نوشته‌ها

آموزش Minitab

آموزش Minitab برای مهندسان صنایع | (تصویری)

آموزش Minitab

آموزش Minitab نرم افزار قدرتمند در زمینه آمار و تحلیل آن به بررسی روش های تبدیل مشخصه های کیفی غیر نرمال به نرمال میپردازیم در آموزش قبلی به چند روش در این زمینه پرداخته شد برای دسترسی به مقاله های قبلی اینجا کلیک کنید. در این آموزش به موارد زیر میپردازیم :

  1. تبدیل جانسون (Johnson Transformation)
  2. فلسفه نمودارهای کنترل
  3. مراحل تهیه نمودار های کنترل

 

آموزش Minitab

تبدیل جانسون (Johnson Transformation)

در ادامه آموزش Minitab روش تبدیل جانسون الگوریتم متفاوتی نسبت به روش BOX-COX دارد به طوریکه بهترین تابع تبدیل متغیر را از بین سه خانواده از توابع توزیع متغیر موجود در سیستم جانسون انتخاب میکند که این توزیع ها عبارتند از SB، SL، SU که B، L و U به ترتیب بیانگر  Bounded (حددار) Longnormal و Unbounded (بدون حد) میباشد.

الگوریتم تبدیل جانسون به این صورت است که ابتدا پارامترهای مورد نیاز توابع تبدیل را تخمین میزند سپس همه ی متغیرهای غیر نرمال را با هر سه تابع تبدیل از سه خانواده ی توابع توزیع موجود در سیستم جانسون، تبدیل میکند سپس آزمون فرض اندرسون دارلینگ را برای هر سه سری متغیر تبدیل یافته انجام میدهد و هر کدام از آزمون فرض ها که بیشترین  p-value را داشته باشد را به عنوان بهترین تبدیل استفاده میکند. توابع توزیع تبدیل به شرح زیر میباشند:

 

آموزش Minitab

 

مثال: میخواهیم مشاهدات فایل Tiles.MTW در مثال قبل را این بار با تبدیل جانسون به نرمال تبدیل کنیم.

قدم اول: مسیر زیر را برای ایجاد تبدیل جانسون دنبال کنید:

 

آموزش Minitab

 

قدم دوم: در قسمت Data are arranged as اگر کلیه ی مشاهدات را در یک ستون وارد کردید، ستون مورد نظر را در مقابل  single column وارد کنید، در این مثال  c1 را در کادر گفته شده وارد، کنید. اگر نمونه گیری شما شامل مشاهدات مختلف میباشد و مشاهدات هر گروه منطقی را در سطرها وارد کردید.

گزینه subgroups across rows of را انتخاب کرده و ستون هایی که شامل مشاهدات شما در، هر بار نمونه گیری میباشد را انتخاب و وارد کنید.

در قسمت Store transformed data in جایی که میخواهید داده های تبدیل شده ذخیره شوند وارد کنید. باز هم اگر مشاهدات شما در یک ستون میباشد و در کادر بالاsingle column  را انتخاب کردید برای ذخیره تبدیل شده مشاهداتتان فقط گزینهsingle column  فعال است در غیر این صورت فقط گزینه  subgroup across rows of فعال میباشد. در این مثال ستون c2 را در مقابل  single column در قسمت Store transformed data in وارد کنید.

قدم سوم: options را انتخاب کنید و مقدار p-value اسمی را وارد کنید، p-value اسمی در واقع همان α خطای نوع ۱ می باشد که اگر p-value به دست آمده از α بیشتر شود فرض صفر را میپذیریم. در این مثال در کادر p-value to select best fit مقدار ۰٫۱ را قرار دهید.

 

آموزش Minitab

 

قدم چهارم: ok را بزنید.

 

آموزش Minitab

 

تحلیل: همانطور که از شکل پیداست Minitab طرح احتمال را هم برای قبل از تبدیل و هم برای بعد از تبدیل رسم کرده که مشاهده میکنید داده های تبدیل شده به خوبی طرح احتمال نرمال را پوشش دادند. همچنین بهترین تابع توزیع تبدیل را SB تشخیص داده که بیشترین P-value= 0.8855 را داشته است. و تابع تبدیل با تخمین های پارامترهایش نمایش داده، این تابعی است که هر y (متغیر تبدیل شده) از هر x معین (متغیر قبلی) به دست می آید و کلیه y ها در ستون c2 موجود می باشند.

تبدیل جانسون همیشه تابع مناسب را برای تبدیل کردن داده های شما پیدا نمی کند، در چنین مواقعی از تبدیل BOX-COX استفاده کنید.

در ادامه آموزش Minitab پس از اینکه کلیه ی مراحل فوق طی شد یعنی با استفاده از برگه ثبت داده ها نمونه ها جمع آوری شد، با استفاده از نمودار علت و معلول یا نمودار تمرکز نقص ها دلایل شناسایی شد و با استفاده از نمودار پارتو دلیلی از دلایل که باید بررسی شود و بهبود داده شود، انتخاب شد و پس از اینکه مشخصه کیفی قابل اندازه گیری مورد نظر تایید شد (در صورت لزوم استفاده از نمودار پراکنش) و داده ها جمع آوری شد و نرمال بودن آن تایید شد، به سراغ نمودار های کنترل می رویم که در بخش بعد به تشریح آن خواهیم پرداخت.

کلیه ی ابزارهایی که تا به حال ذکر کردیم بسته به نوع موقعیت می توانند مستقل از هم و یا وابسته به هم کار کنند و به کار گیری این نوع ابزار ها فقط بستگی به خلاقیت مهندس کیفیت دارد که کدام ابزار را در کجا و در چه زمانی به کار گیرد و نرم افزار فقط محاسبات را برای مهندس کیفیت انجام می دهد و تجزیه و تحلیل آن فقط و فقط بسته به خود مهندس کیفیت می باشد.

فلسفه نمودارهای کنترل

در ادامه آموزش Minitab پس از اینکه با ابزارهایی که در فصل گذشته آنها را شرح دادیم مشخصه کیفی مورد نظر شناسایی شد حال باید به بهبود آن بپردازیم. نمودارهای کنترل یک ابزار قدرتمند در کنترل فرآیند آماری می باشند که به وسیله ی آن مهندسان کیفیت میتوانند دلایل غیر تصادفی را از دلایل تصادفی در فرآیند تولید تشخیص داده و فرآیند را تحت کنترل دربیاورند.

هدف از ایجاد نمودار های کنترل یک آزمون فرض آماری میباشد که در آن فرض صفر برابر است با فرآیند تولید تحت کنترل میباشد و فرض یک برابر با خارج از کنترل بودن فرآیند تولید میباشد. در صورتیکه کلیه نقاط بین حدود کنترل قرار بگیرد و هیچ روند غیر تصادفی در فرآیند دیده نشود، فرض صفر را میپذیریم.

در نمودار های کنترل برای مشخصه های کیفی متغیر همواره باید دو پارامتر میانگین و انحراف معیار مشخصه کیفی مورد بازرسی، بررسی شود. هرگاه که این دو تحت کنترل درآیند فرآیند تحت کنترل است. همچنین نباید هیچگونه روند غیر تصادفی در نمودار های کنترل دیده شود.

فاز اول در نمودار های کنترل

در فاز اول در نمودار های کنترل هرگونه روند و یا علت غیر تصادفی را شناسایی کرده و آنها را برطرف می کنیم و وقتی فرآیند تحت کنترل قرار گرفت میانگین و انحراف معیار مشخصه کیفی متغیر مورد بازرسی را تخمین میزنیم.

فاز دوم در نمودار های کنترل

هدف فاز دوم تشخیص هر گونه تغییر در میانگین و انحراف معیار مشخصه کیفی میباشد که در فاز ۱ آن ها را بعد از تحت کنترل درآوردن، تخمین زده بودیم.

مراحل تهیه نمودار های کنترل

قدم اول – تعیین خطای نوع (I(α:

هدف از تعیین خطای نوع I ، تعیین حدود کنترل میباشد.

 

α=p{H0 صحیح باشد| رد H0 }=اعلام خطرهای اشتباهی

 

آموزش Minitab

 

احتمال اینکه فرآیند خارج از کنترل قرار بگیرد و فرض صفر رد شود برابر با احتمال این است که یک نقطه از حد بالا یا از حد پایین نمودار بیرون بیفتد، پس داریم:

 

آموزش مینی تب

 

پس با استفاده از رابطه فوق با تعیین خطای نوع I میتوان ضریب انحراف معیار (K) یا حدود کنترل را به دست آورد. مثلا ۰٫۲۷% = α اگر باشد داریم:

آموزش Minitab

 

حتما بخوانید : کنترل فرایند اماری (SPC) در مینی تب

 

در ادامه آموزش Minitab خطای نوع I در نمودار های کنترل همان اعلام خطرهای اشتباهی میباشد مثلا اگر α برابر ( ۲۷/۱۰۰۰۰ ) باشد یعنی به طور متوسط از هر ۱۰۰۰۰ نقطه ۲۷ نقطه به صورت تصادفی از حدود کنترل بیرون می افتد که ما به اشتباه فرآیند را خارج از کنترل اعلام میکنیم در حالیکه فرآیند تحت کنترل است.

معمولاً در صنایع حساس، α را بالاتر انتخاب می کنند تا خطای نوع دوم (β) (احتمال عدم کشف تغییر) کاهش بیابد به طور مثال اگر شما یک خودروی گران قیمت داشته باشید درجه ی حساسیت دزدگیر خودرو را افزایش میدهید (α) تا اگر اتفاق خاصی افتاد سریعا پی به وجود آن ببرید (β). پس هرچه قدر مقدار α بیشتر باشد حدود کنترل تنگ تر می شود و نقاط بیشتری بیرون میفتند و ما بیشتر به دنبال دلایل آن میرویم و اگر تغییر خاصی در فرآیند باشد سریع تر آن را کشف میکنیم.

 

آموزش مینی تب

 

معمولاً در صنعت α را برابر ۰٫۲۷% انتخاب می کنند تا حدود کنترل سه انحراف معیار بشود و اگر مشخصه کیفی حساس باشد آنگاه با تعریف قوانین حساس سازی که درباره آن بحث خواهیم کرد α را  افزایش میدهیم.

 

آموزش Minitab

 

که هرچه تعداد α ها بیشتر شود αTotal افزایش می یابد. به مثال زیر توجه کنید:

فرآیند تولیدی برای یک مشخصه کیفی از محصول وقتی خارج از کنترل است که اولن نقطه ای از حدود ۳ انحراف معیار بیرون بیفتد ثانیا دو نقطه متوالیا بین حدود کنترل (۳انحراف معیار) و حدود هشدار (۲ انحراف معیار) قرار بگیرد. خطای نوع I برای نمودار کل برابر است با:

 

آموزش مینی تب

 

قدم دوم– انتخاب گروه های منطقی:

گروه های منطقی همان تعداد دفعات نمونه گیری می باشد. گروهای منطقی باید به گونه ای انتخاب شوند که فاصله بین هر کدام حداکثر گردد. برای مثال وقتی دو شیفت کاری در یک کارخانه وجود دارد هر شیفت یک گروه منطقی می شود و یا اگر یک بازوی پرکن برای شیشه نوشابه از t بازو تشکیل شده باشد هر بازو یک گروه منطقی می باشد. معمولاً در صنعت بین ۲۰ تا۳۰ گروه منطقی برای هر مسئله تشکیل می دهیم.

قدم سوم – انتخاب زیر گروه های منطقی:

زیر گروه های منطقی همان تعداد نمونه ها در گروه های منطقی می باشد بسته به نوع شرایط می تواند متغیر و یا ثابت باشد اما در بازرسی مشخصه های کیفی متغیر به علت بالا بودن هزینه های بازرسی و یا شاید آزمایش های تخریبی و یا بالابودن زمان آزمایش یک نمونه، زیر گروه های منطقی حداکثر ۱۲ الی ۱۵  تا می باشد.

در فاز ۱ نمودارهای کنترل معمولاً انتخاب گروههای منطقی و زیر گروههای منطقی به صورت تجربی می باشد. ایده آل ترین حالت این است که اندازه نمونه های بزرگ در فواصل زمانی کوتاه تهیه گردند. اما به خاطر مشکلاتی که در بالا ذکر کردیم معمولا ترجیح داده می شود از اندازه نمونه های کوچک در فواصل زمانی کوتاه استفاده کرد اما باز هم تاکید می کنیم شرایط است که تعیین کننده میباشد. برای مثال اگر تغییر در میانگین فرآیند تولید منجر به خسارت زیادی شود (زیاد نسبت به هزینه بازرسی) برداشتن زیرگروههای کوچک به دفعات زیاد بهتر از برداشتن زیر گروههای بزرگ به دفعات کم است. یا اگر هزینه بازرسی هر واحد نسبتاً زیاد باشد، اقتصادی ترین طرح برداشتن زیر گروههای کوچک در فواصل طولانی (مثلاً هر ۴ تا ۸ ساعت) می باشد.

در فاز ۲ در نمودارهای کنترل برای تعیین اندازه زیر گروه منطقی از شاخص های (ARL (Average Run Length و (ATS  (Average Time Sampling استفاده می شود .

 

ARL0 =متوسط تعداد نمونه های n تایی که لازم است گرفته شود تا فرآیند را خارج از کنترل اعلام کنیم در حالیکه تحت کنترل است.

ARL1= متوسط تعداد نمونه های n تایی که لازم است گرفته شود تا پی به وجود تغییر برده شود.

ATS0 =متوسط تعداد ساعت هایی که لازم است نمونه های n تایی گرفته شود تا فرآیند را خارج از کنترل اعلام کنیم در حالیکه تحت کنترل است.

ATS1=  متوسط تعداد ساعت هایی که باید نمونه های n تایی گرفته شود تا پی به وجود تغییر ببریم.

مثال: اگر در یک فرآیند تولید برای یک مشخصه کیفی با میانگین و انحراف معیار ۵ و ۱ در هر ساعت نمونه های ۴ تایی گرفته میشود. در صورتیکه میانگین فرآیند به ۶ شیفت کند الف) آن گاه به طور متوسط چند ساعت طول میکشد تا پی به وجود تغییردر میانگین فرآیند ببریم؟ ب) برای زودتر پی بردن به تغییر چه راهکاری را پیشنهاد میکنید؟ ج) هم چنین از چه اندازه نمونه ای استفاده شود تا با احتمال حداقل ۹۰% پی به وجود تغییر ببریم؟ د) کدام راه کار را پیشنهاد میکنید؟

 

آموزش Minitab

 

ب) اگر به جای هر یک ساعت هر پانزده دقیقه نمونه گیری کنیم آن گاه:

 

آموزش Minitab

 

ج) همانطور که میبینید هم با افزایش نمونه به ۷ تا و هم با کاهش فواصل نمونه گیری به ۱۵ دقیقه میتوان شرایط فعلی را بهبود داد و زودتر پی به وجود تغییر در میانگین مشخصه کیفی برد.

 

امیدواریم از این مطلب در سایت صنایع سافت که درباره آموزش Minitab بود، لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

حتما شما هم علاقه مندید مثله بقیه مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب فقط کافیه ایمیلتونو داخل فرم زیر وارد کنید و دکمه ارسال رو بزنید. به همین راحتی :)

کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها
هدفم اینه که بازار کار رشته صنایع رو برای فعالین این حوزه شفاف تر کنم.

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

آموزش مینی تب

آموزش مینی تب (Minitab) | آزمون کولموگروف – اسمیرنف[تصویری]

آموزش مینی تب

آموزش مینی تب در آموزش های قبلی در رابطه با آموزش آزمون اندرسون دارلینگ در نرم افزار مینی تب (Minitab) صحبت کردیم در این مطلب به ادامه آموزش نرم افزار آماری مینی تب میپردازیم. این آموزش شامل موارد زیر است :

  1. انجام آزمون کولموگروف – اسمیرنف با Minitab
  2. نمودار تقارن (Symmetry plot)
  3. طریقه رسم نمودار تقارن (Symmetry plot) با Minitab
  4. روش های تبدیل مشخصه های کیفی غیر نرمال به نرمال

 

آموزش مینی تب

انجام آزمون کولموگروف – اسمیرنف با Minitab

مثال: میخواهیم داده های مثال قبل را که با آزمون اندرسون دارلینگ انجام دادیم این بار با آزمون کولموگروف-اسمیرنف انجام دهیم.

مسیر زیر را دنبال کنید:

 

 

در قسمت variable ستون  supp1 را وارد کنید و در قسمت  Tests For Normality آزمون Kolmogorov-Smirnov را انتخاب کنید.

 

آموزش مینی تب

 

آموزش مینی تب

 

تحلیل: همانطور که در تصویر بالا پیداست مقدارP-Value  برای این آزمون کوچکتر از ۰٫۰۵ شده پس فرض صفر مبنی بر اینکه مشاهداتمان توزیع نرمال دارند رد میشود. همچنین مشاهداتمان طرح احتمال نرمال را به خوبی پوشش ندادند.

در صورتیکه داده های تصادفی بتوانند طرح احتمال نرمال را پوشش دهند پس میتوان گفت که مشاهداتمان توزیع نرمال دارند در غیر این صورت مشاهداتمان توزیع غیر نرمال دارند.

 

 

نمودار تقارن (Symmetry plot)

در ادامه آموزش مینی تب از این نموار برای بررسی و ارزیابی اینکه آیا داده های تصادفی از توزیع متقارن و نرمال پیروی می کنند یا نه، استفاده میشود. پس نمودار تقارن یکی دیگر از ابزارها برای بررسی نرمال بودن داده هایمان میباشد.

نمودار تقارن حالت خاصی از نمودار Probability Plot میباشد که فقط طرح احتمال نرمال را رسم میکند. نمودار تقارن یا نمودار احتمال را میتوان به عنوان جایگزینی برای نمودار هیستوگرام در جهت تعیین نوع تابع توزیع، مرکز و تغییر پذیری توزیع مشاهداتمان استفاده کرد.

نمودار احتمال نسبت به هیستوگرام از این برتری برخوردار است که دیگر ضرورتی برای تقسیم دامنه ی تغییرات به فواصل مختلف وجود ندارد. از طرف دیگر نمودار احتمال برای اندازه نمونه های نسبتا کوچک نتایج قابل قبولی را ارائه میکند (معمولا چنین نتایجی در هیستوگرام به دست نمی آید هم چنین در رسم هیستوگرام چون از تقسیم دامنه تغییرات بر تعداد  binها استفاده میکنیم باید از اندازه نمونه ی بزرگ استفاده کنیم تا به نتایج دقیق تری دست پیدا کنیم.)

نمونه ای از یک نمودار تقارن است که بیانگر پیروی کردن متغیر تصادفی از توزیع نرمال میباشد. هرچقدر این نقاط به نمودار نزدیکتر باشند، تقارن بیشتری در داده ها وجود دارد. هرچند با داده های نرمال شده نیز، میتوانید انتظار وجود نقاطی در بالا یا پایین خط را داشته باشید.

دور شدن نقاط از خط اصلی در نمودار باعث ایجاد کجی در نمودار نرمال می شود و باعث می شود که این نمودار به سمت چپ یا راست گرایش پیدا کند. در صورتیکه مشاهداتمان به سمت بالای خط تقارن میل کنند یعنی مشاهداتمان چولگی به چپ دارند و اگر داده هایمان به سمت پایین خط میل کنند یعنی چولگی به راست در مشاهداتمان دیده میشود.

 

 

روش ایجاد یک طرح احتمال نرمال به این صورت است که ابتدا داده ها را به ترتیب صعودی مرتب میکنیم و آن ها را رتبه بندی میکنیم که نمونه ی اول دارای رتبه ۱ و نمونه ی آخر دارای رتبه n میباشد. سپس مکان رسم هر مشاهده دارای رتبه  j را دست می آوریم.

