بازدید علمی دانشجویان درس کنترل کیفیت توسط انجمن علمی آمار دانشگاه گلستان از کارخانه لبنیات پگاه گلستان درتاریخ چهارشنبه یازدهم دی ماه برگزار گردید.
👇👇👇
@gu_stat

🔸داده کاوی🔸

#بخش_1


طبق آماری که CNN منتشر کرده، داده کاوی یکی از ده شغل پردرآمد دنیاست. داده کاوی یا Data Mining یکی از تخصص‌هایی هست که شرکت‌‌ها به خصوص شرکت‌های بزرگ نیاز زیادی بهش دارند و علم داده در آینده کاربردهای بسیار زیادی خواهد داشت.


💻داده کاوی یا data mining چیست؟

هدف داده کاوی کشف روابط پنهان و پیش بینی روندها است.

داده کاوی علمیه که به ما کمک می‌کنه بدونیم چطوری میشه داده‌ها رو پیدا و دسته‌بندی کرد، به طوری که در مراحل بعد قابل آنالیز و تحلیل باشند.

در واقع، دیتا ماینینگ به زبان ساده، استخراج اطلاعات مفیدی که میشه با استفاده از اون‌ها، رفتارها و الگوریتم‌هایی شکل داد تا بتوانیم قدرت تحلیل های آماری را بالا ببریم .
به طور مثال :
داده کاوی برای شرکت‌های بزرگ می‌تونه رفتار مشتری رو تحلیل کنه و بزرگتر شدن شرکت رو سرعت ببخشه یا به سازمان‌های آموزشی در بالاتر بردن کیفیت تدریس کمک کنه.

پایه و اساس آن شامل سه رشته علمی در هم تنیده است: آمار (مطالعه عددی روابط داده ها) ، هوش مصنوعی (هوش انسانی توسط نرم افزار و یا ماشین ها) و یادگیری ماشین (الگوریتم هایی که می توانند از داده ها یاد بگیرند تا پیش بینی کنند)

#داده_کاوی
#مقاله

منابع:
cnn.com
sas.com
aminaramesh.ir


@gu_stat

⚫️انا لله و انا الیه راجعون
(بکشید مارا؛ ملت ما بیدارتر می شود)

⚫انجمن علمی گروه آمار شهادت مرد بزرگ، شجاع و سربازِ ولایت و وطن، سپهبد حاج قاسم سلیمانی را خدمت تمامی ملت ایران تسلیت عرض مینماید.
#انتقام_سخت_در_راه_است
@gu_stat

〽️تفاوت آماروریاضی〽️


🔹روش ریاضی روش #قیاسی است یعنی ازکل به جزء. مثلا” می گوییم زوایای یک مثلث ۱۸۰است. این حکم در مورد هر مثلثی صرف نظر از طول اضلاع مشخص است.

🔹ولی آمار روشی #استقرایی است یعنی از جز به کل. مثلا”با فراهم آوردن نمونه های آزمایشگاهی در چند مرحله در باره میزان قند خون افراد با ۹۵% احتمال صحبت می کنیم. این نتیجه تا زمانی معتبر است که داده های جدید فرضیه فوق را مورد تایید قرار دهد. در ریاضی هم نوعی استقراء ریاضی داریم اما نتیجه آن در صورت اثبات همیشه درست است. پس آمار با آنکه به ریاضی بستگی دارد شاخه ای از آن نیست. بلکه از داده ها پدیدآمده است.

🔹ریاضی پشتوانه نظری آمار است به گونه ای که پشتوانه نظری مفاهیم بسیاری در فیزیک ورشته های مهندسی و … است.

🔹در ریاضی امور همواره #قطعی اند.
اما در آمار پدیده هایی مورد بررسی قرار می گیرندکه قطعی نیستند بلکه #تصادفی اند. اما این امور تصادفی هم برای خود قواعدی دارند  که آنها را #قوانین_احتمال می نامند. منطق فازی با نوعی عدم قطعیت سرو کار دارد. بنابراین آمار در جایی کاربرد دارد که عدم قطعیت در پیشامدها، اندازه گیریها و وقایع رخ می دهد.

