مقاييس النزعة المركزية: التعريف والأمثلة

تُعد معالجة البيانات وتلخيصها الركيزة الجوهرية التي يقوم عليها صرح البحث العلمي والتحليل الإحصائي الحديث. فعندما يواجه الباحث أو المحلل كميات هائلة من المشاهدات والقياسات الرقمية المتناثرة، تبرز الحاجة المعرفية والمنهجية الماسة إلى اختزال هذه الكتل المعقدة من البيانات في قيم رقمية مفردة ذات دلالة مكثفة، تكون قادرة على تمثيل خصائص المجموعة ككل بدقة وموثوقية عالية. ومن هنا نشأت في فضاء علم الإحصاء منظومة ما يُعرف بـ مقاييس النزعة المركزية (Measures of Central Tendency)، والتي تهدف إلى تحديد النقطة أو القيمة التي تميل البيانات إلى التجمع والتمركز حولها.

تتجاوز مقاييس النزعة المركزية مجرد كونها معادلات حسابية بسيطة؛ إذ إنها تعكس في جوهرها فلسفة رياضية وسيكومترية عميقة تبحث عن “مركز الثقل” الرياضي أو “القيمة النموذجية الأكثر تمثيلاً” للظواهر الإنسانية، والسلوكية، والفيزيائية، والاقتصادية. إن فهم هذه المقاييس والتمكن من خصائصها واشتراطاتها المنهجية يمثل صمام الأمان لمنع الوقوع في استنتاجات مضللة، ولا سيما في مجالات العلوم النفسية والاجتماعية والتربوية حيث تتسم المتغيرات بالتعقيد وقابلية التأثر بالانحيازات والالتواءات التوزيعية.

يتناول هذا الدليل الشامل والمفصل مقاييس النزعة المركزية من منظور أكاديمي معمق، بدءاً من التأطير النظري والأسس الرياضية، مروراً بالتطبيقات الحسابية اليدوية والآلية لمختلف أشكال البيانات (المبوبة وغير المبوبة)، وصولاً إلى المقارنات النقدية الدقيقة بين المقاييس، وتأثير أشكال التوزيع والالتواء، والمقاييس المتقدمة، مع تقديم تطبيقات حية في القياس النفسي والعلوم السلوكية، وتوجيهات عملية مدعومة بالمعايير الإحصائية المعتمدة عالمياً لدى جمعية علم النفس الأمريكية (APA).

1. المفهوم النظري لمقاييس النزعة المركزية وأهميتها الإحصائية

1.1 تعريف النزعة المركزية في الإحصاء الوصفي

تُعرّف النزعة المركزية في إطار الإحصاء الوصفي بأنها الميل الطبيعي للبيانات الرقمية والمشاهدات التجريبية نحو التجمع والتراكم حول قيمة عددية مركزية أو وسيطة داخل نطاق التوزيع الكلي. من الناحية الرياضية المجردة، يمثل المركز الإحصائي نقطة التوازن (Balance Point) أو مركز الثقل للكتلة التوزيعية، حيث تتعادل حولها القوى الانحرافية للمشاهدات بدرجات متفاوتة بحسب طبيعة المقياس المستخدم، مما يمنح الباحث مؤشراً كمياً يعبر عن المستوى العام للمجموعة المدروسة.

يتجلى الدور الوظيفي الأساسي لمقاييس المركز في قدرتها الاستثنائية على اختزال آلاف، بل ملايين المشاهدات الخام المعقدة وغير المنظمة في قيمة مفردة ومركزة، تؤدي وظيفة “الممثل الإحصائي” للمجموعة بأكملها دون إغراق العقل البشري في التفاصيل العددية الجزئية المرهقة. هذا التلخيص يوفر اقتصاداً معرفياً وإدراكياً لا غنى عنه في تحليل الظواهر واسعة النطاق.

ومن الضروري التمييز الجوهري بين مقاييس النزعة المركزية ومقاييس التشتت (Measures of Dispersion)؛ فبينما تسعى مقاييس المركز إلى تحديد موقع نقطة التجمع والتوافق بين البيانات، تختص مقاييس التشتت (كالتباين، والانحراف المعياري، والمدى) بقياس درجة تباعد المشاهدات أو تجانسها حول ذلك المركز. ومن الناحية الإبستمولوجية في العلوم النفسية والسلوكية، يمثل اختزال المتغيرات السلوكية المتشابكة في مقاييس موثوقة حجر الزاوية لاكتشاف القوانين العامة التي تحكم السلوك الإنساني والعمليات العقلية، عبر تحويل السمات غير المرئية إلى مؤشرات كمية قابلة للنمذجة والتعميم.

1.2 الأهمية العلمية والعملية لاستخدام مقاييس المركز

تكتسب مقاييس النزعة المركزية مكانة محورية في صميم المنهجية العلمية التجريبية والتطبيقية، حيث توفر وسيلة رياضية مقننة لتسهيل المقارنة المنهجية الدقيقة بين المجموعات؛ كالمقارنة بين المجموعات التجريبية التي تعرضت لتدخل علاجي أو تدريبي معين والمجموعات الضابطة التي لم تتعرض له، مما يسهم في التحقق من الفرضيات العلمية بصورة قاطعة ومجردة.

علاوة على ذلك، تعد هذه المقاييس اللبنة الأساسية في بناء المعايير والمستويات المرجعية (Norms) للاختبارات النفسية والتربوية والمقاييس السلوكية؛ فبدون تحديد نقطة المركز لمجتمع التقنين، يستحيل الحكم على درجة فرد معين بالاختبار ومعرفة ما إذا كانت تقع ضمن النطاق المتوسط أو المتفوق أو المتأخر. وتتجلى أهميتها العملية أيضاً في صناعة القرارات القائمة على الأدلة التجريبية (Evidence-Based Decision Making) في مجالات السياسات العامة، وإدارة المؤسسات، والرعاية الصحية، وتصميم المناهج.

ومن المنظور الإحصائي المتقدم، تشكل مقاييس النزعة المركزية الأساس الحسابي والاشتقاقي الذي تُبنى عليه النماذج الاستدلالية المتقدمة مثل تحليل التباين (ANOVA)، وتحليلات الانحدار الخطي والمتعدد، والنمذجة بالمعادلات البنائية، مما يجعلها أدوات لا غنى عنها في بنية التفكير الإحصائي بأكمله.

1.3 المعايير المنهجية لتحديد المقياس الأمثل

لا يتم اختيار مقياس النزعة المركزية بصورة عشوائية أو اعتباطية، بل يخضع لضوابط منهجية صارمة تحدد مدى ملاءمة كل مقياس لطبيعة المشكلة البحثية ونوعية البيانات المتاحة. ويأتي في مقدمة هذه الضوابط مستوى قياس المتغير (Scale of Measurement) وفق تصنيف ستيفنز الشهير (الاسمي، الرتبي، الفئوي، والنسبي)؛ فالبيانات الاسمية النوعية تستلزم حكماً استخدام المنوال، في حين تتطلب البيانات الرتبية استخدام الوسيط كخيار أمثل، بينما يُتاح استخدام الوسط الحسابي بكفاءة عالية في البيانات الفئوية والنسبية المتصلة.

المعيار الثاني يتمثل في حجم العينة وطبيعة التوزيع الاحتمالي للبيانات المدروسة، وتحديداً مدى اقتراب التوزيع من التماثل الطبيعي أو ابتعاده عنه بالالتواء يميناً أو يساراً. كما يلعب فحص وجود القيم الشاذة والمتطرفة (Outliers) دوراً حاسماً؛ فالقيم المتطرفة تخل بحيادية بعض المقاييس كالوسط الحسابي وتفقده موثوقيته، مما يفرض الانتقال نحو مقاييس أكثر متانة ومقاومة كـ الوسيط.

وأخيراً، يؤثر الهدف البحثي وسياق التفسير النظري للنتائج في عملية الانتقاء؛ إذ يتطلب التفسير التربوي أو السلوكي أحياناً إبراز القيمة الأكثر شيوعاً أو معرفة النقطة المنصفة للأداء، بدلاً من المتوسط الرياضي الجاف، والعكس صحيح بحسب طبيعة السؤال البحثي والفرضيات الموضوعة.

2. الوسط الحسابي (Arithmetic Mean): المفهوم الرياضي والمنهجي

2.1 التعريف النظري والخصائص الجبرية للوسط الحسابي

يُعد الوسط الحسابي (Arithmetic Mean)، والذي يُطلق عليه اختصاراً “المتوسط”، أكثر مقاييس النزعة المركزية استخداماً وشهرة في التحليلات الإحصائية. ويُعرّف نظرياً بأنه القيمة التي لو حلت محل كل قيمة من قيم المجموعة الأصلية لتساوى المجموع الكلي للقيم الجديدة مع المجموع الكلي للقيم الأصلية؛ فهو يمثل مركز الثقل الفيزيائي والرياضي الدقيق لتوزيع الدرجات.

يمتاز الوسط الحسابي بجملة من الخصائص الجبرية الفريدة التي تميزه عن سائر المقاييس الأخرى، وأبرزها خاصية انعدام مجموع انحرافات القيم عن وسطها الحسابي. ويعبر عن هذه الخاصية رياضياً بالمعادلة:

$$\sum_{i=1}^{n} (X_i – \bar{X}) = 0$$

وتعني هذه الخاصية أن مجموع الفروق الإيجابية بين القيم التي تفوق الوسط والوسط نفسه يتساوى تماماً في المقدار ويتعاكس في الإشارة مع مجموع الفروق السلبية للقيم التي تقل عنه، مما يجعل المحصلة الكلية للانحرافات صفراً مطلقاً.

