| Η ψηφιακή τεχνολογία στην ερευνητική δραστηριότητα: Παρακαλώ. Καλημέρα σας. Σήμερα είναι το πρώτο μάθημα της σειράς των μαθημάτων που θα αφορετήσουμε στη συνέχεια. Θα γίνουν κάποια μαθήματα. Θα σας δώσω το πρόγραμμα των μαθημάτων του κ. Ψυψηλάντης. Το πρώτο μάθημα γίνεται με εμένα και θα γίνει μια εισαγωγή στην στατιστική και στο SPSI. Θα σας δώσω το πρόγραμμα του κ. Ψυψηλάντης. Το πρώτο μάθημα γίνεται με εμένα και θα γίνει μια εισαγωγή στην στατιστική και στο SPSI. Στη συνέχεια θα ακολουθήσει το πώς θα γίνει η συσκεπίεση, οι νέες έρευνες και όλο το αντικείμενο του μαθήματος. Σε κάποιο μάθημα θα τα ξαναπούμε όσον αφορά το δεύτερο κομμάτι του SPSI που θα αφήσουμε σήμερα που δεν θα το χρειώσουμε. Θα ξεκινήσουμε να μιλάμε για την στατιστική. Τώρα πριν θα χρειαστώ τον πίνακα θα πρέπει να τον ανοίξω στον προβλητικό. Θα τα σημειώσω και θα μπορούμε να τα δούμε. Θα τον ανοίξουμε. Θα μιλήσω ένα μόνο αρχικά για να μιλήσουμε για την στατιστική. Η οποία θα μας αισθανεύει κυρίως όταν κάνουμε το ερευνικό κομμάτι όταν φτάσουμε στην έρευνα σε κάποια εργασία. Θα πρέπει να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία και να μιλήσουμε για την εργασία Το πρόβλημα είναι ότι έρχεται στο νου μας τα μαθηματικά ή διάφορες συγγραφικές παραστάσεις, τα οκληρώματα και όλα τα σχετικά. Προμετούμενου γνώσης δεν θέλει σταθεστική, ειδικά έτσι όπως έχει γίνει με το SPSS όπως έχει γίνει ασθαματοποιημένη η όλη διαδικασία. Το μόνο που χρειάζεται από εσάς είναι οι βασικές πράξεις, πρόσθεση, αφές, περιγραφησμούς, διαδικασίες ή τίποτα τα πάντα. Και να μην φοβόσαστε τους συμπολίπιστες. Εντάξει, κατά τα άλλα η σταθεστική δεν έχει δύσκολα πράγματα, είναι μερικές βασικές έννοιες τις οποίες θα πούμε τώρα, έτσι ώστε να τις καταλάβετε και να τις βεδώσετε για να τις έχετε πάνω τη διαχρήση. Η σταθεστική έχει βασικά εργαλεία συλλογής, περιγραφής, ανάλυσης και πλησιασίες των εδομένων. Έτσι πρέπει να κάνουμε, έχουμε τη συλλογή, την ανάλυση, την επεξετασία, Συλλογή, περιγραφή, ανάλυση και επεξετασία των εδομένων. Σήμερα προσπαθούμε κυρίως με τη συλλογική και την περιγραφή των εδομένων και θα δείτε τι ακριβώς θα κάνουμε σε αυτά τα κομμάτια. Αυτή εδώ είναι η σταθεστική. Συλλογή, περιγραφή και ανάλυση των εδομένων. Πρώτα απ' όλα πρέπει να πάρουμε κάποια, πρέπει να πάρουμε 7 εδομένες από κάπου. Αυτό το κάπου που λέμε είναι, θέλουμε έναν πληθυσμό, αυτόν τον οποίο εμείς θέλουμε να κόψουμε κάποια στιγμές, έτσι ώστε να μας μείνει το δείγμα μας για να μπορέσουμε να κάνουμε την επεξετασία. Δηλαδή αυτό που χρειαζόμαστε εμείς είναι αρχικά ένας πληθυσμός. Και από εδώ πέρα στο τέλος θα θέσουμε να πάρουμε ένα δείγμα του πληθυσμού. Δηλαδή ο πληθυσμός είναι το υπερσύνολο του δείγματος και εμείς καλούμαστε να κάνουμε ένα δείγμα να πάρουμε για να αναλύσουμε τον πληθυσμό. Πληθυσμός μπορεί να είναι 2-3 άτομα αλλά μπορεί να είναι και απειρία πληθυσμού. Μπορώ να πω ότι είναι όλες οι γυναίκες του κόσμου. Μπορεί να είναι όλοι οι έφηβοι του κόσμου. Κάτι καινό χαρακτηριστικό είναι αυτό. Εμείς καλούμαστε να βρουμε ένα δείγμα. Το δείγμα για να μπορέσουμε μετά να το αναλύσουμε, να το εξεδραστούμε και να πάρουμε συμπεράσματα και να λάβουμε στο τέλος τις αποφάσεις που θέλουμε οφείλει να είναι αντιπροσωπευτικό. Άρα το πρόβλημα εδώ πέρα στη δειγματοδοξία είναι ότι πρέπει να κάνουμε κάποια τυχία δειγματοδοξία έτσι ώστε να καταλήξει να γίνεται το δείγμα που θα είναι αντιπροσωπευτικό του πληθυσμού. Στις περιπτώσεις που είπα όλες οι γυναίκες του κόσμου, δεν μπορούμε να μελετήσουμε όλες οι γυναίκες του κόσμου αλλά πρέπει να βρούμε αντιπροσωπευτικό δείγμα από κάποιες γυναίκες σε όλο τον κόσμο. Αυτό είναι η αντιπροσωπευτικότητα του δείγματος όσον αφορά της μετάτησης της επεξεδρασίας. Στα αγγλικά θα το δείτε σαν σάμπλ και το πληθυσμό όποιον θέλει. Αυτό είναι το πληθυσμό και το δείγμα. Στην συνέχεια θα δούμε τις στατιστικές μεθόδους με τις οποίες θα πρέπει να δούμε πώς θα αρμανώσουμε την παρουσίαση μας. Κι αρχικά υπάρχει αυτό που λέμε περιγραφική στατιστική. Στην περιγραφική στατιστική αυτό που κάνουμε είναι να οργανώσουμε και να προποιήσουμε την παρουσίαση των ευρωμένων μας. Επίσης, δεδομένα είναι τα data. Data είναι η πρωτογενής πληροφορία. Όσο πιο πρωτογενής γίνεται είναι τα δεδομένα τα οποία θα πάρουμε για να αναλύσουμε. Και αυτά είναι τα data μας. Η περιγραφική στατιστική χρησιμοποιείται έτσι ώστε εμείς να περιγράψουμε το δείγμα μας και την πληροφορία που έχουμε μαζέψει κάνοντας την έρευνα μας. Αρχικά χρησιμοποιώντας κάποιους στατιστικούς δείχτους όπως είναι ο μέσος όρους, όπως είναι οι διάμετρες, όπως είναι το μέγιστο και το ελάχιστο, αυτά θα τα δούμε στη συνέχεια τι ακριβώς είναι. Και στη συνέχεια άλλος τρόπος για να κάνουμε την περιγραφική στατιστική είναι να κάνουμε την επαγωγική στατιστική. Και αυτά τώρα γιατί σας τα λογείται, ακριβώς έτσι θα τα βρούμε και μέσα στο SPSS, περιγραφική στατιστική να το δούμε descriptive statistics. Ενώ την επαγωγική είναι αυτή που θα εξάγουμε τα συμπεράσματά μας έτσι ώστε στο τέλος να έχουμε το σωστό αποτέλεσμα. Δηλαδή αυτό που είπα πριν ότι από το βήμα μας θα πάρουμε κάποιες συμπεράσματα και θα τα ανάγουμε στον πληθυσμό, αυτό ακριβώς θα κάνουμε με την επαγωγική στατιστική. Και αυτό θα το δούμε στο επόμενο μάθημα, προς το παρόν θα μείνουμε στην περιγραφική στατιστική. Τώρα αυτό που κάνουμε συνήθως είναι να μελετάμε και να εφαρμόζουμε να έχουμε μέσα στο βήμα μας κάποιες μεταβλητές. Τώρα οι μεταβλητές μας μελετάνε ποιοτικά λεωμένα αλλά και ποσοτικά λεωμένα. Αυτά με θεωρούνται με τις μεταβλητές. Ο ερευνητής πάντοτε έχει στο νου του... Ο ερευνητής πάντοτε έχει μία μεταβλητή στο νου του και προσπαθεί συνήθως να δει τη σχέση δύο μεταβλητών. Θέλουμε δηλαδή αν ισχύει το α να δούμε εφόσον ισχύει το α το δεδομένο μας δηλαδή το β επηρεάζεται, δεν επηρεάζεται, κατά πόσο επηρεάζεται. Συνήθως θα έχουμε μία σχέση μεταξύ των μεταβλητών. Αυτό που ελέγχουμε αρχικά είναι η ανεξάρτητη μεταβλητή, οπότε αυτό το ονομάζουμε ανεξάρτητη. Και το β κομμάτι το ονομάζουμε εξαρχημένη. Για παράδειγμα η ηλικία τι σχέση έχει με το ύψος. Μπορούμε να δούμε εδώ πέρα να λέμε ότι ένας άνθρωπος 10 ετών, ένα παιδί 10 χρονών τι ύψος έχει, αν πούμε ένα παιδί 18 χρονών τι ύψος τα έχει. Έχει άμεση σχέση η ηλικία με το ύψος. Και να δούμε πώς ακριβώς διότι η μεταβολή αυτόν τον δομένο χέριος, κάπως έτσι σκεφτείτε να δείτε τι είναι ανεξάρτητη και τι είναι εξαπημένη μεταβλητή. Αυτό βέβαια είναι πολύ εύκολο να το σκεφτεί κανένας με το ύψος που είπα, αλλά σκεφτείτε ότι στις έρευνες που θα κάνετε μπαίνουν αρκετά σύνθετα τα πράγματα, οπότε αυτό εδώ πέρα αρχίζει λίγο και βλέκεται. Πάντως η βασική αρχή είναι να σκεφτείτε. Λίγο έως πολύ, έως πάρα πολύ. Τα ποσοτικά δομένα τα οποία χρησιμοποιήσαμε, τα οποία χρησιμοποιούμε είναι μετρήσιμα. Τα ποσοτικά δομένα τα οποία συνήθως μετράμε είναι βάρος, ύψος, κάποια πολύ βασικά πράγματα. Σκεφτείτε ότι κάποια τέτοια μετρύονται. Όπως επίσης, για να πάω και στον χώρο μας θα το πω έτσι, επίδοση σε εξετάσεις, επίδοση σε κάποια μαθήματα. Τα ποσοτικά είναι αυτά τα οποία δεν μετρυούνται άμασαν, αλλά τα οποία χρησιμοποιούνται. Τα οποία χρησιμοποιούνται είναι τα οποία χρησιμοποιούνται και τα οποία χρησιμοποιούνται και τα οποία χρησιμοποιούνται και τα οποία χρησιμοποιούνται και τα οποία χρησιμοποιούνται. Τα ποσοτικά είναι αυτά τα οποία δεν μετρυούνται άμασαν και θα χωρίζονται σε δύο κατηγορίες κυρίως, τις ονομαστικές και τις ταξινομημένες κατηγορίες. Στα αγγλικά θα τα δούμε σαν νόμινα στις ονομαστικές και τις ταξινομημένες, οι οποίες είναι οι ονομαστικές. Μπορείτε να σκεφτείτε ονομαστικές και τακτικές. Ή τακτικές μπορείτε να το ακούσετε, είτε ταξινομημένες. Το ορμονάλ δεν αλλάζει. Στα ελληνικά μπορούν να χρησιμοποιήσουμε δύο τέσσερις λέξεις. Το ορμονάλ και το ορμονάλ είναι διαδομένα. Να σας βοηθήσω και να πω ότι ονομαστικές είναι κάτι πολύ απλό, άνθρωπος γυναίκα. Πρόματιόν. Πολύ ωραία. Ενώ τακτικές ορμονάλ ή