MINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "MINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár"

Átírás

1 MINİSÉGBIZTOSÍTÁS egyetemi tanár 3. ELİADÁS Február 21. NYME FMK TGYI fólia

2 FMEA A HIBAELEMZÉSI MÓDSZEREK GYAKORLATI KOMBINÁLÁSA NYME FMK TGYI /2. fólia

3 FMEA TIPHIB Elnevezés: TIPikus HIBaforrás Információhiányos esetben, pl. új termék, új szolgáltatás; új folyamat, új igények Jól felkészült, heterogén összetételő szakmai team tipikus hibákat határoz meg tapasztalati, szubjektív alapon A team az elıforduló hibákat feltérképezi, majd ezeket csoportosítja, rendezi, esetleg súlyozza, rangsorolja. NYME FMK TGYI /2. fólia

4 FMEA TIPHIB alapú kiindulás SZŐKÍTÉS TIPHIB FELTÁRÁS ISHIKAWA SÚLYOZÁS FMEA MEGOLDÁSKERESÉS DOE, ABC NYME FMK TGYI /2. fólia

5 FMEA TIPHIB alapú kiindulás 1. a legnagyobb súlyszámú tipikus hibák meghatározása szakmai, tapasztalati alapon a TIPHIB módszerrel; 2. a legnagyobb súlyszámú tipikus hibákra az ISHIKAWA diagramm felvétele; 3. az ok-okozati ( ISHIKAWA ) diagram lehetséges okainak súlyozása szakmai, tapasztalati alapon, esetlegesen FMEA módszerrel; 4. a legfontosabb okokra kísérletek tervezése, végrehajtása és elemzése, ill. szisztematikus adat- és információgyőjtés megtervezése és végrehajtása ( ABC elemzés). NYME FMK TGYI /2. fólia

6 FMEA FMEA alapú kiindulás SÚLYOZÁS FMEA ISHIKAWA FELTÁRÁS SZŐKÍTÉS ABC ABC SZŐKÍTÉS FELTÁRÁS ISHIKAWA MEGOLDÁSKERESÉS FMEA DOE NYME FMK TGYI /2. fólia

7 FMEA alapú kiindulás NYME FMK TGYI /2. fólia FMEA 1. a legnagyobb rizikószámú hibák meghatározása FMEA módszerrel; 2. a: a legnagyobb rizikószámú hibákra az ISHIKAWA diagram felvétele; 3.a: a célzott ISHIKAWA diagram okain súlyozás, rangsorolás, és a legsúlyosabb hibákra ABC- Pareto elemzések megtervezése, elıkészítése és végrehajtása; részletes ok-okozati elemzések, kísérlettervek a befolyásolás, csökkentés lehetıségeire; vagy 2.b: a legnagyobb rizikószámú hibákra az ABC-Pareto elemzés megtervezése, elıkészítése és végrehajtása; 3.2: a végrehajtott ABC-Pareto elemzés A, kritikus hibáira célzott, szőkített ISHIKAWA diagram(ok) felvétele.

8 ISHIKAWA alapú kiindulás FMEA FELTÁRÁS ISHIKAWA SZŐKÍTÉS TIPHIB v. ABC SÚLYOZÁS, MEGOLDÁSKERESÉS FMEA MEGOLDÁSKERESÉS DOE, ABC NYME FMK TGYI /2. fólia

9 FMEA ISHIKAWA alapú kiindulás 1. teljeskörő ISHIKAWA diagram felvétele; 2. az ISHIKAWA diagram lehetséges hibáin TIPHIB ( vagy ABC-Pareto ) alapú hibasúlyozás, hibaszőkítés; 3. a tipikus, vagy A hibákra az FMEA hibaelemzés elvégzése. NYME FMK TGYI /2. fólia

10 FMEA ABC alapú kiindulás SZŐKÍTÉS ABC ISHIKAWA CÉLZOTT FELTÁRÁS SÚLYOZÁS FMEA FMEA SÚLYOZÁS FELTÁRÁS ISHIKAWA MEGOLDÁSKERESÉS DOE NYME FMK TGYI /2. fólia

