Minőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás
|
|
- Lőrinc Faragó
- 5 évvel ezelőtt
- Látták:
Átírás
1 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 folyamatokban fellépő hibákat? Ellenőrző-(szabályozó-)kártyák működése 1 Minőségellenőrzés Minőségszabályozás Elsődleges cél Ellenőrzés és szabályozás Elsődleges cél A minőség elérésének útja A tevékenység hangsúlya Módszerek Minőségügyi szakemberek és szervezet szerepe Felelősség a minőségért Minőség megközelítése, orientáció Hiba megállapítása Minőségi problémák megállapítása Homogén termék Szabványosítás és mérés Ellenőrzés, válogatás, számítások elvégzése, minősítés Minőségellenőrzési részleg Minőség ellenőrzése A minőség elérésének útja A tevékenység hangsúlya Módszerek Minőségügyi szakemberek és szervezet szerepe Felelősség a minőségért Minőség megközelítése, orientáció Minőségi problémák megállapítása Homogén termék kevesebb ellenőrzés mellett Statisztikai eszközök és technikák Hibaelhárítás és statisztikai eszközök alkalmazása Termelő és egyéb részlegek Minőség szabályozása 3 4 Ellenőrzés Szabályozás A termék nemmegfelelőségénekmegállapítása helyett, a folyamatban fellépő hibák, zavarokazonosítása és kiküszöbölése a cél. F. W. Taylor W. Shewhart selejt észlelése folyamatra ható zavarok észlelése termék folyamat Mikor jó egy folyamat? Minden termék egyforma, és pontosan megfelel az előírásoknak. Lehetséges ez? Miért különböznek a termékek?
2 Folyamatok szabályozása Folyamatra ható zavarok Beavatkozás a folyamatba Információ a teljesítményről Beavatkozás a kimenetbe Véletlen: állandóan jelenlevő, nagyszámú, a folyamatot csak kissé befolyásoló zavarok, hatások Példa: sör töltési térfogata, ml Folyamat - emberek - eszközök - anyagok - módszerek SPC rendszer Folyamat kimenet Folyamatra ható zavarok Veszélyes, rendszeres: időszakosan jelentkező, kis számban előforduló, a folyamatra nagy hatással lévő zavarok Példa: köszörülés utáni felületi érdesség Folyamatra ható zavarok Kiugró, egyedi érték: egyetlen, a többi értéktől jelentősen különböző adat Példa: potenciométer ellenállása, ohm Elméleti eloszlások STATISZTIKAI ALAPOK Diszkrét eloszlások Karakterisztikus eloszlás Diszkrét egyenletes Binomiális(Hipergeometrikus) Poisson Folytonos eloszlások Folytonos egyenletes Exponenciális Normális (Gauss-) Weibull Statisztikai eloszlások: Sutdent-, F-, Khi-négyzet, stb
3 Normális (Gauss-) eloszlás Statisztikai elemzés f 1 x) = e σ π ( x µ ) ( σ Matematikai statisztika: következtetés tapasztalati adatokból az elméleti tulajdonságokra, jellemzőkre. Eloszlás közepe: M(ξ)= E(ξ) = µ Eloszlás szélessége : D(ξ) = σ µ-σ µ µ+σ Mintavételi alapelvek EMLÉKEZTETŐ (?) Következtetés hibái EMLÉKEZTETŐ (?) Sokaság F(x), M(ξ), D(ξ). Mintavétel Következtetés F n (x), Me, s* Minta A minta minősítése a sokaságról jó rossz jó Sokaság Nincs hiba ε Elsőfajú hiba, α rossz Másodfajú hiba, β Nincs hiba e Szabályozottság fogalma Szabályozatlan a rendszer Szabályozott a rendszer Képesség értelmezése Nem képes kielégíteni a vevő igényeit Képes kielégíteni a vevő igényeit
