تعاریف کلیدی

#قسمت_اول

#آمار_چیست؟
دانشی است که به مطالعهٔ گردآوری، تحلیل، تفسیر، ارائه و سازماندهی داده‌ها می‌پردازد. آمار را باید علم و عمل استخراج، بسط، و توسعهٔ دانشهای تجربی انسانی با استفاده از روش‌های گردآوری، تنظیم، پرورش، و تحلیل دادههای تجربی (حاصل از اندازه‌گیری و آزمایش) دانست. زمینه‌های محاسباتی و رایانه‌ای جدیدتری همچون یادگیری ماشینی، و کاوش‌های ماشینی در داده‌ها، در واقع، امتداد و گسترش دانش گسترده و کهن از آمار به عهد محاسبات نو و دوران اعمال شیوه‌های ماشینی در همه‌جا می‌باشد. علم آمار، علم فن فراهم کردن داده‌های کمّی و تحلیل آن‌ها به منظور به دست آورن نتیایجی که اگرچه احتمالی است، اما در خور اعتماد است.

📊📈 @tephd

تعاریف کلیدی

#قسمت_دوم

#احتمال_چیست؟

در زبان محاوره، احتمال یکی از چندین واژه‌ای است که برای دانسته یا پیشامدهای غیر مطمئن به کار می‌رود و کم و بیش با واژه‌هایی مانند ریسک، خطرناک، نامطمئن، مشکوک و بسته به متن قابل معاوضه‌است. شانس، بخت، امتیاز و شرط‌بندی از لغات دیگری است که نشان دهنده برداشت‌های مشابهی است. همانگونه که نظریه مکانیک به تعاریف دقیق ریاضی از عبارات متداولی مثل کار و نیرو می‌پردازد، نظریه احتمالات نیز تلاش دارد تا مفاهیم و برداشت‌های مربوط به احتمالات را کمّی سازی کند.

📊📈 @tephd

تعاریف کلیدی

#قسمت_سوم

#نرم_افزار

آمار مدرن برای انجام بعضی از محاسبات خیلی پیچیده و بزرگ به وسیله رایانه‌ها استفاده می‌شود. کل شاخه‌های آمار با استفاده از محاسبات کامپیوتری انجام‌پذیر شده‌اند، برای مثال شبکه‌های عصبی. انقلاب کامپیوتری با یک توجه نو به آمار «آزمایشی» و «شناختیک» رویکردهایی برای آینده آمار داشته‌است.

یکی از مهم‌ترین کاربردهای آمار و احتمال با استفاده از رایانه شبیه‌سازی است.

📊📈 @tephd
آموزش نرم افزارهای آماری

تعاریف کلیدی

#قسمت_چهارم

#شبیه_سازی

شبیه‌سازی نسخه‌ای از بعضی وسایل حقیقی یا موقعیت‌های کاری است. شبیه‌سازی تلاش دارد تا بعضی جنبه‌های رفتاری یک سیستم فیزیکی یا انتزاعی را به وسیله رفتار سیستم دیگری نمایش دهد. شبیه‌سازی در بسیاری از متون شامل مدل سازی سیستم‌های طبیعی و سیتم‌های انسانی استفاده می‌شود. برای به دست آوردن بینش نسبت به کارکرد این سیستم‌ها در تکنولوژی و مهندسی ایمنی که هدف، آزمون بعضی سناریوهای عملی در دنیای واقعی است از شبیه‌سازی استفاده می‌شود. در شبیه‌سازی با استفاده از یک شبیه‌ساز یا وسیله دیگری در یک موقعیت ساختگی می‌توان آثار واقعی بعضی شرایط احتمالی را بازسازی کرد.


