺪ ﺳﻬﻮﻟﺔ ﻓﻬﻤﻪ؛ ﻓﺎﻻﻗﺘﺼﺎد — اﻟﺬ ﻳﻌ ﱡﺪ ﻋﻠﻤﺎ اﺟﺘﻤﺎﻋﻴٍّﺎ — ﻣﲇء ﺑﺎﻟﻨﻤﺎذج‬
‫اﻵﻟﻴﺔ املﻌﺘﻤﺪة ﻋﲆ ﻧﻈﺮﻳﺎت ﺣﻮ ﻛﻴﻔﻴﺔ ارﺗﺒﺎط اﻟﻌﻮاﻣﻞ اﻻﻗﺘﺼﺎدﻳﺔ‪ .‬ﻋﻤﻮﻣﺎ‪ ،‬رﺑﻤﺎ ﻣﻦ‬
‫اﻹﻧﺼﺎ اﻟﻘﻮ إﻧﻪ ﰲ املﺮاﺣﻞ اﻷ ﻟﻴﺔ ﻻﺳﺘﻜﺸﺎ ﻇﺎﻫﺮة ﻣﺎ‪ ،‬ﻓﺈ اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫‪94‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﺗﻜﻮ أﻛﺜﺮ ﺷﻴﻮﻋﺎ؛ إذ إ املﺮء ﻳﺒﺤﺚ ﻋﻦ اﻻﺗﺴﺎ اﻷﻧﻤﺎط ﰲ ﻣﺠﻤﻮﻋﺔ املﻼﺣﻈﺎت‪ .‬ﰲ‬
‫ﻣﺮاﺣﻞ ﻻﺣﻘﺔ‪ ،‬ﻋﻨﺪﻣﺎ ﻳﻜﻮ اﻟﻔﻬﻢ ﻗﺪ ازداد‪ ،‬ﺗﺼﺒﺢ اﻟﻨﻤﺎذج اﻵﻟﻴﺔ أﻛﺜﺮ أﻫﻤﻴﺔ‪ .‬ﻋﲆ أ‬
‫ﺣﺎ ‪ ،‬ﻛﻤﺎ ﺗﻮﺿﺢ ﻧﻤﺎذﺟﻨﺎ ﻟﻸﺟﺴﺎ اﻟﺴﺎﻗﻄﺔ‪ ،‬ﻳﻤﻜﻦ ﺑﻨﺎء ﻧﻤﻮذج ﻣﻌني ﻋﲆ أﻧﻪ ﻧﻤﻮذج‬
‫ﺗﺠﺮﻳﺒﻲ ﺛﻢ ﻳﺼﺒﺢ آﻟﻴٍّﺎ ﻋﻨﺪﻣﺎ ﻳﺰداد ﻓﻬﻤﻨﺎ ﻟﻠﻈﺎﻫﺮة‪.‬‬
‫أﺣﻴﺎﻧﺎ ﻣﺎ ﻳﻜﻮ ﻣﻦ املﻔﻴﺪ اﻟﺘﻤﻴﻴﺰ ﺑني ﻣﺨﺘﻠﻒ اﻻﺳﺘﺨﺪاﻣﺎت املﻤﻜﻨﺔ ﻟﻠﻨﻤﺎذج‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪ .‬أﺣﺪ أﻣﺜﻠﺔ ﻫﺬا اﻟﺘﻤﻴﻴﺰ ﻳﻜﻮ ﺑني »اﻻﺳﺘﻜﺸﺎ « »اﻟﺘﺄﻛﻴﺪ«؛ ﻓﻔﻲ اﻻﺳﺘﻜﺸﺎ ‪،‬‬
‫ﻧﺒﺤﺚ ﻋﻦ اﻟﻌﻼﻗﺎت أ اﻷﻧﻤﺎط؛ ﺑﻴﻨﻤﺎ ﰲ اﻟﺘﺄﻛﻴﺪ‪ ،‬ﻧﻬﺪ إﱃ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت‬
‫ﺗﺪﻋﻢ ﺗﻔﺴريا ﻣﻘﱰﺣﺎ أ ﻻ؛ ﻟﺬﻟﻚ‪ ،‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ دراﺳﺔ اﺳﺘﻜﺸﺎﻓﻴﺔ رﺑﻤﺎ ﻧﺒﺤﺚ‬
‫ﻋﻦ املﺘﻐريات اﻟﺘﻲ ﺗﺮﺗﺒﻂ ﻣﻌﺎ ارﺗﺒﺎﻃﺎ ﺛﻴﻘﺎ‪ .‬ﻓﺮﺑﻤﺎ ﻳﺄﺧﺬ ﻣﺘﻐري اﺣﺪ ﻗﻴﻤﺔ ﻋﺎﻟﻴﺔ ﻛﻠﻤﺎ‬
‫ﻓﻌﻞ ذﻟﻚ ﻣﺘﻐري آﺧﺮ‪ ،‬أ رﺑﻤﺎ ﺗﺄﺧﺬ ﻣﺠﻤﻮﻋﺎت ﻣﻦ املﺘﻐريات ﻗﻴﻤﺎ ﻣﺘﺸﺎﺑﻬﺔ ﺟﺪٍّا ﻣﻊ‬
‫أﺷﻴﺎء ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪ .‬ﻣﻦ ﻧﺎﺣﻴﺔ أﺧﺮ ‪ ،‬رﺑﻤﺎ ﻧﺴﺘﺨﺪ اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﺪراﺳﺎت‬
‫اﻟﺘﺄﻛﻴﺪﻳﺔ ﻟﺘﻘﺪﻳﺮ ﻣﻌﻠﻤﺎت ﻧﻤﻮذج إﺣﺼﺎﺋﻲ ﻣﻘﱰح إﺟﺮاء اﺧﺘﺒﺎر إﺣﺼﺎﺋﻲ ملﻌﺮﻓﺔ ﻣﺎ إذا‬
‫ﻛﺎ اﻟﺘﻘﺪﻳﺮ ﻗﺮﻳﺒﺎ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻣﻤﱠ ﺎ ﺗﻮﻗﻌﺘْﻪ ﻧﻈﺮﻳﺘﻨﺎ‪ .‬أﺻﺒﺤﺖ اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬
‫ﻻﺳﺘﻜﺸﺎ اﻟﺒﻴﺎﻧﺎت ذات أﻫﻤﻴﺔ ﻣﺘﺰاﻳﺪة ﰲ اﻟﺴﻨﻮات اﻷﺧرية‪ ،‬ﻣﻊ ﺗﺮاﻛﻢ ﻣﺠﻤﻮﻋﺎت ﻣﻦ‬
‫اﻟﺒﻴﺎﻧﺎت أﻛﱪ أﻛﱪ‪ .‬ﻳﻨﻄﺒﻖ ﻫﺬا ﻋﲆ اﻟﺘﻄﺒﻴﻘﺎت اﻟﻌﻠﻤﻴﺔ )ﻣﺜﻞ ﻓﻴﺰﻳﺎء اﻟﺠﺴﻴﻤﺎت ﻋﻠﻢ‬
‫اﻟﻔﻠﻚ(‪ ،‬ﻛﺬﻟﻚ اﻟﺘﻄﺒﻴﻘﺎت اﻟﺘﺠﺎرﻳﺔ )ﻣﺜﻞ ﻗﻮاﻋﺪ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺤﺘﻮ ﻋﲆ ﺗﻔﺎﺻﻴﻞ‬
‫املﺸﱰﻳﺎت ﻣﻦ املﺘﺎﺟﺮ‪ ،‬أ املﻜﺎملﺎت اﻟﻬﺎﺗﻔﻴﺔ‪ ،‬أ ﺑﻴﺎﻧﺎت ﺗﺪﻓﻖ اﻟﻨﻘﺮ ﻋﲆ اﻹﻧﱰﻧﺖ(‪.‬‬
‫ﺛﻤﺔ ﺗﻤﻴﻴﺰ آﺧﺮ ﻣﻬﻢ ﰲ اﻟﻨﻤﺬﺟﺔ اﻹﺣﺼﺎﺋﻴﺔ ﺑني »اﻟﻮﺻﻒ« »اﻟﺘﻨﺒﺆ«؛ ﻓﻌﻨﺪ ﺻﻒ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻳﺘﻤﺜﻞ اﻟﻬﺪ ﰲ ﺗﻠﺨﻴﺼﻬﺎ ﺑﻄﺮﻳﻘﺔ ﻣﺮﻳﺤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬إذا‬
‫ﻛﺎﻧﺖ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﺗﺘﻜﻮ ﻣﻦ ﻣﻼﺣﻈﺎت ﻟﻌﴩة ﻣﺘﻐريات )اﻟﻄﻮ اﻟﻮز اﻟﺰﻣﻦ‬
‫املﺴﺘﻐﺮ ﰲ اﻟﺘﻮﺟﻪ ﻟﻠﻌﻤﻞ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ( ﻟﻜﻞ ﺷﺨﺺ ﻣﻦ ﻣﻠﻴﻮ ﺷﺨﺺ‪ ،‬ﻓﺴﻨﺤﺘﺎج ﻟﻜﻲ‬
‫ﻧﺒﺪأ ﰲ ﻓﻬﻤﻬﺎ إﱃ ﺗﻘﻠﻴﻞ ﺣﺠﻤﻬﺎ إﱃ ﺣﺠﻢ ﻣﻌﻘﻮ ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﻠﺨﻴﺼﻬﺎ ﻣﻦ‬
‫ﺧﻼ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ اﻻﻧﺤﺮاﻓﺎت املﻌﻴﺎرﻳﺔ ﻟﻜﻞ ﻣﺘﻐري‪ ،‬ﻛﺬﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﻗﻴﺎﺳﺎت‬
‫ﻣﺪ ﺗﺮاﺑﻄﻬﺎ‪ .‬ﺣﻴﻨﻬﺎ ﺳﻴﻜﻮ ﻟﺪﻳﻨﺎ ﺑﻌﺾ اﻷﻣﻞ ﰲ ﻓﻬْ ﻢ ﻣﺎ ﻳﺠﺮ ﺣﻴﺚ إﻧﻨﺎ ﺻﻔﻨﺎ‬
‫اﻟﺨﺼﺎﺋﺺ اﻟﻌﺎﻣﺔ ﻟﻠﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﻣﺮﻳﺢ‪ .‬ﺑﺎﻹﺷﺎرة إﱃ ﻫﺬا‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ ﰲ اﻟﻔﺼﻞ‬
‫اﻟﺜﺎﻧﻲ‪ ،‬ﻓﺈ ﻫﺬ املﻠﺨﺼﺎت اﻟﻮﺻﻔﻴﺔ ﻻ ﺗﺨﻠﻮ ﻣﻦ املﺨﺎﻃﺮ‪ .‬ﻓﺈﻧﻬﺎ‪ ،‬ﺑﺤﻜﻢ ﻃﺒﻴﻌﺘﻬﺎ‪ ،‬ﺗﺒﺴﻂ‬
‫اﻟﺘﻌﻘﻴﺪ اﻟﻬﺎﺋﻞ ملﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﺑﺄﻛﻤﻠﻬﺎ؛ ﻟﺬﻟﻚ ﻳﺠﺐ أ ﻧﻨﺘﺒﻪ ﻻﺣﺘﻤﺎ أ ﱠ ﺻﻔﻨﺎ املﻮﺟﺰ‬
‫أﻏﻔﻞ ﺷﻴﺌﺎ ﻣﻬﻤٍّ ﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻓﺸﻞ ﻧﻤﻮذﺟﻨﺎ ﰲ اﻟﻮﺿﻊ ﰲ اﻻﻋﺘﺒﺎر ﺣﻘﻴﻘﺔ‬

‫‪95‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺟﻮد ﻣﺠﻤﻮﻋﺘني راﺛﻴﺘني ﻣﺘﻤﻴﺰﺗني ﰲ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ؛ ﻟﺬﻟﻚ ﻳﻠﺰ‬
‫ﺟﻮد ﻧﻤﻮذج أﻛﺜﺮ ﺗﻔﺼﻴﻼ ﻟﺘﻤﺜﻴﻞ ذﻟﻚ‪.‬‬
‫أﻣﺎ ﻫﺪﻓﻨﺎ ﰲ اﻟﺘﻨﺒﺆ ﻓﻬﻮ اﺳﺘﺨﺪا ﺑﻌﺾ املﺘﻐريات ﻟﻠﺘﻨﺒﺆ ﺑﻘﻴﻢ ﻣﺘﻐريات أﺧﺮ ؛ ﻋﲆ‬
‫ﺗﺒني ﺗﻔﺎﺻﻴﻞ اﻟﻨﻈﺎ اﻟﻐﺬاﺋﻲ‬ ‫ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻗﺪ ﻳﻜﻮ ﻟﺪﻳﻨﺎ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﱢ‬
‫ﰲ اﻟﻄﻔﻮﻟﺔ ﻟﻌﻴﻨﺔ ﻣﻦ اﻷﺷﺨﺎص ﻃﻮﻟﻬﻢ ﺑﻌﺪ اﻟﺒﻠﻮغ‪ .‬ﻳﻤﻜﻨﻨﺎ ﺑﺎﺳﺘﺨﺪا ﻫﺬ اﻟﺒﻴﺎﻧﺎت‬
‫ﺑﻨﺎء ﻧﻤﻮذج ﻳﺮﺑﻂ اﻟﻄﻮ ﺑﻌﺪ اﻟﺒﻠﻮغ ﺑﺎﻟﻨﻈﺎ اﻟﻐﺬاﺋﻲ ﰲ اﻟﻄﻔﻮﻟﺔ‪ ،‬ﺛﻢ ﻧﺴﺘﺨﺪ اﻟﻨﻤﻮذج‬
‫ﻟﻠﺘﻨﺒﺆ ﺑﺎﻟﻄﻮ املﺴﺘﻘﺒﲇ املﺤﺘﻤﻞ ﻟﻄﻔﻞ ﻳﺘﺒﻊ ﻧﻈﺎﻣﺎ ﻏﺬاﺋﻴٍّﺎ ﻣﻌﻴﻨﺎ‪ .‬ﻻﺣﻆ أ ﺟﺎﻧﺒﺎ أﺳﺎﺳﻴٍّﺎ‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻻز ﻟﻬﺬ اﻟﻨﻤﺎذج؛ إذ إﻧﻨﺎ ﻧﺤﺘﺎج ﻟﻘﻴﻢ ﻟﻜ ﱟﻞ ﻣﻦ املﺘﻐريات املﺘﻨﺒﱢﺌﺔ املﺘﻐري‬
‫املﺘﻨﺒﱠﺄ ﺑﻪ ﻣﻦ ﻋﻴﻨﺘﻨﺎ‪ .‬ﺳﻮ ﻳﺘﻀﺢ أ ﻫﺬا ﺗﻤﻴﻴﺰ ﻣﻬﻢ ﺟﺪٍّا ﺑني اﻟﻨﻤﺎذج اﻟﺘﻨﺒﱡﺌﻴﺔ اﻟﻨﻤﺎذج‬
‫اﻟﻮﺻﻔﻴﺔ‪ ،‬ﻛﻤﺎ ﺳﻨﺮ ﻓﻴﻤﺎ ﻳﲇ‪:‬‬
‫ﻣﺮة أﺧﺮ ‪ ،‬ﻟﻴﺲ اﻟﺘﻤﻴﻴﺰ اﺿﺤﺎ داﺋﻤﺎ ﺿﻮح اﻟﺸﻤﺲ‪ ،‬ﻓﺮﺑﻤﺎ ﻧﻜﻮ ﺑﺒﺴﺎﻃﺔ‬
‫ﻣﻬﺘﻤﱢ ني ﺑﻮﺻﻒ اﻟﻌﻼﻗﺔ ﺑني اﻟﻨﻈﺎ اﻟﻐﺬاﺋﻲ ﰲ اﻟﻄﻔﻮﻟﺔ اﻟﻄﻮ ﺑﻌﺪ اﻟﺒﻠﻮغ‪ ،‬ﻣﻊ ﻋﺪ‬
‫ﺟﻮد ﻧﻴﺔ ﻻﺳﺘﺨﺪا اﻟﻨﻤﻮذج ﻟﻠﺘﻨﺒﺆ ﺑﺄﺣﺪﻫﻤﺎ ﻋﻦ ﻃﺮﻳﻖ اﻵﺧﺮ‪.‬‬
‫ﻳﻮﺟﺪ ﻧﻮع آﺧﺮ ﻣﻬﻢ ﻣﻦ اﻟﺘﻨﺒﺆ ﻫﻮ »اﻟﺘﻮﻗﻊ«‪ ،‬ﻓﻴﻪ ﻧﺴﺘﺨﺪ ﺑﻴﺎﻧﺎت ﻣﻦ املﺎﴈ‬
‫ﻟﺒﻨﺎء ﻧﻤﻮذج ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻪ ﻛﺄﺳﺎس ﻟﻠﺘﻨﺒﺆ ﺑﺎﻟﻘﻴﻢ املﺤﺘﻤﻠﺔ ملﻼﺣﻈﺎت ﻟﻢ ﺗﺮﺻﺪ ﺑﻌﺪ؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻧﻔﺤﺺ اﻟﻨﻤﻂ اﻟﺸﻬﺮ ملﺒﻴﻌﺎت أﺟﻬﺰة اﻟﺘﻠﻔﺎز ﻋﲆ ﻣﺪ اﻟﺴﻨﻮات‬
‫ﺗﻮﻗﻊ‬‫اﻟﺨﻤﺲ املﺎﺿﻴﺔ‪ ،‬ﻧﻘﺪﱢر اﺳﺘﻘﺮاﺋﻴٍّﺎ ﻧﺰﻋﺔ املﺒﻴﻌﺎت اﻟﺘﻔﺎ ت املﻮﺳﻤﻲ ﻣﻦ أﺟْ ﻞ ﱡ‬
‫املﺒﻴﻌﺎت املﺤﺘﻤﻠﺔ ﺧﻼ اﻻﺛﻨﻲ ﻋﴩ ﺷﻬﺮا اﻟﺘﺎﻟﻴﺔ‪.‬‬
‫ﻟﻠﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ اﺳﺘﺨﺪاﻣﺎت أﺧﺮ أﻳﻀﺎ‪ .‬ﺗﻌﺮﻓﻨﺎ ﴎﻳﻌﺎ ﻋﲆ د رﻫﺎ ﰲ اﺗﺨﺎذ‬
‫اﻟﻘﺮار ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ أﻳﻀﺎ ﰲ اﻟﻔﺼﻞ ﻋﻴﻨﻪ ﻛﻴﻒ ﻗﺪﱢرت ﻣﻌﻠﻤﺎت اﻟﺘﻮزﻳﻌﺎت‪.‬‬
‫ﻳﺘﻢ ذﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﺗﺤﺪﻳﺪ ﻣﻘﻴﺎس ﻟﻠﺘﻨﺎﻗﺾ ﺑني اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة اﻟﺘﻮزﻳﻊ اﻟﻨﻈﺮ ‪،‬‬
‫ﺛﻢ اﺧﺘﻴﺎر ﻗﻴﻤﺔ املﻌﻠﻤﺔ املﻘﺪﱠرة اﻟﺘﻲ ﺗﻘﻠﻞ ﻗﻴﺎس اﻟﺘﻨﺎﻗﺾ ﻷدﻧﻰ ﺣﺪ‪ .‬ﻳﺴﺘﻤﺪ ﻣﻘﻴﺎس‬
‫ﺷﺎﺋﻊ ﻟﻠﺘﻨﺎﻗﺾ ﻣﻦ اﻹﻣﻜﺎ ‪ ،‬اﻟﺬ ﻳﻘﻴﺲ ﻣﺪ اﺣﺘﻤﺎ أ ﺑﻴﺎﻧﺎت ﻣﺜﻞ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‬
‫ﺳﺘﻨﺸﺄ إذا أﺧﺬت املﻌﻠﻤﺎت ﻗﻴﻤﺎ ﻣﺨﺘﻠﻔﺔ ﻣﺘﻌﺪدة‪ .‬اﻵ ‪ ،‬ﺑﻤﺎ أ اﻟﺘﻮزﻳﻌﺎت ﻫﻲ أﺷﻜﺎ‬
‫ﺑﺴﻴﻄﺔ ﻓﺤﺴﺐ ﻣﻦ اﻟﻨﻤﻮذج‪ ،‬ﻓﺈ املﺒﺎدئ ﻧﻔﺴﻬﺎ ﺑﺎﻟﻀﺒﻂ ﺗﻨﻄﺒﻖ ﻋﻨﺪ ﺗﺠﺮﺑﺔ ﻧﻤﺎذج أﻛﺜﺮ‬
‫ﺗﻔﺼﻴﻼ )ﻣﺜﻞ ﺗﻠﻚ املﺬﻛﻮرة ﻓﻴﻤﺎ ﻳﲇ(‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻨﺸﺄ ﻇﺎﻫﺮة ﻏﺮﻳﺒﺔ ﺑﻴﻨﻤﺎ ﺗﺼﺒﺢ اﻟﻨﻤﺎذج‬
‫أﻛﺜﺮ ﺗﻔﺼﻴﻼ‪.‬‬
‫ﺳﺄذﻛﺮ ﻣﺜﺎﻻ ﺑﺴﻴﻄﺎ ﻟﻠﺘﻮﺿﻴﺢ؛ ﻟﻨﻔﱰض أﻧﻨﺎ ﻧﺮﻳﺪ ﺑﻨﺎء ﻧﻤﻮذج ﻟﻠﺘﻨﺒﺆ ﺑﺎﻟﺮ اﺗﺐ اﻷ ﱃ‬
‫ﻟﻠﺨﺮﻳﺠني‪ ،‬اﺳﺘﻨﺎدا إﱃ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺼﻒ دراﺳﺘﻬﻢ‪ ،‬املﻮاد اﻟﺘﻲ درﺳﻮﻫﺎ ﰲ اﻟﺠﺎﻣﻌﺔ‪،‬‬

