فهرست مطالب وبلاگ

       در این مطلب، فایل های خلاصه کتاب «مدیریت استراتژیک» نوشته «فرد آر. دیوید» ترجمه دکتر پارسائیان و دکتر اعرابی ارائه شده است. امیدوارم برایتان مفید باشد.

لینک دانلود:

• فایل اول (ارائه شده توسط محمدرضا جنیدی)
• فایل دوم (ارائه شده توسط علی فوز مسلمیان)
• فایل سوم (ارائه شده توسط دکتر یوسف بیگ زاده، بهروز صبوحی لکی)

     در مباحث قبلی، تکنیک های تصویری و جدولی برای تلخیص مجموعه ای از داده های اسمی ارائه شد؛ تکنیک های مورد استفاده برای مجموعه واحدی از داده ها تک متغیره (univariate) نامیده می شود. موقعیت هایی وجود دارد که تمایل داریم رابطه بین متغیرها را نشان دهیم. در این موارد، روش های دومتغیره (bivariate) مورد نیاز است. یک جدول طبقه بندی متقاطع (cross- classification table) که جدول بندی متقاطع (cross- tabulation) هم نامیده می شود، برای توصیف رابطه دو متغیر اسمی به کار می رود. همچنین از نمودارهای ستونی جهت توصیف تصویری این رابطه استفاده می شود. از همین تکنیک برای مقایسه دو یا چند مجموعه داده های اسمی نیز استفاده می شود.

روش های جدولی توصیف رابطه بین دو متغیر اسمی

     برای توصیف رابطه دو متغیر اسمی، باید حتما به یاد داشته باشیم که فقط مجازیم فراوانی متغیرها را تعیین نماییم. در اولین گام، نیاز است که یک جدول طبقه بندی متقاطع ایجاد نماییم که فراوانی هر ترکیبی از مقادیر دو متغیر را فهرست می کند.

     اگر دو متغیر باهم ارتباط داشته باشند، اختلاف هایی معنادار در اعداد جدول ملاحظه خواهد شد. یک راه ساده برای مشاهده این موضوع، تبدیل فراوانی ها در هر سطر (ستون) به فراوانی های نسبی در هر سطر (ستون) است. این یعنی محاسبه جمع سطر (ستون) و تقسیم هر فراوانی بر جمع آن سطر (ستون).

ترسیم رابطه دو متغیر اسمی

     چندین راه برای نمایش تصویری رابطه بین دو متغیر اسمی وجود دارد. مثلا می توان از نمودارهای دو بعدی میله ای استفاده کرد. این نمودارها از خروجی جدول های محوری (Pivot Table) نیز قابل ترسیم هستند (با استفاده از فراوانی یا فراوانی نسبی). اگر دو متغیر با هم مرتبط نباشند، الگوهای به نمایش در آمده در نمودارهای میله ای باید تقریبا یکی باشند. اگر مقدار رابطه ای وجود داشته باشد، آنگاه بعضی نمودارهای میله ای متفاوت از بقیه خواهند بود.

عواملی که تعیین می کند چه زمانی از جدول طبقه بندی متقاطع استفاده شود:

1. هدف: توصیف رابطه بین دو متغیر و مقایسه دو یا چند مجموعه داده ها
2. نوع داده ها: اسمی

فهرست مطالب وبلاگ

در این قسمت، چند روش تصویری مورد استفاده برای داده های فاصله ای را معرفی می کنیم. مهمترین روش تصویری هیستوگرام (histogram) یا بافت نگار است. هیستوگرام نه تنها یک تکنیک تصویری قدرتمند مورد استفاده برای خلاصه کردن داده های فاصله ای است، بلکه برای کمک به توضیح یکی از ویژگی های مهم احتمال هم به کار می رود.

ما برای داده های فاصله ای از طریق شمارش تعداد مشاهداتی که در هر سری از فاصله ها (طبقات: classes) قرار دارند، یک جدول توزیع فراوانی ایجاد می کنیم. این طبقات دامنه کاملی از مشاهدات را پوشش می دهند. توجه کنید که این فواصل (طبقات) همپوشانی ندارند. همچنین پهنای فواصل یکسان است؛ اگرچه این موضوع ضروری نیست، اما خواندن و تفسیر نمودار را آسان تر می کند.

اگرچه جدول توزیع فراوانی اطلاعاتی را در مورد اینکه اعداد چگونه توزیع شده اند، فراهم می آورد، از طریق ترسیم یک عکس یا نمودار، اطلاعات خیلی راحت تر فهمیده و ارائه می شود. این نمودار هیستوگرام (بافت نگار) نامیده می شود و با ترسیم مستطیل هایی که عرض آنها برابر فواصل طبقات است و بلندی آنها برابر فراوانی ها است، ایجاد می شوند.