أما الخاصية الجبرية الثانية فتتمثل في أن مجموع مربعات انحرافات القيم عن وسطها الحسابي يكون عند حده الأدنى (Least Squares Property)، أي أن:

$$\sum (X_i – \bar{X})^2 < \sum (X_i – C)^2$$

حيث $C$ تمثل أي قيمة ثابتة أخرى غير الوسط الحسابي، وهي الخاصية المؤسسة لنظرية الانحدار وتقدير المعالم في الإحصاء المعلمي. بالإضافة إلى ذلك، يتسم الوسط بحساسيته التامة لكافة القيم المدرجة في التحليل، فإذا تغيرت قيمة مفردة واحدة بمقدار طفيف، تغيرت تبعاً لذلك قيمة الوسط الحسابي مباشرة.

2.2 الوسط الحسابي للمجتمع مقابل الوسط الحسابي للعينة

يقتضي التدقيق المنهجي الفصل الدقيق بين وسط المجتمع الإحصائي الشامل ووسط العينة المسحوبة منه. يُرمز لوسط المجتمع بالرمز الإغريقي ميو ($\mu$)، ويمثل معلمة (Parameter) ثابتة ولكنها مجهولة غالباً في الواقع التطبيقي نظراً لاستحالة حصر كافة مفردات المجتمعات اللانهائية أو الكبيرة جداً. ويُحسب وسط المجتمع بالصيغة:

$$\mu = \frac{\sum_{i=1}^{N} X_i}{N}$$

حيث تمثل $N$ الحجم الكلي للمجتمع الإحصائي.

في المقابل، يُرمز لوسط العينة بالرمز إكس بار ($\bar{X}$)، ويمثل إحصاءً (Statistic) متغيراً من عينة لأخرى، ويُحسب بالصيغة:

$$\bar{X} = \frac{\sum_{i=1}^{n} X_i}{n}$$

حيث تمثل $n$ عدد مفردات العينة المختارة عشوائياً. يمثل وسط العينة مقدراً غير متحيز (Unbiased Estimator) لمعلمة المجتمع، بمعنى أن القيمة المتوقعة لمتوسطات العينات العشوائية المتكررة تتطابق تماماً مع وسط المجتمع الأصلي ($E(\bar{X}) = \mu$).

ويرتبط وسط العينة بما يُعرف بـ الخطأ المعياري للوسط (Standard Error of the Mean – $SE$)، والذي يقيس مدى تشتت متوسطات العينات الممكنة حول وسط المجتمع الحقيقي، ويُحسب بقسمة الانحراف المعياري للمجتمع ($\sigma$) على الجذر التربيعي لحجم العينة ($\sqrt{n}$)، مما يوضح أنه كلما زاد حجم العينة الممثلة، تضاءل الخطأ المعياري وزادت دقة الوسط كتقدير نقطي للمجتمع.

2.3 مزايا وعيوب الوسط الحسابي

يتمتع الوسط الحسابي بجملة من المزايا المنهجية التي بوأته صدارة المقاييس الإحصائية؛ فهو يمتاز بالبساطة المفاهيمية وقابليته الفائقة للمعالجات الجبرية والتحويلات الرياضية اللاحقة، مما يجعله يدخل بسلاسة في اشتقاق التباين، والانحراف المعياري، واختبارات الدلالة الإحصائية مثل اختبار ت (t-test) واختبار ف (F-test). كما يتميز باستناده إلى كافة المشاهدات المتوفرة في البيانات دون استثناء أي قيمة، مما يمنحه كفاءة إحصائية واستقراراً عبر العينات المتعددة المستمدة من توزيع طبيعي.

ومع ذلك، تعتريه عيوب جوهرية تحد من كفاءته في سياقات معينة؛ أبرزها تأثره الحاد والبالغ بالقيم المتطرفة والشاذة والالتواء الإحصائي. فقيمة واحدة شديدة الارتفاع أو الانخفاض قادرة على سحب الوسط الحسابي بعيداً عن المركز الحقيقي للبيانات، معطية انطباعاً زائفاً ومضللاً عن الواقع.

فضلاً عن ذلك، يمتنع استخدام الوسط الحسابي بصورة قطعية مع البيانات الوصفية النوعية المقاسة على المستوى الاسمي، كما يثير استخدامه مع البيانات الرتبية جدلاً إبستمولوجياً واسعاً، نظراً لافتقار هذه الرتب إلى فترات قياس متساوية رياضياً.

3. طرق حساب الوسط الحسابي مع أمثلة تطبيقية

3.1 حساب الوسط الحسابي للبيانات غير المبوبة

تُعرف البيانات غير المبوبة (Raw / Ungrouped Data) بأنها القيم الأصلية الخام التي جُمعت مباشرة من الميدان دون تلخيصها في فئات أو جداول تكرارية. لحساب الوسط الحسابي لهذه البيانات، تُطبق المعادلة الأساسية القائمة على جمع القيم الفردية وقسمة الناتج على عددها الكلي:

$$\bar{X} = \frac{\sum_{i=1}^{n} X_i}{n} = \frac{X_1 + X_2 + dots + X_n}{n}$$

مثال تطبيقي: قام باحث نفسي بتطبيق مقياس مقنن لتقييم درجات القلق النفسي لدى عينة استطلاعية مكونة من 10 مرضى يراجعون عيادة الطب السلوكي، فكانت الدرجات الخام المسجلة كالتالي: (18، 22، 15، 25، 30، 20، 17، 28، 24، 21).

خطوات الحل:

• الخطوة الأولى: إيجاد المجموع الكلي للقيم ($\sum X$):
  
  $$\sum X = 18 + 22 + 15 + 25 + 30 + 20 + 17 + 28 + 24 + 21 = 220$$
• الخطوة الثانية: تحديد حجم العينة الإجمالي ($n = 10$).
• الخطوة الثالثة: تطبيق القانون لاستخراج الوسط الحسابي:
  
  $$\bar{X} = \frac{220}{10} = 22$$

التفسير الإحصائي والسياقي: يُفسر الرقم الناتج بأن متوسط مستوى القلق لدى هذه العينة السريرية يبلغ 22 درجة على مقياس القياس المعتمد. وإذا ما تمت مراجعة الحسابات عبر البرمجيات الإحصائية المتقدمة كحزمة SPSS أو جداول Microsoft Excel، فإن الأمر يتطلب فقط إدراج المتغير واستخدام الدالة الوصفية (DESCRIPTIVES) للحصول على نفس النتيجة متضمنة فترات الثقة المناسبة.

3.2 حساب الوسط الحسابي للبيانات المبوبة (الجداول التكرارية)

عند التعامل مع عينات كبيرة، تُصنف البيانات في جداول تكرارية ذات فئات ومجالات محددة. لحساب الوسط الحسابي للبيانات المبوبة، نفترض أن تكرارات كل فئة تتمركز بدقة عند مركز الفئة (Midpoint – $m_i$)، والذي يُحسب بجمع الحد الأدنى للفئة مع حدها الأعلى وقسمة الناتج على 2:

$$m_i = \frac{\text{الحد الأدنى للفئة} + \text{الحد الأعلى للفئة}}{2}$$

وتكون الصيغة العامة للوسط الحسابي المبوب:

$$\bar{X} = \frac{\sum (f_i \times m_i)}{\sum f_i}$$

حيث تمثل $f_i$ تكرار الفئة رقم $i$، و$m_i$ مركز الفئة المقابلة لها.

مثال تطبيقي: يوضح الجدول التالي توزيع درجات الأداء في اختبار الذكاء لعينة قوامها 50 فرداً:

الفئة (الدرجات)	التكرار ($f_i$)	مركز الفئة ($m_i$)	حاصل الضرب ($f_i \times m_i$)
70 – 79	6	74.5	447.0
80 – 89	12	84.5	1014.0
90 – 99	18	94.5	1701.0
100 – 109	10	104.5	1045.0
110 – 119	4	114.5	458.0
المجموع ($\sum$)	50	–	4665.0

تطبيق المعادلة:

$$\bar{X} = \frac{4665.0}{50} = 93.3$$

تحليل الانحراف المحتمل: إن الوسط الحسابي المستخرج من البيانات المبوبة (93.3) يعد تقديراً تقريبياً دقيقاً ولكنه قد يختلف بشكل طفيف جداً عن الوسط الحسابي للبيانات الخام الفردية قبل التبويب، وذلك بسبب ما يعرف بـ “خطأ التجميع” (Grouping Error) الناشئ عن افتراض تمركز كافة درجات الفئة عند مركزها الهندسي التام.

3.3 الوسط الحسابي المرجح أو الموزون (Weighted Mean)

في العديد من السياقات الأكاديمية والبحثية، لا تتمتع كافة القيم والمفردات بنفس الدرجة من الأهمية أو الثقل النسبي. هنا يبرز الوسط الحسابي الموزون أو المرجح ($\bar{X}_w$)، والذي يعطي كل قيمة وزناً يتناسب طردياً مع أهميتها، أو تكرارها، أو موثوقيتها المنهجية. وتُصاغ معادلته كالتالي:

$$\bar{X}_w = \frac{\sum (W_i \times X_i)}{\sum W_i} = \frac{W_1 X_1 + W_2 X_2 + dots + W_k X_k}{W_1 + W_2 + dots + W_k}$$

حيث تمثل $X_i$ القيم أو الدرجات المحققة، بينما تمثل $W_i$ الأوزان النسبية أو معاملات الترجيح المخصصة لكل قيمة.

