Bạn đang xem bài viết Chương 4: Phân Bố Liên Tục được cập nhật mới nhất trên website 2atlantic.edu.vn. Hy vọng những thông tin mà chúng tôi đã chia sẻ là hữu ích với bạn. Nếu nội dung hay, ý nghĩa bạn hãy chia sẻ với bạn bè của mình và luôn theo dõi, ủng hộ chúng tôi để cập nhật những thông tin mới nhất.
Những phân bố mà chúng ta đã gặp cho đến giờ được gọi là phân bố kinh nghiệm vì chúng được dựa trên những quan sát kinh nghiệm, vốn là các mẫu có kích thước giới hạn.
Một phân bố khác là phân bố liên tục, vốn được đặc trưng bởi một CDF dưới dạng hàm liên tục (thay vì hàm bậc thang). Nhiều hiện tượng thực tế có thể được xấp xỉ bằng những phân bố liên tục.
Phân bố lũy thừa
Tôi sẽ bắt đầu với phân bố lũy thừa vì giải thích nó rất dễ. Trong thực tế, các phân bố lũy thừa thường được bắt gặp khi ta quan sát một chuỗi các hiện tượng và đo khoảng thời gian giữa hai hiện tượng kế tiếp, mà chúng ta gọi là thời gian giữa hai sự kiện. Nếu các sự kiện có vẻ như xảy ra được bất kì lúc nào thì phân bố giữa khoảng thời gian liên tiếp này sẽ có xu hướng tuân theo một phân bố lũy thừa. CDF của một phân bố lũy thừa là: CDF(x) = 1 - e - λx
Nói chung, giá trị trung bình của phân bố lũy thừa bằng 1/ λ, nên trị trung bình của phân bố này bằng 0,5. Số trung vị thì bằng log(2)/λ, vốn xấp xỉ bằng 0,35. Để xem ví dụ về một phân bố có dạng xấp xỉ lũy thừa, ta sẽ xét khoảng thời gian giữa hai đứa trẻ chào đời liên tiếp. Vào ngày 18/12/1997, có 44 trẻ được sinh ra ở một bệnh viện tại Brisbane, Úc. Thời điểm chào đời của cả 44 đứa bé được đăng trên một tờ báo địa phương; bạn có thể tải dữ liệu về từ http://thinkstats.com/babyboom.dat. Hình {interarrival_cdf} cho thấy CDF của khoảng thời gian, tính theo phút, giữa các ca sinh. Dường như nó có hình dạng tựa như một phân bố lũy thừa, nhưng làm sao ta cho thấy được điều này? Một cách làm và vẽ đồ thị của hàm bù CDF, 1 - CDF(x), theo trục tỉ lệ log-y. Với số liệu của một hàm lũy thừa, kết quả sẽ là một đường thẳng. Hãy xem bằng cách nào mà ta có điều đó.
Nếu bạn vẽ hàm bù CDF (tức CCDF) của một bộ số liệu mà bạn cho rằng có phân bố lũy thừa, bạn sẽ trông đợi một hàm như: y ≈ e - λx Lấy loga cả 2 vế ta được:
log y ≈ - λ x
Vì vậy theo trục log-y hàm CCDF là một đường thẳng với độ dốc - λ.
Hình {interarrival_ccdf} cho thấy CCDF của thời gian giữa hai ca sinh nở theo trục log-y. Nó không thẳng hoàn toàn, nghĩa là phân bố lũy thừa chỉ là một cách xấp xỉ. Trong phần lớn trường hợp thì giả thiết nền tảng ở đây—việc sinh nở có khả năng xảy ra như nhau bất kể giờ trong ngày—là không hoàn toàn đúng.
Với những giá trị n nhỏ, ta không trông đợi một phân bố kinh nghiệm khớp đúng với phân bố liên tục. Một cách đánh giá chất lượng khớp là phát sinh một mẫu từ phân bố liên tục và xem nó hợp với số liệu đến mức nào. Hàm expovariate trong module random sẽ phát sinh các giá trị ngẫu nhiên từ một phân bố lũy thừa, khi cho trước giá trị của λ. Hãy dùng nó để phát sinh 44 giá trị từ một phân bố lũy thừa với trị trung bình bằng 32,6. Vẽ CCDF lên trục tỉ lệ log-y và so sánh nó với Hình {interarrival_ccdf}. Gợi ý: Bạn có thể dùng hàm pyplot.yscale để dựng trục y theo thang loga.
Hoặc, nếu bạn dùng myplot, hàm Cdf sẽ nhận một tùy chọn kiểu boolean có tên complement, để quy định xem cần phải vẽ đồ thị CDF hay CCDF, và các tùy chọn kiểu chuỗi, xscale và yscale, để chuyển đổi các trục; từ đó có thể vẽ CCDF theo trục tỉ lệ log-y:
myplot.Cdf(cdf, complement=True, xscale='linear', yscale='log')Hãy thu thập ngày sinh của các sinh viên cùng lớp, sắp xếp và tính khoảng thời gian theo ngày giữa các ngày sinh. Vẽ đồ thị CDF của các thời gian giữa này, cùng CCDF theo trục tỉ lệ log-y. Liệu nó có trông giống một phân bố lũy thừa không?
Phân bố Pareto
Phân bố Pareto được đặt tên theo nhà kinh tế học Vilfredo Pareto, người đã dùng nó để mô tả sự phân bố mức giàu nghèo (xem http://wikipedia.org/wiki/Pareto_distribution). Từ đó, nó được dùng để mô tả những hiện tượng trong khoa học tự nhiên và xã hội bao gồm quy mô các thành phố, kích cỡ các hạt cát hay thiên thạch, quy mô cháy rừng và động đất. CDF của phân bố Pareto là: CDF(x) = 1 - (x / xm) - α Các tham số xm và α quyết định vị trí và hình dạng của phân bố. xm là giá trị khả dĩ nhỏ nhất. Hình {pareto_cdf} cho thấy CDF của một phân bố Pareto với các tham số xm = 0,5 và α = 1.
Số trung vị của phân bố này là xm21 / α, tức là bằng 1, nhưng số phần trăm thứ 95 lại bằng 10. Thật khác với phân bố lũy thừa, với số trung vị bằng 1, thì số phần trăm thứ 95 chỉ bằng 1,5. Có một cách kiểm tra đơn giản bằng mắt thường để phát hiện rằng liệu một phân bố kinh nghiệm có khớp với một phân bố Pareto hay không: trên thang log-log, hàm CCDF sẽ trông như một đường thẳng. Nếu bạn vẽ đồ thị CCDF của một mẫu tuân theo phân bố Pareto lên một thang tuyến tính thì bạn sẽ trông đợi một hàm có dạng: y ≈ (x / xm) - α Lấy loga cả hai vế ta được:
log y ≈ - α (log x - log xm)
Vì vậy nếu bạn vẽ log y theo log x, nó sẽ có hình dạng như một đường thẳng với độ dốc - α và giao điểm - α log xm với trục tung.