4 Statisztikai folyamatszabályozás Folyamatszabályozási rendszer (Statistical Process Control, SPC) Feladata: Folyamatok jellemzőinek meghatározott határok között tartása Zavarhatások rendszeres figyelése, elemzése, kiküszöbölése, ill. hatásuk csökkentése Célja: A folyamat végeredményének minőségét változatlan szinten tartani (megfelelő képesség, szabályozott állapot) SPC rendszer felépítése SPC Ellenőrzőkártyák Képesség és szabályozottság elemzés Hibaelemzések Adat és információs bázis 0 1 SPC eszközei Adatrögzítő lapok Hisztogram Pareto-elemzés Halszálka (Ishikawa-)diagram Szóródás diagram Futó diagram (Run chart) Ellenőrzőkártyák Képesség-indexek Gauss-papíros ábrázolás (R&R vizsgálat) Stb. Minőségképesség-elemzés Stabil, szabályozott gyártási folyamat (csak véletlen hibák időben állandó ingadozás) A folyamat, művelet, gép: Képes-e kielégíteni a vevők elvárásait? Képessége az előírásokon belül van? Célja: a gyártási folyamatra ható véletlenzavarok hatásainak és mértékének megismerése; ezek alapján döntés: a vizsgált folyamat képes-e egy adott minőségszintű termék gyártására vagy sem? 3 Minőségképesség-elemzés Típusai: Folyamatképesség Gép-(művelet-)képesség Módszerei: Grafikus ábrázolás Képesség-indexek Gép- vagy folyamatképesség? Különbség a mintavételben van. (!) Gép Gép- v. folyamatképesség Folyamat Ember, gép, anyag, módszer, környezet Cm n=5-10 n=5-10 n=5-10 n=5-10 n=5-10 n=5-10 Cmk n= Cp, Cpk idő 4 5 4
5 Grafikus ábrázolás Adatok ábrázolása vonaldiagramon és hisztogramon Grafikus ábrázolás Adatok ábrázolása vonaldiagramon és hisztogramon Ránézésre megállapítható, hogy az adatok a tűréshatárok között mozognak-e. A középérték eltolódott a felső tűréshatár felé Hisztogram Minőségképesség-indexek C p FTH ATH = 6 σ C p = 1 ± 3σ α = 0,7 % 8 9 Elvárás a C p -vel szemben C p σ-ás Hibaarány határ [ppm] 1,00 ± ,33 ±4 63,5 1,67 ±5 0,57,00 ±6 0,00 Minőségképesség-indexek C p = 1 C p = 1 C p FTH ATH = 6 σ
6 C pk index C pk µ ATH FTH µ = ; 3 σ 3 σ min C p, C pk indexek kapcsolata 0 < C p < + - < C pk C p FTH-µ µ-ath Példa: C p = 1,36 C pk = 0,9 Értékeljük a folyamat minőségképességét Cp =,0 Cpk =,0 C pk változása Cpk = -1,0 Cpk = 0,0 Cpk = 1,0 FTH Előírás ATH Folyamatteljesítmény Pp, Ppk rövid távú vizsgálatok (Cp, Cpk) hosszú távú vizsgálat Minőségképesség-elemzés Példa: Adja meg a kristálycukor adagoló automata folyamatképességi-indexeit, ha az előírás 50±5g és a töltési tömeg N(49,95; 1,003) eloszlással ATH jellemezhető! Előírás FTH ,003 1,66 3 ; 3 49,9545 ; 5549,95 3 1, ,003 1,645;1,678 1,645 Minőségképesség-elemzés Példa: Hasonlítsunk össze két folyamatot, mindkettőre az előírás 100±1. Az egyikben legyen =0, és =99,5; a másikban =0,4 és = , 1,67 ; , , ;10199,5 3 0, 0,83;1,5 0, ,4 0,83 ; ,4 ; ,4 0,83;0,83 0,