     همانطور که اشاره شد، تنها محاسبه مجاز در خصوص داده های اسمی، شمارش فراوانی هر مقدار متغیر است. ما می توانیم داده ها را در یک جدول نمایشگر طبقات و تعداد آنها که توزیع فراوانی (frequency distribution) نامیده می شود، خلاصه کنیم. توزیع فراوانی نسبی (relative frequency distribution) طبقات و نسبتی را که هر کدام رخ می دهد، فهرست می کند. ما می توانیم تکنیک های تصویری را برای ارائه تصویری از داده ها استفاده کنیم. دو روش تصویری وجود دارد که می توانیم استفاده کنیم: نمودار میله ای (bar chart) و نمودار دایره ای (pie chart).

     یک نمودار میله ای اغلب برای نمایش فراوانی ها استفاده می شود. یک نمودار دایره ای هم به صورت تصویری فراوانی های نسبی را نشان می دهد. نمودار میله ای با ترسیم یک مستطیل برای نمایش دادن هر طبقه ایجاد می شود. بلندی مستطیل نشان دهنده فراوانی آن طبقه است. اگر بخواهیم به جای رسم نمودار میله ای بر فراوانی های نسبی تأکید کنیم، نمودار دایره ای را ترسیم می کنیم. یک نمودار دایره ای به بیان ساده یک دایره است که به قطعاتی که نمایشگر طبقات است، برش خورده است. اندازه هر قطعه متناسب با درصد متناظر با آن طبقه است. برای مثال، از آنجا که تمام دایره از 360 درجه تشکیل یافته است، یک طبقه که 25% مشاهدات را در بر دارد، با قطعه ای که از دایره نشان داده می شود که محتوی 25% از 360 درجه باشد؛ که برابر است با 90 درجه.

     عواملی که مشخص می کند چه زمانی از جدول های فراوانی و فراوانی نسبی، و همچنین نمودارهای ستونی و دایره ای استفاده شود:

1. هدف: توصیف مجموعه ای واحد از داده ها
2. نوع داده ها: اسمی

فهرست مطالب وبلاگ

1. داده های فاصله ای (Interval): تمام محاسبات در مورد داده های فاصله ای مجاز هستند. اغلب مجموعه ای از داده های فاصله ای را با محاسبه میانگین توصیف می کنیم. چندین آماره مهم دیگر هم وجود دارند.
2. داده های اسمی (Nominal): از آنجا که کدهای داده های اسمی کاملا اختیاری و دلخواه هستند، نمی توانیم هیچگونه محاسبه ای بر روی این کدها انجام دهیم. در واقع محاسبات بر روی کدهای اختصاص یافته به این نوع داده ها بی معنا است. تنها چیزی که مجازیم با داده های اسمی انجام دهیم، شمردن رخ دادن هر طبقه و گزارش دادن فراوانی آنها است.
3. داده های ترتیبی (Ordinal): مهمترین ویژگی داده های ترتیبی، ترتیب مقادیر است. در نتیجه تنها محاسبات مجاز، انهایی هستند که شامل فرایند رتبه بندی باشند. برای مثال می توانیم تمام داده ها را به ترتیب قرار دهیم و کدی را که در وسط قرار دارد انتخاب کنیم. این مقدار توصیفی، «میانه» نامیده می شود.

فهرست مطالب وبلاگ

     از طریق لینک های زیر می توانید دفترچه سؤالات سؤالات آزمون تخصصی دکتری مدیریت (رشته مدیریت بازرگانی و راهبردی) در سالهای مختلف را دانلود نمایید.

لینک دانلود:

• سال 1399
• سال 1398
• سال 1397
• سال 1396
• سال 1395
• سال 1394
• سال 1393
• سال 1392
• سال 1391
• سال 1390

فهرست مطالب وبلاگ

یکی از بحث های مهم در یادگیری آمار، فهم دو نکته زیر است:

• چگونگی ترسیم نمودارها و محاسبه آماره ها (دستی یا کامپیوتری)
• زمان استفاده از هر تکنیک آماری

دو عامل مهم و تعیین کننده که روش مناسب برای استفاده را مشخص می کنند، عبارتند از: نوع داده ها، و نوع اطلاعات مورد نیاز. هدف علم آمار استخراج اطلاعات از داده ها است. انواع مختلفی از داده ها و اطلاعات وجود دارند. برای تشریح بهتر این موضوع مهم، تعریف بعضی اصطلاحات ضروری است:

• یک متغیر (Variable) بعضی ویژگیهای یک جامعه آماری یا نمونه آماری است. برای مثال، نمره امتحان درس آمار یک ویژگی امتحانات آمار است؛ همه دانشجویان یک نمره را کسب نمی کنند و نمرات از یک دانشجو به دانشجوی دیگر متفاوت است. بنابراین به آن متغیر می گویند. معمولا نام متغیر را با استفاده از حروف بزرگ انگلیسی مثل X,Y,Z مشخص می کنند.
• مقادیر (values) یک متغیر، مشاهدات ممکن برای آن متغیر هستند. مثلا مقادیر نمرات امتحان آمار، اعداد بین 0 تا 20 هستند.
• داده ها (data) مقادیر مشاهده شده یک متغیر هستند. داده ها صورت جمع داده (datum) است. نمره یک دانشجو یک داده است.