#آمار
#ریاضی
@gu_stat

“We must believe in luck. For how else can we explain the success of those we don't like?”
«باید به شانس اعتقاد داشته باشیم وگرنه چگونه میتوانیم موفقیت کسانی را که دوست نداریم توجیه کنیم؟»
#Jean_Cocteau
👇👇👇
@gu_stat

‍ 〽️آزمون فرضیه فیشر〽️

#رونالد_فیشر استاد اعظم آمار بوده که یه روز فارغ از درس ومحاسبه و آمار،پامیشه میره مهمونی😎
بعد با خودش میگه برم واسه همه یه فنجون چای و شیر درست کنم بیارم دلمون باز بشه.
خلاصه همه فنجون چای و شیرشون رو سر میکشن و تشکر میکنن، اما یکی ازمهمونا به جای این‌که بگه فیشر جان شما چرا با این حالت؟ دستت درد نکنه و این حرفا! گیر میده که آقا شما اول چای ریختی بعد شیر یا برعکس؟🧐
فیشر هم میگه: مگه فرقی داره دوست عزیز؟ بخور خودتو لوس نکن دوتاش یه مزه میده.😶
اون دوست عزیز هم یه چشم غره میره و میگه: کی گفته دوتاش یه مزه‌ست؟

فیشر هم برای این‌که حالشو بگیره میره ۸ تا لیوان شیر و چای مخلوط درست می‌کنه که توی ۴ تاش اول شیر می‌ریزه بعد چای، توی ۴ تاش هم اول چای میریزه بعد شیر! بعد هم لیوانا رو درهم و تصادفی می‌چینه توی سینی و میاره و میگه: فکر این‌جاشو نکرده بودی نه؟! حالا بفرمایید تشخیص بدین دوست عزیز😏
حالا چرا هشت‌تا لیوان؟ اونا که مثل فیشر آمارشون خوبه میدونن که این هشت تا لیوان رو به ۷۰ روش مختلف می‌شه کنار هم چید، یعنی:
8!/(4!×4!)=70

پس اگه مهمون جان کلک بزنه و شانسی یه چیزی بگه، با احتمال ۱ به ۷۰ یعنی ۱.۴ درصد ممکنه درست بگه! به این مقدار میگن #پی_مقدار یا همون پی ولیوخودمون! از اون‌جا که فیشر خیلی تیز بوده میگه: ببین رفیق! ۱.۴ درصد خیلی عدد کوچیکیه! و اگه فقط یه دونه رو درست بگی قبول نیست🤓

مهمون میگه: از کجا فهمیدی کوچیکه؟ مگه معیار استاندارد داره؟
فیشر هم میگه: مثل این که من استاد آمارم‌ها! من یه معیار ۵ درصدی تعریف کردم که بهش میگم حاشیه خطا یا همون ∝ . اگه حاشیه خطا ۵ درصد باشه اشکالی نداره و نشون می‌ده به احتمال ۹۵ درصد نتیجه آزمایش شانسی و تصادفی نبوده و شما کارت درسته! اما الان اگه حتی یه دونه فنجون هم اشتباه بگی حاشیه خطا می‌شه ۲۴ درصد! که خیلی بزرگتر از ۵ درصده! این یعنی تفاوت معناداری با کسی که شانسی حدس زده نداری! پس باید همه رو درست حدس بزنی تا از این آزمایش سربلند بیرون بیای!

جالبه بدونید مهمون جان هر ۸ لیوان رو درست تشخیص میده و آقای فیشر هم بالاخره کوتاه میاد و می‌گه: دمت گرم! شما کارت درسته!
اسم این روش هم هست #آزمون_فرضیه که شش دنگش به اسم رونالد فیشر ثبت شده!

#رونالد_فیشر
#پی_مقدار
#آزمون_فرض
@gu_stat

#دانستنی_آماری
#احتمال
#شانس
نوشته ها و گفتگو ها پر است از جملاتی مانند:
احتمال می رود، حدس می زنم، اگر شانس داشته باشم و... . تمام این جملات همراه با تردید و بی اطلاعی هستند؛ یعنی همگی متضمن یک مفهوم پر دردسر به نام احتمالند که اگر آن را به نحو مطلوبی تعبیر کنیم تصمیم گیری و حقیقت یابی آسانتر می شود.
انسان به دلیل ناتوانی در کشف اسرار عالم و عدم اطمینان در برابر حوادث روزگار ناچار است مفاهیمی از قبیل تصادف و شانس را به عنوان پاره ای از زندگی روزمره بپذیرد.
برای اولین بار یکی از اشراف زادگان و قمار بازان معروفِ فرانسه برای توضیح علت برد و باخت با تاس در بازی تخته نرد با دو ریاضیدان مشهور فرانسه، پاسکال و فرما ملاقات کرد.
مسائلی را که آنها حل کردند مدت ها به راه های مختلف توجیه و تفسیر شد و اصول احتمال اینگونه شکل گرفت.
سالها بعد کولموگروف ریاضیدان روسی در رساله ای به این اصول جنبه ریاضی داد و به این ترتیب احتمال شکل گرفت.
احتمال در علوم مهندسی، علوم قضایی، علوم بازاریابی و... وسیله بسیار مهمی برای تجزیه و تحلیل پدیده هاست.

