۱۰۰ هزار تومان هدیهٔ ثبت‌نام، تا ۱ میلیونبا ثبت‌نام گردونهٔ هدیه را بچرخان: دست‌کم ۱۰۰٬۰۰۰ تومان و تا ۱٬۰۰۰٬۰۰۰ تومان اعتبار هدیه، بدون کارت بانکیگردونهٔ هدیه۱ میلیون برای تو، ۱ میلیون برای دوستتدوستانت را دعوت کن: برای هر دوستی که فعال شود ۱٬۰۰۰٬۰۰۰ تومان اعتبار هدیه می‌گیری و خودش هم ۱٬۰۰۰٬۰۰۰ تومانجوایز
1xAi

خلاصه درس فصل ۷ ریاضی یازدهم؛ درسنامه و نکات مهم

«آمار و احتمال»: ۳ درس، هر کدام با توضیح مفاهیم، مثال حل‌شده و نکات مهم.

  • ریاضی ۲
  • پایهٔ یازدهم
  • صفحهٔ ۱۴۳ تا ۱۶۸

این درسنامه را هوش مصنوعی 1xAi از روی صفحه‌های همان درس در کتاب درسی نوشته است (برچسب «تولید هوش مصنوعی»). کنار توضیح‌ها شمارهٔ صفحهٔ کتاب آمده تا با کتاب مقایسه کنی، و مثال حل‌شدهٔ هر درس یک بار دیگر جداگانه حل و بررسی شده؛ مثالی که درست درنیامده حذف شده است.

درس ۱ · صفحهٔ ۱۴۳ تا ۱۴۵ · حدود ۱۳ دقیقه · تولید هوش مصنوعی

درس اول: احتمال شرطی و پیشامدهای مستقل

در این درس یاد می‌گیری با مشخص‌کردن پیشامدِ شرط و حالت‌های مشترک، احتمال شرطی را از راه شمارش یا با استفاده از احتمال‌های داده‌شده محاسبه کنی.

پیش از شروع

در قرعه‌کشی شماره‌های 11 تا 2020، شمارهٔ تو 88 است. اگر قبل از اعلام برنده بگویند «شمارهٔ برنده یک‌رقمی است»، آیا شانس برنده‌شدنت عوض می‌شود؟

بله؛ ابتدا شمارهٔ تو یکی از 2020 شمارهٔ ممکن بود، اما با این خبر فقط 99 شمارهٔ یک‌رقمی باقی می‌ماند. پس احتمال بردنت از 120\frac{1}{20} به 19\frac{1}{9} می‌رسد؛ اطلاعات تازه می‌تواند احتمال را تغییر دهد.

حالت‌های ممکن و رخ‌دادن هم‌زمان

حالت‌های ممکن و رخ‌دادن هم‌زمان

فرض کن یک تاس سالم را می‌اندازی. نتیجه از قبل معلوم نیست، اما می‌دانی یکی از عددهای 11 تا 66 می‌آید. مجموعهٔ این نتیجه‌ها فضای نمونه‌ای است و آن را با SS نشان می‌دهیم. هر مجموعه‌ای از نتیجه‌های موردنظر، مثل «آمدن عدد زوج»، یک پیشامد است.

وقتی همهٔ نتیجه‌ها شانس یکسان دارند، احتمال یک پیشامد از این رابطه به دست می‌آید:

P(A)=n(A)n(S)P(A)=\frac{n(A)}{n(S)}

اینجا n(A)n(A) تعداد حالت‌های مطلوب و n(S)n(S) تعداد همهٔ حالت‌های ممکن است.

حالا اگر بخواهیم دو ویژگی هم‌زمان برقرار باشند، باید نتیجه‌هایی را پیدا کنیم که در هر دو پیشامد قرار دارند. این مجموعه، اشتراک دو پیشامد است و با A∩BA\cap B نمایش داده می‌شود.

مثلاً اگر AA پیشامد «آمدن عدد زوج» و BB پیشامد «آمدن عدد بزرگ‌تر از 33» باشد، برای یافتن اشتراک باید بپرسی: کدام نتیجه‌ها هم زوج‌اند و هم بزرگ‌تر از 33؟ دقت کن: داشتن فقط یکی از این ویژگی‌ها کافی نیست.