‫‪96‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﻧﺘﺎﺋﺞ اﻣﺘﺤﺎﻧﺎﺗﻬﻢ‪ ،‬أﻳﻀﺎ ﻋﻮاﻣﻞ ﻣﺜﻞ اﻟﻌﻤﺮ اﻟﺠﻨﺲ ﻣﻜﺎ اﻹﻗﺎﻣﺔ‪ ،‬ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫اﻓﱰض أﻧﻨﺎ ﺟﻤﻌﻨﺎ ﻋﻴﻨﺔ ﻣﻜﻮﻧﺔ ﻣﻦ ﻣﺎﺋﺔ ﻣﻦ اﻟﺨﺮﻳﺠني اﻟﺠﺪد ﺟﻤﻌﻨﺎ اﻟﺒﻴﺎﻧﺎت ﻣﻨﻬﺎ‪.‬‬
‫ﻋﻤﻮﻣﺎ‪ ،‬إذا ﺣﺎ ﻟﻨﺎ أ ﻧﺒﻨﻲ ﺗﻮﻗﻌﺎﺗﻨﺎ ﻋﲆ ﻋﺪد ﻗﻠﻴﻞ ﺟﺪٍّا ﻣﻦ املﺘﻐريات )ﻣﺜﻞ اﻟﻌﻤﺮ ﻓﻘﻂ(‬
‫ﻓﺈﻧﻨﺎ ﻟﻦ ﻧﺤﺼﻞ ﻋﲆ ﺗﻨﺒﺆات دﻗﻴﻘﺔ ﻟﻠﻐﺎﻳﺔ؛ ﻓﺎﻟﻌﻤﺮ‪ ،‬ﰲ ﺣﺪ ذاﺗﻪ‪ ،‬ﺣﺪ ﻻ ﻳﺤﺘﻮ ﻋﲆ‬
‫ﻣﻌﻠﻮﻣﺎت ﻛﺎﻓﻴﺔ ﻟﻠﺴﻤﺎح ﻟﻨﺎ ﺑﺄ ﻧﻌﺮ ﻛﻢ ﺳﻴﻜﻮ راﺗﺐ اﻟﺸﺨﺺ املﺘﺨ ﱢﺮج ﰲ اﻟﺠﺎﻣﻌﺔ‬
‫ﺑﺪﻗﺔ ﻣﺘﻨﺎﻫﻴﺔ‪ .‬ﻟﺘﺤﺴني دﻗﺔ اﻟﺘﻨﺒﺆ ﻓﺈﻧﻨﺎ ﺑﺤﺎﺟﺔ إﱃ إﺿﺎﻓﺔ املﺰﻳﺪ ﻣﻦ اﻟﻌﻮاﻣﻞ املﺘﻨﺒﱢﺌﺔ )ﻣﺜﻞ‬
‫اﺳﺘﺨﺪا اﻟﻌﻤﺮ ﻣﺠﺎ اﻟﺪراﺳﺔ درﺟﺎت اﻻﻣﺘﺤﺎ ﻟﻠﺘﻨﺒﺆ ﺑﺮاﺗﺐ اﻟﺸﺨﺺ املﺘﺨﺮج(‪ .‬ﻣﻊ‬
‫ذﻟﻚ — ﻫﻨﺎ ﺗﱪز املﻌﻀﻠﺔ — إذا أﺿﻔﻨﺎ ﻋﺪدا أﻛﱪ ﻣﻤﺎ ﻳﻠﺰ ﻣﻦ املﺘﻐريات املﺘﻨﺒﱢﺌﺔ ﻓﺈ‬
‫دﻗﺔ اﻟﺘﻨﺒﺆ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺳﺘﻘﻞ؛ ﻓﻌﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻨﺎ ﻧﺴﺘﺨﺪ‬
‫ﻣﺰﻳﺪا ﻣﻦ املﻌﻠﻮﻣﺎت ﺣﻮ اﻟﺨﺮﻳﺠني‪ ،‬ﻓﺈ ﻧﻤﻮذﺟﻨﺎ ﻟﻴﺲ ﺟﻴﺪا‪.‬‬
‫ﻳﺒﺪ ﻫﺬا ﻣﻨﺎﻗﻀﺎ ﻟﻠﻤﻨﻄﻖ؛ ﻓﻜﻴﻒ ﻳﻤﻜﻦ ﻹﺿﺎﻓﺔ »ﻣﺰﻳﺪ« ﻣﻦ املﻌﻠﻮﻣﺎت أ ﺗﺆد إﱃ‬
‫ﺗﻨﺒﺆات »أﺳﻮأ«؟‬
‫ﻌﱪ »اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ«‪.‬‬ ‫اﻟﺠﻮاب ﻣﺮا غ‪ ،‬ﻳﻄﻠﻖ ﻋﻠﻴﻪ أﺳﻤﺎء ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻣﻨﻬﺎ اﻻﺳﻢ امل ﱢ‬
‫ﻟﻔﻬﻢ ذﻟﻚ‪ ،‬دﻋﻨﺎ ﻧﱰاﺟﻊ ﺧﻄﻮة إﱃ اﻟﻮراء ﻧﺘﺪﺑﺮ ﻫﺪﻓﻨﺎ اﻟﺤﻘﻴﻘﻲ‪ .‬إ ﻫﺪﻓﻨﺎ »ﻟﻴﺲ«‬
‫اﻟﺤﺼﻮ ﻋﲆ أﻓﻀﻞ اﻟﺘﻨﺒﺆات املﻤﻜﻨﺔ ﻟﻠﺨﺮﻳﺠني املﺎﺋﺔ ﰲ ﻋﻴﱢﻨﺘﻨﺎ؛ ﻓﻨﺤﻦ ﻧﻌﻠﻢ ﺑﺎﻟﻔﻌﻞ‬
‫ﻟﻜﻦ ﻫﺪﻓﻨﺎ ﻫﻮ اﻟﺤﺼﻮ ﻋﲆ أﻓﻀﻞ اﻟﺘﻨﺒﺆات املﻤﻜﻨﺔ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﺨﺮﻳﺠني‬ ‫ﱠ‬ ‫ر اﺗﺒﻬﻢ اﻷ ﱃ‪،‬‬
‫اﻵﺧﺮﻳﻦ؛ أ إ ﻫﺪﻓﻨﺎ ﻫﻮ »اﻟﺘﻌﻤﻴﻢ« ﻣﻦ اﻟﻌﻴﻨﺔ املﻮﺟﻮدة ﻟﺪﻳﻨﺎ‪ .‬اﻵ ‪ ،‬ﺑﺈﺿﺎﻓﺔ املﺰﻳﺪ‬
‫املﺰﻳﺪ ﻣﻦ املﺘﻐريات املﺘﻨﺒﱢﺌﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺎﻟﺘﺄﻛﻴﺪ ﻧﻀﻴﻒ ﻣﻌﻠﻮﻣﺎت ﺳﻮ ﺗﻤ ﱢﻜﻨﻨﺎ ﻣﻦ اﻟﺘﻨﺒﺆ‬
‫ﺑﺮ اﺗﺐ اﻷﺷﺨﺎص املﻮﺟﻮدﻳﻦ ﰲ ﻋﻴﻨﺘﻨﺎ ﺑﺎﻟﻔﻌﻞ ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ دﻗﺔ‪ .‬ﻟﻜﻦ اﻟﻌﻴﻨﺔ ﻟﻴﺴﺖ‬
‫ﺳﻮ ﻋﻴﻨﺔ؛ أ إﻧﻬﺎ ﻻ ﺗﻤﺜﻞ ر اﺗﺐ املﺠﻤﻮﻋﺔ ﺑﺄﻛﻤﻠﻬﺎ ﻋﲆ ﻧﺤﻮ ﻛﺎﻣﻞ‪ .‬ﺑﻌﺪ ﻓﱰة‬
‫ﻣﻦ اﻟﻮﻗﺖ‪ ،‬ﺑﻴﻨﻤﺎ ﻧﻮاﺻﻞ إﺿﺎﻓﺔ املﺰﻳﺪ ﻣﻦ املﺘﻐريات املﺘﻨﺒﺌﺔ‪ ،‬ﻧﺒﺪأ ﰲ اﻟﺘﻨﺒﺆ ﺑﺠﻮاﻧﺐ‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﺧﺎﺻﺔ ﺑﺎﻟﻌﻴﻨﺔ ﺣﺪﻫﺎ؛ ﻓﻬﻲ ﻟﻴﺴﺖ ﺳﻤﺎت ﺗﻨﻄﺒﻖ ﻋﲆ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ‬
‫ﺑﺄﻛﻤﻠﻬﺎ‪.‬‬
‫ﺗﻨﻄﺒﻖ ﻫﺬ اﻟﻈﺎﻫﺮة ﻋﲆ ﺟﻤﻴﻊ اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ؛ ﻓﺎﻟﻨﻤﺎذج ﻳﻤﻜﻦ أ ﺗﻜﻮ‬
‫ﻣﻔﺮﻃﺔ ﰲ اﻟﺘﻌﻘﻴﺪ‪ ،‬ﺑﺤﻴﺚ ﺗﺘﻄﺎﺑﻖ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة ﺟﻴﺪا ﺟﺪٍّا ﺑﺎﻟﻔﻌﻞ‪ ،‬ﻟﻜﻨﻬﺎ‬
‫ﺗﻔﺸﻞ ﰲ اﻟﺘﻌﻤﻴﻢ ﻋﲆ أﺷﻴﺎء أﺧﺮ ﻣﺴﺘﻤﺪﱠة ﻣﻦ اﻟﺘﻮزﻳﻊ ﻧﻔﺴﻪ؛ ﻫﺬا ﻳﻌﻨﻲ أﻧﻪ ﻻ ﺑﺪ‬
‫ﻣﻦ ﺿﻊ اﺳﱰاﺗﻴﺠﻴﺎت ﻻﺧﺘﻴﺎر ﻧﻤﺎذج ﺑﺪرﺟﺔ ﺗﻌﻘﻴﺪ ﻣﻨﺎﺳﺒﺔ؛ ﻓﺈذا ﻛﺎﻧﺖ اﻟﻨﻤﺎذج ﻣﻔﺮﻃﺔ‬
‫اﻟﺘﺒﺴﻴﻂ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺨﺎﻃﺮ ﺑﻔﻘﺪا ﻗﺪرﺗﻬﺎ ﻋﲆ اﻟﺘﻨﺒﺆ‪ ،‬إذا ﻛﺎﻧﺖ ﻣﻔﺮﻃﺔ اﻟﺘﻌﻘﻴﺪ‪ ،‬ﻓﺈﻧﻨﺎ‬

‫‪97‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻧﺨﺎﻃﺮ ﺑﺎﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ‪ .‬ﻳﺸﻜﻞ ﻫﺬا املﻔﻬﻮ أﺳﺎس ﻣﺒﺪأ »ﺷﻔﺮة أ ﻛﺎ «‪ ،‬اﻟﺬ ﻳﻨﺺ‬
‫ﻋﲆ أ »اﻟﻨﻤﺎذج ﻳﻨﺒﻐﻲ ﱠأﻻ ﺗﻜﻮ أﻛﺜﺮ ﺗﻌﻘﻴﺪا ﻣﻤﺎ ﻫﻮ ﴐ ر « )ﻳﻨﺴﺐ إﱃ اﻟﺮاﻫﺐ‬
‫اﻟﻔﺮﻧﺴﻴﺴﻜﺎﻧﻲ ﻳﻠﻴﺎ اﻷ ﻛﺎﻣﻲ ﻣﻦ اﻟﻘﺮ اﻟﺮاﺑﻊ ﻋﴩ(‪.‬‬
‫ملﺸﻜﻠﺔ اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ أﻫﻤﻴﺔ ﺧﺎﺻﺔ ﰲ ﻣﺠﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ؛ ﻓﻘﺒﻞ‬
‫ﻇﻬﻮر أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ‪ ،‬ﻗﺒﻞ أ ﻳﺼﺒﺢ ﻣﺄﻟﻮﻓﺎ ﻣﻄﺎﺑﻘﺔ اﻟﻨﻤﺎذج املﻌﻘﺪة ﻣﻊ أﻋﺪاد ﻛﺒرية‬
‫ﻣﻦ املﻌﻠﻤﺎت‪ ،‬ﻛﺎ ﺧﻄﺮ اﻟﻮﻗﻮع ﰲ اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ أﻗﻞ‪.‬‬

‫)‪ (2‬اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ :‬ﺗﻄﺒﻴﻖ اﻹﺣﺼﺎء‬

‫اﻟﻬﺪ ﻣﻦ ﻫﺬا اﻟﺠﺰء ﻫﻮ ﺗﺤﺪﻳﺪ ﺑﻌﺾ اﻟﻔﺌﺎت املﻬﻤﺔ ﻣﻦ اﻟﻄﺮ اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬إﻇﻬﺎر‬
‫ﻛﻴﻔﻴﺔ ارﺗﺒﺎط ﺑﻌﻀﻬﺎ ﺑﺒﻌﺾ‪ ،‬ﺗﻮﺿﻴﺢ أﻧﻮاع املﺸﺎﻛﻞ اﻟﺘﻲ ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻬﺎ ﻟﺤﻠﻬﺎ‪.‬‬
‫ﻟﻨﺒﺪأ ﺑﺎﻹﺷﺎرة إﱃ أﻧﻨﺎ ﻧﻬﺘﻢ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎ ﺑﺎﻟﻌﻼﻗﺎت ﺑني أز اج املﺘﻐريات‪ .‬ﻫﻞ‬
‫ﺧﻄﺮ اﻹﺻﺎﺑﺔ ﺑﺎﻟﻨﻮﺑﺎت اﻟﻘﻠﺒﻴﺔ ﻳﺰداد ﻣﻊ زﻳﺎدة ﻣﺆﴍ ﻛﺘﻠﺔ اﻟﺠﺴﻢ؟ ﻫﻞ اﻻﺣﱰار اﻟﻌﺎملﻲ‬
‫ﻧﺎﺗﺞ ﻋﻦ اﻟﻨﺸﺎط اﻟﺒﴩ ؟ ﻫﻞ إذا ارﺗﻔﻌﺖ اﻟﺒﻄﺎﻟﺔ ﻳﻨﺨﻔﺾ اﻟﺘﻀﺨﻢ؟ ﻫﻞ ﺗﺤﺴني ﻣﺰاﻳﺎ‬
‫اﻟﺴﻼﻣﺔ ﰲ اﻟﺴﻴﺎرة ﻳﺰﻳﺪ ﻣﺒﻴﻌﺎﺗﻬﺎ؟ ﻣﺎ إﱃ ذﻟﻚ‪ .‬إذا ﻛﺎ ﻣﺘﻐريا ﻣﺮﺗﺒﻄني ﺑﺤﻴﺚ إ‬
‫اﻟﻘﻴﻢ اﻷﻛﱪ ﻷﺣﺪﻫﻤﺎ ﺗﻤﻴﻞ إﱃ اﻻرﺗﺒﺎط ﺑﺎﻟﻘﻴﻢ اﻷﻛﱪ ﻟﻶﺧﺮ‪ ،‬ﻳﻘﺎ إ املﺘﻐريﻳﻦ »ﻣﺮﺗﺒﻄﺎ‬
‫إﻳﺠﺎﺑﻴٍّﺎ«‪ .‬إذا ﻛﺎﻧﺖ اﻟﻘﻴﻢ اﻷﻛﱪ ﻷﺣﺪﻫﻤﺎ ﺗﻤﻴﻞ إﱃ اﻻرﺗﺒﺎط ﺑﺎﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻟﻶﺧﺮ‪ ،‬ﻳﻘﺎ‬
‫إﻧﻬﻤﺎ »ﻣﺮﺗﺒﻄﺎ ﺳﻠﺒﻴٍّﺎ«‪ .‬اﻟﻄﻮ اﻟﻮز ﻟﺪ اﻟﺒﴩ ﻣﺮﺗﺒﻄﺎ إﻳﺠﺎﺑﻴٍّﺎ؛ ﻓﺎﻷﺷﺨﺎص‬
‫اﻷﻃﻮ ﻳﻤﻴﻞ زﻧﻬﻢ إﱃ أ ﻳﻜﻮ أﺛﻘﻞ‪ .‬ﻻﺣﻆ أ اﻟﻌﻼﻗﺔ ﻟﻴﺴﺖ ﻋﻼﻗﺔ دﻗﻴﻘﺔ؛ إذ ﻳﻮﺟﺪ‬
‫أﺧﻔﺎء اﻟﻮز )اﻷﺷﺨﺎص اﻟﻨﱢﺤﺎ ( أﺷﺨﺎص ﻗﺼﺎر اﻟﻘﺎﻣﺔ ﺛﻘﺎ‬ ‫أﺷﺨﺎص ﻃﻮا اﻟﻘﺎﻣﺔ ﱠ‬
‫اﻟﻮز ‪ .‬ﻟﻜﻦ ﰲ املﺘﻮﺳﻂ ﻋﻤﻮﻣﺎ‪ ،‬ﻳﺮﺗﺒﻂ ﻃﻮ اﻟﻘﺎﻣﺔ ﺑﺎﻟﻮز اﻷﺛﻘﻞ‪ .‬ﻳﻤﻜﻨﻨﺎ أﻳﻀﺎ أ ﻧﺮ‬
‫ﻣﻦ ﻫﺬا املﺜﺎ أ ﻣﺤﺾ اﻻرﺗﺒﺎط ﺑني ﻣﺘﻐريﻳﻦ ﻻ ﻳﻌﻨﻲ أ أﺣﺪﻫﻤﺎ ﻳﺴﺒﺐ اﻵﺧﺮ؛ ﻓﺈﻟﺰا‬
‫ﺷﺨﺺ ﻣﺎ ﺑﺎﺗﺒﺎع ﻧﻈﺎ ﻏﺬاﺋﻲ ﻣﻜﻮ ﻣﻦ ﻛﻌﻚ ﺑﺎﻟﻜﺮﻳﻤﺔ ﻟﺰﻳﺎدة زﻧﻪ ﻣﻦ ﻏري املﺮﺟﺢ‬
‫أ ﻳﺆد إﱃ زﻳﺎدة ﻃﻮﻟﻪ‪ ،‬ﺿﻌﻪ ﻋﲆ ﻣﺨﻠﻌﺔ ﻹﻃﺎﻟﺔ ﺟﺴﺪ ﻣﻦ ﻏري املﺮﺟﺢ أ ﻳﺰﻳﺪ‬
‫زﻧﻪ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻛﺎ اﻟﺨﻠﻂ ﺑني اﻻرﺗﺒﺎط اﻟﺴﺒﺒﻴﺔ ﻣﺼﺪرا ﻟﻜﺜري ﻣﻦ ﺳﻮء اﻟﻔﻬﻢ ﻋﲆ‬
‫ﻣﺮ اﻟﺴﻨني‪ .‬ﻣﻦ املﺮﺟﺢ أ ﺗﻈﻬﺮ ﻋﻴﻨﺔ ﻋﺸﻮاﺋﻴﺔ ﻣﻦ اﻷﻃﻔﺎ اﻟﺬﻳﻦ ﺗﱰا ح أﻋﻤﺎرﻫﻢ ﺑني‬
‫‪ ١٦ ٥‬ﺳﻨﺔ ﺟﻮد ارﺗﺒﺎط إﻳﺠﺎﺑﻲ اﺿﺢ ﺑني اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة اﻟﻘﺪرة ﻋﲆ اﻟﻘﻴﺎ‬
‫ﺑﻌﻤﻠﻴﺎت ﺣﺴﺎﺑﻴﺔ‪ .‬ﻟﻜﻦ ﻣﻦ ﻏري املﺮﺟﺢ أ ﺗﺴﺒﺐ إﺣﺪاﻫﻤﺎ اﻷﺧﺮ ‪ ،‬ﺑﻞ املﺮﺟﺢ أ اﻟﺘﻘﺪ‬
‫ﰲ اﻟﻌﻤﺮ ﻫﻮ اﻟﺴﺒﺐ اﻟﺸﺎﺋﻊ ﻟﻜﻠﺘﻴﻬﻤﺎ؛ ﻓﺎﻷﻃﻔﺎ اﻷﻛﱪ ﺳﻨٍّﺎ أﻓﻀﻞ ﰲ اﻟﻘﺮاءة اﻟﺤﺴﺎب‪.‬‬