مثال محلول: طالب يدرس في برنامج الماجستير في علم النفس الإكلينيكي أنهى أربعة مساقات دراسية خلال الفصل الدراسي، وكانت درجاته وعدد الساعات المعتمدة (الأوزان) لكل مساق كما يلي:

• مناهج البحث المتقدم في علم النفس (3 ساعات معتمدة): الدرجة = 85
• القياس النفسي الإكلينيكي (3 ساعات معتمدة): الدرجة = 90
• العلاج المعرفي السلوكي (4 ساعات معتمدة): الدرجة = 94
• التدريب الميداني السريري (2 ساعة معتمدة): الدرجة = 80

لحساب المعدل الفصلي الموزون للطالب:

1. نضرب كل درجة في وزن ساعاتها المعتمدة:

$$\sum (W_i \times X_i) = (3 \times 85) + (3 \times 90) + (4 \times 94) + (2 \times 80) = 255 + 270 + 376 + 160 = 1061$$

2. نحسب مجموع الأوزان الكلية ($\sum W_i$):

$$\sum W_i = 3 + 3 + 4 + 2 = 12 \text{ ساعة}$$

3. نطبق معادلة الوسط الموزون:

$$\bar{X}_w = \frac{1061}{12} \approx 88.42$$

يُستخدم الوسط الموزون بكثافة في الدراسات والمسوح الوطنية لتصحيح عينات البحث عندما تكون بعض الشرائح السكانية ممثلة بنسب تفوق أو تقل عن حجمها الواقعي في المجتمع، مما يضمن دقة التمثيل الرياضي للنتائج وتعميمها الموثوق.

4. الوسيط (Median): المفهوم والخصائص الإحصائية

4.1 التعريف الرياضي وموقع الوسيط في التوزيع

يُعرّف الوسيط (Median)، والذي يُرمز له اختصاراً بـ ($Mdn$) أو ($\tilde{X}$)، بأنه القيمة العددية التي تقسم البيانات المرتبة ترتيباً تصاعدياً أو تنازلياً إلى نصفين متساويين تماماً، بحيث يقع 50% من المشاهدات والدرجات دون قيمة الوسيط، بينما يقع الـ 50% الآخر من المشاهدات فوقها. فالوسيط في جوهره مقياس موضعي ترتيبي يعتمد على موقع الرتبة المكانية أكثر من اعتماده على المقدار الكمي للقيم ذاتها.

يرتبط الوسيط بنيوياً بالإحصاء اللامعلمي (Non-parametric Statistics)؛ إذ يتطابق تعريفياً وموقعياً مع المئين الخمسين ($P_{50}$) ومع الربيع الثاني ($Q_2$) في التوزيعات التراكمية. ومن أهم الخصائص البنيوية للوسيط تمتعه بـ المتانة الإحصائية الفائقة (Robustness)، حيث يمتلك مناعة تامة ضد تأثير القيم الشاذة والمتطرفة، لأن تغيّر القيم القصوى بالزيادة أو النقصان لا يؤثر مطلقاً على موقع الرتبة المركزية الفاصلة بين نصفي التوزيع.

وبخلاف الوسط الحسابي الذي يقلل مجموع مربعات الانحرافات، يمتاز الوسيط بخاصية رياضية مميزة مفادها أنه يقلل مجموع القيم المطلقة للانحرافات إلى الحد الأدنى الممكن، أي أن:

$$\sum |X_i – Mdn| < \sum |X_i – C|$$

حيث $C$ هي أي قيمة رقمية أخرى خلاف الوسيط.

4.2 الشروط المنهجية لاستخدام الوسيط

تتحدد الصلاحية المنهجية لاستخدام الوسيط في حزمة من الظروف والشروط التوزيعية التي يصبح فيها استخدام الوسط الحسابي غير دقيق ومضللاً. ويأتي على رأس هذه الشروط التعامل مع المتغيرات المقاسة وفق المستوى الرتبي (Ordinal Scale)، كالمستويات التعليمية، أو الرتب العسكرية، أو استجابات مقاييس ليكرت، حيث تعبر الأرقام عن أفضلية وترتيب دون أن تعكس فترات متساوية بدقة.

كما يُعد الوسيط المقياس المنهجي المفضل بلا منازع عند دراسة المتغيرات الاجتماعية والاقتصادية والنفسية ذات التوزيعات شديدة الالتواء؛ مثل توزيع الدخل الفردي، أو الثروات، أو زمن الاستجابة في الاختبارات العصبية، أو فترات البقاء على قيد الحياة في الأبحاث الطبية، حيث تتسبب قلة من المشاهدات المرتفعة جداً في سحب الوسط الحسابي وتشويهه، في حين يقدم الوسيط صورة واقعية ومعبرة عن الأداء المتوسط للغالبية العظمى.

إضافة إلى ذلك، ينفرد الوسيط بقدرته المنهجية على الحساب في الجداول التكرارية المفتوحة من أحد الطرفين أو كليهما (Open-ended Distributions)، مثل الفئات التي تبدأ بـ “أقل من 20 سنة” أو تنتهي بـ “60 سنة فأكثر”، حيث يعجز الوسط الحسابي عن الحساب لاستحالة تحديد مركز الفئة المفتوحة، بينما يتحدد الوسيط بسهولة طالما أن رتبته تقع داخل إحدى الفئات المغلقة المحددة.

4.3 مزايا ومحددات الوسيط

تتمثل أبرز مزايا الوسيط الإحصائية في مقاومته الصلبة للتشوهات الناجمة عن التباين الشديد وتطرف بعض القيم في عينات الدراسة، إلى جانب سهولة حسابه واستخراجه المباشر، لا سيما في العينات الصغيرة ذات الطابع الترتيبي، فضلاً عن سهولة تفسيره المنطقي لغير المتخصصين بوصفه النقطة المنصفة للبيانات بدقة.

وعلى الرغم من هذه القوة المنهجية، يواجه الوسيط محددات وعيوباً إحصائية جوهرية؛ لعل أهمها إهماله للقيمة الرياضية الفعلية للغالبية الساحقة من المفردات واعتماده الحصري على رتبها ومواقعها. فلو تغيرت أدنى قيمة في العينة أو ارتفعت دون أن تتجاوز موقع المركز، يظل الوسيط ثابتاً لا يتغير، مما يجعله يفقد قدراً كبيراً من المعلومات الحسابية الدقيقة الكامنة في البيانات.

علاوة على ذلك، يتسم الوسيط بتعقيد معالجته الجبرية واشتقاقه الرياضي المتقدم مقارنة بالوسط الحسابي، مما يحد من دخوله المباشر في بناء النماذج الإحصائية الاستدلالية المعلمية المعقدة مثل تحليل التباين أو الانحدارات المتعددة، كما أنه يظهر كفاءة نسبية أقل من الوسط الحسابي عند سحب عينات عشوائية متكررة من مجتمعات متماثلة طبيعياً.

5. طرق حساب الوسيط لمختلف أشكال البيانات مع أمثلة عملية

5.1 حساب الوسيط للبيانات الفردية غير المبوبة

لحساب الوسيط لمجموعة من البيانات الفردية الخام، يجب أولاً وبشكل إلزامي ترتيب البيانات ترتيباً تصاعدياً (من الأصغر إلى الأكبر) أو تنازلياً. بعد الترتيب، يتوقف مسار الحساب على طبيعة حجم العينة ($n$) ما إذا كان عدداً فردياً أو زوجياً:

الحالة الأولى: إذا كان حجم العينة ($n$) عدداً فردياً:

يكون للوسيط رتبة مكانية مفردة ومحددة تُحسب بالصيغة:

$$\text{رتبة الوسيط} = \frac{n + 1}{2}$$

وقيمة الوسيط هي القيمة الفعلية المقابلة لهذه الرتبة تماماً.

مثال: قيس زمن الاستجابة الحركية (بالأجزاء من الثانية) لاختبار الانتباه لدى عينة من 7 مشاركين، وكانت الدرجات: (320، 290، 410، 305، 280، 350، 390).

• الترتيب التصاعدي: (280، 290، 305، 320، 350، 390، 410).
• رتبة الوسيط: $\frac{7 + 1}{2} = 4$ (المشاهدة الرابعة).
• قيمة الوسيط ($Mdn$) = 320 جزءاً من الثانية.

الحالة الثانية: إذا كان حجم العينة ($n$) عدداً زوجياً:

في هذه الحالة توجد قيمتان تشغلان مركز التوزيع، وتكون رتبتاهما:

$$\text{الرتبة الأولى} = \frac{n}{2} \quad , \quad \text{الرتبة الثانية} = \frac{n}{2} + 1$$

وتُحسب قيمة الوسيط بأخذ الوسط الحسابي لهاتين القيمتين المركزيتين:

$$Mdn = \frac{\text{القيمة ذات الرتبة } (\frac{n}{2}) + \text{القيمة ذات الرتبة } (\frac{n}{2} + 1)}{2}$$

مثال: لنفترض إضافة مريض ثامن للعينة السابقة بزمن استجابة 430، فتصبح العينة الزوجية المرتبة: (280، 290، 305، 320، 350، 390، 410، 430).

• الرتبتان المركزيتان: $\frac{8}{2} = 4$ و $\frac{8}{2} + 1 = 5$.
• القيمة الرابعة = 320، والقيمة الخامسة = 350.
• قيمة الوسيط: $Mdn = \frac{320 + 350}{2} = \frac{670}{2} = 335$ جزءاً من الثانية.