     آمار استنباطی مجموعه ای از روشها است که برای بیرون کشیدن نتایج یا استنباط هایی درباره ویژگیهای جامعه آماری بر اساس داده های نمونه استفاده می شود.

     مسائل استنباط آماری مشتمل بر 3 مفهوم کلیدی است: جامعه آماری، داده ها و استنباط آماری. اکنون هر یک از این مفاهیم را مورد بحث بیشتر قرار می دهیم:

1.  جامعه آماری (Population): یک جامعه آماری، گروهی از تمام موارد مورد علاقه یک متخصص آمار است. در واقع، جامعه آماری مشتمل بر تمام مجموعه مشاهدات تحت بررسی است. اغلب خیلی بزرگ است و ممکن است حتی بی نهایت بزرگ باشد. در زبان علم آمار، جامعه آماری لزوما به گروهی از مردم اشاره ندارد. یک مقدار توصیفی (descriptive measure) از یک جامعه آماری، یک پارامتر (parameter) نامیده می شود. در بیشتر کاربردهای آمار استنباطی، پارامتر همان اطلاعاتی است که نیاز داریم.
2. نمونه آماری (Sample): یک نمونه آماری مجموعه ای از داده ها است که از جامعه آماری بیرون کشیده می شود. یک نمونه زیرمجموعه ای از جامعه آماری است. یک مقدار توصیفی از یک نمونه آماری، یک آماره (statistic) نامیده می شود. ما از آماره ها استفاده می کنیم تا استنباط هایی درباره پارامترها داشته باشیم.
3. استنباط آماری (Statistical Inference): استنباط آماری فرایند ایجاد یک برآورد، پیش بینی یا تصمیم درباره یک جامعه آماری بر اساس داده های نمونه ای است. از آنجا که جوامع آماری تقریبا همیشه خیلی بزرگ هستند، بررسی هر عضو جامعه آماری غیر عملی و هزینه بر خواهد بود. بسیار آسان تر و ارزان تر است که نمونه ای از جامعه مورد علاقه انتخاب شود و بر اساس اطلاعات فراهم آمده از آن، نتایجی درباره جامعه آماری بیرون کشیده شود یا برآوردهایی درباره جامعه ایجاد شود. اما این نتایج و برآوردها همیشه درست نخواهد بود. به همین علت، در بحث استنباط آماری مقدار روایی (اعتماد پذیری) (measure of reliability) ایجاد شده است. دو مقدار در این خصوص وجود دارد؛ سطح اطمینان  و سطح معنی داری:

• سطح اطمینان (Confidence Level): نسبت تعداد مواردی است که یک روش برآوردی درست خواهد بود؛ در صورتی که روش نمونه گیری به تعداد بسیار زیاد تکرار شود. مثلا اگر سطح اطمینان 95% باشد، در تعداد نمونه گیری های متعدد، برآوردها در 95% موارد درست خواهد بود.
• سطح معنی داری (Significance Level): وقتی هدف استنباط آماری بیرون کشیدن نتیجه ای درباره یک جامعه آماری است، سطح معنی داری اندازه می گیرد که در تکرارهای زیاد، نتیجه چند بار اشتباه خواهد بود. برای مثال، سطح معنی داری 5% به مفهوم آن است که در تعداد نمونه گیری های متعدد، نتیجه حاصل در 5% تعداد موارد غلط خواهد بود.

فهرست مطالب وبلاگ

     از طریق لینکهای ذیل می توانید فایل های پی دی اف «فرهنگ لغت آماری» را دانلود نمایید. امیدوارم مفید باشد:

لینک دانلود:

• فایل اول
• فایل دوم (منبع: http://www.worldstat.blogfa.com)
• فایل سوم (THE CAMBRIDGE DICTIONARY OF Statistics)
• فایل چهارم (واژه نامه ریاضی جهاد دانشگاهی) (منبع: http://mathematic87.blogfa.com)
• فایل پنجم (واژه نامه ریاضی جهاد دانشگاهی)

فرهنگ لغت آنلاین:

• فرهنگ لغت آنلاین ISI (انگلیسی به فارسی و زبان های دیگر)
• فرهنگ لغت آنلاین ISI (فارسی به انگلیسی و زبان های دیگر)
• سامانه ملی تعاریف و مفاهیم آماری (درگاه ملی آمار)
• واژه نامه و اصطلاحات آماری (پژوهشکده آمار)

فهرست مطالب وبلاگ

     آمار توصیفی با روش های سازماندهی، خلاصه سازی، و ارائه داده ها به شیوه ای راحت و مفید سر و کار دارد. یک نوع از آمار توصیفی مستلزم استفاده از تکنیک های تصویری است که به متخصصان آماری اجازه می دهد داده ها را به شیوه ای ارائه نمایند که استخراج اطلاعات را برای خواننده آسان نماید. نوع دیگر آمار توصیفی، از تکنیک های عددی برای خلاصه کردن داده ها استفاده می کند. (یکی از این تکنیک ها که تا کنون بارها استفاده کرده اید، محاسبه میانگین است).