‫‪98‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﺛﻤﺔ رﻗﻢ اﺣﺪ ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻪ ﻟﺘﻤﺜﻴﻞ ﻗﻮة اﻻرﺗﺒﺎط‪ ،‬ﻫﻮ »ﻣﻌﺎﻣﻞ اﻻرﺗﺒﺎط«‪ .‬ﻳﻮﺟﺪ‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻄﺮ اﻟﺘﻲ ﻳﻤﻜﻦ ﻗﻴﺎس ﻫﺬ اﻟﻘﻮة ﺑﻬﺎ‪ ،‬ﺗﻤﺎﻣﺎ ﻣﺜﻠﻤﺎ رأﻳﻨﺎ أﻧﻪ ﺗﻮﺟﺪ ﻃﺮ‬
‫ﻣﺨﺘﻠﻔﺔ ﻟﺘﻌﺮﻳﻒ »املﺘﻮﺳﻂ« »اﻟﺘﺸﺘﺖ«‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻳﻮﺟﺪ ﻣﻌﻴﺎر ﻋﺎ ملﻌﺎﻣﻼت اﻻرﺗﺒﺎط‬
‫ﺑﺄﻧﻬﺎ ﺗﻘﻊ ﺑني ‪١+ ١−‬؛ ﺑﺤﻴﺚ ﻳﻌﻨﻰ ‪ ٠‬أﻧﻪ ﻻ ﻳﻮﺟﺪ ارﺗﺒﺎط‪ ،‬ﻳﻌﻨﻰ ‪ ١+‬ﺟﻮد ارﺗﺒﺎط‬
‫إﻳﺠﺎﺑﻲ ﺗﺎ ‪ ،‬ﻳﻌﻨﻲ ‪ ١−‬ﺟﻮد ارﺗﺒﺎط ﺳﻠﺒﻲ ﺗﺎ ‪ .‬ﻳﻌﻨﻲ اﻻرﺗﺒﺎط »اﻟﺘﺎ « ﺑني ﻣﺘﻐريﻳﻦ‬
‫»س« »ص« أﻧﻚ إذا ﻛﻨﺖ ﺗﻌﺮ ﻗﻴﻤﺔ »س« ﻓﺈﻧﻚ ﺗﻌﺮ ﻗﻴﻤﺔ »ص« ﺑﺎﻟﻀﺒﻂ‪.‬‬
‫اﻻرﺗﺒﺎط ﻋﻼﻗﺔ ﻣﺘﻨﺎﻇﺮة؛ ﻓﺈذا ﻛﺎ اﻟﻄﻮ ﻳﺮﺗﺒﻂ ﺑﺎﻟﻮز ‪ ،‬ﻓﺈ اﻟﻮز ﻳﺮﺗﺒﻂ ﺑﺎﻟﻄﻮ ‪،‬‬
‫ﻗﻮة ﻫﺬا اﻻرﺗﺒﺎط ﺗﻈﻞ ﻧﻔﺴﻬﺎ ﻣﻬْ ﻤﺎ ﻛﺎﻧﺖ اﻟﻨﺎﺣﻴﺔ اﻟﺘﻲ ﻧﻨﻈﺮ إﻟﻴﻬﺎ ﻣﻨﻬﺎ‪ .‬ﰲ املﻘﺎﺑﻞ‪،‬‬
‫ﻧﻬﺘﻢ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎ ﺑﺎﻟﻌﻼﻗﺎت ﻏري املﺘﻨﺎﻇﺮة ﺑني املﺘﻐريات؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ‬
‫ﻧﺮﻏﺐ ﰲ ﻣﻌﺮﻓﺔ ﻣﻘﺪار اﻟﻔﺮ ﰲ اﻟﻮز — ﰲ املﺘﻮﺳﻂ — اﻟﺬ ﻳﺮﺗﺒﻂ ﺑﻮﺟﻮد ﻓﺎر ﰲ‬
‫اﻟﻄﻮ ﻳﺒﻠﻎ ﻋﴩة ﺳﻨﺘﻴﻤﱰات‪ .‬اﻹﺟﺎﺑﺔ ﻋﲆ ﻫﺬا اﻟﻨﻮع ﻣﻦ اﻷﺳﺌﻠﺔ ﺗﺄﺗﻲ ﻣﻦ ﺧﻼ ﻃﺮﻳﻘﺔ‬
‫إﺣﺼﺎﺋﻴﺔ ﺗﺴﻤﻰ »ﺗﺤﻠﻴﻞ اﻻﻧﺤﺪار«‪ .‬ﻳﺨﱪﻧﺎ ﻧﻤﻮذج اﻻﻧﺤﺪار ﺑﻤﺘﻮﺳﻂ ﻗﻴﻤﺔ املﺘﻐري »ص«‬
‫ﻟﻜﻞ ﻗﻴﻤﺔ ﻟﻠﻤﺘﻐري »س«‪ .‬ﰲ املﺜﺎ اﻟﺴﺎﺑﻖ‪» ،‬اﻧﺤﺪار اﻟﻮز ﻋﲆ اﻟﻄﻮ « ﺳﻴﺨﱪﻧﺎ ﺑﻤﺘﻮﺳﻂ‬
‫اﻟﻮز اﻟﺬ ﺳﻴﺼﻞ إﻟﻴﻪ اﻷﺷﺨﺎص ﻋﻨﺪ ﻛﻞ ﻃﻮ ‪ .‬ﻳﺘﻀﺢ ﻫﺬا ﰲ اﻟﺸﻜﻞ ‪1-6‬؛ ﺣﻴﺚ‬
‫ﻳﻤﺜﱠﻞ اﻟﻮز ﻋﲆ املﺤﻮر اﻟﺮأﳼ‪ ،‬اﻟﻄﻮ ﻋﲆ املﺤﻮر اﻷﻓﻘﻲ‪ .‬ﺗﻮﺿﺢ ﻛﻞ ﻧﻘﻄﺔ ﺳﻮداء‬
‫ز ج اﻟﻮز ‪/‬اﻟﻄﻮ ﻟﺸﺨﺺ ﻣﻦ اﻟﻌﻴﻨﺔ‪ .‬ﻳﺒﺪ اﺿﺤﺎ اﻵ ﻣﻦ ﻫﺬا اﻟﺸﻜﻞ أﻧﻨﺎ ﻟﻢ ﻧﺮﺻﺪ‬
‫ﻗﻴﻤﺎ ﻟﺠﻤﻴﻊ اﻷﻃﻮا املﻤﻜﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻻ ﻳﻮﺟﺪ أ ﻧﻘﻄﺔ ﺑﻴﺎﻧﺎت ﻋﻨﺪ اﻟﻄﻮ اﻟﺬ‬
‫ﻳﺒﻠﻎ ﺑﺎﻟﻀﺒﻂ ‪ ٦‬أﻗﺪا ‪ .‬إﺣﺪ ﻃﺮ اﻟﺘﻐﻠﺐ ﻋﲆ ﻫﺬ اﻟﺼﻌﻮﺑﺔ — ﺑﻨﺎء ﻧﻤﻮذج ﻳﻌﻄﻴﻨﺎ‬
‫ﻣﺘﻮﺳﻂ ز ﻟﻜﻞ ﻗﻴﻤﺔ ﻣﻦ اﻟﻄﻮ — ﻫﻲ أ ﻧﻔﱰض ﺟﻮد ﻋﻼﻗﺔ ﺑﺴﻴﻄﺔ ﺑني اﻟﻄﻮ‬
‫ﻣﺘﻮﺳﻂ اﻟﻮز ‪ .‬ﻫﺬ اﻟﻌﻼﻗﺔ اﻟﺒﺴﻴﻄﺔ ﺟﺪٍّا ﻫﻲ ﻋﻼﻗﺔ ﺧﻂ ﻣﺴﺘﻘﻴﻢ؛ ﻳﺮد ﻣﺜﺎ ﻟﻬﺬا‬
‫اﻟﺨﻂ ﰲ اﻟﺸﻜﻞ‪ .‬ﺑﺎﻟﻨﺴﺒﺔ ﻷ ﻃﻮ ﻣﻌني‪ ،‬ﻳﺴﻤﺢ ﻟﻨﺎ ﻫﺬا اﻟﺨﻂ ﺑﺎﻟﺒﺤﺚ ﻋﻦ اﻟﻘﻴﻤﺔ‬
‫املﻘﺎﺑﻠﺔ ﻣﻦ ﻣﺘﻮﺳﻂ اﻟﻮز ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻋﲆ ﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬ﻓﺈﻧﻪ ﻳﻌﻄﻴﻨﺎ ﻗﻴﻤﺔ‬
‫ملﺘﻮﺳﻂ ز اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﺒﻠﻎ ﻃﻮﻟﻬﻢ ‪ ٦‬أﻗﺪا ‪.‬‬
‫ﺛﻤﺔ ﻋﺪة ﻧﻘﺎط ﻳﻨﺒﻐﻲ ﺗﻮﺿﻴﺤﻬﺎ ﻓﻴﻤﺎ ﻳﺨﺺ ﻫﺬ اﻟﻄﺮﻳﻘﺔ‪.‬‬
‫أ ﻻ‪ :‬إﻧﻬﺎ ﺗﻌﻄﻲ »ﻣﺘﻮﺳﻂ« اﻷ زا ﻋﻨﺪ ﻛﻞ ﻃﻮ ‪ .‬ﻫﺬا أﻣﺮ ﻣﻌﻘﻮ ؛ إذ إﻧﻪ ﰲ اﻟﺤﻴﺎة‬
‫اﻟﻮاﻗﻌﻴﺔ‪ ،‬ﺣﺘﻰ اﻷﺷﺨﺎص ذ اﻟﻄﻮ ﻧﻔﺴﻪ ﻳﻤﻜﻦ أ ﺗﺘﺒﺎﻳﻦ أ زاﻧﻬﻢ‪.‬‬
‫ﺛﺎﻧﻴﺎ‪ :‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ إﻳﺠﺎد ﻃﺮﻳﻘﺔ ﻣﺎ ﻟﺘﺤﺪﻳﺪ اﻟﺨﻂ اﻟﺬ ﻧﺘﺤﺪث ﻋﻨﻪ ﺑﺎﻟﻀﺒﻂ‪.‬‬
‫ﻄﺎ اﺣﺪا‪ ،‬ﻟﻜﻦ ﻛﻴﻒ اﺧﱰﻧﺎ ﻫﺬا اﻟﺨﻂ ﻟﻴﺲ ﻏري ؟ ﺗﺘﺤﺪد اﻟﺨﻄﻮط‬ ‫ﻳﺘﻀﻤﻦ اﻟﺸﻜﻞ ﺧ ٍّ‬

‫‪99‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﻮزن‬ ‫‪ ١٠‬أﺣﺠﺎر‬

‫‪ ٨‬أﺣﺠﺎر‬

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

‫اﻟﻄﻮل‬

‫ﺷﻜﻞ ‪ :1-6‬رﺳﻢ ﺧﻂ ﺳﻂ اﻟﺒﻴﺎﻧﺎت‪.‬‬

‫ﻋﲆ ﻧﺤﻮ ﻓﺮﻳﺪ ﻋﻦ ﻃﺮﻳﻖ ﻣﻌﻠﻤﺘني — ﺗﻘﺎﻃﻌﻬﻤﺎ )ﰲ ﻫﺬا اﻟﺸﻜﻞ ﻗﻴﻤﺔ اﻟﻮز اﻟﺘﻲ ﻳﺘﻘﺎﻃﻊ‬
‫ﻋﻨﺪﻫﺎ اﻟﺨﻂ ﻣﻊ ﻣﺤﻮر اﻟﻮز ( ﻣﻴﻠﻬﻤﺎ — ﻟﺬﻟﻚ ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ إﻳﺠﺎد ﺳﻴﻠﺔ ﻻﺧﺘﻴﺎر‬
‫ﻫﺎﺗني املﻌﻠﻤﺘني أ ﺗﻘﺪﻳﺮﻫﻤﺎ‪ .‬ﻧﻌﺮ ﺑﺎﻟﻔﻌﻞ ﻃﺮﻳﻘﺔ ﺗﻘﺪﻳﺮ املﻌﻠﻤﺔ؛ ﻓﻘﺪ ﺗﻨﺎ ﻟﻨﺎﻫﺎ ﰲ‬
‫اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‪ .‬ﻟﺘﻘﺪﻳﺮ املﻌﻠﻤﺎت ﻧﺨﺘﺎر ﺗﻠﻚ اﻟﻘﻴﻢ اﻟﺘﻲ ﺗﻘﻠﻞ ﻣﻦ ﻗﺪر اﻟﺘﻨﺎﻗﺾ ﺑني‬
‫اﻟﻨﻤﻮذج اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‪ .‬ﺑﺎﻟﻨﺴﺒﺔ ﻷ ز ج ﻣﻌني )اﻟﻮز اﻟﻄﻮ ( ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫ﻓﺈ أﺣﺪ ﻣﻘﺎﻳﻴﺲ اﻟﺘﻨﺎﻗﺾ ﻫﻮ ﻣﺮﺑﻊ اﻟﻔﺮ )ﻣﺮة أﺧﺮ ‪ ،‬اﻟﺴﺒﺐ ﰲ ﻛﻮﻧﻪ ﻣﺮﺑﻌﺎ ﻫﻮ‬
‫ﺟﻌﻞ اﻷرﻗﺎ ﻣﻮﺟﺒﺔ( ﺑني اﻟﻮز املﺮﺻﻮد اﻟﻮز املﺘﻮﻗﻊ ﻋﻨﺪ ﻫﺬا اﻟﻄﻮ ‪ .‬ﻳﺘﻤﺜﻞ‬
‫ﻣﻘﻴﺎس اﻟﺘﻨﺎﻗﺾ اﻟﻜﲇ املﻌﺘﻤﺪ ﻋﲆ ﻫﺬا ﰲ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻟﻔﺮ ﺑني اﻷ زا املﺮﺻﻮدة‬
‫ﱠ‬
‫املﺘﻮﻗﻌﺔ ﻋﻨﺪ اﻷﻃﻮا اﻟﻮاردة ﰲ اﻟﺒﻴﺎﻧﺎت‪ .‬ﺑﻌﺪ ذﻟﻚ ﻧﻘﺪر اﻟﺘﻘﺎﻃﻊ اﻻﻧﺤﺪار‬ ‫اﻷ زا‬
‫ﺑﺎﺧﺘﻴﺎر ﺗﻠﻚ اﻟﻘﻴﻢ اﻟﺘﻲ ﺗﻘﻠﻞ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻟﻔﺮ ﻷدﻧﻰ درﺟﺔ‪ .‬ﺑﻤﺎ أﻧﻬﺎ ﺗﻘﻠﻞ‬
‫)ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت( اﻟﻔﺮ ﺑني اﻟﻘﻴﻢ املﺮﺻﻮدة املﺘﻮﻗﻌﺔ ﻟﻸ زا ﰲ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﺈ »ﺧﻂ‬
‫اﻧﺤﺪار املﺮﺑﻌﺎت اﻟﺼﻐﺮ « ﻫﺬا ﻳﻨﺘﺞ أﻓﻀﻞ ﺗﻨﺒﺆ ملﺘﻮﺳﻂ اﻟﻮز ﻋﻨﺪ أ ﻗﻴﻤﺔ ﻟﻠﻄﻮ‬
‫ﻧﺨﺘﺎرﻫﺎ‪.‬‬