5.2 حساب الوسيط للبيانات المبوبة والفئات التكرارية

يتطلب حساب الوسيط من الجداول التكرارية ذات الفئات تطبيق خطوات رياضية منهجية تعتمد على الاستيفاء الخطي الداخلي (Linear Interpolation). ويتم ذلك عبر المراحل التالية:

1. تكوين جدول التكرار المتجمع الصاعد (Cumulative Frequency Table).
2. تحديد رتبة الوسيط الإجمالية بقسمة مجموع التكرارات على 2:
   $$\text{رتبة الوسيط} = \frac{\sum f}{2}$$
3. تحديد الفئة الوسيطية، وهي أول فئة يقابلها تكرار متجمع صاعد أكبر من أو يساوي رتبة الوسيط مباشرة.
4. تطبيق المعادلة الرياضية العامة للوسيط المبوب:

$$Mdn = L + \left( \frac{\frac{\sum f}{2} – F_{prev}}{f_m} \right) \times C$$

حيث:

• $L$: الحد الأدنى الفعلي (الحقيقي) للفئة الوسيطية.
• $\sum f$: مجموع التكرارات الكلية للعينة.
• $F_{prev}$: التكرار المتجمع الصاعد للفئة السابقة مباشرة للفئة الوسيطية.
• $f_m$: التكرار الأصلي (المطلق) للفئة الوسيطية ذاتها.
• $C$: طول الفئة الوسيطية (الحد الأعلى الفعلي – الحد الأدنى الفعلي).

مثال تطبيقي تفصيلي: دراسة لدرجات مقياس الاكتئاب موزعة على عينة من 40 مريضاً:

فئات درجات الاكتئاب	التكرار ($f$)	الحدود الحقيقية للفئات	التكرار المتجمع الصاعد ($F$)
10 – 19	5	9.5 – 19.5	5
20 – 29	9	19.5 – 29.5	14
30 – 39 (الفئة الوسيطية)	14	29.5 – 39.5	28
40 – 49	8	39.5 – 49.5	36
50 – 59	4	49.5 – 59.5	40

خطوات الحساب:

• رتبة الوسيط = $\frac{40}{2} = 20$.
• الفئة الوسيطية هي (30 – 39) لأن تكرارها المتجمع (28) هو أول تكرار يستوعب الرتبة 20.
• الحد الأدنى الحقيقي للفئة الوسيطية ($L$) = 29.5.
• التكرار المتجمع الصاعد السابق ($F_{prev}$) = 14.
• تكرار الفئة الوسيطية ($f_m$) = 14.
• طول الفئة ($C$) = $39.5 – 29.5 = 10$.

تطبيق المعادلة:

$$Mdn = 29.5 + \left( \frac{20 – 14}{14} \right) \times 10 = 29.5 + \left( \frac{6}{14} \right) \times 10 = 29.5 + 4.29 = 33.79$$

أي أن وسيط درجات الاكتئاب لدى هذه المجموعة يبلغ 33.79 درجة، مما يعني أن نصف المرضى يعانون من درجات اكتئاب تقل عن هذه النقطة والنصف الآخر تزيد درجاتهم عنها.

5.3 تحديد الوسيط بيانياً

يمكن تحديد الوسيط بوسائل بيانية هندسية متعددة دون اللجوء المباشر للحسابات الجبرية، وتتكامل هذه الطرق لتوفير تحقق بصري من سلامة النتائج الرقمية. ومن أشهر هذه الطرق استخدام المنحنى التكراري المتجمع الصاعد والمنحنى التكراري المتجمع الهابط (النازل).

يتم رسم المنحنى الصاعد بتسجيل الحدود العليا الحقيقية للفئات على المحور الأفقي ($X$) والتكرار المتجمع على المحور الرأسي ($Y$). ثم يتم تحديد موقع رتبة الوسيط ($frac{sum f}{2}$) على المحور الرأسي، والتحرك أفقياً بخط مستقيم حتى التقاطع مع المنحنى، ومن نقطة التقاطع يتم الإسقاط عمودياً على المحور الأفقي لقراءة قيمة الوسيط. كما تتطابق هذه النتيجة تماماً مع نقطة تقاطع المنحنى التكراري الصاعد مع المنحنى التكراري الهابط مسقطة على المحور الأفقي.

أما الأداة البيانية الحديثة الأكثر استخداماً فهي المخطط الصندوقي (Box Plot) الذي طوره جون توكي (John Tukey)؛ حيث يمثل الخط العرضي البارز داخل الصندوق قيمة الوسيط بدقة، بينما يمثل طرفا الصندوق الربيع الأول ($Q_1$) والربيع الثالث ($Q_3$). يوفر هذا المخطط رؤية بصرية فورية لموقع الوسيط ومدى قربه من مركز الصندوق لتشخيص تماثل البيانات أو التوائها، فضلاً عن تحديد القيم الشاذة المتطرفة بنقاط منفصلة خارج حدود الصندوق.

6. المنوال (Mode): المفهوم الرياضي والأنماط التوزيعية

6.1 التعريف النظري للمنوال وخصائصه الأساسية

يُعرّف المنوال (Mode)، والذي يُرمز له بالرمز ($Mo$)، بأنه المشاهدة، أو الدرجة، أو الخاصية الأكثر تكراراً وشيوعاً بين مفردات مجموعة البيانات قيد الدراسة. فالمنوال يبحث بصورة جوهرية عن “النمط السلوكي الشائع” أو “الاستجابة الأكثر ترجيحاً وظهوراً” في المجتمع الإحصائي المدروس.

ينفرد المنوال بخاصية إبستمولوجية ومنهجية فريدة بين سائر مقاييس النزعة المركزية؛ فهو المقياس الوحيد الصالح للاستخدام مع البيانات النوعية الاسمية (Nominal Data). فعلى سبيل المثال، إذا أردنا معرفة الاضطراب النفسي الأكثر انتشاراً في عيادة ما (مثل: قلق، اكتئاب، وسواس، فوبيا)، فإن الوسط والوسيط يعجزان تماماً عن المعالجة لغياب الترتيب أو الكم العددي، في حين يحدد المنوال بسهولة التشخيص الأكثر تكراراً.

يمتاز المنوال باستقلاليته التامة عن العمليات الحسابية والمعادلات الجبرية المعقدة عند التعامل مع البيانات الفردية؛ إذ يمكن استخراجه بمجرد فحص جدول التوزيع التكراري وتحديد القيمة صاحبة أعلى تكرار. ومن خصائصه الرياضية أيضاً أنه لا يتأثر مطلقاً بوجود القيم الشاذة المتطرفة، ما لم تكن تلك القيمة المتطرفة هي نفسها القيمة الأكثر تكراراً، وهو أمر نادر الحدوث عملياً.

6.2 تصنيفات التوزيعات بناءً على المنوال

تتنوع التوزيعات الإحصائية في العلوم السلوكية والاجتماعية وفقاً لعدد المنوالات التي تشتمل عليها، مما يعكس البنية التحتية لعينات الدراسة ومجتمعاتها الأصلية. وتُصنف التوزيعات تكرارياً إلى الأنواع الرئيسية التالية:

• التوزيع أحادي المنوال (Unimodal Distribution): وهو التوزيع الذي يحتوي على قمة تكرارية واحدة واضحة، أي توجد قيمة وحيدة فقط تتكرر أكثر من غيرها. يُعد هذا النمط هو الأكثر شيوعاً في التوزيعات الطبيعية والمعيارية المتماثلة.
• التوزيع ثنائي المنوال (Bimodal Distribution): وهو التوزيع الذي يشتمل على قمتين تكراريتين متساويتين أو متقاربتين جداً في الارتفاع، يفصل بينهما انخفاض تكراري. يشير هذا التوزيع منهجياً إلى أن العينة المدروسة ليست متجانسة بالكامل، بل تنقسم إلى مجتمعين فرعيين متمايزين (Sub-populations)؛ مثل توزيع مستويات هرمون معين بين الذكور والإناث، أو درجات الرضا الوظيفي بين الموظفين الجدد والقدامى.
• التوزيع متعدد المنوال (Multimodal Distribution): وفيه يظهر التوزيع ثلاثة قمم تكرارية أو أكثر، مما يدل على تعقد الظاهرة السلوكية واشتمالها على فئات وأنماط متعددة متداخلة داخل العينة الواحدة.
• التوزيع عديم المنوال (Uniform / No Mode): عندما تتساوى كافة القيم في تكراراتها (كل قيمة تتكرر مرة واحدة مثلاً، أو كل فئة تتكرر بالتساوي)، يُقال حينئذ إن التوزيع منتظم أو عديم المنوال، حيث يغيب أي تمركز واضح للمشاهدات.

6.3 إيجابيات وسلبيات استخدام المنوال

يتمتع المنوال بجاذبية خاصة في التحليلات الإحصائية الوصفية السريعة نظراً لسهولته وسرعة استخراجه الفورية دون إرهاق حسابي، وإمكانية تمثيله بيانياً بوضوح. كما يُعد المقياس الأمثل لدراسة التفضيلات الاستهلاكية، وتحديد الأنماط السلوكية والشخصية المهيمنة، ودراسة القرارات الاجتماعية ذات الخيارات المحددة.

