Ένα σύντομο και κατατοπιστικό άρθρο σχετικά με τη θεωρητική θεμελίωση, τα πλεονεκτήματα και τις ιδιαίτερες απαιτήσεις κατά την εφαρμογή της διερευνητικής-ανακαλυπτικής μεθόδου διδασκαλίας.
Ένα σύντομο και κατατοπιστικό άρθρο σχετικά με τη θεωρητική θεμελίωση, τα πλεονεκτήματα και τις ιδιαίτερες απαιτήσεις κατά την εφαρμογή της διερευνητικής-ανακαλυπτικής μεθόδου διδασκαλίας.
Με ποιους τρόπου μπορούμε να αναπαραστήσουμε διαγραμματικά τα δεδομένα μας στη Στατιστική; Τι είναι ένα ραβδόγραμμα, ένα κυκλικό διάγραμμα και, γενικά, όλα όσα τόσο συχνά βλέπουμε στην τηλεόραση και στο διαδίκτυο σε διάφορες στατιστικές αναλύσεις;
Αυτά και άλλα πολλά θα τα βρείτε στις παραπάνω διαφάνειες.
Καλό διάβασμα!
Β4.1.7 Βασική Μορφοποίηση Υπολογιστικού Φύλλου
Να αλλάζουμε τη γραμματοσειρά των δεδομένων
Να αλλάζουμε το μέγεθος και το χρώμα της γραμματοσειράς των δεδομένων
Να εφαρμόζουμε, στο περιεχόμενο κελιών, μορφοποίηση με έντονη γραφή, πλάγια γραφή και υπογράμμιση
Να συγχωνεύουμε μια ομάδα κελιών και να κεντράρουμε το περιεχόμενό τους
Να μορφοποιούμε κελιά ώστε να εμφανίζουν αριθμούς, στυλ ημερομηνίας, σύμβολο νομισματικής μονάδας και ποσοστά
Να τροποποιούμε το ύψος γραμμών και το πλάτος στηλών.
Τι είναι η κανονικοποίηση βάσης δεδομένων και γιατί είναι αναγκαίο να γίνει πριν ξεκινήσουμε να χρησιμοποιούμε τη βάση δεδομένων. Μάθετε πως να κάνετε κανονικοποίηση στις βάσεις δεδομένων που χρησιμοποιείτε.
Γ6.1&2 Βασικά Δομικά Συστατικά Στοιχεία και Κύρια Αντικείμενα μιας Βάσης Δεδομένων
Να κατανοούμε τι είναι μια βάση δεδομένων
Να κατανοούμε ότι η πληροφορία είναι το επεξεργασμένο αποτέλεσμα δεδομένων
Να γνωρίζουμε μερικές κοινές χρήσεις μεγάλης κλίμακας βάσεων δεδομένων, όπως: κοινωνικά δίκτυα, συστήματα κρατήσεων, κυβερνητικά μητρώα, εγγραφές τραπεζικών λογαριασμών, πληροφορίες ασθενών νοσοκομείων
Να κατανοούμε τον τρόπο που είναι οργανωμένη μια βάση δεδομένων όσον αφορά τους πίνακες, τις εγγραφές και τα πεδία
Να ανοίγουμε (Open) και να κλείνουμε (Close) μια βάση δεδομένων
Να χρησιμοποιούμε την εναλλαγή προβολών του πίνακα (Design View/Datasheet view)
Να αναφέρουν τα κύρια δομικά στοιχεία μιας βάσης δεδομένων
Να κατανοούμε ότι όλα τα δεδομένα μιας βάσης αποθηκεύονται σε πίνακες
Να κατανοούμε την αυτόματη αποθήκευση αλλαγών σε μια βάση δεδομένων
Να καταχωρούμε εγγραφές στον πίνακα.
Να κατανοούμε ότι κάθε πίνακας σε μια βάση δεδομένων πρέπει να περιέχει δεδομένα σχετικά με έναν μοναδικό τύπο αντικειμένου
Να κατανοούμε ότι κάθε εγγραφή σε μια βάση δεδομένων πρέπει να περιέχει δεδομένα μόνο για ένα μοναδικό αντικείμενο
Να κατανοούμε ότι κάθε πεδίο ενός πίνακα πρέπει να περιέχει μόνο ένα στοιχείο δεδομένων.
Course curricula syntax or in Greek "περιγράμματα μαθημάτων". Half slides written in Greek explain the syntax of course curricula following the student centered learning, while the last part of slides written in English present the "value" of soft skills for engineering students.