@gu_stat

🔸داده کاوی🔸

#بخش_2

داده کاوی به 3 بخش:
1️⃣ مهندسی داده
2️⃣ آنالیز داده ها
3️⃣ یادگیری ماشین (Deep learning)

تقسیم میشه.


🔸مهندسـی داده🔸

هر بیزینس مبتنی بر داده نیاز به چارچوب عملیاتی برای علم داده و تجزیه و تحلیل داده دارد. شخصی که مسئول طراحی و توسعه این چارچوب عملیاتی میباشد، به عنوان مهندس داده (Data Engineer) شناخته میشود. این مهندسین بحثشون در مورد این هست که چطوری مقدار زیادی از داده رو در زمان کم پردازش کنند.

مثلا سایت Facebook تعداد داده‌های وارد شده بهش زیاد هست و به تعداد زیادی مهندس داده احتیاج داره تا بتونه به فرد به سرعت پاسخ بده. مهندس داده تقریبا قسمت سخت افزاری کار رو انجام میده.
مهندس داده اغلب به عنوان عضوی از یک تیم تجزیه و تحلیل کار می کند .
به طور مثال : مهندس داده با معماران داده (data architects)، تحلیلگران داده (data analysts) و data scientist ها برای تجسم و نمایش داده، کار میکنند.

در این گروه ، معمولا باید رشته های نرم افزاری و سخت افزاری باشن. به این دلیل که بتونن با سیستم‌های کامپیوتری کارهای پیشرفته‌ای انجام بدن.

این گروه معمولا لازم دارن که با نرم افزارهای مثل:

🔹Hadoop
🔹Spark
🔹Python
🔹R
🔹Kafka

کار کنن و به دیتابیس‌ها و برنامه نویسی مسلط باشن.

#داده_کاوی
#مقاله

منابع:
quora.com
codefriend.ir
aminaramesh.ir


@gu_stat

📊معنی واژه آمار در لغت‌نامه‌ها📊

✅ آمار: (اِ) (از پهلوی به معنی شمار) آماره . آوار. آواره . آواره . اَوارِجه حساب :
آنگهی گنجور مشک آمار کرد
تا مر او را زآن نهان بیدار کرد.
#رودکی

🔰لغت‌نامه دهخدا: شمار .آماره . آوار. آواره . اَواره . اَوارِجه

🔰فرهنگ فارسی معین: حساب ، شمار

🔰فرهنگ لغت عمید: علم گردآوری و بررسی داده‌های عددی.

🔰واژگان مترادف: احصا، احصائیه، حساب، شمار

✅ لغت "آمار" از مصدر اوستایی واژه "مر" به معنی شمر و شمردن، حساب و از بر داشتن است و ریشه‌ای پارسی دارد.

✅ واژه statistics از کلمه لاتین Status سرچشمه گرفته است که به معنای حالت، وضع یا موقعیت است. از این واژه به‌عنوان ریشه واژه‌های Stato (دولت)، Statista (دولت شناسی یا کسی که اطلاعات راجع به دولت دارد)، Statistica (آمار) که مجموعه معین راجع به دولت است، به وجود آماده است.