ورغم هذه المزايا، يعاني المنوال من أوجه قصور منهجية وإحصائية خطيرة تجعله الأقل استقراراً وكفاءة بين مقاييس المركز. فأبرز عيوبه تكمن في ضعف الاستقرار الإحصائي والتذبذب الشديد (High Sampling Fluctuation)؛ إذ قد يؤدي سحب عينات عشوائية متتالية من نفس المجتمع إلى تغير جذري في قيمة المنوال بناءً على تغير تكرار مفردة واحدة بمقدار بسيط.

علاوة على ذلك، يتجاهل المنوال في حسابه الغالبية العظمى من قيم البيانات الأصلية ومقاديرها، مركزاً حصرياً على التكرار الأقصى. كما أن احتمالية عدم وجود منوال للتوزيع، أو وجود أكثر من منوال، تجعل من الصعب استخدامه كمعيار قياسي موحد في التحليلات المقارنة، فضلاً عن عدم خضوعه للعمليات الجبرية المعقدة كالمفاضلات والاشتقاقات الإحصائية المتقدمة.

7. طرق تحديد المنوال في التوزيعات المختلفة وأمثلة توضيحية

7.1 استخراج المنوال للبيانات غير المبوبة والاسمية

لاستخراج المنوال للبيانات غير المبوبة، يتم فرز القيم وحصر تكرارات كل مفردة، ومن ثم تحديد القيمة التي سجلت أعلى تكرار دون الحاجة إلى تطبيق صيغ جبرية معقدة.

مثال 1 (بيانات اسمية): في دراسة لتحديد النمط السلوكي المهيمن لدى عينة من 12 قائداً تربوياً وفق نظرية الأنماط، سجلت النتائج التصنيفات التالية: (ديمقراطي، تسلطي، تحويلي، ديمقراطي، فوضوي، ديمقراطي، تحويلي، ديمقراطي، تسلطي، تحويلي، ديمقراطي، فوضوي).

• تكرار النمط الديمقراطي = 5 مرات.
• تكرار النمط التحويلي = 3 مرات.
• تكرار النمط التسلطي = مرتان.
• تكرار النمط الفوضوي = مرتان.

النتيجة: المنوال هو النمط الديمقراطي، لأنه صاحب التكرار الأعلى (5 مرات)، وهو المقياس الوحيد الممكن لتمثيل مركز هذه البيانات النوعية.

مثال 2 (بيانات كمية ثنائية المنوال): درجات 8 طلاب في اختبار الذاكرة العاملة كانت: (12، 15، 14، 15، 18، 19، 12، 16). نلاحظ أن الدرجة (12) تكررت مرتين، والدرجة (15) تكررت مرتين أيضاً، بينما تكررت باقي القيم مرة واحدة. التوزيع هنا ثنائي المنوال (Bimodal)، وقيمتا المنوال هما: 12 و 15.

7.2 حساب المنوال للبيانات المبوبة باستخدام الصيغ الرياضية

عند تبويب البيانات في جداول تكرارية ذات فئات متساوية، تُحدد أولاً الفئة المنوالية (Modal Class)، وهي الفئة التي يقابلها أكبر تكرار في الجدول. بعد ذلك، يمكن حساب قيمة المنوال بدقة عبر عدة طرق رياضية، أشهرها طريقة الفروق لبيرسون (Pearson’s Difference Method) والتي تعتمد على الصيغة الجبرية التالية:

$$Mo = L + \left( \frac{\Delta_1}{\Delta_1 + \Delta_2} \right) \times C$$

حيث:

• $L$: الحد الأدنى الفعلي (الحقيقي) للفئة المنوالية.
• $\Delta_1$: الفرق بين تكرار الفئة المنوالية وتكرار الفئة السابقة لها مباشرة ($f_m – f_{prev}$).
• $\Delta_2$: الفرق بين تكرار الفئة المنوالية وتكرار الفئة اللاحقة لها مباشرة ($f_m – f_{next}$).
• $C$: طول الفئة المنوالية.

مثال تطبيقي: جدول تكراري يوضح درجات التوافق المهني لدى 60 موظفاً:

فئات التوافق المهني	التكرار ($f$)	الحدود الحقيقية للفئات
50 – 59	8	49.5 – 59.5
60 – 69 (الفئة المنوالية)	22	59.5 – 69.5
70 – 79	16	69.5 – 79.5
80 – 89	10	79.5 – 89.5
90 – 99	4	89.5 – 99.5

خطوات الحساب:

• الفئة المنوالية هي (60 – 69) لأنها صاحبة أعلى تكرار ($f_m = 22$).
• الحد الأدنى الحقيقي للفئة ($L$) = 59.5.
• $\Delta_1 = 22 – 8 = 14$ (الفرق مع التكرار السابق).
• $\Delta_2 = 22 – 16 = 6$ (الفرق مع التكرار اللاحق).
• طول الفئة ($C$) = $69.5 – 59.5 = 10$.

تطبيق صيغة بيرسون:

$$Mo = 59.5 + \left( \frac{14}{14 + 6} \right) \times 10 = 59.5 + \left( \frac{14}{20} \right) \times 10 = 59.5 + 7 = 66.5$$

كما توجد معادلة تقريبية شائعة للربط التجريبي بين المقاييس الثلاثة في التوزيعات معتدلة الالتواء، صاغها كارل بيرسون كالتالي: $\text{المنوال} \approx 3(\text{الوسيط}) – 2(\text{الوسط الحسابي})$.

7.3 تحديد المنوال باستخدام المدرج التكراري (Histogram)

يُعد المدرج التكراري (Histogram) الأداة الهندسية القياسية لتقدير وتحديد قيمة المنوال بیانياً للبيانات المبوبة ذات الفئات المتصلة. وتتلخص الخطوات المنهجية لتنفيذ ذلك بالآتي:

1. رسم المدرج التكراري بتمثيل الحدود الحقيقية للفئات على المحور الأفقي ($X$) والتكرارات على المحور الرأسي ($Y$).
2. تحديد المستطيل الأكثر ارتفاعاً في المدرج، والذي يمثل بصرياً “الفئة المنوالية” ذات التكرار الأعلى.
3. رسم خط مستقيم يبدأ من الزاوية العلوية اليمنى لمستطيل الفئة المنوالية ويصل إلى الزاوية العلوية اليمنى للمستطيل السابق له مباشرة.
4. رسم خط مستقيم ثانٍ يبدأ من الزاوية العلوية اليسرى لمستطيل الفئة المنوالية ويصل إلى الزاوية العلوية اليسرى للمستطيل اللاحق له مباشرة.
5. تحديد نقطة تقاطع الخطين المتقاطعين داخل مستطيل الفئة المنوالية.
6. إسقاط عمود رأسي مستقيم من نقطة التقاطع تلك باتجاه المحور الأفقي؛ وتكون نقطة التقاء هذا العمود بالمحور الأفقي هي القيمة التقديرية الدقيقة للمنوال بيانياً.

تتطابق القيمة البيانية المستخرجة من المدرج التكراري تطابقاً شبه تام مع الحل الجبري الناتج عن صيغة بيرسون للفروق، مما يمنح الباحثين أداة بصرية سريعة وموثوقة للتحقق المتبادل من صحة الحسابات الإحصائية وعرضها في التقارير البحثية بوضوح وجاذبية.

8. المقارنة المنهجية الشاملة بين مقاييس النزعة المركزية الثلاثة

8.1 مقارنة الخصائص الرياضية والإحصائية

تتباين مقاييس النزعة المركزية تبايناً جذرياً في بنيتها الرياضية وطريقة تعاملها مع الأرقام الخام، مما يحدد مستوى كفاءتها الإحصائية وقوتها في التحليل. يوضح الجدول التحليلي التالي مقارنة منهجية دقيقة وشاملة بين المقاييس الثلاثة وفق معايير نظرية وإحصائية مقننة:

وجه المقارنة	الوسط الحسابي (Mean)	الوسيط (Median)	المنوال (Mode)
الاعتماد على كافة البيانات	نعم، يعتمد على القيمة الدقيقة لكل مفردة.	لا، يعتمد على رتب ومواقع البيانات المركزية فقط.	لا، يركز فقط على القيمة الأكثر تكراراً مهملاً البقية.
الحساسية للقيم المتطرفة	شديد الحساسية وسريع التأثر والتشوه.	مقاوم تماماً ومحصن ضد القيم الشاذة.	غير متأثر إطلاقاً بالقيم المتطرفة المنعزلة.
القابلية للعمليات الجبرية اللاحقة	ممتازة، يدخل في حساب التباين والانحدار وANOVA.	محدودة جداً وصعبة الاشتقاق الجبري المتقدم.	شبه معدومة في التحليلات الاستدلالية المعلمية.
الاستقرار عبر العينات المتكررة	الأعلى استقراراً وأقل تذبذباً في التوزيع المتماثل.	متوسط الاستقرار عبر العينات العشوائية.	الأقل استقراراً ويتذبذب بشدة من عينة لأخرى.
حساب الجداول المفتوحة	مستحيل لعدم توفر مركز الفئة المفتوحة.	ممكن وسهل إذا لم يقع الوسيط في الفئة المفتوحة.	ممكن إذا لم تكن الفئة المفتوحة هي المنوالية.