کتاب درسی، صفحهٔ ۱۴۴

اطلاعات تازه، احتمال تازه

اطلاعات تازه، احتمال تازه

فرض کن در قرعه‌کشی شماره‌های 11 تا 2020، شمارهٔ تو 88 است. پیش از رسیدن خبر تازه، همهٔ شماره‌ها امکان برنده‌شدن دارند. حالا اعلام می‌کنند: «شمارهٔ برنده یک‌رقمی است.» شمارهٔ تو هنوز می‌تواند برنده شود، اما شماره‌های دورقمی دیگر رقیبت نیستند؛ پس شانس تو بیشتر شده است.

احتمال شرطی یعنی احتمال یک پیشامد را با دانستنِ رخ‌دادن پیشامدی دیگر بررسی کنیم. این اطلاعات تازه، نگاه ما را به نتیجه‌های ممکن تغییر می‌دهد؛ قرار نیست خودِ قرعه‌کشی را تغییر دهد.

اگر AA پیشامد «برنده‌شدن تو» و BB پیشامد «یک‌رقمی‌بودن شمارهٔ برنده» باشد، احتمال موردنظر را با P(A∣B)P(A|B) نشان می‌دهیم و می‌خوانیم: «احتمال AA به شرط BB».

در این نماد، پیشامدِ بعد از خط عمودی، شرطِ معلوم ماست؛ یعنی می‌دانیم BB رخ داده و دربارهٔ احتمال AA می‌پرسیم.

کتاب درسی، صفحهٔ ۱۴۵

شمارش در محدودهٔ شرط

شمارش در محدودهٔ شرط

وقتی می‌دانیم پیشامد BB رخ داده است، نتیجه‌های بیرون از BB دیگر در محاسبه جایی ندارند. انگار دور اعضای BB خط کشیده‌ایم و فقط همان محدوده را نگاه می‌کنیم.

در این محدوده، کدام نتیجه‌ها مطلوب‌اند؟ نتیجه‌هایی که علاوه بر BB، در AA هم باشند؛ یعنی اعضای اشتراک A∩BA\cap B. پس اگر نتیجه‌های اولیه هم‌شانس باشند، داریم:

P(A∣B)=n(A∩B)n(B)P(A|B)=\frac{n(A\cap B)}{n(B)}

نماد nn تعداد اعضای یک مجموعه را نشان می‌دهد. مخرج، تعداد حالت‌های سازگار با شرط است؛ صورت، تعداد حالت‌های مطلوب درون همان شرط.

مثلاً در قرعه‌کشی، اگر بدانیم شمارهٔ برنده یک‌رقمی است، دیگر شماره‌های دورقمی را نمی‌شماریم. برای بررسی احتمال برنده‌شدن تو هم باید ببینیم شماره‌ات در میان شماره‌های باقی‌مانده هست یا نه.

اشتباه رایج این است که با وجود دانستن شرط، هنوز تعداد همهٔ اعضای SS را در مخرج بگذاریم؛ در حالی که اکنون محدودهٔ شمارش ما BB است.

کتاب درسی، صفحهٔ ۱۴۵

فرمول احتمال شرطی و شرط استفاده

فرمول احتمال شرطی و شرط استفاده

گاهی تعداد حالت‌ها را نداریم، اما احتمال پیشامدها به ما داده شده است. در این موقعیت از رابطهٔ زیر استفاده می‌کنیم:

P(A∣B)=P(A∩B)P(B)P(A|B)=\frac{P(A\cap B)}{P(B)}

صورت کسر، احتمال رخ‌دادن هم‌زمان دو پیشامد است؛ مخرج، احتمال پیشامدی است که می‌دانیم رخ داده است. پس اول از خودت بپرس: «چه چیزی را از قبل می‌دانم؟» همان پیشامد، شرط است و احتمالش در مخرج قرار می‌گیرد.

مثلاً اگر بدانیم یک اتومبیل نقص فنی نداشته و بخواهیم احتمال رسیدنش به خط پایان را پیدا کنیم، احتمال «نقص فنی نداشتن» در مخرج می‌آید، نه احتمال «رسیدن به خط پایان».