#معنی_واژه_آمار
#آمار

👇👇👇
@gu_stat

‍ 〽️شکایت کردن از مشکلات و‌ سختی‌ها اولین کاریه که آدما می‌کنن.😏

یعنی همه تا به یه مشکل برمی‌خورن، شروع می‌کنن به شکایت‌کردن و غر‌زدن و گله‌کردن از شانس و اقبال بد!
امااا...
اما فقط ۵٪ آدما هستن که دنبال #راه‌حل می‌گردن و کم نمی‌آرن.🤓

دنیا برای پیشرفت کردن،
برای بهتر شدن،
برای #حال_خوب داشتن،
نیاز به این ۵٪ داره،
بیاید جز این #پنج_درصد باشیم😉

#حال_خوب
#راه_حل
#پنج_درصد
@gu_stat

🔴کتابفروشی که از بـیـگ دیتا استفاده کرد🔴


اگر بخواهیم بیگ‌دیتا را خیلی ساده و خودمانی تعریف کنیم، داستان کتاب‌فروشی آقای جعفری کار را راحت می‌کند.📚


📚آقای جعفری یک کتابفروشی قدیمی در مرکز شهر دارد. او از همان دوران جوانی که کتابفروشی را از پدرش به ارث برد یک دفتر روی میزش گذاشت و عنوان هر کتابی که فروخته می‌شد را در کنار تاریخ و قیمت کتاب می‌نوشت. با این دفتر هم حساب و کتابش را داشت، هم موقع سفارش کتاب از آن استفاده می‌کرد.


📚آقای جعفری هر وقت می‌خواست به توزیع‌کننده‌های کتاب سفارش خرید دهد نگاهی به دفتر فروش می‌انداخت و کتاب‌هایی را سفارش می‌داد که بیشتر فروش می‌رفت، موضوعاتی که طرفدار بیشتری داشتند انتخاب می‌کرد و حواسش به این هم بود که کتاب‌هایی را لیست کند که در طیف قیمتی کتاب‌های پرفروش باشند.

📚کتابفروش داستان ما با این کار توانست تا چندین سال فروش خود را بیشتر کند و نسبت به دیگر کتابفروشی‌ها درآمد بیشتری داشته باشد. او در این مدت علایق مشتریان ثابتش را فهمیده بود و حتی در مواردی به انتخاب‌های او اعتماد بیشتری داشتند.


📚آقای جعفری وقتی به دوران پیری رسید پسر جوانش در کتابفروشی کمکش می‌کرد. علی پسر آقای جعفری کامپیوتری را به کتابفروشی آورد تا جستجوی موجودی کتاب‌ها، ثبت سفارش اینترنتی، حسابرسی مالیات و ... را با نرم‌افزارهای رایانه انجام دهد.

📚علی متوجه شد فروش کتاب کمتر و کمتر می‌شود و یکی از دلایل آن تمایل مردم به خرید اینترنتی بود. پس او هم به سرعت یک فروشگاه اینترنتی راه‌اندازی کرد و فروش کتاب‌ با فروشگاه اینترنتی بهتر شد.

📚علی از افزایش فروش خوشحال بود؛ اما فکر کرد حتماً راه‌های دیگری هم برای افزایش هرچه بیشتر فروش باید باشد، پس شروع به جستجو و تحقیق کرد تا راهی برای افزایش فروش پیدا کند.

📚علی متوجه شد اگر اطلاعاتی دقیق درباره مشتریان داشته باشد می‌تواند پیش‌بینی کند هر مشتری در آینده تمایل دارد چه کتابی بخواند و همان کتاب را به او پیشنهاد دهد. این همان تجربه و مهارتی بود که پدرش در طول سال‌ها به دست آورده بود.

🌟علی که در ابتدا نمی‌دانست چه کار باید بکند ساعت‌ها جستجو کرد، تا این که مطالبی درباره داده و داده‌کاوی خواند.

📚او به سرعت یک شرکت داده‌کاوی پیدا کرد و درخواستش را مطرح کرد. آن‌ها به علی پیشنهاد دادند که با جمع‌آوری داده‌هایی از اینترنت کتاب بعدی که هر مشتری می‌خواهد بخواند را پیش‌بینی کنند.



📚آنها داده‌هایی از منابع زیر جمع کردند:

📌مشخصات فردی مشتریان
📌لیست کتاب‌هایی که خوانده‌اند
📌 فعالیتشان در شبکه‌های اجتماعی مثل لایک‌ها
📌علاقه‌‌مندی‌هایی مثل تیم فوتبال یا موسیقی مورد علاقه
📌 واکنش به تبلیغات و پیشنهادها
📌داده‌هایی از فعالیت سایر مردم در شبکه‌های اجتماعی مثل نظر در پست‌های اینستاگرامی
📌توئیت‌هایی که درباره کتاب هستند
📌مقالات منتشر شده با موضوع کتاب
📌آمارهایی از کتاب‌های پرجستجو در اینترنت



📚اگر یک نفر علاقه به خواندن رمان‌های علمی‌-تخیلی دارد و در تحلیل داده‌های حاصل از شبکه‌های اجتماعی مشخص شود مردم در حال گفتگو درباره کتاب علمی-تخیلی جدید هستند، با مطابقت دادن پرسونای مشتری و کتاب جدیدی که هنوز نخوانده است، می‌توان در قالب یک پیام، کتاب جدید را به او پیشنهاد داد.