Customer satisfaction in most cases is related to the perceived quality. The higher the quality, the higher the customer satisfaction and vice versa. In order to analyze satisfaction the multicriteria MUSA method has been used, while the classification of characteristics has been based on the Kano’s theory of attractive quality. The methodology is based on the comparative examination of the relationship between derived importance of the two target groups, those of satisfied and of non-satisfied customers, where the MUSA method is applied in order to estimate the weights of these two customer groups. These results are presented in a Better-Worse (Dual Importance) diagram and according to their location, satisfaction criteria are categorized as desired, expected, or attractive quality.
This is a Guide for applying Strategy Tools in farm enterprises. The Tools are developed into the STRAT Leonardo project and are useful for farm enterprises of medium or small size.
This is a Guide of the Strategy Tools developed into the STRAT Leonardo project. The Tools are formed for the needs of applying a strategy for the needs of farm enterprises (medium or small-sized).
Strategic Analysis is the process of conducting research on the business environment within which an organisation operates and on the organisation itself, in order to formulate strategy. Definitions of strategic analysis often differ, but the following attributes are commonly associated with it, like (a) the identification and evaluation of data relevant to strategy formulation, (b) the definition of the external and internal environment to be analysed and (c) a range of analytical methods that can be employed in the analysis. Such analytical methods used in strategic analysis include: SWOT analysis, PEST analysis, Porter’s five forces analysis, four corner’s analysis, value chain analysis, early warning scans, war gaming, etc. This paper focuses on strategic analysis for farms or farm enterprises, as the business environment, and presents tools, which match the specific needs of the agricultural sector. In this frame, tools like Perfea, Risk Wheel, Clear-Vision and Safari, all or part of them proposed in a European level Leonardo project, are discussed as the means for (a) exploring environment in which organisations are operating, (b) managing risks and (c) setting up an integrated strategy. In this frame, the tools are analysed in the context of decision aiding process.
Written assignments prepared by students in Greek universities mainly focus on the content, due to the fact that the traditional approach to grading emphasises on the content of learning and rarely includes other quality factors of an academic written report. As a result, less value is attached to factors such as text structuring, spelling and syntax, text format, etc., namely to what is generally called as ‘academic writing’. On the contrary, more ‘formal’ texts (e.g. theses and doctoral dissertations) have high quality standards. Namely, when students produce formal pieces of work they must meet the requirements of an academic text, while this does not always apply to class-level assignments. This however creates an inconsistency: how are students required to write a complete report at the end of their studies, when no action has been taken to help them practice this skill during their studies? Therefore, the following short notes are prepared for students of a Greek Technical University School, where students have to prepare a written report for the needs of the course Decision Support Systems (6th semester course). The notes are in Greek.
Πολυκριτήρια Αξιολόγηση Μη Τεχνικών Δεξιοτήτων των χειριστών της πολεμικής αε...Krassadaki Lia (Evangelia)
Η αξιολόγηση των χειριστών της Πολεμικής Αεροπορίας κατά τη διάρκεια των πτήσεων, αφορά τις τεχνικές και τις μη τεχνικές τους δεξιότητες. Η αξιολόγηση που γίνεται μετά την πτήση δεν περιλαμβάνει το σύνολο των παραμέτρων αξιολόγησης των πληρωμάτων αποτυπώνοντας κατά αυτόν το τρόπο τμήμα μόνο της πραγματικής εικόνας. Το κύριο πρόβλημα δεν αφορά την αξιολόγηση των τεχνικών δεξιοτήτων των χειριστών, διότι για αυτό το σκοπό υπάρχουν τεχνικά εγχειρίδια, πρότυπες διαδικασίες, κλπ. Το κύριο πρόβλημα αφορά την αξιολόγηση των μη τεχνικών δεξιοτήτων των χειριστών (non-technical skills), όπως: η ικανότητα ηγεσίας (leadership) στη διάρκεια της πτήσης, η ικανότητα επίγνωσης της κατάστασης (situation awareness), οι δεξιότητες τακτικής (tactical skills), οι δεξιότητες σχεδιασμού (planning skills), οι δεξιότητες επικοινωνίας (communication skills), η ικανότητα λήψης απόφασης (decision making skill) και η ικανότητα εργασίας σε ομάδα (teamworking skill). Στην παρούσα εργασία, προτείνεται μια πολυκριτήρια μεθοδολογία μοντελοποίησης του αδόμητου προβλήματος της αξιολόγησης των μη τεχνικών δεξιοτήτων των χειριστών της πολεμικής αεροπορίας. Η μεθοδολογία που προτείνεται περιλαμβάνει τη χρήση των μεθόδων ΑΗP και UTASTAR. Το σύστημα αξιών που προτείνεται, εκτιμήθηκε σε ένα σύνολο αναφοράς 15 πραγματικών περιπτώσεων χειριστών με τη συνδρομή ως εμπειρογνώμονα, ενός υψηλόβαθμου πιλότου-εκπαιδευτή και αξιολογητή. Το μοντέλο εφαρμόστηκε και επιβεβαιώθηκε σε πραγματικά δεδομένα εκπαιδευόμενων χειριστών με ικανοποιητικά αποτελέσματα. Τα αποτελέσματα αυτά ενθαρρύνουν την περαιτέρω εφαρμογή της προτεινόμενης πολυκριτήριας προσέγγισης κάτι που θα αποτελέσει καινοτομία στη διαδικασία αξιολόγησης των μη τεχνικών δεξιοτήτων των χειριστών της Πολεμικής Αεροπορίας με στόχο τον περιορισμό της αβεβαιότητας των αξιολογήσεων.