7 Ellenőrzőkártyás szabályozás Döntés a A szabályozott jellemzô Szabályozott beavatkozásról és a beavatkozási határok jellemzô képegybevetése zése Kártyák működésének elvi alapjai FTH FBH Beavatkozás a technológiai folyamat belsô törvényszeruségeinek ismeretében Technológiai- és termékjellemzô mérése Ember Anyag Módszer Gép Eszköz Környezet ABH ATH Beavatkozási határok tervezése FTH FBH ABH ATH Ellenőrzőkártyák fajtái Minősítéses kártyák np-kártya(selejtszám) c-kártya(hibaszám) p-kártya(selejtarány) u-kártya(fajlagos hibaszám) Méréses kártyák egyedi érték kártya átlag, medián kártya szórás, terjedelem kártya Egyéb speciális kártyák Kártyák használata A mérendő változó meghatározása Mintaelemszám meghatározása Előzetes mintavétel a paraméterek becslésére Beavatkozási határok kiszámolása, ábrázolás Szabályozottság vizsgálata Kártya alkalmazása a gyártásban Nem véletlen hatások Kiugró érték Eltolódás, elállítódás Folyamatos eltolódás, trend Ciklusok Keverék eloszlás (Túl kis ingadozás)
8 Mintázatok 9 egymás utáni pont a középső vonal egyik oldalán helyezkedik el. 6 egymás utáni pont egyirányú menetet mutat. 14 egymás utáni pont le-föl ingadozik. 3 egymás utáni pont közül az A zónában vagy azon kívül van. Mintázatok folyt. 5 egymás utáni pont közül 4 a B zónába vagy azon kívülre esik 15 egymást követő pont a C zónában van. 8 egymást követő pont a C zónán kívül Beavatkozási határok számolása Szükséges alapadatok: - a célállapot statisztikai jellemzői F 0 (x), M 0 (ξ), D 0 (ξ). - elsőfajú hiba, α - mintaszám, n - a β-hoz kapcsolódó alternatív (zavar) állapot statisztikai jellemzői F 1 (x), M 1 (ξ), D 1 (ξ). A számítás gyakorlati menete Számolandó: - ABH, FBH beavatkozási határok - β, másodfajú hiba Beavatkozási határok számolása 3σ-ás modell ABH = középérték - 3 szórás FBH = középérték + 3 szórás Példa Műanyag padló 1 m -re eső felületi hibáinak átlagos száma db. A folyamatot szabályozni szeretnénk α=10%-os elsőfajú hiba mellett. 1. Tervezze meg a beavatkozási határt!.mekkora a másodfajú hiba mértéke, ha a hibaszám 4-re nő? 3. Tervezze meg a beavatkozási határt 3σ-ás modellel! A fenti zavarhatás fellépésekor, mekkora a másodfajú hiba? Példa 1. rész Poisson-eloszlás p k λ 0 = k p k 0 0,1353 0, 1 0,707 0,707 0,1 3 0, , , ,010 0,8571 0,9473 FBH = 5 α k
9 k p k 0 1 0,0183 0,0733 0, 0,1465 0,1 3 0, , , , ,0595 β = 0, 689 Példa. rész p k β λ 0 = λ 1 = k Példa 3. rész 3σ-ás modell ABH= 3 =,4 ABH = 0 FBH = + 3 = 6,4 FBH = 7 6 p k k = 0 β =? = 0, Példa - (Normális eloszlás) Egy szabályozott gyártási folyamatban a kritikus minőségi jellemző µ 0 = 3,1 cm 3, σ 0 =0,08 cm 3 normális eloszlást követ. a.) Számolja ki a µ 0 ±σ 0 beavatkozási határok esetén n=1 elemű mintavétel mellett az elsőfajú hiba valószínűségét! b.) Mekkora a másodfajú hiba valószínűsége, ha a várható érték µ 1 = 3,3 cm 3 -re változott? Példa - (Normális eloszlás) n = 1 β α/ µ 0 =3,1 µ 1 =3,3 FBH=3,6 cm 3 α/ ABH=,94 cm 3 α = 4,56% β=p(abh<ξ 1 <FBH) = 30,85% Példa - (Normális eloszlás) c.) Mekkora az első és másodfajú hiba valószínűsége, µ 0 ±3σ 0 beavatkozási határok valamint n=1 és n=4 elemű mintavétel mellett? α/ α/ α = 0,7% Példa - (Normális eloszlás) n = 41 σ x 0,08 = = 0,04 4 β =,8 µ 0 =3,1 µ 1 =3,3 FBH=3,34 cm 3 FBH=3, cm 3 ABH=,98 cm 3 ABH=,86 cm 3 β= 69,15%
