جستجو در برای
طبقه بندی نتایج

نمایش 1 تا 8 از 8 مورد یافت شده

مرتب سازی بر اساس

دوازدهمین گردهمایی معاونان و مدیران دانشجویی دانشگاه های منطقه 6 کشور با حضور دکتر قنبری قائم مقام صندوق رفاه دانشجویان کشور به میزبانی دانشگاه میبد برگزار شد.

با توجه به برگزاری مسابقات قهرمانی منطقه6 ورزش دانشگاه های کشور و انتخابی المپیاد ورزشی دانشجویان کشور، از دانشجویان ورزشکار دانشگاه میبد که در سطح قهرمانی در رشته های زیر فعالیت دارند دعوت می شود در اسرع وقت نام و نام خانوادگی، شماره دانشجویی و رزومه ورزشی خود را به کارشناسان اداره تربیت بدنی دانشگاه از طریق پیامک و یا واتساپ اعلام نمایند

نماینده دانشگاه میبد در مسابقات قهرمانی دانشگاه های منطقه 6 کشور و انتخابی المپیاد ورزشی دانشجویان، در رشته دو و میدانی موفق به کسب مقام نایب قهرمانی و سومی این دوره از مسابقات شد.

تحلیل پوششی داده ها، یک تکنیک برنامه ریزی ریاضی است که کارایی نسبی چندین واحد تصمیم گیرنده را بر مبنای ورودی ها و خروجی های مشاهده شده که ممکن است با انواع مقیاسهای مختلف بیان شوند، محاسبه می کند. در این تکنیک این فرض وجود دارد که مقدار عددی دقیقی برای ورودی ها و خروجی ها مشخص است. ولی بسیاری از اوقات در شرایط واقعی کسب و کار، تعیین مقدار عددی دقیق برای برخی ورودی ها و یا خروجی ها امکانپذیر نیست. در این مقاله، یک مدل نوین تحلیل پوششی داده ها ارایه می شود که کاربر را قادر می سازد تا کارایی واحد تصمیم گیری را با در نظر گرفتن داده های غیردقیق شناسایی کند و در ادامه از یک مکانیزمی، تحت عنوان روش ماتریس درجه ترجیح، کارایی های فازی به دست آمده از مدل ها مقایسه و رتبه بندی می شوند. از مزایای مدل پیشنهادی، کاهش زمان اجرای مدل و عدم نیاز به فرضیات از پیش تعریف شده و تلاش های محاسباتی زیاد می باشد. در این مقاله، کاربردپذیری مدل پیشنهادی در یک مطالعه موردی، برای ارزیابی 10 واحد تصمیم گیری مورد بررسی قرار گرفته است. مقایسه نتایج مدل پیشنهادی با نتایج مدل های قطعی، حاکی از قدرت تفکیک بالای مدل پیشنهادی و همبستگی بالای نتایج آن با نتایج مدله ای قطعی به میزان 867/0 است.

روش AFLQ روش غيرآماري است كه جدول داده- ستانده ملي را به جدول داده- ستانده منطقه اي (استاني) تبديل مي كند. اين روش بهترين روش از لحاظ هزينه و وقت در تعميم جدول داده- ستانده ملي به منطقه اي مي باشد. روش AFLQ كه توسط فلگ و همكارانش ارائه شد هر چند مراحل تكاملي خود را طي زمان پيمود و از آزمون هاي مختلفي گذشت،اما هنوز ايراداتي دارد. نقص اين مدل در تعديل نادرست بخش هاي ضعيف است به طوري كه اگر بخشي سهم مكاني كوچكي داشته باشد احتمال پيشرو بودن آن از منظر تقاضا (شاخص انتشار بالاي يك) وجود دارد. نتايج عملي در اين روش AFLQ نشان مي دهد به عنوان مثال استان آذربايجان غربي داراي 13 بخش ضعيف است كه 10 بخش از آن شاخص انتشار بزرگتر از يك را كسب نموده است. در ادامه مقاله با تعديل بخش هاي ضعيف روش جديد MFLQ پيشنهاد مي گردد. نتايج نشان مي دهد كه روش MFLQ كه بخش هاي ضعيف را تعديل مي نمايد نسبت به روش AFLQ خطاي كمتري در استان ها دارد.