‫‪100‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫اﻟﻨﻘﻄﺔ اﻟﺜﺎﻟﺜﺔ‪ :‬ﻫﻲ أﻧﻪ ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أ ﻫﺬا اﻻﻓﱰاض ﺑﻮﺟﻮد ﻋﻼﻗﺔ ﺧﻂ ﻣﺴﺘﻘﻴﻢ‬
‫ﻄﺎ ﻣﺴﺘﻘﻴﻤﺎ‪ ،‬ﻟﻴﺲ ﺧ ٍّ‬
‫ﻄﺎ‬ ‫ﻗﺪ ﻳﺒﺪ اﻋﺘﺒﺎﻃﻴٍّﺎ إﱃ ﺣ ﱟﺪ ﻣﺎ‪ ،‬ﻓﺈﻧﻪ ﻣﱪﱠر ﻗﻠﻴﻼ‪ .‬ملﺎذا ﻧﺨﺘﺎر ﺧ ٍّ‬
‫ﻣﻨﺤﻨﻴﺎ؟ د اﻟﺨﻮض ﰲ اﻟﺘﻔﺎﺻﻴﻞ ﻫﻨﺎ‪ ،‬ﻣﻦ املﻤﻜﻦ ﺗﻘﺪﻳﻢ ﻣﻨﺤﻨﻴﺎت ﺑﺪرﺟﺎت ﻣﺘﻔﺎ ﺗﺔ‬
‫ﺑﺤﻴﺚ ﻳﻤﻜﻦ أ ﻳﻜﻮ ﻟﻠﺨﻂ اﻟﺬ ﻳﺒني اﻟﻌﻼﻗﺔ ﺑني اﻟﻄﻮ ﻣﺘﻮﺳﻂ اﻟﻮز أﺷﻜﺎ أﻛﺜﺮ‬
‫ﺗﻌﻘﻴﺪا؛ ﻓﺮﺑﻤﺎ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ﻳﺰداد ﺑﴪﻋﺔ أﻛﱪ ﻋﻨﺪ اﻷﻃﻮا اﻷدﻧﻰ ﻣﻦ ازدﻳﺎد ﻋﻨﺪ‬
‫اﻷﻃﻮا اﻷﻋﲆ‪ .‬ﻧﻔﻌﻞ ذﻟﻚ ﻣﻦ ﺧﻼ ﺟﻌﻞ اﻟﻨﻤﻮذج أﻛﺜﺮ ﺗﻌﻘﻴﺪا‪ ،‬ﻋﻦ ﻃﺮﻳﻖ إدﺧﺎ‬
‫ﻣﻌﻠﻤﺎت إﺿﺎﻓﻴﺔ ﺑﺎﻹﺿﺎﻓﺔ إﱃ اﻟﺘﻘﺎﻃﻊ املﻴﻞ‪.‬‬
‫ﺳﻌﻰ ﻣﺜﺎ اﻧﺤﺪار اﻟﻄﻮ ‪/‬اﻟﻮز ﻟﻠﺘﻨﺒﺆ ﺑﻤﺘﻮﺳﻂ اﻟﻮز ﻣﻦ ﺧﻼ ﻣﺘﻐري ﻣﺘﻨﺒﺊ‬
‫اﺣﺪ ﻓﻘﻂ ﻫﻮ اﻟﻄﻮ ‪ ،‬ﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ أﻳﻀﺎ إدﺧﺎ ﻋﻮاﻣﻞ ﻣﺘﻨﺒﺌﺔ ﻣﺤﺘﻤﻠﺔ أﺧﺮ ﻣﻦ أﺟﻞ‬
‫ﺗﺤﻘﻴﻖ ﺗﻮﻗﻌﺎت أﻛﺜﺮ دﻗﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﻳﻤﺘﻠﻚ اﻟﺮﺟﺎ اﻟﻨﺴﺎء أﺷﻜﺎ ﺟﺴﻢ ﻣﺨﺘﻠﻔﺔ‪،‬‬
‫ﺑﺤﻴﺚ إﻧﻪ ﻋﻨﺪ ﻃﻮ ﻣﻌني‪ ،‬رﺑﻤﺎ ﻳﻜﻮ اﻻﺧﺘﻼ ﰲ اﻷ زا ﺑﺴﺒﺐ ﻧﻮع اﻟﺠﻨﺲ ﻋﲆ‬
‫ﻧﺤﻮ ﻛﺒري؛ ﻟﺬا ﻳﻤﻜﻨﻨﺎ ﺗﻀﻤني ﻧﻮع اﻟﺠﻨﺲ أﻳﻀﺎ ﺑﺎﻋﺘﺒﺎر ﻋﺎﻣﻼ ﻣﺘﻨﺒﺌﺎ‪ .‬ﻳﻤﻜﻨﻨﺎ ﻣﻮاﺻﻠﺔ‬
‫ﺗﻀﻤني ﻣﺘﻐريات أﺧﺮ ﻧﻈﻦ أﻧﻪ ﻣﻦ املﺮﺟﺢ أ ﺗﺮﺗﺒﻂ ﺑﺎﻟﻮز ‪ .‬ﻟﻜﻦ ﻻ ﻳﻨﺒﻐﻲ أ ﻧﺘﻤﺎد‬
‫ﻛﺜريا إذا ﻛﺎﻧﺖ املﻼﺣﻈﺎت ﺗﺘﻌﻠﻖ ﺑﻌﺪد ﻣﺤﺪد ﻣﻦ اﻷﺷﺨﺎص ﻓﺤﺴﺐ‪ ،‬ﱠإﻻ ﻓﺴﻮ ﻳﺘﻤﻴﺰ‬
‫ﻧﻤﻮذﺟﻨﺎ ﻣﺮة أﺧﺮ ﺑﺎﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ ﻣﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻟﺬا ﻓﺈﻧﻨﺎ ﻗﺪ ﻻ ﻧﺮﻏﺐ ﰲ ﺗﻀﻤني‬
‫ﻛﺎﻓﺔ املﺘﻐريات اﻟﺘﻲ ﻳﻤﻜﻦ أ ﻧﻔﻜﺮ ﻓﻴﻬﺎ‪ ،‬إﻧﻤﺎ ﻧﺪرج ﺣﺴﺐ ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ ﻣﻨﻬﺎ‪.‬‬
‫ﺑﺼﻔﺔ ﻋﺎﻣﺔ‪ ،‬ﺛﻤﺔ أﺳﺒﺎب أﺧﺮ أﻳﻀﺎ ﻗﺪ ﺗﺪﻓﻌﻨﺎ إﱃ اﻟﺮﻏﺒﺔ ﰲ ﺗﻀﻤني ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ‬
‫ﻓﻘﻂ ﻣﻦ املﺘﻐريات املﺘﻨﺒﺌﺔ املﺤﺘﻤﻠﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻳﻜﻮ ﻗﻴﺎس املﺘﻐريات املﺘﻨﺒﺌﺔ‬
‫اﻹﺿﺎﻓﻴﺔ ﻣﻜﻠﻔﺎ‪ ،‬أ ﻳﺴﺘﻐﺮ ﻗﺘﺎ ﻃﻮﻳﻼ؛ ﻟﺬا ﻓﺈﻧﻨﺎ ﺳﻮ ﻧﺮﻳﺪ أ ﻧﺒﻘﻲ اﻟﻌﺪد ﻋﻨﺪ أدﻧﻰ‬
‫ﺣﺪ ﻣﻤﻜﻦ‪ .‬ﻟﻬﺬ اﻷﺳﺒﺎب ﻏريﻫﺎ‪ ،‬ﻃﻮر اﻹﺣﺼﺎﺋﻴﻮ ﻃﺮﻗﺎ ﻟﻠﻌﺜﻮر ﻋﲆ ﻣﺠﻤﻮﻋﺎت ﻓﺮﻋﻴﺔ‬
‫ﺟﻴﺪة ﻣﻦ املﺘﻐريات؛ ﺣﻴﺚ ﺗﻌﻨﻲ ﻛﻠﻤﺔ »ﺟﻴﺪة« أﻧﻬﺎ ﺗﻨﺘﺞ أﻓﻀﻞ اﻟﺘﻨﺒﺆات‪.‬‬
‫ﺗﺮﺑﻂ ﻧﻤﺎذج اﻻﻧﺤﺪار ﻣﺘﻐري ﻧﺎﺗﺞ أ ﻣﺘﻐري إﺟﺎﺑﺔ ﺑﻮاﺣﺪ أ أﻛﺜﺮ ﻣﻦ املﺘﻐريات‬
‫املﺘﻨﺒﱢﺌﺔ‪ .‬ﻫﺬا ﻧﻮع ﺷﺎﺋﻊ ﺟﺪٍّا ﻣﻦ املﺸﻜﻼت‪ ،‬ﻃﻮرت ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ أﺧﺮ ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ‬
‫ﺣﺎﻻت ﻣﻤﺎﺛﻠﺔ ﺗﺨﺘﻠﻒ ﰲ ﺑﻌﺾ اﻟﻨﻮاﺣﻲ ﻋﻦ ﺣﺎﻟﺔ اﻻﻧﺤﺪار املﺴﺘﻘﻴﻢ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪،‬‬
‫ﰲ »ﺗﺤﻠﻴﻞ اﻟﺒﻘﺎء« ﺗﻌﺮ ﻗﻴﻤﺔ ﻣﺘﻐري اﻹﺟﺎﺑﺔ ﻟﺒﻌﺾ اﻟﺤﺎﻻت ﻓﻘﻂ‪ ،‬ﻳﻌﺮ ﻓﻘﻂ أ‬
‫ﻗﻴﻤﺘﻬﺎ ﻟﺤﺎﻻت أﺧﺮ ﺗﺘﺠﺎ ز ﻗﻴﻤﺔ ﻣﺎ‪ .‬ﻳﻨﺸﺄ ﻫﺬا ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﺷﻴﻮﻋﺎ )ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻪ‬
‫ﻟﻴﺲ ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ ﺣﺴﺐ( ﻋﻨﺪﻣﺎ ﻳﻜﻮ ﻣﺘﻐري اﻹﺟﺎﺑﺔ ﻓﱰة زﻣﻨﻴﺔ؛ ﻣﻦ ﺛﻢﱠ‪ ،‬ﻓﺈﻧﻨﺎ ﻗﺪ‬
‫ﻧﺮﻏﺐ ﰲ ﻣﻌﺮﻓﺔ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ اﻟﺘﻲ ﺳﻴﻈﻞ ﻓﻴﻬﺎ املﺮﻳﺾ ﻋﲆ ﻗﻴﺪ اﻟﺤﻴﺎة ) ﻣﻦ ﻫﻨﺎ ﺟﺎء‬

‫‪101‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﺳﻢ ﻫﺬ اﻟﺘﻘﻨﻴﺔ( أ ﻃﻮ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ اﻟﺘﻲ ﺳﻴﺒﻘﻰ ﻓﻴﻬﺎ ﻣﻜﻮ ﻣﻦ اﻟﻨﻈﺎ ﻗﺒﻞ أ‬
‫ﻳﺤﺘﺎج إﱃ اﻻﺳﺘﺒﺪا ‪ .‬ﺑﺄﺧﺬ اﻟﺤﺎﻟﺔ اﻷ ﱃ ﻛﻤﺜﺎ ﻟﻠﺘﻮﺿﻴﺢ‪ ،‬رﺑﻤﺎ ﺗ ﱢﺒني ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‬
‫املﺘﻮﻓﺮة ﻟﺪﻳﻨﺎ أ أﺣﺪ املﺮﴇ ﻋﺎش ﺧﻤﺴﺔ أﺷﻬﺮ‪ ،‬ﻋﺎش آﺧﺮ ﺷﻬﺮﻳﻦ ﻓﻘﻂ‪ ،‬ﻋﺎش ﺛﻼﺛﺔ‬ ‫ﱢ‬
‫آﺧﺮ أﺣﺪ ﻋﴩ ﺷﻬﺮا‪ ،‬ﻫﻜﺬا‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬رﺑﻤﺎ ﻟﻢ ﻧﺘﻤﻜﻦ ﻷﺳﺒﺎب ﻋﻤﻠﻴﺔ ﻣﻦ اﻻﻧﺘﻈﺎر‬
‫ﺣﺘﻰ ﻳﻤﻮت آﺧﺮ ﻣﺮﻳﺾ ﰲ اﻟﺪراﺳﺔ )اﻟﻔﱰة اﻟﺘﻲ ﻗﺪ ﺗﺼﻞ إﱃ أﻋﻮا (؛ ﻟﺬﻟﻚ ﺗﻮﻗﻔﻨﺎ‬
‫ﻋﻦ ﺗﺴﺠﻴﻞ املﻼﺣﻈﺎت‪ .‬ﻛﻞ ﻣﺎ ﻧﻌﺮﻓﻪ ﻋﻦ ﺑﻌﺾ املﺮﴇ ﻫﻮ أﻧﻬﻢ ﻋﺎﺷﻮا ﻓﱰة »أﻃﻮ «‬
‫ﻣﻦ اﻟﻮﻗﺖ ﺑني ﺑﺪء رﺻﺪ املﻼﺣﻈﺎت اﻟﺘﻮﻗﻒ ﻋﻦ رﺻﺪﻫﺎ‪ .‬ﺗﻮﺻﻒ ﻫﺬ اﻟﺒﻴﺎﻧﺎت ﺑﺄﻧﻬﺎ‬
‫»ﻣﺒﺘﻮرة«‪ ،‬ﻟﺘﻮﺿﻴﺢ اﻟﺘﻌﻘﻴﺪات اﻟﺘﻲ ﺗﺴﺒﺒﻬﺎ‪ ،‬ﺗﺄﻣﱠ ْﻞ ﻃﺮﻳﻘﺔ ﺣﺴﺎب ﻣﺘﻮﺳﻂ ﻓﱰة اﻟﺒﻘﺎء‬
‫ﻋﲆ ﻗﻴﺪ اﻟﺤﻴﺎة؛ ﻓﻠﺤﺴﺎب املﺘﻮﺳﻂ‪ ،‬ﻧﺤﺘﺎج إﱃ ﺟﻤﻊ اﻟﻔﱰات اﻟﺰﻣﻨﻴﺔ املﺮﺻﻮدة اﻟﻘﺴﻤﺔ‬
‫ﻋﲆ اﻟﻌﺪد املﻮﺟﻮد‪ .‬إﻧﻨﺎ ﻟﻢ ﻧﺮﺻﺪ ﰲ اﻟﻮاﻗﻊ ﻓﱰات اﻟﺒﻘﺎء ﻋﲆ ﻗﻴﺪ اﻟﺤﻴﺎة ﻟﻠﻤﺮﴇ املﺒﺘﻮرة‬
‫ﺑﻴﺎﻧﺎﺗﻬﻢ‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ ﺗﻀﻤﻴﻨﻬﻢ ﰲ اﻟﺤﺴﺎب‪ .‬ﻟﻜﻦ إذا أﻏﻔﻠﻨﺎﻫﻢ‪ ،‬ﻓﺈﻧﻨﺎ ﺳﻮ ﻧﻐﻔﻞ ﻋﲆ‬
‫ﺟﻪ اﻟﺘﺤﺪﻳﺪ اﻟﻘﻴﻢ اﻷﻛﱪ؛ ﻟﺬﻟﻚ ﺳﻮ ﻳﻜﻮ ﺗﻘﺪﻳﺮﻧﺎ ﻣﺘﺤﻴﺰا إﱃ اﻷﺳﻔﻞ‪ .‬ﻋﲆ اﻟﻨﻘﻴﺾ‪،‬‬
‫إذا ﺿﻤﱠ ﻨﱠﺎﻫﻢ‪ ،‬ﺑﺎﺳﺘﺨﺪا ﻓﱰات املﻼﺣﻈﺔ‪ ،‬ﻓﺈ اﻟﻨﺘﻴﺠﺔ ﺗﻌﺘﻤﺪ ﻋﲆ ﻗﺖ اﺧﺘﻴﺎرﻧﺎ ﻟﻠﺘﻮﻗﻒ‬
‫ﻋﻦ رﺻﺪ املﻼﺣﻈﺎت‪ .‬ﺑﻤﺎ أ ﻫﺬا ﻏري ﻣﻼﺋﻢ أﻳﻀﺎ‪ ،‬ﻓﻘﺪ ﺿﻌﺖ أﺳﺎﻟﻴﺐ أﻛﺜﺮ ﺗﻄﻮرا‬
‫ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﺒﺘﻮرة‪.‬‬
‫ﺛﻤﺔ ﻧﺴﺨﺔ أﺧﺮ ﻣﻦ ﻣﺸﻜﻠﺔ ﺟﻮد ﻣﺘﻐري ﻧﺎﺗﺞ اﺣﺪ ﻣﺮﺗﺒﻂ ﺑﻮاﺣﺪ أ أﻛﺜﺮ ﻣﻦ‬
‫املﺘﻐريات املﺘﻨﺒﺌﺔ ﺗﺤﺪث ﰲ »ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ«‪ .‬ﻳﺴﺘﺨﺪ ﻫﺬا اﻟﺘﺤﻠﻴﻞ ﻋﲆ ﻧﻄﺎ اﺳﻊ ﰲ‬
‫ﻣﺠﺎ اﻟﺰراﻋﺔ‪ ،‬ﻋﻠﻢ اﻟﻨﻔﺲ‪ ،‬ﻣﺮاﻗﺒﺔ اﻟﺠﻮدة اﻟﺼﻨﺎﻋﻴﺔ اﻟﺘﺼﻨﻴﻊ‪ ،‬ﻏريﻫﺎ ﻣﻦ املﺠﺎﻻت‪.‬‬
‫ﻛﻼ ﻣﻨﻬﺎ ﻳﺘﺨﺬ ﺑﻀﻊ‬ ‫ﰲ ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ‪ ،‬ﺗﻜﻮ املﺘﻐريات املﺘﻨﺒﺌﺔ ﴏﻳﺤﺔ؛ ﻫﺬا ﻳﻌﻨﻲ أ ٍّ‬
‫ﻗﻴﻢ ﻓﺤﺴﺐ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬ﰲ ﺗﺼﻨﻴﻊ ﺑﻌﺾ املﻮاد اﻟﻜﻴﻤﻴﺎﺋﻴﺔ رﺑﻤﺎ ﻧﻜﻮ ﻗﺎدرﻳﻦ ﻋﲆ‬
‫اﻟﺴﻴﻄﺮة ﻋﲆ درﺟﺔ اﻟﺤﺮارة اﻟﻀﻐﻂ املﺪة‪ ،‬ﻳﻜﻮ ﻟﺪﻳﻨﺎ ﺛﻼﺛﺔ إﻋﺪادات ﻟﻜ ﱟﻞ ﻣﻨﻬﺎ‪:‬‬
‫ﻣﻨﺨﻔﻀﺔ ﻣﺘﻮﺳﻄﺔ ﻋﺎﻟﻴﺔ‪ .‬ﻗﺎﺑﻠﻨﺎ ﻣﺜﻞ ﻫﺬا املﻮﻗﻒ ﻋﻨﺪﻣﺎ ﻧﺎﻗﺸﻨﺎ اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ ﰲ‬
‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‪ ،‬ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﺴﺘﺨﺪ ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ ﻟﺘﺤﻠﻴﻞ اﻟﺘﺠﺎرب‪ .‬رﻏﻢ ﺗﻘﺪﻳﻤﻪ ﻋﺎدة‬
‫ﻋﲆ أﻧﻪ ﻣﺨﺘﻠﻒ ﻋﻦ ﺗﺤﻠﻴﻞ اﻻﻧﺤﺪار‪ ،‬ﻓﺈﻧﻪ ﻣﻦ املﻤﻜﻦ إﻋﺎدة ﺻﻴﺎﻏﺘﻪ ﰲ ﺻﻮرة ﻧﻤﻮذج‬
‫اﻧﺤﺪار‪ .‬ﻛﻼﻫﻤﺎ ﺣﺎﻟﺘﺎ ﺧﺎﺻﺘﺎ ﻣﻦ ﻓﺌﺔ أﻛﱪ ﻣﻦ اﻟﻨﻤﺎذج ﺗﺴﻤﱠ ﻰ »اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ«‪.‬‬
‫ﱢﺳﻌﺖ اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ ﻧﻔﺴﻬﺎ ﺑﻄﺮ ﻣﺨﺘﻠﻔﺔ‪ .‬أﺣﺪ اﻟﺘﻌﻤﻴﻤﺎت املﻬﻤﺔ ﻟﻠﻐﺎﻳﺔ ﻳﺘﻤﺜﻞ‬
‫ﻓﻴﻤﺎ ﻳﺴﻤﻰ »اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ املﻌﻤﱠ ﻤﺔ«‪ .‬ﰲ اﻻﻧﺤﺪار ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ‪ ،‬ﻳﻜﻮ اﻟﻬﺪ ﻫﻮ‬
‫ﺗﻮﺳﻊ اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ‬ ‫ﱢ‬ ‫اﻟﺘﻨﺒﺆ ﺑﺎﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻟﻺﺟﺎﺑﺔ ﻋﻨﺪ ﻛﻞ ﻗﻴﻤﺔ ﻋﺎﻣﻞ ﻣﺘﻨﺒﺊ‪.‬‬