11 FMEA ABC-Pareto alapú kiindulás 1. az eddigi adatok és/vagy információk alapján az ABC-Pareto diagram felvétele, az A, kritikus hibák meghatározása; 2.a: az A, kritikus hibákra a teljeskörő ISHIKAWA diagram felvétele, majd súlyozás, rangsorolás, és a legsúlyosabb hibákra vonatkozóan részletes ok-okozati elemzések, kísérlettervek a befolyásolás, csökkentés lehetıségeire; 3.a: a legsúlyosabbnak ítélt hibaokokra szisztematikus FMEA elemzés(ek) elvégzése az értelemszerő lépésektıl, akár több fázisban is; vagy 2.b: az A, kritikus hibákra az FMEA végrehajtása a második lépéstıl kezdve; 3.b: esetben az FMEA legmagasabb rizikószámú eseteire ISHIKAWA diagram(ok) szisztematikus felvétele. NYME FMK TGYI /2. fólia

12 FMEA STATISZTIKAI FOLYAMATSZABÁLYOZÁS NYME FMK TGYI /2. fólia

13 A folyamatra (minıségre) ható tényezık A hibaelemzı módszereknél azt néztük, vannak-e kiugró, kritikus hibák, amelyek a szabályozás kivételei. Ezekkel foglalkozni kell; minıségjavító szabályozásra van szükség. A statisztikai módszerekkel a hibaokok alakulását figyeljük. A minıségjellemzıket (amiket mérünk, regisztrálunk), sok hatás alakítja. (Például egy alkatrész méretének pontosságát befolyásolja a beállítás pontossága; a gép jellemzıi, mozgó elemei; a megvezetés pontossága, a szerszám állapota; az alapanyag állapota, jellemzıi; stb. A bevonat egyenletessége pedig az alkatrész síkhibáitól, a lakk viszkozitásától, az elıtolás nagyságától, a hengernyomástól, esetleg az öntıfej-rés szélességétıl és folyadéknyomástól függ.) Ezért a minıségjellemzık konkrét értékei ingadoznak. A cél az, hogy ez az ingadozás olyan elfogadható határok között maradjon, amelyek között a termék vagy elem kifogástalanul betölti szerepét. NYME FMK TGYI fólia

14 A folyamatra (minıségre) ható tényezık A minıségjellemz gjellemzıket nem kívánatosan k befolyásol soló tényezık: zavarok (hibatényez nyezık, hibaokok)

15 A folyamatra (minıségre) ható tényezık A befolyásoló tényezık csoportosítása : 1. VÉLETLEN ZAVAROK : jól szabályozott ( kézbentartott ) folyamat szabályozási sávja 2. VESZÉLYES ZAVAROK : azonnal jelentıs mértékő eltérést okoznak 3. EGYEDI ( DURVA ) ZAVAROK : egyszeri, érthetetlen, szélsıséges hatás

16 A folyamatra (minıségre) ható tényezık 1. VÉLETLEN ZAVAROK : 1.1 egyedileg csekély hatás 1.2 számuk jelentıs, de hatásuk eltérı 1.3 sávjuk a szabályozottság lehetséges szintje 1.4 sávjuk ( szórásuk ) csökkentése csak hosszútávon lehetséges, és nehezebb a többinél

17 A folyamatra (minıségre) ható tényezık 2. VESZÉLYES ZAVAROK : 2.1 egyedileg jelentıs hatás 2.2 számuk csekély, de hatásuk jelentıs és eltérı 2.3 a kis szám és a jelentıs hatás miatt felismerésük lehetséges 2.4 hatásuk megszüntetése azonnal, rövidtávon szükséges, és általában könnyebb a többinél

18 A folyamatra (minıségre) ható tényezık 3. EGYEDI ZAVAROK : 3.1 egyedileg általában igen durva hatás 3.2 elıfordulásuk és hatásuk igen szeszélyes 3.3 felismerésük a durva hatás ellenére sem könnyő minden esetben 3.4 hatásuk megszüntetése célirányosan, középtávon szükséges, és célszerő; az okok feltárásakészült is a Nemzeti igen szeszélyes esélyő

19 95 FTH ATH 75 A folyamatra (minıségre) ható tényezık V1 V2 vs2 veszélyesek=vi vs1 V3 V4 egyedi 1 vs4 egyedi 2 vs3 V5 véletlen sávok = vsi

20 A folyamatra (minıségre) ható tényezık Stabilitás és s képessk pességvizsgálat A folyamatok stabilitása sa A folyamat stabil (szabályozott) = ellenırz rzés s alatti (in( control): csak véletlenszerv letlenszerő hatások vannak a minıségjellemz gjellemzı értékei meghatározott, konkrét t eloszlást st követnek, k amely idıben állandó. A folyamat nem stabil(szabályozatlan) lyozatlan) = ellenırizetlen (out of control): rendkívüli (veszélyes, egyedi) hatások is jelen vannak a minıségjellemz gjellemzı értékei idırıl l idıre változv ltozó,, vagy szabálytalan eloszlást st követnek. k