📚علی که توانسته بود فروشگاه اینترنتی خودش را با موفقیت راه‌اندازی کند از وارد شدن به دنیای داده‌ها هم نترسید و پیشنهاد شرکت داده کاوی را قبول کرد.


📚بعد از جمع‌آوری حجم زیادی از داده‌ها و طراحی مدلی مبتنی بر بیگ‌دیتا، فروشگاه علی به یکی از پرفروش‌ترین کتابفروشی‌های اینترنتی تبدیل شد. رمز موفقیت علی همین پیشنهادهای کتاب هوشمندی بود که از طریق بیگ دیتا به دست آمد.

📚با این روش هر کتاب جدیدی که منتشر می‌شد به صورت هدفمند به اطلاع مشتری‌هایی که به احتمال بالای ۹۰ درصد علاقه به خواندنش داشتند می‌رسید و بالای ۵۰ درصد مشتریان کتاب پیشنهادی را می‌خریدند.

📚اگر علی از همان روش پدرش برای فهرست کردن همه اطلاعات مشتریان و علایق جامعه به کتاب‌های جدید استفاده می‌کرد، حتماً نمی‌توانست با این کیفیت و در زمانی محدود راهی برای پیشنهاد کتاب به مشتریان پیدا کند.



📚در این مثال از دو نوع منبع برای جمع‌آوری داده‌ها استفاده شد:

📌داده‌های از مشتریان سابق
📌 داده‌های از محتواهای تولید شده توسط مردم در فضای مجازی

📚ارتباط داده‌های حاصل از این دو منبع مدلی ایجاد کرد که به کمک آن می‌توان پیشنهادهای شخصی‌سازی شده و هدفمندی به مشتریان ارائه داد.


#بیگ_دیتا
#کتابفروشی_که_از_بیگ_دیتا_استفاده_کرد

منابع:
novin.com



@gu_stat

🔶داده کــاوی🔶

#بخش_3

#بخش_1_بیگ_دیتا


🔸بــیگ دیتـا 🔸


وقتی از بیگ دیتا (Big Data) صحبت می‌کنیم، بیشتر از یک وضعیت حرف می‌زنیم؛ وضعیتی که در آن حجم زیادی از داده‌ها، با سرعت زیاد و تنوع گسترده تولید می‌شوند.

در اغلب تعریف های کلان داده، سه اصطلاح حجم (Volume) و سرعت (Velocity) و تنوع (Variety) را می‌بینید. در حدی که گاهی برای تعریف بیگ دیتا از اصطلاح ۳V استفاده می‌کنند.

اما این‌که از چنین وضعیتی چگونه می‌توان استفاده کرد، نیازمند دانش‌های دیگری است. دانشمندان علوم داده‌ها (Data Scientists)، متخصصان هوش مصنوعی (Artificial Intelligence) و فعالان داده کاوی (Data-mining) از جمله کسانی هستند که می‌توانند کاربردهای Big Data را در حوزه‌های مختلف بیابند و توسعه دهند.


🔹مثالهایی از کاربرد های بیـگ دیتا🔹


⭐️از جمله کاربردهای بیگ دیتا در زندگی روزمره می‌توان به سرویس های مسیریابی مانند Waze و بخش Navigation در Google Maps اشاره کرد. حجم قابل توجهی از داده‌های مربوط به وسایل نقلیه‌ی در حال حرکت (در واقع : موبایل‌های در حال حرکت) به صورت پیوسته و در لحظه، پردازش می‌شوند و مسیرهای مناسب بر اساس مقصد تعیین شده و ترجیحات کاربران به آن‌ها پیشنهاد می‌شود.

⭐️یک نمونه مشهور استفاده از بیگ دیتا در سریال‌های تلویزیونی پروژه کمپانی نتفلیکس است. این شرکت با کمک بیگ دیتا علایق مردم را شناسایی می‌کند تا در وهله اول سریال‌های بهتری را به مخاطبان پیشنهاد دهد و سپس از این داده‌ها در ساخت سریال‌های جدید خود استفاده کند.