‫‪102‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫املﻌﻤﻤﺔ ﻫﺬا ﻣﻦ ﺧﻼ اﻟﺴﻤﺎح ﺑﻜﻮ ﻏريﻫﺎ ﻣﻦ ﻣﻌﻠﻤﺎت ﺗﻮزﻳﻊ اﻹﺟﺎﺑﺔ‪ ،‬ﻟﻴﺲ املﺘﻮﺳﻂ‬
‫ﻓﻘﻂ‪ ،‬ﺧﺎﺿﻌﺔ ﻟﻠﺘﻨﺒﺆ‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻈﻬﺮ ﻧﺴﺨﺔ أﺧﺮ ﻣﻦ ﺑﻨﻴﺔ اﻟﻨﺎﺗﺞ‪/‬املﺘﻨﺒﺊ ﻋﻨﺪﻣﺎ ﺗﻜﻮ اﻹﺟﺎﺑﺔ ﻧﻔﺴﻬﺎ‬
‫ﻗﺎﻃﻌﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﺗﻜﻮ اﻹﺟﺎﺑﺔ ﻋﺒﺎرة ﻋﻦ ﻗﺎﺋﻤﺔ ﻣﻦ اﻟﺘﺸﺨﻴﺼﺎت اﻟﻄﺒﻴﺔ‬
‫املﻤﻜﻨﺔ‪ ،‬رﺑﻤﺎ ﺗﻜﻮ اﻟﻌﻮاﻣﻞ املﺘﻨﺒﺌﺔ ﻣﺰﻳﺠﺎ ﻣﻦ اﻷﻋﺮاض )ﻗﺪ ﺗﻜﻮ ﻣﺪرﺟﺔ ﻋﲆ أﻧﻬﺎ‬
‫ﺣﺎﴐة أ ﻏﺎﺋﺒﺔ( ﻧﺘﺎﺋﺞ اﻟﺘﺤﺎﻟﻴﻞ اﻟﻄﺒﻴﺔ‪ .‬ﺗﻨﺪرج ﻫﺬ اﻷﺳﺎﻟﻴﺐ ﺗﺤﺖ اﺳﻢ ﻋﺎ‬
‫ﻫﻮ »اﻟﺘﺼﻨﻴﻒ املﺮاﻗﺐ«‪ .‬ﺗﺤﺪث اﻟﺤﺎﻟﺔ اﻟﺨﺎﺻﺔ اﻷﻫﻢ ﻣﻦ ﻫﺬ اﻟﻨﻤﺎذج ﻋﻨﺪﻣﺎ ﻳﻜﻮ‬
‫ﻣﺘﻐري اﻹﺟﺎﺑﺔ ﺛﻨﺎﺋﻴٍّﺎ؛ أ ﻳﺄﺧﺬ ﻗﻴﻤﺘني ﻣﻤﻜﻨﺘني ﻓﺤﺴﺐ؛ ﻣﺜﻞ ﻣﺮﻳﺾ‪/‬ﺻﺤﻴﺢ‪ ،‬ﻣﺨﺎﻃﺮة‬
‫ﺟﻴﺪة‪/‬ﻣﺨﺎﻃﺮة ﺳﻴﺌﺔ‪ ،‬ﻣﺮﺑﺢ‪/‬ﻋﺪﻳﻢ اﻟﺠﺪ ‪ ،‬اﻟﻜﻠﻤﺔ املﻨﻄﻮﻗﺔ »ﻧﻌﻢ«‪/‬اﻟﻜﻠﻤﺔ املﻨﻄﻮﻗﺔ‬
‫»ﻻ« )ﰲ ﺑﺮاﻣﺞ اﻟﺘﻌﺮ ﻋﲆ اﻟﻜﻼ (‪ ،‬ﺑﺼﻤﺔ ﻣﴫح ﺑﻬﺎ‪/‬ﺑﺼﻤﺔ ﻏري ﻣﴫح ﺑﻬﺎ )ﰲ‬
‫أﻧﻈﻤﺔ املﻘﺎﻳﻴﺲ اﻟﺤﻴﻮﻳﺔ ﻟﻠﺘﻌﺮ ﻋﲆ اﻷﺷﺨﺎص(‪ ،‬ﺻﻔﻘﺔ اﺣﺘﻴﺎﻟﻴﺔ‪/‬ﺻﻔﻘﺔ ﴍﻋﻴﺔ‪ ،‬ﻣﺎ‬
‫ﺷﺎﺑﻪ ذﻟﻚ‪ .‬ﰲ ﻛﻞ ﺣﺎ ‪ ،‬ﻓﺈ اﻟﻬﺪ ﺳﻴﻜﻮ ﺑﻨﺎء ﻧﻤﻮذج ﻳﻤ ﱢﻜﻨﻨﺎ ﻣﻦ ﺗﺤﺪﻳﺪ اﻟﻔﺌﺔ اﻷﻛﺜﺮ‬
‫اﺣﺘﻤﺎﻻ ﻟﻠﺤﺎﻻت اﻟﺠﺪﻳﺪة‪ ،‬ﻣﺴﺘﺨﺪﻣﺎ ﻓﺤﺴﺐ املﻌﻠﻮﻣﺎت ﰲ املﺘﻐريات املﺘﻨﺒﺌﺔ‪.‬‬
‫ﻃﻮر ﻋﺪد ﻛﺒري ﻣﻦ اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ ملﺜﻞ ﻫﺬ اﻟﺤﺎﻻت‪ .‬ﻛﺎ ﻣﻦ ﺑني أ‬
‫اﻷد ات »ﺗﺤﻠﻴﻞ اﻟﺘﻤﺎﻳﺰ اﻟﺨﻄﻲ«‪ ،‬اﻟﺬ ﻃﻮر ﰲ ﺛﻼﺛﻴﻨﻴﺎت اﻟﻘﺮ اﻟﻌﴩﻳﻦ‪ ،‬ﻟﻜﻨﻪ ﻻ ﻳﺰا‬
‫ﻣﺴﺘﺨﺪﻣﺎ ﻋﲆ ﻧﻄﺎ اﺳﻊ ﻟﻠﻐﺎﻳﺔ ﺣﺘﻰ اﻟﻴﻮ ‪ ،‬ﺳﻮاء ﺑﺸﻜﻠﻪ اﻷﺳﺎﳼ أ ﺑﺘﻮﺳﻴﻌﺎﺗﻪ‬
‫اﻷﻛﺜﺮ ﺗﻔﺼﻴﻼ‪ .‬ﺗﻮﺟﺪ ﻃﺮﻳﻘﺔ أﺧﺮ ﺗﺤﻈﻰ ﺑﺸﻌﺒﻴﺔ ﻛﺒرية ﰲ ﺑﻌﺾ املﺠﺎﻻت — ﻣﺜﻞ‬
‫اﻟﻄﺐ إدارة ﻗﻴﻤﺔ اﻟﻌﻤﻼء — ﻫﻲ »ﺗﺤﻠﻴﻞ اﻟﺘﻤﺎﻳﺰ اﻟﻠﻮﺟﺴﺘﻲ«‪ .‬ﻫﺬا ﻧﺴﺨﺔ ﻣﻦ اﻻﻧﺤﺪار‬
‫اﻟﻠﻮﺟﺴﺘﻲ‪ ،‬ﻫﻮ ﻧﻮع ﻣﻦ اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ املﻌﻤﻤﺔ؛ ﻟﺬﻟﻚ ﻳﻈﻬﺮ اﻟﺼﻠﺔ اﻟﻮﺛﻴﻘﺔ ﺑني ﻃﺒﻘﺎت‬
‫اﻷد ات‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻦ اﻋﺘﺒﺎر اﻻﻧﺤﺪار اﻟﻠﻮﺟﺴﺘﻲ أﺑﺴﻂ أﻧﻮاع »اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ«‪.‬‬
‫ﺗﺴﻤﱠ ﻰ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﺑﻬﺬا اﻻﺳﻢ ﻷﻧﻬﺎ ﻗﺪﱢﻣﺖ ﰲ اﻷﺻﻞ ﻛﻨﻤﺎذج ﻟﻄﺮﻳﻘﺔ ﻋﻤﻞ املﺦ؛ ﱠإﻻ‬
‫أﻧﻪ ﰲ اﻟﻮﻗﺖ اﻟﺤﺎﴐ ﺗﺮ ﱠﻛﺰ اﻟﻌﻤﻞ ﰲ ﻫﺬا املﺠﺎ ﻛﺜريا ﻋﲆ ﺧﺼﺎﺋﺼﻬﺎ اﻹﺣﺼﺎﺋﻴﺔ ﻛﻨﻈﻢ‬
‫ﻟﻠﺘﻨﺒﺆ‪ ،‬ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻤﺎ إذا ﻛﺎﻧﺖ ﺗﺸ ﱢﻜﻞ ﻧﻤﺎذج ﺟﻴﺪة ﻟﻠﻨﻈﻢ اﻟﻄﺒﻴﻌﻴﺔ أ ﻻ‪.‬‬
‫ﺗﻮﺟﺪ ﻧﻤﺎذج أﺧﺮ ﻟﻠﺘﺼﻨﻴﻒ املﺮاﻗﺐ ﺗﺸﻤﻞ أﺳﻠﻮب »اﻟﺘﺼﻨﻴﻒ اﻟﺸﺠﺮ « ﻃﺮﻳﻘﺔ‬
‫ﻳﻘﺴﻢ اﻟﻨﻤﻮذج اﻟﺸﺠﺮ املﺘﻐريات إﱃ ﻧﻄﺎﻗﺎت‪ ،‬ﻳﺼﻨﻒ ﻧﻘﺎﻃﺎ ﺟﺪﻳﺪة‬ ‫»اﻟﺠﺎر اﻷﻗﺮب«‪ .‬ﱢ‬
‫ﻓﻘﺎ ملﺠﻤﻮﻋﺔ اﻟﻨﻄﺎﻗﺎت اﻟﺘﻲ ﺗﻘﻊ ﻓﻴﻬﺎ‪ .‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻳﻈﻬﺮ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‬
‫أ اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﺗﺰﻳﺪ أﻋﻤﺎرﻫﻢ ﻋﻦ ‪ ٥٠‬ﻋﺎﻣﺎ ﻳﻌﻴﺸﻮ ﻧﻤﻂ ﺣﻴﺎة ﻗﻠﻴﻞ اﻟﺤﺮﻛﺔ‬
‫ﻣﺆﴍ ﻛﺘﻠﺔ ﺟﺴﻢ أﻛﱪ ﻣﻦ ‪٢٥‬؛ ﻣﻌ ﱠﺮﺿﻮ ﻟﺨﻄﺮ اﻹﺻﺎﺑﺔ ﺑﺄﻣﺮاض اﻟﻘﻠﺐ‪ .‬ﻣﺜﻞ‬ ‫ﻟﺪﻳﻬﻢ ﱢ‬

‫‪103‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻫﺬ اﻟﻨﻤﺎذج ﻳﻤﻜﻦ أ ﺗﻤﺜﱠﻞ ﰲ ﺻﻮرة ﺑﻨﻴﺔ ﺷﺠﺮﻳﺔ؛ ﻣﻦ ﻫﻨﺎ ﺟﺎءت اﻟﺘﺴﻤﻴﺔ‪ .‬ﰲ أﺳﻠﻮب‬
‫اﻟﺠﺎر اﻷﻗﺮب‪ ،‬ﻧﺠﺪ اﻟﻜﺎﺋﻨﺎت اﻟﻘﻠﻴﻠﺔ املﻮﺟﻮدة ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻜﻮ أﻛﺜﺮ ﺷﺒﻬﺎ‬
‫)أ »أﻛﺜﺮ ﻗﺮﺑﺎ«( إﱃ اﻟﻜﺎﺋﻦ اﻟﺠﺪﻳﺪ اﻟﺨﺎﺿﻊ ﻟﻠﺘﺼﻨﻴﻒ؛ ﺣﻴﺚ ﻳﺘﺤﺪﱠد اﻟﺘﺸﺎﺑﻪ ﻣﻦ ﻧﺎﺣﻴﺔ‬
‫املﺘﻐريات املﺘﻨﺒﱢﺌﺔ‪ .‬ﺑﻌﺪﻫﺎ ﻳﻮﺿﻊ اﻟﻜﺎﺋﻦ اﻟﺠﺪﻳﺪ ﺑﺒﺴﺎﻃﺔ ﰲ اﻟﻔﺌﺔ ﻧﻔﺴﻬﺎ ﻛﻤﺎ ﻫﻲ ﺣﺎ‬
‫ﻏﺎﻟﺒﻴﺔ ﻫﺬ اﻟﻜﺎﺋﻨﺎت املﺘﺸﺎﺑﻬﺔ ﻛﺜريا‪.‬‬
‫ﻳﺴﻤﻰ اﻟﺘﺼﻨﻴﻒ املﺮاﻗﺐ ﺑﻬﺬا اﻻﺳﻢ ﻷﻧﻪ ﻳﺤﺘﺎج ﺷﺨﺼﺎ )أ »ﻣﺮاﻗﺒﺎ«( ﻟﺘﺤﺪﻳﺪ‬
‫ﺗﺴﻤﻴﺎت ﻓﺌﺎت ﻋﻴﻨﺔ اﻟﺒﻴﺎﻧﺎت‪ ،‬اﻟﺘﻲ ﻳﻤﻜﻨﻨﺎ ﻣﻦ ﺧﻼﻟﻬﺎ ﺑﻨﺎء ﻗﺎﻋﺪة اﻟﺘﺼﻨﻴﻒ ﻟﺘﻄﺒﻴﻘﻬﺎ‬
‫ﻋﲆ اﻟﻜﺎﺋﻨﺎت اﻟﺠﺪﻳﺪة‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻻ ﻳﻮﺟﺪ ﰲ ﻣﺴﺎﺋﻞ اﻟﺘﺼﻨﻴﻒ اﻷﺧﺮ أ ﺗﺴﻤﻴﺔ ﻟﻠﻔﺌﺎت‪،‬‬
‫اﻟﻬﺪ ﻫﻮ ﺑﺒﺴﺎﻃﺔ ﺗﻘﺴﻴﻢ اﻟﻜﺎﺋﻨﺎت إﱃ ﻓﺌﺎت ﻃﺒﻴﻌﻴﺔ‪ ،‬أ رﺑﻤﺎ ﻓﺌﺎت ﻣﻼﺋﻤﺔ‪ .‬ﻳﻤﻜﻨﻨﺎ‬
‫اﻟﻘﻮ إ اﻟﻬﺪ ﻣﻦ ذﻟﻚ ﻫﻮ ﺗﺤﺪﻳﺪ اﻟﻔﺌﺎت؛ ﻓﻔﻲ اﻟﻄﺐ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﺗﻜﻮ‬
‫ﻟﺪﻳﻨﺎ ﻋﻴﻨﺔ ﻣﻦ املﺮﴇ ﻟﻜ ﱟﻞ ﻣﻨﻬﻢ ﺗﻔﺎﺻﻴﻞ ﻋﻦ أﻧﻤﺎط اﻷﻋﺮاض ﻧﺘﺎﺋﺞ اﻟﺘﺤﺎﻟﻴﻞ‪ ،‬رﺑﻤﺎ‬
‫ﻧﻈﻦ أ ﻋﺪة أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻷﻣﺮاض ﻣﻤﺜﻠﺔ ﰲ اﻟﻌﻴﻨﺔ‪ .‬ﺳﻴﻜﻮ ﻫﺪﻓﻨﺎ ﺣﻴﻨﻬﺎ ﻣﻌﺮﻓﺔ‬
‫ﻣﺎ إذا ﻛﺎ املﺮﴇ ﻳﺸ ﱢﻜﻠﻮ ﻣﺠﻤﻮﻋﺎت ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﻣﻨﻈﻮر اﻷﻋﺮاض ﻧﺘﺎﺋﺞ اﻟﺘﺤﺎﻟﻴﻞ‪.‬‬
‫ﻳﻄﻠﻖ ﻋﲆ اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ ﻻﺳﺘﻜﺸﺎ ﻫﺬ اﻟﺘﺠﻤﻌﺎت اﺳﻢ »اﻟﺘﺤﻠﻴﻞ اﻟﻌﻨﻘﻮد «‪.‬‬
‫ﻛﺎ ﻟﻬﺬ اﻷﺳﺎﻟﻴﺐ ﻓﺎﺋﺪة ﻛﺒرية ﰲ ﺗﺤﺪﻳﺪ اﻟﻔﺮ ﺑني اﻻﻛﺘﺌﺎب اﻷﺣﺎد اﻟﻘﻄﺐ اﻟﺜﻨﺎﺋﻲ‬
‫اﻟﻘﻄﺐ‪ ،‬ﺗﺴﺘﺨﺪ ﰲ ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ املﺠﺎﻻت اﻷﺧﺮ ‪ ،‬ﻣﻨﻬﺎ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ —‬
‫إدارة ﻗﻴﻤﺔ اﻟﻌﻤﻼء اﻟﺘﺴﻮﻳﻖ؛ ﺣﻴﺚ ﺗﻜﻤﻦ ﻓﺎﺋﺪﺗﻬﺎ ﰲ ﺗﺤﺪﻳﺪ ﻣﺎ إذا ﻛﺎ ﻳﻮﺟﺪ أﻧﻮاع‬
‫ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﻌﻤﻼء أ ﻻ‪.‬‬
‫ﰲ اﻟﺘﺤﻠﻴﻞ اﻟﻌﻨﻘﻮد ‪ ،‬ﻻ ﻳﻮﺟﺪ ﻣﺘﻐري »ﻧﺎﺗﺞ« ﻻ »إﺟﺎﺑﺔ«‪ .‬ﺑﺪﻻ ﻣﻦ ذﻟﻚ‪ ،‬ﻓﺈ اﻟﻬﺪ‬
‫ﻫﻮ ﻣﺠﺮد ﺻﻒ اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﺳﻬﻞ‪ .‬ﺛﻤﺔ أد ات إﺣﺼﺎﺋﻴﺔ أﺧﺮ ﻟﻬﺎ اﻟﻬﺪ ﻧﻔﺴﻪ‪،‬‬
‫ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻬﺎ ﺗﺴﻌﻰ إﱃ ﺻﻒ ﻣﻦ ﻧﻮع ﻣﺨﺘﻠﻒ ﺗﻤﺎﻣﺎ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪» ،‬اﻟﻨﻤﻮذج‬
‫اﻟﺒﻴﺎﻧﻲ« ﻫﻮ ﺻﻒ ﻣﺒﺴﻂ ﻟﻠﻌﻼﻗﺎت ﺑني ﻋﺪة ﻣﺘﻐريات — رﺑﻤﺎ ﻋﺪد ﻛﺒري ﻣﻨﻬﺎ —‬
‫اﺳﺘﻨﺎدا إﱃ اﻓﱰاض أ اﻟﻌﻼﻗﺎت ﺑني اﻟﻌﺪﻳﺪ ﻣﻦ املﺘﻐريات ﺗﺴﺒﺒﻬﺎ ﻋﻼﻗﺎت ﺳﻴﻄﺔ ﻣﻊ‬
‫ﻣﺘﻐريات أﺧﺮ ‪ .‬ﻗﺪ رأﻳﻨﺎ ﻣﺜﺎﻻ ﺑﺴﻴﻄﺎ ﺟﺪٍّا ﻋﲆ ﻫﺬا ﺳﺎﺑﻘﺎ؛ ﻓﺮﺑﻤﺎ ﻛﺎ اﻻرﺗﺒﺎط اﻹﻳﺠﺎﺑﻲ‬
‫ﺑني اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة اﻟﻘﺪرة اﻟﺤﺴﺎﺑﻴﺔ ﻟﺪ اﻷﻃﻔﺎ ﻧﺘﻴﺠﺔ ﻟﻠﻌﻼﻗﺔ ﺑني ﻛﻼ ﻫﺬﻳﻦ‬
‫املﺘﻐريﻳﻦ اﻟﻌﻤﺮ‪.‬‬
‫ﻳﻤﻜﻦ اﻟﺘﻮﺳﻊ ﰲ ﻫﺬ اﻟﻨﻤﺎذج ﻣﻦ ﺧﻼ اﻓﱰاض أ ﺑﻌﺾ اﻟﻌﻼﻗﺎت ﺳﺒﺒﻬﺎ‬
‫املﺘﻐريات »اﻟﻜﺎﻣﻨﺔ« ﻏري املﻘﻴﺴﺔ اﻟﺘﻲ ﺗﺘﻌﻠﻖ ﺑﺒﻌﺾ املﺘﻐريات املﺮﺻﻮدة؛ ﻣﻦ ﺛ ﱠﻢ ﺗﺤﻔﺰ‬

