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

آموزش مقدماتی امار و احتمال با حل نمونه مثال

#امار
#احتمال
#آموزش _مقدماتی
📊📈 @tephd
آموزش نرم افزارهای آمار

نرم افزار کاربردی

ویژه اندروید

واژه نامه آمار و احتمال

🎓 @stphd
🌐 www.pajooheh.ir

منابع اطلاعاتی پارس پژوهه

💠 آموزش SPSS «قسمت اول»

#SPSS17


🎓 @stphd
🌐 www.pajooheh.ir

منابع پارس پژوهه

💠 آموزش Word «قسمت اول»
(معرفی محیط نرم افزار و قسمت Ribbon)

#word_2016

🎓 @stphd
🌐 www.pajooheh.ir

منابع پارس پژوهه

💠 آموزش Word «قسمت دوم»
(استفاده از Templateها برای شروع ایجاد فایل)
#word_2016

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠 آموزش SPSS «قسمت دوم»

#SPSS17

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠آزمون مناسب با توجه به نوع داده

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠آموزش SPSS «قسمت سوم»

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠 آموزش Word «قسمت سوم»
(باز کردن اسناد موجود، استفاده از کلیدهای میانبر و ...)

#word_2016

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠 آزمون Kruskal-Wallis H «اچ کروسکال-والیس» در برنامه SPSS


مدرس: #دکتر_یحیی_علی_بابایی

#بر_اساس_درخواست

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠 آموزش SPSS «قسمت چهارم»

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir

💠 آموزش Word «قسمت چهارم»
(ذخیره سازی و امکانات پیشرفته ذخیره سازی)


#word_2016

❄️منابع پارس پژوهه❄️

🎓 @stphd
🌐 www.pajooheh.ir