8.2 ملاءمة المقاييس لمستويات القياس المختلفة (Stevens’ Scales)

وفقاً لنظرية مستويات القياس التي طورها عالم النفس ستانلي ستيفنز (Stevens, 1946)، ترتبط صلاحية استخدام مقاييس النزعة المركزية بطبيعة البنية الرياضية للمتغير المقاس كما يلي:

• المستوى الاسمي (Nominal Scale): يقتصر التمثيل الإحصائي المركزي فيه حصرياً على المنوال. فالبيانات المعبرة عن التصنيفات الفئوية المجردة (مثل: الجنس، فصيلة الدم، التخصص الأكاديمي) لا تحمل أي معنى ترتيبي أو كمي، مما يجعل حساب الوسط أو الوسيط لها خطأً منهجياً فادحاً.
• المستوى الرتبي (Ordinal Scale): يُعد الوسيط المقياس الأمثل والأكثر موثوقية في هذا المستوى، متبوعاً بالمنوال. وبما أن الرتب (مثل: الرضا الوظيفي: منخفض، متوسط، مرتفع) تحدد الأسبقية والأفضلية دون ضمان تساوي المسافات بين الفئات، فإن تطبيق الوسط الحسابي يواجه تحفظات منهجية واسعة، رغم شيوعه التطبيقي في بعض حقول العلوم الاجتماعية.
• المستوى الفئوي (Interval Scale): يصبح الوسط الحسابي هو الخيار الأول والأكثر كفاءة، نظراً لتساوي الفترات والمسافات بين الدرجات (مثل: درجات مقاييس الذكاء، درجات الحرارة المئوية). ومع ذلك، يظل الوسيط خياراً بديلاً ضرورياً في حال وجود التواءات شديدة أو قيم شاذة في توزيع البيانات.
• المستوى النسبي (Ratio Scale): هذا هو المستوى الأعلى والأكثر اكتمالاً لاشتماله على الصفر المطلق الحقيقي وتساوي الفترات (مثل: زمن الرجع، الوزن، الدخل المالي). تتاح في هذا المستوى كافة مقاييس النزعة المركزية دون أي عائق رياضي، ويقع الاختيار على المقياس الأنسب استناداً لشكل التوزيع التكراري والهدف البحثي.

8.3 سيناريوهات تطبيقية لمقارنة المقاييس الثلاثة على نفس البيانات

لتوضيح كيف يمكن لنفس الظاهرة السلوكية أن تُقرأ بطرق متباينة، سنفترض دراسة موحدة قاست أوقات النوم اليومية (بالساعات) لعينة مكونة من 9 طلاب جامعيين خلال فترة الامتحانات النهائية، وسُجلت البيانات كالتالي:

(4، 4، 5، 5، 5، 6، 7، 8، 19)

نلاحظ مباشرة وجود قيمة شاذة متطرفة جداً تتمثل في الطالب الذي نام (19 ساعة) نتيجة الإنهاك البدني الشديد. سنقوم بحساب المقاييس الثلاثة لنفس هذه العينة وملاحظة التباين العميق بينها:

• الوسط الحسابي:
  $$\bar{X} = \frac{4 + 4 + 5 + 5 + 5 + 6 + 7 + 8 + 19}{9} = \frac{63}{9} = 7 \text{ ساعات}$$
• الوسيط:
  البيانات مرتبة بالفعل، وحجم العينة فردي ($n=9$)، ورتبة الوسيط هي $\frac{9+1}{2} = 5$ (المشاهدة الخامسة).
  $$Mdn = 5 \text{ ساعات}$$
• المنوال:
  القيمة الأكثر تكراراً وشيوعاً هي 5 (تكررت 3 مرات).
  $$Mo = 5 \text{ ساعات}$$

التحليل والمقارنة النقدية: يُظهر هذا المثال بجلاء كيف أن القيمة الشاذة (19) قامت بسحب الوسط الحسابي ورفعه إلى (7 ساعات)، مما يعطي انطباعاً كاذباً بأن معظم الطلاب ينامون 7 ساعات، بينما الواقع يوضح أن 7 من أصل 9 طلاب (أي الغالبية العظمى) ينامون أقل من 7 ساعات. في المقابل، عبر الوسيط (5 ساعات) والمنوال (5 ساعات) بصدق متناهٍ عن واقع تمركز السلوك اليومي لغالبية أفراد العينة دون أن يتأثرا بالقيمة المتطرفة المنعزلة.

9. تأثير شكل التوزيع والالتواء على مقاييس النزعة المركزية

9.1 التوزيع المتماثل والتوزيع الطبيعي (Normal Distribution)

في التوزيعات التكرارية المتماثلة تماماً والمنحنيات الجرسية المعيارية (Normal Bell Curves)، تنطبق نقطة التمركز الرياضي على نقطة الانتصاف الترتيبي وعلى القمة التكرارية العليا. ويترتب على ذلك قاعدة إحصائية بنيوية مفادها تطابق وتساوي مقاييس النزعة المركزية الثلاثة تماماً:

$$\text{الوسط الحسابي} = \text{الوسيط} = \text{المنوال} \quad (\bar{X} = Mdn = Mo)$$

يعكس هذا التطابق التام حالة التوازن التوزيعي المثالي حول المركز، حيث ينعدم معامل الالتواء الإحصائي ($Skewness = 0$) وتتوزع انحرافات المشاهدات على يمين المنحنى ويساره بتناظر هندسي بديع.

يمثل هذا التماثل الركيزة المنهجية التي يقوم عليها بناء الاختبارات السيكومترية المقننة الكبرى ومقاييس القدرات العقلية العامة؛ إذ إن تقارب قيم الوسط والوسيط والمنوال في العينات التجريبية يُعد مؤشراً حاسماً على اعتدالية التوزيع وصلاحية استخدام الإحصاء المعلمي المتقدم دون خوف من التحيز التقديري.

9.2 التوزيع الملتوي إيجابياً (Positively Skewed Distribution)

يحدث الالتواء الإيجابي (أو الالتواء جهة اليمين – Right-Skewed) عندما تتركز الغالبية الساحقة من درجات ومشاهدات العينة عند الطرف الأدنى (القيم المنخفضة)، بينما تمتد قلة قليلة من القيم الشاذة والمتطرفة نحو الطرف الأعلى مشكلة ذيلاً طويلاً يمتد نحو اليمين الإيجابي للمحور الأفقي.

تتأثر مقاييس المركز بشدة بهذا النمط التوزيعي؛ إذ تقوم القيم المتطرفة المرتفعة بسحب الوسط الحسابي بقوة جهة اليمين، في حين يظل المنوال مستقراً عند قمة التراكم المنخفضة، بينما يتخذ الوسيط موقعاً وسطياً متوازناً بينهما. وتكون العلاقة الرياضية الترتيبية الحاكمة في التوزيع الملتوي إيجابياً دائماً كالتالي:

$$\text{المنوال} < \text{الوسيط} < \text{الوسط الحسابي}$$

تتعدد الأمثلة السلوكية والاجتماعية لهذا التوزيع؛ ومن أبرزها: زمن حل المشكلات الإبداعية المعقدة (أغلب الأفراد يحتاجون زمناً قصيراً أو متوسطاً وندرة تستغرق وقتاً طويلاً جداً)، وعدد مرات الانتكاس بعد التعافي، ومستويات الدخل والثروة في المجتمعات. وفي هذه الحالة، يُعتبر الاعتماد على الوسط الحسابي خطأً تفسيرياً فاحشاً، ويصبح الوسيط المقياس المنهجي الأكثر عدالة ومصداقية لتمثيل واقع المجتمع.

9.3 التوزيع الملتوي سلبياً (Negatively Skewed Distribution)

على العكس من النمط السابق، ينشأ الالتواء السلبي (أو الالتواء جهة اليسار – Left-Skewed) عندما تتكدس معظم درجات ومشاهدات المفحوصين عند القيم المرتفعة والمتقدمة للتوزيع، بينما تمتد قلة محدودة من المشاهدات والدرجات المنخفضة جداً نحو الطرف الأدنى، لتشكل ذيلاً ممتداً نحو اليسار السلبي للمحور الأفقي.

في هذا السياق، تؤدي القيم المتطرفة المنخفضة إلى سحب الوسط الحسابي نحو الأسفل واليسار، في حين يبقى المنوال محتفظاً بموقعه عند القمة التكرارية المرتفعة، ويتوسط الوسيط المسافة بينهما. وتكون العلاقة الرياضية الحاكمة في التوزيع الملتوي سلبياً هي:

$$\text{الوسط الحسابي} < \text{الوسيط} < \text{المنوال}$$

يظهر هذا النمط بوضوح في القياس التربوي عند تطبيق اختبار تحصيلي سهل جداً لا يتناسب مع قدرات الطلاب المتفوقة، مما يؤدي لظاهرة السقف (Ceiling Effect) وتراكم الدرجات العالية، أو في مقاييس الرضا عن الخدمات المقدمة عندما تكون الغالبية راضية جداً. ويكمن الخطر التفسيري هنا في أن الوسط الحسابي سيعطي انطباعاً بأن المستوى العام أقل مما هو عليه في الحقيقة بسبب تأثره الشديد بتلك الدرجات المتدنية القليلة، مما يفرض التحول نحو الوسيط كمعيار للمركز الإحصائي.