‫‪104‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﻋﻼﻗﺔ اﺿﺤﺔ ﺑﻴﻨﻬﻤﺎ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬رﺑﻤﺎ ﻧﻼﺣﻆ أ أﺳﻌﺎر أﺳﻬﻢ ﺑﻌﺾ اﻟﴩﻛﺎت‬
‫ﺗﺮﺗﻔﻊ أ ﺗﻨﺨﻔﺾ ﻣﻌﺎ‪ .‬إﺣﺪ ﻃﺮ ﺗﻔﺴري ﻫﺬا ﻗﺪ ﺗﺘﻤﺜﻞ ﰲ ﺗﺨﻤني ﺟﻮد ﺑﻌﺾ املﺘﻐريات‬
‫اﻟﺨﻔﻴﺔ )ﺑﻌﺾ ﺟﻮاﻧﺐ اﻻﻗﺘﺼﺎد ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ( اﻟﺘﻲ ﺗﺮﺗﺒﻂ ﺑﻜﻞ ﺳﻌﺮ؛ ﻣﻦ ﺛ ﱠﻢ ﺗﺤﻔﺰ‬
‫اﻟﻌﻼﻗﺔ ﺑني ﻫﺬ اﻷﺳﻌﺎر؛ ﻓﻌﻨﺪﻣﺎ ﻳﺰﻳﺪ املﺘﻐري اﻟﺨﻔﻲ‪ ،‬ﺗﺮﺗﻔﻊ ﻛﻞ اﻷﺳﻌﺎر‪ .‬ﺗﺸﻜﻞ ﻫﺬ‬
‫اﻷﻓﻜﺎر أﺳﺎس ﻧﻤﺎذج »اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﲇ«‪ ،‬ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﺴﻤﱠ ﻰ املﺘﻐري اﻟﻜﺎﻣﻦ ﺑﺎﺳﻢ »اﻟﻌﺎﻣﻞ‬
‫ﻔﴪ ﺳﻠﺴﻠﺔ‬ ‫اﻟﻜﺎﻣﻦ«‪ .‬ﻛﻤﺎ أﻧﻬﺎ ﺗﺸﻜﻞ أﺳﺎس »ﻧﻤﺎذج ﻣﺎرﻛﻮ املﺨﻔﻴﺔ«‪ ،‬اﻟﺘﻲ ﻓﻴﻬﺎ ﺗ ﱠ‬
‫ﻗﻴﻢ ﻣﺮﺻﻮدة ﰲ ﺳﻴﺎ ﺣﺎﻻت ﺧﻔﻴﺔ ﻟﻠﻨﻈﺎ ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬املﺮﴇ اﻟﺬﻳﻦ ﻳﻌﺎﻧﻮ ﻣﻦ‬
‫ﺑﻌﺾ اﻷﻣﺮاض ﻳﺘﻔﺎ ﺗﻮ ﻣﻦ ﺣﻴﺚ ﺟﻮدة اﻟﺤﻴﺎة‪ ،‬ﻓﺄﺣﻴﺎﻧﺎ ﻳﻨﺘﻜﺴﻮ أﺣﻴﺎﻧﺎ ﻳﺸﻔ ْﻮ ﻋﲆ‬
‫ﻧﺤﻮ ﻣﺆﻗﺖ‪ .‬ﻳﻤﻜﻦ ﻧﻤﺬﺟﺔ ﻫﺬا اﻟﺘﻌﺎﻗﺐ ﰲ ﺳﻴﺎ اﻟﺤﺎﻻت اﻷﺳﺎﺳﻴﺔ املﺘﻐرية‪.‬‬
‫إذا ﻛﺎﻧﺖ أﺳﺎﻟﻴﺐ اﻟﺘﺼﻨﻴﻒ ﺳﻤﱢ ﻴﺖ ﺗﻴﻤﱡ ﻨﺎ ﺑﺄﻧﻮاع املﺴﺎﺋﻞ املﺼﻤﱠ ﻤﺔ ﻟﺤﻠﻬﺎ‪ ،‬ﻓﻘﺪ ﺳﻤﻴﺖ‬
‫أﺳﺎﻟﻴﺐ أﺧﺮ ﺗﻴﻤﻨﺎ ﺑﻄﺒﻴﻌﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻌﻤﻞ ﻋﻠﻴﻬﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬أﺳﺎﻟﻴﺐ‬
‫»ﺗﺤﻠﻴﻞ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ« ﺗﻌﻤﻞ ﻋﲆ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ؛ أ املﻼﺣﻈﺎت املﺘﻜﺮرة ﻟﻠﻤﺘﻐري‬
‫أ املﺘﻐريات ﻧﻔﺴﻬﺎ ﻋﲆ ﻣﺪار ﺗﺴﻠﺴﻞ زﻣﻨﻲ‪ .‬ﻫﻴﺎﻛﻞ اﻟﺒﻴﺎﻧﺎت ﺗﻠﻚ ﻣﻮﺟﻮدة ﰲ ﻛﻞ‬
‫ﻣﻜﺎ ؛ ﻓﻬﻲ ﺗﻮﺟﺪ ﰲ اﻻﻗﺘﺼﺎد )ﻣﺜﻞ ﻗﻴﺎﺳﺎت اﻟﺘﻀﺨﻢ اﻟﻨﺎﺗﺞ املﺤﲇ اﻹﺟﻤﺎﱄ اﻟﺒﻄﺎﻟﺔ(‪،‬‬
‫اﻟﻬﻨﺪﺳﺔ‪ ،‬اﻟﻄﺐ )ﻣﺜﻞ ﺣﺪات اﻟﻌﻨﺎﻳﺔ املﺮﻛﺰة(‪ ،‬ﰲ ﻛﺜري ﻣﻦ املﺠﺎﻻت اﻷﺧﺮ ‪ .‬ﰲ‬
‫ﺗﺤﻠﻴﻞ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ‪ ،‬رﺑﻤﺎ ﻳﻜﻮ ﻫﺪﻓﻨﺎ ﻫﻮ ﻓﻬﻤﻬﺎ‪ ،‬أ ﺗﺤﻠﻴﻠﻬﺎ إﱃ ﻣﻜﻮﻧﺎﺗﻬﺎ اﻟﺮﺋﻴﺴﻴﺔ‬
‫)ﻣﺜﻞ اﻟﻨﺰﻋﺔ املﻮﺳﻤﻴﺔ(‪ ،‬أ رﺻﺪ ﻣﺘﻰ ﻳﺘﻐري ﺳﻠﻮ اﻟﻨﻈﺎ ‪ ،‬أ رﺻﺪ اﻟﺤﺎﻻت اﻟﺸﺎذة‬
‫)ﻣﺜﻞ اﻟﺘﻨﺒﺆ ﺑﺎﻟﺰﻻز (‪ ،‬أ ﺗﻮﻗﻊ اﻟﻘﻴﻢ املﺴﺘﻘﺒﻠﻴﺔ املﺤﺘﻤﻠﺔ‪ ،‬أ ﻣﻦ أﺟﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ‬
‫اﻷﺳﺒﺎب اﻷﺧﺮ ‪ .‬ﻗﺪ ﻃﻮرت ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ اﻷﺳﺎﻟﻴﺐ ﻟﺘﺤﻠﻴﻞ ﻫﺬ اﻟﺒﻴﺎﻧﺎت‪.‬‬

‫)‪ (3‬اﻟﺮﺳﻮ اﻟﺒﻴﺎﻧﻴﺔ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ٍّ‬
‫ﺧﺎﺻﺎ‪.‬‬ ‫ﺗﻮﺟﺪ ﻓﺌﺔ ﻣﻌﻴﻨﺔ ﻣﻦ اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ ﻣﻬﻤﺔ ﻟﻠﻐﺎﻳﺔ ﻟﺪرﺟﺔ أﻧﻬﺎ ﺗﺴﺘﺤﻖ اﻫﺘﻤﺎﻣﺎ‬
‫ﻫﺬ اﻟﻔﺌﺔ ﻫﻲ اﺳﺘﺨﺪا اﻟﺮﺳﻮ اﻟﺒﻴﺎﻧﻴﺔ‪ .‬ﺻﻘﻠﺖ اﻟﻌني اﻟﺒﴩﻳﺔ ﻋﲆ ﻣﺪار دﻫﻮر ﻣﻦ‬
‫اﻟﺘﻄﻮر ﻟﻜﻲ ﺗﻜﻮ ﻗﺎدرة ﻋﲆ إدرا اﻟﺒﻨﻰ اﻷﻧﻤﺎط ﰲ اﻹﺷﺎرات اﻟﺘﻲ ﺗﺼﻞ إﻟﻴﻬﺎ‪ .‬ﻳﺴﺘﻔﻴﺪ‬
‫ﻋﻠﻢ اﻹﺣﺼﺎء اﺳﺘﻔﺎدة ﻣﻜﺜﻔﺔ ﻣﻦ ذﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﺗﻤﺜﻴﻞ اﻟﺒﻴﺎﻧﺎت ﰲ ﺻﻮرة ﻣﺠﻤﻮﻋﺔ ﻛﺒرية‬
‫ﻣﻦ اﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻣﻦ اﻷﺷﻜﺎ اﻟﺮﺳﻮﻣﻴﺔ؛ ﻓﻌﻨﺪﻣﺎ ﺗﻌﺮض اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﺟﻴﺪ‪ ،‬ﻓﺈ‬
‫اﻟﻌﻼﻗﺎت ﺑني املﺘﻐريات أ اﻟﺘﻜﻮﻳﻨﺎت ﰲ اﻟﺒﻴﺎﻧﺎت ﺗﺼﺒﺢ اﺿﺤﺔ‪ .‬ﻳﺴﺘﺨﺪ ﻫﺬا ﰲ ﺗﺤﻠﻴﻞ‬

‫‪105‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺒﻴﺎﻧﺎت ﻟﻠﻤﺴﺎﻋﺪة ﰲ ﻓﻬﻢ ﻣﺎ ﻳﺪ ر )ﺗﺬ ﱠﻛ ْﺮ ﺗﻮزﻳﻊ ر اﺗﺐ اﻟﺒﻴﺴﺒﻮ ﰲ اﻟﺸﻜﻞ ‪،(1-2‬‬

‫إﻳﺼﺎ اﻟﻨﺘﺎﺋﺞ إﱃ اﻵﺧﺮﻳﻦ‪ .‬أﻗ ﱢﺪ ﺑﻌﺾ اﻷﻣﺜﻠﺔ ﰲ اﻷﺷﻜﺎ اﻟﺜﻼﺛﺔ اﻟﺘﺎﻟﻴﺔ‪:‬‬

‫‪٤٨ ٤٩ ٥٠ ٥١ ٥٢‬‬ ‫‪٣٠ ٣٥ ٤٠ ٤٥ ٥٠‬‬

‫‪١٢‬‬

‫‪١١٫٥‬‬
‫‪ ١٠٠‬ﻣﱰ‬
‫‪١١‬‬

‫‪٥٢‬‬
‫‪٥١‬‬
‫‪٥٠‬‬
‫‪ ٤٠٠‬ﻣﱰ‬
‫‪٤٩‬‬
‫‪٤٨‬‬

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

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

‫ﺷﻜﻞ ‪» :2-6‬ﻣﺼﻔﻮﻓﺔ اﻟﺸﻜﻞ اﻻﻧﺘﺸﺎر « اﻟﺘﻲ ﺗ ﱢﺒني أ ﻗﺎت ﺳﺒﺎ اﻟﻌ ْﺪ ‪ ١٠٠‬ﻣﱰ ‪ ٤٠٠‬ﻣﱰ‬
‫)ﺑﺎﻟﺜﻮاﻧﻲ(‪ ،‬املﺴﺎﻓﺎت )ﺑﺎﻷﻣﺘﺎر( ﻟﺪﻓﻊ اﻟﺠﻠﺔ ﻗﺬ اﻟﻘﺮص ﻟﻠﻤﻨﺎﻓﺴني ﰲ ﻋﺸﺎر اﻟﺮﺟﺎ ﰲ‬
‫ﱢ‬
‫ﻳﺒني ﻛﻞ ﻣﺮﺑﻊ اﻟﻌﻼﻗﺔ ﺑني اﺛﻨني ﻣﻦ املﺘﻐريات اﻷرﺑﻌﺔ‪.‬‬ ‫د رة اﻷﻟﻌﺎب اﻷ ملﺒﻴﺔ ﻋﺎ ‪.١٩٨٨‬‬
‫اﻟﱰاﺑﻂ اﻟﻘﻮ ﺑني ﻧﺘﺎﺋﺞ ﺣﺪﺛﻲ اﻟﺮﻣﻲ اﺿﺢ ﻋﲆ ﻧﺤﻮ ﻣﺒﺎﴍ‪.‬‬

‫‪106‬‬
 ‫اﻟﻨﻤﺎذج اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫‪١٥٠٠٠‬‬

‫)ﺑﺎﻟﺠﻨﻴﻪ اﻹﺳﱰﻟﻴﻨﻲ(‬
‫اﻟﺴﺤﺐ اﻟﻨﻘﺪي‬
‫‪١٠٠٠٠‬‬

‫‪٥٠٠٠‬‬

‫‪٠‬‬
‫‪٠‬‬ ‫‪٥٠‬‬ ‫‪١٠٠‬‬ ‫‪١٥٠‬‬
‫ﻋﺪد اﻷﻳﺎم‬

‫ﺷﻜﻞ ‪ :3-6‬ﻣﺨﻄﻂ اﻟﺴﻠﺴﻠﺔ اﻟﺰﻣﻨﻴﺔ اﻟﺬ ﻳﺒني املﺒﻠﻎ املﺴﺤﻮب ﻣﻦ ﺟﻬﺎز ﴏا آﱄ ﻛﻞ‬
‫ﻳﻮ ‪ .‬ﻳﺒني اﻟﺸﻜﻞ ﺑﻮﺿﻮح ﺟﻮد د رات أﺳﺒﻮﻋﻴﺔ ﺷﻬﺮﻳﺔ‪ ،‬أﻳﻀﺎ ﺟﻮد ﻧﺰﻋﺔ ﻣﺘﺰاﻳﺪة‬
‫ﺗﺪرﻳﺠﻴٍّﺎ ﻣﻊ ﻣﺮ ر اﻟﻮﻗﺖ‪ .‬ﻳﺘﻀﺢ أﻳﻀﺎ ﺟﻮد ﻗﻴﻤﺔ ﻣﻨﺨﻔﻀﺔ ﻋﲆ ﻧﺤﻮ ﻣﻔﺎﺟﺊ ﺑﺎﻟﻘﺮب ﻣﻦ‬
‫ﻧﻬﺎﻳﺔ اﻟﻔﱰة‪.‬‬

‫‪٦٠‬‬
‫‪٤٠‬‬
‫‪١‬‬
‫‪٢٠‬‬
‫‪٠,٨‬‬
‫ﺗ‬
‫ﺸﺘﻴ‬
‫ﺖﺿ‬

‫‪٠,٦‬‬
‫‪٠٫٦‬‬
‫ﻮ‬
‫ء ﺑﺰ‬

‫‪٠٫٨‬‬
‫‪٠,٤‬‬
‫اوﻳﺔ‬

‫ﻣﺎﻣﻲ‬ ‫‪١‬‬
‫ﺿﻮء أ‬
‫‪ ٩٠‬د‬

‫ﺸﺘﻴﺖ‬ ‫‪١,٢‬‬
‫ﺗ‬ ‫‪٠,٢‬‬
‫رﺟﺔ‬

‫ﺷﻜﻞ ‪ :4-6‬ﺗﻮزﻳﻊ ﻗﻴﻢ ﺗﺸﺘﻴﺖ اﻟﻀﻮء ﻣﻦ ﺧﻼﻳﺎ ﻋﻮاﻟﻖ ﻧﺒﺎﺗﻴﺔ ﻣﻦ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪،‬‬
‫ﻳﻌﺮض ﺛﻼﺛﺔ أﻧﻮاع ﻫﻨﺎ‪ ،‬ﻟﻜﻦ ﻳﻤﺘﻠﻚ اﺛﻨﺎ ﻣﻨﻬﺎ ﺗﻮزﻳﻌني ﻟﻠﻘﻴﻢ ﻣﺘﺸﺎﺑﻬني ﺟﺪٍّا؛ ﻟﺬﻟﻚ ﻳﺘﺠﻤﻊ‬
‫ﻫﺬا اﻟﺘﻮزﻳﻌﺎ ﻟﺘﻜﻮﻳﻦ ﻗﻤﺔ ﻋﺎﻟﻴﺔ اﺣﺪة‪.‬‬

‫‪107‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺧﺎﺗﻤﺔ‬

‫ﻗ ﱠﺪ ﻫﺬا اﻟﻔﺼﻞ ﻣﺮاﺟﻌﺔ ﴎﻳﻌﺔ ﻟﻌﺪد ﻗﻠﻴﻞ ﻣﻦ اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ املﻬﻤﺔ‪ ،‬ﻟﻜﻦ ﻳﻮﺟﺪ‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻷد ات اﻷﺧﺮ اﻟﺮاﺋﻌﺔ اﻟﺘﻲ ﻟﻢ أذﻛﺮﻫﺎ‪ .‬ﺗﺘﻨﺎﺳﺐ اﻟﻨﻤﺎذج املﺨﺘﻠﻔﺔ ﻣﻊ‬
‫أﻧﻮاع املﺴﺎﺋﻞ املﺨﺘﻠﻔﺔ أﻧﻮاع اﻟﺒﻴﺎﻧﺎت املﺨﺘﻠﻔﺔ‪ ،‬ﻳﻮﺟﺪ ﻋﺪد ﻻ ﻧﻬﺎﺋﻲ ﻣﻦ املﺴﺎﺋﻞ ﺑﻨﻰ‬
‫اﻟﺒﻴﺎﻧﺎت‪ .‬ﻣﻦ املﻬﻢ أﻳﻀﺎ أ ﻧﺪر أ اﻟﻨﻤﺎذج ﻟﻴﺴﺖ ﻛﻴﺎﻧﺎت ﻣﻌﺰ ﻟﺔ؛ ﻓﺎﻟﺤﻘﻴﻘﺔ ﻫﻲ أ‬
‫اﻟﻨﻤﺎذج املﺨﺘﻠﻔﺔ ﺗﺮﺗﺒﻂ ﺑﻄﺮ ﻣﺘﻌﺪدة؛ ﻓﺮﺑﻤﺎ ﺗﻜﻮ اﻟﻨﻤﺎذج ﺗﻌﻤﻴﻤﺎ ﻷﻧﻮاع أﺧﺮ ﻣﻦ‬
‫اﻟﻨﻤﺎذج أ ﺗﻜﻮ ﺣﺎﻻت ﺧﺎﺻﺔ ﻣﻨﻬﺎ أ ﺗﺘﻜﻴﻒ ﻣﻊ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﺑﻴْﺪ أﻧﻬﺎ‬
‫ﻣﺪﻣﺠﺔ ﺟﻤﻴﻌﺎ ﰲ ﺷﺒﻜﺔ ﻏﻨﻴﺔ ﻣﻦ اﻟﻌﻼﻗﺎت‪.‬‬

‫‪108‬‬
 ‫اﻟﻔﺼﻞ اﻟﺴﺎﺑﻊ‬

‫اﳊﻮﺳﺒﺔ اﻹﺣﺼﺎﺋﻴﺔ‬

‫اﻟﺴﺤﺮ اﻟﺤﻘﻴﻘﻲ ﻳﺄﺗﻲ ﻣﻦ ﻓﺮﻳﻖ اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ ﻟﺪﻳﻨﺎ‪.‬‬