این فرمول فقط وقتی قابل استفاده است که P(B)≠0P(B)\neq 0 باشد. اگر احتمال شرط صفر باشد، مخرج صفر می‌شود و احتمال شرطی تعریف نمی‌شود؛ تعریف‌نشدن با صفر بودن پاسخ فرق دارد.

کتاب درسی، صفحهٔ ۱۴۵

مثال حل‌شده

در یک مسابقهٔ اتومبیل‌رانی، احتمال اینکه یک اتومبیل دچار نقص فنی نشود و به خط پایان برسد 0.70.7 است. احتمال اینکه دچار نقص فنی نشود نیز 0.80.8 است. اگر بدانیم اتومبیل دچار نقص فنی نشده، با چه احتمالی به خط پایان رسیده است؟

  1. پیشامدها را نام‌گذاری می‌کنیم: AA یعنی «دچار نقص فنی نشدن» و BB یعنی «رسیدن به خط پایان».

  2. داده‌های مسئله عبارت‌اند از P(A∩B)=0.7P(A\cap B)=0.7 و P(A)=0.8P(A)=0.8؛ عبارت «و» در دادهٔ اول به رخ‌دادن هم‌زمان دو پیشامد اشاره دارد.

  3. چون می‌دانیم اتومبیل دچار نقص فنی نشده، شرط ما AA است و باید P(B∣A)P(B|A) را حساب کنیم؛ همچنین P(A)=0.8≠0P(A)=0.8\ne0، پس فرمول قابل استفاده است.

  4. جای‌گذاری می‌کنیم: P(B∣A)=P(A∩B)P(A)=0.70.8=0.875P(B|A)=\frac{P(A\cap B)}{P(A)}=\frac{0.7}{0.8}=0.875.

جواب: احتمال رسیدن اتومبیل به خط پایان، به شرط اینکه دچار نقص فنی نشده باشد، برابر 0.8750.875 یا 87.5%87.5\% است.

نکات مهم

  • اشتراک دو پیشامد، یعنی A∩BA\cap B، شامل حالت‌هایی است که هر دو پیشامد با هم رخ می‌دهند.
  • در احتمال شرطی P(A∣B)P(A|B)، رخ‌دادن BB معلوم است و در حالت‌های هم‌شانس فقط اعضای BB را می‌شماریم: P(A∣B)=n(A∩B)n(B)P(A|B)=\frac{n(A\cap B)}{n(B)}.
  • با داشتن احتمال‌ها از رابطهٔ P(A∣B)=P(A∩B)P(B)P(A|B)=\frac{P(A\cap B)}{P(B)} استفاده می‌کنیم، به شرط آنکه P(B)≠0P(B)\ne0 باشد.

تمرین تعاملی این درس (رایگان)تمرین تعاملی این درس

درس ۲ · صفحهٔ ۱۴۵ تا ۱۵۳ · حدود ۱۵ دقیقه · تولید هوش مصنوعی

درس اول | احتمال شرطی و پیشامدهای مستقل

در این درس یاد می‌گیری استقلال دو پیشامد را تشخیص بدهی و از آن برای محاسبهٔ احتمال وقوع هر دو یا حداقل یکی از آن‌ها استفاده کنی.

پیش از شروع

اگر یک سکه را دو بار بیندازی و هر دو بار پشت بیاید، آیا در پرتاب سوم شانس رو آمدن بیشتر می‌شود؟

نه؛ در پرتاب‌های مستقلِ یک سکهٔ سالم، نتیجه‌های قبلی شانس رو آمدن در پرتاب بعدی را تغییر نمی‌دهند. احتمال رو آمدن همچنان 12\frac{1}{2} است؛ سکه قرار نیست نتیجه‌های قبلی را جبران کند!

خبری که احتمال را عوض نمی‌کند

خبری که احتمال را عوض نمی‌کند

اگر یک سکهٔ سالم را دو بار پرتاب کنی و هر دو بار پشت بیاید، آیا حالا نوبت رو آمدن است؟ نه! سکه حافظه ندارد؛ در پرتاب سوم هم احتمال رو آمدن همان 12\frac{1}{2} است. خبرِ نتیجهٔ پرتاب‌های قبلی، این احتمال را عوض نمی‌کند.