📊📈 @tephd
آموزش نرم افزارهای آماری

تعاریف کلیدی

#قسمت_پنجم

#انواع_شبیه_سازی

1- شبیه‌سازی فیزیکی و متقابل
2- شبیه‌سازی در آموزش
الف - شبیه‌سازی زنده
ب - شبیه‌سازی مجازی
ج - شبیه‌سازی ساختاری
د - شبیه‌سازی ایفای نقش
۳ - شبیه‌سازی‌های پزشکی
۴ - شبیه‌سازهای پرواز
۵ - شبیه‌سازی و بازیها
۶ - شبیه‌سازی مهندسی
۸ - شبیه‌سازی کامپیوتری
۹ - شبیه‌سازی در علم رایانه
1۰ - شبیه‌سازی در تعلیم و تربیت

📊📈 @tephd
آموزش نرم افزارهای آماری

تعاریف کلیدی

#قسمت_ششم

#جامعه_آماری

عبارت است از مجموعه کامل اندازه‌های ممکن یا اطلاعات ثبت شده از یک صفت کیفی، در مورد گردآورده کامل واحدها، که می‌خواهیم استنباط‌هایی راجع به آن انجام دهیم.
منظور از عمل گردآوردن داده‌ها، استخراج نتایج درباره جامعه می‌باشد. یا به بیان ساده‌تر، در هر بررسی آماری، مجموعه عناصر مورد نظر را جامعه می‌نامند در نتیجه جامعه، مجموعه تمام مشاهدات ممکن است که می‌توانند با تکرار یک آزمایش حاصل شوند.

📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_هفتم

#نمونه

نمونه در آمار به تعدادی از اجزا انتخاب شده با روش تصادفی از یک جامعه آماری گفته می‌شود که با بررسی مشخصات در نمونه فرضیات آماری در جامعه مرجع قابل تحقیق می‌باشند. اگر بخواهیم موضوعی خاص را در مورد جامعه‌ای بررسی کنیم، می‌توانیم تک تک اعضای آن مجموعه را مورد بررسی قرار دهیم. اما در راهی ساده‌تر می‌توانیم موضوع را درمورد تعداد محدودی از جامعه آماری (که به تصادف، با دقت و مطالعه لازم انتخاب می‌شوند و تعدادشان به فراخور اندازه جامعه آماری تغییر می‌کند) بررسی کرده و نتیجه را به آن جامعه نسبت دهیم. در اینصورت مشکلاتی مانند در دسترس نبودن تمام اعضای جامعه، وقت‌گیر بودن، هزینه بالا و از بین رفتن جامعه در برخی مطالعات، مرتفع می‌گردند.


📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_هشتم

#مقیاس_اسمی

عبارت اسمی، یعنی نام‌گذاری کردن.

در مقیاس اسمی، افراد همانند، از نظر یک صفت ویژه، در یک دسته قرار می‌گیرند. ملاک طبقه‌بندی در این نوع مقیاس، بر ویژگی‌های مشترک افراد یا رویدادها، مبتنی است و به عبارت دیگر، ویژگی‌ها، صرفاً در مقوله‌هایی رده‌بندی می‌شوند؛ بی آن که هیچ رابطه ریاضی بین مقوله‌ها ضرورت داشته باشد. مثال: فرض کنید که محققی مایل است تا تعداد دانش آموزان شاد و غمگین را در یک کلاس بررسی کند. اگر وی پس از مصاحبه با هر کودک و با استفاده از قاعده ای خاص، او را در مقوله شاد و غمگین رده‌بندی کند، در این صورت، محقق از مقیاس اسمی استفاده کرده است. هیچ رابطه ریاضی یی بین شاد و غمگین فرض نمی‌شود و آن ها تنها دو مقوله متفاوتند. هر چند به این مقوله‌ها می‌توان 0 و 1 را نسبت داد، اما این دو عدد، هیچ رابطه‌ای با مقادیر صفت متغیر (شاد و غمگین) ندارند.

📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_نهم

#مقیاس_ترتیبی

عبارت ترتیبی؛ یعنی ترتیب دادن.

مقیاس رتبه‌ای، مقیاسی است که افراد یا اشیا را از لحاظ صفت ویژه، رتبه‌بندی می‌کند. در این مقیاس به تعداد افراد، رتبه وجود دارد. در مقیاس رتبه‌ای، اعداد فقط اطلاعاتی درباره سلسله مراتب یا به عبارتی، رتبه اشیاء یا افراد در طول مقیاس، فراهم می‌ورند؛ مثل «طبقه اجتماعی – اقتصادی». در مقیاس رتبه ای نه تنها تفاوت کیفی متغیر ها مشخص می شود.( مانند مقیاس اسمی) بلکه برتری یا کم تری مقدار و درجه ی صفت مورد بررسی نیز، نشان داده می شود. بدین معنا که افراد مورد مطالعه از نظر صفت مورد نظر، از بیش ترین تا کم ترین مقدار آن صفت درجه بندی و مرتبه هر فرد نسبت به دیگران مشخص می شود. فرض کنید که مشاهده گر در مثال قبلی ما، با تمام کودکان کلاس مصاحبه کرده و سپس آنان را بر حسب میزان شادی رتبه بندی نموده است. اکنون شادی هر کودک را می توان بر حسب رتبه مشخص کرده و سپس آنان را بر حسب میزان شادی رتبه بندی کرد. با مشخص کردن ترتیب دانش آموزان بر حسب شادی، مشاهده گر یک مقیاس ترتیبی به وجود آورده است.


📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_دهم

#مقیاس_فاصله_ای

این مقیاس از مقیاس های قبلی کامل تر است. در این نوع اندازه گیری، نه تنها افراد از نظر صفت مورد مطالعه طبقه بندی می شوند و رتبه هر فرد تعیین می شود، بلکه تفاوت هر فرد با فرد دیگر را نیز می توان تعیین کرد. این مقیاس به ما اجازه می دهد، میانگین و انحراف معیار پاسخ های مرتبط با متغیر های مختلف را محاسبه کنیم.

به عبارت دیگر این مقیاس نه تنها قادر است افراد را با توجه به خصوصیت مشخصی گروه بندی کند و رتبه ها را درون گروه های مشخص سازد، بلکه قادر است مقدار این تفاوت را اندازه گیری و تفاوت بین اشخاص را مشخص سازد. در حقیقت نه تنها ترتیب اشیا بلکه فاصله بین آن ها نیز مشخص می گردد. علاوه بر آن در این مقیاس مبدا صفر وجود ندارد. برای مثال در یک آزمون نمره یک دانش آموز 20 و نمره دیگری 18 است. بنابراین مقیاس فاصله ای با فراهم آوردن واحد ثابت اندازه گیری، به تفاوت بین اعداد، معنا می دهد.

📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_یازدهم

#مقیاس_نسبی

مقیاس نسبی دقیق ترین مقیاس اندازه گیری است. خصوصیات ممتاز مقیاس نسبی داشتن نقطه ای دقیق برای شروع است که آن را صفر مطلق می نامیم. و از این رو، نارسایی نقطه دلخواه برای شروع در مقیاس ترتیبی را جبران می کند. صفر مطلق مقیاسی معنا دار در یک مقیاس اندازه گیری است. این مقیاس قوی ترین مقیاس اندازه گیری بین چهار مقیاس موجود است. نکته مهم این است که چنان چه متغیری را در مقیاس بالاتر، اندازه گیری کرده ایم می توانیم به مقیاس های سطح پایین تر تبدیل کنیم ولی عکس آن امکان پذیر نیست.

📊📈 @tephd
آموزش نرم افزارهای آمار

برنامه آموزشی 20مهرماه

در پنجشنبه به تعریف و تشریح این موضوعات میپردازیم
آمار پارامتری
آمار ناپارامتری
علم داده‌ها
توزیع آنرمال
و....


📊📈 @tephd
آموزش نرم افزارهای آمار

آموزش تخصصی آمار

محاسبات اماری
روش کار با نرم افزارهای آماری

جهت یادگیری گام به گام هم اکنون به ما ملحق شوید👇👇
https://t.me/joinchat/AAAAAEOUFZ7ebIvRFuwc_A

این کانال تحت پوشش و حمایت تیم راهبردی "منابع پارس پژوهه " است
@paphd
@tephd
@pajoohehgroup