Module random có phương thức paretovariate để phát sinh các giá trị ngẫu nhiên từ một phân bố Pareto. Nó nhận vào một tham số α, nhưng không phải xm. Giá trị mặc định cho xm là 1; bạn có thể phát sinh một phân bố với tham số khác bằng cách nhân phân bố này với xm. Hãy viết một hàm bọc có tên paretovariate nhận vào các tham số α và xm rồi dùng random.paretovariate để phát sinh các giá trị từ một phân bố Pareto hai tham số. Hãy dùng hàm vừa viết để phát sinh một mẫu từ phân bố Pareto. Tính CCDF rồi vẽ đồ thị của nó lên thang log-log. Liệu đồ thị này có là đường thẳng không? Độ dốc của nó bằng bao nhiêu?
Để hình dung được phân bố Pareto, hãy tưởng tượng thế giới sẽ ra sao nếu như cân nặng của con người tuân theo phân bố Pareto. Chọn các tham số xm = 100 cm và α = 1,7, ta thu được một phân bố với chiều cao tối thiểu hợp lý là 100 cm, và số trung vị 150 cm. Hãy phát sinh 6 tỉ giá trị ngẫu nhiên từ phân bố này. Giá trị trung bình của mẫu này bằng bao nhiêu. Có mấy phần của tổng thể với chiều cao dưới trị trung bình? Người cao nhất trong thế giới Pareto này sẽ cao bao nhiêu?
Định luật Zipf được là kết quả quan sát xem mức độ thường xuyên mà các từ khác nhau được dùng là bao nhiêu. Những từ thường dùng nhất thì có tần số rất cao, nhưng cũng có nhiều từ kì lạ, như “hapaxlegomenon,” chỉ xuât hiện một số ít lần. Định luật Zipf dự đoán rằng trong một văn bản, hay tác phẩm (“corpus”), sự phân bố các tần số từ vựng thì có dạng xấp xỉ Pareto. Hãy tìm một tác phẩm lớn dưới dạng điện tử, bằng bất kì ngôn ngữ nào. Hãy đếm xem mỗi từ xuất hiện bao nhiêu lần. Tính CCDF của số từ đếm được rồi vẽ đồ thị của nó theo thang tỉ lệ log-log. Liệu định luật Zipf có đúng trong trường hợp này không? Giá trị α xấp xỉ bằng bao nhiêu?
Phân bố Weibull là một dạng tổng quát của phân bố lũy thừa, xuất hiện trong phân tích rủi ro (xem http://wikipedia.org/wiki/Weibull_distribution). CDF của nó là CDF(x) = 1 - e - (x / λ)k Bạn có thể tìm được một phép biến đổi nào khiến cho phân bố Weibull trở nên giống đường thẳng không? Khi đó độ dốc và tung độ giao điểm sẽ biểu thị điều gì? Hãy dùng random.weibullvariate để phát sinh một mẫu từ phân bố Weibull rồi dùng nó để thử nghiệm phép biến đổi của bạn.
Phân bố chuẩn
Phân bố chuẩn, còn gọi là phân bố Gauss, là loại thường được dùng nhất vì nó mô tả rất nhiều hiện tượng, chí ít là gần đúng. Hóa ra còn một lý do giải thích được tính đa năng của phân bố này, mà ta sẽ xét đến trong Mục {Định lý giới hạn trung tâm}. Phân bố chuẩn có nhiều thuộc tính khiến nó thích hợp với việc dùng để phân tích, nhưng CDF không phải là thuộc tính như vậy. Khác với những kiểu phân bố khác mà ta đã xét đến, với phân bố chuẩn CDF không có dạng biểu thức chính xác nào; cách làm thay thế thông dụng nhất cho CDF là dưới dạng hàm sai số, vốn là hàm đặc biệt ký hiệu bởi erf(x):
Các tham số μ và σ quy định trị trung bình và độ lệch chuẩn của phân bố này. Nếu các công thức trên làm bạn thấy đau đầu thì đừng lo; chúng rất dễ viết trong Python. Có nhiều cách xấp xỉ erf(x) nhanh chóng và chính xác. Bạn có thể tải về một cách như vậy từ http://thinkstats.com/erf.py, vốn có các hàm tên là erf và NormalCdf.
Hình {normal_cdf} cho thấy CDF của một phân bố chuẩn với các tham số μ = 2,0 và σ = 0,5. Hàm sigmoid của đường cong này là một đặc trưng dễ nhận biết của phân bố chuẩn.
Trong chương trước ta đã xét đến phân bố của cân nặng trẻ sơ sinh từ NSFG. Hình {nsfg_birthwgt_model} cho thấy CDF kinh nghiệm của cân nặng tất cả trẻ được sinh ra và CDF của một phân bố chuẩn có cùng trị trung bình và độ lệch chuẩn.
Phân bố chuẩn là một mô hình hợp lý cho bộ số liệu này. Một mô hình là một sự giản hóa có ích. Trong trường hợp này, vì ta có thể tóm gọn dạng phân bố chỉ với hai số, μ = 116,5 và σ = 19,9; và sai số thu được (hiệu số giữa mô hình và số liệu) là nhỏ. Phía dưới số phần trăm thứ 10, đã có sự khác biệt giữa số liệu và mô hình; số liệu cho thấy nhiều trẻ nhẹ cân hơn ta mong đợi từ phân bố chuẩn. Nếu ta cần nghiên cứu những ca sinh sớm thì rất cần phải mô phỏng đúng phần này của phân bố, vì vậy có lẽ sẽ không tốt nếu dùng mô hình phân bố chuẩn.
Thang Weschler đo mức thông minh của người lớn là phép kiểm tra để đo trí thông minh. Kết quả được chuyển đổi sao cho phân bố của điểm số trong tổng thể nói chung có dạng chuẩn với μ = 100 và σ = 15. Hãy dùng erf.NormalCdf để khảo sát tần số của các hiện tượng hiếm trong một phân bố chuẩn. Có mấy phần dân số có IQ cao hơn trung bình? Có mấy phần vượt trên 115? 130? 145?
Một hiện tượng “6-sigma” là giá trị vượt mức trung bình một khoảng cách bằng 6 lần độ lệch chuẩn. Vì vậy IQ của người 6-sigma thì bằng 190. Trên thế giới 6 tỉ người, có bao nhiêu người có IQ từ 190 trở lên?