استقلال یعنی همین بی‌تأثیر بودنِ خبر بر احتمال. اگر پیشامد موردنظر را AA و خبری را که از وقوعش مطمئن شده‌ایم BB بنامیم، مستقل بودن AA از BB یعنی:

P(A∣B)=P(A)P(A|B)=P(A)

سمت چپ، احتمال وقوع AA با دانستن وقوع BB است؛ سمت راست، احتمال وقوع AA بدون این شرط. برای این مقایسه باید P(B)≠0P(B)\neq 0 باشد تا احتمال شرطی تعریف شود.

دقت کن: استقلال نمی‌گوید دو پیشامد نمی‌توانند با هم رخ دهند؛ می‌گوید دانستن وقوع یکی، احتمال دیگری را نه بیشتر می‌کند و نه کمتر.

کتاب درسی، صفحهٔ ۱۴۶

معیار عددی استقلال

معیار عددی استقلال

برای بررسی استقلال، می‌توانیم از یک معیار عددی استفاده کنیم: دو پیشامد AA و BB دقیقاً وقتی مستقل‌اند که

P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B)

سمت چپ، احتمال رخ دادن هر دو پیشامد است؛ سمت راست، حاصل‌ضرب احتمال‌های جداگانهٔ آن‌هاست. اگر این دو مقدار برابر نباشند، پیشامدها مستقل نیستند. پس نباید برای هر دو پیشامدی، بدون بررسی استقلال، احتمال‌ها را در هم ضرب کنیم!

این معیار از تعریف استقلال می‌آید: وقتی P(B)≠0P(B)\neq 0 باشد، با جای‌گذاری رابطهٔ احتمال شرطی در P(A∣B)=P(A)P(A|B)=P(A) و ضرب دو طرف در P(B)P(B)، به رابطهٔ بالا می‌رسیم.

نکتهٔ مهم این است که استقلال دوطرفه است. جابه‌جا کردن AA و BB نه اشتراکشان را تغییر می‌دهد و نه حاصل‌ضرب احتمال‌هایشان را. مثلاً در پرتاب معمول یک سکه و یک تاس، همان‌طور که خبرِ پشت آمدن سکه احتمال زوج آمدن تاس را تغییر نمی‌دهد، خبرِ زوج آمدن تاس هم احتمال پشت آمدن سکه را عوض نمی‌کند.

کتاب درسی، صفحهٔ ۱۴۷

هر دو یا حداقل یکی؟

هر دو یا حداقل یکی؟

فرض کن در یک بازی، سکه و تاس سالمی را پرتاب می‌کنی. جایزه ممکن است برای «پشت آمدن سکه و زوج آمدن تاس» باشد، یا برای «پشت آمدن سکه یا زوج آمدن تاس». این دو قانون یکسان نیستند!

اگر پیشامدها را AA و BB بنامیم، وقوع هر دو یعنی اشتراک آن‌ها. وقتی مستقل باشند، داریم:

P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B)

اما حداقل یکی یعنی یکی از آن‌ها یا هر دو رخ دهند؛ پس منظور اجتماع است. با جمع کردن احتمال‌ها، حالت‌های مشترک را دوبار حساب می‌کنیم؛ بنابراین باید احتمال اشتراک را یک بار کم کنیم:

P(A∪B)=P(A)+P(B)−P(A∩B)P(A\cup B)=P(A)+P(B)-P(A\cap B)

برای پیشامدهای مستقل، این رابطه می‌شود:

P(A∪B)=P(A)+P(B)−P(A)P(B)P(A\cup B)=P(A)+P(B)-P(A)P(B)

پس قبل از حساب کردن، عبارت مسئله را دقیق بخوان: «هر دو» تو را به اشتراک می‌رساند و «حداقل یکی» به اجتماع. حواست باشد «حداقل یکی» با «فقط یکی» فرق دارد؛ در اولی، رخ دادن هر دو هم پذیرفته است.

کتاب درسی، صفحهٔ ۱۴۸

ظاهر ماجرا کافی نیست

ظاهر ماجرا کافی نیست

آیا دو پیشامد که هر دو دربارهٔ یک آزمایش‌اند، حتماً وابسته‌اند؟ نه؛ مربوط بودنِ موضوع‌ها، به‌تنهایی دلیل وابستگی نیست. مثلاً در یک بازی با دو تاس، هم «عدد تاس اول» و هم «مجموع دو تاس» به همان پرتاب مربوط‌اند، ولی باید بررسی کنیم دانستن یکی، احتمال دیگری را تغییر می‌دهد یا نه.