انحراف معیار مشاهدات نیز میتواند شیب خط مستقیم باشد. که در صورتیکه انحراف معیار واقعی جامعه را نداشته باشیم از انحراف معیار نمونه استفاده میکنیم.

در رسم طرح احتمال دو محور عمودی داریم که یکی برابر ۱۰۰ (۱-Pj)  و دیگری ۱۰۰ Pj با میباشد و محور افقی مربوط به مشاهدات میباشد.

 

 

آموزش رایگان  برای شما : کنترل فرایند اماری (SPC) در مینی تب

طریقه رسم نمودار تقارن (Symmetry plot) با Minitab

در ادامه آموزش مینی تب به بررسی یک مثال میپردازیم.
مثال: میخواهیم با توجه به مثال قبل نمودار تقارن را برای  supp1رسم کنیم. حال مراحل زیر را بری رسم نمودار انجام دهید:

  • قدم ۱: از منوی File گزینه Open worksheet فایل Camshaft.mtw را انتخاب کنید.
  • قدم ۲: مسیر زیر را دنبال کنید.

 

آموزش مینی تب

 

قدم ۳: در قسمت Variables سلول supp1 را وارد کنید و Ok را بزنید.

 

 

نتیجه ی کار به صورت نمودار زیر حاصل می شود:

 

 

تحلیل: همانطور که از نمودار پیداست، تعداد نقاط کمی روی خط تقارن قرار گرفته اند. این نمودار نشان می دهند که خمیدگی در سمت چپ تابع توزیع است. به هیستوگرام نرمال توجه کنید.

حتما تا به حال از خود پرسیدید اگر مشاهدات ما توزیع نرمال نداشت باید چه کار کنیم؟ بسیاری از تحلیل گران ترجیح میدهند که اگر توزیع مشخصه کیفی تفاوت قابل ملاحظه ای با توزیع نرمال نداشته باشد، از روش های استاندارد مبتنی بر توزیع نرمال پیروی کنند.

محققان مختلفی اثر فاصله گرفتن از فرض توزیع نرمال را بر نمودارهای کنترل بررسی نمودند. تحقیقات به این نکته اشاره میکند که اثر فاصله گرفتن از توزیع نرمال بر روی ضرایب ثابت نمودار کنترل ناچیز است مگر اینکه جامعه ی مورد مطالعه با توزیع نرمال بیش از حد فاصله داشته باشد و یا به عبارت دیگر خیلی غیر نرمال باشد.

هم چنین این تحقیقات نیز اطلاعاتی در مورد اثر غیر نرمال بودن توزیع مشخصه ی کیفی بر حدود کنترل نمودار ارائه میکند در این اطلاعات، بررسی بر روی توزیع های یکنواخت، نرمال چولگی به راست، گاما با پارامتر مقیاس ۱ و پارامترهای شکل برابر ۱٫۲,۱,۲,۳,۴ و یک توزیع ترکیبی دو نمایی که از ترکیب دو توزیع نرمال حاصل میگردد انجام گرفته است.

نتایج حاصل حاکی از این است که در اغلب موارد اندازه نمونه های ۴  یا ۵ تایی و تعداد نمونه گیری بالا (مثلا ۲۵ الی ۳۰) به اندازه کافی بزرگ هستند که با استفاده از قضیه حد مرکزی بتوان فرض نرمال بودن مشخصه کیفی را مناسب دانست. به هیستوگرام های زیر توجه کنید وقتی که هیستوگرام برای داده های انفرادی و وقتی برای میانگین زیر گروه ها برای همان مشخصه کیفی برای یک جامعه تولیدی رسم شده است.

 

در صورتیکه از روش های فوق نیز نتیجه نگرفتیم و یا اینکه نخواهیم از نمودار استفاده کنیم میتوانیم از تبدیل هایی که در زیر معرفی میکنیم استفاده کنید.

روش های تبدیل مشخصه های کیفی غیر نرمال به نرمال

روش تبدیل معکوس

در ادامه آموزش مینی تب در این روش متغیر تبدیل شده از رابطه زیر به دست می آید.

شکل زیر مربوط به نمودار احتمال مربوط به زمان های تحویل پیتزا (xها) میباشد که توزیع آن چولگی به راست دارد اما با تبدیل متغیر y=1/x  آن گاه y ها توزیع نرمال دارند.

 

 

روش لگاریتمی

در این روش متغیر تبدیل شده از رابطه زیر به دست می آید:

مثال: فایل BOX-COX.MTW را باز کنید. طرح احتمال یا نمودار تقارن را برای ستون C1 مطابق مراحل زیر رسم کنید. برای رسم طرح احتمال مراحل زیر را انجام دهید.

 

آموزش مینی تب

 

ستون c1 را در variables وارد کنید.

 

 

OK را بزنید.

 

آموزش مینی تب

 

در ادامه آموزش مینی تب همانطور که میبینید مشاهدات ما توزیع نرمال ندارند و حال میخواهیم از تبدیل متغیر لگاریتمی استفاده کنیم. برای این کار مراحل زیر را دنبال کنید.

 

 

 

در قسمت store result in variable ستونی که میخواهید نتایج ذخیره شود وارد کنید و در قسمت Expression دستور مورد نظر را وارد کنید در این مثال با انتخاب نوع توابع  Logarithm در قسمت Natural log, Function را انتخاب کردیم و ستون c1 را در پنجره Expression در مقابل LN وارد کردیم و از ستون c2 را برای ذخیره دستور مورد نظرمان مطابق شکل زیر استفاده کردیم.

 

 

 

حال همان مراحلی که برای رسم طرح احتمال ستون c1 انجام دادید برای ستون  c2انجام دهید.

 

آموزش مینی تب

 

تحلیل: همانطور که مشاهده میکنید با استفاده از تبدیل متغیر داده های ستون c2 توانستند طرح احتمال نرمال را پوشش بدهند, میتوانید برای اینکه بیشتر مطمئن شوید از آزمون اندرسون دارلینگ نیز استفاده کنید.

روش ریشه دوم  (Squar Root)

 

مثال: فایل TILES.MTW را باز کنید. طرح احتمال یا نمودار تقارن را برای ستون C1 مطابق مراحل زیر رسم کنید.

 

 

همانطور که مشاهده میکنید مشاهداتمان خط تقارن را به خوبی پوشش ندادند همچنین چولگی به راست نیز در مشاهداتمان دیده میشود حال میخواهیم از تبدیل متغیر ریشه دوم استفاده کنیم برای این کار مراحل زیر را دنبال کنید:

 

 

تابع Squar root  را از قسمت  Functionانتخاب کرده و ستون  c1را در مقابل آن در قسمت Expression وارد کنید و ستون  c2 را در قسمت store result in variable وارد کرده و ok را بزنید.

 

 

آموزش مینی تب

 

حال طرح احتمال یا نمودار تقارن را برای ستون c2 رسم کنید.

 

 

تحلیل: همانطور که مشاهده میکنید با استفاده از تبدیل متغیر داده های ستون c2 توانستند طرح احتمال نرمال را پوشش بدهند، میتوانید برای اینکه بیشتر مطمئن شوید این بار از آزمون کولموگروف- اسمیرنف نیز استفاده کنید.

روش  arcsin

تابع arcsin  در ماشین حساب نرم افزار (calculator) در قسمت توابع (Function) به نامArcsine میباشد که در صورت استفاده از این تبدیل متغیر می توانید مراحل آن را مانند مثال های قبل و برای تابع فوق تعریف کنید.

علاوه بر  ۴ روشی که گفته شد Minitab نیز ابزارهای برای تبدیل متغیر و نرمال کردن داده ها دارد که به شرح هر یک میپردازیم:

تبدیل BOX-COX

همانطور که گفته شد بعضی از داده ها از توزیع نرمال پیروی نمی کنند و میتوان با تبدیل  Box-Cox متغیرهایی را به دست آورد که توزیع نرمال داشته باشند. این تبدیل به این صورت عمل میکند که ابتدا  λ را به دست می آورد که در این روش λ طوری تخمین زده میشود که انحراف معیار متغیر تبدیل یافته حداقل شود. و داده ی جدید را از روی مقدار  λ به دست می آورد. اگر λ عددی بین -۵ تا ۵ باشد نرم افزار قابلیت تبدیل داده های غیر نرمال را به نرمال دارد.

با شرح یک مثال مطالب بالا را بهتر بیان خواهیم کرد.

مثال: فرض کنید شما برای شرکتی کار میکنید که کارش موزائیک کردن زمین است و شما نگران میزان پایداری موزائیک ها هستید. برای مطمئن شدن از کیفیت محصول شما میزان پایداری را در ۱۰ موزائیک در ۱۰ روز اندازه گیری می کنید و داده های زیر به دست می آید.

  • قدم اول: فایل Tiles.MTW  را از منوی File و گزینه Open worksheet انتخاب کنید.
  • قدم دوم: از منوی Graph گزینه Histogram را انتخاب کنید و روی گزینه ی With fit کلیک کنید.
  • قدم سوم: در قسمت Graph variable ستون C1 را وارد کنید.
  • قدم چهارم: Ok را بزنید.

 

آموزش مینی تب

 

همانطور که می بینید داده های ما توزیع نرمال را به خوبی پوشش نداده است پس مسیر زیر را دنبال کنید:

قدم اول: از منوی Stat گزینه control charts را انتخاب کرده و روی box-cox transformation کلیک کنید.

 

 

قدم دوم: چون همه ی مشاهدات را در یک ستون وارد کردیم پس در قسمت All observation for a  chart are in one column  ستون C1 را وارد کنید و چون اندازه زیر گروه برابر ۱۰ میباشد (یعنی در هر بار نمونه گیری ۱۰ نمونه گرفتیم) در قسمت  Sub Groups size عدد ۱۰ را  وارد کنید.

اگر مشاهدات هر بار نمونه گیری را سطری وارد کرده بدیم آن گاه ۱۰ سطر و ۱۰ ستون داشتیم به طوریکه هر سطر معادل هر بار نمونه گیری و هر ستون بیانگر هر مشاهده از نمونه گیری ها میباشد آنگاه به جای Observation for a subgroup are in one row of columns, All Observation for a Chart in one column را انتخاب میکردیم آن گاه در پنجره ی زیر آن ستون هایی که شامل مشاهداتمان می شود را وارد می کردیم.

 

 

قدم سوم: به قسمت Option رفته و در قسمت Store transformed data in ستون C2 را وارد کنید تا داده های تبدیل یافته را برای شما در آن ستون وارد کند. در صورتیکه  Optimal or rounded Lambda  را انتخاب کنید نرم افزار مقدار روند شده و حتی بهینه λ را برای محاسبه متغیر تبدیل یافته استفاده میکند و اگر گزینه Other را انتخاب کنید نرم افزار از مقدار تخمین زده شده λ یا مقدار غیر روند شده استفاده میکند. هر چند اگر برای بار اول میخواهید از تبدیل متغیر  BOX-COX استفاده کنید.

ابتدا گزینه ی اول را انتخاب کنید بعد از اینکه تخمینی از λ  به دست آوردید برای بار دوم از گزینه  Other استفاده کنید.

 

 

قدم چهارم: Ok را بزنید.

 

آموزش مینی تب

 

تحلیل: همانطور که مشاهده می کنید مقدار تخمینی λ=۰٫۴۳و مقدار روند شده آن برابر ۰٫۵ میباشد و اعداد تبدیل شده با  λ= ۰٫۵ در ستون C2 وارد شده است .حال اگر Histogram ستون C2 را رسم کنید پی به نرمال شدن داده هایتان میبرید و از این به بعد هرگونه تحلیلی را روی ستون C2 برای پایداری موزائیک ها انجام می دهید.

 

آموزش مینی تب

 

به پایان این قسمت از آموزش رسیده ایم در مطالب بعدی به بررسی تبدیل جانسون خواهیم پرداخت.

 

امیدواریم از این مطلب در سایت صنایع سافت که درباره آموزش مینی تب بود، لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

حتما شما هم علاقه مندید مثله بقیه مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب فقط کافیه ایمیلتونو داخل فرم زیر وارد کنید و دکمه ارسال رو بزنید. به همین راحتی :)

 

کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها
هدفم اینه که بازار کار رشته صنایع رو برای فعالین این حوزه شفاف تر کنم.

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

آزمون فرض آماری در spss

آزمون فرض آماری در spss | تصویری و قدم به قدم

آزمون فرض آماری در spss

آزمون فرض آماری در spss، کاربران عزیز صنایع سافت با یکی دیگه از آموزش های نرم افزار spss در خدمت شما هستیم. این مقاله فقط مخصوص کسانیه که میخوان spss رو مختص بازارکار یاد بگیرند، پس اگه شما هم تو این دسته هستین این مقاله آموزشی رو از دست ندین. تا یادم نرفته بگم این آموزش ها همیشه واستون رایگان تولید میشه پس اگه دوستی دارین که این مقاله ها بدردش میخوره واسه اون هم به اشتراگ بگذارین :)

در این آموزش به آزمون فرض آماری در SPSS پرداخته ایم که شامل موارد زیر است :

  1. مقدمه
  2. فرض صفر و فرض مقابل
  3. سطح معنی داری و خطاهای آماری
  4. توزیع نمونه گیری آمارهآزمون فرض یک طرفه و دو طرفه
  5. مراحل کلی آزمون فرض آماری
  6. ماهیت P-Value
  7. آزمون آماری برای میانگین جامعه – آزمون t تک نمونه ای
  8. آزمون آماری برای نسبت جامعه – آزمون دو جمله ای
  9. آزمون اختلاف میانگین ها برای دو جامعه مستقل – آزمون t- دو نمونه مستقل

 

قبل از اینکه این آموزش رو شروع کنید حتما توصیه میکنم آموزش های رایگان قبلی ما رو از دست ندید.

  1. آموزش spss به زبان ساده
  2. آمار توصیفی در spss
  3. آموزش گام به گام فارسی spss

 

آزمون فرض آماری

تحقیقات همواره با سوال و فرضیه شروع می شوند. بسیاری از تحقیقات از مرحله سوال گذشته و به مرحله فرضیه می رسند. فرضیه حدس زیرکانه درباره پارامتر جامعه است. به فنون آماری مناسب برای تحلیل صحت یا نادرستی فرضیه ها فنون «آزمون فرض آماری» (Hypothesis testing) گفته می شود که در این فصل آنها را بررسی می کنیم.

به طور کلی هدف «آزمون فرض آماری» تعیین این موضوع است که با توجه به اطلاعات بدست آمده از داده های نمونه حدسی که درباره خصوصیتی از جامعه می زنیم به طور قوی تایید می شود یا نه. این حدس بنا به تحقیق نوعا شامل ادعایی درباره مقدار یک پارامتر جامعه است. «در واقع هر حکمی درباره جامعه را یک فرض آماری می نامند که قابل قبول بودن آن باید برمبنای اطلاعات حاصل از نمونه گیری از جامعه بررسی شود.»

چون ادعا ممکن است صحیح یا غلط باشد بنابراین دو فرض مکمل در ذهن بوجود می آید:

  1. ادعا صحیح است(فرض H0)
  2. ادعا غلط است (فرض H1)

با به کاربردن اطلاعاتی که از مشاهدات نمونه بدست می آید تصمیم گیرنده باید یکی از دو تصمیم یا استنباط را انتخاب کند:

  1. فرض H1 را رد کند و نتیجه بگیرد که H0 بوسیله داده ها تایید می شود.
  2. فرض H1 را رد نکند و نتیجه بگیرد که داده ها H0 را تایید نمی کند.

فرآِیند انتخاب یکی از دو تصمیم فوق را «آزمون فرض آماری» می نامند.

قبول یا رد یک فرضیه آماری با اثبات و یا رد یک گزاره ریاضی متفاوت است.در ریاضی گزاره ای را اثبات و یا نفی می کنند و در هر حالت نتیجه اش که بدست می آید بدون هیچ شکی برقرار است ولی در مقابلنتیجه حاصل از «آزمون فرض آماری» به وسیله تحلیل داده های تجربی حتمی و قطعی نیست. شیوه مناسب برای آزمون فرض دارای مراحل منطقی است.

قبل از ذکر مراحل مورد نظر به بیان مفاهیم و اصطلاحات استفاده شده درآزمون پرداخته می شود. مهم ترین مرحله در «آزمون فرض آماری» تبدیل «فرضیه پژوهشی» و نقیض آن به «فرضیه های آماری» است. بنابراین مرحله فوق را با عنوان فرض صفر و فرض مقابل تشریح می کنیم.در این فصل به بیان برخی تعاریف در زمینه آمار استنباطی خواهیم پرداخت و سپس چهار آزمون آماری پرکاربرد در آمار کاربردی را معرفی خواهیم کرد.

 

فرض صفر و فرض مقابل

برای بحث درباره فرمول بندی مساله آزمون فرض آماری و حل آن به معرفی پاره ای از تعاریف و مفاهیم نیاز داریم.

مثال ۱:

نظریه ای پیشنهاد می کند که محصول یک واکنش شیمیایی معنی دارای توزیع نرمال (۱۶٫فرمول)  X~N  است.آزمایش گذشته نشان می دهد که اگر یک ماده معدنی به این محصول اضافه نشده باشد۱۰=µ و در غیر اینصورت۱۱=µ است. آزمایش ما عبارت است ازانتخاب نمونه تصادفی به حجم n .بر اساس این نمونه سعی خواهیم کرد تصمیم بگیریم کدام مورد درست است؟

پاسخ:

با توجه به فرضیه ای که در صورت مسئله بیان شده است دو فرض آماری زیر مطرح می شود:

میانگین جامعه برابر عدد ۱۰ است:۱۰=µ

میانگین جامعه برابر عدد۱۱است:۱۱=µ

در اینجا عدد نامعلوم برابر بودن ۱۱=µ است. از دو حکم فوق یکی را «فرض صفر»(Null Hypothesis) و دیگری را «فرض مقابل»(Alternative Hypothesis) می نامیم و آنهارا به ترتیب و به اختصاربا H0 و H1 نشان می دهیم برای اینکه معلوم شود کدام فرض را باید فرض صفر نامید لازم است که تفاوت اساسی بین دو اصطلاح فوق به روشنی درک شود. قبل ازاینکه ادعا کنیم حکمی معتبر است باید شواهد کافی در تایید آن بدست آوریم.

در نتیجه شخص تحلیلگر باید حمل را غلط بداند مگر اینکه داده های بدست آمده خلاف آنرا تایید کنند. به عبارت دیگر باید «فرض صفر» را صحیح دانست و فقط وقتی آنرا رد کرد که داده ها بر خلاف آن حکم کنند. تشابه زیادی بین این امر و محاکمه در دادگاه وجود دارد که در آن هیات منصفه فرض «مجرم بودن» را اتخاذ می کنند مگر اینکه شواهد قانع کننده ای مجرم بودن منتهی را ثابت کنند و نه اینکه در اثبات بی گناهی او بکوشند.

با توجه به نکات فوق می توان نتیجه گرفت که هرگاه بخواهیم یک ادعا را از طریق تایید آن بوسیله اطلاعات حاصل از نمونه آزمون کنیم نفی آن ادعا را فرض صفر و خود آن رافرض مقابل می گیریم بنابراین فرض صفر و فرض مقابل در فرضیه فوق باید به این صورت باشد:

۱۰=µ:H0}

۱۱=µ:H1}

سطح معنی داری و خطاهای آماری

در ادامه آموزش آزمون فرض آماری در spss بعد از تعریف فرضیه های آماری قدم بعدی مشخص کردن درجه ای برای معنی دار بودن تفاوت ها (α) و حجمی برای نمونه مورد بررسی (n) است.روش این کار این است که فرض H0را به نفع فرض H1 رد می کنیم به شرط اینکه از یک آزمون آماری مقداری بدست آوریم که احتمال وقوع آن مقدار با توجه به H0 برابر با کمتر از یک احتمال بسیار کوچک باشد که با α نشان داده می شود.این احتمال وقوع کوچک را «سطح معنی داری» می گویند.