Μια πολυκριτήρια προσέγγιση για την ενίσχυση των ευεργετημάτων της ετερο-αξιο...
Περιγραφική Στατιστική με το Spss
1. ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής & Διοίκησης
Μάθημα Συστήματα Υποστήριξης Αποφάσεων, 6ο εξάμηνο
Εισαγωγή στην χρήση των Pivot Tables μέσω του Στατιστικού
Πακέτου SPSS
Επιμέλεια: Ε. Κρασαδάκη
Χανιά 2015-16
2. ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
Εισαγωγή στο SPSS
Η ανάγκη για άμεση εφαρμογή της στατιστικής σε ποικίλες επιστήμες οδήγησε στη δημιουργία
στατιστικών πακέτων τα οποία έχουν τη δυνατότητα εισαγωγής, επεξεργασίας, ανάλυσης και
παρουσίασης των δεδομένων σε σύντομο χρονικό διάστημα.
Το SPSS είναι ένα από τα πιο διαδεδομένα προγράμματα για τη στατιστική ανάλυση
δεδομένων.
Υλοποιήθηκε για πρώτη φορά το 1967 από τους Norman Nie και Dale Ben, ειδικευμένους στον
τομέα της πολιτικής επιστήμης στο Stanford University του San Francisco. Η πρώτη ονομασία που
δόθηκε στο λογισμικό ήταν : Statistical Package for the Social Science.
Στο πέρασμα των χρόνων το πρόγραμμα βελτιώθηκε σταδιακά ακολουθώντας την εξέλιξη των
Η/Υ. Το 1984 έγινε το πιο διαδεδομένο πρόγραμμα στατιστικής ανάλυσης δεδομένων παγκοσμίως.
Για να υποδηλώσει τη χρήση του προγράμματος σε όλους τους τομείς που έχουν σχέση με τη
στατιστική ανάλυση δεδομένων το πρόγραμμα μετονομάστηκε σε : «Superior Performance
Software System» (σύστημα λογισμικού μέγιστης παραγωγικότητας)
3. Ανοίγοντας το SPSS
Ανοίγοντας το spss εμφανίζεται το παρακάτω παράθυρο:
Επιλέγω “type in data” ή “cancel” για να
οδηγηθώ στο παράθυρο του Data Editor, όπου
μπορώ να εισάγω δεδομένα.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
4. Τι είναι οι μεταβλητές και άλλες συναφείς έννοιες στη
στατιστική
Πληθυσμός: είναι το σύνολο των ατόμων ή των αντικειμένων για τα οποία
ενδιαφερόμαστε να βγάλουμε συμπεράσματα σε σχέση με κάποιες ιδιότητες τους.
Δείγμα: είναι ένα αντιπροσωπευτικό υποσύνολο του πληθυσμού που εξετάζουμε
ώστε να βγάλουμε συμπεράσματα όταν δεν υπάρχει δυνατότητα μελέτης
ολόκληρου του συνόλου (π.χ. λόγω μεγέθους).
Από την μελέτη του δείγματος θέλουμε να εξάγουμε συμπεράσματα για τον
πληθυσμό.
Το δείγμα που επιλέγεται πρέπει να είναι αντιπροσωπευτικό, δηλαδή πρέπει να
είναι τυχαίο, δηλαδή να μην υπάρχει μεροληψία στην επιλογή των στοιχείων
του πληθυσμού.