ταξινομημένες μπορεί να είναι κάποιες μεταβλητές, κάποια διαδομένα τα οποία δείχνουν κάποια τάξη. Πρώτος, δεύτερος, τρίτος. Και δείχνουν μία τάξη, μία ταξινόμηση στα δομένα μας. Αυτά έχουμε να κάνουμε με τα ποιοτικά. Τα προσωτικά, να πω και πάλι, μπορεί να είναι είτε συνεχή, όπως είναι ο χρόνος, όπως κυλάει η συνέχεια. Ή μπορεί να είναι διακριτά και να είναι άλλη ένας αριθμός. Για παράδειγμα, πόσα παιδιά έχει μία οικογένεια, πόσους συναδελφούς έχω. Αυτά είναι διακριτά, δηλαδή ένα, δύο, τρία. Ο χρόνος όπως είναι συνεχής και μετράει συνέχεια. Αν θυμόσαστε σε γραφιές παραστάσεις, συνήθως ο χρόνος είναι μια συνεχόμενη γραμμή. Ενώ αν θα παραστήσουμε κάποια ποσοτικά διαδομένα με μία οικογένεια με τρία παιδιά, μία οικογένεια με δύο παιδιά, πόσες οικογένειες έχουν τρία παιδιά, πόσες δύο, πόσες πέντε παιδιά κλπ. Είναι διακριτά, δεν είναι συνεχόμενη γραμμή αυτή εδώ πέρα. Για να πάμε στην επόμενη τώρα. Κυρίως αυτά κάνουμε στην περιγραφική στατεστική λοιπόν, όπου εμείς θέλουμε να περιγράψουμε το δείγμα μας και να χρησιμοποιούμε τα ποιοτικά και τα ποσοτικά δεδομένα για να μπορέσουμε σε συνέχεια να ξεκινήσουμε. Πηγαίνοντας στην περιγραφική στατεστική χρησιμοποιούμε τους στατεστικούς δείκτες. Και εδώ πέρα είναι αυτά που θα ασχοληθούμε σήμερα και αυτό που θα κάνουμε. Για αυτό θα σας πω τους βασικότερους δείκτες που χρησιμοποιούμε στη στατεστική και αυτό που μπορούμε να συζητήσουμε και όλες. Περιγραφική στατεστική λοιπόν. Περιγραφική στατεστική. Βασικά αυτό που θέλουμε να δούμε είναι η κατανομή συχνότητας. Κατανομή της συχνότητας. Εφηβίσουμε στα αγγλικά είναι το frequency. Το F είναι διεθνός αυτοποκαλοχυρωμένος στην κατανομή συχνότητας. Είναι αυτό που λέμε πιο γνωστή μέθοδος. Και λέμε όταν θέλουμε να πούμε ότι το δείγμα μας αποτελείται από 47% γυναίκες και από 3% άντρες. Μια συχνότητα είναι αυτή. Στο SPS θα δούμε στο πρόγραμμα μετά ότι μπορεί αυτή να παρασταθεί με δύο τρόπους. Και υπάρχουν είτε μερτυναγκές. Όπου απλά αναφέρουμε αριθμούς. Εδώ πέρα είναι λίγο ας το πω ξερό το κείμενό μας γιατί έχουμε μόνο αριθμούς μέσα. Και αυτό είναι λίγο κουραστικό ας το πω για το μάτι. Ενώ μπορούμε να κάνουμε μετά γραφήματα. Έτσι ώστε θα δώσουμε και μία άλλη νότα στην παρουσία της ευασίας μας. Όχι ότι οι πίνακες δεν χρειάζονται ή τα γραφήματα δεν χρειάζονται. Σήμερα θα δούμε ότι είναι ένας συνδυασμός πίνακων και γραφημάτων. Τα γραφήματα συνήθως είναι ιστογράμματα ή μπορεί να είναι και χεράβρογράμματα. Λοιπόν αυτή είναι η κατανομήση του μαθητάσματος. Σε συνέχεια άλλους δείκτες είναι οι δείκτες κεντρικής τάσης. Οι δείκτες κεντρικής τάσης. Εδώ πέρα έχουμε να κάνουμε με το πιο γνωστό που το γνωρίζετε δηλαδή το ρηματικό είναι η μέσχυρη. Στα αγγλικά το δούμε σαν μη. Μέσω σώρος δεν ξέρετε πολύ καλά τι είναι. Στα ελληνικά μπορείτε να το δείτε σαν μη όντρο. Μέσω σώρος. Από τις πέντε τιμές μετράμε το άθλησμα, το διαρούμε δια του κλήθος των περιτώσεων, από τις πέντε τιμές το διαρούμε δια του πέντου και βγαίνει μέσω σώρος. Αυτό είναι το πιο αντιπροσωπευτικός δείκτης του δείγματος. Βέβαια όχι ότι μας φανερώνει και μας λέει, μας περιγράφει το δείγμα μας σωστά, μπορούμε να πάρουμε μία ιδέα για το δείγμα που έχουμε. Σε συνέχεια έχουμε τη διάμουσο. Διάμουσος, όπου έχουμε το κέντρο των παρατηρήσων. Δηλαδή, αν έχω 10 τιμές θα βρω το μέσο της τιμής και θα πω ότι είναι το μέσο ακριβώς των τιμών, όχι ο μέσος σώρος. Και αν έχω μια ηλικία από τα 10 μέχρι τα 20 για παράδειγμα, και οι περισσότερες τιμές, το 5% των τιμών μου στο δείγμα μου είναι στα 13 για παράδειγμα, θα πω ότι διάμουσος μου είναι σε εκείνο το σημείο. Δηλαδή, το 5% των δειγμάτων να είναι κάτω από αυτή την τιμή. Αυτό λέγεται διάμουσος. Και στα αγγλικά θα το δούμε σαν median. Και η επόμενη τιμή, η οποία είναι αρκετά και αφείρεται προσωπευτική, είναι η επικρατούσα τιμή. Η οποία στα αγγλικά θα τη δούμε σαν μόντ. Η επικρατούσα τιμή είναι, αν σε ένα δείγμα έχω 15 ανθρώπους, οι οποίοι οι περισσότεροι είναι 12 χρονών για παράδειγμα τα παιδιά 12 χρονών, λέω ότι τα περισσότερα είναι 12, άρα η επικρατούσα τιμή στο δείγμα μου είναι 12. Άλλο ο μεσοζόρος, άλλο η διάμεσος και άλλο και η επικρατούσα τιμή. Αυτά τα τρία μπορούμε και τα τρία να τα εφανίσουμε σε ένα δείγμα, βάζοντας και κρανώντας τα δομένα μέσα. Και έτσι μπορούμε εδώ πέρα να κάνουμε ένα συνδυασμό, έτσι ώστε το τέλος να περιγράψουμε το δείγμα μας πιο σωστά και πιο περιστατωμένα. Αυτό μας ενδιαφέρει. Χρησιμοποιούμε δηλαδή αυτές τις τρεις δείκτες και δικές τάσεις, έτσι ώστε να ξέρουμε πώς ακριβώς είναι διαφρομένο το δείγμα μας. Τώρα, το επόμενο που θα πρέπει να δούμε εδώ πέρα είναι και τα μέτρα της διασποράς. Είπαμε ότι έχουμε ένα δείγμα και θέλουμε να δούμε αυτό το δείγμα πώς κατανέβεται σε μια περιοχή. Έτσι ακριβώς αρχικά κοιτάμε το έμβρος, αισθαντικά range. Βλέπουμε δηλαδή μια ηλικία από ένα δείγμα από τα 20 μέχρι τα 40, το έμβρος είναι η αφαίρεση του μέγιστο από το ελάχιστο. Η διασπορά είναι άλλο, δεν έχει σχέση με τους δείκτες και δικές τάσεις. Όχι, όχι. Δεν έχει σχέση, τη μετράμε διαφορετικά. Από εδώ καταλαβαίνουμε πού θα είναι το δείγμα μας. Δηλαδή μπορεί να είναι εδώ πέρα, οπότε λέμε ότι από εδώ μέχρι εδώ είναι το δείγμα από το 10 στο 20. Το τι θα γίνει ο μέσος όρος, αν αυτά όλα είναι τιμές, μπορεί ο μέσος όρος τελικά να είναι κάπου εδώ. Εδώ όμως βλέπουμε το έμβρος, πώς θα κατανεμηθεί η τιμή μέσα σε εκείνο το σημείο. Εντάξει. Είναι λίγο περίεργο, αλλά σιγά σιγά με τη χρήση θα τα... Λέω, ναι, τα θυμόμαστε. Ναι, δεν είναι κάτι το δύσκολο. Το έμβρος είναι αυτό εδώ πέρα και στη συνέχεια είναι η διασπορά, η διαχείμαση, variance θα το δούμε πρώτα. Αν έχουμε μια μέση τιμή, μετά εδώ πέρα μπορούμε να ερχομυγίσουμε γύρω από τη μέση τιμή, πώς κατανέμονται το δείγμα μας. Και αυτό εδώ πέρα λέγεται variance. Τώρα, με μαθηματικούς τύπους δεν σας βλέπω, γιατί ακριβώς δεν είναι ανάγκη. Αυτό τα κάνουν οι υποδιογιστές, δεν είμαστε σε αυτή τη στιγμή για να κάνουμε με μαθηματικούς τύπους. Αν θέλετε να σχοληθείτε με μαθηματικούς τύπους, είναι κάτι με κανονάκια. Εντάξει, τα οποία λόγω των συμβολισμών θα σας βερδέψουν. Όχι ότι είναι δύσκολα, δεν είναι δύσκολα. Αλλά όταν βλέπουμε δίπτες, εκθέτες, χ, τετράγωνα, ορκυρώματα, κλπ, αφρίσματα, συνήθως αυτό μας αποθεί. Και μετά βέβαια, είπαμε, η μέση τιμή γύρω από τη μέση τιμή, η μέση τιμή η οποία συμβολίζεται είναι αυτή εδώ πέρα. Και η ιδιακή μας γύρω από τη μέση τιμή λέγεται variance. Αλλά και η απόκλυση γύρω από τη μέση τιμή λέγεται standard deviation. Στην ελληνικά είναι η απόκλυση σταθερή απόκλυση γύρω από τη μέση τιμή. Το πόσο απαίχουμε από αυτήν εδώ πέρα, από τη μέση τιμή, κάπως έτσι μπορούμε να καταλάβουμε την τυπική απόκλυση. Όπως υπάρχουν μετά για την διασπορά, μπορούμε να υπολογίσουμε το ελάχιστο και το μέγιστο. Είναι άλλοι δύο δείχτες. Τώρα σκεφτείτε ότι έχουμε ένα δείγμα και θέλουμε να το περιγράψουμε με τους δείχτες της σποράς. Για να καταλάβουμε κάποιος περιττύνος πρόκειται στο βίνο μας, που λέμε ότι το μέγιστο είναι κάπου εδώ, το ελάχιστο είναι κάπου εδώ, εδώ βέβαια είναι σε τρεις διάστασεις, σε δύο διάστασεις, μπορούμε να δούμε κάτι που μελετάμε, το μέγιστο και το ελάχιστο, εδώ μπορούμε να βάλουμε το έυρος, μπορούμε να πούμε την διακύμαση. Το πιο σιωπισμένο είναι, μελετάμε τους βαθμούς, τα μαθησιακά αποτελέζοντα, όπως μπορεί να πει κανένας, σε ένα μάθημα. Και λέμε ότι οι θρητές γράψανε από το 3 μέχρι το 9. Αυτό είναι το έυρος μας. Κατά μέσο όρο οι θρητές γράψανε 7, οπότε έτσι έχουμε το μέσο όρο. Στη συνέχεια λέμε, ένας δύο γράψανε 1 και ένας δύο γράψανε 9, όλοι έχουν μαζευτεί γύρω από το 7. Έτσι δεν έχουμε μεγάλη διακύμαση. Και η διακύμαση απόχρηση είναι σχετικά μικρή, γιατί το δύμα μας είναι κοντά στο 7. Κάπως έτσι θα είναι πρώτα να περιλάψετε ένα δείγμα και να πείτε πώς ακριβώς είναι, πώς μπορεί να περιβαλλαχθεί με τους δείχτες της διασχωράς. Όχι με τους δείχτες που είμαμε πριν. Αυτή εδώ πέρα είναι... Το «χ» περισπομένη είναι της διακύμασης. Όχι, είναι