⭐️و یا تغییر برنامه آموزشی در دانشگاه ایالتی جورجیا ، تا چند سال قبل میانگین دانشجویانی که موفق می‌شدند در این دانشگاه فارغ‌التحصیل شوند ۳۲ درصد بود که درصد بسیار پایینی است. این دانشگاه برای پیدا کردن نقاط چالش‌برانگیز از داده‌ها استفاده کرد.

آنها با تحلیل داده‌های دانشجویان سابق و فعلی خود ۸۰۰ رفتار مرتبط با عدم موفقیت در دانشگاه را پیدا کردند. یکی از نشانه‌های عدم موفقیت این بود که اگر دانشجوی رشته علوم سیاسی در دوره مقدماتی علم سیاست نمره C می‌گرفت، احتمال موفقیت آن تا ۲۵ درصد کم می‌شد.

حالا هر دانشجویی که در این وضعیت قرار گیرد مشاوری با او ملاقات می‌کند و به موفقیت او کمک می‌کند.

این فقط یکی از ۸۰۰ مشکل کشف شده بود. مدیران دانشگاه برای بزرگترین چالش‌های دانشجویان برنامه‌های متعددی پیاده کردند و در عرض چند سال میانگین فارغ‌التحصیلی دانشجویان به ۵۴ درصد رسید!



⭐️شرکت AlayaCare یک نمونۀ عالی از کاربرد بیگ‌دیتا در حوزۀ پزشکی و سلامت است. این اپلیکیشن که در زمینه مراقبت از سالمندان و بیماران در خانه فعالیت می‌کند، با پایش اطلاعات مشتریان از راه دور و بررسی هوشمند سوابق بیماران، تعداد دفعات مراجعه پزشکان متخصص به خانه افراد را تا ۷۳ درصد کاهش داده است.



#داده_کاوی
#آنالیز_داده
#بیگ_دیتا
#مقاله

منابع :
novin.com
motamem.org



@gu_stat

🎥محبوب‌ترین و منفورترین «تدتاک» با تحلیل‌های ساده آماری.
#ted_talks
#statistics
#sebastian_wernicke
👇👇👇
@gu_stat

🔸داده کــاوی🔸

#بخش_3

#بخش_1_آنالیز_داده


🔹آنـالـیز داده هـا🔹

تحلیل گران داده، داده‌ها را جمع‌آوری، پردازش و تجزیه‌ و تحلیل آماری کرده و از بین آن‌ها روابط پنهان را کشف می‌کنند.
به بیان ساده‌تر، وظیفه تحلیل‌گر داده، دریافت داده‌های خام و تبدیل آن‌ها به دانشی است که بتواند در اختیار مدیران مشاغل و کسب و کارهای مختلف قرار گیرد، تا این افراد با استفاده از دانش جدید بتوانند تصمیمات مناسب‌تری اتخاذ کرده و باعث کاهش هزینه‌ها و افزایش درآمد و در نتیجه سوددهی بیشتر کسب و کار شوند.


تحلیلگران داده با داده‌های بسیار زیادی سر و کار دارند. اعداد و ارقام، داده‌های خام دیگر ورودی‌های کار تحلیل گران داده محسوب می‌شوند. تحلیل‌گر داده حرفه ای باید توانایی تحلیلی و شناخت مشکلات را داشته و با استفاده از داده‌های موجود بهترین راه‌حل‌ها را شناسایی و ارائه کند. درواقع آنها بر روی داده های خام و پراکنده کار می کنند و براساس ارزش، آن ها را به سازمانشان برمی گردانند.


تحلیلگران داده این پتانسیل را دارند تا یک کسب و کار سنتی را به یک کسب و کار داده محور تبدیل کنند.