Μεταβλητές: είναι τα υπο μελέτη χαρακτηριστικά του πληθυσμού.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
5. Data Editor – Δύο προβολές
Στο παράθυρο του Data Editor βλέπω ότι κάτω αριστερά έχω τη δυνατότητα να επιλέξω δύο
διαφορετικές προβολές: «Data View» και «Variable View». Στο «Data View» μπορώ να
καταχωρήσω δεδομένα γνωρίζοντας ότι κάθε στήλη αντιστοιχεί σε μία μεταβλητή. Για να
ορίσω μεταβλητές πηγαίνω στο «Variable View»
Η πρώτη προβολή Data View ομοιάζει με τα
φύλλα του Excel. Ωστόσο, η λογική του SPSS
βασίζεται στη δημιουργία μιας Βάσης
Δεδομένων, οπότε για τα δεδομένα που θα
εισάγω θα πρέπει να γίνει δήλωση
μεταβλητών στο Variable View!
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
6. Πως ορίζω μεταβλητές στο SPSS [1]
Στην προβολή «Variable View» παρατηρώ ότι εμφανίζεται ένας αριθμός στηλών
κάθε μια από τις οποίες έχει μια συγκεκριμένη ονομασία.
Κάθε στήλη αναφέρεται σε ένα χαρακτηριστικό της μεταβλητής που εισάγω, ενώ
μία γραμμή αναφέρεται στο σύνολο των χαρακτηριστικών της μεταβλητής.
Αναλυτικά:
Name: ορίζω τα ονόματα των μεταβλητών (Αγγλικά χωρίς κενό) που θα
χρησιμοποιήσω. Τα ονόματα στο «name» είναι αυτά που θα εμφανιστούν στις
στήλες εάν επιστρέψω σε προβολή «Data View». Αποφεύγω τις δεσμευμένες λέξεις
πχ DATE, LOG, MATRIX, COUNT, COMPUTE, κλπ.
Type: εάν επιλέξω ένα κελί από τη στήλη «type» θα εμφανιστεί το παρακάτω
παράθυρο:
Το SPSS δημιουργεί μια
Βάση Δεδομένων
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
7. Πως ορίζω μεταβλητές στο SPSS [2]
Στο παράθυρο «Variable Type» ορίζω τον τύπο της κάθε
μεταβλήτης.
Αν τα δεδομένα που θέλω να καταχωρήσω είναι πραγματικοί
αριθμοί, επιλέγω «numeric» και ορίζω το μέγιστο πλήθος των
ψηφίων και το πλήθος των δεκαδικών ψηφίων στα
αντίστοιχα κελιά που εμφανίζονται δεξιά.
Εάν τα δεδομένα είναι σε μορφή χαρακτήρων, επιλέγω
«string» και ορίζω αντίστοιχα το μέγιστο πλήθος των
χαρακτήρων. Για τους λοιπούς τύπους ανατρέξτε στη Βοήθεια
του SPSS.
Στις επόμενες δύο στήλες «width» και «decimals» φαίνεται το μήκος της
μεταβλητής και το πλήθος των δεκαδικών (εαν υπάρχουν) που όρισα
προηγουμένως στο παράθυρο «Variable Type».
Label: στη στήλη «label» δηλώνω την ετικέτα των δεδομένων. Εάν δηλώσω
μόνο ονόματα στα δεδομένα, τότε στους πίνακες που θα εμφανίζονται με τα
αποτελέσματα του SPSS θα βλέπω τις στήλες των δεδομένων με τα ονόματά τους.
Εάν όμως δηλώσω και ετικέτες ή μόνο ετικέτες τότε θα βλέπω τα ονόματα των
ετικετών.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
8. Πως ορίζω μεταβλητές στο SPSS [3]
Values: εάν πατήσω σε ένα από τα κελιά της στήλης «values» θα
ανοίξει το παρακάτω παράθυρο:
Εδώ έχω τη δυνατότητα να κωδικοποιήσω
ποιοτικές μεταβλητές αποδίδοντας σε αυτές
αριθμούς.
Για παράδειγμα, έστω ότι έχω τη μεταβλητή
«φύλο», η οποία παίρνει δύο τιμές : άντρας,
γυναίκα.
Για να δώσω στην επιλογή άντρας την τιμή 0,
γράφω 0 στο κελί Value και άντρας στο Label.
Αν το κάνω αυτό ενεργοποιείται το κουμπί
Add, το οποίο καταχωρεί την αντιστοιχία.