η μέση τιμή. Και το άλλο το «χ» είναι... Το ίδιο πράγμα είναι η βαρειάνση, η απόκληση, η διακύμαση γύρω από τη μέση τιμή. Και εδώ πέρα είναι η τυπική απόκληση πάλι γύρω από τη μέση τιμή. Περίπου τέτοια πράγματα μου γράψα. Έχεις συγχωρήσει και 12. Η μέση τιμή, όχι το βαρειάνση. Η μέση τιμή, τη μέση τιμή έχω γράψει. Ναι, μην πέρασετε, τη μέση τιμή έχω γράψει. Για όλα αυτά σας είπα, υπάρχουν τύποι οι οποίοι τα υπολογίζουν και δεν θα καθίσουμε να τα υπολογίσουμε αυτά, γιατί θα δείτε πόσο εύκολα αυτά εδώ πέρα υπάρχουν. Επίσης, υπάρχουν και κάποιοι άλλοι δείχτες, όπως είναι η τυπική απόκληση του μέσου, στην τυπική απόκληση του μέσου, λέγεται αυτό, συμβολίζεται ΣΕ και μη, τυπική απόκληση της μέσης τιμής. Ωραία. Το οποίο είναι απόκληση κέρα του μέσου σε σχέση με το δίγμα μας. Τώρα αυτό που είσαμε σας μπερδεύει πάρα πάρα, λέγαμε είναι τυπική απόκληση από το μέσο. Το άλλο είναι πάλι τυπική απόκληση από το μέσο. Διακύμαση γύρω από τη μέση τιμή και διακύμαση και τυπική απόκληση πάλι από τη μέση τιμή. Γιατί το κάτω μες στο κυκλάκι και αυτό εδώ πέρα είπαμε, για να μη σας μπερδεύει είναι τυπική απόκληση του μέσου, του ίδιου του μέσου. Οπότε ας βάλουμε μια σβίστρα, κάπου είχαμε μια σβίστρα, να το σβίσω αυτό, να σας μπερδεύει και να σας πω σε μια σελίδα καινούργια. Next, next. Να καθαρίσουμε λίγο έτσι να καθαρίσουμε και εμείς. Υπάρχουν βέβαια και άλλα δύο χαρτηριστικά τα οποία θα έχουμε να κάνουμε με μία γραφική παράσταση. Μπορούμε να το ονομάσουμε κύρτωση και το άλλο που λέγεται ασυμμετρία. Ας πάω την ασυμμετρία πρώτα. Σκούλνες. Ασυμμετρία. Όταν μία γραφική παράσταση είναι συνετρική έτσι ωραία λέμε ότι αυτός εδώ ο δείκτης μπορεί να είναι 0. Όταν αρχίζει και δεν είναι έτσι ο δείκτης αυτός είναι μεγαλύτερος του 0 και όταν είμαστε στο αριστερό κομμάτι αυτός ο δείκτης είναι μικρότερος του 0. Θα το πω και αυτόν και δεν θα ανακατέψω άλλο. Λοιπόν και μετά και η κυρτώτητα όπου έχουμε τις τρεις περιπτώσεις έτσι και ας το πω και αυτό έτσι όταν η κυρτώτητα όταν δεν έχουν κυρτώτητα ο δείκτης αυτός είναι εθετικός όταν έχουν μια κυρτώτητα κανονική αυτό είναι 0 και όταν δεν υπάρχει κυρτώτητα και είναι πιο ευθεία η ραμμή τότε λέμε ότι αυτό είναι μικρότερο του 0. Αυτά τώρα αν εντρυφήσετε ας το πω και στα αγγλικά βέβαια είναι το κύρτωσης. Αυτά σας τα λέω βέβαια γιατί θα τα δούμε στο SPSS και να μπορείτε να έχετε μια εικόνα του τι είναι η κύρτωση και του τι είναι ασημετρία. Προς το παρόν δεν φέρνουμε κάτι από αυτά σε αυτά που θα κάνουμε σήμερα είναι κυρίως όταν θέλουμε να ελέγχουμε δύο δεδομένα δύο διαφορετικούς περιθυσμούς για παράδειγμα και θέλουμε να ξέρουμε πώς πάει η καμπύλη για παράδειγμα με τα μαθήματα. Αν οι φοιτητές έχουν γράψει εδώ ας πούμε ότι έχουμε τον αριθμό 5 για παράδειγμα και οι φοιτητές έχουν αυτή την κατανομή στα αποτελέσματα θα πούμε ότι έχουμε μια συμμετρική γραμμή και ξέρουμε ότι το δήμα μας είναι ομοιόμενο. Κάπως έτσι μπορούμε να το εξηγήσουμε. Αλλά αυτά βέβαια είναι μετά και το πως αν θα πρέπει οπωσδήποτε να χρησιμοποιήσετε την ασημετρία ή την κυρτώτητα του δήματος. Πως το παρόν αυτά απλά σας θα δείχνουν σαν ζωγραφιές και στην χρήση θα τα δούμε αργότερα. Λοιπόν, αυτά για τους στατιστικούς δείχτες. Λοιπόν, αυτό που θα κάνουμε τώρα είναι ότι θα ανοίξουμε το SPSS εδώ πέρα και θα καθίσουμε σε υπολογιστές και θα κάνουμε μια σκέψη. Το Unicode δεν μας ενδιαφέρει έτσι. Α, Unicode θα χρησιμοποιήσουμε. Η πρώτη ερώτηση είναι use Unicode. Λοιπόν, ανοίγουμε το Unicode και θα χρησιμοποιήσουμε. Καλησπέρα. Καλά είσαι. Καλό είμαι. Καλό είμαι. Ωραία. Τώρα κοιτάμε τη βασική οθόνη του SPSS. Αυτό εδώ πέρα είναι που δείχνει και στο βιογραφί. Μας ρωτάει τι θέλετε να κάνετε. Αρχικά υπάρχει δυνατότητα να φρέξουμε το κειτόριο όπως λέγεται. Ή να πάρουμε και το ίδιο εργομένα ή να πάρουμε μια ίδια έργα να ξεκινήσουμε να την κάνουμε ή θα ξεκινήσουμε να κάνουμε ένα και το ίδιο ερώτημα χρησιμοποιώντας το wizard που έχει μέσα. Μπορούμε, βέβαια, αυτό να το απενεργοποιήσουμε. Να μην το ξανανοίξει αυτό στο memory. Μπορεί να το ξανανοίξει, αλλά θα το πάρουμε, το χρειαζόμαστε και έτσι το κοιτάμε. Αν θέλουμε να ανοίξουμε κάποια φορά και ένα αρχείο το οποίο έχουμε στο σχεδόμα μας στο μέσα, Open Existing Data Source, ή διαφορετικά ένα διαφορετικό αρχείο το οποίο μπορεί να ανοίξει εδώ. Αν θέλουμε να βάλουμε το Excel ποιο πατάμε. Πρέπει να κάνουμε εισαγωγή των δεδομένων και εκεί πρέπει να δούμε πώς θα γίνει η εισαγωγή των δεδομένων. Δεν είναι τόσο απλό, αλλά δεν είναι τόσο εύκολο. Ακεί βέβαια να είναι το Excel και να το καταλάβετε. Αυτό μπορώ να το δω και στη συνέχεια. Να βρω κάποιον και αν δεν μπορώ να το κάνω. Συνήθως εδώ πέρα τώρα αυτό που θα κάνουμε είναι θα κάνουμε type data και ερχόμαστε στη βασικότερη οθόνη. Το μεγιστοποιούμε αυτό. Αυτό έτσι πως είναι θα σας θυμίσει το Excel. Είναι ένα λογιστικό φύλλο, ας το πω έτσι, το οποίο όπως βλέπετε έχει κελιά, έχει γραμμές και έχει στήλες. Τώρα σε σχέση με το Excel είναι όπως θα λέγαμε του βαρισμένου. Δηλαδή αυτά που γράφουμε συνήθως στο Excel πάνω, αυτά που γράφουμε εδώ πέρα στο Excel, αυτά που γράφουμε συνήθως θα γράφουμε οριζόδια και αυτά που γράφουμε οριζόδια θα γράφουμε πάνω. Όχι ότι αυτό δεν αλλάζει και εδώ πέρα μας δίνει τη δυνατότητα να κάνουμε αυτήν την μετάθεση. Μπορεί να το κάνει το SSH για μας, προς το παρόνομος έτσι θα πάρουμε δομένα. Πάνω είναι, αυτό που θα κάνουμε είναι μεταβλητές οι οποίες θέλουμε να χρησιμοποιήσουμε. Θα κάνουμε ένα παράδειγμα στο οποίο αρχικά θα περάσουμε, θα δημιουργήσουμε την πρώτη μας μεταβλητή. Θα την ορίσουμε και εδώ πέρα βλέπετε δύο φύλλα ας το πω. Το ένα λέει data view και το άλλο λέει variable view. Μοιάζει πάλι με αυτό που είχαμε συνηθίσει στο Excel. Είναι αυτό το μεγεστικό φύλλο που βλέπουμε στο Excel, στο variable view θα το πατήσουμε, είναι η σχεδίαση που μπορούμε να κάνουμε στο μεγεστικό φύλλο έτσι ώστε να τεράσουμε τα δεδομένα. Πατάμε λοιπόν variable view και ξεκινάμε. Αυτό που θέλουμε να κάνουμε είναι αρχικά να βάλουμε την πρώτη μας μεταβλητή την οποία κάνοντας κλικ εδώ που λέει name, ένα εδώ πέρα, θα βάλουμε τη λέξη στα μυρικά gender, δηλαδή φύλλο. Αυτό εδώ πέρα τώρα είπαμε, μπορούμε να το αφήσουμε το numeric όπως το λέει ένα δύο και μπορούμε να ζητήσουμε εδώ πέρα ανάλογα το τι είδους μεταβλητή είναι, μπορούμε να πατήσουμε και να δούμε τι μπορούμε να βάλουμε. Στο type λοιπόν, αν πατήσουμε αυτό που έχει εκείνο το κομματέξι στα δεξιά, δηλαδή αυτό εδώ πέρα ο τύπος της μεταβλητής μπορεί να μεραστεί στο SPSS. Αυτό που έχουμε εδώ πέρα μπορούμε να το αφήσουμε numeric, δηλαδή αν θέλουμε να κάνουμε κάτι σταδιαστικά μπορούμε να το αφήσουμε numeric, αν και δεν είναι αριθμός το φύλλο, ωστόσο μπορούμε να το βάλουμε και numeric, δεν θα μας χαλέσει πάρα πολύ κάποια πράγματα, κάποιες, ειδικά αν ξέρουμε τι κάνουμε, αν δεν ξέρουμε τι κάνουμε θα μας το χαλέσει. Και μπορούμε ωστόσο να πούμε ότι τα δεδομένα τα οποία θα περνάμε είναι στριβή, δηλαδή μία αριθμική σειρά. Συνήθως αυτό διαλέγουμε όταν έχουμε να βάλουμε δεδομένα, τα οποία γράφουν και κάτι. Εδώ πέρα θα γράψουμε άνδρες γυναίκα, οπότε το χρησιμοποιούμε αυτό. Αυτώματα, οι χαρακτήρες έχουν εξαφανιστεί, έχω κάνει αυτό που έλεγε τα δέσιμα τέσσερις, γιατί δεν είναι ανοιγμένο, και οι χαρακτήρες είναι οχτώ. Αυτό το οχτώ δεσμεύει τόσες στήλες, ας το πω έτσι, στην μνήμη του υποταγιστή και ξέρει πόσο μεγάλο ποιο θα βγει. Εδώ μπορούμε να διαλέξουμε και μεγαλύτερο από το οχτώ βέβαια, αλλά σύντομα διαλέγουμε το πιο μικρό, αυτό που ταιριάζει στα δεδομένα, μας έτσι ώστε το αρχείο που θα προκύψει να είναι σ σε χίλιας εγγραφές και οι οποίες είναι πολύ μεγάλες και πάρα πολλές μετανοητές, το αρχείο αρχίζει και διωγώνει. Το οχτώ είναι πόσα γράμματα χωράει η κορυφή του? Ναι, είναι η χαρακτήρια. Όπως επίσης μπορούμε να κάνουμε εδώ πέρα θα δείτε ότι αυτά που συνοποιούμε κυρίως είναι τα νούμερα και το αντιφανιθυντικό, το στρίγμα στον κόσμο. Μπορούμε να βάλουμε η ημερομηνία, μπορούμε