‫ﺳﺎ اﻟﺨﻠﻒ‬

‫)‪ (1‬اﻹﺣﺼﺎء ﻳﻐري ﺗﺮﻛﻴﺰ‬

‫رأﻳﻨﺎ ﰲ املﻨﺎﻗﺸﺎت اﻟﺴﺎﺑﻘﺔ ﻛﻴﻒ أ اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ ﻳﻤﻜﻦ أ ﻳﻤﺜﻞ ﻣﺸﻜﻠﺔ‪ ،‬ﻟﻜﻨﻨﺎ ﻟﻢ‬
‫ﻧﺘﻄﺮ أﻳﻀﺎ إﱃ اﻟﺤﻞ؛ إذ إﻧﻨﺎ ﺑﺒﺴﺎﻃﺔ أﴍﻧﺎ إﱃ أﻧﻪ ﻛﺎ ﻣﻦ اﻟﴬ ر اﺧﺘﻴﺎر ﻧﻤﺎذج‬
‫ﻟﻴﺴﺖ ﻣﻌﻘﺪة ﻟﻠﻐﺎﻳﺔ ﻻ ﺑﺴﻴﻄﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬ﺑﺪ اﻣﺘﻼ ﺧﱪة ﻛﺒرية ﰲ ﻣﺠﺎ اﻟﻨﻤﺬﺟﺔ‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻟﻴﺴﺖ ﻫﺬ ﻧﺼﻴﺤﺔ ﻣﻔﻴﺪة ﺟﺪٍّا‪ ،‬ﺗﻮﺟﺪ ﺣﺎﺟﺔ إﱃ ﻣﺰﻳﺪ ﻣﻦ اﻟﻄﺮ املﻮﺿﻮﻋﻴﺔ‪.‬‬
‫ﱡ‬
‫»اﻟﺘﺤﻘﻖ املﺘﺒﺎد «‪.‬‬ ‫ﺗﺴﺘﻨﺪ إﺣﺪ ﻫﺬ اﻟﻄﺮ إﱃ ﻣﺒﺪأ‬
‫ﻛﻤﺎ رأﻳﻨﺎ أﻧﻪ — ﺑﺼﻔﺔ ﻋﺎﻣﺔ — ﺑﻴﻨﻤﺎ ﻳﺰداد ﺗﻌﻘﻴﺪ اﻟﻨﻤﻮذج‪ ،‬ﺗﻮاﺻﻞ ﺟﻮدة ﻣﻄﺎﺑﻘﺘﻪ‬
‫ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﺘﺎﺣﺔ اﻟﺘﺤﺴﻦ‪ ،‬ﱠإﻻ أ ﺟﻮدة ﻣﻄﺎﺑﻘﺘﻪ ﻣﻊ ﻋﻴﻨﺎت أﺧﺮ ﻣﺴﺘﻤﺪﱠة ﻣﻦ اﻟﺘﻮزﻳﻊ‬
‫ْ‬
‫ﻟﻜﻦ ﺑﻌﺪ ذﻟﻚ ﺗﺒﺪأ ﰲ اﻟﺘﺪﻫﻮر‪.‬‬ ‫ﻧﻔﺴﻪ )أ »أداﺋﻪ ﺧﺎرج اﻟﻌﻴﻨﺔ«( ﺗﺘﺤﺴﻦ ﻋﺎدة ﰲ اﻟﺒﺪاﻳﺔ‪،‬‬
‫ﻫﻨﺎ ﺗﻜﻮ »اﻟﻌﻴﻨﺎت اﻷﺧﺮ « ﺗﻤﺜﻴﻼ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺠﺪﻳﺪة‪ ،‬ﻫﻲ ﻣﺎ ﻧﺤﻦ ﻣﻬﺘﻤﻮ ﺑﻪ ٍّ‬
‫ﺣﻘﺎ‪.‬‬
‫اﻟﻨﻘﻄﺔ اﻟﺘﻲ ﻳﻜﻮ ﻓﻴﻬﺎ اﻟﻨﻤﻮذج ﻣﻄﺎﺑﻘﺎ ﻋﲆ ﻧﺤﻮ أﻓﻀﻞ ﻣﻊ ﺑﻴﺎﻧﺎت »ﻋﻴﻨﺔ أﺧﺮ « ﻳﺒﺪ‬
‫أ ﻣﻦ ﺷﺄﻧﻬﺎ أ ﺗﻤﻨﺤﻨﺎ ﻧﻤﻮذﺟﺎ ذا ﻣﺴﺘﻮ ﻣﻨﺎﺳﺐ ﻣﻦ اﻟﺘﻌﻘﻴﺪ‪ .‬ﻫﺬا ﻫﻮ ﻣﻔﺘﺎح اﻟﺤﻞ؛‬
‫ﻓﻴﺠﺐ ﻋﻠﻴﻨﺎ ﺗﻘﺪﻳﺮ ﻣﻌﻠﻤﺎت اﻟﻨﻤﻮذج ﺑﺎﺳﺘﺨﺪا ﻋﻴﻨﺔ اﺣﺪة‪ ،‬ﺗﻘﻴﻴﻢ أداﺋﻪ ﺑﺎﺳﺘﺨﺪا‬
‫ﻋﻴﻨﺔ أﺧﺮ ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻸﺳﻒ‪ ،‬ﻋﺎدة ﻣﺎ ﻧﻤﺘﻠﻚ ﻋﻴﻨﺔ اﺣﺪة ﻓﻘﻂ‪ .‬إﺣﺪ ﻃﺮ ﻣﻮاﺟﻬﺔ ذﻟﻚ ﺗﺘﻤﺜﻞ ﰲ‬
‫ﺗﻘﺴﻴﻢ ﻫﺬ اﻟﻌﻴﻨﺔ )ﻋﺸﻮاﺋﻴٍّﺎ( إﱃ ﻋﻴﻨﺘني ﻓﺮﻋﻴﺘني‪ .‬ﺗﺴﺘﺨﺪ ﻋﻴﻨﺔ ﻓﺮﻋﻴﺔ اﺣﺪة )ﺗﺴﻤﱠ ﻰ‬
‫»ﻋﻴﻨﺔ اﻟﺘﺪرﻳﺐ« أ »ﻋﻴﻨﺔ اﻟﺘﺼﻤﻴﻢ«( ﻟﺘﻘﺪﻳﺮ املﻌﻠﻤﺔ‪ ،‬ﺗﺴﺘﺨﺪ اﻷﺧﺮ )ﺗﺴﻤﱠ ﻰ »ﻋﻴﻨﺔ‬
‫اﻟﺘﺤﻘﻖ«( ﻟﺘﻘﻴﻴﻢ اﻷداء اﺧﺘﻴﺎر اﻟﻨﻤﻮذج‪ .‬ﻫﺬا ﻫﻮ أﺳﻠﻮب اﻟﺘﺤﻘﻖ املﺘﺒﺎد ‪ .‬ﰲ اﻟﻌﺎدة‪،‬‬
‫ﻟﺘﺨﻔﻴﻒ أ ﻣﺸﺎﻛﻞ ﻧﺎﺟﻤﺔ ﻋﻦ ﻛﻮ اﻟﻌﻴﻨﺔ اﻟﻔﺮﻋﻴﺔ املﺴﺘﺨﺪﻣﺔ ﻟﺘﻘﺪﻳﺮ املﻌﻠﻤﺎت ﻟﻴﺴﺖ‬
‫ﻫﻲ ﻣﺠﻤﻞ اﻟﻌﻴﻨﺔ اﻷﺻﻠﻴﺔ‪ ،‬ﻳﻜﺮر ﻫﺬا اﻹﺟﺮاء ﻋﺪة ﻣﺮات؛ ﻳﻌﻨﻲ ﻫﺬا أ اﻟﻌﻴﻨﺔ اﻷﺻﻠﻴﺔ‬
‫ﻘﺴﻢ ﻋﺸﻮاﺋﻴٍّﺎ إﱃ ﻋﻴﻨﺘني‪ ،‬ﺗﻘﺪﱠر املﻌﻠﻤﺎت ﺑﺎﺳﺘﺨﺪا ﻋﻴﻨﺔ ﻓﺮﻋﻴﺔ اﺣﺪة‪ ،‬ﻳﻘﻴﱠﻢ اﻟﻨﻤﻮذج‬ ‫ﺗ ﱠ‬
‫ﺑﺎﺳﺘﺨﺪا اﻷﺧﺮ ‪ .‬ﻳﻜ ﱠﺮر ﻫﺬا ﺑﺘﻘﺴﻴﻤﺎت ﻋﺸﻮاﺋﻴﺔ ﻣﺨﺘﻠﻔﺔ ﻟﻠﻌﻴﻨﺔ‪ .‬أﺧريا‪ ،‬ﻳﺤﺴﺐ‬
‫ﻣﺘﻮﺳﻂ ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻛﻞ اﻟﺘﻘﺴﻴﻤﺎت‪ ،‬ﻟﻜﻲ ﻳﻨﺘﺞ ﻗﻴﺎس ﻋﺎ ﱞ ﻟﻸداء املﺴﺘﻘﺒﲇ املﺮﺟﺢ‪.‬‬
‫ﻳﻌ ﱡﺪ اﻟﺘﺤﻘﻖ املﺘﺒﺎد ﻣﺜﺎﻻ ﻋﲆ ﻧﻬﺞ »ﻣﻜﺜﱠﻒ ﺣﺎﺳﻮﺑﻴٍّﺎ«؛ ﺳﻤﱢ ﻲ ﻫﻜﺬا ﻟﻠﺴﺒﺐ اﻟﻮاﺿﺢ‬
‫املﺘﻤﺜﻞ ﰲ ﴐ رة ﺑﻨﺎء ﻧﻤﺎذج ﻣﺘﻌﺪدة‪ .‬ﺗﻮﺟﺪ ﻓﺌﺔ أﺧﺮ ﻣﻬﻤﺔ ﻣﻦ ﻫﺬ اﻷﺳﺎﻟﻴﺐ ﻫﻲ‬
‫ﻟﻜﻦ أﺣﺪ‬ ‫ﱠ‬ ‫»ﺗﻘﻨﻴﺔ إﻋﺎدة املﻌﺎﻳﻨﺔ«‪ ،‬ﻟﻬﺬ اﻟﻄﺮﻳﻘﺔ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ اﻻﺳﺘﺨﺪاﻣﺎت‪،‬‬
‫اﺳﺘﺨﺪاﻣﺎﺗﻬﺎ املﻬﻤﺔ ﻳﺘﻤﺜﻞ ﰲ ﺗﻘﺪﻳﺮ ﻋﺪ اﻟﻴﻘني املﺮﺗﺒﻂ ﺑﺎﻟﻨﻤﺎذج املﻌﻘﺪة؛ أ ﺗﺤﺪﻳﺪ ﻣﺪ‬
‫اﻻﺧﺘﻼ اﻟﺬ ﻳﻤﻜﻨﻨﺎ أ ﻧﺘﻮﻗﻊ أ ﻳﺼﺒﺢ ﻋﻠﻴﻪ اﻟﻨﻤﻮذج إذا ﻛﻨﱠﺎ ﻗﺪ أﺧﺬﻧﺎ ﻋﻴﻨﺔ ﺑﻴﺎﻧﺎت‬
‫ﻣﺨﺘﻠﻔﺔ‪ .‬ﺗﻌﻤﻞ ﻃﺮ إﻋﺎدة املﻌﺎﻳﻨﺔ ﻣﻦ ﺧﻼ أﺧﺬ ﻋﻴﻨﺎت ﻓﺮﻋﻴﺔ ﻋﺸﻮاﺋﻴﺔ ﺑﺤﺠﻢ اﻟﻌﻴﻨﺔ‬
‫اﻷﺻﻠﻴﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﻌﻴﻨﺔ اﻷﺻﻠﻴﺔ ) ﻫﻮ ﻣﺎ ﻳﻌﻨﻲ أ ﺑﻌﺾ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت ﺳﺘﺴﺘﺨﺪ‬
‫أﻛﺜﺮ ﻣﻦ ﻣﺮة(‪ .‬ﻳﺒﻨﻰ ﻧﻤﻮذج ﺟﺪﻳﺪ‪ ،‬ﺑﺎﻟﺸﻜﻞ ﻧﻔﺴﻪ ﻟﻠﻨﻤﻮذج اﻟﺬ ﻳﺠﺮ ﺗﻘﻴﻴﻤﻪ‪ ،‬ﻟﻜﻞ‬
‫ﻋﻴﻨﺔ ﻣﻦ ﻫﺬ اﻟﻌﻴﻨﺎت اﻟﻔﺮﻋﻴﺔ‪ .‬ﻳﺒﺪ اﻷﻣﺮ ﻛﻤﺎ ﻟﻮ ﻛﺎ ﻟﺪﻳﻨﺎ ﻋﻴﻨﺎت ﻣﺘﻌﺪدة‪ ،‬ﻛﻠﻬﺎ‬
‫ﺑﺎﻟﺤﺠﻢ ﻧﻔﺴﻪ‪ ،‬ﻣﻦ اﻟﺘﻮزﻳﻊ اﻷﺻﲇ‪ ،‬ﺗﻨﺘﺞ ﻛ ﱞﻞ ﻣﻨﻬﺎ ﻧﻤﻮذﺟﺎ ﻣﻘﺪﱠرا‪ .‬ﻳﻤﻜﻦ ﺑﻌﺪ ذﻟﻚ‬
‫اﺳﺘﺨﺪا ﻣﺠﻤﻮﻋﺔ اﻟﻨﻤﺎذج ﺗﻠﻚ ملﻌﺮﻓﺔ ﻛﻴﻒ ﻛﺎ ﻳﻤﻜﻦ أ ﻳﺨﺘﻠﻒ ﻫﺬا اﻟﻨﻤﻮذج إذا ﻛﻨﱠﺎ‬
‫ﻗﺪ أﺧﺬﻧﺎ ﻋﻴﻨﺔ ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻏريت ﺑﻬﺎ ﻗﻮة اﻟﻜﻤﺒﻴﻮﺗﺮ ﻋﻠﻢ اﻹﺣﺼﺎء‬ ‫أﺣﺪ أﻗﻮ اﻷﻣﺜﻠﺔ اﻟﺘﻮﺿﻴﺤﻴﺔ ﻟﻠﻜﻴﻔﻴﺔ اﻟﺘﻲ ﱠ‬
‫اﻟﺤﺪﻳﺚ‪ ،‬ﻳﻈﻬﺮ ﰲ ﺗﺄﺛري اﻷﺳﺎﻟﻴﺐ اﻟﻜﺜﻴﻔﺔ ﺣﺎﺳﻮﺑﻴٍّﺎ ﻋﲆ ﻃﺮ اﻻﺳﺘﺪﻻ اﻟﺒﺎﻳﺰﻳﺔ املﺬﻛﻮرة‬
‫ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‪ .‬ﻓﻤﻦ أﺟْ ﻞ اﺳﺘﺨﺪا اﻟﻄﺮ اﻟﺒﺎﻳﺰﻳﺔ ﻋﻤﻠﻴٍّﺎ‪ ،‬ﻣﻦ اﻟﴬ ر ﺣﺴﺎب‬
‫د ا ﱢ اﻟﺘﻮزﻳﻊ املﻌﻘﺪة )ﺑﻤﺼﻄﻠﺤﺎت رﻳﺎﺿﻴﺔ‪ ،‬ﺗﻮﺟﺪ ﺣﺎﺟﺔ إﱃ ﺗﻜﺎﻣﻞ ﻋﺎﱄ اﻷﺑﻌﺎد(‪ .‬ﻗﺪ‬
‫ﺳﺎﻋﺪت أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ ﻋﲆ ﺗﺠﻨﺐ ﻫﺬ املﺸﻜﻠﺔ؛ ﻓﺒﺪﻻ ﻣﻦ ﺗﻘﻴﻴﻢ اﻟﺘﻮزﻳﻌﺎت رﻳﺎﺿﻴٍّﺎ‪،‬‬
‫ﻳﺄﺧﺬ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ أﻋﺪادا ﻛﺒرية ﻣﻦ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ ﻣﻨﻬﺎ‪ .‬ﻳﻤﻜﻦ ﺗﻘﺪﻳﺮ ﺧﺼﺎﺋﺺ‬
‫اﻟﺘﻮزﻳﻌﺎت ﻣﻦ ﻫﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ‪ ،‬ﺑﺎﻟﻄﺮﻳﻘﺔ ﻧﻔﺴﻬﺎ ﻻﺳﺘﺨﺪاﻣﻨﺎ ملﺘﻮﺳﻂ اﻟﻌﻴﻨﺔ‬