Hãy vẽ đồ thị CDF của thời gian mang thai cho tất cả những ca sinh thành công. Liệu nó có dạng giống như phân bố chuẩn không? Hãy tính trị trung bình và phương sai của mẫu rồi vẽ đồ thị phân bố chuẩn với cùng các tham số đó. Liệu phân bố chuẩn có phải là mô hình tốt cho số liệu này không? Nếu bạn phải tóm tắt dạng phân bố này chỉ với hai đặc trưng thống kê, thì bạn sẽ chọn những đặc trưng nào?
Đồ thị xác suất chuẩn
Đối với các phân bố lũy thừa, Pareto và Weibull, có những phép biến đổi đơn giản mà ta cso thể dùng để kiểm xem liệu một phân bố liên tục có phải là mô hình tốt cho bộ số liệu hay không. Đối với phân bố chuẩn thì không có phép chuyển đổi nào như vậy cả, nhưng có một cách làm thay thế là đồ thị xác suất chuẩn. Nó được dựa theo rankit: nếu bạn phát sinh n giá trị từ một phân bố chuẩn và sắp xếp chúng lại, thì rankit thứ sẽ bằng trị trung bình của phân bố đối với giá trị thứ .
Hãy viết một hàm có tên Sample để phát sinh ra 6 mẫu từ một phân bố chuẩn với μ = 0 và σ = 1. Thực hiện sắp xếp và trả lại các giá trị.
Hãy viết một hàm có tên Samples để gọi Sample 1000 lần và trả lại một danh sách gồm 1000 danh sách.
Nếu bạn áp dụng zip cho danh sách chứa các danh sách nói trên, thì kết quả sẽ là 6 danh sách với mỗi danh sách chứa 1000 giá trị. Hãy tính trị trung bình của mỗi danh sách này rồi in kết quả ra. Tôi dự đoán rằng bạn sẽ nhận được đáp số tựa như sau:
{ - 1.2672, - 0.6418, - 0.2016, 0.2016, 0.6418, 1.2672}
Nếu bạn tăng số lần gọi Sample lên, kết quả sẽ hội tụ về những con số trên.
Việc tính chính xác rankit thì tương đối khó, nhưng có những phương pháp số để xấp xỉ chúng. Và có một cách tính mẹo dễ thực hiện hơn:
Từ phân bố chuẩn với
μ
= 0 và
σ
= 1, hãy phát sinh một mẫu có cùng kích thước với bộ số liệu hiện có, rồi sắp xếp mẫu này.
Sắp xếp các giá trị trong bộ số liệu.
Chấm các điểm số liệu ban đầu theo các điểm ngẫu nhiên được phát sinh.
Với các bộ dữ liệu lớn, phương pháp này hoạt động tốt. Với bộ số liệu nhỏ hơn, bạn có thể cải thiện nó bằng cách phát sinh m (n+1) - 1 giá trị từ một phân bố chuẩn, trong đó n là kích thước bộ số liệu còn m là một thừa số. Sau đó bắt đầu từ giá trị thứ m, cứ cách m giá trị lại chọn một.
Phương thức này cũng hoạt động với các phân bố khác, chỉ cần bạn biết cách phát sinh ra mẫu ngẫu nhiên.
Hình {nsfg_birthwgt_normal} là cách mẹo để vẽ được đồ thị xác suất chuẩn của số liệu cân nặng trẻ sơ sinh.
Độ cong của đường này cho thấy rằng có sự lệch khỏi một phân bố chuẩn; tuy vậy, đó vẫn là một mô hình dùng được cho nhiều mục đích.
Hãy viết một hàm có tên NormalPlot nhận vào một dãy giá trị rồi phát sinh một đồ thị xác suất chuẩn. Bạn có thể tải về một lời giải từ http://thinkstats.com/rankit.py. Hãy dùng tốc độ chạy từ relay.py để phát sinh một đồ thị xác suất chuẩn. Liệu rằng phân bố chuẩn có phải là một mô hình tốt cho số liệu này không? Bạn có thể tải về một lời giải từ http://thinkstats.com/relay_normal.py.
Phân bố loga chuẩn
Nếu logarit của một bộ các giá trị hợp thành phân bố chuẩn, thì bản thân các giá trị này sẽ có phân bố loga chuẩn. CDF của phân bố loga chuẩn cũng giống như CDF của phân bố chuẩn khi thay log x cho x.
CDFloga chuẩn(x) = CDFchuẩn(log x)
Các tham số của phân bố loga chuẩn thường được viết là μ và σ. Song cần nhớ rằng những tham số này không phải là trị trung bình và độ lệch chuẩn; trị trung bình của phân bố loga chuẩn là exp(μ + σ2/2) và độ lệch chuẩn thì lằng nhằng hơn . Hóa ra là phân bố cân nặng của người lớn có dạng xấp xỉ loga chuẩn .
Trong số dữ liệu thu thập được có cân nặng tính theo ki-lô của 398.484 người. Hình {brfss_weight_log} trên cho thấy phân bố của log w, trong đó w là cân nặng theo ki-lô, cùng với một mô hình phân bố chuẩn. Mô hình phân bố chuẩn khớp với số liệu, mặc dù các số cân nặng lớn nhất ngay cả khi lấy loga vẫn vượt quá mô hình chuẩn. Vì phân bố của log w khớp với một phân bố chuẩn, ta kết luận được rằng w khớp với một phân bố loga chuẩn.
Hãy tải số liệu BRFSS về từ http://thinkstats.com/CDBRFS08.ASC.gz, và mã lệnh do tôi viết để đọc số liệu đó từ http://thinkstats.com/brfss.py. Hãy chạy brfss.py và khẳng định rằng nó in ra các đặc trưng thống kê cho một vài biến. Hãy viết một chương trình để đọc vào cân nặng của người lớn từ BRFSS và phát sinh các đồ thị xác suất chuẩn cho w và log w. Bạn có thể tải về một lời giải từ http://thinkstats.com/brfss_figs.py.
Phân bố của số dân thành phố được đề xuất lấy làm ví dụ cho một hiện tượng thực tế mà có thể được mô tả bằng một phân bố Pareto. Cục thống kê dân số Hoa Kỳ (U.S. Census Bureau) đã xuất bản số liệu về dân số của từng thành phố / thị trấn trên lãnh thổ nước Mỹ. Tôi đã viết một chương trình nhỏ để tải về số liệu này và lưu nó vào một file. Bạn có thể tải chương trình về từ http://thinkstats.com/populations.py.
Hãy đọc qua chương trình để nắm vững mục đích của nó; rồi chạy nó để tải về và xử lý số liệu.
Viết một chương trình tính rồi vẽ đồ thị phân bố của dân số cho 14593 thành phố và thị trấn trong bộ số liệu.