να βάλουμε πάλι κάποιους αριθμούς, κάποια επιστημονική μορφή, η ημερομηνία που μπορούμε να διαλέξουμε και ότι μορφή θα είναι, είναι μία με δολάριο, μία μορφή δολαρίου, κάθε αριθμός μπορούμε να βάλουμε κάποιο νόμισμα το οποίο εμείς θα διαλέξουμε ποιο θα είναι αυτό και ξαναγυρνάμε στο στρίγμα. Εντάξει. Λοιπόν, παντώντας OK, αυτό όμως έχει πάρει τον τύπο της μανταλητής εδώ, εδώ πέρα λέμε του White το μέγεθος της στήλης που το γραμμάτο του θα απασχολήσει αυτό εδώ πέρα, decimals 0, δευτερεζόμαστε δεκαδικά ψηφία και εδώ τώρα αυτό το λέμε, τι κάνουμε, εδώ πέρα μπορούμε, η ευκολία για μας όταν περνάμε το 1, αντί να γράφουμε άνδρας, γυναίκα, άνδρας, γυναίκα, μπορούμε να του πούμε, η τιμή μας είναι 1, 2, 3, 4 για παράδειγμα, εδώ πέρα στο παράδειγμα είναι 1, 2 και μπορούμε να πούμε ότι το 1 είναι ο άνδρας, το 2 είναι η γυναίκα. Ή αντίστοιχα όπως θέλουμε. Κάντες διπλό κλικ εδώ. Συγγνώμη αυτός το βάλεις, συγγνώμη. Το label είναι το πώς το εφαρμόζει, στο, στο, τι είδους στάνει με τα πρωτοί μας. Εντάξει, αυτό είναι τώρα στο βάλεις, συγγνώμη. Ναι, γιατί ανοίγει η παράδειγμα. Το label είναι αυτό το οποίο θα φαίνεται όταν θα ζητήσουμε από το SPSS να μας κάνει μία έκθεση, το δεδομένο μας, τι θα γράφει εκεί πέρα. Να μην γράφει gender για παράδειγμα, μπορεί να το θέλουμε στα ελληνικά ή μπορεί να το θέλουμε τη διαφορετικά. Μπορεί η μεταβλητή μας να έχει αριθμό, να λέμε μεταβλητή 1, μεταβλητή 2, μεταβλητή 3, αλλά στο label εμείς θέλουμε να πούμε ότι εδώ πέρα είναι το φύλλο του ερωτόμενου για παράδειγμα και μπορούμε να πούμε το φύλλο. Θα το γράψω στα ελληνικά. Το label βγαίνει και στο 10, 2 μετά ή όχι? Ναι, ναι, βγαίνει και στο 10, 2 μετά. Παρασέχεται και στο επόμενο. Εν τώρα έχουμε το values, το values είναι αυτό τώρα που σας είπα το 1, 2. Πατώντας εδώ, αυτό είναι για να διαφορετεί τη δικιά μας δουλειά και λέμε ότι η τιμή 1 αντιπροσωπεύει στον άνθρωπο και κάνουμε το προσθήκη. Άνθρωπο. Η τιμή 2 είναι η τιμή γυναίκα. Πρέπει να το προσθέσουμε. Δεν σημαίνει ότι επειδή το γράφουμε εδώ πέρα δεν έχει προσθεθεί. Πρέπει να ξέρει ο πολυγιστής εδώ πέρα κάτω ποια αυτά τα δομένα. Αυτό επίσης δεν μας απαγορεύει να βάζουμε τα δικά μας δομένα άσχετα με το 1, 2, αλλά αυτό το κάνουμε γιατί κάτι μας εύκολο, για να λέμε 1, 2, 1, 2, 1, 2, να μην καθόμαστε να γράφουμε άνθρωες γυναίκες. Δεν θα γράψουμε αγουράκια κοριτσάκια. Πατώντας το κέρι έχει πάρει πλέον τις τιμές που εδώ θα ζητήσουμε. Και εδώ πέρα τώρα είναι το music. Πολλές φορές στα τραπτωματογλώγια είπαν, αλλά υπάρχει ένα θέμα με τις ακούσες τιμές όπως λέμε. Αυτά είναι το music. Πολλές φορές ο ερχόμενος δεν θέλει να απαντήσει και εμείς καλούμαστε τώρα να αποφασίσουμε εδώ πέρα τι θα κάνουμε με τις ακούσες τιμές. Μπορούμε να πούμε ότι εγώ στο δήμαμό δεν θέλω να έχω ακούσες τιμές. Θέλω οπωσδήποτε να έχω όλες τις τιμές βραμμένες. Και έτσι μας αναγκάζει κατά κάποιο τρόπο να βάλουμε τιμή σε αυτό το πεδίο. Ή εδώ πέρα, αν θέλουμε να τις διώξουμε τις τιμές, μπορούμε να ζητήσουμε κάποια πράγματα από τις ακούσες τιμές να απουσιάζουν. Δηλαδή κάποια πράγματα μπορούμε να κάνουμε ή να γράφει κάποια άλλα πράγματα στις ακούσες τιμές. Για παράδειγμα, αν είναι κάποια ερώτηση η οποία μπορεί στο ρετροπροτολόγιο μας να μην είναι μεγάλη σημασίας, μπορούμε να υπάρχει πάντα το ναι. Ξεχωρώ ότι στις ακούσες τιμές να θεωρείτε ότι έχουμε ή το νέο ή το όχι ή κάτι άλλο που εμείς μπορούμε και αυτό να το αγρίσουμε. Εδώ, εφόσον το δείγμα μας είναι η άντρας ή η γυναίκα, θέλουμε να μην έχουμε ακούσες τιμές, οπότε λέμε «no missing values» και του λέμε «ok». Το χώρο μας το είδαμε και πριν περίπου το ίδιο με το «byte» και το γαλά είναι η στίγηση που θέλουμε να έχει. Εντάξει, όταν το γράφουμε μέσα στο κελί. Σε συνέχεια, το «measure» είναι το τι μεταβλητή θα είναι. Επειδή εδώ γράψαμε ότι είναι «string», δηλαδή αλφαριθμητικό, ο υπολογιστής δεν μπορεί να έχει κλίμακα σαν το 1, 2, 3, αλλά θα το βάζει ονομαστικό. Κατάλαβε δηλαδή ο υπολογιστής ότι είναι ονομαστικό. Αν θέλουμε να επιλέξουμε διαφορετική περίπτωση, επειδή όπως έχουμε να κάνουμε αλφαριθμητικό, μπορεί να είναι δίκτακτοιπό, δηλαδή 1, 2, 3. Εδώ πέρα όπως έχουμε άνδρας-γυναίκα, το οποίο είναι ονομαστικό. Δεν θα βγάλουμε μέσο όρο από αυτό, δεν θα πούμε ότι πρώτα είναι η γυναίκα, μετά είναι ο άνδρας, δεν θα πούμε ότι πρώτα είναι ο άνδρας, μετά είναι η γυναίκα. Και έτσι λέμε ότι είναι μια κλίμακα ονομαστική και μένουμε στο νόμιλα. Το input δεν το πειράζουμε, ίδιο ότι θα βάζουμε να το κάνουμε εμείς εδώ. Καταχωρήσαμε, λοιπόν, την πρώτη φοραβητή. Και τώρα πάμε στο data view. Ωραία. Και έχουμε πλέον gender. Και λέμε από πάνω είναι ο τίτλος που θα το δώσει. Ωραία. Και πάμε στο πρώτο κελί αριστερά και θα πατήσουμε, να βάλουμε τα πρώτα μας ονομαϊκόρα, θα πατήσουμε το 1. Και πατήστε 1. Μέσα, μέσα. Είναι με τις χωρές που δεν το θέλει. Δεν θέλει το 2. Δεν έχω κάνει τίποτα. Μετά την διακοπή θα ξεκινήσουμε, αφού το κάναμε όλοι τέλος πάντων, θα ξεκινήσουμε να κάνουμε την εισαγωγή των δοδομένων. Ας μην φτάνετε το άνδρας γυναίκα, τουλάχιστον σε αυτήν την εκδοσία του SPSS, θα γράφουμε 1, θα γράφουμε άνδρας, θα γράφουμε 2, θα γράφουμε γυναίκα. Λοιπόν, μπορούμε να πούμε ακριβώς 1, 2, 1, 2, 1, να βάλουμε 10 τιμές τουλάχιστον. 1 και 10, 1 και 10, να βάλουμε ένα από κάτω και 2 και 1. 1 και 10, 1 και 10, 1 και 10, 1 και 10, 1 και 10, 1 και 10. 1 και 10, 1 και 10, 1 και 10. 1 και 10, 1 και 10, 1 και 10. 1 και 10, 1 και 10, 1 και 10. 1 και 10, 1 και 10, 1 και 10, 1 και 10, 1 και 10. Πήραμε δηλαδή 10 άτομα και στη συνέχεια μπορούμε αυτά τα 10 άτομα να ξεκινήσουμε να κάνουμε την περιγραφική μας στατιστική, τι ακριβώς είναι αυτή η περιγραφική στατιστική που λέγαμε πριν. Πάμε. Εδώ, όπου θέλατε και να πατήσετε μέσα στο φύλλο εργασίας, δεν συμβαίνει κάτι, γιατί ακριβώς στη συνέχεια θα καθορίσουμε τον τρόπο που θα δουλέψουμε. Και έτσι πάμε στο analyze, που είναι ένα από τα μελούτα που χρησιμοποιήσατε πάρα πολύ. Και εδώ είναι το descriptive statistics, περιγραφική στατιστική λοιπόν. Και θα πάμε στο frequency, στο product. Εδώ πέρα τώρα, βγαίνει ένα πίνακα και μας δίνει εδώ στο αριστερό μέρος του πίνακα τις διαθέσιμες μεταβλητές που έχει το φύλλο μέσα. Βλέπω ότι όπου και να πατήσουμε δεν έχει νόημα, αλλά είναι περιβάλλον. Δηλαδή όπου θα πατήσουμε μέσα στο φύλλο εργασίας. Εμείς θα του πούμε ότι θέλουμε να κάνει ανάληση των συχνοτήτων της μεταβλητής. Θα πρέπει οπωσδήποτε να το πατήσουμε, έτσι ώστε αυτοί οι μεταβλητές να έχουν εδώ, αυτοί οι μεταβλητές να έχουν εδώ, να πάει στο δεξιό κομμάτι, και να ξεκινήσουμε την μελή διαδικασία. Πατώντας πολύ απλά το OK, θα μας δώσει ό,τι είναι προεπλεγμένο για τους PSS. Αυτή τη στιγμή θα το πατήσουμε, γιατί δεν μας ενδιαφέρει κάτι άλλο. Και λοιπόν βγαίνει ένα άλλο παράθυρο πλέον, όπου εδώ πέρα θα παίρνουμε τα δεδομένα μας, τις αναλύσεις και τι έχουμε κάνει. Λοιπόν, ο υπολογιστής αυτή τη στιγμή, το PSS, μας λέει ότι πήρε τη μεταβλητή gender, οι όρτες ήταν αναλύσεις, δηλαδή του ζητήσαμε να κάνει αναλύση, και ζητάμε εδώ πέρα να γίνει αναλύση συχνοτήτων, το frequency. Μπορείτε να το βράσετε, τώρα. Αυτό το frequency στο γαλαχομό, εμείς μόνο κέντραξαμε. Αυτό εδώ πέρα έγινε απευθείας. Γιατί μπορεί να βγάλει και τίποτα άλλο. Μπορεί να βγάλει και άλλα. Και άλλα πράγματα στην ανάλυση. Αυτό, δεν μιλήσω. Άλλους δείχτες, αν μπορεί να βγάλει κάτι άλλο. Ναι, στο statics, θα ξαναπάμε. Τώρα, αυτό εδώ πέρα βλέπετε ότι έχει δύο παράθυρα, που είναι χωρισμένο αριστερά δεξιά. Αν θέλουμε να το βγαίνει κάτι πολύ, θα το κάνουμε. Αλλά δεν πειράζει, μπορείτε να το μικρύνετε αυτό το χώρο για να κρατήσετε αυτό. Λοιπόν, πάμε παρακάτω και λένε, συχνότητες λοιπόν. statistics μας λέει, τι αρχίζει και αναλύει την μεταβλητή μας. Λέει ότι έχουμε 10 τιμές, οι οποίες είναι S unit. Και δεν έχουμε καμία ούσα. Στη συνέχεια, μας λέει ότι η μεταβλητή gender, και εδώ πέρα μπήκε το άνδρας-γυναίκα από το 1-2 που κριτρολογούσαμε εμείς, και μπήκε άνδρας-γυναίκα, και