مقادیری که معمولا برای α استفاده می شود بیشتر از ۰٫۰۱ و۰٫۰۵ است. از آنجا که مقدار فرمول در تعیین اینکه H0 باید رد شود یا نه دخالت مستقیم دارد . الزام رعایت عینیت در تحقیق ایجاب می کند که α را پیش از شروع جمع آوری داده ها مشخص کنیم.

سطح معنی داری که محقق برای تعیین α در تحقیق انتخاب می کند براساس تخمین او از اهمیت و یا درجه قابلیت کاربرد یافته هایش مبتنی است. طبیعی است که اگر تحقیق مثلا درباره آثار درمانی عمل جراحی  روی مغز باشد محقق باید α را خیلی کمتر در نظر بگیرد زیرا خطرهای رد کردن نادرست فرضیه صفر بسیار زیاد است.

هنگام اتخاذ تصمیم درباره H0 ممکن است دو نوع خطا پیش آید:

  1. خطای نوع اول (Type I Error): رد کردن فرض H0 درحالی که درست است.
  2. خطای نوع دوم (Type I Error): رد کردن فرض H0 درحالی که غلط است.

احتمال وقوع خطای نوع اول با α بزرگتر شود احتمال اینکه H0 را به غلط رد کنیم یا به عبارت دیگر احتمال اینکه مرتکب خطای نوع اول شویم افزایش می یابد. خطای نوع دوم معمولا با β نشان داده می شود α و β هم برای نشان دادن نوع خطاها و هم ارتکاب آن خطاها به کار می روند. یعنی:

( رد کردن H0 وقتی H0 درست است)P=(خطای نوع اول)P=α

(رد کردن H0 وقتی H1 درست است)P=(خطای نوع اول)P=β

احتمال α به مقدار مشخص پارامتر در دامنه ای بستگی دارد که H0 آنرا در بر می گیرد و حال آنکه β به مقدار پارامتر در دامنه ای بستگی دارد که H1 آنرا در بر می گیرد. این خطاها و احتمال آنها در رابطه با H0 را می توان بصورت زیر خلاصه کرد:

واضح است که بین α و β رابطه معکوس وجود دارد. بالا رفتن α و مقدار β کاهش می یابد و برعکس. این رابطه در آمار به «بده _ بستان» بین α و β معروف است. آنچه مسلم است مجموع α و β الزاما عدد یک نیست.واضح است که در هر استنباط آماری احتمال وقوع یکی از این دو نوع خطا وجود دارد و لازم است که آزمون کننده به نوعی سازش که تعادل بین احتمال وقوع این دو نوع خطا را به حد مطلوب برساند دست یابد.

آزمونهای آماری مختلف احتمال تعادل های مختلفی را عرضه می کنند. در رسیدن به چنین تعادلی است که موضوع «توان آزمون» مطرح می شود. توان آزمون عبارت است از احتمال رد کردن H0 وقتی که H0 حقیقتا نادرست باشد. یعنی:

β – ۱ = (احتمال وقوع خطای نوع دوم) – ۱ = توان آزمون

آنچه موجب کاهش خطای نوع اول و دوم و همچنین توان آزمون می شود افزایش حجم نمونه است. منحنی های شکل ۱-۴ نشان می دهند که وقتی حجم نمونه (n) افزایش می یابد احتمال وقوع خطای نوع دوم (β) کاهش می یابد.

در این شکل افزایش توان آزمون دو طرفه میانگین وقتی که نمونه افزایش می یابد با یکدیگر مقایسه شده است. مشاهده می شود که وقتی حجم نمونه از ۴ به ۱۰٫۲۰٫۵۰و۱۰۰ افزایش می یابد چگونه توان آزمون زیادتر می شود.

توزیع نمونه گیری آماره

صحت یک فرضیه آماری فقط با استفاده از نمونه ای nتایی از جامعه آماری و توزیع نمونه گیری آماره مشخص میشود. در بحث «آزمون فرض» تایید یا رد «فرضیه صفر» به توزیع نمونه گیری آماره بستگی دارد. واضح است که توزیع آماره متاثر از توزیع جامعه و شرایط برآورد و همچنین حجم نمونه است. متغیرهای استاندارد مورد استفاده به کمک توزیع نمونه گیری تعریف می شوند. اصطلاح «آماره آزمون» یا پارامتر مورد آزمون تعریف می شود.

 

آزمون فرض یک طرفه و دو طرفه

براساس آنچه گفتیم نتیجه می گیریم که H0 را باید پذیرفت مگر آنکه دلیل محکمی بر رد آن وجود داشته باشد. این بدین معناست که فرض صفر همواره شامل سطح اطمینان ۱۰۰(α-۱) درصد است. بنابراین H1 در برگیرنده سطح معنی داری α است.

مفهوم کاربردی این جمله آن است که رد یا قبول H0 یا سطح اطمینان دلخواه صورت خواهد گرفت. پس همواره H1 به اندازه α در طرفین توزیع نمونه گیری تعریف خواهد شد. «یک طرفه» یا دو طرفه بودن آزمون فرض آماری به تعریف H0 و یا H1 بستگی دارد.

 

 

مراحل کلی آزمون فرض آماری

از جمع بندی میانی آزمون فرض می توان برای همه آزمون فرض های آماری مراحل چهارگانه زیر را تدوین کرد. از این مراحل در طی فصول بعدی کتاب جهت تفسیر خروجی ها استفاده خواهد شد:

 

۱- تعریف فرضیه های آماری H0 و H1  (فرض ها):

براساس قاعده ای که بیان شد چنانچه فرضیه پژوهشی یا هدف مرز مشخصی (-) داشته باشند H0 نشان دهنده ادعا خواهد بود در غیر این صورت نقیض آن در H0 قرار خواهد گرفت. آنچه مسلم است فرض H0 و H1 مکمل یکدیگرند. با این توصیف H0 گاهی بیان کننده ادعا و گاهی نقیض ادعا خواهد بود.

II– تعیین توزیع نمونه گیری آماره و نوع آماره آزمون (آماره آزمون):

توزیع نمونه گیری به شرایط تخمین پارامتر مورد ادعا بستگی دارد. بسته به اینکه فرضیه پژوهشی چه نوع پارامتری را بیان می کنند. توریع نمونه گیری آماره و آماره آزمون تغییر خواهد کرد.

III– تعیین سطح زیر منحنی  H0 و H1 و محاسبه مقدار بحرانی (مقدار بحرانی):

سطح زیر منحنی H0 و H1 به توزیع نمونه گیری و مقدار α بستگی دارد. یک طرفه یا دو طرفه بودن آزمون نیز بر سطح زیر منحنی فرضیه های آماری تاثیر مستقیم دارد. چنانچه گفته شد:   H0 در برگیرنده سطح اطمینان و H1 سطحی برابر α خواهد بود.

محاسبه مقدار استانداردی که تفکیک کننده H0 و H1 بصورت عددی باشد از دیگر موارد ضروری این مرحله است. مقدار استاندارد براساس نوع آزمون و مقدار α از جداول آماری موجود استخراج می شود. این مقدار با توجه به علامت آن «مقدار بحرانی» نامیده می شود. مقدار استاندارد وجدول آماری مورد نیاز برای استخراج آن براساس آماره آزمون تعیین می شود. برای مثال اگر آماره آزمون از نوع Z باشد مقدار بحرانی براساس جدول استاندارد Z تعیین می شود و اگر از نوع F باشد براساس جدول F تعریف می شود.

IV . تصمیم گیری:

در این مرحله مقدار آماره آزمون محاسبه شده در مرحله دوم یا مقدار بحرانی مرحله سوم مقایسه می شود. چنانچه آماره آزمون در ناحیه پذیرش H0 قرار گیرد. گفته می شود که رد سطح اطمینان مورد نظر دلیل کافی برای پذیرش H0 وجود دارد. در غیر اینصورت فرض H0 رد شده و H1 آیا در سطح خطای α درصد پذیرفته می شود.

پس از تایید یا رد H0 تحلیلگر باید بطور مشخص بیان کند که آیا فرضیه پژوهشی پذیرفته یا رد شده است. بدیهی است محقق هیچگاه ادعای اثبات یا عدم اثبات فرضیه پژوهشی یا فرضیه های آماری را ندارند بلکه در تحلیل خود به لحاظ استقرار احتیاط را رعایت کند.

ماهیت P-Value

P-Value  یک آزمون آماری مقدار احتمالی است که میزان سازگاری داده های نمونه را با نتیجه H0 اندازه می گیرد. این مقدار خلاصه ای فشرده از یافته های نمونه ای را در یک آزمون آماری معرفی می کند و غالبا در گزارشهای منتشر شده نتایج آزمون آماری و در خروجی برنامه ها کامپیوتری مورد استفاده واقع می شود.

برای یک آزمون یک طرفه مربوط به میانگین جامعه P-Value برحسب آماره آزمون استاندارد شده *Ζ بصورت زیر تعریف می شود:

P-Value یک آزمون آماری یک طرفه برای µ عبارت است از احتمال آنکه اگر µ۰ = µ آماره آزمون استاندارد شده *Z در جهت ناحیه رد می تواند کمتر از مقداری باشد که واقعا مشاهده شده است.

 

آزمون P-Value

در ادامه یادگیری آزمون فرض آماری در spss همانطورکه قبلا گفتیم P-Value یک آزمون برای µ میزان سازگاری بین بر آمد نمونه ای و مقدار µ۰ را که در H0 مسلم فرض شده است اندازه می گیرد. یک P-Value بزرگ نشان می دهد که µ۰ موجه است و بنابراین باید H0 نتیجه گرفته شود.

در واقع برحسب اینکه P-Value بزرگتر یا کوچکتر از α (ناحیه بحرانی) باشد که از آزمون مبتنی بر P-Value بدست می آید از نظر ریاضی هم ارز یا نتیجه ای است که از قاعده تصمیم متناظر مبتنی بر آماره آزمون استاندارد شده حاصل می شود. قاعده تصمیم مبتنی بر P-Value بصورت زیر است:

اگر P-Value ≥ α  باشد گزینه H0 را نتیجه بگیرید.

اگر P-Value ≤α باشد گزینه H1 را نتیجه بگیرید.

با استفاده از یک P-Value یک طرفه یا دو طرفه هر کدام که مقتضی باشد این قاعده تصمیم خواه آزمون یک طرفه یا دو طرفه باشد صادق است.

 

۴-۸ آزمون آماری برای میانگین جامعه – آزمون t تک نمونه ای

وقتی می خواهیم برای میانگین جامعه (µ) آزمونی انجام دهیم. در واقع علاقه مندیم آزمون کنیم که آیا میانگین جامعه برابر عدد مشخصی هست یا خیر؟ در این حالت فرض های آماری عبارتند از:

µ=µ۰ : H0
H1 : µ≠µ۰

 

از آنجایی که در عمل همواره واریانس جامعه نامعلوم است آزمون مناسب آزمون t تک نمونه ای می باشد.

مثال ۱) داده های زیر نمره های ۲۰ دانش آموز در درس آمار است:

۱۷٫۵٫ ۱۴٫ ۱۳٫۵٫ ۱۶ .۱۴٫۵٫ ۲۰ . ۱۳ . ۱۲٫ ۱۶٫۵٫ ۱۹٫ ۱۶٫ ۱۰٫۵ . ۱۷٫ ۱۲٫ ۱۳٫ ۱۴٫۵٫ ۱۷٫ ۱۱٫ ۱۹٫۸٫ ۱۲٫۵

آیا میتوان گفت میانگین نمره های دانش آموزان این کلاس برابر ۱۵ است؟

در واقع می خواهیم آزمون فرض زیر را انجام دهیم:

µ=۱۵ : H0
H1 : µ≠۱۵

 

برای انجام ای آزمون مسیر Analyze>Compare Means>One-Sample T Test را طی کنید تا کادر مکالمه ای One-SampleT Test باز شود. در این کادر متغیر “نمره” را در جعبه Test Variable و درجعبه Test Values عدد ۱۵ را تایپ کنید.

 

آزمون فرض آماری در spss

 

 

سپس گزینه OK را بزنید تا خروجی آزمون را ببینید.

 

 

 

معرفی جداول: جدول اول (One-Sample Statistics) حجم نمونه شاخص های آماری میانگین . انحراف معیار و خطای معیار میانگین را نشان می دهد. جدول دوم (One-Sample Test) نتایج آزمون t تک نمونه ای را نشان می دهد. مقدار آماره t محاسبه شده برابر با ۰/۰۷۹ – شده است که می دانیم آماره مربوط به آن به صورت زیر است و دارا توزیع t یا n-1 درجه آزادی (df) است.

 

 

عبارت sig که مخفف significant levele و  به معنی “سطح معنی داری” است نشان دهنده P مقدار آزمون است که در این آزمون برابر ۰/۹۴ شده است. همچنین مقدار Mean Difference نشان دهنده  Χ-µ۰ است که در اینجا برابر است با ۰/۰۵-=۱۴/۹۵-۱۵

در قسمت بعد ۹۵%Confidence Interval فاصله اطمینان ۹۵ % را برای پارامتر Χ-µ۰ نشان می دهد که در این مثال برابر (-۱/۳۷ _۱/۲۷) است حال اگر بخواهیم فاصله اطمینان برای فرمول بدست آوریم باید نا معادله فرمول را برای مجهول Χ-µ بین دو عدد ۱٫۳۷-  و  ۱٫۲۷ حل کنیم لذا فاصله اطمینان برای فرمول برابر است با( ۱۳/۶۸ _۱۶/۳۲).

 

۳-    روش فاصله اطمینان: در اینجا فرضیه ۰=۱۵-µ :H0 که معادل است با ۱۵=µ :H0 را بررسی می کنیم. بنابراین برای آزمون فرضیه فوق به روش فاصله اطمینان کافیست که چک کنیم آیا فاصله اطمینان۱۵-µ عدد صفر را شامل می شود؟ در صورتی که فاصله اطمینان شامل عدد صفر باشد تصمیم به عدم رد فرض H0 خواهیم گرفت و با توجه به فاصله اطمینان ۹۵ % در این مثال در سطح معنی داری۰/۰۵ فرض H0 یعنی فرض برابری را رد نمی کنیم.

مثال ۲) در مثال ۱ فرضیه ۱۲=فرمول : H0 را آزمون کنید.

در این حالت همه مراحل بیان شده در مثال قبل را انجام خواهیم داد با این تفاوت که عدد ۱۲ را در جعبه Test Values تایپ می کنیم و خروجی زیر را خواهیم دید

 

از سه روش میتوان نشان داد که فرضیه ۱۲= فرمول :H0 در سطح معنی داری۰/۰۵ رد می شود(؟).

 

توجه:

  1. از آنجایی که در عمل هیچگاه واریانس جامعه معلوم نیست در SPSS نیز آزمون از طریق آماره Z تعبیه نشده است.
  2. در این آزمون فرض بر این است داده ها از جامعه ای با توزیع نرمال هستند.
  3. در SPSS گزینه انجام آزمون های یک طرفه تعبیه نشده است. اما در آزمون هایی که آماره آنها از توزیع t که توزیعی متقارن است پیروی می کند. P- مقدار آزمون یک طرفه نصف P- مقدار آزمون دو طرفه است (؟). لذا در این آزمون نیز می توان آزمون های یک طرفه را انجام داد.

 

آزمون آماری برای نسبت جامعه – آزمون دو جمله ای

مثال ۳) فرض کنید سکه ای را ۳۰ مرتبه پرتاب کرده اید و نتایج به صورت زیر بدست آمده است(۱-شیر.۰-خط)

۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۰٫۱٫۱٫۱٫۱٫۱٫۱٫۱٫۱٫۱٫۱٫۱٫۱

می خواهیم آزمون کنیم که آیا سکه سالم است یا خیر؟ می خواهیم فرض های زیر را آزمون کنیم:

H0 = p = 0.5

H1 = p ≠ ۰٫۵

برای آزمون این فرض از آزمون دو جمله ای استفاده می کنیم.

برای انجام این کار داده های بالا را به عنوان متغیر Toss وارد کرده و مسیرAnalyze>Nonparametric Tests>Legacy Diolog>Binomial را طی کنید تا کادر مکالمه ای Binomial Test باز شود.

آزمون فرض آماری در spss

 

 

متغیر Toss را به قسمت Test Variable List وارد کرده و مقدار Test Proportion را ۰٫۵ وارد کنید و در قسمت Define Dichotomy گزینه Get from data را انتخاب کنید و سپس دکمه OK را کلیک کنید تا خروجی زیر ظاهر شود:

 

 

 

معرفی جداول: در ستون اول دو گروه جامعه را نشان می دهد و در ستون دوم آنها را معرفی می کند. توجه داشته باشید که در SPSS هر گروهی که کدش اول وارد شود را به نام گروه اول (اصلی) می شناسد و نسبت P  برای این گروه تعریف می شود.

برای مثال اگر اولین عدد در وارد کردن داده های مربوط به متغیر Toss را “۱” وارد کنیم عدد “۱” را به عنوان کد گروه اول می شناسد و نسبت P را برای این گروه (شیر بودن) و نسبت ۱-P را برای گروه دیگر (خط بودن) در نظر می گیرد.

در ستون سوم N تعداد افراد مشاهده شده در هر گروه را نشان می دهد و در ستون بعد نسبت مشاهده شده هر گروه را نشان می دهد. در ستون پنجم Test Prop. عدد مورد آزمون در فرض صفر را نشان می دهد که در اینجا۰٫۰۵ است. در ستون آخر (P ,Exact Sig.(2-tailed-مقدار دقیق را در حالت دو طرفه نشان می دهد.

تفسیر: با توجه به اینکهP-مقدار دقیق دو طرفه بیشتر از ۰٫۰۵ است فرض صفر سالم بودن سکه را رد نمی کنیم.

 

در یک نمونه ی تصادفی ۱۰۰۰۰ نفری از جامعه ی بزرگ تعداد ۱۰۰ مورد از یک بیماری خاص مشاهده شده در سطح اطمینان ۹۵ درصد آزمون کنید که:

الف) آیا نسبت مبتلایان به بیماری خاص در جامعه از ۰٫۰۲ کم تر است؟

ب) آیا می توان گفت نسبت مبتلایان به بیماری خاص در جامعه برابر ۰٫۰۲ است یا خیر؟

– این داده ها را با استفاده از دستور weighte cases وارد کنید.

الف)تمام مراحل مربوط به مثال ۱ را در اینجا انجام می دهیم با این تفاوت که در قسمت Test Proportion از کادر مکالمه ایBinomial Test عدد ۰٫۰۲ را جایگزین عدد ۰٫۵ می کنیم و سپس دکمه OK را میزنیم و خروجی را به صورت زیر خواهیم داشت.

 

 

توجه داشته باشید که اگر مقدار Test Proportion از ۰٫۵ کمتر باشد آزمون به صورت یک طرفه انجام می شود و فرض H0 به صورت P < 0.02 خواهد بود لذا با توجه به اینکه –P مقدار از ۰٫۰۵ کمتر است فرض صفر را رد نمی کنیم.

ب) به علت وجود تقارن توزیع نرمال و این که در این حالت SPSS آزمون دو طرفه را انجام نمی دهد. برای انجام آزمون دو طرفه P-مقدار آزمون یک طرفه را دو برابر می کنیم در این حالت باز هم میبینیم کهP-مقدار از ۰٫۰۵ کمتر است بنابراین فرض صفر را رد نمی کنیم.

 

توجه:

آزمونهایی که در بالا انجام شده از طریق توزیع نرمال استاندارد است. اما می دانیم که صورت مساله برای یک توزیع گسسته (دو جمله ای) مطرح شده بود. لذا نتایج آزمونهای فوق همواره بصورت مجانبی (تقریبی) بوده و برای نمونه ای بزرگ صحیح است.