برای تصمیم‌گیری، یکی از این دو مقایسه را انجام بده:

  • اگر P(B)≠0P(B)\neq 0 است، P(A∣B)P(A|B) را با P(A)P(A) مقایسه کن؛ برابر بودنشان یعنی استقلال.
  • یا P(A∩B)P(A\cap B) را با P(A)P(B)P(A)P(B) مقایسه کن؛ اگر برابر نباشند، دو پیشامد مستقل نیستند.

پس به‌جای اینکه بگویی «این دو به هم مربوط‌اند، پس وابسته‌اند»، بپرس: آیا خبرِ وقوع یکی، احتمال دیگری را عوض می‌کند؟ حتی یکسان بودن فضای آزمایش هم جای این بررسی عددی را نمی‌گیرد.

کتاب درسی، صفحهٔ ۱۴۸

مثال حل‌شده

احتمال قهرمانی تیم بسکتبال مدرسه 0.60.6 و احتمال قهرمانی تیم والیبال مدرسه 0.40.4 است. با فرض استقلال این دو پیشامد، احتمال قهرمانی هر دو تیم و احتمال قهرمانی حداقل یکی از آن‌ها را پیدا کن.

  1. پیشامد قهرمانی تیم بسکتبال را AA و پیشامد قهرمانی تیم والیبال را BB می‌نامیم؛ پس P(A)=0.6P(A)=0.6 و P(B)=0.4P(B)=0.4.

  2. «هر دو قهرمان شوند» یعنی اشتراک دو پیشامد. چون استقلال در صورت سؤال داده شده است، داریم: P(A∩B)=P(A)P(B)=0.6×0.4=0.24P(A\cap B)=P(A)P(B)=0.6\times0.4=0.24.

  3. «حداقل یکی قهرمان شود» یعنی یکی یا هر دو قهرمان شوند؛ بنابراین به دنبال P(A∪B)P(A\cup B) هستیم.

  4. در جمع احتمال‌های دو پیشامد، حالت قهرمانی هر دو دوبار شمرده می‌شود؛ پس یک بار آن را کم می‌کنیم: P(A∪B)=0.6+0.4−0.24=0.76P(A\cup B)=0.6+0.4-0.24=0.76.

جواب: احتمال قهرمانی هر دو تیم 0.240.24 و احتمال قهرمانی حداقل یکی از آن‌ها 0.760.76 است.

نکات مهم

  • استقلال یعنی دانستن وقوع یک پیشامد، احتمال پیشامد دیگر را تغییر ندهد؛ پس اگر P(B)≠0P(B)\neq0 باشد، P(A∣B)=P(A)P(A|B)=P(A) است.
  • معیار عددی استقلال، برابری P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B) است و ارتباط ظاهری دو پیشامد به‌تنهایی برای رد استقلال کافی نیست.
  • برای دو پیشامد مستقل، احتمال «هر دو» برابر P(A)P(B)P(A)P(B) و احتمال «حداقل یکی» برابر P(A)+P(B)−P(A)P(B)P(A)+P(B)-P(A)P(B) است.

تمرین تعاملی این درس (رایگان)تمرین تعاملی این درس

درس ۳ · صفحهٔ ۱۵۳ تا ۱۶۸ · حدود ۱۵ دقیقه · تولید هوش مصنوعی

آمار توصیفی

در این درس یاد می‌گیری داده‌ها را با میانگین، میانه و چارک‌ها خلاصه کنی، پراکندگی آنها را با دامنه، واریانس، انحراف معیار و ضریب تغییرات بسنجی و اثر تغییر یکسان همۀ داده‌ها را بر این شاخص‌ها تشخیص دهی.

پیش از شروع

اگر میانگین نمره‌های دو کلاس برابر باشد، آیا می‌توان گفت وضعیت نمره‌هایشان شبیه هم است؟

نه لزوماً! ممکن است در یک کلاس نمره‌ها نزدیک هم باشند و در کلاس دیگر، نمره‌های خیلی کم و خیلی زیاد داشته باشیم. برای شناخت داده‌ها، هم باید مرکز آنها را بشناسیم و هم میزان پراکندگی‌شان را.