Στη συνέχεια κάνω το ίδιο για όλες τις τιμές
που μπορεί να πάρει η μεταβλητή (πχ να
ορίσω στο Value τιμή 1 και στο Label τη λέξη
γυναίκα.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α΄ ενότητα)
9. Πως ορίζω μεταβλητές στο SPSS [4]
Missing: στα κελιά της στήλης «missing», ορίζω τις χαμένες παρατηρήσεις, δηλαδή
εάν έχω κενά κελιά.
Στις στήλες «columns» και «align» ορίζω το μέγεθος της στήλης και τη στοίχιση των
δεδομένων για κάθε μεταβλητή αντίστοιχα.
Measure: αφορά την κλίμακα μέτρησης. Το SPSS διαθέτει τρεις κλίμακες: nominal
(ονομαστική), ordinal (διάταξης) και scale (αριθμητική τύπου είτε numeric ή ratio).
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
Για το Measure, δες επόμενη διαφάνεια
10. Οι μεταβλητές χωρίζονται σε δύο βασικές κατηγορίες με βάση τις τιμές που
παίρνουν:
Ποιοτικές: μεταβάλονται από την άποψη της ποιότητας. Χωρίζονται σε δύο
υποκατηγορίες:
Ονομαστικές μεταβλητές (nominal, δήλωση ως nominal στο SPSS):
αναφέρονται μόνο σε κατηγορίες (κατηγορικές μεταβλητές) και το
σύνολο των τιμών τους δεν έχει καμία ιδιότητα π.χ. μορφωτικό επίπεδο,
φύλο, τόπος γέννησης, ομάδα αίματος, οικογενειακή κατάσταση.
Μεταβλητές διάταξης (ordinal, δήλωση ως ordinal στο SPSS): είναι οι
μεταβλητές που για το σύνολο των τιμών τους μπορούμε να ορίσουμε
μια διάταξη και αποκτούν νόημα οι συγκρίσεις τύπου «μεγαλύτερη»,
«μικρότερη», «ίση». Η κλίμακα στην ερώτηση «Πόσο συχνά
αγοράζετε…»: Καθόλου, Σπάνια, Αρκετά, Πολύ, Πάρα Πολύ είναι κλίμακα
τύπου ordinal. Σημειώνεται, ότι σε αυτού του τύπου τις μεταβλητές δεν
έχομε πρόβλημα αν υπολογίσομε μέτρα & δείκτες Περιγραφικής
Ποιοτικές – Ποσοτικές μεταβλητές [1]
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
11. Ποσοτικές: μεταβάλλονται από την άποψη της ποσότητας και εκφράζονται με
μία μονάδα μέτρησης. Διακρίνονται σε συνεχείς και διακριτές. Αφορούν δύο
υποκατηγορίες:
Δήλωση ποσοτικών μεταβλητών ως scale στο SPSS. Για παράδειγμα η ηλικία, ο
αριθμός παιδιών μιας οικογένειας, το ύψος του εισοδήματος, το ύψος δανείου
είναι ποσοτικές μεταβλητές που θα δηλωθούν ως τύπου scale. Οι μεταβλητές
αυτές ενδέχεται να διαθέτουν δεκαδικά ψηφία, ενδέχεται και όχι, οπότε θα
πρέπει να γίνει σχετική ρύθμιση στη δήλωση κάθε μεταβλητής. Για παράδειγμα,
η μεταβλητή ύψος δανείου λαμβάνει συνεχείς τιμές οπότε θα διαθέτει δεκαδικά
σε αντίθεση με τον αριθμό παιδιών που δεν θα λαμβάνει δεκαδικά.