Vẽ đồ thị CDF lần lượt trên trục tỉ lệ tuyến tính và log-
x
, từ đó hình dung được hình dạng của phân bố này. Sau đó vẽ CCDF lên trục tỉ lệ log-log để xem liệu nó có hình dạng đặc trưng của một phân bố Pareto không.
Hãy thử các phép biến đổi và kiểu đồ thị khác trong chương này để xem liệu có mô hình nào tốt hơn cho bộ số liệu này không.
Bạn rút ra được kết luận gì về phân bố quy mô (số dân) các thành phố và thị trấn? Bạn có thể tải về một lời giải từ http://thinkstats.com/populations_cdf.py.
Ở Hoa Kỳ, tổ chức Internal Revenue Service (IRS) cung cấp số liệu về thuế thu nhập tại http://irs.gov/taxstats. Một trong số các file của họ, bao gồm thông tin về các khoản thu nhập cá nhân trong năm 2008, được đăng tại http://thinkstats.com/08in11si.csv. Tôi đã chuyển nó sang dạng file chữ CSV (“comma-separated values”); bạn có thể đọc file này bằng module csv.
Từ bộ số liệu này, hãy kết xuất phân bố của thu nhập. Liệu có dạng phân bố liên tục nào trong chương này là mô hình phù hợp cho số liệu này không? Bạn có thể tải về lời giải từ http://thinkstats.com/irs.py.
Tại sao cần dùng mô hình?
Ở đầu chương này, tôi đã nói rằng nhiều hiện tượng thực tế có thể được mô hình hóa bởi phân bố liên tục. Bạn có thể hỏi, “Vậy thì sao?”
Cũng như tất cả mô hình, các phân bố liên tục đều trừu tượng, theo nghĩa chúng lược bỏ tất cả những chi tiết nào được coi là thừa. Chẳng hạn, một phân bố được quan sát có thể chứa những sai số đo đạc hay nhiễu đặc thù của mẫu đó; các mô hình liên tục thì làm trơn tất cả những biến động này. Mô hình liên tục cũng là một hình thức nén dữ liệu. Khi một mô hình khớp phù hợp với bộ số liệu thì một tập hợp ít các tham số có thể tóm tắt được cả một lượng số liệu rất lớn. Đôi khi thật ngạc nhiên khi số liệu từ một hiện tượng tự nhiên lại khớp một phân bố liên tục, nhưng các quan sát này có thể dẫn tới kiến thức sâu sắc về hệ vật lý. Đôi khi chúng ta có thể giải thích tại sao một phân bố quan sát được lại có dạng riêng nào đó. Chẳng hạn, phân bố Pareto thường là kết quả của các quá trình phát sinh với phản hồi tích cực (thường gọi là quá trình gắn kết theo ý thích: hãy xem http://wikipedia.org/wiki/Preferential_attachment.).
Các phân bố liên tục rất thích hợp cho việc phân tích toán học, như ta sẽ được thấy ở Chương {tính toán}.
Phát sinh số ngẫu nhiên
Các CDF liên tục rất có ích trong việc phát sinh ra số ngẫu nhiên. Nếu có một cách làm hiệu quả để tính được CDF ngược, ICDF(p), thì ta sẽ có thể phát sinh ra những giá trị ngẫu nhiên với dạng phân bố thích hợp bằng cách chọn một phân bố đều từ 0 đến 1, rồi chọn
x = ICDF(p)
Chẳng hạn, CDF của phân bố lũy thừa là p = 1 - e - λx Giải theo x ta được:
x = - log (1 - p) / λ
Vì vậy trong Python, ta có thể viết
def expovariate(lam): p = random.random() x = -math.log(1-p) / lam return xTôi gọi tham số là lam vì lambda trùng với một từ khóa của Python. Hấu hết phương thức random.random có thể trả lại giá trị 0 nhưng không thể trả lại 1, vì vậy 1 - p có thể bằng 1 nhưng không bằng 0; điều này tốt vì log 0 là vô định.
Hãy viết một hàm có tên weibullvariate nhận vào lam và k rồi trả lại một giá trị ngẫu nhiên từ phân bố Weibull với các tham số đó.
Thuật ngữ
phân bố kinh nghiệm: Phân bố của các giá trị trong một mẫu. phân bố liên tục: Phân bố được mô tả bởi một hàm liên tục. khoảng thời gian giữa: Khoảng thời gian trôi qua giữa hai sự kiện. hàm sai số: Hàm toán học đặc biệt, nó có tên như vậy vì được tìm ra trong quá trình nghiên cứu sai số của phép đo đạc. đồ thị xác suất chuẩn: Đồ thị biểu diễn các giá trị đã sắp xếp trong một mẫu, theo các giá trị được trông đợi của chúng nếu phân bố có dạng chuẩn. rankit: Giá trị kì vọng của một phần tử trong danh sách đã sắp xếp gồm các giá trị từ một phân bố chuẩn. mô hình: Một cách giản hóa có ích. Các phân bố liên tục thường là mô hình tốt cho những phân bố kinh nghiệm phức tạp hơn. tác phẩm: Chỉnh thể văn bản được dùng làm mẫu phân tích ngôn ngữ. hapaxlegomenon: Từ xuất hiện chỉ một lần trong tác phẩm. Trong quyển sách này, đến giờ thì nó xuất hiện hai lần.Liên Tục Trong Tiếng Tiếng Anh
Sự nuôi dưỡng liên tục này sẽ giúp các em được an toàn trên con đường.
This constant nourishment will keep you safely on the path.
LDS
Sự trừu tượng tồn tại trong một chuỗi liên tục.
Abstraction exists along a continuum.
WikiMatrix
Lần hiển thị video có đến từ một môi trường phát liên tục hay không.
Learn how to report on video content metadata.
support.google
Các tế bào của cậu đang ở trạng thái thay đổi liên tục.
Your cells are in a constant state of flux.
OpenSubtitles2018.v3
Thật ra, nó trở thành công ti điều hành liên tục lâu đời nhất trên thế giới.
In fact, it became the oldest continuously operating company in the world.
ted2019
Một khía cạnh liên tục thay đổi khác là số lượng các giai đoạn trong trò chơi.
Another constantly changing aspect was the number of phases in the game.
WikiMatrix
Rồi ở trên gác xép có người dùng sùng máy bắn liên tục.
There was a guy up on the stacks laying down cover fire with a machine gun.
OpenSubtitles2018.v3
Tôi chưa bao giờ vui 30 giây liên tục trong đời mình.
I know. I’ve never been happy for 30 seconds in a row in my life.
OpenSubtitles2018.v3
Các mối quan hệ này đòi hỏi nỗ lực liên tục, với chủ định.
They require constant, intentional work.
LDS
Và đó là khi ông ấy tiến, lui, tiến, lui liên tục.