10. مقاييس النزعة المركزية المتقدمة والخاصة

10.1 الوسط الهندسي (Geometric Mean)

يُعرّف الوسط الهندسي ($G$ أو $GM$) بأنه الجذر النوني لحاصل ضرب جميع قيم المشاهدات العددية البالغ عددها $n$، ولا يصلح استخدامه إلا مع القيم الموجبة تماماً (التي تخلو من القيم الصفرية أو السالبة). وتُصاغ معادلته الرياضية الأساسية كالتالي:

$$G = \sqrt[n]{X_1 \times X_2 \times dots \times X_n} = \left( \prod_{i=1}^{n} X_i \right)^{\frac{1}{n}}$$

ولتبسيط الحسابات الرياضية في العينات الكبيرة، يُحسب الوسط الهندسي باستخدام اللوغاريتمات وفق الصيغة التحويلية:

$$\log G = \frac{\sum_{i=1}^{n} \log X_i}{n} implies G = 10^{\left( \frac{\sum \log X_i}{n} \right)}$$

حالات الاستخدام ومزاياه المنهجية: يمثل الوسط الهندسي الأداة الرياضية المثلى والمعيارية عند الرغبة في إيجاد المتوسط للنسب المئوية، أو معدلات النمو المركبة والمتضاعفة، أو التغيرات السلوكية والحيوية التي تتزايد بنسب هندسية وتضاعفية (كالتغير التراكمي في سرعة معالجة المعلومات عبر جلسات التدريب العصبي المعرفي، أو تزايد الاستجابة الشرطية). وتمتاز هذه الصيغة بقدرتها على تحييد أثر التباينات الضخمة في المقادير مقارنة بالوسط الحسابي التقليدي.

مثال تطبيقي: إذا حقق برنامج تدريب معرفي معدلات تحسن في زمن الانتباه خلال ثلاث مراحل متتالية بنسب تضاعف بلغت: (2x، 8x، 4x):

$$G = \sqrt[3]{2 \times 8 \times 4} = \sqrt[3]{64} = 4$$

أي أن متوسط معدل النمو الهندسي للتحسن يبلغ 4 أضعاف في كل مرحلة، في حين أن الوسط الحسابي التقليدي ($4.67$) كان سيبالغ في تقدير هذا النمو التراكمي.

10.2 الوسط التوافقي (Harmonic Mean)

يُعرّف الوسط التوافقي ($H$ أو $HM$) بأنه مقلوب الوسط الحسابي لمقلوبات القيم والمشاهدات الرقمية الأصلية، ويشترط فيه ألا تحتوي البيانات على الصفر الرياضي. وتُكتب معادلته كالتالي:

$$H = \frac{n}{\sum_{i=1}^{n} \frac{1}{X_i}} = \frac{n}{\frac{1}{X_1} + \frac{1}{X_2} + dots + \frac{1}{X_n}}$$

مجالات التطبيق والخصوصية السلوكية: يُعد الوسط التوافقي المقياس الإحصائي الحصري الواجب استخدامه عند التعامل مع المتغيرات المعبر عنها بـ المعدلات والنسب لكل وحدة زمنية؛ كحساب متوسط السرعة، ومعدلات الأداء لكل ثانية، والكفاءة الزمنية للمهام العقلية، وإنتاجية المفحوص في الدقيقة الواحدة تحت ظروف تجريبية متغيرة.

مثال تطبيقي: في تجربة لقياس سرعة القراءة والمعالجة البصرية، قرأ أحد المفحوصين النص الأول بمعدل 60 كلمة/دقيقة، بينما قرأ النص الثاني المكافئ له تماماً بمعدل 40 كلمة/دقيقة. لحساب متوسط سرعة القراءة الإجمالية:

$$H = \frac{2}{\frac{1}{60} + \frac{1}{40}} = \frac{2}{\frac{2 + 3}{120}} = \frac{2}{\frac{5}{120}} = \frac{2 \times 120}{5} = 48 \text{ كلمة/دقيقة}$$

نلاحظ هنا أن الوسط الحسابي العادي كان سيعطي نتيجة قدرها ($50$) كلمة/دقيقة، وهي نتيجة خاطئة ومتحيزة زمنياً، لأن الفرد قضى وقتاً أطول في القراءة بالسرعة الأبطأ، وهو ما يصححه الوسط التوافقي بدقة متناهية.

10.3 الوسط المشذب والمبتور (Trimmed & Winsorized Mean)

تمثل مقاييس المركز المشذبة حلولاً إحصائية توفيقية مبتكرة ومتقدمة جداً في إطار الإحصاء المتين (Robust Statistics)، حيث تسعى إلى الجمع الخلاق بين الكفاءة الرياضية والقدرة الاستدلالية للوسط الحسابي، وبين المتانة والمقاومة الصامدة للوسيط في وجه القيم المتطرفة والشاذة.

يقوم الوسط المشذب (Trimmed Mean) على فكرة استبعاد نسبة مئوية متناظرة ومحددة مسبقاً (غالباً 5% أو 10% أو 20%) من أدنى قيم التوزيع وأعلى قيمه بعد ترتيبها تصاعدياً، ثم حساب الوسط الحسابي التقليدي لما تبقى من قيم مركزية سليمة. فإذا كانت العينة تتكون من 20 فرداً وطبقنا متوسطاً مشذباً بنسبة 10%، فإننا نحذف أدنى قيمتين وأعلى قيمتين، ونقسم مجموع الـ 16 قيمة المتبقية على 16.

أما طريقة وينسور (Winsorized Mean)، فتقوم على مبدأ الاستبدال بدلاً من الحذف الكامل؛ حيث تُستبدل القيم المتطرفة الدنيا بأقرب قيمة مقبولة تليها، وتُستبدل القيم المتطرفة العليا بأقرب قيمة مقبولة تسبقها، مع الإبقاء على حجم العينة الأصلي ($n$) ثابتاً أثناء حساب الوسط. وتكتسب هذه المقاييس أهمية كبرى في الأبحاث الإكلينيكية والطبية والنفسية الحساسة التي تتعرض فيها الاستجابات لتشوهات استثنائية ناتجة عن أخطاء إدخال البيانات أو ظروف الاستجابة غير النمطية.

11. تطبيقات مقاييس النزعة المركزية في القياس النفسي والعلوم السلوكية

11.1 تقنين الاختبارات النفسية وبناء المعايير المعيارية

يمثل القياس النفسي والسيكومتري أحد أوسع المجالات التطبيقية لمقاييس النزعة المركزية؛ إذ لا تحمل الدرجة الخام التي يحصل عليها المفحوص في أي اختبار نفسي أو عقلي أي معنى إكلينيكي مجرد ما لم تُنسب إلى معيار مرجعي مستمد من مركز مجتمع التقنين. ويعد الوسط الحسابي حجر الأساس في تحويل الدرجات الخام إلى درجات معيارية زائية (Z-Scores) وفق الصيغة المقننة:

$$Z = \frac{X – \bar{X}}{SD}$$

حيث تُحدد الدرجة المعيارية موقع المفحوص الدقيق ومقدار انحرافه فوق أو تحت متوسط المجتمع بوحدات الانحراف المعياري.

تتجلى هذه الأهمية بوضوح في معايرة أشهر مقاييس الذكاء العالمية؛ مثل مقياس وكسلر لذكاء البالغين (WAIS) ومقياس ستانفورد بينيه، حيث تم ضبط الدرجات المعيارية عمداً بحيث يكون الوسط الحسابي لذكاء المجتمع دائماً هو $\mu = 100$ بانحراف معياري قدره $\sigma = 15$. وبناءً على هذا التمركز، يُصنف الأفراد الذين تقع درجاتهم حول المتوسط (85 – 115) بالفئة الطبيعية (حوالي 68% من البشر)، بينما يمثل الابتعاد عن المركز صعوداً علامة على الموهبة والتفوق، ونزولاً علامة على القصور والإعاقة الذهنية.

علاوة على ذلك، يُستخدم الوسيط على نطاق واسع في بناء جداول الرتب المئينية (Percentile Ranks) في مقاييس الميول والشخصية، حيث يُحدد المئين الخمسين ($P_{50}$) نقطة الأداء المتوسط تماماً، مما يوفر إطاراً مرجعياً لتفسير خصائص المفحوصين وسلوكياتهم بدرجة عالية من الدقة الإكلينيكية.

11.2 تحليل استبيانات ليكرت (Likert Scale) في الأبحاث السلوكية

تُعد استبيانات ومقاييس ليكرت (Likert Scales) خماسية وسباعية التدرج الأداة الأكثر شيوعاً واستخداماً في قياس الاتجاهات، والسمات، والظواهر السلوكية في العلوم الإنسانية. وتثير معالجة بيانات ليكرت جدلاً أكاديمياً ومنهجياً عميقاً بين مدرستين إحصائيتين:

• المدرسة الرتبية الصارمة: ترى أن فقرات ليكرت الفردية (مثلاً: 1=غير موافق بشدة، إلى 5=موافق بشدة) هي متغيرات رتبية بحتة لا تضمن تساوي المسافات بين خيارات الاستجابة، وتفرض منهجياً استخدام الوسيط والمنوال والمدايات الربيعية كأدوات وحيدة صحيحة لتمثيل المركز الإحصائي لكل فقرة.
• المدرسة الفئوية التطبيقية: ترى أنه عند جمع درجات الفقرات لتكوين “الدرجة الكلية المركبة” لمحور أو مقياس كامل، فإن التوزيع يقترب من المتغير المتصل الفئوي، مما يسوغ استخدام الوسط الحسابي والانحراف المعياري شريطة التحقق من اعتدالية التوزيع وخلوه من الالتواء الحاد.

للتوفيق بين هذين التوجهين في الممارسة البحثية المعاصرة، يُنصح بتصميم تقارير التحليل الإحصائي عبر دمج الوسط الحسابي الموزون لتحديد درجة الموافقة العامة، مع إبراز المنوال لتوضيح الخيار السلوكي الأكثر جذباً للمفحوصين، مما يمنح قراءة تحليلية ثرية تتجاوز أحادية البعد التفسيري.