21 A folyamatra (minıségre) ható tényezık f(x)= t 1 σ 2π Stabil folyamat: csak véletlen v zavarok vannak! normális eloszlás Sőrőségfüggvény: -(x-µ t ) e 2 2 σ 2 f ( x ) = σ 1 2π e ( x µ ) 2σ 2 2 µ t xtx

22 A folyamatra (minıségre) ható tényezık Normális eloszlás Eloszlásf sfüggvény: x t F F(x)= tx = f(u) xf du x x - ( ) ( )dx 1 0,5 µ t x tx

23 A folyamatra (minıségre) ható tényezık A normális eloszlás s fıbb f jellemzıi 0,003 % 99,994 % 0,003 % 0,135 % 99,73 % 0,135 % 95,44 % gyakoriság 68,26 % inflexiós pont x -3s -2s -1s 1s 2s 3s a mért jellemzı x -4s 4s

24 u A folyamatra (minıségre) ható tényezık u = x σ µ

25 A folyamatra (minıségre) ható tényezık Stabil folyamat: csak véletlen v zavarok! Központi határeloszl reloszlás s tétele t tele alapján Normális eloszlású

26 A folyamatra (minıségre) ható tényezık Stabil folyamat: Normális eloszlás Nem normális eloszlás kórképei ferde leválogatott bimodális csúcsos csos egyenletes

27 Illeszkedésvizsgálatok grafikusan b c

28 Illeszkedésvizsgálatok grafikusan b c

29 Illeszkedésvizsgálatok b

30 Illeszkedésvizsgálatok grafikusan b c

31 Illeszkedésvizsgálatok b

32 Illeszkedésvizsgálatok b c

33 Illeszkedésvizsgálatok grafikusan mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm b c

34 A folyamatra (minıségre) ható tényezık Illeszkedésvizsg svizsgálat grafikus módszerrel m valósz színőségi háló (Gauss-háló) F -1 3 x 2 0, ,9772 u = x µ σ ,8413 0,5 0, , ,

35 A folyamatra (minıségre) ható tényezık Illeszkedésvizsg svizsgálat grafikus módszerrel m valósz színőségi háló (Gauss-pap papír) µ u = x x ia alsó határ Osztályok x if felsı határ n i talált elemek száma n i u F ( ) if n x if F = σ n ( x ) i j= 1 if n j n = x = ( ) 1 F n x if <= 16,75 0 0,00-2,68 0,0037 0,00 16,75 17,50 1 0,02-2,05 0,0201 0,02 17, ,50 18,25 3 0,06-1,43 0,0770 0,08 18, ,25 19,00 4 0,08-0,80 0,2122 0,16 18, ,00 19, ,26-0,17 0,4317 0,42 19, ,75 20, ,32 0,45 0,6753 0,74 20, ,50 21,25 6 0,12 1,08 0,8602 0,86 21, ,25 22,00 3 0,06 1,71 0,9562 0,92 21, ,00 4 0,08 1,0000 1,00 Összesen: n = 50

36 A folyamatra (minıségre) ható tényezık Illeszkedésvizsg svizsgálat grafikus módszerrelm F -1 n (x if ) Gauss-háló x f

37 Illeszkedésvizsgálatok grafikusan mmmmmmmmmmmmmmmmmmmmm b c

38 Illeszkedésvizsgálatok grafikusan mmmmmmmmmmmmmmmmmmmmm b c

39 A folyamatra (minıségre) ható tényezık Stabil folyamat: csak véletlen v zavarok! Illeszkedésvizsg svizsgálat statisztikai próbával - χ 2 próba próbastatisztika bastatisztika: ( n n p ) k j j = 1 n p j j 2 Megfigyelések száma Osztályok