Ποιοτικές – Ποσοτικές μεταβλητές [2]
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
12. Α’ Παράδειγμα κωδικοποίησης στο SPSS ποιοτικών
μεταβλητών (nominal ή ordinal)
Έστω ότι έχουμε τις ακόλουθες μεταβλητές:
o φύλο: άντρας γυναίκα
o ηλικία: 18-25 26-35 36-45 άνω των 45
o εκπαίδευση: Δημοτικό Γυμνάσιο/Λύκειο ΑΕΙ/ΤΕΙ
Κωδικοποίηση στο SPSS :
“άντρας”=0 “γυναίκα”=1
“18-25”=1 “26-35”=2 “36-45”=3 “άνω των 45”=4
“Δημοτικό”=1 “Γυμνάσιο/Λύκειο”=2 “ΑΕΙ/ΤΕΙ”=3
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
13. Β’ Παράδειγμα κωδικοποίησης στο SPSS ποιοτικών
μεταβλητών (nominal ή ordinal)
Παράδειγμα κωδικοποίησης μεταβλητής profession (Επάγγελμα). Δες τις δηλώσεις
στη στήλη Values ή στο παράθυρο Value Labels
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
15. Γραφικές παραστάσεις – δημιουργία κυκλικού διαγράμματος
(Pie) [1]
Για τις γραφικές παραστάσεις επιλέγω από το κεντρικό μενού Graphs, Legacy Dialogs
και μετά τον τύπο που θέλω (πχ Pie)
Άλλου τύπου γραφικά στο
SPSS:
• Ραβδόγραμμα (Bar)
• Γράφημα γραμμής
(Line)
• Γράφημα περιοχής
(Area)
• Θηκόγραμμα (Boxplot)
• Ραβδόγραμμα
σφάλματος (Error Bar
chart)
• Γράφημα σκέδασης
(Scatter plot)
• Ιστόγραμμα
(Histogram)
• Αλληλεπιδραστικά
γραφήματα
(Interactive)
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
16. Δημιουργία κυκλικού διαγράμματος -Pie [2]
Στη συνέχεια εμφανίζεται το παράθυρο Define Pie:
Στο Slices Represent μπορώ να επιλέξω
εάν τα αποτελέσματα θα εμφανιστούν
σε απόλυτο αριθμό (N of cases) ή
ποσοστιαία (% of cases).
Στο Define Slices by επιλέγω τη
μεταβλητή από την λίστα στα αριστερά.
Η μεταβλητή θα πρέπει να είναι
δηλωμένη είτε nominal ή ordinal.
Στη συνέχεια πατάω OK και βλέπω το
γράφημα στο παράθυρο του Output
View. Για να επεξεργαστώ το γράφημα
κάνω διπλό κλικ επάνω του και ανοίγει ο
Chart Editor (με κλείσιμο επιστρέφω στο
Output View).
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
17. Output View
Όποια εντολή και αν εκτελέσω, το
αποτέλεσμα θα το δω στο Output
View.
Στο παράδειγμα ζήτησα ένα Pie
graph για τη μεταβλητή gender.
Στο Define Slices by έδωσα να
εμφανίσει % of cases (δηλαδή
σχετική συχνότητα).
Εάν θέλω να μορφοποιήσω το
γράφημα, κάνω διπλό κλικ επάνω
του και ανοίγει ο Chart Editor. Αν
δεν εμφανίζονται τα ποσοστά,
από το menu Elements, επιλέγω
Show Data Labels. Αν θέλω να
αλλάξω τη γραμματοσειρά και να
χρησιμοποιήσω μεγαλύτερη,
κάνω ένα κλικ επάνω στα
ποσοστά και αντί πχ Sans Serif
auto, επιλέγω Sans Serif 14.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
18. Περιγραφική Στατιστική με το πακέτο SPSS
Οι δυνατότητες ανάλυσης με χρήση
περιγραφικών στατιστικών εμφανίζονται
στο μενού Analyse Descriptive Statistics.
Οι επιλογές:
Πίνακες Συχνοτήτων (Frequencies)
Περιγραφικά Στατιστικά Μέτρα
(Descriptives)
Πίνακες διπλής εισόδου (Crosstabs)
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
19. Περιγραφική Στατιστική - Γενικά
Έχει ως αντικείμενο την ομαδοποίηση, την οργάνωση και τη συνοπτική
παρουσίαση των χαρακτηριστικών ενός συνόλου δεδομένων που έχουν
συγκεντρωθεί πειραματικά.
3 ομάδες μεθόδων
Πινακοποίηση των δεδομένων
Γραφική παρουσίαση των δεδομένων
Αριθμητικά περιγραφικά μέτρα
Σκοπός η προβολή με αριθμητικά δεδομένα χαρακτηριστικών των υπό
μελέτη μεταβλητών που αντιπροσωπεύουν ποιοτικά και ποσοτικά
στοιχεία κι η εξαγωγή συμπερασμάτων
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
20. Πίνακες Συχνοτήτων [1]
Παρουσιάζει για κάθε τιμή της μεταβλητής το πλήθος των εμφανίσεων
της μέσα στο δείγμα. Ονομάζεται απόλυτη συχνότητα
Υπολογίζοντας το πλήθος αυτό, μπορούν στη συνέχεια να υπολογιστούν:
το ποσοστό εμφανίσεων της συγκεκριμένης τιμής της μεταβλητής που
ονομάζεται σχετική (percent) συχνότητα εμφάνισης της τιμής
η αθροιστική (cumulative) συχνότητα των περασμένων τιμών και της
τρέχουσας τιμής της μεταβλητής
η αθροιστική σχετική (cumulative percent) συχνότητα της τιμής της
μεταβλητής.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
• Για µεταβλητές µε διακριτές τιµές (nominal,
ordinal)
• Για κάθε τιµή υπολογίζονται απόλυτες
συχνότητες, σχετικές συχνότητες (ποσοστά)
και αθροιστικές συχνότητες
• Για συνεχείς µεταβλητές πρέπει να γίνει
πρώτα οµαδοποίηση των τιµών
21. Πίνακες Συχνοτήτων [2]
Επιλέγοντας τη διαδρομή
Analyse→Descriptive
Statistics→Frequencies, εμφανίζεται το
παράθυρο:
Επιλέγεται η κατάλληλη μεταβλητή και
μεταφέρεται στο πεδίο Variable(s).