11.3 تقييم التدخلات العلاجية والدراسات التجريبية

في الأبحاث التجريبية الإكلينيكية التي تهدف إلى اختبار فاعلية البرامج العلاجية والتدخلات السلوكية الحديثة، تشكل مقاييس النزعة المركزية أداة الحكم الحاسمة على نجاح التدخل العلاجي. ويتم ذلك عبر مقارنة متوسطات أو أوساط درجات العينة في القياس القبلي (Pre-test) والقياس البعدي (Post-test) ومتابعة التغير الزمني لدرجات الأعراض النفسية.

في دراسات الحالات السريرية المفردة وتصميمات العينات الصغيرة جداً (Single-Case Designs)، حيث تنعدم شروط الاعتدالية الإحصائية، يُعتمد حصرياً على الوسيط لتقييم الفروق عبر خط الأساس ومراحل العلاج، تجنباً للتأثر بالتقلبات المزاجية الحادة للمرضى. كما يُستخدم المنوال في التشخيص الفئوي لتحديد “العَرَض المرضي الأكثر تكراراً” لدى المرضى عبر جلسات العلاج النفسي.

ومن المنظور الاستدلالي، يُعد قياس حجم الأثر الموحد (Effect Size) كمعامل كوهين دي ($Cohen’s d$) تطبيقاً مباشراً يعتمد في بسطه على الفرق المطلق بين وسطي المجموعتين التجريبية والضابطة ($\bar{X}_1 – \bar{X}_2$) مقسوماً على الانحراف المعياري المجمع، مما يحول الفروق العددية المركزية إلى دلالات إكلينيكية وعملية تحدد جدوى تبني البرامج العلاجية والتدريبية وتعميمها المؤسسي.

12. الأخطاء الشائعة والدليل الإرشادي لاختيار المقياس الأنسب

12.1 الأخطاء المنهجية الشائعة في استخدام مقاييس المركز

يقع العديد من الباحثين والمحللين المبتدئين في أخطاء منهجية متكررة عند حساب مقاييس النزعة المركزية وتفسيرها، مما يفرغ النتائج من مصداقيتها العلمية. ومن أبرز هذه الممارسات الخاطئة:

1. حساب الوسط الحسابي للمتغيرات الاسمية النوعية: كالقيام بترميز الجنس (1=ذكر، 2=أنثى) أو التخصص (1=علمي، 2=أدبي) ثم جمع هذه الأكواد وحساب وسط حسابي لها، وهو إجراء باطل رياضياً ومفاهيمياً؛ إذ لا معنى على الإطلاق لقولنا إن متوسط الجنس يساوي 1.5. المقياس الوحيد الصحيح هنا هو المنوال ونسب التكرارات.
2. تجاهل فحص شكل التوزيع ووجود القيم الشاذة: الاكتفاء بالاعتماد الآلي على الوسط الحسابي دون تطبيق اختبارات الالتواء (Skewness Tests) واستكشاف المخططات الصندوقية، مما يؤدي إلى تقديم تقارير مضللة مسحوبة بالقيم المتطرفة.
3. عزل مقياس النزعة المركزية عن مقياس التشتت المناسب له: تقديم الوسط الحسابي بمفرده دون الانحراف المعياري، أو تقديم الوسيط دون المدى الربيعي (IQR)، مما يحرم القارئ من فهم مدى تباعد وتجانس الدرجات حول المركز.
4. الخلط المفاهيمي بين رتبة الوسيط وقيمته: والوقوع في خطأ تقديم موقع الوسيط الترتيبي $\frac{n+1}{2}$ على أنه هو القيمة الرقمية للمقياس، لا سيما في التحليلات اليدوية والجداول التكرارية.

12.2 شجرة القرار المنهجية لاختيار المقياس الإحصائي الأمثل

لتيسير اتخاذ القرار الإحصائي الصائب، يستند الباحث إلى مصفوفة منهجية وشجرة قرار متعددة المسارات تحدد المقياس الواجب اعتماده بناءً على المحددات العلمية التالية:

مستوى القياس	شكل التوزيع وطبيعة البيانات	المقياس الأمثل الموصى به	مقياس التشتت الملازم له
اسمي (Nominal)	فئات نوعية غير قابلة للترتيب	المنوال (Mode)	نسب التباين الفئوي / التكرارات
رتبي (Ordinal)	رتب وتصنيفات متدرجة غير متساوية الفترات	الوسيط (Median)	المدى الربيعي (IQR)
فئوي / نسبي	متماثل، يتبع التوزيع الطبيعي، خالٍ من الشواذ	الوسط الحسابي (Mean)	الانحراف المعياري (SD)
فئوي / نسبي	ملتوٍ بشدة (يمين أو يسار) أو به قيم شاذة	الوسيط (أو الوسط المشذب)	المدى الربيعي (IQR)
فئوي / نسبي	معدلات تزايد ونسب نمو متضاعفة	الوسط الهندسي (Geometric Mean)	الانحراف المعياري للوغاريتمات
فئوي / نسبي	معدلات سرعة وإنتاجية مقسومة على الزمن	الوسط التوافقي (Harmonic Mean)	المدى المقلوب المعياري

12.3 أفضل الممارسات الإحصائية في إعداد التقارير والتوثيق (APA Style)

حددت جمعية علم النفس الأمريكية في دليلها السابع للنشر العلمي (APA 7th Edition) معايير وتنسيقات موحدة لعرض مقاييس النزعة المركزية والمؤشرات المصاحبة لها في المتن والجداول الإحصائية، ومن أهم هذه القواعد:

• تُكتب الرموز الإحصائية اللاتينية المعبرة عن إحصاءات العينة بحروف مائلة (Italicized)، مثل: الوسط الحسابي (M)، الانحراف المعياري (SD)، الوسيط (Mdn). بينما تُكتب الحروف الإغريقية المعبرة عن معالم المجتمع بحروف قائمة غير مائلة، مثل: ($\mu$) و ($\sigma$).
• عند كتابة تقرير عن الوسط الحسابي في متن النص، يجب إرفاق الانحراف المعياري معه إلزامياً بين قوسين، ومثال ذلك باللغة الإنجليزية: M = 24.50, SD = 4.20. وبالسياق العربي الأكاديمي: (المتوسط = 24.50، الانحراف المعياري = 4.20).
• عندما تكون البيانات ملتوية ويتم الاعتماد على الوسيط، يجب توثيق الوسيط مقترناً بالمدى الربيعي أو بالربيعين الأول والثالث، كأن يُكتب: (Mdn = 35.00, IQR = 12.00) أو ذكر المجال: (28.00 – 40.00).
• يجب تقريب الأرقام العشرية باستقرار واتساق إلى خانتين عشريتين (Two decimal places)، مع ضمان كتابة الصفر قبل الفاصلة العشرية للأرقام التي قد تتجاوز الواحد الصحيح.
• الالتزام بالشفافية والنزاهة العلمية التامة؛ وذلك بالإفصاح الصريح عن حجم الاستبعاد في حال استخدام الوسط المشذب، وتبرير أسباب استبعاد القيم الشاذة أو التحول من الوسط الحسابي إلى الوسيط، مما يتيح للباحثين الآخرين إمكانية التحقق والتكرار العلمي (Replication).

خاتمة

تمثل مقاييس النزعة المركزية البوابة الرئيسية والمدخل المنهجي الحاكم لأي تحليل إحصائي وصفي أو استدلالي رصين. إن الاختيار الواعي بين الوسط الحسابي، والوسيط، والمنوال ليس مجرد تفضيل رياضي شكلي، بل هو قرار منهجي دقيق ينعكس مباشرة على مدى صدق النتائج وموثوقية القرارات المستخلصة من البيانات.

لقد أظهر التحليل التفصيلي أن الوسط الحسابي يظل سيد المقاييس الإحصائية وأعلاها كفاءة في ظل التوزيعات المتماثلة والبيانات الفئوية والنسبية الخالية من الشواذ، بفضل خصائصه الجبرية التي تمهد الطريق للنمذجة الاستدلالية المتقدمة. وفي المقابل، يبرز الوسيط كحصن منهجي متين وموثوق عند التعامل مع البيانات الرتبية والتوزيعات شديدة الالتواء أو في وجود القيم المتطرفة، بينما ينفرد المنوال بكونه الأداة الحصرية لتمثيل وتلخيص البيانات النوعية الاسمية ودراسة الأنماط السلوكية الأكثر شيوعاً.

إن الممارسة الإحصائية الاحترافية تقتضي من الباحث والمحلل عدم الاكتفاء باستخراج الأرقام بصورة آلية مصمتة، بل التحقق الاستكشافي المستمر من طبيعة التوزيعات، واختبار الالتواء والتفرطح، والمزاوجة الدائمة بين مقاييس النزعة المركزية ومقاييس التشتت المناسبة لها، والالتزام بأعلى معايير التوثيق والنزاهة العلمية، لضمان تحويل البيانات الخام المتناثرة إلى معرفة علمية دقيقة تسهم في فهم الواقع والارتقاء بالإنسان وسلوكه.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Gravetter, F. J., Wallnau, L. B., Forzano, L. A. B., & Witnauer, J. E. (2021). Essentials of statistics for the behavioral sciences (10th ed.). Cengage Learning.
• Howell, D. C. (2017). Statistical methods for psychology (9th ed.). Cengage Learning.
• NIST/SEMATECH. (2012). e-Handbook of Statistical Methods. National Institute of Standards and Technology. https://www.itl.nist.gov/div898/handbook/
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Weisstein, E. W. (2002). Central Tendency. MathWorld–A Wolfram Web Resource. https://mathworld.wolfram.com/CentralTendency.html