40 A folyamatra (minıségre) ható tényezık Illeszkedésvizsg svizsgálat statisztikai próbával - χ 2 próba Osztályközök x ia alsó határ x if felsı határ n i talált elemek száma (db) n i uia u if ( ) n F F( ) x ia x if p i = = F ( xif ) F ( xia ) n ( ) 2 p i n n i p i ( n n p ) <= 16,75 0 0, ,68 0,0000 0,0037 0,0037 0,1846 0,0341 0, ,75 17,50 1 0,02-2,68-2,05 0,0037 0,0201 0,0164 0,8189 0,0328 0, ,50 18,25 3 0,06-2,05-1,43 0,0201 0,0770 0,0569 2,8462 0,0237 0, ,25 19,00 4 0,08-1,43-0,80 0,0770 0,2122 0,1352 6,7595 7,6150 1, ,00 19, ,26-0,80-0,17 0,2122 0,4317 0, ,9739 4,1049 0, ,75 20, ,32-0,17 0,45 0,4317 0,6753 0, , ,5802 1, ,50 21,25 6 0,12 0,45 1,08 0,6753 0,8602 0,1849 9, ,5380 1, ,25 22,00 3 0,06 1,08 1,71 0,8602 0,9562 0,0960 4,7983 3,2338 0, ,00 4 0,08 1,71 0,9562 1,0000 0,0438 2,1908 3,2733 1,4941 Összesen: n = 50 3,35239 i n p i i 2 χ 2 = < χ 2 krit = 5,99 df=2 (összevon( sszevonás s után), p=

41 A folyamatra (minıségre) ható tényezık Stabil folyamat: az eloszlásjellemz sjellemzık k az idı függvényében nem változnakv Szabályozatlan, nem stabil Szabályozott, stabil Szabályozatlan, nem stabil

Minőségirányítási rendszerek 1. előadás

Minőségirányítási rendszerek 1. előadás Minőségirányítási rendszerek 1. előadás 2013.02.15. Dr. Szabó Gábor Csaba, valamint Dr. Topár József (BME GTK Menedzsment és Vállaltgazdaságtan Tanszék) előadásfóliáinak felhasználásával összeállította

Részletesebben

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Bedzsula Bálint gyakornok Menedzsment és Vállalatgazdaságtan Tanszék Q. épület A.314. bedzsula@mvt.bme.hu http://doodle.com/bedzsula.mvt Az előző előadás

Részletesebben

STATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)

STATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm) Normális eloszlás sűrűségfüggvénye STATISZTIKA 9. gyakorlat Konfidencia intervallumok f σ π ( µ ) σ ( ) = e /56 p 45% 4% 35% 3% 5% % 5% % 5% Normális eloszlás sűrűségfüggvénye % 46 47 48 49 5 5 5 53 54

Részletesebben

Minőségirányítási rendszerek 3. előadás

Minőségirányítási rendszerek 3. előadás Minőségirányítási rendszerek 3. előadás 2013.03.01. Minőségbiztosítás HIBAELEMZŐ TECHNIKÁK ISHIKAWA diagram Kockázatelemzés hibafával NYME FMK TGYI 2006.08.28. 56. fólia Minőségbiztosítás HALSZÁLKA, ISHIKAWA,

Részletesebben

MINİSÉGBIZTOSÍTÁS. Tantárgy óraszáma: 2+2+0 (elıadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul.

MINİSÉGBIZTOSÍTÁS. Tantárgy óraszáma: 2+2+0 (elıadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul. MINİSÉGBIZTOSÍTÁS egyetemi tanár Tantárgy óraszáma: 2+2+0 (elıadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul. NYME FMK TGYI 2006.08.28. 1. fólia Minıségbiztosítás A tantárgy

Részletesebben

MINİSÉGBIZTOSÍTÁS 12. ELİADÁS Május 9. Összeállította: Dr. Kovács Zsolt egyetemi tanár

MINİSÉGBIZTOSÍTÁS 12. ELİADÁS Május 9. Összeállította: Dr. Kovács Zsolt egyetemi tanár MINİSÉGBIZTOSÍTÁS Összeállította: Dr. Kovács Zsolt egyetemi tanár 12. ELİADÁS 2011. Május 9. NyME FMK Terméktervezési és Gyártástechnológiai Intézet http://tgyi.fmk.nyme.hu NYME FMK TGYI 2006.08.28. 1.

Részletesebben

Minőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás

Minőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Erdei János Miről lesz szó? Mit értünk folyamatok stabilitásán, szabályozottságán? Mit jelent a folyamatképesség, és hogyan mérhetjük azt? Hogyan vehetjük észre a

Részletesebben

Statisztikai módszerek

Statisztikai módszerek Statisztikai módszerek A hibaelemzı módszereknél azt néztük, vannak-e kiugró, kritikus hibák, amelyek a szabályozás kivételei. Ezekkel foglalkozni kell; minıségavító szabályozásra van szükség. A statisztikai

Részletesebben

MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK. Dr. Drégelyi-Kiss Ágota ÓE BGK

MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK. Dr. Drégelyi-Kiss Ágota ÓE BGK MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK Dr. Drégelyi-Kiss Ágota ÓE BGK e-mail: dregelyi.agota@bgk.uni-obuda.hu 1 STATISZTIKA CÉLJA Sokaság Következtetés bizonytalansága Véletlenszerű és reprezentatív mintavétel

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján

Részletesebben

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus

Részletesebben

Nemparaméteres próbák

Nemparaméteres próbák Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu

Részletesebben

MINŐSÉGBIZTOSÍTÁS. Tantárgy óraszáma: 2+1+0 (előadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul.