خلاصه‌کردن داده‌ها با میانگین

خلاصه‌کردن داده‌ها با میانگین

فرض کن می‌خواهی وضعیت نمره‌های یک کلاس را گزارش کنی. خواندن تک‌تک نمره‌ها وقت می‌گیرد؛ آمار توصیفی کمک می‌کند داده‌ها را با جدول، نمودار یا چند عددِ شاخص خلاصه کنیم.

یکی از این شاخص‌ها میانگین است؛ عددی برای توصیف مرکز داده‌ها. برای یافتن آن، همۀ داده‌ها را جمع می‌کنیم و حاصل را بر تعدادشان تقسیم می‌کنیم:

Xˉ=x1+x2+⋯+xNN\bar{X}=\frac{x_1+x_2+\cdots+x_N}{N}

در این رابطه، xix_i هر داده و NN تعداد کل داده‌هاست. یادت باشد داده‌های تکراری هم در مجموع و هم در تعداد حساب می‌شوند.

حالا تصور کن معلم به نمرۀ همۀ دانش‌آموزان مقدار یکسانی اضافه کند. چون سهم هر نفر به یک اندازه زیاد شده، میانگین هم به همان اندازه افزایش می‌یابد. اگر همۀ نمره‌ها در عدد ثابتی ضرب شوند، میانگین نیز در همان عدد ضرب می‌شود:

  • افزودن مقدار ثابت: X+c‾=Xˉ+c\overline{X+c}=\bar{X}+c
  • ضرب در مقدار ثابت: cX‾=cXˉ\overline{cX}=c\bar{X}

این ویژگی‌ها وقتی کاربرد دارند که بخواهیم بدون محاسبۀ دوبارۀ تک‌تک داده‌ها، میانگین جدید را پیدا کنیم.

کتاب درسی، صفحهٔ ۱۵۳

میانه و داده‌های دورافتاده

میانه و داده‌های دورافتاده

فرض کن بیشتر روزها زمان استفاده‌ات از گوشی تقریباً یکسان است، اما یک روز خیلی بیشتر از همیشه از آن استفاده کرده‌ای. آن روزِ غیرعادی میانگین را بالا می‌برد؛ آیا میانگین هنوز نمایندۀ خوبی برای روزهای معمول توست؟

میانه به جای جمع‌کردن مقدارها، به جایگاه وسط آنها توجه می‌کند. برای پیدا کردن آن، حتماً ابتدا داده‌ها را از کوچک به بزرگ مرتب کن:

  • اگر تعداد داده‌ها فرد باشد، میانه همان دادۀ وسط است.
  • اگر تعداد داده‌ها زوج باشد، میانه برابر میانگین دو دادۀ وسط است؛ یعنی مجموع آن دو را بر 22 تقسیم می‌کنیم.

میانه را با Q2Q_2 نشان می‌دهیم. فراموش نکن: وسطِ فهرست نامرتب لزوماً میانه نیست!

دادۀ دورافتاده مقداری است که نسبت به بقیۀ داده‌ها خیلی بزرگ یا خیلی کوچک است. چنین مقداری می‌تواند میانگین را به سمت خود بکشد، ولی میانه به اندازۀ آن حساس نیست. پس وقتی می‌خواهیم وضعیت معمول داده‌های دارای مقدار دورافتاده را توصیف کنیم، معمولاً میانه انتخاب مناسب‌تری است.

کتاب درسی، صفحهٔ ۱۵۵

از دامنه تا واریانس

از دامنه تا واریانس

دو کلاس ممکن است میانگین یکسانی داشته باشند؛ اما نمره‌های یکی نزدیک به هم و نمره‌های دیگری بسیار پخش باشند. پس برای توصیف داده‌ها، دانستن مرکز کافی نیست؛ پراکندگی هم مهم است.

ساده‌ترین معیار، دامنۀ تغییرات است:

R=بزرگ‌ترین داده−کوچک‌ترین دادهR=\text{بزرگ‌ترین داده}-\text{کوچک‌ترین داده}

دامنه فقط دو سر داده‌ها را می‌بیند. مثلاً اگر کمترین و بیشترین نمرۀ کلاس ثابت بماند، تغییر نمره‌های میانی در دامنه دیده نمی‌شود.