λέει ότι έχουμε κανονικές μεταβλητές, οι οποίες είναι, ο άνδρας υπάρχει 7 φορές στο δείγμα μας, η γυναίκα υπάρχει 3 φορές στο δείγμα μας, τουλάχιστον σαν το που πατήσαμε με την Τερέζα, άρα ο σύνολος είναι 10 τιμές, 7,3-10. Τώρα, το ποσοστό επί της 100% είναι 70% άνδρας, 30% γυναίκα, το σύνολό γίνεται το 4-2 εδώ πέρα. Τώρα, το ποσοστό το οποίο υπάρχει εδώ πέρα, πάλι είναι valid percent και είναι 70-39. Αυτό είναι το ίδιο με αυτό. Επειδή ακριβώς εδώ, έχουμε 10 ασυόπιστα δραστησμού, έχουμε κανονικές μεταβλητές, οι οποίες έχουν καταχωρηθεί. Αν είχαμε κάποια missing, μπορεί εδώ πέρα να εμφανιζόταν διαφορετικά το αποτελέσματα ανάλογα του τι θέλαμε να αποφασίσουμε. Τι θα γίνει με τις απούσες τιμές. Είναι όπως σας είχα πει πριν, ότι εμείς μπορεί να ενέχουμε ότι όπου έχουμε απούσες τιμές, βάλει ότι είναι άνδρας. Και να το προσμετρήσει έτσι. Αυτά είναι θέμα απόφασης όταν επεξανασχόμαστε το ερωτηματοβλόγιο και όχι τώρα να πάμε και δεν είναι τις παρούσεις. Αλλά, κοιτάμε, 10, ωραία, 10 τιμές έχει πάρει η μεταβλητή μας, 10 πέρα. Αυτό που ίσως το βλέπετε για πρώτη φορά είναι το αθροιστικό ποσοστό, το οποίο είναι 70% είναι η πρώτη μεταβλητή, προσθέτουμε το 30 που είναι αυτή και βγαίνει 100%. Και έτσι λέμε το αθροιστικό ποσοστό της μεταβλητής μας. Είναι λίγο περίεργο έτσι όπως το δείχνει, αλλά θα δεχθεί εδώ πέρα να είχαμε 3-4 πιθανότητες, δηλαδή στις κλίμακες Λίκερντ, για παράδειγμα που έχουμε καλά, πολύ καλά, άσχημα, ξεκινάμε από, για παράδειγμα, μια τακτική σειρά των δεδομένων μας και λέμε ότι έχω αρνητική γνώμη, έχω πολύ αρνητική γνώμη. Οπότε, μετρώντας από το πολύ αρνητική στο αρνητικό, μπορούμε να δούμε το αθροιστικό ποσοστό και να πούμε ότι οι δύο πρώτες τιμές είχαν το 70% που να απαντήσουν, για παράδειγμα. Και μπορεί, έτσι, να χρησιμοποιηθεί αυτό το αθροιστικό ποσοστό, το οποίο βλέπετε εδώ πέρα στο πινακάκι εδώ. Έτσι, λοιπόν, με όλα αυτά εδώ που βλέπετε, παρουσιάσατε την πρώτη σας μταρμητήρια, η οποία είναι το δύο μας, για παράδειγμα, και λέμε είχαμε 10 τιμές, 10 κανονικές τιμές, οι οποίες είναι εδώ. Εδώ, όπως ήταν το εξέλιγμα, για παράδειγμα, παλιά, έτσι, ακριβώς, ισχύει και αυτό. Όταν κάνουμε κλικ εδώ πάνω, μπορώ να κάνω κλικ-κοντρολ-C ή να πατήσω edit και να κάνω copy, έτσι ώστε αυτό εδώ πέρα το πινακάκι, να μπορώ να ζητήσω να το βάλω σε ένα Word. Εντάξει. Και έτσι παίρνω το πινακάκι, το οποίο δημιούργησα από το SPSS και μπορώ να το περάσω μέσα σε ένα QWord. Το οποίο, στο Word βέβαια, γίνονται όλες οι αλληγίες που μπορούν να κάνουν, χρώματα, περιγράμματα και τα σχετικά, αλλά δεν μπορούμε να επέμπαιμμα στα εδομένα όμως, κατά τα πραγματικά της. Εδώ βέβαια, εδώ μπορούμε να κάνουμε διπλό κλικ και να αρχίσουμε να επεμβαίνουμε στο πώς θα μπορέσουμε να δείξουμε αυτό το πινακάκι συγκεντρωτικά. Με διπλό κλικ. Συνήθως για να σπώνουμε αλήθεια δεν θα μπορούμε να πειράζουμε αυτά, κι αν θα δείτε και paper τα οποία δημοσιεύονται γενικότερα, σπάνια κάποιος έχει πειράξει χρώματα, γραμματοσυρές και τα λοιπά, εκτός βέβαια αν έχει ένα μεγάλο πίνακα και πρέπει να μικρύνει τις γραμματοσυρές και θέλουμε να του εμφανίσουμε αυτό διαφορετικά. Για να κάνουμε διαγράμματα, γραφήματα. Στα γραφήματα θα το χρησιμοποιήσουμε. Σε πινακάκια έτσι δεν το χρησιμοποιούμε πάρα πολύ. Μπορούμε να κάνουμε ένα ραβόγραφο. Ναι. Τώρα κάνουμε. Εδώ μας έχει βάλει και το toolbar για τις γραμματοσυρές και τα λοιπά. Δηλαδή, άντε, ας κάνουμε μια γραμματοσυρή. Κάνουμε δεκάρια, δε θέλουμε δεκάρια. Κάνουμε δεκαοκοτάρια. Το gender με βάλωσε και είναι δεκαοκοτάρια. Έτσι λέμε το. Κλείνουμε και αυτό εδώ πέρα. Και έτσι έχουμε την πρώτη μετανοτή από αυτές εδώ. Τώρα, μπορούμε πάλι στο συγκεκριμένο μεταβλητή. Μπορούμε να πάμε στο ίδιο μέρος πάλι. Χωρίς να επιστρέψουμε στο φύλλο δεδομένων. Αλλά μπορούμε να πάμε πάλι στο αν αλλάηση. Στην περιγραφική στατιστική. Και μπορούμε να ζητήσουμε έναν... Στην περιγραφική στατιστική στιγμότητες. Όπου πατώντας εδώ που λέει statistics. Μπορώ να ρεζητήσω εδώ πέρα. Κάποιους στατιστικούς δείχτες. Και επειδή αυτή τη στιγμή δεν έχουμε ποσοτικό δεδομένο. Αυτά εδώ πέρα δεν είναι τίποτα. Καταλαβαίνει και μας κάνει και τα έχει τσεκαρισμένα ειδικά για τις ποσοτικές δεδομένες. Και κοιτάξτε τι ακριβώς το πράγματος είναι. Αυτά που σας είπα όλα πριν είναι όλα εδώ πέρα σαν να μην ακάτει. Δηλαδή κάτω είναι η κύρτωση και η συμβουλία. Standard deviation, minimum maximum. Η απόκλειση του μέσου, το ευρώς. Η απόκλειση, άθλισμα, κρατούσα τιμή, διάμεσος, μέση τιμή. Και όλα αυτά μπορούν να μπούν απευθείας. Με τα κουάρτα ή τα τιμόρια δεν σας έπαιξε. Επειδή δεν είδαμε ότι εδώ πέρα χαθήκαμε τα προηγούμενα. Θα τα δούμε όμως και αυτά στην επόμενη φάση των μαθήματος. Κάναμε λοιπόν το πρώτο μας κομμάτι. Μπορούμε εδώ πέρα τώρα, σε αυτό το σημείο, να ζητήσουμε και να γίνει και μια γραφική παράσταση. Η γραφική παράσταση είναι από το graph. Και για να μην καθόμαστε και οι κανόνες chart builder για να κάνουμε το γράφημά μας από την αρχή, μπορούμε να ζητήσουμε κάποιο έτοιμο από αυτά που υπάρχει. Έτσι λοιπόν, αυτά τα οποία μας ενδιαφέρουν για παράδειγμα είναι τα bars. Και πάλι εδώ πατάμε το Siebel για παράδειγμα. Και εδώ πέρα μας ρωτάει πώς θα ήρθετες να εμφανίζονται οι μεταλλουτές. Μπορώ να πω, πατώνε στο μεταλλουτή εδώ πέρα, να πάει στον άξονα το X. Μόνο αυτό έχουμε, δηλαδή έχουμε περιπτώσεις άλλας γυναίκα και να μεταφερθούν στον άξονα το X. Θα παρατηρήσετε ότι όταν διαλέγετε μεταλλουτές τις οποίες τις έχετε ονομάσει αριθμούς, το ίδε Ζμέρι, είτε, τώρα εμείς την έχουμε ονομάσει μονομαστική, και δεν είναι αριθμητική αλλά είναι string. Έτσι κάποια πράγματα δεν μας αφήνει ο υπολογιστής να πάρουμε την μεταλλουτή και να την φέρουμε εδώ πέρα. Και μερικά από τα κουμπάκια όταν θα προσπαθείς να κάνεις κάποια γραφήματα, μερικές φορές δεν γίνονται, το OK δεν είναι έτοιμο. Αυτό για τον λόγο ότι δεν έχουμε ορίσει σωστά εμείς την μεταλλουτή και θέλουμε να πάρουμε ένα γράφημα από μια μεταλλουτή που δεν μπορεί να δώσει έτοιμο γράφημα. Κανιά φορά, δηλαδή, όταν δεν είναι το OK έτοιμο να πατηθεί, τότε θα αναρωτηθείτε κάτι όταν έχει γίνει με τη μεταλλουτή μου δεν μπορεί να γίνει γράφημα και έτσι δεν μπορώ για παράδειγμα να την εμφανίσω. Όταν όμως το OK έχει εμφανιστεί σωστά, έχει εμφανιστεί καλά και μπορώ να το πατήσω, σημαίνει ότι μπορώ να κάνω το γράφημα στο δίγο μας. Το ίδιο γίνεται και στις μεταλλουτές βέβαια. Πολλές φορές το ίδιο υπηρεσμένος λέει ότι ξέρεις από αυτή την μεταλλουτή δεν μπορείς να κάνεις αυτό το γράφημα και να το αποτρέπεις ευθείας. Εδώ πέρα τώρα, η μεταλλουτή αυτόματα πήρε τον αριθμό των περιπτώσεων κάμων, μέτρησε πόσες περιπτώσεις είχαν εδώ από άντρες και μέτρησε πόσες περιπτώσεις είχαν από γυναίκες και αυτόματα μας έκανε το γραφηματάκι αυτό εδώ πέρα. Είναι τόσο αυτό το γραφηματάκι που δεν χρειάζεται κάποια εξήγηση. Ωστόσο όλα αυτά εδώ πέρα όπως τα βλέπετε μπορείτε να τα πάρετε με copy και να τα βάλετε μέσα στο κείμενο της εργασίας. Τώρα, εδώ πέρα σε αυτό το γραφηματάκι, μπαίνοντας εδώ με κλικ, με δεικνό κλικ, αρχίζουμε και μπορούμε να έχουμε κάποιες συμπορκοποιήσεις. Είναι το chart size εδώ πέρα, ο practice. Λοιπόν, μπορώ να ρίξω το ύψος και το πλάτο στους σκυλών. Όπως επίσης εδώ πέρα όταν ανάβει αυτή η κλειζαρισμένη άστοκο περιοχή σημαίνει ότι αυτός είναι ο editor του γραφήματός μας και μπορώ εδώ πέρα να πω και να κάνω τις αλλαγές του εργασίας. Μπορώ να κάνω... Τώρα έχω μακάρει αυτό εδώ και μπορώ να ζητήσω fill και border για παράλληλα... Όλα όταν γίνεται κάτι μπορεί να ανεβεί. Λοιπόν για τελικό, εγώ μορφωποίησα λίγο τις μπάρες αυτές από αυτό που είδε το χρωματάκι, το άστοκο. Μπορείς να βάλεις χρωματάκι και... Α, τελείωσε, δεν μπορείς να βάλεις τρεις. Κάπου... Περίμενε κάπου να πατηθεί ένα OK. Τώρα ήταν πίσω από το ταμενό. Δεν μπορούμε την κάθε μπάρα να δώσουμε διαφορετικό χρώμα. Μπέσ' στην μπάρα. Κάνε ένα ticker εδώ. Και fill και... Μπορείς να αλλάξεις και τη σειρά. Να αλλάξω κάθε έξω. Μπορούμε να αλλάξουμε τη