MINŐSÉGBIZTOSÍTÁS. Tantárgy óraszáma: 2+1+0 (előadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul. MINŐSÉGBIZTOSÍTÁS egyetemi tanár Tantárgy óraszáma: 2+1+0 (előadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul. NYME FMK TGYI 2006.08.28. 1/1. fólia A tantárgy az alábbi

Részletesebben

17. Folyamatszabályozás módszerei

17. Folyamatszabályozás módszerei 17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 247 Adatgyűjtő lap 200. A probléma

Részletesebben

MINİSÉGBIZTOSÍTÁS. Tantárgy óraszáma: 2+1+0 (elıadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul.

MINİSÉGBIZTOSÍTÁS. Tantárgy óraszáma: 2+1+0 (elıadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul. MINİSÉGBIZTOSÍTÁS egyetemi tanár Tantárgy óraszáma: 2+1+0 (elıadás, gyakorlat, labor) Tantárgy kreditpontja: 3 A tantárgy kollokviummal zárul. NYME FMK TGYI 2006.08.28. 1. fólia A tantárgy az alábbi témakörök

Részletesebben

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma: Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:

Részletesebben

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools):

IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools): APQP IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools): PPAP (Production Part Approval Process) Gyártás jóváhagyási folyamat APQP (Advanced Product Quality Planning and Control Plans)

Részletesebben

Matematikai alapok és valószínőségszámítás. Normál eloszlás

Matematikai alapok és valószínőségszámítás. Normál eloszlás Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak

Részletesebben

MINŐSÉGMENEDZSMENT ALAPJAI. 7. előadás Folyamatfejlesztési modellek és módszerek 1. (minőségmenedzsment módszerek) Bedzsula Bálint

MINŐSÉGMENEDZSMENT ALAPJAI. 7. előadás Folyamatfejlesztési modellek és módszerek 1. (minőségmenedzsment módszerek) Bedzsula Bálint MINŐSÉGMENEDZSMENT ALAPJAI 7. előadás Folyamatfejlesztési modellek és módszerek 1. (minőségmenedzsment módszerek) bedzsula@mvt.bme.hu Amiről szó lesz ma Választ adok a következőkre: Mi jellemzi a minőségmenedzsment

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

Biostatisztika VIII. Mátyus László. 19 October

Biostatisztika VIII. Mátyus László. 19 October Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus. Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

Minőségmenedzsment módszerek

Minőségmenedzsment módszerek Minőségmenedzsment módszerek A folyamatjavítás eszközei Brainstorming Ok-okozati elemzés Pareto-elemzés Ellenőrzőkártya Hisztogram 2 A minőségfejlesztés módszerei A gond ott kezdődik, hogy Az alternatívák

Részletesebben

TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I.

TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I. TERMÉKEK MŐSZAKI TERVEZÉSE Megbízhatóságra, élettartamra tervezés I. Dr. Kovács Zsolt egyetemi tanár Megbízhatóság-elméleti alapok A megbízhatóságelmélet az a komplex tudományág, amely a meghibásodási

Részletesebben

Normális eloszlás paramétereire vonatkozó próbák

Normális eloszlás paramétereire vonatkozó próbák Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

Statistical Process Control (SPC), Statisztikai Folyamatszabályozás

Statistical Process Control (SPC), Statisztikai Folyamatszabályozás Statistical Process Control (), Statisztikai Folyamatszabályozás 1 2 2 A statisztikai folyamatszabályozás () koncepcióját először Dr Walter Shewhart fejlesztette ki a Bell laboratóriumokban, az 1920-as

Részletesebben

Pareto-elemzés Ok-okozati elemzés FMEA elemzés Egyéb (fadiagram, TIPHIB) + 8D riport

Pareto-elemzés Ok-okozati elemzés FMEA elemzés Egyéb (fadiagram, TIPHIB) + 8D riport 183. 16. A hibaelemzés módszerei Pareto-elemzés Ok-okozati elemzés FMEA elemzés Egyéb (fadiagram, TIPHIB) + 8D riport Bedzsula Bálint 60 183. Pareto-elv A tételek viszonylag kis hányada meghatározó jelentőségű

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

Részletesebben

MINİSÉGBIZTOSÍTÁS 2. ELİADÁS Február. Összeállította: Dr. Kovács Zsolt egyetemi tanár

MINİSÉGBIZTOSÍTÁS 2. ELİADÁS Február. Összeállította: Dr. Kovács Zsolt egyetemi tanár MINİSÉGBIZTOSÍTÁS egyetemi tanár 2. ELİADÁS 2011. Február NYME FMK TGYI 2006.08.28. 1. fólia Minıségbiztosítás HIBAELEMZİ TECHNIKÁK ISHIKAWA diagram Kockázatelemzés hibafával NYME FMK TGYI 2006.08.28.