برای توجه به همۀ داده‌ها، واریانس را به کار می‌بریم:

  • اختلاف هر داده از میانگین را پیدا می‌کنیم.
  • اختلاف‌ها را مربع می‌کنیم؛ چون جمع خود اختلاف‌ها همیشه صفر است و پراکندگی را نشان نمی‌دهد.
  • مجموع مربع‌ها را بر تعداد کل داده‌ها تقسیم می‌کنیم.

σ2=(x1−Xˉ)2+⋯+(xN−Xˉ)2N\sigma^2=\frac{(x_1-\bar X)^2+\cdots+(x_N-\bar X)^2}{N}

واریانس کوچک‌تر یعنی داده‌ها نزدیک‌تر به میانگین‌اند؛ اگر همۀ داده‌ها برابر باشند، واریانس صفر است. واحد واریانس، مربع واحد داده‌هاست.

اگر به همۀ داده‌ها مقدار ثابتی اضافه کنیم، واریانس ثابت می‌ماند؛ چون فاصله‌ها از میانگین عوض نمی‌شوند. با ضرب همۀ داده‌ها در cc، واریانس در c2c^2 ضرب می‌شود.

کتاب درسی، صفحهٔ ۱۵۷

پراکندگی مطلق و نسبی

پراکندگی مطلق و نسبی

واریانس از مربعِ فاصله‌ها ساخته می‌شود؛ پس اگر داده‌ها برحسب متر باشند، واحد واریانس مترمربع است. برای برگشتن به واحد خود داده‌ها، از واریانس جذر می‌گیریم. این شاخص انحراف معیار نام دارد:

σ=σ2\sigma=\sqrt{\sigma^2}

انحراف معیار کوچک‌تر یعنی داده‌ها به میانگین نزدیک‌ترند. اگر به همۀ داده‌ها مقدار ثابتی اضافه کنیم، فاصله‌ها از میانگین و در نتیجه انحراف معیار تغییر نمی‌کنند. اگر همۀ داده‌ها در عدد ثابت cc ضرب شوند، انحراف معیار در ∣c∣|c| ضرب می‌شود.

اما آیا یک مقدار معین پراکندگی، همیشه زیاد محسوب می‌شود؟ مثلاً تفاوت جرم برای نوزادان و بزرگ‌سالان اهمیت یکسانی ندارد. برای سنجیدن پراکندگی نسبت به میانگین، از ضریب تغییرات استفاده می‌کنیم:

cv=σXˉcv=\frac{\sigma}{\bar{X}}

برای بیان درصدی، این نسبت را در 100100 ضرب می‌کنیم. ضریب تغییرات واحد ندارد و فقط برای داده‌های مثبت به کار می‌رود. در دو گروه با انحراف معیار برابر، گروهی که میانگین کوچک‌تری دارد، ضریب تغییرات بزرگ‌تری دارد؛ یعنی پراکندگی نسبی آن بیشتر است.

کتاب درسی، صفحهٔ ۱۶۰

جای داده‌ها با چارک‌ها

جای داده‌ها با چارک‌ها

میانه جای وسط داده‌ها را نشان می‌دهد؛ اما اگر بخواهیم جای بخش‌های پایین‌تر و بالاتر را هم بشناسیم، چارک‌ها به کمکمان می‌آیند. مثلاً برای بررسی زمان استفاده از اینترنت، فقط دانستن مقدار وسط کافی نیست؛ جای مرز بخش‌های مختلف هم مفید است.

چارک‌ها داده‌های مرتب‌شده را به چهار بخش تقسیم می‌کنند. برای پیدا کردنشان، این مسیر را برو:

  • اول مرتب کن: داده‌ها را از کوچک به بزرگ بنویس.
  • وسط کل را پیدا کن: میانۀ کل داده‌ها، چارک دوم یا Q2Q_2 است.
  • نیمۀ پایین را بررسی کن: میانۀ داده‌های پیش از میانۀ کل، چارک اول یا Q1Q_1 است.
  • نیمۀ بالا را بررسی کن: میانۀ داده‌های پس از میانۀ کل، چارک سوم یا Q3Q_3 است.