‫‪110‬‬
 ‫اﻟﺤﻮﺳﺒﺔ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﻟﺘﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ‪ .‬أﺣﺪﺛﺖ ﻃﺮﻳﻘﺔ »ﻣﻮﻧﺖ ﻛﺎرﻟﻮ‬
‫املﺴﺘﻨﺪة إﱃ ﺳﻠﺴﻠﺔ ﻣﺎرﻛﻮ « ﺛﻮرة ﰲ ﻣﻤﺎرﺳﺔ اﻹﺣﺼﺎء اﻟﺒﺎﻳﺰﻳﺔ؛ إذ ﺣﻮﱠﻟﺘْﻬﺎ ﺟﻮﻫﺮﻳٍّﺎ ﻣﻦ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﻓﻜﺎر اﻟﺠﺬﱠاﺑﺔ ﻣﻦ اﻟﻨﺎﺣﻴﺔ اﻟﻨﻈﺮﻳﺔ‪ ،‬ﻟﻜﻨﻬﺎ ﻗﺎﴏة ﻋﲆ اﻟﻨﺤﻮ اﻟﻌﻤﲇ إﱃ‬
‫ﺗﻘﻨﻴﺔ ﻗﻮﻳﺔ ﻟﺘﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫ﻟﻔﺖ اﻟﻔﺼﻞ اﻟﺴﺎﺑﻖ اﻻﻧﺘﺒﺎ إﱃ ﻗﻮة اﻷﺳﺎﻟﻴﺐ اﻟﺮﺳﻮﻣﻴﺔ اﻟﺒﻴﺎﻧﻴﺔ‪ ،‬ﻣﻦ أﺟﻞ اﻟﺘﻮﺿﻴﺢ‬
‫ﻟﻜﻦ ﻧﻘﻞ اﻟﻜﻤﺒﻴﻮﺗﺮ اﻷﺳﺎﻟﻴﺐ اﻟﺮﺳﻮﻣﻴﺔ اﻟﺒﻴﺎﻧﻴﺔ إﱃ ﻣﺴﺘﻮ ﺟﺪﻳﺪ‬ ‫ْ‬ ‫ﺗﻮﺻﻴﻞ اﻟﻔﻜﺮة‪،‬‬
‫ﺗﻤﺎﻣﺎ؛ ﻓﺒﻴﻨﻤﺎ ﻟﻢ ﻳﻜﻦ ﻟﺪﻳﻨﺎ ﰲ املﺎﴈ ﺳﻮ ﺻﻮر ﺛﺎﺑﺘﺔ ﺑﺎﻷﺑﻴﺾ اﻷﺳﻮد‪ ،‬أﺻﺒﺢ ﻟﺪﻳﻨﺎ‬
‫اﻵ ﺻﻮرا ﻣﻠﻮﱠﻧﺔ ﻣﺘﺤﺮﻛﺔ‪ ،‬ﺑﻞ أﻫﻢ ﻣﻦ ذﻟﻚ أﻧﻨﺎ ﻳﻤﻜﻨﻨﺎ اﻵ اﻟﺘﻔﺎﻋﻞ ﻣﺒﺎﴍة ﻣﻊ اﻟﺼﻮرة‪.‬‬
‫ﻛﻤﺜﺎ ﺑﺴﻴﻂ ﻓﺤﺴﺐ‪ ،‬ﻣﻦ املﻤﻜﻦ ﻋﺮض أﺷﻜﺎ ﻣﺘﻌﺪدة ﰲ اﻟﻮﻗﺖ ذاﺗﻪ‪ ،‬ﻳﺒني ﻛﻞ اﺣﺪ‬
‫ﻣﻨﻬﺎ اﻟﻌﻼﻗﺎت ﺑني أز اج ﻣﺨﺘﻠﻔﺔ ﻣﻦ املﺘﻐريات املﺮﺗﺒﻄﺔ ﺑﺎﻟﻜﺎﺋﻨﺎت‪ ،‬ﻣﺜﻞ ﻣﺼﻔﻮﻓﺔ اﻟﺸﻜﻞ‬
‫اﻻﻧﺘﺸﺎر ﰲ اﻟﺸﻜﻞ ‪ ،2-6‬ﻟﻜﻦ ﰲ ﻫﺬ اﻟﺤﺎﻟﺔ ﺗﺮﺗﺒﻂ اﻷﺷﻜﺎ ﻣﻦ ﺧﻼ اﻟﻜﻤﺒﻴﻮﺗﺮ‪ .‬ﰲ‬
‫ﻫﺬ اﻟﺤﺎﻟﺔ‪ ،‬إ إﺑﺮاز أ ﺗﻐﻴري أ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻨﻘﺎط ﻳﻈﻬﺮ ﰲ اﻟﻮﻗﺖ ﻧﻔﺴﻪ ﰲ ﺟﻤﻴﻊ‬
‫اﻷﺷﻜﺎ ‪ .‬ﺗﺴﻤﺢ أد ات أﺧﺮ ﻟﻠﻤﺮء »ﺑﺎﻟﻄريا « ﻋﲆ ﻧﺤﻮ ﺗﻔﺎﻋﲇ ﺧﻼ ﻓﻀﺎء ﺑﻴﺎﻧﺎت‬
‫ﻋﺎﱄ اﻷﺑﻌﺎد‪ ،‬ﻋﺎرﺿﺎ اﻟﺒﻴﺎﻧﺎت ﺑﻄﺮ ﻣﺘﻌﺪدة‪.‬‬
‫ﺑﻤﺎ أ اﻹﺣﺼﺎء ﻳﺴﺘﺨﺪ ﻋﲆ ﻣﺴﺘﻮ ﻋﺎملﻲ‪ ،‬ﻷ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﻠﻌﺐ ﻣﺜﻞ ﻫﺬا اﻟﺪ ر‬
‫املﺤﻮر ‪ ،‬ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ املﺴﺘﻐﺮب أ ﺗﻄﻮﱠر ﺣﺰ ﺑﺮاﻣﺞ إﺣﺼﺎﺋﻴﺔ ﺳﻬﻠﺔ اﻻﺳﺘﻌﻤﺎ ‪.‬‬
‫أﺻﺒﺤﺖ ﻣﻌﺎﻳري ﰲ ﻣﺠﺎﻻت ﺗﻄﺒﻴﻖ ﻣﻌﻴﻨﺔ‪ .‬ﻟﻜﻦ ﻫﺬا‬ ‫ْ‬ ‫ﻳﻌ ﱡﺪ ﺑﻌﺾ ﻣﻨﻬﺎ ﻣﻬﻤٍّ ﺎ ﻟﺪرﺟﺔ أﻧﻬﺎ‬
‫ﻻ ﻳﻨﺒﻐﻲ أ ﻳﻨﺴﻴﻨﺎ أ اﻟﺘﻄﺒﻴﻖ اﻟﻔﻌﱠ ﺎ ﻟﻸد ات اﻹﺣﺼﺎﺋﻴﺔ ﻳﺘﻄﻠﺐ ﺗﻔﻜريا ﻣﺘﺄﻧﱢﻴﺎ؛ ﻓﻔﻲ‬
‫اﻟﻮاﻗﻊ‪ ،‬ﰲ اﻷﻳﺎ اﻷ ﱃ ﻟﺘﻄﻮﻳﺮ اﻟﱪﻣﺠﻴﺎت اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﺧﴚ اﻟﺒﻌﺾ ﻣﻦ أ ﱠ ﺗﻮاﻓﺮ ﻣﺜﻞ ﻫﺬ‬
‫اﻷد ات ﻣﻦ ﺷﺄﻧﻪ أ ﻳﺰﻳﻞ اﻟﺤﺎﺟﺔ ﻟﻺﺣﺼﺎﺋﻴني؛ ﺣﻴﺚ إﻧﻪ »ﻳﻤﻜﻦ ﻷ ﺷﺨﺺ أ ﻳﻘﻮ‬
‫ﺑﺎﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ؛ ﻓﻜﻞ ﻣﺎ ﻋﻠﻴﻪ اﻟﻘﻴﺎ ﺑﻪ ﻫﻮ إﻋﻄﺎء اﻟﺘﻌﻠﻴﻤﺎت املﻨﺎﺳﺒﺔ ﻟﻠﻜﻤﺒﻴﻮﺗﺮ‪«.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺛﺒﺖ أ اﻟﻌﻜﺲ ﺗﻤﺎﻣﺎ ﻫﻮ اﻟﺼﺤﻴﺢ؛ ﻫﻨﺎ ﻣﺰﻳﺪ ﻣﻦ اﻟﻄﻠﺐ ﻋﲆ اﻹﺣﺼﺎﺋﻴني‬
‫ﺑﻤﺮ ر اﻟﻮﻗﺖ‪ .‬ﺗﻮﺟﺪ ﻋﺪة أﺳﺒﺎب ﻟﺬﻟﻚ‪.‬‬
‫أﺣﺪ اﻷﺳﺒﺎب ﻫﻮ أ اﻟﺒﻴﺎﻧﺎت ﺗﺴﺠﱠ ﻞ ﺗﻠﻘﺎﺋﻴٍّﺎ ﻋﲆ ﻧﺤﻮ ﻣﺘﺰاﻳﺪ؛ ﻓﻔﻲ اﻟﺤﻴﺎة اﻟﻴﻮﻣﻴﺔ‪،‬‬
‫ﰲ ﻛﻞ ﻣﺮة ﺗﻘﻮ ﻓﻴﻬﺎ ﺑﺈﺟﺮاء ﻋﻤﻠﻴﺔ ﴍاء ﺑﺒﻄﺎﻗﺔ اﻻﺋﺘﻤﺎ أ ﺗﺘﺴﻮ ﰲ ﻣﺘﺠﺮ‪ ،‬ﺗﺨ ﱠﺰ‬
‫ﺗﻔﺎﺻﻴﻞ اﻟﻌﻤﻠﻴﺔ ﺗﻠﻘﺎﺋﻴٍّﺎ؛ ﰲ اﻟﻌﻠﻮ اﻟﻄﺒﻴﻌﻴﺔ‪ ،‬ﺗﺴﺠﱢ ﻞ اﻷد ات اﻟﺮﻗﻤﻴﺔ اﻟﺨﻮاص اﻟﻔﻴﺰﻳﺎﺋﻴﺔ‬
‫اﻟﻜﻴﻤﻴﺎﺋﻴﺔ د اﻟﺤﺎﺟﺔ إﱃ ﺗﺪﺧﻞ ﺑﴩ ؛ ﰲ املﺴﺘﺸﻔﻴﺎت‪ ،‬ﺗﺮاﻗﺐ اﻷﺟﻬﺰة اﻹﻟﻜﱰ ﻧﻴﺔ‬
‫املﺮﴇ ﺗﻠﻘﺎﺋﻴٍّﺎ؛ ﻣﺎ إﱃ ذﻟﻚ‪ .‬إﻧﻨﺎ ﻧﻮاﺟﻪ ﺳﻴﻼ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻫﺬا ﻳﻤﺜﻞ ﻓﺮﺻﺔ ﻫﺎﺋﻠﺔ‪،‬‬
‫ﻟﻜﻦ ﻳﻠﺰ ﺟﻮد ﻣﻬﺎرات إﺣﺼﺎﺋﻴﺔ ﻟﻼﺳﺘﻔﺎدة ﻣﻨﻬﺎ‪.‬‬ ‫ْ‬

‫‪111‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺴﺒﺐ اﻟﺜﺎﻧﻲ ﻫﻮ ﻇﻬﻮر ﻧﻄﺎﻗﺎت ﺟﺪﻳﺪة ﺗﺘﻄﻠﺐ ﻣﻬﺎرات إﺣﺼﺎﺋﻴﺔ؛ ﻓﺎملﻌﻠﻮﻣﺎﺗﻴﺔ‬

‫اﻟﺤﻴﻮﻳﺔ ﻋﻠﻢ اﻟﺠﻴﻨﻮ ﻳﻔﻜﻜﺎ اﻟﺘﻌﻘﻴﺪ املﺬﻫﻞ ﻟﻠﺠﺴﻢ اﻟﺒﴩ ﻣﻦ ﺧﻼ اﻟﺒﻴﺎﻧﺎت‬
‫اﻟﺘﺠﺮﻳﺒﻴﺔ اﻟﺮﺻﺪﻳﺔ‪ ،‬ﻳﻘﻮﻣﺎ ﻋﲆ اﻻﺳﺘﺪﻻ اﻹﺣﺼﺎﺋﻲ‪ .‬ﻗﺪ ﺻﻒ ﻗﻄﺎع ﺻﻨﺎدﻳﻖ‬
‫اﻟﺘﺤﻮط ﺑﺄﻧﻪ »ﻗﻄﺎع ﻣﺒﻨﻲ ﻋﲆ اﻹﺣﺼﺎء«‪ ،‬ﻫﻮ ﻳﺴﺘﺨﺪ اﻷد ات اﻹﺣﺼﺎﺋﻴﺔ ﻟﻮﺿﻊ ﻧﻤﺎذج‬
‫ﻟﺴﻠﻮ اﻷﺳﻬﻢ ﻣﺆﴍات اﻷﺳﻌﺎر اﻷﺧﺮ ‪.‬‬
‫اﻟﺴﺒﺐ اﻟﺜﺎﻟﺚ ﻫﻮ أ إﻋﻄﺎء اﻷ اﻣﺮ ﻟﺠﻬﺎز ﻛﻤﺒﻴﻮﺗﺮ ﳾء‪ ،‬ﻣﻌﺮﻓﺔ اﻷ اﻣﺮ اﻟﺘﻲ‬
‫ﻳﻨﺒﻐﻲ إﻋﻄﺎؤﻫﺎ ﻓﻬﻢ اﻟﻨﺘﺎﺋﺞ ﳾء آﺧﺮ ﺗﻤﺎﻣﺎ؛ ﻓﻤﻦ املﺆ ﱠﻛﺪ أ اﻷﻣﺮ ﻟﻴﺲ ﻣﺠﺮد ﻣﺴﺄﻟﺔ‬
‫اﺧﺘﻴﺎر اﻷداة املﻨﺎﺳﺒﺔ ﻟﻠﻮﻇﻴﻔﺔ ﺗﺮ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﻘﻮ ﺑﺒﻘﻴﺔ اﻟﻌﻤﻞ‪ ،‬ﺑﻞ اﻷﻣﺮ ﻳﺘﻄﻠﺐ ﺧﱪة‬
‫إﺣﺼﺎﺋﻴﺔ ﻓﻬﻤﺎ‪ .‬ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻬﻮاة‪ ،‬ﻣﻦ املﻬﻢ أ ﻳﻌﺮ املﺮء ﺣﺪ د ‪ ،‬ﻣﺘﻰ ﻳﺠﺐ ﻋﻠﻴﻪ‬
‫ﻃﻠﺐ اﻟﻨﺼﻴﺤﺔ ﻣﻦ ﺧﺒري إﺣﺼﺎﺋﻲ‪ .‬ﻟﻸﺳﻒ‪ ،‬ﺗﻌﺮض ﺳﺎﺋﻞ اﻷﻋﻼ ﻛﻞ أﺳﺒﻮع أﻧﺎﺳﺎ‬
‫ﻳﺘﻄ ﱠﺮﻗﻮ ﻷﻣﻮر أﻛﱪ ﻣﻦ ﻓﻬﻤﻬﻢ اﻹﺣﺼﺎﺋﻲ‪.‬‬
‫ﻟﻬﺬ اﻷﺳﺒﺎب أﻛﺜﺮ‪ ،‬ﻳﺸﻬﺪ ﻋﻠﻢ اﻹﺣﺼﺎء ﻋﴫا ذﻫﺒﻴٍّﺎ‪.‬‬
‫ﺻﻠﻨﺎ اﻵ إﱃ ﻧﻬﺎﻳﺔ ﻫﺬا اﻟﻜﺘﺎب املﻮﺟﺰ‪ .‬ﻟﻘﺪ رأﻳْﻨﺎ ﻗﺪْرا ﻣﻦ اﻟﺘﻮﺳﻊ ﻏري اﻟﻌﺎد اﻟﺬ‬
‫ﻳﺘﺴﻢ ﺑﻪ اﻹﺣﺼﺎء؛ إذ إﻧﻪ ﻳﻄﺒﱠﻖ ﰲ ﻣﻌﻈﻢ ﻣﻨﺎﺣﻲ اﻟﺤﻴﺎة‪ .‬رأﻳﻨﺎ ﺷﻴﺌﺎ ﻣﻦ ﻃﺮﻗﻪ؛ اﻷد ات‬
‫املﻘﺎﻳﻴﺲ املﺘﻄﻮرة اﻟﺘﻲ ﻳﺴﺘﺨﺪﻣﻬﺎ‪ .‬ﻛﻤﺎ رأﻳﻨﺎ أﻳﻀﺎ أﻧﻪ ﻣﺠﺎ دﻳﻨﺎﻣﻴﻜﻲ‪ ،‬ﻻ ﻳﺰا ﻳﻨﻤﻮ‬
‫ﻳﺘﻄﻮر‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬ﻗﺒﻞ ﻛﻞ ﳾء‪ ،‬أرﺟﻮ أ أﻛﻮ ﻗﺪ أ ﺿﺤﺖ أ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪،‬‬
‫املﺴﺘﻨﺪ إﱃ اﻷﺳﺲ اﻟﻔﻠﺴﻔﻴﺔ اﻟﻌﻤﻴﻘﺔ‪ ،‬ﻫﻮ ﻓﻦ اﻻﻛﺘﺸﺎ ؛ ﻓﻌﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ ﻳﻤﻜﻨﻨﺎ‬
‫ﻣﻦ اﺳﺘﺨﻼص أﴎار اﻟﻜﻮ ﻣﻦ ﺣﻮﻟﻨﺎ؛ أ إﻧﻪ ﻳﻤﻜﻨﻨﺎ ﻣﻦ اﻟﻔﻬﻢ‪.‬‬

‫‪112‬‬
 ‫ﺗﻌﻠﻴﻘﺎت ﺧﺘﺎﻣﻴﺔ‬

‫إﺟﺎﺑﺎت ﻟﻌﺒﺎرات ﺳﻮء اﻟﻔﻬﻢ اﻟﻮاردة ﰲ اﻟﻔﺼﻞ اﻷ ‪:‬‬

‫)‪ (١‬ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻛﻠﻤﺎ ﻛﺎ اﻛﺘﺸﺎ املﺮض ﰲ ﻗﺖ ﻣﺒﻜﺮ‪ ،‬ﻃﺎﻟﺖ املﺪة اﻟﺘﻲ‬
‫ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ أ ﺗﺪﺧﻞ ﻃﺒﻲ؛ ﻓﺒﻄﺮﻳﻘﺔ أ ﺑﺄﺧﺮ ﻳﺤﺘﺎج ﻫﺬا إﱃ‬ ‫ﺳﻴﻌﻴﺸﻬﺎ املﺮﻳﺾ‪ ،‬ﱢ‬
‫أ ﻳﺆﺧﺬ ﺑﻌني اﻻﻋﺘﺒﺎر‪.‬‬
‫ﱢ‬
‫)‪ (٢‬ﻳﻌﻨﻲ اﻟﺘﺨﻔﻴﺾ ﺑﻨﺴﺒﺔ ‪ ٪٢٥‬أ اﻟﺴﻌﺮ ﺧﻔﺾ ﺑﻤﻘﺪار اﻟﺮﺑﻊ‪ ،‬ﻟﻜﻦ ﻫﺬا ﻳﻌﻨﻲ أﻧﻪ‬
‫ﻟﻠﻌﻮدة إﱃ اﻟﺴﻌﺮ اﻷﺻﲇ ﻋﻠﻴﻚ زﻳﺎدة اﻟﺴﻌﺮ ﺑﻤﻘﺪار اﻟﺜﻠﺚ )‪ ،(٪٣٣‬ﻟﻴﺲ اﻟﺮﺑﻊ )‪(٪٢٥‬؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎ ‪ ،‬اﻟﺨﺼﻢ اﻟﺒﺎﻟﻎ ‪ ٪٢٥‬ﻋﲆ اﻟﺴﻌﺮ اﻷﺻﲇ ‪ ١٠٠‬ﺟﻨﻴﻪ اﺳﱰﻟﻴﻨﻲ ﻳﺆد إﱃ‬
‫اﻟﺴﻌﺮ املﻌﻠﻦ ‪ ٧٥‬ﺟﻨﻴﻬﺎ اﺳﱰﻟﻴﻨﻴٍّﺎ‪ .‬ﻟﻠﻌﻮدة إﱃ اﻟﺴﻌﺮ اﻷﺻﲇ ﻋﻠﻴﻨﺎ زﻳﺎدة ﻫﺬا اﻟﺴﻌﺮ‬
‫ﺑﻤﺒﻠﻎ ‪ ٢٥‬ﺟﻨﻴﻬﺎ اﺳﱰﻟﻴﻨﻴٍّﺎ؛ أ ‪ ٪٣٣‬ﻣﻦ ‪ ٧٥‬ﺟﻨﻴﻬﺎ اﺳﱰﻟﻴﻨﻴٍّﺎ‪.‬‬
‫املﺘﻮﻗﻊ ﺳﻮ ﻳﺴﺘﻤﺮ ﰲ اﻟﺰﻳﺎدة ﺑﺎملﻌﺪ ﻧﻔﺴﻪ‬ ‫ﱠ‬ ‫)‪ (٣‬ﻫﺬا ﻳﻔﱰض أ ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ‬
‫ﻟﺰﻳﺎدﺗﻪ ﰲ املﺎﴈ‪.‬‬
‫)‪ (٤‬إذا ﻛﺎ ﻃﻔﻞ اﺣﺪ ﻗﺪ ﻗﺘﻞ ﰲ ﻋﺎ ‪ ،١٩٥٠‬ﻓﺈ اﻟﻌﺒﺎرة ﺗﻌﻨﻲ أ اﺛﻨني ﻟﻘﻴﺎ‬
‫ﻣﴫﻋﻬﻤﺎ ﰲ ﻋﺎ ‪ ،١٩٥١‬أرﺑﻌﺔ ﰲ ﻋﺎ ‪ ،١٩٥٢‬ﺛﻤﺎﻧﻴﺔ ﰲ ﻋﺎ ‪ ،١٩٥٣‬ﺳﺘﺔ ﻋﴩ‬
‫ﰲ ﻋﺎ ‪ ،١٩٥٤‬ﻣﺎ إﱃ ذﻟﻚ‪ .‬اﺳﺘﻤﺮار املﻀﺎﻋﻔﺔ ﺑﻬﺬ اﻟﻄﺮﻳﻘﺔ ﻳﻌﻨﻲ أﻧﻪ ﺑﺤﻠﻮ اﻟﻮﻗﺖ‬
‫اﻟﺮاﻫﻦ ﻳﻘﺘﻞ ﻣﻦ اﻷﻃﻔﺎ رﻣﻴﺎ ﺑﺎﻟﺮﺻﺎص ﺳﻨﻮﻳٍّﺎ ﻋﺪد أﻛﺜﺮ ﻣﻦ ﻋﺪد ﺳﻜﺎ اﻟﻌﺎﻟﻢ‪.‬‬
‫) ﻫﺬا املﺜﺎ ﻣﺄﺧﻮذ ﻣﻦ اﻟﻜﺘﺎب املﻤﺘﺎز اﻟﺬ أ ﱠﻟﻔﻪ ﺟﻮﻳﻞ ﺑﻴﺴﺖ‪ ،‬اﻟﻮارد ﰲ ﻗﺴﻢ اﻟﻘﺮاءات‬
‫اﻹﺿﺎﻓﻴﺔ‪(.‬‬
 ‫ﻗﺮاءات إﺿﺎﻓﻴﺔ‬

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

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

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

Statistics (Harlow: Addison-Wesley, 1995).

‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‬

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

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

‫اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‬

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

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

‫اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‬

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

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

‫اﻟﻔﺼﻞ اﻟﺴﺎدس‬

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

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

116
 ‫ﻗﺮاءات إﺿﺎﻓﻴﺔ‬

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

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

117
 ‫ﻣﺼﺎدر اﻟﺼﻮر‬

All images credits go to © David Hand.