Részletesebben

A MEGBÍZHATÓSÁGI ELEMZŐ MÓDSZEREK

A MEGBÍZHATÓSÁGI ELEMZŐ MÓDSZEREK 1. Elemző módszerek A MEGBÍZHATÓSÁGI ELEMZŐ MÓDSZEREK Ebben a fejezetben röviden összefoglaljuk azokat a módszereket, amelyekkel a technikai, technológiai és üzemeltetési rendszerek megbízhatósági elemzései

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás összefoglaló Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok

Eloszlás-független módszerek (folytatás) 14. elıadás ( lecke) 27. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok Eloszlás-független módszerek (folytatás) 14. elıadás (7-8. lecke) Illeszkedés-vizsgálat 7. lecke khí-négyzet eloszlású statisztikák esetszámtáblázatok elemzésére Illeszkedés-vizsgálat Gyakorisági sorok

Részletesebben

Statisztikai módszerek 7. gyakorlat

Statisztikai módszerek 7. gyakorlat Statisztikai módszerek 7. gyakorlat A tanult nem paraméteres próbák: PRÓBA NEVE Illeszkedés-vizsgálat Χ 2 próbával Homogenitás-vizsgálat Χ 2 próbával Normalitás-vizsgálataΧ 2 próbával MIRE SZOLGÁL? A val.-i

Részletesebben

Bevezetés a hipotézisvizsgálatokba

Bevezetés a hipotézisvizsgálatokba Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -

Részletesebben

Az SPC (statisztikai folyamatszabályozás) ingadozásai

Az SPC (statisztikai folyamatszabályozás) ingadozásai A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.

Részletesebben

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek

Részletesebben

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely. Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak

Részletesebben

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi fizika és statisztika I. előadás 2016.11.09 Orvosi

Részletesebben

MINİSÉGBIZTOSÍTÁS 6. ELİADÁS Március 19. Összeállította: Dr. Kovács Zsolt egyetemi tanár

MINİSÉGBIZTOSÍTÁS 6. ELİADÁS Március 19. Összeállította: Dr. Kovács Zsolt egyetemi tanár MINİSÉGBIZTOSÍTÁS Özeállította: Dr. Kovác Zolt egyetemi taár 6. ELİADÁS 011. Márciu 19. NyME FMK Terméktervezéi é Gyártátechológiai Itézet http://tgyi.fmk.yme.hu NYME FMK TGYI 006.08.8. 1. fólia Kézült

Részletesebben

Variancia-analízis (VA)

Variancia-analízis (VA) Variancia-analízis (VA) 5. elıadás (9-10. lecke) VA lényege, alkalmazásának feltételei, adat-transzformációk 9. lecke Variancia-analízis lényege Szórások egyezésének ellenırzése A Variancia-Analízis (VA)

Részletesebben

Számítógépes döntéstámogatás. Statisztikai elemzés

Számítógépes döntéstámogatás. Statisztikai elemzés SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre

Részletesebben

Szépmővészeti Múzeum térszint alatti bıvítése: A projekt idıt befolyásoló kockázatok értékelése. Készítette: Kassai Eszter Rónafalvi György

Szépmővészeti Múzeum térszint alatti bıvítése: A projekt idıt befolyásoló kockázatok értékelése. Készítette: Kassai Eszter Rónafalvi György Szépmővészeti Múzeum térszint alatti bıvítése: A projekt idıt befolyásoló kockázatok értékelése Készítette: Kassai Eszter Rónafalvi György Tartalom A kockázatról általában A kockázatelemzés folyamata Az

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

Hanthy László Tel.: 06 20 9420052

Hanthy László Tel.: 06 20 9420052 Hanthy László Tel.: 06 20 9420052 Néhány probléma a gyártási folyamatok statisztikai szabályzásával kapcsolatban Miben kellene segíteni az SPC alkalmazóit? Hanthy László T: 06(20)9420052 Megválaszolandó