اگر بخواهیم آزمون را در نمونه ای کوچک انجام دهیم بهتر است از روشهای شبیه سازی مونت کارلو استفاده کنیم برای این کار می توانیم از گزینه Exact در کادر مکالمه ای Binomial Test استفاده کنیم و گزینه Monte Carlo را تیک زده و سپس دکمه های   Continue و Ok را بزنیم.

 

آزمون اختلاف میانگین ها برای دو جامعه مستقل – آزمون t- دو نمونه مستقل

این آزمون زمانی به کار می رود که بخواهیم میانگین یک متغیر کمی را در بین دو گروه مستقل باهم مقایسه کنیم. برای مثال مقایسه فشارخون دو گروه افراد بعد از استفاده از داروهای A و B .

در آزمون t-دو نمونه مستقل فرضیات زیر را مورد بررسی قرار می دهیم:

۰=H0 : µ۲- µ۱

۰≠H1 : µ۲- µ۱

برای استفاده صحیح از این آزمون نیاز به اطلاع در مورد برابری و یا نابرابری واریانس های دو گروه خواهیم داشت. لذا ابتدا بایستی با استفاده از آزمون  Levene برابری واریانس های دو گروه را مورد بررسی قرار داد.دو حالت می تواند پیش آید که هر دو حالت در SPSS به طور همزمان اجرا می شود.

 

  1. برابری واریانس ها: چنانچهP-مقدار حاصل از آزمون  Levene بیشتر از α باشد می توان نتیجه گرفت که واریانس های دو گروه باهم برابر است. در این حالت برای بررسی معنی داری اختلاف بین میانگین های دو گروه  از آزمون “t- دو نمونه مستقل در حالت برابری واریانس ها” استفاده می کنیم.
  2. نابرابری واریانس ها: چنانچهP-مقدار حاصل از آزمون Levene کمتر مساوی α باشد می توان نتیجه گرفت که واریانس های دو گروه باهم برابر نیستند. در این حالت برای بررسی معنی داری اختلاف بین میانگین های دو گروه  از آزمون “t- دو نمونه مستقل در حالت نابرابری واریانس ها” استفاده می کنیم.

 

مثال ۵) ده دانش آموز پسر و ده دانش آموز دختر به دلخواه انتخاب شده اند و وزن آنها اندازه گیری شده است. داده ها بصورت زیرند:

دختر
۵۵ ۶۳ ۶۰ ۴۵ ۵۷ ۴۵ ۶۰ ۶۵ ۴۸ ۵۴

پسر
۷۵ ۹۰ ۸۵ ۷۰ ۶۸ ۷۲ ۷۴ ۸۰ ۶۸ ۷۵

مایلیم بدانیم آیا وزن دانش آموزان دختر و پسر از لحاظ آماری باهم برابر است؟

ابتدا داده ها را به صورت زیر در SPSS وارد کنید.مردان با کد ۱ و زنان با کد ۲ مشخص شده اند.

 

آزمون فرض آماری در spss

 

 

برای انجام این آزمون مسیر Analyze>Compare Means>Independent-Samples T Test را طی کنید. تا کادر مکالمه ای  Independent-Samples T Test باز شود. در این کادر متغیر “Weight” را در جعبه Test Variable(s) و متغیر “Sex” را در جعبه Grouping Variable وارد کنید. روی دکمه Define Groups کلیک کنید و سپس Ok را کلیک کنید تا خروجی به صورت زیر ظاهر شود:

 

شکل

 

 

 

معرفی جدول: این جدول شامل ۳ قسمت است:

  1. Group Statistics : شامل تعداد نمونه و شاخص های آماری به تفکیک هر یک از گروه هاست.
  2. Levene’s Test : شامل آزمون Levene برای آزمون برابری واریانس ها(آماره F وP-مقدار)
  3. t-test for Equality of Means : نتایج آزمون t-دو نمونه ای مستقل است که ستون های آن به ترتیب از چپ به راست عبارتند از:مقدار آماره t.
    درجه آزادی P-مقدار آزمون دوطرفه sig(two-) (tailed). اختلاف میانگین ها .(Difference Mean) خطای استاندارد اختلاف میانگین ها  (Std. Error Difference )و فاصله اطمینان ۹۵ % برای  (۹۵% Confidence Interval of the Difference). همه این نتایج برای دو حالت بیان شده اند. مقادیر خط اول برای حالت برابری واریانس ها و مقادیر خط دوم برای حالت نابرابری واریانس ها هستند.

تفسیر:P- مقدار آزمون Levene نشان می دهد که بین واریانس وزن دانش آموزان پسر و دختر اختلاف معنی داری وجود ندارد لذا باید نتایج ازمون t را از خط دوم قسمت مربوطه گزارش کرد در اینجا نیز می توانیم از سه روش ناحیه رد. P-مقدار. فاصله اطمینان آزمون فرض را انجام دهیم.

 

  1. روش p- مقدار: در این مثال P-مقدار ۰٫۰۰۰ گزارش شده است و لذا کمتر از ۰٫۰۵ است بنابراین در سطح معنی داری ۰٫۰۵ فرض H0 یعنی فرض برابری را قبول نمی کنیم و معنی داری اختلاف را می پذیریم.
  2. روش فاصله اطمینان: در اینجا فرضیه  ۰ = H0 : µ۱-µ۲ بررسی می کنیم بنابراین برای آزمون فرضیه فوق به روش فاصله اطمینان کافیست که چک کنیم آیا فاصله اطمینان عدد صفر را شامل می شود؟ با توجه به فاصله اطمینان ۹۵ % در این مثال در سطح معنی داری ۰٫۰۵ فرض H0 یعنی فرض برابری را قبول نمی کنیم و معنی داری اختلاف را می پذیریم.

 

 

امیدواریم از این مطلب که درباره آزمون فرض آماری در spss در سایت صنایع سافت بود، لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم علاقه مندید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

 

دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

 

 

آموزش گام به گام اس پی اس اس

آموزش گام به گام اس پی اس اس به زبان فارسی

آموزش گام به گام اس پی اس اس

در این مقاله آموزشی به ادامه آموزش نرم افزار Spss در پی آموزش های قبلی این نرم افزار میپردازیم. همچنین اگر با این نرم افزار آشنایی ندارید میتوانید قبل از خواندن این مقاله به دو مقاله قبلی بروید و آنها را مطالعه کنید.

  1. آموزش Spss به زبان ساده
  2. آمار توصیفی در Spss

 

دستورهایی برای دستکاری داده ها در SPSS

در این آموزش به بررسی برخی دستورات در spss  خواهیم پرداخت که برای کار با داده ها و آماده کردن آنها برای تحلیل های بعدی بسیار مهم است. به اعتقاد برخی نویسندگان در حین کار با اس پی اس اس استفاده از این دستورها بسیار کمک کننده است و بدون وجود این دستورها این نرم افزار قابل استفاده نیست.

 

 دستور select cases

همانطور که از نام این دستور پیداست توسط آن می توان موردهایی (افرادی) خاص را انتخاب کرد. برای مثال فرض کنید می خواهیم تحلیل مورد نظر را بر روی افرادی از نمونه که دارای ویژگی خاص (برای مثال سیگاری بودن) هستند اجرا کنیم. توسط این دستور به اس پی اس اس می گوییم که تحلیل را فقط بر روی افراد سیگاری انجام بده.

 

برای بررسی این دستور ابتدا فایل داده “”adl.sav را از فایل های نمونه SPSS  باز کنید. می خواهیم رابطه بین فشار خون (hypertns) و ابتلا به بیماری دیابت (diabetic) را فقط در گروه مورد (Treatment) داده ها بررسی کنیم . توجه کنید که گروه مورد در متغییر   group با کد ۱ مشخص شده است.

می دانیم که برای بررسی این رابطه باید از دستور Crosstabs استفاده کرد اما چون می خواهیم رابطه را فقط در گروه مورد انجام دهیم ابتدا باید دستور select cases را اجرا کنیم. برای اجرای این دستور مسیر Data>Select Cases را انتخاب کنید ویا در نوار ابزار روی دکمه عکس کلیک کنید تا کادر مکالمه مربوطه باز شود. در این کادر گزینه دوم (If condition is satisfied) را انتخاب کنید و دکمه If  را کلیک کنید و متغییر group را وارد کادر سمت راست انداخته و عبارت “۱=” را تایپ کنید و گزینه continue و سپس Ok را بزنید. در این حالت در فایل داده ها فقط افراد مورد انتخاب شده اند و افراد کنترل برای آنالیزها فیلترشده اند.

 

آموزش گام به گام اس پی اس اس

 

 

حال با اجرای دستور  Crosstabs رابطه بین فشار خون و دیابت را بررسی می کنیم. خروجی نرم افزار به صورت زیر است:

 

 

 

همانطور که مشاهده می کنید این همان خروجی دستور Crosstabs با این تفاوت که رابطه بین دو متغییر فشار خون و دیابت فقط در افراد “مورد” بررسی شده است.

توجه: در پنجره select cases:if که نحوه انتخاب  Caseها را تعیین می کنیم گزینه های زیاد دیگری نیز برای انتخاب وجود دارد. برای مثال  می توان با استفاده از صفحه کلید این کادر تعیین کنیم که برای مثال “افراد با سن کمتر یا مساوی ۷۳سال” انتخاب شوند.برای این کار باید در کادر تایپ شود : age<=30 . یا می توان از دستورهای منطقی & =(and) و| (or) استفاده کرد.

دستور split file

همانطور که از نام این دستور پیداست فایل داده هارا می شکند.به عبارتی با در نظر گرفتن یک متغیر کیفی مثل جنسیت یا مقطع تحصیلی فایل داده ها تفکیک شده و تمام آنالیزها و خروجی ها به تفکیک طبقات این متغیر کیفی ارائه خواهد شد.

برای بررسی این دستور ابتدا فایل داده۸ “adl.sav” را از فایل های نمونه SPSS باز کنید . می خواهیم رابطه بین فشارخونی بودن (hypertns) و ابتلا به بیماری دیابت (diabetic) را به تفکیک هریک از گروه های تیماری (group) بررسی کنیم.

می دانیم که برای بررسی این رابطه باید از دستور Crosstabs استفاده کرد اما چون می خواهیم رابطه را به تفکیک یک متغیر سوم بررسی کنیم ابتدا باید دستور Split file را اجرا کنیم. برای اجرای این دستور مسیر Data>Split file  را انتخاب کنید و یا در نوار ابزار روی دکمه عکس کلیک کنید تا کادر مکالمه مورد نظر باز شود . در این کادر گزینه دوم (Compared groups) را انتخاب کنید و متغیر group را وارد کادر  Groups Based On  کنید و گزینه ok را بزنید.

 

آموزش گام به گام اس پی اس اس

 

 

 

در این حالت داده ها تفکیک شده اند و حالا می توانید آنالیز مورد نظر را انجام دهید.بعد از اجرای دستور Crosstabs خروجی را به صورت زیر خواهید دید. همانطور کهد مشاهده می کنید این همان خروجی دستور Crosstabs است با این تفاوت که رابطه بین دو متغیر فشارخون و دیابت به تفکیک یک متغیر سوم بررسی شده است.

 

 

  1. این دستور به خصوص زمانی کاربرد دارد که بخواهیم اثر مخدوشگری یا اثرات متقابل را بررسی کنیم.
  2. بعد از اجرای دستور Split file فایل اس پی اس اس همواره به صورت تفکیک شده است و مادامی که فایل داده ها به این صورت است، در قسمت نوار وضعیت SPSS عبارت Split file on نوشته شده است. در صورتی که میخواهید از این حالت خارج شوید دوباره مسیر بالا را طی کنید و در کادر مکالمه ای مذکور گزینه “Analysis all cases” را انتخاب کنید و ok را کلیک کنید. در این حالت فایل از حالت تفکیکی در آمده و می توانید تمام داده ها را تحلیل کنید.
  3. در صورتی که گزینه “Organize output by groups” را انتخاب کنید خروجی فایل ها را به صورت تفکیکی ارائه می دهد اما ن کنار هم.
  4. این دستور ابتدا فایل داده ها را براساس متغیر تفکیکی مرتب می کند و سپس فایل داده ها را تفکیک می کند و از آنجایی که عموما فایل داده ها مرتب نیست همواره گزینه “Sort the file…” را انتخاب کنید.

 

دستور Weight Cases

زمانی که داده ها از نوع فراوانی باشند برای تعریف داده ها می توان از این دستور استفاده کرد دستور را با یک مثال توضیح میدهیم.

مثال: در یک مطالعه ژنتیکی مربوط به ساختار کروموزوم ها ۲۸ نفر برحسب نوع انحرافی که ساختار کروموزوم آنها از وضع طبیعی دارد و برحسب اینکه والدینشان حامل این انحراف هستند یا نه رده بندی شده اند و در نتیجه داده های زیر بدست آمده است:

 

 

 

 

می خواهیم آزمون کنیم که “نوع انحراف از وضع طبیعی” مستقل از “حامل بودن والدین” است یا خیر.

برای انجام این آزمون قاعدتا باید ابتدا داده ها را در SPSS وارد کرد!! که البته در این قسمت تنها بر نحوه ورود داده ها بحث خواهیم کرد و نه برنحوه انجام آزمون آماری آن. برای این کار دو راه وجود دارد. راه اول این که داده ها را به طور خام وارد اس پی اس اس کنیم یعنی دو متغیر برای “نوع انحراف از وضع طبیعی” و “حامل بودن والدین” تعریف کنیم آنها را کد بندی کرده و به صورت زیر وارد کنیم :

 

 

حال اگر فراوانی داده ها در هریک از خانه های جدول زیاد باشد و بخواهیم از روش اول استفاده کنیم ورود داده ها وقت زیادی خواهد گرفت. راه دوم این است که طبقات داده ها را به نرم افزار معرفی برای آنها فراوانی تعریف کنیم و به فراوانی ها وزن دهیم.

به عبارتی در این مثال که ۴طبقه (به صورت ترکیبی) داریم کافیست ۴ طبقه را به عنوان ۴ مشاهده تعریف کنیم و برای آنها فراوانی تعریف کنیم به عبارتی داده ها را به صورت زیر تعریف کنیم . توجه کنید یک متغیر Frequency برای تعریف فراوانی ها به دو متغیر قبلی اضافه شده است.

 

 

بعد از این کار مسیر Data > Weight Cases را طی کنید یا از نوار ابزار بر دکمه  کلیک کنید و در کادر مکالمه مورد نظر متغیرFrequency را به عنوان متغیر وزنی تعریف کنید و گزینه ok را بزنید با این کار نرم افزار دیگر می داند که افراد با انحراف نوع ۱ که فقط یکی از والدینشان هم به این عارضه دچارند تعدادشان ۴نفر است!!

 

آموزش گام به گام اس پی اس اس

 

 

حالا می توانید دستور Crosstabs را اجرا کنید و خروجی به صورت زیر خواهد شد:

 

 

 

 

  1. مادامی که دستور Weight cases اجرا شده است داده ها به صورت وزنی هستند لذا برای خارج شدن از این حالت مسیر Data > Weight Cases را طی کنید و گزینه “Do not weight cases” را انتخاب کنید.
  2. وقتی داده ها وزن دارند در نوار وضعیت SPSS عبارت Weight on نوشته شده است.
  3. این دستور به خصوص زمانی کاربرد دارد که با داده هایی که سرو کار دارید که خام نیستند و تعداد آنها نیز زیاد است.

دستور Compute

 

بسیاری اوقات پیش می آید که محقق می خواهد عبارتی را به طور سطری و برای هریک از موردها (افراد) محاسبه کند برای مثال فرض کنید قد و وزن نمونه را داریم و می خواهیم برای هر فرد به طور جداگانه BMI یعنی قد و وزن را محاسبه کنیم. به عنوان مثالی دیگر فرض کنید در یک تست سنجش افسردگی که شامل ۱۵سوال ۵ گزینه ای (۱تا۵) است می خواهیم امتیاز افسردگی هر شخص را به طور جداگانه محاسبه کنیم ذر تمام این موارد دستور Compute می تواند به ما در محاسبه عبارت مورد نظر کمک کند.

برای بررسی این دستور ابتدا فایل داده “dietstudy” را از فایل های نمونه SPSS باز کنید.

میخواهیم میانگین وزن افراد در ۵ نوبت پیگیری (wgt0 تا wgt4)را محاسبه کنیم و در متغیری به نام mwgt  در همین فایل داده ها محاسبه کنیم برای اجرای این دستور مسیر Transform >Compute variable را انتخاب کنید تا در کادر مکالمه Compute variable باز شود در کادر سمت چپ (Target variable) عبارت mwgt را تایپ کنید و در کادر سمت راست (Numeric expression) عبارت  ۵/ (wgt0+wgt1+wgt2+wgt3+wgt4)  را تایپ کنید برای این قسمت می توانید از صفحه کلید پایین یا گروه توابع (Function group) سمت راست هم استفاده کنید.

 

 

 

پس از اینکار کلید ok را کلیک کنید و به پنجره داده ها برگردید.خواهید دید که متغیری تحت عنوان mwgt به متغیرهای قبلی اضافه شده است که در واقع میانگین وزن هر فرد در ۵ دوره پیگیری است.

  1. در کادر مکالمه Compute variable با استفاده از تابع های موجود در قسمت Function group بسیاری از محاسبات آماری و ریاضی را می توان برای هر فرد به طور جداگانه انجام داد.
  2. این دستور به خصوص برای محققین رشته های پرستاری روانشناسی و علوم اجتماعی زمانی که با پرسشنامه سرو کار دارند کاربرد فراوانی دارد.
  3. فرض کنید بخواهیم برای گروهی از افراد نمونه یک فرمول و برای گروهی دیگر فرمولی دیگر را محاسبه کنیم در این حالت در کادر مکالمه Compute variable می توان از دستور if استفاده کرد.

 

دستور Count Values

 

یک تست سنجش افسردگی را در نظر بگیرید ممکن است محقق بخواهد بداند هر فرد در پاسخگویی چندبار گزینه ۳ را انتخاب کرده است برای پاسخ به این سوال باید از دستور Count values استفاده کرد

برای بررسی این دستور ابتدا فایل داده “tv-survey.sav” را از فایل های نمونه SPSS باز کنید.این فایل مربوط به یک نظر سنجی در مورد برنامه های تلوزیونی میباشد که شامل ۷ سوال بلی و خیر است. می خواهیم می خواهیم بدانیم هرفرد به طور کلی چند مرتبه به این سوالات جواب بلی (کد۱) را داده است وجواب را در متغیری تحت عنوان ny  ذخیره کنیم

برای اجرای این دستور مسیر Transform>Count values را انتخاب کنید تا در کادر مکالمه count occurrence of values within cases باز شود در کادرسمت چپ(target variable) عبارت ny را تایپ کنید و در کادر variable همه متغیرهای سمت چپ (متغیرهایی که میخواهیم در آنها عدد ۱ خوانده شود) را وارد کنید.

در این پنجره کلید Define values را کلیک کنید تا پنجره Count values within cases: values to count باز شود. در این پنجره انچه را که می خواهید شمارش شود را اضافه کنید در این مثال میخواهیم عدد ۱ شمارش شود.

آموزش گام به گام اس پی اس اس

 

 

لذا عدد ۱ را در قسمت values تایپ کرده و عبارت Add را کلیک می کنیم سپس دکمه Continue و ok را کلیک  می کنیم. حال به پنجره داده ها برگردید خواهید دید که متغیری تحت عنوان ny به متغیرهای قبلی اضافه شده است که در واقع تعداد پاسخ های بله هر فرد است.