And this is when he goes back and forth, and back and forth.
ted2019
Nhưng mình phải nghiền liên tục nếu muốn có đủ để làm bánh cho một bữa ăn.
“But we must keep the mill grinding if I’m to have enough to make a loaf for dinner.”
Literature
Thời gian là một cái vòng liên tục.
Time is all one single continuum.
OpenSubtitles2018.v3
Hãy liên tục suy nghĩ và đừng ngại đặt câu hỏi.
Keep thinking and don’t hesitate to ask questions.
Literature
Album đứng trong top 20 trong 28 tuần liên tục, sau đó dần dần tụt khỏi bảng xếp hạng.
The album was able to stay within the top twenty for 28 consecutive weeks, but eventually started to drop slowly.
WikiMatrix
Sự Mặc Khải Liên Tục
Continuing Revelation
LDS
Mấu chốt là sự giải điều chế tín hiệu liên tục.
The key is analog demodulation.
OpenSubtitles2018.v3
Hình phạt đánh đòn tại các nước này có thể lên tới 24 roi liên tục.
Batch runs may occur up to 24 times a day.
WikiMatrix
Chúng phải được cải tiến liên tục.
They have to be constantly renewed.
ted2019
Vĩnh cửu bao hàm sự tăng trưởng và cải tiến liên tục.
Eternal implies continuing growth and improvement.
LDS
Cậu liên tục hoang tưởng khiến bọn này cũng phải hoang tưởng theo cậu.
You continue to be paranoid and make us all paranoid.
OpenSubtitles2018.v3
Điều họ không hiểu là Làm liền tay có nghĩa là lâu dài và liên tục.
What they don’t understand is that Do It Now is meant to be permanent and ongoing.
Literature
Em sợ rằng nếu anh tiếp xúc liên tục…
And I suppose if you stayed in constant contact…
OpenSubtitles2018.v3
Và chúng ta sống trong một thế giới đang liên tục kết nối chúng ta.
And we live in a world which is connecting us more and more.
ted2019
Mẹ trở bệnh nặng vào buổi chiều, rồi bắt đầu xuất huyết liên tục tầm tờ mờ sáng.
Mama took ill in the afternoon, then began haemorrhaging in the early hours.
OpenSubtitles2018.v3
Phi hành đoàn của trạm gồm 6 người được thay thế liên tục sau mỗi 6 tháng.
The station’s crew, made up of six people, is usually replaced every six months.
WikiMatrix
Hệ Thống In Liên Tục Là Gì?
CÔNG TY TNHH TMDV THIẾT BỊ VĂN PHÒNG MINH ĐỨC
Chuyên: Lắp hệ thống in liên tục, nạp mực máy in các loại…
GIỚI THIỆU: HỆ THỐNG MỰC IN LIÊN TỤC CHO MÁY IN
_ Một bộ các chai mực nước đen và màu nằm bên cạnh máy in.
_ Hệ thống dây dẫn đặc biệt để dẫn mực từ các chai mực bên ngoài vào các hộp mực lắp trên đầu phun.
_ Các hộp mực lắp trên đầu phun đã thay chip đếm.
_ Hai, bốn, sáu, … hộp mực trên đầu phun sẽ được hệ thống ống dẫn tiếp mực liên tục từ các chai mực đặt bên ngoài.
_ Máy in luôn hiểu mực đầy và luôn ở trạng thái sẵn sàng in liên tục do hộp mực trên đầu phun đã được thay chip đếm ICSI.
_ Chất lượng in rất cao do sử dụng 01 loại mực chuyên dùng và lượng mực cấp vào đầu phun đều đặn trong thời gian dài sẽ giúp đầu phun hoạt động ổn định, tăng tuổi thọ.
_ Không cần tháo hộp mực ra bơm hoặc thay hộp mực khác.
_ Thay riêng từng chai mực khi hết màu tương ứng (ở hộp mực thường, phải thay cả hộp mực màu khi chỉ hết 01 màu). Tiết kiệm mực do không phải clean đầu phun.
_ Chi phí cho trang in cực thấp
+ Chuyên nạp mực các loại máy in laser (HP, Canon, Epson, Samsung, Xerox…).
+ Nạp mực in laser màu các loại.
+ Đổ mực in phun các loại (Epson, Canon, HP…), kể cả mực có chíp set.
+ Lắp đặt hệ thống in phun liên tục cho máy In Phun ( 4 đến 6 màu …).
+ Xử lý sự cố nghẹt đầu phun và lỗi tràn bộ nhớ …
+ Sửa chữa máy in, máy fax…
+ Mua bán máy in cũ, mới
+ Cung cấp sỉ lẻ văn phòng phẩm giá rẻ, linh kiện máy tính.
Chương 4: Kỹ Năng Mềm
4.1.Khái quát
4.1.1.Khái niệm
Thiết lập mục tiêu là một kỹ năng đơn giản và rất dễ áp dụng để nâng cao hiệu quả công việc. Tuy nhiên, rất nhiều người lại chưa làm tốt điều này. Điều đódẫn đến việckhi đặt ra mục tiêu thì mục tiêu lại không rõ ràng và khó đạt được. Thậm chí, có người còn nhầm lẫn giữa mục đích (purpose) công việc và mục tiêu (goal) công việc.
Hình 4.1: Mục tiêu định hướng đến thành công
Mục tiêu là thứ giúp chúng ta định hướng để tồn tại và đi tiếp trên những đoạn đường đời. “Mục tiêu gì là không quan trọng, điều quan trọng là bạn phải có mục tiêu”. Một khi đánh mất mục tiêucó nghĩa là mất phương hướng. Người ta thường cảm thấy sung sướng hạnh phúc khi đang thực hiện một điều gì đó hơn cả khi đã đạt được nó.
4.1.2. Tầm quan trọng của kỹ năng thiết lập mục tiêu
Thiết lập mục tiêu chính là sự chỉ dẫn cho ta hành động, là bí quyết của sự thành công. Mục tiêu là thứ giúp chúng ta tồn tại và đi mãi trên những đoạn đường đời. Một khi chúng ta mất mục tiêu, mất phương hướng thì chúng ta trở nên tiêu cực, mất hứng thú, không biết phải làm gì.
Nhà tâm lý học Ken Loughnan đã nói:”Nếu không biết mình đang đi đâu thì mọi ngọn gió đưa đẩy con thuyền đều là ngọn gió đúng và nếu bạn cứ đi theo mọi hướng gió thì thuyền của bạn sẽ chạy lòng vòng”.