σειρά άνθρωποι, γυναίκες, γυναίκες και εγώ και το καθεξής. Προς το παρόν αυτά μας χρειάζονται εδώ πέρα. Το λέμε OK και είναι αυτό εδώ πέρα. Μπορούμε επίσης, γιατί είναι λίγο από τα γραφήματα. Λέγερσε που είπαμε το bar. Αυτό που έχουμε κάνει τώρα προβλημαρία εδώ πέρα. Μπορούμε να το πούμε define. Και στη συνέχεια, αντί να πούμε το άθεσμα των περιπτώσεων, μπορούμε να πούμε το ποσοστό των περιπτώσεων. Και έτσι, του λέμε OK. Και βγαίνει το επόμενο γραφηματάκι. Και έτσι, έχουμε εδώ πέρα αριστερά ποσοστό και όχι αριθμούς. Τώρα, επειδή έχουμε 10 δεβαμένα, είναι πολύ εύκολο να εννοηθεί ότι το 7 είναι και 70% και το 3 είναι 30%. Για περιπτώσεις όμως διαφορετικές, φανταστείτε ότι αυτό εδώ πέρα είναι κάτι άλλο. Δεν ξέρω. Το άλλο που μας πάει να ανοίξουμε λίγο πάλι το γράφος, πάλι το λυκασίδι, πάλι το bar, πάλι το chime. Αυτό δεν μπορώ. Το βάλεις έξω. Εδώ να το φέρω τι γίνεται. Επειδή είναι κάτι που πρέπει να συνδυαστεί, πρέπει να συνδυαστεί με κάποια άλλη. Μόνο που δεν το παίρνει. Έχουν μόνο μία. Και από εδώ όταν το OK δεν είναι, καταλαβαίνουμε ότι αυτό δεν γίνεται. Δεν ξέρω. Κανονικά δεν θα έρθει κάτι να γίνεται. Το OK είναι ο τελικός δείχτης συνήθως που ξέρουμε αν πάμε να το κάνουμε σωστά ή κάτι που δεν κάνουμε σωστό. Αυτά εδώ πέρα έχουμε στους εμείς με την πρώτη μας μεταβλητή. Ξαναγερνάμε τώρα στις μεταβλητές εδώ πέρα. Πάμε στο variable view και θα κάνουμε μία δεύτερη μεταβλητή, η οποία θα το βάζουμε την ηλικία. Λοιπόν, στο h βάζουμε αυθεντικό, το y δύο decimal, ας μην βάλουμε κανένα, μηδέν. Και εδώ πέρα θα ράψουμε τη λέξη ηλικία στο label. Values δεν θα βάλουμε, γιατί πλέον είναι αριθμή. Και εδώ πλέον μας ανοίγει στο measure πλέον, θα δείτε ως ειδάπλου τρία πλέον, τρεις επιλογές, ενώ προμορφώνουμε δύο. Διακριπός βάζουμε ότι η μεταβλητή μας είναι αριθμός, μπορούμε να επιλέξουμε και κάτι επιπλέον. Θα διαλέξουμε το scale γιατί είναι μία κλίμακα. Κλίμακα 1, 2, 3, 5, 10 και τα λοιπά. Έτσι θα τα ως scale. Έχω ορίσει τη δεύτερη μου μεταβλητή και πηγαίνω στο data πλέον. Και δίπλα από το age, την ηλικία, δίπλα από το gender, ας βάλουμε κάποιες ηλικίες. Να ξεκινήσουμε η πρώτη 20, η άλλη 23, η άλλη 20. Η άλλη αντιβάλλω 40. Μας πήρε ο Γιώργος το επόμενο. 38. Ωραία. Το επόμενο. 40. 27. 28. 26. Έκλεισε. Ας βάλουμε ακόμα 40 για να δούμε και το επόμενο. Δεν συμβαίνει όσον αφορά στο φύλλο, αλλά δεν πειράζει. Έτσι λοιπόν, πληκτοριλίσαμε αυτή τη στιγμή μία δεύτερη μεταβλητή, η οποία έχουμε βάλει και ειδοδομένα σε αυτή τη μεταβλητή. Τώρα, έτσι όπως τα έχουμε κρυφτρολογίσει, είναι οι περιπτώσεις του δίγματός μας. Δηλαδή δεν τα βάλαμε όταν θα πάρει έναν αρθοματολόγιο. Δεν σημαίνει ότι θα πατήσετε άνθρωπος, γυναίκα, άνθρωπος, γυναίκα. Θα γυνάει και θα ράφεται ένα δύο, ένα δύο, ένα δύο. Και με τα άνδρες δούμε και ηλικίες και μπορούμε να τις μπερδέξουμε. Εδώ πέρα θα πρέπει άνδρας, ηλικία, γυναίκα, ηλικία. Δεν ξέρετε, γιατί αυτά είναι περιπτώσεις. Δεν είναι, από εδώ και πέρα, όταν αρχίζουμε δύο μεταβλητές, αρχίζουμε και έχουμε ένα πιο σύνθετο, μια σύνθετη απεικόλυση του δίγματος. Δεν μπορούμε αυτά να τα μπερδέψουμε, γιατί έκλειβος, μετά θα έρχεται στο συμπέραγμα. Θέλουμε να κάνουμε μετά, να συγκρίνουμε το δίγμα μας με κάποιο άλλο. Θα πάρουμε τον άνδρατο 40 ετών, να μην τον μπερδέψουν. Εδώ πέρα να λέγει γυναίκα 40 ετών, γι' αυτό καταλαβαίνεται και ενώ. Λοιπόν, για πάμε τώρα στον περιγραφική στατιστική, πάλι. Περιγραφική στατιστική συχνότητας. Τώρα, θα βγάλω το gender, γιατί δεν το θέλω, και θα πάω στον ηλικία. Και αυτό θα το περάσω. Βάζω, βάζω. Τώρα, εδώ έχει νόημα, μια που είπαμε, τους μέσους όρους και τα λοιπά, να πατήσουμε εδώ πέρα πολύ στατιστική, που πήγαν τη θεότητα. Ναι, άρα τα έβαλαν σε μεθέση. Ναι, δηλαδή εδώ, προηγουμένως, είχαμε αυτό εδώ πέρα. Φανταζόταν έτσι. Βγάζω αυτό από εδώ, και επόμενου κάνω κλικ στο ηλικία και το βάζω εκεί. Εδώ τώρα, επειδή έχω να κάνω με αριθμητικά δεδομένα, έχει νόημα να ζητήσω μέσο όρο και όλα τα στατιστικά, που περιγράφουν ποσοτικά δεδομένα. Πάμε στα πίστευση, λοιπόν. Και εδώ τα πατάμε όλα. Μέσω διάμνησο κρατούσα το άδεισμα που μου βάλετε. Πάμε στη διασπορά του Δήμουαντος. Στάντρα Ρεβιέισον, Απόκριση, Ρέιν, Φιλίδι μου, Μάξι μου και Μιν. Θα παρουσιάσουμε και στο distribution εδώ, όλα εκτός από τα πάνω. Και πάνω το τίλιο. Το ότι έχουμε το OK ενεργό σημαίνει ότι δεν κάνουμε κάτι λάθος. Μπορεί να βγει το γράφημά μας. Και πατάμε OK. Έτσι λοιπόν, ξεκινάμε τώρα. Και κοιτάξτε τι ενεργόση έχει βγει. Παράλληλα, όταν στο άλλο παράθυρο του output, εκεί πέρα που έχει το SPS τραυμαμένα, θα παρατηρήσω ότι αυτό αρχίζει και ανεβαίνει, γιατί καταλαβαίνετε. Το low δηλαδή. Και εδώ πέρα, αριστερά, μπορείτε να καταλαβαίνετε τι έχετε πατήσει, τι έχετε ζητήσει να σας αναλύσει. Εντάξει, όχι με την πρώτη μαντιά, αλλά σιγά σιγά με την εξηγή, ώστε να καταλαβαίνω ότι εδώ έχω ζητήσει frequency. Έχω ζητήσει την ηλικία να έχει όλα αυτά τα τραυμαμένα. Και πάμε τώρα στον δεξί παράθυρο που έχει τα τραυμαμένα. Και λέμε frequency. Ξεκινάμε από εδώ την αναλύσσή μας. Και λέει τώρα, έχουμε 10 τιμές. Ναι, όσο τα έχουμε. Ωραία. Δηλαδή, όπως τα έχουμε κάνει εμείς. Τα έχουμε κάνει κάτι. 10 τιμές. Απούσα τιμή 11, 0. Και έχουμε μέσος όρους η ηλικίας 29 και 70. Standard error of mean, τυπική απόκλυση του μέσου 2,8. Median είναι ο διάμεσος, αυτό που είναι ήδη διάμεσος. Είναι τα 26,5. Δηλαδή, όλα τα δεδομένα μας, το 50% των δεδομένων είναι κάτω τα 26. Εκεί καταλαβαίνουν ότι άλλο μέσους όρους της ηλικίας. Κι άλλο το δείγμα μας από τι αποτελείται. Δηλαδή, μπορεί να έχουν κάποιον που είναι 80 χρονών και να μας μεγαλέσει το μέσο όρο. Ωστόσο το δείγμα μας αποτελείται κατά 50% κάτω από τα 26,5 έτη. Εντάξει, έτσι εξηγείται περιφραστικά το δείγμα μας. Εγώ εδώ, γιατί έχω πιο σκοδαστικά μέρος? Δεν έχω. Το ίδιο έχει. Δεν έχει τόσο σκοδαστικά. Δεν έχει. Έχει και πολλά. Στα 70 πιέσεων, είναι κάπου ένα 28. Α, καλά. Αυτό δεν είναι θέμα. Εντάξει, το πώς παρουσιάζεται ο πίναγας. Δεν μας πράζει τόσο. Δεν είναι κάτι καλό. Το πώς το παρουσιάζουμε εδώ πέρα είναι, μπορούμε και σε αυτό κάνοντας κρύφτ μετά να ετοιμενούμε στον έτη τότε και να ανταλλάξουμε. Προς το παρόν, δεν μας κρυάζει αυτό. Και έτσι έχουμε άνοιξα. Η επικρατούσα τιμή, το mode είναι το 40. Από που σας είπα, βάλαμε 40. Στο standard deviation είναι η τυπική απόκριση του δείγματος. 8,8 έτη, δηλαδή, ας το πούμε, σε σχέση με τη μέση τιμή υπάρχει απόκριση του δείγματος. Βαριάς είναι η διασπορά του δείγματος. Μετά έχουμε να κάνουμε με δίκτη σκεύρωσης και δίκτη κύπτωσης. Και standard, τυπικό λάθος της συμμετρίας. Συμμετρία, standard, τυπικό λάθος της συμμετρίας. Κύπτωση και τυπικό λάθος, κύπτωσης. Και αυτά εδώ πέρα είπαμε, μπορεί να καταλάβει κάποιος πώς είναι το δείγμα μας. Και τα λοιπά, αυτά εδώ πέρα που είπαμε αυτοί οι δύο βαρινίκτες. Range είναι το εύρος των τιμών. Πήραμε από τα 18 μέχρι τα 40, είπαμε. Άρα 22 έτη είναι το δείγμα μας, έχει εύρος. Το ελάχιστο είναι το 18 και το μέγιστο το 4. Το πάρει και δύο τόσο μεγάλο. Τι είναι αυτό το βάριάς? Αυτό το υπολογίζει με μια τιμή, με ένα μαθηματικό τύπο, μαθηματικό λοιποθυμακό. Και γι' αυτό ετοιμώζει και αυτός ο αριθμός. Τι σημαίνει αυτό το δείγμα μας? Αυτό είναι ανάλογα πώς θέλουμε να παρουσιάσουμε το δείγμα μας, η διακύμασή. Τώρα, ανάλογα πώς θέλουμε να παρουσιάσουμε το δείγμα μας, μπορώ να πω η διακύμασή πώς μπορεί να είναι. Αυτό που μας ενδιαφέρει όλα τα θέματα να παρουσιάσουμε μια ηλικιακή ομάδα, συνήθως έχουμε τον μέσο όρο και την τυπική απόκληση. Δηλαδή γύρω από τον μέσο όρο, τι τυπική απόκληση έχουμε συμπλή. Κυρίως αυτά είναι τα δύο μεγέθη. Τώρα, όλα τα άλλα είναι αυτά τα οποία καθορίζουν το δείγμα μας. Σας είπα ότι έχουμε τον διάμυσο, ότι καταλαβαίνω ότι από τα 26,5% και κάτω, το 5% περιπτώσιο είναι από τα 26,5% και κάτω. Άρα για αυτό υπάρχει αυτός ο διάμεσος. Και επίπεδο σε τιμή είναι 40%. Έτσι από αυτά και μόνο, κοιτώντας κάποιος αυτά εδώ τα πρώτα τέσσερα, μπορεί να καταλάβει τι ηλικιακό γρούπο έχουμε προσεγγίσει στην έρευνά μας. Τώρα, όταν φτάσουμε πίσω κάτω, το επόμενο πινακάκι, έχει τις περιπτώσεις από τις ηλικιακές ομάδες. Και λέμε, η ηλικία του 8, 1, 10%, είναι το αξιόχητο ποσοστό του valid percent 10, το αθεστικό ποσοστό 10, 20, μία περίπτωση, πάλι 10%, πάλι 10%, άρα δεν είναι και 10, 20. Εδώ πέρα μας θα κάνουμε κάτι διάρκειαξη καμπνικά κατά άλπτως σε τιμή. Είναι αυτό που σας είπα, ότι όταν φτάσω στο 26%, βλέπω ότι έχω το 5% του περίπτωση του δείγματος. Είναι αυτό που μας είπε εδώ πέρα και ο Μίτιαν. Κάνοντας έναν υπολογισμό, όμως, ο Μίτιαν έχει προσθέσει, όπως έγινε η τιμή του, είναι το ημιάθυσμα, το 25% και το 27% όταν έχουμε ζηγιές τιμές, παίρνει την μεσέτμη και κάνει το ημιάθυμα, γιατί και βγήκε 26,59%. Όπως βλέπετε εδώ, το 5% του δείγματος μας είναι στο 26%. Και πάμε τώρα. 27 χρονών είναι μία φταρίπτωση, στα 67% του δείγματος. 