 

 

 

  1. در کادر مکالمه ای Count values within cases: values to count می توان نحوه شمارش را به صورت دیگری (غیر از مثال بالا) نیز تعریف کرد.همچنین می توان در این پنجره بیش از یک شرط شمارش تعریف کرد.
  2. هرگاه بخواهیم این شمارش را برای گروهی ازافراد نمونه با گروه دیگر از افراد نمونه متفاوت باشد باید از دستورif در کادر مکالمهCount occurrence of values within cases استفاده کرد.

دستور Recode

در این قسمت به بررسی دو کاربرد دستور Recode می پردازیم.

جدول فراوانی برای صفات کمی پیوسته (دستور Recode)

یک روش تعیین طبقات در فصل دوم ارائه شد.فرض کنید حدود طبقات را با این روش تعیین کردیم در این بخش میخواهیم این حدود طبقات را به نرم افزار معرفی کنیم تا داده ها را دسته بندی کند و به وسیله آن جدول فراوانی داده ها را رسم کنیم.

مثال) داده های مثال (تمرکز وزن در ۴۰ شهر بزرگ) را در SPSS وارد کنید و نام متغیر را O.C بگذارید. برای دسته بندی داده ها با استفاده از اس پی اس اس در گام اول حدود طبقات را به آن تعریف می کنیم و متغیر دسته بندی شده را به عنوان متغیری جدید در صفحه داده ها ایجاد می کنیم  حدود طبقاتی که باید تعریف شوند به این صورت است.

توجه داشته باشید عدد ۴/۴ که یکی از کران هاست (کران بالای طبقه دوم و کران پایین طبقه سوم ) در داده ها نیز وجود دارد و از آنجایی که میخواهیم ۴/۴در طبقه سوم باشد در طبقه دوم و سوم بجای عدد ۴/۴ در کرانه ها عدد ۴٫۳۵ را در نظر گرفته ایم و اگر اعداد ۲٫۷، ۱٫۶، ۷٫۸ یا ۹٫۵ نیز در داده ها بودند همین کار را انجام می دادیم.

 

 

 

برای دسته بندی داده ها مسیر Transform>Recode into different variables را انتخاب کنید تا در کادر مکالمه Recode into different variables باز شود. در این کادر متغیر”مقدار تمرکز وزن (O.C)” را انتخاب و وارد پنجره سمت راست (Numeric Variable->Output variable) می کنیم.

در قسمت سمت راست این کادر(Output Variable) و در قسمت  Name نام متغیر جدید یعنی r_O.C راتایپ می کنیم و سپس دکمه Old and New values  را کلیک می کنیم

تا کادر Old and New values  Recode into different variables: باز شود در این کادر و در قسمت Old values گزینه Range را انتخاب کنید و اعداد ۱ و ۲٫۷ (حد بالا و پایین طبقه اول) را در این جعبه تایپ کنید در قسمت New values عدد ۱ را تایپ می کنیم و دکمه Add را می زنیم.

 

به همین ترتیب سایر طبقات را به نرم افزار معرفی می کنیم.

 

آموزش گام به گام اس پی اس اس

 

 

پس از اینکه معرفی طبقات به نرم افزار به اتمام رسید دکمه های  Change. Continue و ok  را به ترتیب کلیک می کنیم. حال به پنجره داده ها برگردید خواهید دید که متغیری تحت عنوان r_O.C به متغیرهای قبلی اضافه شده است که در واقع همان O.C است اما با کد بندی جدید.

گام دوم این است که به هر یک از طبقات متغیر جدید valueای در خور مانند شکل زیر در نظر بگیریم  (در پنجره variable view) .

 

 

 

حال با استفاده از دستور Frequency برای متغیر r_O.C جدول فراوانی رسم کنیم.

 

معکوس کردن امتیازات(دستور Recode)

همانطور که از نام این دستور پیداست توسط آن میتوان داده ها را دوباره کد بندی کرد. برای مثال فرض کنید در پرسشنامه ای ۲۰ سوالی ۱۸سوال با نمره گذاری ۱تا ۵ (مستقیم) معنی می دهد اما در ۲ سوال جهت نمره گذاری ۵ تا ۱ (معکوس)است. در این حالت بهتر است همه داده ها وارد شوند اما جهت نمره گذاری آن دو سوال را با استفاده از دستور  Recode برعکس کرد.

برای بررسی این دستور ابتدا فایل داده “satisfy.sav” را از فایل های نمونه SPSS باز کنید می خواهیم کد بندی متغیر price را معکوس کرده و آن رت در متغیری جدید به نام r_price ذخیره کنیم برای این کار مسیر Transform>Recode into different variables را انتخاب کنید تا در کادر مکالمه Recode into different variables باز شود. در این کادر متغیر Price را انتخاب و وارد پنجره سمت راست می کنیم.

در قسمت سمت راست این کادر (Output Variable) و در قسمت Name نام متغیر جدید یعنی r_price را تایپ می کنیم و سپس دکمه Old and New values را کلیک می کنیم تا کادر Old and New values Recode into different variables: باز شود در این کادر در قسمت Old values عدد ۱ را در قسمت New values عدد ۵ را تایپ می کنیم و همین کار را برای کدهای ۴,۳,۲و۵ انجام می دهیم و آنها تبدیل به کدهای به ترتیب ۲٫۳٫۴و۱ می کنیم.

سپس دکمه های Continue.change و ok را به ترتیب کلیک می کنیم حال به پنجره داده ها برگردید. خواهید دید که متغیری تحت عنوان r_price به متغیرهای قبلی اضافه شده است که در واقع همان متغیر price است اما با کدبندی معکوس.

 

 

 

 

آموزش گام به گام اس پی اس اس

 

 

  1. کاربرد دیگر دستور Recode را بیشتر در فصل دوم در قسمت دسته بندی داده های کمی بحث کرده ایم.
  2. هرگاه بخواهیم دوباره کدبندی را برای گروهی از افراد نمونه با گروه دیگر از افراد نمونه متفاوت باشد در کادر مکالمه Recode into different variables باید از دستور if استفاده کرد.
  3. در منوی  Transform دو نوع دستور Recode تعبیه شده است. یک نوع را در بالا بررسی کردیم حالت دیگر Recode into same . . . است که درآن متغیر جدیدی ایجاد نمی شود و اعداد دوباره کد بندی شده در همان متغیر اول ذخیره می شوند. لذا این امر باعث از بین رفتن اطلاعات اصلی می شود و استفاده از دستور Recode بدین گونه توصیه نمی شود.

 

 

امیدواریم از این مطلب در سایت صنایع سافت لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

 

دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

آمار توصیفی در Spss

آمار توصیفی در Spss را به زبان ساده بیاموزید | گام به گام

سلام خدمت کاربران عزیز در صنایع سافت در مقاله قبلی آموزش آشنایی با محیط نرم افزار Spss پرداختیم لذا توصیه میشود قبل از خواندن این مقاله ابتدا مطلب قبلی را بخوانید، برای خواندن اینجا کلیک کنید.

در این قسمت از سری مقاله های آموزشی سایت صنایع سافت میخواهیم آمار توصیفی در Spss را بررسی کنیم.

 

آمار توصیفی در Spss

شاخص های مرکزی و پراکندگی

 

در این قسمت سعی میکنیم نحوه بدست آوردن شاخص های مرکزی و پراکندگی را در قالب مثال بیاموزیم

مثال : نخستین پانزده بیماری که برای تشخیص بیماری و ارزشیابی بخش جدید التاسیس روانی یک بیمارستان عمومی پذیرفته شده اند مدت زمان زیر را در بیمرستان فوق بستری بوده اند.مطلوب است محاسبه میانگین، میانه، نما، انحراف معیار، واریانس، چارکهای اول و دوم و سوم مدت بستری شدن بیماران این بیمارستان

 

 

ابتدا داده ها را در SPSS وارد مینماییم

 

برای یافتن شاخص های مرکزی و پراکندگی راههای مختلفی وجود دارد که کاربر باید با توجه به نیازی که دارد یکی از راه ها را بر گزیند که در اینجا با توجه به اینکه مقدار نما نیز خواسته شده است از دستور زیر استفاده میکنیم :

Analyze\ Descriptive Statistics \ Frequencies…

 

 

اجرای دستور فوق پنجره ای به شکل پایین باز میشود در این پنجره با انتخاب متغیر “مدت” و انتقال آن به قسمت variable دکمه  statistics را کلیک میکنیم.

 

 

 

در ادامه آموزش آمار توصیفی در Spss با کلیک دکمه statistics وارد پنجره های به شکل پایین میشوید که قسمت های مختلف آن در جدول بالا توضیح داده شده است. لازم به ذکر است که شما فقط موارد خواسته شده در سوال را انتخاب نمایید سپس دکمه Continue  را کلیک کنید.

آمار توصیفی در Spss

 

 

در ضمن اگر متمایل به جدول توزیع فراوانی هستید میتوانید گزینه Display frequency tables را درشکل بالا انتخاب نمایید.

در پایان با دکمه OK  خروجی را مشاهده نمایید.

 

نمودار ستونی

در این قسمت میخواهیم نحوه رسم نمودارها ستونی را با ذکر دومثال بیاموزیم

مثال : درصدد اشتغال تخت و متوسط روز بستری بیمارستان های امام رضا(ع)، قائم (عج)، شهید هاشمی نژاد، امید در سه ماهه ابتدای سال ۸۳در زیر آمده است نمودار ستونی را برای متوسط در صد اشتغال تخت در بیمارستان های فوق رسم کنید.

 

آمار توصیفی در Spss

 

داده ها را در SPSS  وارد میکنیم سپس برای رسم نمودار ستونی از دستور Graphs \ Bar \ …  استفاده نمایید.در تعریف متغیر ها، تمام آنها را از نوع عددی تعریف کنید و برای اسم بیمارستانها و نام ماه ها توسط Values  مقدار و برچسب تعریف کنید.

آمار توصیفی در Spss

 

پس از کلیک بر روی کلمه Bar در منوی Graphs  وارد پنجره ای به شکل پایین میشوید که در این پنجره با انتخاب گزینه Simple و کلیک بر روی Define  وارد پنجره ای به شکل میشوید.

 

 

 

در پنجره ی فوق متغیر نام را به چهرگوش Category axxis  و متغیز درصد اشتغال تخت را به چهار گوش Variable  منتقل کنید. توجه داشته باشد برای انکه چهارگوش Variable  فعال باشد بادی ابتدا گزینه Other summary function  را انتخاب نمایید. در پایان دکمه OK  را کلیک میکنیم و خروجی به شکل پایین است.

 

در مثال قبلی از آمار توصیفی در Spss نمودار ستونی را برای میانگین شاخص متوسط روز بستری بصورت همزمان برای بیمارستان  در ماه های مختلف رسم نمایید.

در این حالت در پنجره Bar Chart  شکل پایین گزینه clustered (خوشه ای) را انتخاب نموده و دکمه OK  را کلیک می نماییم تا پنجره ای به شکل پایین شود. در این پنجره همانند مثال قبل عمل میکنیم با ایین تفاوت که در چهار گوش Define Axis متغیر ماه را وارد میکنیم.

 

آمار توصیفی در Spss

 

خروجی بصورت شکل زیر میباشد.

 

برای مثال فوق راه حل های دیگری نیز وجود دارد وآن رسم نمودار ستونی به صورت پشته ای Stacked میباشد که در این حالت باید در پنجره Bar Charts گزینه Stacked را کلیک نمائیم وسایر مراحل مشابه حالت قبل است خروجی به شکل زیر است.

آمار توصیفی در Spss

 

هیستوگرام :

از هیستوگرام برای متغیرهای کمی پیوسته استفاده میشود . برای آشنائی با طریقه رسم به مثال زیر توجه کنید .

مثال : سن ۵۲ نفر از مبتلایان به یکبیماری خاصبه شرح ذیل است هیستوگرام مربوطه را رسم نمائید

 

۳۴ ۳۳ ۲۸ ۵ ۴۰ ۱۰ ۳۵ ۴۲ ۷۵ ۶۵ ۶۵ ۲۳ ۶۱

۴۷ ۳۹ ۳۶ ۲۲ ۲۰ ۱۸ ۱۷ ۱۴ ۱۵ ۳۵ ۶۳ ۵۲ ۵۰

۵۲ ۵۰ ۴۱ ۴۴ ۴۶ ۴۵ ۳۷ ۳۸ ۳۶ ۲۵ ۲۳ ۳۰ ۴۴

۵۵ ۳۰ ۵۹ ۵۷ ۵۸ ۴۵ ۱۴ ۱۱ ۳۶ ۱۲ ۳۲ ۶۸ ۴۵

 

از منوی Graphs گزینه Histogram را انتخاب میکنیم تا پنجره ای به شکل باز شود متغیر سن را وارد قسمت Variable کرده دکمه OK  را کلیک میکنیم در ضمن اگر تمایل به نمایش نمودار توزیع نرمال بر روی هیستوگرام هستیم گزینه Display normal curve را فعال میکنید. خروجی شکل پایین است

 

 

نمودار جعبه ای

یکی از نمودارهای جالبی که توسط SPSS تولید میشود نمودار جعبهای است . شکل نمودار جعبهای به صورت زیر میباشد. ضمنا اگر خارج از محدوده بین ماکسیمم و مینیمم نقطهای وجود داشته باشد آن نقطه یک نقطه پرت میباشد

منظور از نقطه پرت نقطهای است که بیشتر از مقدار(Q3-Q1) 1.5 ( با احتساب علامت مثبت و منفی)

 

 

برای رسم این نمودار از منوی Graphs \ Box plot استفاده میشود که در اثر طی نمودن این مسیر پنجره ای به شکل پایین باز میشود.

 

آمار توصیفی در Spss

در این پنجره دو گزینه Simple و Clustered وجود دارد که توضیح انها مشابه نمودارهای ستونی استو از تکرار آن خودداری میشود. در ادامه بحث با ذکر یک مثال نحوه رسم نمودار جعبه ای را نشان میدهیم.

مثال : برای بررسی تاثیر یک رژیم خاص بر روی وزن افراد، وزن ۲۰ نفر را قبل و بعد از اعمال رژیم غذایی ثبت کرده اند. داده ها به شکل زیر میباشد

 

 

پس از وارد کردن داده ها در SPSS  (دو متغیر عددی به نامهای وزن و رژیم تعریفکنیدکه رژیم یک متغیر دوسطحی است ) سپش مسیر Graphs \ Box plot را اجرا کرده پس از انتخاب گزینه Simple و کلیک دکمه Define در پنجره Box Plot وارد پنجره ای به شکل پایین میشوید و در این پنجره متغیر وزن را وارد چهارگوش Variable و متغیر رژیم را وارد چهارگوش Category Axis میکنید سپس دکمه Ok را کلیک میکنیم. خروجی بصورت شکل پایین میباشد.

 

آمار توصیفی در Spss آمار توصیفی در Spss

 

نرم افزار SPSS  قابلیت رسم نمودارهای جالب دیگری را نیز دارد که برای جلوگیری از اطاله مبحث از بیان آنها خودداری میشود فقط در پایان بحث دستور Record را درقالب یک مثال توضیح میدهیم

مثال : : سن بیماران مراجعه کننده به بخش جراحی یک بیمارستان به شرح ذیل میباشد. میخواهیم درصد افراد زیر ۷سال، ۷ تا ۱۴ سال، ۱۴ تا ۲۱ سال، ۲۱ تا ۲۸ سال، ۲۸ تا ۳۵ سال، ۳۵ تا ۴۲ سال، ۴۲ تا ۴۹ سال، ۴۹ تا ۵۶ سال و ۵۶ سال به بالا در یک نمودار نشان دهیم .

 

۵۰ ۳۴ ۳۳ ۲۸ ۵ ۴۰ ۱۰ ۳۵ ۴۲ ۷۵ ۶۵ ۶۵ ۲۳

۴۴ ۴۷ ۳۹ ۳۶ ۲۲ ۲۰ ۱۸ ۱۷ ۱۴ ۱۵ ۳۵ ۶۳ ۵۲

۴۵ ۵۲ ۵۰ ۴۱ ۴۴ ۴۶ ۴۵ ۳۷ ۳۸ ۳۶ ۲۵ ۲۳ ۳۰

۳۲ ۵۵ ۳۰ ۵۹ ۵۷ ۵۸ ۴۵ ۱۴ ۱۱ ۳۶ ۱۲ ۳۲ ۶۸

 

ابتدا داده ها را وارد SPSS نمائید سپس از منوی Transform زیر منوی Record را انتخاب مینمائیم.

 

با کلیک بر روی In to Different Variables وارد پنجره ای به شکل پایین میشوید. در این پنجره متغیر سن را وارد چهارگوش Nnmeric Variable  میکنیم سپس در قسمت  Output Variable  نام و برچسب متغیر گروهبندی را تعریف میکنیم و بعد از آن بر روی دکمه Old And New Values جهت تعریف مقادیر متغیر گروهبندی کلیک میکنیم

 

آمار توصیفی در Spss

حال وارد پنجره ای به شکل پایین که باید مقادیر متغیر گروه بندی را در آن تعریف نماییم. در این پنجره برای مقادیر کمتر از ۷ بر روی گزینه Change / Lowest through کلیککرده مقدار ۷ را وارد کرده سپس در قسمت New Values  مقدار عددی جدیدی (مثلا ۱ ) را وارد میکنیم سپس دکمه Add را کلیکمینمائیم . در ادامه برای سنین بین ۷ تا ۱۴ سال بر روی دکمه Range ( through) کلیکمینمائیم ومقادیر ۸ و ۱۴ را در چهارگوش های مربوطه وارد کرده و مقدار عددی جدید دیگری مثلا ۲ را به این گروه نسبت داده و دکمه Add را کلیک میکنیم.

اینکار را برای گروه های دیگر نیز اعمال میکنیم . با انجام این کار متغیر گروهبندی جدیدی با عنوان “گروه” با مقادیر عددی ۱ الی ۹ ایجاد میشود.

 

 

 

 

 

حال نمودار ستونی را برای متغیر جدید رسم میکنیم . ( نحوه رسم همانند مثالهای قبل است با این تفاوت که در شکل متغیر گروه را به چهارگوش Category Axis وارد کرده و در قسمت Bar Represent گزینه %Of cases را انتخاب مینماییم. خروجی به شکل زیر میباشد.

 

آمار توصیفی در Spss

در نمودار فوق درصد فراوانی هر یک از گروهها نشان داده شده است.

 

امیدواریم از این مطلب در سایت صنایع سافت که درباره آمار توصیفی در Spss بود لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

 

دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

 

 

آموزش نرم افزار minitab

آموزش نرم افزار Minitab (جدید) | قدم به قدم و تصویری

در این مقاله با یکی دیگه از سری مقاله های آموزش مینی تب در خدمت شما کاربران عزیز هستیم. در این مقاله قصد داریم یک مبحث آموزشی دیگر در این نرم افزار را باشما عزیزان به اشتراک بگذاریم.قبل از رفتن به سراغ آموزش نرم افزار Minitab مباحث مورد بررسی در این مقاله شامل موارد زیر میباشد :

قبل از خواندن این مقاله اگر با این نرم افزار آشنایی ندارید ابتدا به ترتیب مقالات زیر را مطالعه کنید.

  1. قسمت اول
  2. قسمت دوم
  3. قسمت سوم

طریقه رسم نمودار پراکنش در بازه های زمانی و مکانی مختلف:

با توجه به مثالی که در مقاله کنترل فرایندآماری در مینی تب گفته شد میخواهیم رابطه ی بین فاصله و زمان تحویل را در سه شعبه مرکزی،غربی و شرقی را به طور جداگانه بررسی کنیم.

قدم اول:از منوی Graph گزینه Scatter plot را انتخاب کنید.و مانند مثال قبلی Days  و distance را انتخاب کنید.