Có thể lấy ví dụ minh họa về tầm quan trọng của việc đặt mục tiêu trong cuộc sống: như khi xem 1 trận bóng đá. Điều gì sẽ xảy ra khi trận bóng này hoàn toàn không có khung thành? Lúc này các cầu thủ trên sân có thể di chuyển, có thể có những pha phối hợp đẹp mắt. Nhưng chắc chắn một điều rằng: trận đấu này sẽ nhàm chán cho cả khán giả lẫn chính các cầu thủ. Vì khi không có khung thành, các cầu thủ sẽ không cómục tiêu để thi đấu; khán giả sẽ không có mục tiêu để thưởng thức.
4.2. Mục tiêu, phân loại và đặc điểm mục tiêu
4.2.1. Mục tiêu
Nếu đặt câu hỏi với mọi người: mục tiêu chính trong cuộc đời họ là gì, thông thường câu trả lời sẽ là: “Tôi muốn thành công. Tôi muốn hạnh phúc. Tôi muốn có cuộc sống khá giả”… Thật ra, tất cả những điều đó là mơ ước, không phải là một mục tiêu theo đúng nghĩa.
Mục tiêu là kết quả cuối cùng mà chúng ta mong muốn để thực hiện một mục đích trong một khoảng thời hạn xác định.
Hoặc có thể công thức hóa:
Mục tiêu = kết quả mong muốn của một mục đích + thời hạn để thực hiện.
Với toàn bộ cuộc đời thì: mục tiêu cuộc đời là thành quả cao nhất của mục đích sống mà ta mong muốn đạt được trong cả cuộc đời mình.
Hay có tóm lược qua công thức: Mục tiêu cuộc đời = thành quả tốt nhất của mục đích sống của bạn + toàn bộ cuộc đời bạn.
4.2.2. Phân loại mục tiêu
Một mục tiêu có thể là mục tiêu trước mắt, ngắn hạn, trung hạn hoặc mục tiêu dài hạn:
– Trước mắt: trong vòng 1-2 tháng;
– Ngắn hạn: trong vòng 1 năm;
– Trung hạn: trong vòng 3 năm;
– Dài hạn:trong vòng 5 năm.
– Mục tiêu có thể dài hơn 5 năm, nhưng khi đó nó có thể gần như trở thành mục tiêu cuộc đời. Đặt ra mục tiêu cho bản thân là điều rất trọng.
Nếu không, tầm nhìn của bạn sẽ bị hạn chế. Mục tiêu sẽ dễ đạt hơn nếu nó được chia nhỏ ra (thành các mục tiêu có thời hạn ngắn hơn) và lần lượt thực hiện. “Đường đời tính bằng dặm thì rất khó, nhưng tính bằng mét thì lại là dễ dàng.” (Gean Gordon).
4.3. Thiết lập mục tiêu
4.3.1. Nguyên nhân làm việc thiếu mục tiêu Có nhiều nguyên nhân lý giải tại sao nhiều người không đặt ra mục tiêu cho mình, có thể liệt kê một số nguyên nhân chính như sau:
1. Không tin / không nhận ra tầm quan trọng của mục tiêu;
2. Sợ thất bại;
3. Sợ bị chê cười;
4. Thiếu tham vọng;
5. Thiếu kiến thức trong việc thiết lập mục tiêu;
6. Chần chừ, tâm lý: đến đâu hay đó;
7. Thiếu động lực và cảm hứng;
8. Thái độ bi quan, lo ngại cạm bẫy hơn là tin tưởng vào năng lực bảnthân.
4.3.2. Các nguyên tắc thiết lập mục tiêu
Locke và Latham trong “Học thuyết về Thiết lập mục tiêu và Hiệu suất làm việc” (1990) đã nhấn mạnh sự cần thiết phải đặt ra mục tiêu cụ thể chỉ ra năm nguyên tắc để thiết lập mục tiêu:
1. Rõ ràng
2. Thách thức
3. Cam kết
4. Phản hồi
5. Độ phức tạp của công việc.
Cụ thể là:
1. Rõ ràng Một mục tiêu rõ ràng đi kèm với thời gian cụ thể sẽ dễ mang lại thành công cho người thực hiện vì họ có thể biết rõ những gì sẽ đạt được và sử dụng chính kết quả đó làm động lực cho mình. Còn khi đặt ra một mục tiêu mơ hồ hoặc chỉ là chỉ dẫn chung chung như “Hãy tích cực”, sẽ ít tạo được động lực. Để có được điều này, có thể sử dụng phương pháp SMART (sẽ được đề cập trong mục 4.4.2.).
Khi sử dụng quy tắc SMART để thiết lập mục tiêu, thì sẽ đảm bảo được tính rõ ràng của mục tiêu thông qua tiêu chuẩn cụ thể.
2. Thách thức Một trong những đặc điểm quan trọng nhất của mục tiêu là mức độ thách thức. Khi thiết lập mục tiêu, hãy biến mỗi mục tiêu trở thành một thách thức, bởi nếu mục tiêu quá dễ dàng thường làm giảm hứng thú làm việc. Mục tiêu đúng mức sẽ làm mọi người ai cũng phấn khích trước thành công, kết quả đạt được. Một khi biết rằng thành công đó sẽ đón nhận nồng nhiệt, mọi người sẽ có một động lực tự nhiên để làm tốt việc đó. Ngược lại, mục tiêu phải thực tế. Nếu đặt ra một mục tiêu quá khó, không khả thi sẽ khiến mọi người dễ nản chí(hơn cả việc thiết lập một mục tiêu dễ dàng).
3. Cam kết Mục tiêu muốn hiệu quả phải được mọi người hiểu rõ và đồng thuận. Bởi vì mọi người chỉ thấy hứng thú với một mục tiêu nếu họ có tham gia tạo ra mục tiêu đó. Chính vì vậy, cần nhấn mạnh phải yêu cầu mọi người cùng tham gia thiết lập mục tiêu và đưa ra quyết định. Hãy khuyến khích mọi người phát triển mục tiêu riêng và thông báo cho họ biết về những việc đang xảy ra trong tổ chức. Nhờ đó, mọi người có thể biết rằng mục tiêu của họ phù hợp với tầm nhìn tổng thể và mục đích mà công ty đang tìm kiếm. Điều đó không có nghĩa là mục tiêu nào cũng phải được toàn thể nhân viên tham gia và đồng thuận mà chỉ có nghĩa là mục tiêu phải nhất quán và phù hợp với kỳ vọng và mối quan tâm của cơ quan, công ty; và được mọi người tin rằng mục tiêu này phù hợp với các mục tiêu chung, lúc đó sẽ có sự cam kết.
5. Độ phức tạp của nhiệm vụ Yếu tố cuối cùng trong việc thiết lập mục tiêu là cần đặc biệt chú ý đến những mục tiêu hoặc nhiệm vụ phức tạp để không bị quá tải trong công việc. Những thành viên đang gánh vác những nhiệm vụ phức tạp thường đã có sẵn động cơ làm việc rất cao.