38 χρονών έχουμε έναν πάλι, ο οποίος είναι και αυτός, μας θένει στο 1000% του δείγματος. Και πάμε στο 40. Έχουμε 30% του δείγματος, είναι 40 ετών. Και φτάνουμε πλέον στο 200%. Εντάξει. Και πάλι δεν κατάλαβα την διακύμανση, δηλαδή η διακύμανση, πώς εξηγεί την διακύμανση. Το 78% του εξηγούν. Είναι δείκτης, οπότε ως δείκτης μπορούμε μετά να πούμε στο μαθηματικό τύπο, αν δεις το μαθηματικό τύπο θα καταλάβεις πώς γίνεται, οπότε θα καταλάβεις γιατί βγήκε 78 και είναι παραπάνω και από το μέσο όρο και από όλα αυτά. Εντάξει. Από το παρόν ας αρχιστούμε σε αυτό εδώ πέρα και δικοί μας θα δημιουργήσουμε. Ε, αυτό θα κάνει μόνος. Λοιπόν, ναι, αυτό θα κάνει μόνος. Μπορούμε να το βάλουμε σε πρόγραμμα να γνωρίζεις φωνήτα, να μιλήσεις και να πει. Πάρε το τύπο εδώ πέρα. Λοιπόν, έτσι έχουμε την ηλικία. Τώρα, πάμε να κάνουμε έναν πίναγα ο οποίος θα συνδυάσει φύλλο και ηλικία. Έχουμε και αυτό έτοιμο στο SPSS και μπορούμε να κάνουμε ανάλυση σε ελληνατική στατιστική και υπάρχει το cross-stabs, χηδιάς τάβος. Και τώρα έχουμε γραμμές στις στήλες. Α, θέλουμε να βάλουμε αυτό είναι και αυτό. Γραμμές το φύλλο, δηλαδή να πούμε άντας, γυναίκα και στις στήλες να βάλουμε τις συνεχίες. Πατώντας, δεν τελειώζει τα εφόρια, παρ' φόρους που το K είναι ενεργό, βαδίζουμε σωστά, έτσι είναι καλός δίκτυς. Είναι καλό. Πάμε το K και πλέον ξεκινάει το cross-stabs από εδώ. Ξέραμε ότι αυτό που ζητήσαμε στην ελληνατική στατιστική είναι αυτό. Μας λέει ότι οι περιπτώσεις, το άδειο των περιπτώσεων είναι εδώ. Τι έχουμε, έχουμε φύλλο και ηλικία, περιπτώσεις είναι 10, 100% των περιπτώσεων. Έχουμε ακούσες, τιμές είναι 0,100. Άρα έχουμε 10 τιμές. Τι τελειώνουμε εδώ πέρα τώρα. Το cross-stabs όπως τα βλέπουμε εδώ πέρα. Έχουμε τις ηλικίες που εμφανίστηκαν και έχουμε τις περιπτώσεις άντρας ή γυναίκα. Έχουμε 18 χρονών άντρας δεν υπάρχει, 20 υπάρχει, 25, 26, 28 και οι τρεις που τους έβαλα από πέρα 40 είναι στον άνθρωπο. Εντάξει. Και σε γυναίκες, όλες οι γυναίκες είναι από 18, 23, 38. Εντάξει, τρεις γυναίκες είχα, μόνο αυτές τρεις είναι και όλοι οι άλλοι είναι εδώ πέρα. Άρα το total, το γιατί το total είναι εδώ πέρα. Έτσι ακριβώς μπορούμε να περιγράψουμε λίγο καλύτερα το δίγμα μας. Αυτά όλα βέβαια είναι ανάλογα το πώς θέλετε εσείς στο τέλος να εμφανίσετε το δίγμα σας, έτσι. Όλα αυτά εδώ πέρα και τα γραφήματα. Το κάθε δίγμα που πατάμε εδώ πέρα, το κάθε δίγμα μας δίνει συχνότητες. Μπορείτε από εδώ να το δείτε. Και φτάσαμε στο CrossTab, στο οποίο μας δείχνει ακριβώς εδώ πέρα το δίγμα αυτό εδώ. Θα το προχωρήσουμε λίγο παραπέρα και θα το δούμε και γραφικά. Γράφημα, πάλι πάμε στα λεπτά και τα έτοιμα. Πάμε πάλι Bar. Simple και το λέμε εδώ πέρα. Εδώ τώρα. Τα είχαμε με άντρας, το φίλοντα δηλαδή στο τέντε. Και μπορώ να ζητήσω, εφόσον οι κατηγορίες μου είναι αυτές εδώ, μπορώ να ζητήσω από την ηλικία να πάει εδώ σε γραμμές την ηλικία να δούμε πώς θα εμφανιστεί. Το OK είναι εγώ, πάμε καλά παιδί. Και ξεκινάνε τα χρωματάκια. Εδώ τώρα, επειδή ακριβώς ζήτησα κατά αυτό το τεόρο να εμφανιστεί το γράφημά μου, είναι αυτές οι πολυπητές φέτες. Για κάθε φέτα, ας το πω, μου δείχνει άντρας-γυναίκα. Και έτσι, αριστερά, μου δίνει και ποσοστό του δείγματος που απασχολεί η κάθε φέτα. Ας το πω φέτα. Και εδώ πέρα έχουμε 18 έως 940 του ηλικιακού έβρος του δείγματος. Μπορώ να το ζητήσω διαφορετικά. Ζήτησα αυτό. Θα ζητήσω αυτό να πάει σε στήλες. Για να δούμε τι θα γίνει. Και το έχω σε στήλες. Το οποίο είναι οι ηλικίες αυτές εδώ. Τώρα, η αλήθεια είναι ότι, εντάξει, από μία περίπτωση έχω στον καθητή, δεν έχω καλύτερα η γυναίκα στην ίδια ηλικία, θα μπορούσαμε να το κάνουμε τέτοιο. Το μόνο που ξεχωρίζει είναι η ηλικία των σαρατών, όπου έχω ζητήσει τρεις άντρες από αυτή την ηλικία. Εντάξει. Και έτσι, λοιπόν, μπορώ να ζητήσω και με αυτόν τον τρόπο. Απέναν. Τι έχουμε ζητήσει από εδώ. Μπορούμε να ζητήσουμε τα ποσοστά. Μπορούμε να ζητήσουμε αριθμούς περιπτώσεων. Και να βάλω πάλι την ηλικία σε στήλες. Είναι λίγο δύσκολο από τον τρόπο που το δούμε. Και έχουμε μία αριθμή με οι ηλικίες στήλες. Έβαλα με αριθμούς, να μην φαίνονται ποσοστά, αλλά να έχουμε αριθμούς. Αριθμός περιπτώσεων, όχι 3% Και την ηλικία σε στήλες ή σε εγώ. Δεν σε στήλες, πάλι, δηλαδή πήγα στο γράφς, πήγα στο legacy, πήγα μπαρ και ζήτησα από το απλό, λέει, το simple, τον ερφόν τον περιπτώσεο, αλλά η ηλικία ζήτησε σε στήλες. Τώρα κάνω το τούμπαρι να σας το πω. Ζητάω η ηλικία να είναι κάτω και πάνω να είναι άντρας γυναίκα. Αυτό είναι λίγο, όπως το έχουμε συνεχίσει, λίγο πιο όμορφο. Γιατί, πριν πως, δεν έχει πολλά παραθυράκια. Και κοιτάξτε τι βράζει αυτό. Έχω τους άντρες αριστερά, η γυναίκα, τα γυναίκα δεξιά. Ζήτησα, δηλαδή, αντίστροφη παρουσίαση. Από το γράφς, legacy, simple, define. Και ζήτησα η μεταγρητή της ηλικίας να πάει στον χ, στον κατηγοριάξε, στον άξονα των κατηγοριών. Και στις στήλες να έχω το φύλλο. Και να τελευταίο, ας το κάνουμε σε γραμμές. Για να δούμε τι έχουμε στο δεύτερο. Το οποίο είναι το ίδιο πριν. Όποιο σας αρέσει. Όλες οι σημαντικές περιπτώσεις. Κοιτάξτε τώρα ότι όλες αυτές εδώ οι πληροφορίες μπορούν να παραστήσουν το ίδιο δείγμα. Μπορείτε με αυτά εδώ πέρα να γεμίσετε σελίδες σελίδων μόνο περιγράφοντας το δείγμα σας. Και να δοκιμάσουμε τελετήλες στο επόμενο γράφημα. Έτσι λοιπόν, αυτό που έκαναμε έξι τελείως τι είναι. Πήγαμε πάλι εδώ στο στραταμένα μας και ορίσαμε δύο μεταβλητές. Δεν κάναμε τίποτα σπουδαίο. Η πρώτη ήταν το φύλλο και η άλλη είναι η ηλικία. Να πάμε να ορίσουμε μία ακόμα μεταβλητή, η οποία θα μπορεί και αυτή να ορίσουμε εδώ πέρα τα χρόνια των σπουδών. Εντάξει, έτσι σπουδών, το οποίο πάλι είναι και αυτό ποσοτικό. Εντάξει, σπουδών. Δεν παίρνετε το σπουδό. Η ελληνικά δεν πήρε το τόνο. Τα ελληνικά τα πήρε, αλλά δεν πήρε το στον. Εντάξει, καλό. Ευχαριστούμε. Εδώ μπορώ να βάλω το νους, οπότε το κάνω έξω στον τόνο. Πάμε στον 12. Συγγνώμη, πρέπει να την βάλουμε έξω στον τόνο. Ναι, δεν το παίρνεις όπου θες. Μη και τόνο. Βάλεις τόνο και τόνο. Βάλω τόνο και κάνω έξω στον τόνο. Βάλω τόνο και κάνω έξω στον τόνο. Πάμε στον 12. Πάμε λίγο στον τόνο. Τι αλλάξουμε. Το στον τόνο, τι θα βάλουμε. Σκέφτεται. Λέω γιατί είναι έτος. Όλα σωστά. Πάμε στον 12. Σκέφτεται. Πάμε στον 12. Τι βάλεις, ποιος είναι ο σπουδός. Προκειμένος. Ναι, μη δείξει υπερποντικό σαρατάρις, να μη δείξει 30 χρόνια σπουδές. Ούτε 20. Πώς μας, αν θέλετε. Ναι, βάλτε ό,τι θέλετε. Μετά πάμε να το δώσουμε. Μπορείτε να σκέφτεστε ό,τι θέλετε. Ναι, γίνεται. Κι εγώ δεν σκέφτομαι. Δεν είναι από πού σ'αφημεί, μη δέν. Άρα μετράει και αυτός. Ναι, δεν μας δε βρέπει τίποτα. Εδώ στον αριθμητικό, στον αριθμητικό στον σπάνο, δεδομένο μπορούμε να βάλουμε και αρνητικά. Έλειχε εδώ πέρα να είναι σπουδό, μη δέν. Μπορείτε να το σκέφτεστε, είναι τους ουσέριες αυτούς. Λοιπόν, ωραία. Λοιπόν, τώρα εσείς, τις συχνότητες των τετών σπουδών, μόνο από τα ίδια σπουδών. Τίποτα. Δηλαδή, πάμε, αναλάηση. Μόνο. Μόνο από το ένα. Ναι, φρήκοσες. Άρα το βγάλουμε το άλλο. Ναι, μόνο. Μόνο το έκανα. Δηλαδή, το ηλικία θα φύγει. Βρειάζουμε την ηλικία, βάζουμε να είναι σπουδό. Ο γέι είναι ενεργό, είμαστε εντάξει. Εδώ τώρα, έχει νόημα να κάνουμε στατιστική, να δούμε τους δείχτες. Εδώ είναι αυτό που το τυπήσαμε, είναι όλα αυτά. Να είναι από την προηγούμενη θέση. Μπορείτε να το κρατήσετε, μπορείτε, ό,τι θέλετε μπορείτε να κάνετε. Τώρα, επειδή η πρώτη μας επαφή, τα βάζω όλα εδώ. Βάζουμε ένα κοντήλιο. Και OK. Και λοιπόν, για να δούμε τι έχετε βάσει αυτή η μέρα εδώ πέρα. Και πάμε να δούμε τι, ό,τι έχετε βάλει με θέα. Να τα δούμε λίγο, βασιλώς, και σε εμάς. Τι έχουμε. 