Részletesebben

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő

Részletesebben

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább

Részletesebben

Normális eloszlás tesztje

Normális eloszlás tesztje Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum

Részletesebben

6. Előadás. Vereb György, DE OEC BSI, október 12.

6. Előadás. Vereb György, DE OEC BSI, október 12. 6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás

Részletesebben

Mérnökgeodéziai hálózatok feldolgozása

Mérnökgeodéziai hálózatok feldolgozása Mérnökgeodéziai hálózatok feldolgozása dr. Siki Zoltán siki@agt.bme.hu XIV. Földmérő Találkozó Gyergyószentmiklós 2013.05.09-12. Mérnökgeodéziai hálózatok nagy relatív pontosságú hálózatok (1/100 000,

Részletesebben

Biometria gyakorló feladatok BsC hallgatók számára

Biometria gyakorló feladatok BsC hallgatók számára Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

MINİSÉGBIZTOSÍTÁS. 8. ELİADÁS Mérıeszköz megfelelıség Mérıeszköz-képesség vizsgálat. 2011. Április 4. Összeállította: Dr. Kovács Zsolt egyetemi tanár

MINİSÉGBIZTOSÍTÁS. 8. ELİADÁS Mérıeszköz megfelelıség Mérıeszköz-képesség vizsgálat. 2011. Április 4. Összeállította: Dr. Kovács Zsolt egyetemi tanár MINİSÉGBIZTOSÍTÁS Összeállította: Dr. Kovács Zsolt egyetemi tanár 8. ELİADÁS Mérıeszköz megfelelıség Mérıeszköz-képesség vizsgálat 011. Április 4. NyME FMK Terméktervezési és Gyártástechnológiai Intézet

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett

Részletesebben

Egyszempontos variancia analízis. Statisztika I., 5. alkalom

Egyszempontos variancia analízis. Statisztika I., 5. alkalom Statisztika I., 5. alkalom Számos t-próba versus variancia analízis Kreativitás vizsgálata -nık -férfiak ->kétmintás t-próba I. Fajú hiba=α Kreativitás vizsgálata -informatikusok -építészek -színészek

Részletesebben

Termelés- és szolgáltatásmenedzsment

Termelés- és szolgáltatásmenedzsment Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése

Részletesebben

Populációbecslés és monitoring. Eloszlások és alapstatisztikák

Populációbecslés és monitoring. Eloszlások és alapstatisztikák Populációbecslés és monitoring Eloszlások és alapstatisztikák Eloszlások Az eloszlás megadja, hogy milyen valószínűséggel kapunk egy adott intervallumba tartozó értéket, ha egy olyan populációból veszünk

Részletesebben

Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János

Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM KÖZLEKEDÉSMÉRNÖKI KAR JÁRMŐELEMEK ÉS HAJTÁSOK TANSZÉK Jármőtervezés és vizsgálat I. VALÓSZÍNŐSÉGSZÁMÍTÁSI ALAPFOGALMAK Dr. Márialigeti János Budapest 2008

Részletesebben

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi

Részletesebben

y ij = µ + α i + e ij

y ij = µ + α i + e ij Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai

Részletesebben

Erdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány

Erdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány Budapesti Műszaki- és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállalkozásgazdaságtan Tanszék Erdei János egyetemi adjunktus Minőség- és megbízhatóság menedzsment

Részletesebben

A konfidencia intervallum képlete: x± t( α /2, df )

A konfidencia intervallum képlete: x± t( α /2, df ) 1. feladat. Egy erdőben az egy fészekben levő tojásszámokat vizsgáltuk egy madárfajnál. A következő tojásszámokat találtuk: 1, 1, 1,,,,,,, 3, 3, 3, 3, 3, 4, 4, 5, 6, 7. Mi a mintának a minimuma, maximuma,

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás, Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések

Részletesebben

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58 u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.