آموزش نرم افزار Minitab

قدم  دوم: در پنجره multiple graph  ,scatter plot  with regresion را انتخاب کنید سپس به قسمت By variable رفته که ۲ گزینه دارد:

By variables with groups in separate panel: کلیه ی نمودارهای پراکنش در مکان ها و زمان های مختلف را در یک گراف نمایش میدهد.
در این مثال ستون center را زیر این قسمت وارد کنید تا نمودارهای پراکنش بین فاصله و زمان در سه شعبه غربی, مرکزی و شرقی در یک گراف نمایش داده شود.

 

By variables with groups on separate graphs:  نمودارهای پراکنش را در مکان ها وزمان های مختلف در گراف های جداگانه و مستقل نمایش میدهد.

آموزش نرم افزار Minitab

 

تحلیل:نقاط روی نمودار هیچ نمونه ی خاصی از سه مرکز نشان نمی دهد. یعنی در هر شعبه بین فاصله سفارش و زمان تحویل همبستگی ضعیف وجود دارد پس اگر تاخیری در تحویل به وجود آمده به خاطر فاصله سفارش نبوده و باید دلایل آن شناسایی و حذف گردد.

طریقه ی رسم نمودار هیستوگرام برای یک متغیر در Minitab:

مثال:فرض کنید برای شرکت تولیدی شامپو کار می کنید و می خواهید مطمئن شوید که درپوش شامپوها محکم بسته شده است یا نه؟اگر شل بسته شده باشند در حین حمل و نقل ریخته شوند و هنگام خرید باز می شوند و اگر خیلی محکم بسته شده باشند برای خریدار باز کردن درپوش مشکل میباشد(مخصوصاً در موقع حمام گرفتن).

قدم اول :از منوی File گزینه Open worksheet را انتخاب کرده و فایل Cap.MTW را باز کنید

قدم دوم : از منوی Graph گزینه Histograms را انتخاب کنید .و از بین نمودار های موجود with fit)همراه با نمودار نرمال(را انتخاب کنید.اگر نوع With fit را انتخاب کنید Minitab منحنی تابع توزیع مورد نظرتان را رسم می کند و در صورتیکه مشاهدات شما به خوبی منحنی را پوشش دهند , می توان گفت که داده های تصادفی مورد بررسی از تابع توزیع انتخاب شده پیروی می کنند.منحنی پیش فرض Minitab , نرمال می باشد.اگر نوع Simple را انتخاب کنید, Minitab  فقط هیستوگرام داده های شما را رسم می کند.

آموزش نرم افزار Minitab

 

قدم سوم:برای محور xها در پنجره ی Graph variables، ستون متغیر مورد نظر را وارد کنید.(در این مثال C1 را وارد کنید.)

در این شرکت داده های ما گشتاور مورد نیاز برای باز کردن در شامپو ها بوده شرکت اعلام کرده به طور میانگین مقدار گشتاور باید ۱۸ باشد و اگر گشتاور کمتر از ۱۱ باشد یعنی در آن شل بسته شده و اگر گشتاور بیش از ۲۴ باشد یعنی در شامپو بیش از اندازه سفت بسته شده است.با این اوصاف میخواهیم داده های خود را بررسی کنیم

می توانید برای متغیر خودتان یک مقدار هدف یا تارگت تعریف کنید .برای این کار به scale رفته و در Show reference lines at data values مقدار آن را وارد کنید.

قدمچهارم:Ok را بزنید.

آموزش نرم افزار Minitab

تحلیل نتایج:همانطور که می بینید میانگین نمونه گشتاور ها ۲٫۲۶  می باشد.یعنی بیشتر داده ها تقریباً سفت بسته شده اند. یک داده با گشتاور۴ باز می شود یعنی در آن شل بسته شده است.خیلی از درپوشها به گشتاوری بالای ۲۴ برای باز شدن نیاز داشتند یعنی بیشتر در شامپوها سفت بسته شدند.پس باید ترتیبی اتخاذ دهیم تا بتوانیم گشتاور مورد نیاز برای باز کردن در شامپو ها را کاهش دهیم.

همانطور که گفته شد اگر بخواهیم هیستوگرام دقیقی داشته باشیم باید تعداد binها و بازه ی هرکدام را درست تعریف کنیم پس چون ۶۸ مشاهده داریم تقریبا باید ۸bin  داشته باشیم هم چنین میتوانیم فاصله هر bin  را از رابطه W=R/K  به دست بیاوریم که R همان دامنه تغییرات میباشد.(R=XMAX-XMIN) در این مثال R برابر است با ۳۴٫۶۶  پس مقدار  W  تقریبا برابر با ۴٫۵  میشود و کران پایین برای شروع نمونه گیری برابر (xmin-p) می باشد  که در آن p خطای اندازه گیری و یا خطای آخرین رقم اعشاری می باشد مثلا برای داده های ۲۱٫۵ ۲۲ ۲۳ ۲۴ خطای اندازه گیری برابر ۰٫۱ و برای داده های ۲۱٫۰۶ ۲۲٫۱ ۲۳ ۲۴ برابر ۰٫۰۱ میباشد.

در این مثال خطای اندازه گیری برابر یک می باشد و از آنجاییکه کوچکترن داده برابر ۱۰ می باشد پس اولین bin مربوط به بازه ی ۹ تا ۱۳٫۵ می باشد و نقطه ی میانی این بازه برابر ۱۱٫۲۵ میباشد. برای وارد کردن تعاریف فوق در Minitab ابتدا باید روی محور x در نمودار هیستوگرام کلیک راست کرده سپس Edit X Scale  را انتخاب کنید.

 

حال binnig را انتخاب کنید و در قسمت Midpoint /cutpoint ,interval definition position را انتخاب کرده و اعداد را مطابق شکل زیر وارد کنید سپس ok  را بزنید.

 

آموزش نرم افزار Minitab

 

 

وقتی از منوی graph نمودار Histogram را انتخاب میکنید Minitab  چند گزینه در اختیار شما قرار میدهد که به شرح هریک میپردازیم.

Simple :هنگامیکه میخواهید فقط هیستوگرام یک متغیر را رسم کنید از این گزینه استفاده کنید.

Simple With Fit :هنگامیکه میخواهید هیستوگرام یک متغیر را رسم و سپس بررسی کنید که آیا متغیر مورد بررسی توزیع خاصی دارد یا خیر؟ پیش فرض برنامه این است که نرم افزار شکل تابع توزیع نرمال را رسم میکند اگر داده ها به خوبی  منحنی تابع توزیع نرمال را پوشش بدهند پس متغیر مورد بررسی از توزیع نرمال پیروی میکند.در صورتیکه بخواهیم منحنی ای را که میخواهیم داده هایمان را با آن فیت کنیم تغییر دهیم وقتی این گزینه را انتخاب کردید به Data view رفته و Distribution را انتخاب کنید و در قسمت Distribution تابع توزیع مورد نظرتان را وارد کنید.

 

With Fit and Groups : از گزینه  برای رسم هیستوگرام های داده های  متغیرهای مختلف در یک گراف و بررسی آنها به طور همزمان با همدیگر استفاده می شود. همچنین  می توان بررسی کرد که که آیا متغیرهایمان تابع توزیع خاصی دارند یا خیر؟

With Outline And Groups : از این گزینه فقط برای رسم هیستوگرام داده های متغیرهای مختلف به طور همزمان استفاده میشود به طوریکه هیستوگرام هر متغیر فقط به صورت خطوط شکسته نمایش داده می شود و از binها استفاده نمی شود .در قسمت بعدی از آموزش نرم افزار Minitab به رسم نمودار هیستوگرام میپردازیم.

طریقه رسم هیستوگرام برای چند متغیر در Minitab :

مثال: فرض کنید در یک کارخانه ی اتومبیل سازی کار می کنید و یکی از اشکالاتی که با آن مواجه شدید طول میل بادامک استفاده شده در موتور است . پس از بررسی متوجه می شودی که این میل بادامک ها از ۲ تامین کننده مختلف تامین می شود.شما ۱۱۱ نمونه از این ۲ تامین کننده گرفته و آنها را باهم مقایسه می کنید.

قدم اول: از منوی File گزینه Open worksheet فایل Camshaft.MTW را انتخاب کنید.

قدم دوم : از منوی Graph گزینه Histograms  را انتخاب کرده و With outline and groups را انتخاب کنید.

قدم سوم:در قسمت Graph variables دو ستون Supp1 و Supp2 را وارد کنید و Ok  را بزنید.

آموزش نرم افزار Minitab

 

تحلیل: همانطور که مشاهده می کنید میانگین Supp1 از Supp2 کمتر است و پراکندگی داده های Supp1 از Supp2 نیز کمتر می باشد پس خرید از تامین کننده اول بهتر می باشد.

در صورتیکه بخواهیم هیستوگرام هر متغیر را جداگانه رسم کنیم از پنجره Histogram-With Outline and Groups گزینه Multiple Graphs را انتخاب کنید.

در قسمت show Graph variables اگر overlaid on the same graph  را انتخاب کنید هیستوگرام همه ی متغیرها را با هم نمایش میدهد.

آموزش نرم افزار Minitab

اگر In Separate Panel of the same Graph  را انتخاب کنید هیستوگرام هر متغیر را جداگانه اما در یک گراف نمایش میدهد.

و اگر on separate panel را انتخاب کنید هیستوگرام هر متغیر را در گراف های جداگانه رسم میکند.

در ادامه آموزش نرم افزار Minitab به بررسی آزمون اندرسون دارلینگ میپردازیم

انجام آزمون اندرسون دارلینگ با استفاده از Minitab :

مثال : برای داده های مثال تامیین کننده های میل بادامک در فایل camshaft بررسی کنید که آیا طول میل بادامک های تامین کننده ۱ توزیع نرمال دارد یا خیر؟با استفاده از آزمون اندرسون دارلینگ این آزمون را انجام دهید و درصورتیکه P-value بزرگ تر از ۰٫۰۵ شد یعنی داده های شما نرمال هستند.

مسیر زیر را دنبال کنید:

 

در قسمت supp1 ستون variable را وارد کنید و در قسمت Tests For Normality آزمون Anderson- Darling  را انتخاب کنید

Ok را بزنید.

آموزش نرم افزار Minitab

تحلیل:مقدار p-value  برابر ۰٫۰۲۹ شده که کمتر از ۰٫۰۵ میباشد پس مشخصه کیفی طول میل بادامک توزیع نرمال ندارد. همچنین مشاهدات طرح احتمال نرمال را به خوبی پوشش ندادند.

 

 

امیدواریم از این مطلب که درباره آموزش نرم افزار Minitab در سایت صنایع سافت بود لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

 

دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

 

کنترل فرایند اماری در مینی تب

کنترل فرایند اماری (SPC) در مینی تب (قدم به قدم و تصویری)

کنترل فرایند آماری (SPC) در نرم افزار مینی تب

کنترل فرایند اماری در مینی تب،کنترل کیفیت آماری یکی از دروس تخصصی دوره کارشناسی رشته مهندسی صنایع می باشد که در این مقاله قصد داریم ابزارهای کنترل فرایند آماری را در نرم افزار مینی تب که یکی از نرم افزارهای پرکاربرد در شغل کنترل کیفیت است بپردازیم. این نرم افزار ابزاری برای کسانی است که به هرنحوی با علم آمار سروکار دارند.

خب بدون فوت وقت اموزش نرم افزار مینی تب را آغاز می کنیم.

در این آموزش به بررسی موارد ریز میپردازیم:

  • کنترل فرآیند آماری
  • برگه کنترل
  • نمودار پارتو
  • طریقه رسم نمودار پارتو در Minitab
  • نمودار پارتو در بازه های زمانی و مکانی مختلف در Minitab
  • نمودار علت و معلول (استخوان ماهی ایشی کاوا)
  • ایجاد یک نمودار استخوان ماهی در Minitab
  • نمودار تمرکز نقص ها
  • نمودار پراکندگی(پراکنش-scatter plot)
  • ضریب همبستگی
  • طریقه رسم نمودار پراکنش (Scatter plot) در Minitab
  • پیدا کردن ضریب همبستگی (correlation) در Minitab

کنترل فرآیند آماری( SPC )

از روش های بهبود کیفیت در حین فرآیند تولید میباشد که با شناسایی و حذف عوامل غیر تصادفی در فرآیند تولید باعث کاهش تغییر پذیری در فرآیند تولید می شود. ایشی کاوا معتقد بود که با ابزارهایی که در کنترل فرآیند آماری وجود دارد میتوان به طور قابل توجهی کیفیت فرآیند تولید را بهبود داد.

ابزار های قدرتمند مورد استفاده در SPC :

برگه کنترل :

هرگاه لازم باشد مهندسان کیفیت در مورد مسئله ای تصمیم گیری کنند باید داده هایی داشته باشند تا روش های لازم را در مورد آن داده ها بکار ببرند.پس برای جمع آوری داده ها برگه ها یا فرم هایی ایجاد می کنند که فقط مختص آن مسئله می باشد و در اختیار بازرسان و اپراتور ها قرار می دهند.

مثال : شکل زیر نشان دهنده یک برگه ثبت داده برای عیوب مخزن های تولید شده در سازمان کشتی سازی می باشد که توسط یکی از مهندسان آن جهت بررسی گونه های مختلف از عیوب این نوع مخزن می باشد که این برگه توسط بازرس مربوطه پر شده است.

جمع7654321
4221بخش های صدمه دیده
1013321مشکلات ماشینی
81322جوشکاری بد
3111وجود مک در ریخته گری

بازرس :                                                      تحویل گیرنده :
تاریخ ثبت :                                                  امضا و تایید بازرس :

 

برگه ثبت داده برای انواع عیوب در مخزن های تولید شده در شرکت کشتی سازی

کنترل فرایند اماری در مینی تب

طریقه رسم نمودار پارتو در Minitab :

مثال:  فرض کنید شما به عنوان یک کارشناس کنترل کیفیت در یک شرکت تولید کننده ی قفسه کتاب کار می کنید .در بازرسی نهایی برخی از این قفسه ها به خاطر برخی دلایل مثل خراش برداشتن ، لب پریدگی ، خمیدگی یا تورفتگی مردود اعلام می گردند(دور ریخته میشوند).

حال می خواهید از نمودار پارتو برای مشاهده اینکه کدام خرابی بیشتر در فرآیند تولید شما نقش دارد استفاده کنید. همچنین در فرآیند تولید شما نقص هایی از قبیل نبود پیچ و گیره و …  مشاهده میشود و شما میخواهید پی به اینکه کدام نقص بیشتر در فرآیند تولید اثر دارد، ببرید.

ابتدا شما تعداد دفعاتی که هرکدام از این خرابی ها و نقص ها اتفاق افتاده را میشمارید.سپس در worksheet علل هرکدام از این خرابی ها را در یک ستون Defect (نقص) و در ستون دیگر Damage (خرابی) مشخص می کنید که هر کدام از این خرابی ها مربوط به کدام یک از علل است.

  • الف)مشخص کنید بیشتر عامل خرابی ها کدام نوع است.
  • ب)مشخص کنید بیشتر نقص ها مربوط به کدام نوع نقص در قفسه کتاب است؟

حل الف) قدم اول : از منوی file گزینه open worksheet را انتخاب کنید و فایل EXH_QC.Mtw را باز کنید.

کنترل فرایند اماری در مینی تب

 

قدم دوم : از منوی Quality tools ,Stat و سپس Pareto chart را انتخاب نمایید.

کنترل فرایند اماری در مینی تب

 

قدم سوم : در صورتیکه می خواهید ببینید بیشتر خرابیها (damage) مربوط به کدام یک از عوامل است در Defects or attribute data in ستون C1 را وارد کنید.(به طور کلی در صورتیکه شما در یک ستون عوامل را وارد کردید این قسمت را انتخاب کنید و قسمت frequencies  را خالی بگدارید و خود نرم افزار به صورت خودکار آنها را می شمارد.)

قدم چهارم : قمست combine remaining defects into one category after this percentکه به طور پیش فرض برابر ۹۵% می باشد یعنی ۵% باقیمانده عوامل را در یک ستون به نام other در نمودار  پارتو نمایش می دهد.(به طور کلی مجموعه  عواملی که در صد تجمعی آنها کمتر از ۵% می شود را در یک ستون نمایش میدهد.) و در صورتیکه Do Not Combine  را انتخاب کنید همه ی عوامل را با همه ی درصد تجمعی هایشان نمایش میدهد.

این مقدار را بر اساس قانون پارتو به ۸۰% تغییر دهید.

 

قدم پنجم : ok را بزنید.

کنترل فرایند اماری در مینی تب

 

تحلیل: همانطور که می بینید بیشتر خرابی ها مربوط به خراش و پریدگی می باشد که ۷۵% مشکلات را از آن خود کرده اند.پس اگر این دو مشکل را حل کنیم ۷۵% مشکلات را حل کردیم.

حل ب) قدم اول و دوم مانند حل الف می باشد.

قدم سوم: در صورتیکه می خواهید ببینید بیشتر نقص ها مربوط به کدام نوع از نقص ها می باشد قسمت Defects or attribute data inرا انتخاب کنید و در  این  قسمت ستون Defects و در قسمت frequencies in ستون counts  را وارد کنید. (به طور کلی در صورتی که انواع عوامل در یک ستون و فراوانی آنها در یک ستون دیگر باشد از این روش استفاده کنید)

بقیه قسمت ها مانند حل الف می باشد.

تحلیل: همانطور که می بینید بیشتر نقص ها مربوط به نبود پیچ و نبود گیره است که ۷۸% نقص ها را در برگرفته اند.پس با برطرف کردن این دو عیب ۷۸% مشکلات را برطرف کرده ایم.

نمودار پارتو در بازه های زمانی و مکانی مختلف در Minitab

مثال:فرض کنید که شما برای شرکت عروسک سازی کار می کنید.اخیراً متوجه افزایش خرابی در بازرسی نهایی به خاطر خراشیدگی ، خرابی پوست و لکه دار شدن عروسک ها شده اید.شما میخواهید بفهمید که آیا رابطه ای میان نوع و تعداد عیوب و شیفت کاری تولید عروسک وجود دارد یا خیر؟

  1. فایل EXH_QC.mtw را از منوی فایل و گزینه open worksheet باز کنید.
  2. از منوی Quality tools ،Stat و سپس Pareto chart را انتخاب نمایید
  3. در قسمت Defects or attribute data in ستون flaws را وارد کنید.
  4. در قسمت by variable in  ستون period را وارد کنید.

به طور کلی با این قسمت میتوان نمودار پارتو را به وسیله متغیرهای مختلف مثلاً در بازه های زمانی یا مکانی مختلف رسم کرد.

قدم پنجم :وقتی در قسمت by variable in  ستونی را وارد می کنید سه گزینه ظاهر می شود:

  1. (Default (all on one graph same ordering of bars : کلیه نمودار های پارتو را در بازه های مختلف در یک graph نمایش می دهد.
  2. One group per graph same ordering of bars : هرگروه (هر متغیر ،هر بازه مختلف) در یک graph جدا گانه رسم می شود.
  3. One group per graph independent ordering of bars : هرگروه (هر متغیر ،هر بازه مختلف)  در یک graph  جدا گانه و به طوریکه از عواملی که بیشترین درصد را دارند تا کمترین نمایش داده شوند (به طور مرتب).

گزینه اول را انتخاب کنید.

قدم ششم : ok  را بزنید.

تحلیل : همان طور که از نمودار پیداست بیشترین خرابی ها مربوط به شیفت شب می باشد چون ۱۹  مورد خرابی ها به طور کلی برای شیفت شب میباشد و خرابی نوع خراش بسیار بالا می باشد.

اگر نشانگر ماوس را روی هر ستون ببرید فراوانی هر یک را نمایش میدهد مثلا فراوانی خرابی scratch در شیفت شب ۸ تا میباشد هم چنین اگر نشانگر خود را روی هر دایره قرمز یا خط فراوانی تجمعی ببرید فراوانی تجمعی هر شیفت را نمایش میدهد.

