Normalization

داده های ورودی به spss (نمرات) برای انجام کارهای آماری می بایست نرمال باشند یعنی نه چولگی (skeness) و نه ارتفاع نامناسب (kurtosis) داشته باشند. لذا در ابتدا یک آمار توصیفی از داده ها می گیریم و خانه های مربوط به skewnwss و kurtosıs را علامت می زنیم. در خروجی (output) اگر مقدار این دو شاخص از 0.5 بیشتر نشان می دهد که داده ها نرمال نیستند. در این موارد به جدول frequency )) که جزء خروجی های معمول spssاست مراجعه می کنیم که به عنوان مثال به شکل زیر است. || در جدول بالا ابتدا یک ستون ( که با قرمز مشخص شده ) اضافه می کنیم. در این جدول مقدار valıd percent تقسیم بر دو را از CUMMULATIVE PERCENT کم می کنیم یعنی: (CUMMULATIVE PERCENT) – (VALID PERCENT / 2) حال در جدول توزیع طبیعی که در انتهای کتابهای آمار موجود است مقدار Z مربوط به هر عدد را (از ستونی که بر 100 تقسیم شده را به روش زیر پیدا می کنیم و جلوی آن می نویسیم. این عدد در حقیقت z SCORE است. اگر در صد به دست آمده (یعنی ستون آخر ) از 0.5 کمتر باشد عدد مر بوط منفی نوشته می شود.  ولی اگر در صد به دست آمده از 0.5 بیشتر باشد عدد مثبت است.  در انتها می توان برای اینکه نمره منفی نداشته باشیم Z SCORE را به روش زیر تبدیل کرد.   t = (Z * 10) + 50   برای محاسبه نمره Z با استفاده از spssبه لینک زیر مراجعه کنید:  http://www.wellesley.edu/Psychology/Psych205/descriptives.html
 * نرمال سازی نمرات امتحانی** (**normalization)**
 * /100 || (commulative percent) – (valid percent/2) || commulative percent || valid percent || percent || frequency || scores ||
 * || .0015 || .3 - .3/2= 0.15 || .3 || .3 || .3 || 1 || 7.75 ||
 * || .0055 || .8-05/2= 0.55 || .8 || .5 || .5 || 2 || 8.00 ||
 * || .0105 || 1.3 – 0.5/2= 1.05 || 1.3 || .5 || .5 || 2 || 10.00 ||