Tuy nhiên, có thể họ sẽ ép mình quá sức nếu không tính thêm yếu tố “đo lường” vào kỳ vọng mục tiêu nhằm tính toán độ phức tạp của nhiệm vụ.
Do đó, cần chú ý một số chi tiết sau:
* Tăng thêm quỹ thời gian cho thành viên đó để đáp ứng mục tiêu hoặc cải thiện hiệu suất làm việc.
* Tăng cường huấn luyện, thực hành hay học hỏi them cho thành viên đó. Khi hiểu được các nguyên tắc thiết lập mục tiêu, bạn có thể áp dụng chúng để thiết lập mục tiêu cá nhân và mục tiêu nhóm một cách hiệu quả.
4.3.3. Các bước thiết lập mục tiêu
Một mục tiêu thường bao gồm những cấp độ khác nhau. Đầu tiên, cần phải xác định được mục tiêu cốt lõi. Cần phải tự vẽ ra “bức tranh” tổng quát để hoàn thành mục tiêu đó. Sau đó, hãy chia nhỏ “bức tranh” này ra thành những bước cụ thể rồi lần lượt hoàn thành những bước này.
Do đó, bước đầu tiên để xác định mục tiêu cá nhân là mỗi người phải xem xét cái gì thật sự bản thân muốn đạt được trong cuộc đời. Khi đã xác định mục tiêu cuối cùng, mỗi người sẽ nhìn thấy được bức tranh tổng thể về những gì mình phải làm, và khi phải ra quyết định trước việc gì đó, hãy dựa trên bức tranh tổng thể đó.
Khi đã có được mục tiêu cốt lõi trong cuộc sống, hãy lập kế hoạch và chia ra thành những bước nhỏ để có thể thực hiện trong 1 tháng, 2 tháng, 3 tháng hay 1 năm… và thực hiện từng bước một sẽ giúp bạn dễ dàng đạt được mục tiêu đã đặt ra. Sau đó, hãy liệt kê ra những việc cần làm trong 1 ngày và phải bảo đảm rằng những việc này phải dựa trên mục tiêu cốt lõi đã đề ra.
Nói chung, để thiết lập một mục tiêu, có thể tiến hành theo các bước sau đây nhằm có được mục tiêu được thích hợp:
– Mục tiêu dài hạn / trung hạn/ ngắn hạn đặt ra là gì?
– Những lợi ích khi đạt mục tiêu?
– Những trở ngại trong quá trình thực hiện là gì?
– Cần học và làm những gì?
– Ai là người động viên?
– Kế hoạch, thứ tự ưu tiên, các bước tiến hành?
– Khi nào hoàn thành?
Hình 4.2:Mục tiêu cần có tiến độ thực hiện
4.4. Các công cụ hỗ trợ thiết lập mục tiêu
4.4.1. Phân tích SWOT
Phân tích SWOT ngày càng được ứng dụng rộng rãi trong hầu hết các ngành nghề, cả trong kinh doanh lẫn các lĩnh vực khác.
SWOT là viết tắt những chữ cái đầu tiên của các từ tiếng Anh: Strengths (Điểm mạnh), Weaknesses (Điểm yếu), Opportunities (Cơ hội) và Threats (Thách thức). Phân tích SWOT là một công cụ rất hiệu quả để xác định các ưu điểm, khuyết điểm của một tổ chức, cá nhân; chỉ ra các cơ hội để phát triển và cả thách thức, nguy cơ mà cá nhân, tổ chức đó có thể sẽ phải đối mặt.
Hình 4.3:Phân tích SWOT – Một công cụ quan trọng Một số ý tưởng gợi ý cho việc phân tích SWOTdành cho cá nhân có thể tham khảo như sau: – Strengths (Điểm mạnh): Điểm mạnhlà những ưu điểm, những tố chất nổi trội xác thực và rõ ràng.
Ví dụ như:
+ Trình độ chuyên môn;
+ Có nền tảng đào tạo tốt;
+ Có mối quan hệ rộng và vững chắc;
+ Có trách nhiệm, sự tận tâm và niềm đam mê công việc;
+ Có khả năng phản ứng nhạy bén nhanh đối với công việc.
– Weaknesses (Điểm yếu): Cụ thể như:
+ Những tính cách không phù hợp với công việc, những thói quen làm việc tiêu cực;
+ Thiếu kinh nghiệm công tác hoặc kinh nghiệm không thích hợp;
+Thiếu sự đào tạo chính quy, bài bản;
+ Hạn chế về các mối quan hệ;
+ Thiếu sự định hướng hay chưa có mục tiêu rõ ràng;
+ Kỹ năng nghề nghiệp chưa cao.
– Opportunities (Cơ hội): Cơ hội là những sự việc đến từ bên ngoài,có thể bất ngờ không đoán trước được. Chúng có thể là những đòn bẩy tiềm năng mang lại nhiều cơ hội thành công, ví dụ như:
+ Các xu hướng triển vọng;
+ Nền kinh tế phát triển bùng nổ;
+ Cơ hội nghề nghiệp mới rộng mở;
+ Một dự án đầy hứa hẹn được giao cho;
+ Học hỏi được những kỹ năng hay kinh nghiệm mới;
+ Sự xuất hiện của công nghệ mới;
+ Những chính sách mới được ban hành.
– Threats (Thách thức): Thách thức là các trở ngại,các yếu tố gây ra các tác động tiêu cực cho sự việc, mức độ ảnh hưởng của chúng còn tùy thuộc vào những hành động đáp ứng. Các thách thức có thể gặp phải là:
+ Sự cơ cấu và tổ chức lại ngành nghề;
+ Những áp lực khi thị trường biến động;
+ Một số kỹ năng trở nên lỗi thời;
+ Không chuẩn bị sẵn sàng với phát triển của công nghệ;
+ Sự cạnh tranh gay gắt với công ty cũng như với cá nhân khác; Để tiến hành làm mô hình SWOT cần:
+ Lập một bảng gồm bốn ô, tương ứng với bốn yếu tố của mô hình SWOT.
+ Trong mỗi ô, viết ra các đánh giá dưới dạng gạch đầu dòng, càng rõ ràng càng tốt.
+ Thẳng thắn và không bỏ sót trong quá trình thống kê. Nên quan tâm đến những quan điểm của mọi người.
+ Biên tập lại. xóa bỏ những điểm trùng lặp, gạch chân những đặc điểm riêng biệt, quan trọng.
+ Phân tích ý nghĩa của chúng.
+ Vạch rõ những hành động cần làm, như củng cố các kỹ năng quan trọng, loại bỏ các mặt còn hạn chế, khai thác các cơ hội, bảo vệ bản thân khỏi các nguy cơ, rủi ro.