10 Beavatkozási határok számolása 3s-ás modell szerint FBH = középérték + 3 szórás ABH = középérték - 3 szórás Például az átlagkártya esetén: 3 R FBH = x + = x + A R d n 3 R ABH = x = x A R d n szórás becslése az ún. terjedelem módszer segítségével Kártyák használata A mérendő változó meghatározása Mintaelemszám meghatározása Előzetes mintavétel a paraméterek becslésére Határok számolása, ábrázolás Kártya alkalmazása Nem véletlen hatások Kiugró érték Eltolódás, elállítódás Folyamatos eltolódás, trend Ciklusok Keverék eloszlás Túl kis ingadozás Mintázatok 9 egymás utáni pont a középső vonal egyik oldalán helyezkedik el. 6 egymás utáni pont egyirányú menetet mutat. 14 egymás utáni pont le-föl ingadozik. 3 egymás utáni pont közül az A zónában vagy azon kívül van Mintázatok folyt. 5 egymás utáni pont közül 4 a B zónába vagy azon kívülre esik 15 egymást követő pont a C zónában van. 8 egymást követő pont a C zónán kívül. ARL meghatározása ARL = Average Run Length, várható sorozathossz ARL = P ( határon kívülre esés) Szabályozott állapotban: ARL= 1/α Adott eltolódásnál: ARL= 1/(1-β)
11 ARL számolása α = 0,057 Szabályozott állapotban: ARL= 1/α = 18,97 β = 0,689 Adott eltolódásnál: ARL= 1/(1-β) =,69 α = 0,0046 3σ-ás modell Szabályozott állapotban: ARL= 1/α = 17,39 β = 0,8894 Adott eltolódásnál: ARL= 1/(1-β) = 9, ARL számolása β = 0,689 Adott eltolódásnál: ARL= 1/(1-β) =, α = 0,0046 Szabályozott állapotban: ARL= 1/α = 17,39 0,0,,4 β = 0,8894,6,8 3,0 3, 3,4 3,6 3,8 4,0 4, 4,4 4, Átlag-kártya használata Több elemű mintát tudunk venni. Ha viszonylag nagyobb eltérések várhatók. Kis eltérések nem okoznak nagy gondot. Mintavételi költség viszonylag alacsony. A folyamat nem trend v. ciklikus jellegű. Egyedi érték kártya (Mozgó terjedelem kártya) Szakaszos technológia Lassú gyártás Automatikus (100%-os) ellenőrzés Drága a mérés Termékjellemző Egyedi érték kártya Ingadozás mérése a mozgó terjedelmekkel történik. MR i = xi xi 1 ˆ σ = MR d n = Egyéb méréses kártyák Mozgóátlag kártya (MA) Exponenciálisan súlyozott mozgóátlag kártya (EWMA) Kumulált összegek kártya (CUSUM) Regressziós ellenőrző kártya stb
12 Minősítéses kártyák Használjuk, Minősítéses kártyák np-kártya (selejtszám) c-kártya (hibaszám) p-kártya (selejtarány) u-kártya (fajlagos hibaszám) Nincs méréses jellemző ill. nehezen mérhető, bonyolult a mérés. Bonyolult a folyamat ill. összetett a termék. Olcsóbb mint a méréses kártya alkalmazása VAR1 VAR1 (Proportion (Proportion per per Sample) Sample) Példa P P CHART: CHART: Mean: Mean: Sigma: Sigma: Average Average N: N: Összefoglalás Véletlen, veszélyes hibák SPC Képesség, szabályozottság Folyamat- és gépképesség C p, C pk, Ellenőrzőkártyás szabályozás P p, P pk, Ellenőrzőkártyák fajtái Samples Samples Beavatkozási határok számolása KÖSZÖNÖM A FIGYELMET! Erdei János MENEDZSMENT ÉS VÁLLALATGAZDASÁGTAN TANSZÉK ÜZLETI TUDOMÁNYOK INTÉZET GAZDASÁG- ÉS TÁRSADALOMTUDOMÁNYI KAR erdei@mvt.bme.hu 1
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
RészletesebbenDefine 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
RészletesebbenMinőségmenedzsment (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
RészletesebbenTájékoztató. Normális (Gauss-) eloszlás. Következtetés hibái. Mintavételi alapelvek. Minőségmenedzsment módszerek (SPC) 3σmás szabály.