با صبوری در کنار ما باشید و آمار را کامل و صحیح بیاموزید

تعاریف کلیدی

#قسمت_دوازدهم

#آمار_پارامتريك_ناپارامتريك

آمار پارامتريك، براي سنجش فرضيه هايي كه متغير آنها كمي است از آمار پارامتريك استفاده مي شود. متغيرهاي كمي به علت كمي بودن و واحد پذير بودن از اين ويژگي برخوردارند كه آنها را ميانگين پذير و انحراف معيار پذير مي كنند و به دليل همين ويژگي معمولا براي استفاده آزمون هاي پارامتريك، پيش فرض هايي لازم است كه از آن جمله نرمال بودن توزيع جامعه است زيرا در حالتي كه توزيع جامعه نرمال نباشد، ميانگين و انحراف معيار، نمايي واقعي از داده ها را به تصوير نمي كشانند.
آمار ناپارامتريك: براي سنجش فرضيه ها با متغيرهاي كيفي، آما ناپارامتريك استفاده مي شود. اين آزمون ها كه از آن ها با عنوان «آزمون هاي بدون پيش فرض» نيز ياد مي شود،‌ به هيچ پيش فرض خاصي نياز ندارند. جهت تبديل متغيرها مي توان متغيرهاي كمي را به كيفي تبديل نمود و آنها را با آزمون هاي ناپارامتريك مورد ارزيابي قرار داد ولي عكس اين عمل امكان پذير نمي باشد. ضمناً سطوح دقت در آزمون هاي پارامتريك از آزمون هاي ناپارامتريك بيشتر است.

📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_سیزدهم

#نما

نما(mode): مقداری از داده هاست که بیشترین فراوانی را دارد؛ همانطور که از تعریف مشخص است در نما نوع داده ها اهمیت ندارد بنابراین هم برای داده های کیفی و هم داده های کمی کاربرد دارد.
در مجموع این شاخص اطلاعات زیادی در اختیار نمی گذارد و معمولا به تنهایی گزارش نمی شود.

📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_چهاردهم

#میانه

میانه(median): برای متغیرهایی که مرتب کردن آنها از کوچک به بزرگ امکان پذیر است ( معنی دار است) میانه را می توان محاسبه نمود.
برای به دست آوردن میانه ابتدا داده ها را از کوچک به بزرگ مرتب کرده سپس داده ای که در مرکز قرار می گیرد را به میانه معرفی می کنیم.
میانه شاخصی است که 50 درصد (نیمی ) مشاهدات از آن کوچکتر و 50 درصد ( نیمی ) مشاهدات از آن بزرگتر هستند.
یکی از معایب میانه این است که بیشتر اطلاعات را در نظر نمی گیرد مثلا میانه مجموعه اعداد 110, 90, 24, 20, 73 و مجموعه اعداد 2500, 1900, 24, 0, 73 عدد 73 است. در حقیقت برای محاسبه میانه تعداد اعداد اهمیت دارد و مقادیر که در بالا و پایین میانه قرار می گیرند اهمیت ندارد.

📊📈 @tephd
آموزش نرم افزارهای آمار

تعاریف کلیدی

#قسمت_پانزدهم

#میانگین
میانگین پرکاربرد ترین شاخص مرکزی است
برای محاسبه میانگین مقدار تمام نمونه ها را جمع کرده و بر تعداد آنها تقسیم می کنیم.
همان گونه که از فرمول مشخص است میانگین را تنها برای داده های کمی می توان به کار برد و محاسبه میانگین برای داده های کیفی کاری غیر منطقی است.
یکی از معایب میانگین این است که تحت تاثیر داده های پرت قرار می گیرد. مثلا میانگین اعداد 1000, 8, 6, 4, 2 عدد 204 است که نماینده ی خوبی برای داده ها نیست
بنابراین در ارائه تجزیه و تحلیل ها و گزارش های آماری بیان یکی از شاخص های مرکزی به تنهایی کافی نیست و حداقل باید هر دو شاخص میانه و میانگین ارائه گردد. تا شکل توزیع به خوبی مشخص شود.

📊📈 @tephd
آموزش نرم افزارهای آمار

چند نکته مهم :

اگر میانگین و میانه یکی باشند توزیع مقادیر کاملا متقارن خواهد بود
اگر میانگین بزرگتر از میانه باشد توزیع مقادیر دارای چولگی مثبت ( به طرف راست) است.
اگر میانگین کوچکتر از میانه باشد توزیع مقادیر دارای چولگی منفی ( به طرف چپ) است

بنابراین هنگامی که تعدادی از مقادیر از بقیه اعداد خیلی بزرگتر یا خیلی کوچکتر هستند، میانگین به تنهایی شاخص خوبی نیست. این شاخص تحت تاثیر مقادیر پرت قرار می گیرد و لازم است که میانه را نیز گزارش نمود.


📊📈 @tephd
آموزش نرم افزارهای آمار