+ Định kỳ cập nhật biểu đồ SWOT, làm tăng thêm tính hoàn thiện và hiệu quả cho kế hoạch.
4.4.2. Phương pháp SMART
SMART trong tiếng Anh có nghĩa là thông minh. SMART từ lâu đã được gắn liền với việc thiết lập mục tiêu: đó là phương thiết lập mục tiêu SMART. Cụ thể là:
S-Specific (Cụ thể)
M-Measurable (Đo lường được)
A-Attainable/ Achievable (Tính khả thi)
R-Relevant/Realistic (Tính phù hợp thực tế)
T-Timebound/Timeliness (Hạn định thời gian).
Có thể phần nào hình dung ra được cách thiết lập mục tiêu theo phương pháp SMART trong hình 4.4.
Hình 4.4: Phương pháp SMART hỗ trợ xác định mục tiêu
Các phần cụ thể cho việc thiết lập mục tiêu một cách SMART như sau:
S – Specific:
Cụ thể Một mục tiêu phải được thiết kế một cách cụ thể, rõ ràng. Mục tiêu càng cụ thể, rõ ràng càng dễ theo đuổi để đạt được. Một trong những cách dùng để xác định một mục tiêu cụ thể là tưởng tượng về chúng. Chẳng hạn, mục tiêu trong 10 năm tới của ta là mua một ngôi nhà đẹp, nhưng cụ thể ngôi nhà này như thế nào? Có thể hình dung cụ thể hơn như: nó rộng bao nhiêu? Vị trí ở vùng nào? Màu sơn là gì? Có bao nhiêu phòng? Sân vườn sẽ được thiết kế ra sao?… Càng hình dung rõ ràng mục tiêu, ta càng biết chính xác những gì cần phải làm để đạt được nó. M – Measurable: Đo lường được Mục tiêu phải được gắn liền với các con số, đong đo đếm được. Nguyên tắc này đảm bảo mục tiêu định lượng, có thể cân, đo, đong, đếm được. Ta biết được chính xác những gì mình cần đạt được. Chẳng hạn, bạn muốn uống nhiều nước trong ngày để đảm bảo sức khỏe. Cần đưa ra con số: như 2 lít. Những con số rõ ràng được đặt ra cũng tựa như đòn bẩy nâng tinh thần, động lực để nỗ lực đạt được điều mình muốn. Nếu không, khó tạo cho mình niềm mong muốn để tập trung vào mục tiêu, và dễ bỏ cuộc.
A – Attainable:
Tính khả thi Tính khả thi cũng là một yếu tố vô cùng quan trọng khi đưa ra một mục tiêu. Cần phaỉ suy nghĩ về độ khó của mục tiêu, khả năng bản thân trước khi đề ra một chỉ tiêu tránh việc bỏ cuộc giữa chừng do khó khăn quá mức. Nhưng như vậy không có nghĩa là chỉ lập các mục tiêu dễ dàng, đơn giản. Vì mục tiêu dễ dàng sẽ làm giảm sự thích thú và được thách thức. Mục tiêu cần có một ít sự thách đố về sự kiên trì, nỗ lực của bản thân. Do đó, cần biết lượng sức mình, cân nhắc mức độ khó của mục tiêu. Ví dụ: nếu vì muốn giảm cân mà đưa ra mục tiêu giảm 10kg trong vòng 1 tháng, thì rõ ràng đó thực sự là một mục tiêu không thực tế.
R – Realistic:
Tính thực tế Mục tiêu được đề ra không nên quá xa vời với thực tế, cần xét mối tương quan với mục tiêu chung. Cần tính toán xem khả năng, vật chất, thời gian, nguồn hỗ trợ…xem bạn có thực hiện được mục tiêu không. Tính thực tế cần được chứng minh bằng những sự kiện và số liệu thực tế.
T – Time bound:
Thời hạn cho mục tiêu Giống như một cuộc hẹn cần thời hạn, bất cứ một mục tiêu lớn nhỏ nào cũng cần được xác định một thời gian cụ thể để hoàn thành. Nó tạo cho ta một điểm đích, xác định thời điểm cho ta nhận thành quả, phần thưởng, bước lên đài chiến thắng. Nó cũng là chỉ báo, một sự đốc thúc cho ta biết trong quá trình cố gắng thực hiện, ta đang đi đến đâu trong cuộc hành trình và kịp thời điều chỉnh tiến độ.
4.4.3. Phương pháp bản đồ tư duy
Bản đồ tư duy (hay sơ đồ tư duy: mindmap) là phương pháp được đưa ra như là một công cụ tốt để tận dụng khả năng ghi nhận hình ảnh của bộ não. Đây là cách để ghi nhớ chi tiết, để tổng hợp, hay để phân tích một vấn đề ra thành một dạng của lược đồ phân nhánh.
Khác với máy tính, ngoài khả năng ghi nhớ kiểu tuyến tính (ghi nhớ theo một trình tự nhất định), thì não bộ còn có khả năng liên lạc, liên hệ các dữ kiện với nhau. Phương pháp này khai thác cả hai khả năng này của bộ não.
– Để thiết lập một bản đồ tư duy ta có thể tiến hành theo các bước sau:
+ Viết hay vẽ đề tài của mục tiêu, đối tượng xuống giữa trang giấy và vẽ một vòng bao bọc nó. Nên sử dụng bút màu để nâng cao chất lượng, tác động và vận tốc ghi nhớ. Nếu dùng chữ viết thay hình ảnh, thì hãy cô đọng nó thành một từ khóa chính (như ở hình 4.5. là TIME chẳng hạn).
+ Đối với mỗi ý quan trọng, vẽ một đường cong (hay một đường có mũi tên ở đầu tùy theo quan hệ từ đối tượng trung tâm đối với ý phụ bên ngoài), đường phân nhánh xuất phát từ hình trung tâm và nối với một ý phụ.
+ Từ mỗi ý quan trọng, lại vẽ các đường cong phân nhánh mới với các ý phụ bổ sung cho ý đó.
+ Từ các ý phụ này lại, mở ra các phân nhánh chi tiết cho mỗi ý.
+ Tiếp tục vẽ hình phân nhánh các ý cho đến khi đạt được giản đồ chi tiết nhất (hình rễ cây mà gốc chính là mục tiêu, đối tượng, đề tài đang làm việc). Phương pháp này sẽ được trình bày thêm ở chương 7.
Cập nhật thông tin chi tiết về Chương 4: Phân Bố Liên Tục trên website 2atlantic.edu.vn. Hy vọng nội dung bài viết sẽ đáp ứng được nhu cầu của bạn, chúng tôi sẽ thường xuyên cập nhật mới nội dung để bạn nhận được thông tin nhanh chóng và chính xác nhất. Chúc bạn một ngày tốt lành!