Πατώντας OK δημιουργείται ο πίνακας
συχνοτήτων του δείγματος στο Output
View.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
22. Μελέτη μέτρων θέσης – μεταβλητή income (από Descriptives)
Κυριότερα μέτρα κεντρικής τάσης: αριθμητικός
μέσος (Mean), διάμεσος (Median), επικρατούσα
τιμή (Mode).
Μέτρα μεταβλητότητας ή διασποράς: εύρος
τιμών (Range), διακύμανση (Variance) και τυπική
απόκλιση (Std. deviation), εκατοστιαία σημεία
(percentiles) και τεταρτημόρια (quartiles).
Μέτρα ασσυμετρίας: Κύρτωση (Kurtosis) και
Λοξότητα (Skewness).
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
23. Μελέτη μέτρων θέσης – μεταβλητή income (από Frequencies)
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
24. Μελέτη μεταβλητής income
Ν - Πλήθος παρατηρήσεων στο δείγμα: 199.
Mean - Μέσο εισόδημα: 11.686,77 ευρώ
Median - Διάμεσος τιμή: 10.825,18 ευρώ
Mode - Επικρατούσα τιμή: 0 (μηδέν εισόδημα)
Std. Deviation - Τυπική απόκλιση: 6.827,538
Range – Εύρος: 31.049
Minimum - Ελάχιστο εισόδημα: 0 (μηδέν)
Maximum - Μέγιστο εισόδημα: 31.049 ευρώ
Skewness – Λοξότητα: 0,588
Std. Error of Skewness – τυπικό σφάλμα λοξότ.: 0,172
Kurtosis – Κύρτωση: -0,185
Std. Error of Kurtosis – τυπικό σφάλμα κύρτωσης:
0,343
Percentiles πχ 70: το 70% του δείγματος διαθέτει
εισόδημα έως 14.828,82 ευρώ
Οι τιμές των μέτρων θέσης οδηγούν σε αριστερά
ασύμμετρη κατανομή γιατί Mode<Median<Mean.
Έχομε θετική ασυμμετρία γιατί η λοξότητα
(skewness=0,588) είναι μεγαλύτερη του μηδενός. H
kurtosis=-0,185<3, επομένως πλατύκυρτη κατανομή.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
25. Μελέτη μεταβλητής income
• Μια κατανομή συχνοτήτων μπορεί να είναι είτε συμμετρική είτε ασυμμετρική. Εάν
μια κατανομή είναι συμμετρική, δηλαδή τα δεδομένα κατανέμονται συμμετρικά
τότε όσο απομακρυνόμαστε από την μέση τιμή (είτε προς τα κάτω είτε προς τα
πάνω) συναντάμε τον ίδιο αριθμό παρατηρήσεων. Εάν τώρα μια κατανομή είναι
ασυμμετρική θα πρέπει να μπορέσουμε να την μετρήσουμε.
ΜΕΤΡΗΣΗ ΛΟΞΟΤΗΤΑΣ
• Η λοξότητα είναι ένα μέτρο της ασυμμετρίας που χαρακτηρίζει την κατανομή γύρω
από τη μέση τιμή της. Θετική λοξότητα σημαίνει ότι η καμπύλη εκτείνεται
περισσότερο προς τα δεξιά της μέσης τιμής ενώ αρνητική λοξότητα σημαίνει
μεγαλύτερη έκταση της καμπύλης προς τα αριστερά της μέσης τιμής.
• Συντελεστής λοξότητας θετικός (αρνητικός) σημαίνει ότι οι περισσότερες τιμές της
μεταβλητής βρίσκονται δεξιά (αριστερά) της επικρατούσας τιμής.