10 τιμές, οι οποίες είναι κανονικές, είναι έγκυβες τιμές. Missing καμία. Έχουμε μέσος όρος του 5,6 έτη. Στάνταρ, τυπικό, λάθος του δίκτυ του μέσου 0,29. Ο median, η διάμετρος τιμή, δηλαδή το 6,5. Επικρετούσα τιμή. Διότι υπάρχουν διάφορα, λέγαντα, βάζουμε δίκτυ μικρότερη, μας κάνει την υποσημίωση του SPSS και βάζει το μικρότερο πέρα. Τυπική απόκληση 2,8. Και βαριάνση και κύπτωση, δηλαδή οσιμετρία, κύπτωση, εύρος, εύρος, ολάχιστος και ομέγιστος. Ολάχιστος 0, μέχρι τους 9. Τώρα, αν θέλουμε κάποιο δείγμα απλά σαν υποσημίωση, να πούμε ότι αυτό είναι ομοιογενές, ομοιογενές ως δείγμα. Παίρνουμε κυρίως την τυπική απόκληση. Όσο πιο μικρή είναι η τυπική απόκληση, τόσο πιο ομοιογενές είναι το δείγμα μας. Αυτό άλλες φορές είναι καλό, άλλες φορές δεν είναι καλό. Δεν υπάρχει κάτι το οποίο είναι κακό, δηλαδή στη θεστική. Θα παρουσιάζουμε όπως είναι τα πράγματα. Δεν έχουμε standard deviation, ο δείγμα μας αυτό. Αν θέλω, όμως, να κάνω μια ακρίση και να πω, αν αυτά ήταν μαθηολογίες, ότι ο ένας μαθητής πήρε 0 και ο άλλος πήρε 20, αυτό το standard deviation θα ανοίξει. Όμως, και το Rayleigh's. Και εκεί θα πω γιατί ο μαθητής ο ένας έγραψε 0, τη στιγμή που υπάρχει άλλος που έγραψε 20 και το αντίστοιχο. Και εκεί μπορούμε να κάνουμε συζήτηση. Από αυτά εδώ τα αρχικά, τα περιγραφικά στοιχεία του δείγματος, ξεκινάμε να αναλύγουμε το δείγμα και να λέμε διάφορα πράγματα. Τώρα, πάμε λίγο πιο κάτω και βλέπουμε ακριβώς εδώ πέρα πόσα αίδες σπουδών έχει ο καθένας. Εδώ πέρα, 0, 2, και σύμφωνα με το δείγμα μας, 7 αίδες σπουδών είχαν 2, 8 αίδες σπουδών είχαν άλλοι 2, 9 αίδες σπουδών είχε μόνο ένας. Εντάξει, λίγο ουσιακός. Και πάλι μπορούμε να κάνουμε και εδώ πέρα ένα γράφημα, ας το κάνουμε και αυτό το γράφημα, για να μην είναι κάτι άλλο εδώ, όσο όλοι μαζί. Εδώ μπορούμε να κάνουμε και ισπόγραμμα και μπορούμε να ζητήσουμε τα αίδες σπουδών, η μεταβλητή αίδες σπουδών να μας δώσει ένα ιστόραμα. Το ιστόραμα είναι λίγο πιο κάτω στο τέλος. Ωραία, το τι είναι ενεργό, το OK είπαμε είναι ο γούσσουλάς μας, OK. Και πλέον εδώ, για να δείτε λίγο, επειδή ακριβώς εδώ τώρα κάνει διάδαξη του υπολογιστής, κατά άφτουσα τιμή, τη μεταβλητή μας, εδώ πέρα κάτω. Στο ιστόραμα αυτό που παρατηρούμε είναι ότι είναι συνεχόμενες τιμές, δεν έχει κενά. Επειδή ακριβώς εδώ θέλουμε και χρόνο, οπότε είναι κάτι το συνεχές αυτό. Η ασυνέχεια είναι στο 1 και στο 3, βέβαια, και έτσι έχουμε 0 εδώ πέρα. Και γι' αυτό έχει υπάρξει αυτή η συνεχόμενη γραμμή, η συνεχόμενη ιστόραμα. Αυτή είναι η διαφορά του με τις ράβους. Επίσης, μας δίνει πλέον στοιχεία των σπερισσέτς, λέγοντας ότι η μέση τιμή είναι το 5,6, την πληκία απόκληση 2,8, και η απαραθμός των περιπτώσεων το ν είναι 10. Αυτά είναι συνήθως πράγματα που τα λέμε μέσα στο κείμενό μας, τα λέμε και μας τα παρουσιάζει και εδώ. Και έτσι με αυτόν τον τρόπο έχουμε παρουσιάσει τη μεταβλητή μας, μόνο τα έδειξα που θέλω. Δεν έχουμε ξεκινήσει να κάνουμε συνδυασμού με άλλες μεταβλητές. Τώρα θα το κάνουμε αυτό. Εντάξει. Έτσι λοιπόν, πάμε πάλι στην ανάλυση. Συντερηγραφική, στατιστική. Και εδώ τώρα λίγο θα το ζανίσουμε, να το πω, έτσι με το cross-tab. Εδώ τώρα θα ζητήσω, σύμφωνα με το φύλλο, να μου κάνει ανάλυση την ηλικία αλλά και τα έδειξη του δόν. Σύμφωνα με το φύλλο. Αυτό θα μπορείς να κάνεις. Το ok είναι εδώ. Και για να δούμε λοιπόν τι έχει γίνει. Έτσι λοιπόν, αρχίζουν αυτά τα πινακάκια που βλέπετε στα papers και λέτε τι δείχνουμε, σαν και τι δείχνουμε. Βλέπετε ότι και εσείς κάνετε τα πινακάκια, δεν είναι κάτι πολύ εύκολο να βγει. Αλλά είναι πολύ εύκολο να εξηγηθεί με λόγια. Ας εξηγήσω κάτι. Τώρα θα κάνουμε τα cross-stabs. Η εξατειμένη και η ανεξάρτητη ποιος είναι. Αυτό που θέλουμε αρχικά, εμείς είμαστε στο φύλλο, εμείς αυτό είχαμε πει. Και αν θέλουμε να δούμε τι σχέση έχει το φύλλο με την ηλικία ή το φύλλο με τα έδειξη του δόν, μπορούμε να κάνουμε μετά τη δική μας κρίση. Μπορούμε εμείς όμως να πούμε ότι θα κρατήσω το φύλλο ως εξατειμένη. Αυτό που κάναμε τώρα στο φύλλο είναι το εξατειμένο ή το ανεξάρτητο. Το φύλλο, το φύλλο είναι το ανεξάρτητο. Το φύλλο σχεδίναμε με την ηλικία και το φύλλο με τα έδειξη του δόν. Και έτσι λοιπόν μας λέει ότι φύλλο, ηλικία, 10 περιπτώσεις, 10 κανονικές τιμές βάλει. Την εις την 0, την 10 συνολικά. Πάμε φύλλο, ηλικία και μας λέει φύλλο, άνδρας, άνδρας, γυναίκα και μας λέει την ηλικία τους. Και μετά ξανακάνει το. Και έτσι, κροσταγουλίασο και λέει φύλλο και έτσι σπουδών κάνει εδώ πέρα. Και εδώ πέρα έχει να κάνει με άνδρα-γυναίκα και ηλικία είπαμε. Άνδρα-γυναίκα και έτσι σπουδών αυτά εδώ πέρα. Εντάξει. Και με αυτά εδώ πέρα βλέπετε ότι πόσο βλέκει, αρχίζει και βλέκει σιγά σιγά το ζήτημα. Και καταλαβαίνετε ότι το να μην τρομαγίσουμε τιμές σε ένα φύλλο σαν αυτό εδώ πέρα δεν είναι κάτι πλέον. Είναι πολύ εύκολο. Εντάξει. Αυτά που αρχίζουν μετά και μας δίνουν έννοια στις έρευνές μας και στο πώς θα τα παρουσιάσουμε, είναι αυτά τα οποία θα τους χρησιμοποιήσουμε να τα φέροντα. Δεν ξέρω. Ωραία. Τα έτσι σπουδών τα κάναμε γράφημα. Πολύ ωραία. Ωραία. Να βάλουμε μια πρώτη μεταλλοχή τώρα. Όπως βλέπετε το βλέπουμε λίγο παραπάνω κάθε φορά. Το κάνουμε όλο και πιο έτσι δυνατό. Θα βάλουμε λοιπόν μία μεταλλητή. Η οποία θα είναι οι αντιλήψεις του καθενός σε σχέση με την τεχνολογία. Αυτό είναι μία από ένα ερωτηματολόγιο μία ερώτηση η οποία θα είναι πολύ αλλητική, αλλητική, βουδέτερη, θετική, πολύ θετική. Πέντε περιπτώσεις. Λύκεται το λύκεο. Λύκεται, ναι, λύκεται. Αυτές εδώ πέρα τις μεταλλητές οι οποίοι μετρουνε σε τέτοιες κλίμακες σε πέντε κλίμακες συνήθως σε περιττό αριθμό κλίμακων αστοπότης ονομάζουμε κλίμακα λύκερτα. Αυτός ήταν ο πρώτος που είχε η ΕΣΑΙ. Συνήθως η κλίμακα λύκερτη είναι περιττή για να υπάρχει το κέντρο. Βέβαια υπάρχουν σε έρευνες και των έξι σταδίων, μπορείτε να δείτε, και των τριών και λιγότερα. Συνήθως όμως το πέντε είναι ένας πολύ καλός αριθμός στην κλίμακα λύκερτη. Είναι αυτό που μας βάζουν και μας ζωτάνε οι Ροστιλέμους στις αφορτήσεις σίγουρα. Πώς το βλέπετε αυτό ή τα Γκάλο που δίνουν στις τριωράσεις τώρα με τις εκβουλίες πρόσφατα πώς το βλέπετε αυτό ανηδικά, πολύ ανηδικά, ανηδικά, οδέτερα, θετικά, πολύ θετικά και αυτό θα κάνουμε τώρα στη στιγμή. Ας βάλουμε τις στάσεις απέναντι, στάσεις θα πούμε, στο απέναντι κάπου να γράψουμε οι σχολίστες. Στάσεις ή τα Υ. Η τεχνολογία, τεχνολογία βάρκει από πιο μικρό, στάσεις τεχνολογία. Και εμείς ακριβώς δεν μπορούμε να βάλουμε το κενό. Στάσεις, τελεία, θέλει. Τεχνολογία πήρα. Στάσεις, τελεία, τεχνολογία το πήρα. Κενό δεν είναι. Λοιπόν, εδώ δεν θα ζητήσω να είναι αριθμητικό, θα ζητήσω να είναι string. Χαρτητήρες θα βάλω 15, γιατί το πολύ αργαίο και το πολύ θετικά έχουν αρκετούς. Λέιπελ, εδώ θα βάλουμε στάσεις απέναντι στην τεχνολογία. Και εδώ στο βάλιος είναι αυτό που ξεκινήσαμε στην πρώτη μορφή. Μπορούμε να βάλουμε ένα πολύ αρνητικές, δύο αρνητικές. Βέβαια, οι στάσεις είναι μία. Οπότε, τώρα καθώς πάραμε την θετική, αλλά δεν το ξεκινήσαμε. Ο δεύτερος θα βάλω εδώ. Δεύτερη στάση. Εδώ 4 θετική στάση. Και πολύ θετική το 5. Το 2 βάλαμε αρνητική. Και επίπεδο βλέπουμε την περίπτωση που θέλουμε να κάνουμε κάποια αλληλεγγύη, πατάω αρνητική και μου λέει εδώ πέρα να κάνω change, δηλαδή αλληλεγγύη. Δεν το δέχεται τελικά. Λοιπόν, εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Το 5 ήταν πολύ θετική στάση. Εδώ πέρα τώρα, αν είναι κάπου η δικιά σας ηλικία, βάζουμε θετική στάση. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. Εδώ πέρα θα δοκιμάσουμε για μετηφορά το αλληλεγγύη. |