Minőségmenedzsment módszerek (SPC) Erdei János Tájékoztató Előadó: Erdei János Tematika: Minőségmenedzsment módszerek Folyamatszabályozás logikája, eszközei, mintavételes átvételi minőség-ellenőrzés alapjai
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 249 215. Mérőeszköz-képességelemzés
RészletesebbenMINŐSÉGÜGYI 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
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 247 Adatgyűjtő lap 200. A probléma
RészletesebbenBudapesti 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
RészletesebbenKockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése
Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenKockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével
Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése
Részletesebbenbiometria 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
RészletesebbenMINİSÉGSZABÁLYOZÁS. 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
RészletesebbenErdei 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
RészletesebbenStatistical 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
RészletesebbenHat Szigma Zöldöves Tanfolyam Tematikája
Hat Szigma Zöldöves Tanfolyam Tematikája Megjegyzések: A tanfolyamon haszáljuk: - Minitab statisztikai (demo) és - Companion by Minitab projektek menedzselésére szolgáló (demo) szoftvert, átadunk: - egy
RészletesebbenStatisztika - 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
RészletesebbenKosztyán Zsolt Tibor Katona Attila Imre
Kockázatalapú többváltozós szabályozó kártya kidolgozása a mérési bizonytalanság figyelembe vételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia
Részletesebben[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
RészletesebbenKockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével
Kockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenIATF 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)
RészletesebbenGVMST22GNC 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
Részletesebbene (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:
RészletesebbenHanthy 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
RészletesebbenWIL-ZONE TANÁCSADÓ IRODA
WIL-ZONE TANÁCSADÓ IRODA Berényi Vilmos vegyész, analitikai kémiai szakmérnök akkreditált minőségügyi rendszermenedzser regisztrált vezető felülvizsgáló Telefon és fax: 06-33-319-117 E-mail: info@wil-zone.hu
RészletesebbenKockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén
Kockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia program Projekt
RészletesebbenHipotézis 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
RészletesebbenBevezetés 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 -
RészletesebbenNagy 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
RészletesebbenVéletlen 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
Részletesebben4. 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.
RészletesebbenTermelés- és szolgáltatásmenedzsment
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése
RészletesebbenMinőség-képességi index (Process capability)
Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
Részletesebben6. 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
RészletesebbenMINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár
MINİSÉGBIZTOSÍTÁS egyetemi tanár 3. ELİADÁS 2011. Február 21. NYME FMK TGYI 2006.08.28. 1. fólia FMEA A HIBAELEMZÉSI MÓDSZEREK GYAKORLATI KOMBINÁLÁSA NYME FMK TGYI 2006.08.28. 1/2. fólia FMEA TIPHIB Elnevezés:
RészletesebbenHipotézis, 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
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenYou created this PDF from an application that is not licensed to print to novapdf printer (
4.6 4. 4.8 4.4 4.0 4.6 4. 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 Run: Run: Run: Run: 4 Run: 5 Run: 6 4.6 4. 4.8 4.4 4.0 4.6 4. 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenMinőségelmélet kommunikációs dosszié MINŐSÉGELMÉLET. Anyagmérnök mesterképzés (MsC) Tantárgyi kommunikációs dosszié
MINŐSÉGELMÉLET Anyagmérnök mesterképzés (MsC) Tantárgyi kommunikációs dosszié MISKOLCI EGYETEM Műszaki Anyagtudományi Kar Energia- és Minőségügyi Intézet Minőségügyi Intézeti Kihelyezett Tanszék MISKOLC,
RészletesebbenSTATISZTIKA 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
RészletesebbenKözlemény. 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
RészletesebbenA képzés elvégzése tökéletes alapot nyújt a lean menedzsment megismeréséhez is.
MINŐSÉGMENEDZSMENT A KÉPZÉSRŐL Minőségmenedzsment képzésünk segítségével a résztvevők az alapfogalmak megismerésén túl többek között az általános, szabványos (ISO 9000-es sorozat) és az ágazat-specifikus
RészletesebbenA 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:
RészletesebbenMinőségirányítási 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
RészletesebbenNYF-MMFK Műszaki Alapozó és Gépgyártástechnológia Tanszék gépészmérnöki szak III. évfolyam
Tantárgy neve: INFORMATIKÁVAL TÁMOGATOTT MINŐSÉGMENEDZSMENT Tantárgy kódja: GM 2503 Meghirdetés féléve: 5. Össz-óraszám (elm. + gyak.): 28 5. 14 1 1 14 14 Összesen: 14 14 Előfeltétel (tantárgyi kód): GM
RészletesebbenIntervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
RészletesebbenSTATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69)
STATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69) 1. AZ ISO SZABVÁNYOK TÉRKÉPE 2. A SZABVÁNYOK BEMUTATÁSA 3. HASZNÁLATI TANÁCSOK 4. A STATISZTIKAI SZABVÁNYOK ÉS AZ ISO 9001 5. JAVASLATOK
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenSzámítógépes 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
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
Részletesebben10. 11. Előadás A folyamatok szabályozása statisztikai alapon
10. 11. Előadás A folyamatok szabályozása statisztikai alapon 10. - Képességi és beállítottsági mutatók 11. - Szabályozókártyák BMF RKK BTRI Minőségirányítási Intézeti Tanszél 1 Folyamatok szabályozása
Részletesebben1. 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
RészletesebbenI. GÉPKÉPESSÉG-VIZSGÁLAT
I. GÉPKÉPESSÉG-VIZSGÁLAT Jelen esettanulmány [1] felhasználásával készült. A minőség és megbízhatóság kapcsolatrendszerének értelmezésénél említettük, hogy a termelő berendezések esetében a két fogalom
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenIII. Képességvizsgálatok
Képességvizsgálatok 7 A folyamatképesség vizsgálata A 3 fejezetben láttuk, hogy ahhoz, hogy egy folyamat jellemzıjét a múltbeli viselkedése alapján egy jövıbeni idıpontra kiszámíthassuk (pontosabban, hogy
RészletesebbenSorozatmérés digitális mérőórával 3.