نمودار علت و معلول (استخوان ماهی ایشی کاوا):

مراحل مورد نیاز برای تهیه ی یک نمودار علت و معلول به شرح زیر است:

  1. مشکل یا معلولی که باید بررسی شود.
  2. تیمی جهت انجام تجزیه و تحلیل های مورد نیاز تشکیل دهید که در اغلب موارد تیم بهبود کیفیت علل بالقوه ایجاد مشکل را از طریق جلسات طوفان مغزی تعیین می کند.

معمولا نمودار علت و معلول بعد از نمودار پارتو می باشد اما در کل بستگی به خلاقیت مهندس کیفیت دارد.

ایجاد یک نمودار استخوان ماهی در Minitab

مثال:فایل surface  flaws.mtw را از منوی file  و گزینه open work sheet باز کنید. تا انواع عواملی که در درزهای سطحی در یک فرآیند تولیدی نقش دارند را به صورت نمودار استخوان ماهی نمایش دهیم.

قدم اول : نام هر ستون را بر اساس علت ها بنویسید.

دوم: علت های فرعی هریک از علت های اصلی را در داخل همان ستون بنویسید.

قدم سوم:اگر هریک از علت های فرعی خود شامل علت های فرعی دیگری می شود باید آنها را در یک ستون جدید که نام آن ستون همان نام علت فرعی است بنویسیم.

حال مسیر زیر را دنبال کنید:

SPC در مینی تب

 

با توجه به قدم اول و دوم در ستون causes در ردیف های ۱ تا ۶ به ترتیب سلول C1  تا C6 را وارد کنید.

با توجه به قدم سوم برای سلول man روی sub کلیک کنید.

در ستون causes در ردیف سوم Training را وارد کرده و ok را بزنید.

در صورتیکه بخواهید نام معلول یا همان مشخصه کیفی قابل بررسی را وارد کنید در قسمت Effect  این کار را انجام دهید در این مثال surface flaws  را در قسمت Effect  وارد کنید.

SPC در مینی تب

 

طریقه رسم نمودار پراکنش (Scatter plot) در Minitab:

مثال:فرض کنید شما مسئول کنترل کیفیت یک فروشگاه کتاب هستید که سفارشات را به صورت تلفنی دریافت و ارسال می کند.چون هر مرکز ارسال یک محدوده ی توزیع منطقه ای کوچک را در بر میگیرد.

شما شک دارید که فاصله ی محل تحویل نمی تواند به طور زیادی روی زمان تحویل تاثیر گذار باشد .برای اثباط چنین سوء ظنی و از میان برداشتن فاصله به عنوان یک عامل بسیار مهم ، به بررسی رابطه بین زما ن تحویل و فاصله آن می پردازید.

قدم اول : از منوی File  گزینه open worksheet  را انتخاب کنید و از پوشه ی Meet mini tab فایل Shipping data را انتخاب کنید.

قدم دوم : از منوی Graph گزینه ی Scatter plot را انتخاب کنید.

 

Simple : بررسی رابطه ی بین x(متغیر مستقل) و y(متغیر وابسته)
With groups: بررسی رابطه ی بین j=1,2,…,n ، xj  و y
With regression: بررسی رابطه ی بین x و y  همراه با ترسیم خط رگرسیون
With regression and groups : بررسی رابطه ی بین xjها و y همراه با ترسیم خط رگرسیون  خطی  برای هریک از xjها
With connect line: بررسی رابطه ی بین  x و y همراه با ترسیم خطوط واصل بین مشاهدات
With connect and groups: بررسی رابطه بین  xj ها و y همراه با ترسیم خطوط واصل بین مشاهدات هر متغیر x.

قدم سوم:نوع with regression را انتخاب کنید.

قدم چهارم: در قسمت y variables  متغیر وابسته یعنی ستونDays و در قسمت X variables متغیر مستقل distance  را وارد کنید.

در صورتیکه از قبل پی به نوع  معادله خط رگرسیون (خطی، غیر خطی) بین دو متغیر X و Y  بردید میتوانید در قسمت Model order , Regresion  ,  Data view نوع خط رگرسیون را تعیین کنید.

قدم پنجم: OK را بزنید.

SPC در مینی تب

 

تحلیل:همان طور که از نمودار پیداست رابطه ی مثبت ضعیف بین فاصله و زمان تحویل وجود دارد.

پیدا کردن ضریب همبستگی (correlation) در Minitab:

در ادامه آموزش SPC در مینی تب در قدم اول : مسیر زیر را دنبال کنید:

قدم دوم: در قسمت Variables ستون هایی که میخواهید ضریب همبستگی آن را ببینید وارد کنید .)دراین مثال C4 و C6 را وارد کنید(.خروجی در صفحه Session نمایش داده می شود.

در صورتیکه گزینه Display p-values فعال باشد علاوه بر اینکه ضریب همبستگی بین دو متغیر در صفحه session نمایش داده میشود P-Value مربوط به آزمون فرض اینکه آیا ρ  برابر صفر است یا خیر, نمایش داده میشود, در صورتیکه P-Value بیش تر از ۰٫۰۵ باشد,  یعنی ρ برابر صفر می باشد و هیچ رابطه ای بین X و Y وجود ندارد.

قدم سوم:ok  را بزنید.

تحلیل:  همانطور که مشاهده می کنید مقدار P-Value برابر ۰٫۵ شده روز و فاصله تحویلهیچ رابطه ای وجود ندارد و ضریب همبستگی نیز برابر ۰٫۰۳۳ شده که بیانگر یک رابطه مثبت خیلی ضعیف می باشد و نکته بالا را تایید می کند.

α بزرگتر از p-value در پیش فرض برنامه برابر ۰٫۰۵ می باشد و در صورتیکه I خطای نوع α شود فرض H0 پذیرفته می شود.

 

در مقاله های بعدی در وبلاگ صنایع سافت به ادامه اموزش نرم افزار مینی تب در خصوص دیگر ابزارهای مورد استفاده در کنترل فرایند آماری(SPC) میپردازیم.

 

امیدواریم از این مقاله که درباره کنترل فرایند آماری در نرم افزار مینی تب در سایت صنایع سافت بود لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

نرم افزار های مندسی صنایع

معرفی نرم افزارهای مهندسی صنایع | (توضیح کامل هر کدام)

معرفی نرم افزارهای مهندسی صنایع

معرفی نرم افزارهای مهندسی صنایع، مهندسی صنایع یکی از بهترین مهندسی ها است که با استفاده از آن میتوان به بهروه وری بیشتر در اهداف کسب و کار خودمان برسیم لذا هر یک از دورس تخصصی مهندسی صنایع شغلی مجزا و کاربردی در صنعت بشمار می آید. حال هر یک این شغل ها نیازمند نرم افزارهای قدرتمند میباشد که لازم است برای پیشبرد هر چه سریعتر کارمان و رسیدن به هدف مورد نظر نرم افزارهای مورد نیازمان را باتوجه به حیطه فعالیتمان بیاموزیم.

ما در این مقاله تلاش کردیم به معرفی برخی از مهم ترین نرم افزارهای مهندسی صنایع برای شما عزیزان بپیردازیم.همچنین اگر علاقه مند به یادگیری برخی از این نرم افزارها هستید ما برای شما عزیزان این آموزش هارا فراهم کرده ایم، برای دسترسی به این آموزش ها اینجا کلیک کنید.

معرفی نرم افزارهای مهندسی صنایع

مجموعه نرم افزاری افیس

امروزه نه تنها رشته مهندسی صنایع بلکه اکثرا رشته ها و شغل نیازمند به این مجموعه نرم افزاری قدرتمند هستند به همین دلیل شما مهندسان صنایع عزیز هم باید بر روی این مجموعه نرم افزاری بخصوص اکسل تسلط کافی داشته باید.لذا در همین حد برای معرفی کفایت میکند و به معرفی دیگر نرم افزارهای مهندسی صنایع میپردازیم.

msp

ام اس پی یکی دیگر از نرم افزارهای مهندسی صنایع میباشد که مربوط به مدیریت پروژه است که توسط مایکروسافت طراحی شده و به منظور کمک به مدیران پروژه در ایجاد یک برنامه، اختصاص منابع به وظایف، ردیابی پیشرفت، مدیریت بودجه و تجزیه و تحلیل حجم کار طراحی شده است.

معرفی نرم افزارهای مهندسی صنایع
MS Project می تواند به شما در ایجاد یک برنامه زمانی برای پروژه، حتی با محدودیت های ارائه شده کمک میکند. این نرم افزار نمی تواند برای شما برنامه ریزی کند بلکه مدیر پروژه، باید به عنوان بخشی از فرآیند برنامه ریزی برای تکمیل برنامه، باید بتواند به برنامه مورد نظر برسد.

پریماورا

پریماورا یک دیگر از نرم افزارهای مدیریت پروژه است. این شامل مدیریت پروژه، مدیریت محصول، قابلیت همکاری و کنترل، و ادغام با سایر نرم افزارهای سازمانی مانند اوراکل و سیستم های ERP SAP می باشد. Primavera در سال ۱۹۸۳ توسط Primavera Systems Inc. عرضه شد که توسط شرکت اوراکل در سال ۲۰۰۸ به دست آمد.

معرفی نرم افزارهای مهندسی صنایع

خدمات اوراکل پریمورا خدماتی را برای پروژه های فشرده مانند مهندسی و ساخت و ساز، هوا فضا و دفاع، آب و برق، نفت و گاز، مواد شیمیایی، تولید صنعتی، خودرو، خدمات مالی، ارتباطات، مسافرت و حمل و نقل، مراقبت های بهداشتی و دولتی، میباشد.

مقایسه پریماورا و ام اس پی

 

نرم افزار مدیریت پروژه به تیم مدیریت پروژه برای مدیریت اهداف و نیازهای سازمانی کمک می کند. در این زمینه ما تلاش می کنیم پاسخی به این سوال بدهیم: کدام یک بهترین نرم افزار مدیریت پروژه است؟ مایکروسافت  پروژه در مقابل Primavera

هر دو Primavera و مایکروسافت پروژه به طور گسترده ای مورد استفاده و نرم افزاری محبوب بحساب می ایند. ما نمی توانیم بگوییم که یک نرم افزار بهتر از دیگری است یا سایر نرم افزارها مفید نیستند. یک شرکت بزرگ ممکن است نیاز به یک نرم افزار برای سازماندهی پروژه های متعدد داشته باشد از سوی دیگر یک شرکت کوچک ممکن است نیاز به یک نرم افزار برای سازماندهی یک پروژه کوچک داشته باشد. انتخاب بهترین نرم افزار بر اساس پروژه های شما و الزامات سازمانی است.

برای بررسی دقیق تر و مقایسه دقیق امکانات هر یک از این دو نرم افزار میتوانید اینجا کلیک کنید.

در ادامه معرفی نرم افزارهای مهندسی صنایع به معرفی نرم افزار محبوب و معروف گمز میپردازیم.

GAMS

معرفی نرم افزارهای مهندسی صنایع

سیستم مدل سازی جبری (GAMS) یک سیستم مدل سازی سطح بالا برای برنامه نویسی و بهینه سازی ریاضی است.GAMS برای برنامه های کاربردی مدل سازی پیچیده و بزرگ طراحی شده است و شما را قادر به ساخت مدل های قابل نگهداری بزرگ می کند که می تواند به سرعت در شرایط جدید اقتباس شود. GAMS به طور خاص برای مدل سازی مشکلات بهینه سازی خطی، غیر خطی و ترکیبی طراحی شده است.
GAMS به کاربران خود اجازه می دهد که مدل های ریاضی را به شیوه ای بسیار شبیه به توصیف ریاضی خود ارائه دهند.

نرم افزار lindo

معرفی نرم افزارهای مهندسی صنایع

این نرم افزار برای حل مسائل تحقیق در عملیات استفاده می گردد و مسائل کنترل خطی را با سرعت زیاد حل و نتایج را به همراه تحلیل حساسیت ارائه می کند . مهندسین صنایع لازمست با کاربری این نرم افزار آشنا باشند و در مسائل بهینه سازی از آن استفاده نماید .

Expert Choice

نرم‌افزار Expert Choice برنامه ای بسیار قدرتمند برای تصمیم‌گیری چند معیاره بر اساس AHP می‌باشد. این نرم‌افزار علاوه بر امکان طراحی نمودار سلسله مراتب تصمیم‌گیری و طراحی سوالات، تعیین ترجیحات و اولویت‌ها و محاسبه وزن نهایی، قابلیت تحلیل حساسیت تصمیم‌گیری نسبت به تغییرات در پارامترهای مساله را نیز دارا می‌باشد. این نرم‌افزار همچنین در بسیاری از موارد از نمودارها و گراف‌ها برای ارائه نتایج و عملکردها استفاده می‌کند.

ونسیم

ونسیم نرم افزار انتخابی برای هزاران تحلیلگر، مشاور و محقق در سراسر جهان میباشد که برای ساخت مدل های شبیه سازی با کیفیت بالا در سیستم های تجاری، علمی، محیط زیست و اجتماعی است.

معرفی نرم افزارهای مهندسی صنایع
Vensim یک مجموعه قدرتمند برای توسعه، آزمایش، تفسیر و توزیع مدل ها را به یک محیط ادغام می کند. این ابزارها شامل نمودارهای علت و اثر، ساختار گرافیکی و متنی، بازسازی آسان ساختار مدل با استفاده از زیرساخت ها (آرایه ها)، تحلیل حساسیت مونت کارلو، بهینه سازی، دست زدن به داده ها و رابط برنامه های کاربردی است.
ویژگی های اضافی، رزولوشن مدل پیشرفته و وفاداری را فراهم می کند. Vensim شامل تکنولوژی های ثبت شده برای تشخیص خطا، پیشگیری از خطا و درک سریع نتایج پیچیده است.

Visio

نمودارها، این چیزی است که مایکروسافت ویزیو انجام می دهد..مایکروسافت Visio می تواند برای ایجاد نمودارهای ساده یا پیچیده استفاده شود.این نرم افزار طیف گسترده ای از اشکال ساخته شده و اشیاء را، ارائه می دهد. همچنین Visio 2013 در صفحه خوش آمدید دارای چندین قالب مختلف برای شروع کار شما است.

 

معرفی نرم افزارهای مهندسی صنایع

ویزیو برنامه ای است که تحت مجموعه محصولات Microsoft Office Suite قرار می گیرد.گرافیک هایی که در Visio مورد استفاده قرار می گیرند تصاویر استاندارد هستند که توسط نمودارهای جریان، نمودارهای تصمیم گیری، بازی ها و حتی نمودارهای شبکه استفاده می شود.
این حتی دارای نمودارهای کافی برای طراحی یک طرح اتاق برای یک کنفرانس دقیق و ساده است. مایکروسافت برنامه Visio را از شرکت Visio خریداری کرد که قبلا به نام Shapeware شناخته میشد.این خرید در سال ۲۰۰۰ انجام شد و مایکروسافت بلافاصله آن را به مجموعه Microsoft Office Suite منتقل کرد.

arena

ارنا یک نرم افزار شبیه سازی رویداد گسسته و نرم افزار اتوماسیون است که توسط سیستم های مدل سازی است که توسط Rockwell Automation در سال ۲۰۰۰ به دست آمد.


در Arena، کاربر یک مدل آزمایش را با قرار دادن ماژول ها (جعبه های اشکال مختلف) که فرآیندها یا منطق را نمایان می سازند، ایجاد می کند. خطوط اتصالات برای پیوستن به این ماژول ها با یکدیگر و برای تعیین جریان نهادها استفاده می شوند
در حالی که ماژول ها اقدامات خاصی نسبت به اشخاص، جریان و زمان بندی دارند، نمایش دقیق هر یک از ماژول و نهاد نسبت به اشیاء واقعی زندگی، به مدل سازنده بستگی دارد.آرنا می تواند با تکنولوژی های مایکروسافت نیز،هماهنگ شود.. این نرم افزار شامل ویژوال بیسیک برای برنامه های کاربردی است، بنابراین اگر الگوریتم های خاص مورد نیاز است، مدل ها می توانند بیشتر به صورت خودکار باشد. همچنین از وارد کردن نمودارهای مایکروسافت Visio، خواندن و یا ارسال خروجی به صفحه گسترده اکسل و دسترسی به پایگاه داده ها پشتیبانی می کند.

Spss

SPSS به معنای ” Statistical Package for the Social Sciences ” است و برای اولین بار در سال ۱۹۶۸ راه اندازی شد. از آنجا که SPSS توسط IBM در سال ۲۰۰۹ به دست آمد، به طور رسمی به عنوان SPSS آمار IBM شناخته می شود، اما بیشتر کاربران هنوز به عنوان “SPSS” اشاره می کنند.

 

معرفی نرم افزارهای مهندسی صنایع

SPSS نرم افزاری است برای ویرایش و تجزیه و تحلیل انواع داده ها. این اطلاعات ممکن است از هر نوع منبع اصلی شامل تحقیقات علمی، پایگاه داده مشتری، گوگل آنالیتیکس یا حتی پرونده های ورود به سیستم یک وب سایت باشد.

برخی از قابلیت های نرم افزار SPSS به شرح زیر است :
  • تهیه خلاصه های آماری مانند گراف ها، جداول ، آماره ها و …
  • انواع توابع ریاضی مانند قدر مطلق، تابع علامت، لگاریتم، توابع مثلثاتی و…
  • تهیه انواع جداول سفارشی مانند جداول فراوانی، فراوانی تجمعی، درصد فراوانی و…
  • انواع توزیع های آماری شامل توزی عهای گسسته و پیوسته
  • تهیه انواع طرح های آماری
  • انجام آنالیز واریانس یکطرفه، دوطرفه، چندطرفه و آنالیز کوواریانس
  • ایجاد داده های تصادفی و پیوسته
  • محاسبه انواع آماره های توصیفی
  • انواع آزمون های مرتبط با مقایسه میانگین بین دو یا چند جامعه مستقل و وابسته
  • قابلیت مبادله اطلاعات با نرم افزارهای دیگر
  • برازش انواع مختلف رگرسیون

 

Minitab

Minitab یک نرم افزار آماری است که توسط محققانی بنام باربارا فاریان رایان، توماس رایان جونیور و براون لیتوانیر در سال ۱۹۷۲ در دانشگاه ایالتی پنسیلوانیا ایجاد شد.

معرفی نرم افزارهای مهندسی صنایع

Minitab یک محصول نرم افزاری است که به تجزیه و تحلیل داده ها کمک می کند.این روش ساده و موثر برای وارد کردن داده های آماری، دستکاری آن داده ها، شناسایی روند و الگوها، و سپس پاسخ دادن به مسائل جاری است.
این نرم افزار به طور گسترده ای مورد استفاده برای کسب و کار تمام اندازه – کوچک، متوسط و بزرگ است. Minitab  یک راه حل سریع و موثر برای سطح تجزیه و تحلیل مورد نیاز در بسیاری از پروژه های شش سیگما فراهم می کند.

 

Comfar

کامفار (Comfar) نرم‌افزاری است که برای مطالعات امکان سنجی، طرح‌های توجیه فنی- اقتصادی و تحلیل فرآیندهای مالی بکار می‌رود. این نرم‌افزار توسط سازمان توسعه صنعتی ملل متحد (UNIDO) تدوین شده است. در ایران، بعضی از سازمان‌های دولتی و برخی از بانک‌ها، برای طرح‌های سرمایه گذاری (که درخواست تسهیلات دارند) گزارش توجیه مالی توسط نرم افزار کامفار را می‌خواهند.