#داده_کاوی
#آنالیز_داده
#مقاله

منابع:
dayche.com
click.ir



@gu_stat

〽️ روابط بین #توزیع های آماری〽️

@gu_stat

🔴اطلاعیه
قابل توجه دوستانی که با دکتر عظیم محسنی درسِ مباحثی در آمار دارن، جهت یادآوری امتحان دوم بهمن راس ساعت #۸صبح برگزارمیشود.
👇👇👇
@gu_stat

#دانستنی_آماری

مختصری از ابتدای تاريخ علم آمار

واژه آمار از كلمه لاتين Status سرچشمه گرفته است كه به معني حالت، وضع يا موقعيت مي باشد. از اين کلمه به عنوان ريشه واژه Statistics (آمار) به وجود آماده است.
با پيدايش نخستين دولتها در تاريخ، آمار پا به عرصه گذارده است. تاريخ نشان می دهد که چند هزار سال پيش از ميلاد مسيح در چين، هندوستان، مصر و ايران سرشماری نفوس و آمارگيری از اراضی و اموال و دارائی صورت می گرفته است. بديهی است که اينگونه سرشماريهاي بسيار ابتدايي كه به هيچ رو با آمار و دموگرافي امروز قياس شدني نيست، بناي آمار كنوني را پي ريزي كرده و آغاز نموده است. با ظهور سرمايه داري و گسترش تجارت، آمار در مقابل مسائل پيچيده تري قرار مي گيرد و حجم اطلاعات جمع آوري شده افزايش مي يابد و در نتيجه كارهاي آماري نيز توسعه مي يابد، بطوريكه از نظر ماهيت عميق تر، از نظر موضوع مورد مطالعه وسيع تر و از نظر وسائلي كه به كار گرفته مي شود كاملتر ميگردد.
در تحقيق هاي علمي بيش از همه اين فكر كه آمار در قرن هفدهم به خود شكل يك علم مي گيرد طرفدار پيدا كرده است. در اواسط قرن هفدهم در انگلستان ويليام پتي و جان گرانت جريان علمي را آغاز نمودند كه نام‌” حساب سياسي“ به خود گرفت. اين دانشمندان در برسي هاي خود از كميت هاي نسبي و متوسط استفاده مي كردند. همزمان با اين رخداد در آلمان نيز مكتب ” آمار توصيفي “ ظهور يافت. دانشمندان اين مكتب با استفاده از اعداد، دولتها و كشورها را تشريح و تفسير می نمودند. بين داشمندان دولت شناس، بيش از همه ” آخن وال“ جلب نظر ميكند. بعضي از آمار دانان وی را پدر علم آمار مي دانند.

@gu_stat

#معرفی_دانشمند
سر رونالد المر فیشر آمارشناس و زیست شناس بزرگ متولد انگلستان بود که در سال ۱۸۹۰ در شهر لندن دیده به جهان گشود.
همواره به عنوان یکی از بزرگترین دانشمندان عصر خویش شناخته شده وبه پدر علم آمار مشهور میباشد.
سال ۱۹۰۹ تحصیلات خود را در رشته‌ی ریاضیات و نجوم در دانشگاه کمبریج آغاز کرد و در سال ۱۹۱۲ با شرایط نامطلوب اقتصادی و بدون حمایت مالی از دانشگاه فارغ التحصیل شد. از سال ۱۹۱۳ تا ۱۹۱۹ به تدریس ریاضیات و فیزیک در دانشگاه بردفیلد مشغول شد. او در همان سال‌ها، با توجه به علاقه‌اش به زیست شناسی، مقالات متعدد میان رشته‌ای از جمله «همبستگی بین خویشاوندان با فرض قوانین مندل» که در آن مفهوم تحلیل واریانس (ANOVA) برای اولین بار استفاده شد را به ثبت رساند. در سال ۱۹۲۱، مفهوم درستنمایی (likelihood) را معرفی کرد. به این منظور، مقالات و کتب متعددی را نوشت که از جمله‌ی آن ها می‌توان به «روش‌های آماری برای محققان»، «طراحی آزمایشات» و «جداول آماری» اشاره کرد.
ریاست دانشکده‌ی یوژنیک دانشگاه لندن و تدریس ژنتیک در دانشگاه کمبریج بخشی از زندگی کاری وی است.
فیشر از جانب مراکز علمی و دانشگاهی زیادی از جمله دانشگاه‌های هاروارد (۱۹۳۶)، کلکته (۱۹۳۸)، لندن (۱۹۴۶)، گلسگو (۱۹۴۷)، آدلاید (۱۹۵۹) و لیدز (۱۹۶۱) مورد تقدیر واقع شد.
وی در سال ۱۹۶۲، پس از سال ها تلاش بی وقفه در عرصه های مختلف علمی از جمله آمار، دار فانی را وداع گفت.
#Sir_Ronald_Aylmer_Fisher
👇👇👇
@gu_stat

تقویم آموزشی ۹۸_۹۹