Részletesebben

A problémamegoldás lépései

A problémamegoldás lépései A problémamegoldás lépései A cél kitűzése, a csoportmunka megkezdése egy vagy többféle mennyiség mérése, műszaki-gazdasági (például minőségi) problémák, megoldás célszerűen csoport- (team-) munkában, külső

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás

Részletesebben

Excel segédlet Üzleti statisztika tantárgyhoz

Excel segédlet Üzleti statisztika tantárgyhoz Miskolci Egyetem Üzleti Statisztika és Előrejelzési Intézeti Tanszék Excel segédlet Üzleti statisztika tantárgyhoz. Z próba einek meghatározása óbafüggvény: x - m z = ; vagy σ/ n x - m z = ; vagy s/ n

Részletesebben

MINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia

MINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia MINİSÉGSZABÁLYOZÁS A GÉPIPARBAN Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia ISO 9000:2008 A STATISZTIKAI MÓDSZEREK HASZNÁLATÁRÓL A statisztikai módszerek

Részletesebben

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Bedzsula Bálint gyakornok Menedzsment és Vállalatgazdaságtan Tanszék Q. épület A.314. bedzsula@mvt.bme.hu http://doodle.com/bedzsula.mvt Az előző előadás

Részletesebben

MINŐSÉGFEJLESZTŐ TECHNIKÁK

MINŐSÉGFEJLESZTŐ TECHNIKÁK MINŐSÉGFEJLESZTŐ TECHNIKÁK Anyagmérnök mesterképzés (MsC) Tantárgyi kommunikációs dosszié MISKOLCI EGYETEM Műszaki Anyagtudományi Kar Energia- és Minőségügyi Intézet Minőségügyi Intézeti Kihelyezett Tanszék

Részletesebben

Statisztika Elıadások letölthetık a címrıl

Statisztika Elıadások letölthetık a címrıl Statisztika Elıadások letölthetık a http://www.cs.elte.hu/~arato/stat*.pdf címrıl Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább 1-α valószínőséggel

Részletesebben

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

Define Measure Analyze Improve Control. F(x), M(ξ),

Define Measure Analyze Improve Control. F(x), M(ξ), 5.5.5. Six Sigma Minőségmenedzsment Statisztikai folyamatszabályozási (SPC) rendszer Erdei János Egy fegyelmezett és erősen mennyiségi szemléletű folyamatfejlesztési megközelítés, amely a gyártási, szolgáltatási

Részletesebben

FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20.

FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) Kutatási terv október 20. FİBB PONTOK PIACKUTATÁS (MARKETINGKUTATÁS) 2010. október 20. A kutatási terv fogalmának, a különbözı kutatási módszerek osztályozása, a feltáró és a következtetı kutatási módszerek közötti különbségtétel

Részletesebben

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris

Részletesebben

STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)

STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687) STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)

Részletesebben

Kalibrálás és mérési bizonytalanság. Drégelyi-Kiss Ágota I

Kalibrálás és mérési bizonytalanság. Drégelyi-Kiss Ágota I Kalibrálás és mérési bizonytalanság Drégelyi-Kiss Ágota I. 120. dregelyi.agota@bgk.uni-obuda.hu Kalibrálás Azoknak a mőveleteknek az összessége, amelyekkel meghatározott feltételek mellett megállapítható

Részletesebben

Budapesti Műszaki és Gazdaságtudományi Egyetem

Budapesti Műszaki és Gazdaságtudományi Egyetem Budapesti Műszaki és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Üzleti Tudományok Intézet Menedzsment és Vállalatgazdaságtan Tanszék MINŐSÉGMENEDZSMENT ALAPJAI 11. előadás Folyamatszabályozás

Részletesebben

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta

Közlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható

Részletesebben

Eloszlás-független módszerek 13. elıadás ( lecke)

Eloszlás-független módszerek 13. elıadás ( lecke) Eloszlás-független módszerek 13. elıadás (25-26. lecke) Rangszámokon alapuló korrelációs együttható A t-próbák és a VA eloszlásmentes megfelelıi 25. lecke A Spearman-féle rangkorrelációs együttható A Kendall-féle

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre

Részletesebben

4. A méréses ellenırzı kártyák szerkesztése

4. A méréses ellenırzı kártyák szerkesztése 4. A méréses ellenırzı kártyák szerkesztése A kártyákat háromféle módon alkalmazhatjuk. Az elızetes adatfelvétel során a fı feladat az eloszlás paramétereinek (µ és σ ) becslése a további ellenırzésekhez.

Részletesebben

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H

Részletesebben

Öntött Poliamid 6 nanokompozit mechanikai és tribológiai tulajdonságainak kutatása. Andó Mátyás IV. évfolyam

Öntött Poliamid 6 nanokompozit mechanikai és tribológiai tulajdonságainak kutatása. Andó Mátyás IV. évfolyam Öntött Poliamid 6 nanokompozit mechanikai és tribológiai tulajdonságainak kutatása Andó Mátyás IV. évfolyam 2005 Kutatás célkitőzése: - a nanokompozitok tulajdonságainak feltérképezése - a jó öntéstechnológia

Részletesebben