معرفی نرم افزارهای مهندسی صنایع

ورودی‌های نرم افزار کامفار :

  • تعریف پروژه
  • برنامه ریزی زمانی (فاز ساخت، فاز بهره برداری)
  • محصولات
  • واحدهای پولی ( واحد پول داخلی، واحد پول خارجی)
  • تورم (داخلی، خارجی)
  • مشارکتها (داخلی، خارجی)
  • تنزیل (نرخ تنزیل کل سرمایه گذاری، نرخ تنزیل سهام داران)
  • هزینه های ثابت سرمایه گذاری (شامل: خرید زمین، محوطه سازی و بهبود زمین، کارهای عمرانی و ساختمانها، ماشین آلات و تجهیزات کارخانه، تجهیزات خدماتی و جانبی کارخانه، حفاظتهای زیست محیطی، هزینه های سربار، هزینه های قبل از بهره برداری و هزینه های پیش بینی نشده)
  • هزینه های تولید شامل: (مواد خام، ملزومات کارخانه، یوتیلیتی، انرژی، قطعات یدکی مصرف شده، تعمیرات و نگهداری، حق امتیاز، دستمزد، مالیات، هزینه سربار کارخانه، هزینه های اداری، هزینه های اجاره بلند مدت، هزینه های بازار یابی)
  • برنامه فروش (فروش داخلی ، فروش خارجی)
  • سرمایه در گردش (موجودی کالا، مطالبات، تنخواه)
  • منابع تامین مالی (یارانه، آورده سهام دار، وام کوتاه مدت و دراز مدت)
  • مالیات، یارانه

 

خروجی‌های نرم افزار کامفار :

بررسی های مالی:

  • برآورد سرمایه گذاری ثابت
  • برآورد سرمایه در گردش
  • برآورد هزینه سالیانه تولید
  • برآورد استهلاک سالیانه سرمایه گذاری
  • برآورد کل سرمایه مورد نیاز طرح
  • برآورد قیمت تمام شده به تفکیک هزینه ها
  • تعیین منابع تأمین مالی طرح و هزینه های مالی آن
  • تحلیل درآمدها و هزینه های طرح

Matlab

نام متلب در دنیای نرم افزارهای علمی، نام شناخته شده ایست. جعبه ابزارهای متنوعی متناسب با زمینه های مختلف علمی از ریاضیات گرفته تا زیست شناسی در آن گنجانده شده است. تعدادی از این جعبه ابزارها متناسب با مهندسی صنایع میباشد.

از جمله میتوان به جعبه ابزار بهینه سازی و مدیریت رویدادهای گسسته اشاره کرد. در این دوره سعی بر این است یک آموزش کاربردی و واقع گرایانه بر پایه ی مثال هایی که افراد در مشاغل و چالش های حرفه ای با آن روبه رو هستند، ارائه شود. مسائلی چون مدیریت و زمان بندی خدمات برای مشتریان، مدیریت خطوط تولید، افزایش بهره وری تولید با بینه سازی مراحل تولید یا خدمات متناسب با منابع انسانی است.

 

 

امیدواریم از این مطلب در سایت صنایع سافت که درباره معرفی نرم افزارهای مهندسی صنایع بود، لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

 

دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.

 

داده کاوی

داده کاوی چیست ؟ و کاربردهای آن در سال ۲۰۱۹ (تاریخچه فواید و منابع)

داده کاوی چیست

در این مقاله سعی خواهیم کرد داده کاوی و کاربرد های آنرا به بیان ساده برای شما عزیزان بنویسیم.
روند حفاری از طریق داده ها برای کشف اتصالات پنهان و پیش بینی روند آینده، تاریخچه طولانی دارد. گاهی اوقات به عنوان “کشف دانش در پایگاه های داده” نامیده می شود، اصطلاح “داده کاوی” تا دهه ۱۹۹۰ ساخته نشده بود. اما پایه آن شامل سه رشته علمی مقابل است:

  • آمار (مطالعه عددی روابط داده ها)
  • هوش مصنوعی (هوش انسان مانند نرم افزار و / یا ماشین)
  • یادگیری ماشین (الگوریتم هایی است که می توانند از داده ها برای پیش بینی استفاده کنند).

آنچه که قدیمی بود دوباره جدید است، زیرا تکنولوژی داده کاوی در حال تکامل است تا با پتانسیل بی حد و حصر داده های بزرگ و قدرت محاسباتی مقرون به صرفه هماهنگ شود.

 

در دهه گذشته، پیشرفت در پردازش قدرت و سرعت، ما را قادر به فراتر رفتن از شیوه های دستی میکند، تجزیه و تحلیل داده هایی که خسته کننده و وقت گیر بود، سریع، آسان و خودکارشده است.  مجموعه داده ها پیچیده تر جمع آوری شده است، پتانسیل بیشتری برای کشف بینش مربوطه وجود دارد.

از جمله خرده فروشان، بانک ها، تولید کنندگان، ارائه دهندگان خدمات مخابراتی و بیمه گران، از استخراج داده ها برای کشف روابط بین همه چیز از جمله بهینه سازی قیمت، تبلیغات و جمعیت شناختی تا نحوه اقتصاد، خطر، رقابت و رسانه های اجتماعی بر مدل های کسب و کار، درآمد، عملیات و روابط مشتریاستفاده میکنند.

امروزه شرکت ها نیاز به یک روش کارآمد برای یافتن اطلاعات ارزشمند دارند تا بتوانند با سرعت بیشتری رشد اقتصادی آنها ادامه یابند. در رده داده های بزرگ، هر روز داده های توده ای را در بسیاری از زمینه ها تولید می کند.

روش های آماری سنتی برای مقابله با آن بسیار وقت گیر و ناکارآمد بود. بنابراین لازم است که یک الگوریتم هوشمند پیدا کنیم که بتواند حجم زیادی از اطلاعات را برای استخراج دانش بالقوه اداره کند. داده کاوی یک تکنولوژی مبتنی بر روش های آماری ریاضی آماری است و ترکیبی از بسیاری از الگوریتم های پردازش پیچیده داده ها است.

این توانایی برای تجزیه و تحلیل داده های مقیاس پذیر، چند بعدی، متنوع، پیچیده و دیگر انواع داده ها را دارد. به دلیل برتر بودن داده کاوی، محققان به طور گسترده ای این تکنولوژی را در بازاریابی، بیمه، بانکی و پزشکی برای یافتن دانش پنهان استفاده می کنند.

 

داده کاوی چیست

 

چرا داده کاوی مهم است؟

شما موارد زیادی را دیده اید که حجم داده های تولید شده هر دو سال دو برابر می شود. داده های بدون ساختار به تنهایی ۹۰ درصد از جهان دیجیتال را تشکیل می دهند. اما اطلاعات بیشتر لزوما به معنی دانش بیشتر نیست.
داده کاوی به شما امکان می دهد تا:

  • درک آنچه مربوط است و سپس استفاده مناسب از آن اطلاعات برای ارزیابی نتایج احتمالی.
  • سرعت تصمیم گیری های آگاهانه را تسریع کنید.

کاربرد های داده کاوی چیست؟

داده کاوی در قلب تلاش های تحلیلی در صنایع مختلف و رشته ها قرار دارد لذا کاربرد های داده کاوی را در زیر مورد بررسی قرار داده ایم.

ارتباطات

در یک بازار پربار که رقابت تنگ است، پاسخ اغلب در اطلاعات مصرف کننده شماست. شرکت های چند رسانه ای و ارتباطات از راه دور می توانند از مدل های تحلیلی برای شناسایی کوه ها از اطلاعات مشتریان استفاده کنند، به آنها کمک می کند تا رفتار مشتری را پیش بینی کنند و کمپین های بسیار هدفمند و مناسب را ارائه دهند.

بیمه

شرکت های بیمه با استفاده از تکنیک های تحلیلی می توانند مشکلات پیچیده ای را در رابطه با تقلب، انطباق، مدیریت ریسک و سقوط مشتری حل کنند. شرکت ها از تکنیک های داده کاوی به قیمت محصولات به طور موثر در خطوط کسب و کار استفاده کرده اند و روش های جدیدی برای ارائه محصولات رقابتی به مشتریان موجود خود دارند.

تحصیلات

با یکپارچه، دیدگاه های داده شده بر پیشرفت دانش آموزان، معلمان می توانند قبل از اینکه پای درس در کلاس درس را پیش ببرند، پیش بینی می کنند و راهبردهای مداخله ای برای نگه داشتن آنها در مسیر فراهم می کنند. داده کاوی به آموزگاران کمک می کند تا داده های دانش آموزان را در دسترس داشته باشند، پیش بینی سطوح دستاورد و دانش آموزان یا گروه هایی که نیاز به توجه بیشتری دارند، به طور دقیق مشخص شود.

ساخت

هماهنگ کردن برنامه های عرضه با پیش بینی های تقاضا ضروری است، همانطور که تشخیص زودهنگام مشکلات، تضمین کیفیت و سرمایه گذاری در ارزش سهام برند است. تولید کنندگان می توانند از دارایی های تولیدی پیش بینی کنند و پیش بینی های تعمیر و نگهداری را انجام دهند، که می تواند به حداکثر رساندن زمان آماده سازی و خط تولید را به موقع حفظ کند.

بانکداری

الگوریتم های خودکار کمک به بانک ها در درک مشتریان خود و همچنین میلیاردها معاملات در قلب سیستم مالی. داده کاوی به شرکت های خدمات مالی کمک می کند تا دیدگاه های بهتر در مورد خطرات بازار، سریعتر تشخیص تقلب، مدیریت تعهدات قانونی و بازده مطلوب سرمایه گذاری های بازاریابی خود را دریافت کنند.

خرده فروشی

یکی دیگر از کاربرد های داده کاوی بانک اطلاعاتی مشتریان مشتری بینش پنهانی مشتری را که می تواند به شما در بهبود روابط، بهینه سازی کمپین های بازاریابی و پیش بینی فروش کمک کند. از طریق مدل های دقیق تر داده ها، شرکت های خرده فروشی می توانند اقدامات هدفمندتری ارائه دهند و پیشنهاداتی را که بیشترین تاثیر را بر مشتری می گذارد، پیدا کنید.

داده کاوی و لجستیک

داده کاوی چه فایده ای دارد

شناخت مشتریان سودآور: می توانید مشتریانی که بیشترین سود شما از آنها حاصل شده را شناسایی کنید و برای حفظ وفاداری مشتری تلاش کنید.

بهینه سازی سبد محصول: شناخت محصولات پر فروش، محصولات سودآور محصولات زیان ده از دیگر فواید داده کاوی است. با این کار می توانید در بهتر کردن سبد محصول خود اقدام کنید.

شناخت مشتریان وفادار و قدیمی: می توانید بفهمید مشتریان قدیمی شما چه کسانی هستند و با چه برنامه ای خرید می کنند، چه کالایی را دوست دارند و چه کالایی باعث وفاداری آنها شده است.

بررسی طول عمر مشتری: با استفاده از داده کاوی می توانید طول عمر مشتری و چرخه آن، میزان سود حاصل عایده از هر مشتری در هر مرحله را بررسی کنید.

شناسایی رفتار مشتری: اگر شما بتوانید رفتار مشتریان خود را بشناسید و آن را با ویژگی های مشتری تطابق دهید می توانید در زمینه بخش بندی و قسمت بندی بازار موفق عمل کنید. اگر امروز بتوانید برای یک محصول خود به صورت مستند بخش بندی بازار انجام دهید در ادامه نیز در این امر موفق خواهید بود.

بررسی عمکلرد یک برنامه بازاریابی: اگر می خواهید بدانید یک برنامه بازاریابی و تبلیغاتی که انجام داده اید چه اثرات آشکار و پنهانی داشته و برای انتخاب آن در آینده تصمیم بگیرید بی شک داده کاوی بسیار مفید خواهد بود.

کشف الگو و روند: با استفاده از داده کاوی و بررسی میزان خرید مشتریان می توانید الگوهای فصلی خرید را استخراج کنید، روند کاهش و یا افزایش آن را تحلیل کنید و در صورت نیاز اقدام اصلاحی انجام دهید.

پیش بینی فروش: با استفاده از اطلاعات گذشته و بهره بردن از الگو و ارتباط میان داده ها و رونده می توانید فروش خود را در آینده پیش بینی کنید. روند فصلی فروش را بیابید و برای فروش یک محصول جدید برنامه ریزی کنید.

مثال‌های کاربرد داده کاوی در مهندسی صنایع

به عنوان مثال، در زمینه مدیریت زنجیره تأمین (Supply Chain Management) یا SCM، روش‌های مختلف طبقه بندی (نظارت شده) و خوشه بندی (غیر نظارت شده) برای گروه بندی مشتریان، خدمات دهندگان و کالاها (یا خدمات) مورد استفاده واقع شده‌اند و هدف اصلی آن‌ها، ایجاد یک تصویر بیان خلاصه‌تر از زنجیره تأمین بوده است.

در زمینه مسائل زمان بندی، به ویژه در مواردی که ماشین‌ها با قابلیت‌های مختلف و وظایف با نیازمندی‌های متفاوت وجود دارند (مثلاً مانند مسأله زمان بندی منعطف یا Flexible Jobshop Scheduling Problem) یا FJSP، امکان ایجاد راه حل اولیه مناسب و حتی شبه بهینه (sub-optimal) با استفاده از رویکردهای داده کاوی وجود خواهد داشت. این موضوع نیز، می‌تواند با استفاده از رویکردهای طبقه بندی یا خوشه بندی انجام شود.

موضوع طراحی مهندسی (Engineering Design)، شامل مجموعه وسیعی از مسائل بهینه سازی و مهندسی است، که بنا بر شرایط محیط صنعتی و بازار هدف، غالباً به صورت یک مسئله با دینامیک بالا و اغلب به صورت توأم با عدم قطعیت طرح می‌شود. داشتن یک سری قواعد سر انگشتی برای تصمیم گیری سریع، با استفاده از روش‌های داده کاوی (به ویژه روش‌های رگرسیون) قابل انجام خواهد بود.

استفاده از روش‌های داده کاوی برای تحلیل نتایج به دست آمده از سیستم‌های تولیدی (Manufacturing Systems)، به منظور بهینه سازی روند تولید و یا اشکال زدایی از آن، یکی دیگر از مهم‌ترین زمینه‌های کاربردی داده کاوی در این حوزه محسوب می‌شود. برای موضوع تشخیص و طبقه بندی خطا در سیستم‌های تولید، و ایجاد هشدارهای مهم برای ناظران، روش‌های طبقه بندی می‌توانند کاربرد داشته باشند. در خصوص بهینه سازی روند تولید و اتوماسیون خطوط تولید، استفاده از روش‌های مبتنی بر قواعد (Rule-based Systems) مرسوم‌تر و کارآمدتر است. موضوع مدیریت و کنترل کیفیت نیز، یکی دیگر از زمینه‌های بسیار مهم و کاربردی داده کاوی در زمینه سیستم‌های تولید است.

موضوع سیستم‌های تصمیم یار یا پشتیبان تصمیم (Decision Support Systems) نیز، به عنوان یک موضوع بسیار کلی‌تر، که تقریباً در همه زمینه‌های تخصصی و فنی کاربرد دارد، می‌تواند در حوزه مهندسی صنایع و زمینه‌های مرتبط کاربرد داشته باشد. یکی از رویکردهای طراحی چنین سیستم‌هایی، که به مدیران و مهندسین ناظر بر فرایندها امکان تصمیم گیری سریع، اصولی و درست را می‌دهد، استفاده از رویکردهای مبتنی بر کشف دانش (Knowledge Discovery) و داده کاوی است.

موضوع سیستم‌های تصمیم یار یا پشتیبان تصمیم (Decision Support Systems) نیز، به عنوان یک موضوع بسیار کلی‌تر، که تقریباً در همه زمینه‌های تخصصی و فنی کاربرد دارد، می‌تواند در حوزه مهندسی صنایع و زمینه‌های مرتبط کاربرد داشته باشد. یکی از رویکردهای طراحی چنین سیستم‌هایی، که به مدیران و مهندسین ناظر بر فرایندها امکان تصمیم گیری سریع، اصولی و درست را می‌دهد، استفاده از رویکردهای مبتنی بر کشف دانش (Knowledge Discovery) و داده کاوی است.

موضوع تعمیرات و نگهداری، و همین طور موضوع قابلیت اطمینان در سیستم‌ها، مجموعه‌ای از مسائل هستند که می‌توان از روش‌های داده کاوی برای حل آن‌ها استفاده نمود. فرمول‌هایی که برای تخمین قابلیت اطمینان در سیستم‌ها استفاده می‌شوند، بعضاً دارای هزینه محاسباتی بالایی هستند. بعضاً نیز، قابلیت اطمینان یک سیستم، چندان فرمول پذیر و محاسبه پذیر نیست. با استفاده از رویکردهای رگرسیون و مدل سازی، می‌توان مدلی سریع و محاسباتی برای تخمین مقدار قابلیت اطمینان، احتمال خرابی، پیش بینی زمان خرابی آتی، پیش بینی نرخ و میزان خرابی و مواردی از این قبیل استفاده نمود.

موضوع مدیریت ارتباط با مشتریان (Customer Relationship Management) یا CRM و موارد نظیر آن نیز، از جمله مواردی هستند که به دفعات از روش‌های داده کاوی برای حل مسائل مربوط به این حوزه‌ها، استفاده شده‌اند. البته این موارد و کاربردهای مشابه آن، در زیر مجموعه هوش تجاری (Business Intelligence) یا BI نیز مورد مطالعه قرار می‌گیرند، که زمینه بسیار مهمی در کاربردهای داده کاوی است.

 

منابع

معرفی برخی از ژورنال ها و مجلات معتبر در حوزه های داده کاوی، علم داده، کلان داده به درخواست یکی از اعضای محترم کانال:

  1. Data Mining and Knowledge Discovery
  2. International Journal of Data Mining and Bioinformatics
  3. EPJ Data Science
  4.  Journal of Data Science
  5. Big Data

 

داده کاوی در شناسایی عیوب و بهبود کیفیت

⭕️شناسایی عیوب یکی از نخستین حوزه‌هایی است که داده کاوی در آن به‌کار رفته است؛ ایده به‌کار گرفته شده در داده‌کاوی در این خصوص مطالعه‌ی رفتار گذشته سیستم و فهم فرایند و سپس پیش‌بینی و ارتقا عملکرد آینده سیستم است.

از داده‌کاوی می‌توان برای شناسایی الگوهایی که می‌توانند به خرابی منجر شوند استفاده کرد؛ چنین شیوه‌هایی نه تنها در شناسایی محصولات معیوب کمک می‌کنند بلکه به‌صورت فنی پارامترهای مهم و تاثیرگذار بر کیفیت را نیز تغیین می‌کنند.

چند نمونه از کاربردها در ادامه ذکر شده است:
۱-کنترل کیفیت
۲-تعیین طرح‌های کنترل کیفی
۳-شناسایی نوع خرابی
۴-شناسایی مکانیزم خرابی قطعات مکانیکی
۵-بهبود کیفیت
۶- مهندسی کیفیت
۷-پیش‌بینی احتمال خرابی

امیدواریم از این مطلب در سایت صنایع سافت لذت برده باشید.نظرات خودتون رو واسه ما کامنت بزارین تا ما بتونیم هر چه بیشتر از اونها واسه بهتر شدنه تیممون استفاده کنیم.

 

حتما شما هم دوست دارید مانند دیگر مهندسان صنایع از مقاله های جدید ما باخبر بشین، خب کافیه که فقط ایمیلتونو داخل فرم زیر وارد کنید. به همین راحتی :)

 

دانشجوی کارشناسی رشته مهندسی صنایع، فعال در حوزه دیجیتال مارکتینگ و علاقه مند به استارت اپ ها و دوست دارم که هر روز آموزش های بیشتری برای مهندسان صنایع تولید کنم

احمد جعفری

اگر این مقاله برای شما مفید بود برای دوستان خود هم به اشتراک بگذارید تا بقیه هم از این مطلب استفاده لازم را ببرند.