• Αν η απόλυτη τιμή του συντελεστή κυρτότητας απέχει από τον αριθμό 3 το πολύ το
διπλάσιο του τυπικού σφάλματος της κυρτότητας (Standard Error of Kurtosis) τότε
θεωρείται πως η κυρτότητα της κατανομής δεν διαφέρει σημαντικά από την
κανονική. Στην πράξη, οι συντελεστές ασυμμετρίας και κυρτότητας
χρησιμοποιούνται για μία πρώτη επισκόπηση της κατανομής. Αν, από την
ανάγνωση των συντελεστών δεν προκύπτει καθαρό συμπέρασμα τότε ο ερευνητής
πρέπει να προχωρήσει σε άλλες μεθόδους όπως οι δοκιμασίες Kolmogorov –
Smirnof και Shapiro – Wilk με τις οποίες ελέγχεται η απόκλιση των τιμών της
κατανομής από τις αντίστοιχες τιμές μίας κανονικής κατανομής.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
26. Μελέτη μεταβλητής income
Ασσυμετρία ή Λοξότητα κατανομής (skewness) & Κύρτωση
• Λοξότητα (skewness): Πόσο και προς ποια κατεύθυνση αποκλίνει η
κατανοµή από την πλήρη συµµετρία (skewness=0)
• Είδη ασυµµετρίας:
• Θετική: εξόγκωση προς τα αριστερά και µεγάλη ουρά προς τα δεξιά
(skewness>0)
• Αρνητική: εξόγκωση προς τα δεξιά και µεγάλη ουρά προς τα αριστερά
(skewness<0)
• Κύρτωση (Kurtosis): Μέτρο της οξύτητας της κορυφής µιας κατανοµής
• Κατηγορίες που αναγνωρίζονται:
• Λεπτόκυρτη (kurtosis>3)
• Πλατύκυρτη (kurtosis<3)
• Μεσόκυρτη (kurtosis=3)
27. Μελέτη μεταβλητής income histogram & boxplot
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
Max not outlier
Min not outlier
Median
28. Πίνακες τύπου Crosstabs
Πίνακες διπλής εισόδου.
Στις γραμμές του πίνακα μια μεταβλητή και στις στήλες μια άλλη.
Η διαδικασία Crosstabs εμφανίζει πίνακες συνάφειας για ζεύγη
ποιοτικών μεταβλητών και μέσω των Crosstabs μπορεί να γίνει
εκτίμηση διαφόρων στατιστικών μέτρων – δοκιμασιών, μεταξύ αυτών
και ελέγχου ομοιογένειας, ανεξαρτησίας ή συνάφειας μεταβλητών.
Τα κελιά του πίνακα παρουσιάζουν τη συχνότητα της τομής των
περιπτώσεων που αντιστοιχούν στη διασταύρωση των τιμών των δύο
μεταβλητών.
Πολύ σημαντικός ο σωστός ορισμός της εξαρτημένης και της
ανεξάρτητης μεταβλητής για την εξαγωγή ασφαλών συμπερασμάτων
σε στατιστικές δοκιμασίες.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
29. Δημιουργία Crosstabs [1]
Επιλέγω τη διαδρομή Analyse→ Descriptive Statistics
→Crosstabs
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
30. Δημιουργία Crosstabs [2]
Επιλέγοντας τη διαδρομή Analyse→
Descriptive Statistics →Crosstabs εμφανίζεται
το ακόλουθο παράθυρο:
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
Εάν θέλω να χρησιμοποιήσω
τον πίνακα για στατιστικά τεστ
θα πρέπει να προσέξω τις
δηλώσεις μεταβλητών, όπως
παρακάτω
32. Τα Pivot tables στο SPSS
Κάνοντας διπλό κλικ σε ένα πίνακα στο Output View, ενεργοποιείται το Pivot table όπως
στην παρακάτω εικόνα.
Αν θέλω να αντιστρέψω
(transpose) τον πίνακα, από το
menu επιλέγω Pivot και στη
συνέχεια Transpose Rows and
Columns. Τώρα έχω στις στήλες
το Man και Woman και στις
γραμμές του πίνακα τα
επαγγέλματα.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
33. Δημιουργία γραφήματος από Pivot table
Από το παράθυρο του Pivot table, επιλέγω τη διαδρομή Edit,
Create Graph. Το γράφημα εμφανίζεται στο παράθυρο Output
View
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)
34. Δημιουργία γραφήματος από Pivot table
To γράφημα στο Output View. Για την επεξεργασία του γραφήματος, διπλό κλικ
επάνω του και ανοίγει ο Chart Editor
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ – ΕΡΓΑΣΤΗΡΙΟ ΣΥΑ (Α’ ενότητα)