اگر تعداد کل داده‌ها فرد باشد، دادۀ وسط را در هیچ‌کدام از دو نیمه وارد نمی‌کنیم. اگر زوج باشد، داده‌ها را به دو نیمۀ هم‌اندازه تقسیم می‌کنیم. برای میانۀ هر نیمه نیز، اگر تعداد داده‌هایش زوج بود، میانگین دو دادۀ وسط را می‌گیریم؛ پس چارک لزوماً یکی از داده‌های موجود نیست.

کتاب درسی، صفحهٔ ۱۶۱

مثال حل‌شده

تعداد کتاب‌های غیردرسی مطالعه‌شدۀ پنج دانش‌آموز در تابستان، 2،4،6،8،102، 4، 6، 8، 10 است. میانگین، میانه، چارک اول و سوم، دامنۀ تغییرات، واریانس، انحراف معیار و ضریب تغییرات را پیدا کن.

  1. میانگین را حساب می‌کنیم: Xˉ=2+4+6+8+105=6\bar{X}=\frac{2+4+6+8+10}{5}=6.

  2. داده‌ها مرتب‌اند و تعدادشان فرد است؛ پس دادۀ وسط، میانه است: Q2=6Q_2=6.

  3. با کنار گذاشتن میانۀ کل، نیمۀ پایین 2،42،4 و نیمۀ بالا 8،108،10 است؛ بنابراین Q1=2+42=3Q_1=\frac{2+4}{2}=3 و Q3=8+102=9Q_3=\frac{8+10}{2}=9.

  4. دامنه، اختلاف بزرگ‌ترین و کوچک‌ترین داده است: R=10−2=8R=10-2=8.

  5. اختلاف داده‌ها از میانگین برابر با −4،−2،0،2،4-4،-2،0،2،4 است؛ مربع این اختلاف‌ها 16،4،0،4،1616،4،0،4،16 می‌شود.

  6. مجموع مربع اختلاف‌ها را بر تعداد کل داده‌ها تقسیم می‌کنیم: σ2=16+4+0+4+165=8\sigma^2=\frac{16+4+0+4+16}{5}=8؛ سپس σ=8=22≈2.83\sigma=\sqrt{8}=2\sqrt{2}\approx2.83.

  7. چون داده‌ها مثبت‌اند، ضریب تغییرات را حساب می‌کنیم: cv=σXˉ=226≈0.471cv=\frac{\sigma}{\bar{X}}=\frac{2\sqrt{2}}{6}\approx0.471، یعنی تقریباً 47.1%47.1\%.

جواب: میانگین و میانه هر دو 66، چارک اول 33، چارک سوم 99، دامنه 88، واریانس 88، انحراف معیار 222\sqrt{2} و ضریب تغییرات تقریباً 47.1%47.1\% است.

نکات مهم

  • میانگین از تقسیم مجموع داده‌ها بر تعدادشان به دست می‌آید، اما برای توصیف مرکز داده‌های دارای مقدار دورافتاده، میانه معمولاً مناسب‌تر است.
  • دامنه فقط به دو سر داده‌ها وابسته است، واریانس میانگین مربع فاصله‌ها از میانگین است و انحراف معیار با جذر گرفتن از واریانس به دست می‌آید.
  • ضریب تغییرات، پراکندگی را نسبت به میانگینِ داده‌های مثبت می‌سنجد و چارک‌ها جایگاه داده‌ها را در مجموعۀ مرتب‌شده نشان می‌دهند.

تمرین تعاملی این درس (رایگان)تمرین تعاملی این درس

درس‌های فصل ۷ را تعاملی بخوان

در پنل یادگیری 1xAi هر کدام از این درس‌ها قدم به قدم پیش می‌رود: بعد از هر بخش یک سوال کوتاه، بعد مثال حل‌شده و در پایان برگهٔ خروج. جوابت ثبت می‌شود و سوال‌های هر درس در روزهای بعد برای مرور برمی‌گردند. درس‌های تعاملی رایگان‌اند؛ فقط تصحیح پاسخ کوتاه سهمیهٔ روزانهٔ رایگان دارد.

ساختن حساب رایگان است و بعد از ثبت‌نام مستقیم به همین بخش از پنل برمی‌گردی.

فصل ۷ ریاضی یازدهم · رایگان