Mechatronika, Optika és Gépészeti Informatika Tanszék kiadva: 2012.02.12. Sorozatmérés digitális mérőórával 3. A mérések helyszíne: D. épület 523-as terem. Az aktuális mérési segédletek a MOGI Tanszék
RészletesebbenEgymintás próbák. Alapkérdés: populáció <paramétere/tulajdonsága> megegyezik-e egy referencia paraméter értékkel/tulajdonsággal?
Egymintás próbák σ s μ m Alapkérdés: A populáció egy adott megegyezik-e egy referencia paraméter értékkel/tulajdonsággal? egymintás t-próba Wilcoxon-féle előjeles
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenFolyadékszcintillációs spektroszkópia jegyz könyv
Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés
RészletesebbenKabos: 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,
RészletesebbenStatisztika 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[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 =
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenSTATISZTIKA. 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)
RészletesebbenMi 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
RészletesebbenBudapesti kihelyezett Six Sigma képzés
Partner a változásban Budapesti kihelyezett Six Sigma képzés 2018. ősz Green Belt képzési tematika Draft tájékoztató 2 1 GB képzés tematika: a tartalmi elemek fő fejezetei A képzés jellemzően az alábbiakban
RészletesebbenKiválasztás. 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
RészletesebbenStatisztikai folyamatszabályozás Minitab szoftverrel
Statisztikai folyamatszabályozás Minitab szoftverrel A Minitab általános statisztikai szoftvert elsősorban statisztikai feladatok megoldására (oktatásra és minőségfejlesztésre) használják, és másodsorban
RészletesebbenBiometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem
Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem Előadások-gyakorlatok 2018-ban (13 alkalom) IX.12, 19, 26, X. 3, 10, 17, 24, XI. 7, 14,
RészletesebbenTartalomjegyzék 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
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenTöbb 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[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenStatisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus
Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus Gyakorisági sorok Mennyiségi ismérv jellemző rangsor készítünk. (pl. napi jegyeladások száma) A gyakorisági sor képzése igazából tömörítést jelent Nagyszámú
RészletesebbenAnyagvizsgálati 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
RészletesebbenBAGME11NNF 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
RészletesebbenSTATISZTIKA 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
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenAz SPC (statisztikai folyamatszabályozás) ingadozásai
A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenHipotéziselmélet - 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
RészletesebbenA 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
RészletesebbenStatisztika 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
RészletesebbenStatisztikai alapfogalmak a klinikai kutatásban. Molnár Zsolt PTE, AITI
Statisztikai alapfogalmak a klinikai kutatásban Molnár Zsolt PTE, AITI Bevezetés Research vs. Science Kutatás Tudomány Szerkezeti háttér hiánya Önkéntesek (lelkes kisebbség) Beosztottak (parancsot teljesítő
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenValószínűségszámítás 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:
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
RészletesebbenMérési 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
RészletesebbenKontrol kártyák használata a laboratóriumi gyakorlatban
Kontrol kártyák használata a laboratóriumi gyakorlatban Rikker Tamás tudományos igazgató WESSLING Közhasznú Nonprofit Kft. 2013. január 17. Kis történelem 1920-as években, a Bell Laboratórium telefonjainak
RészletesebbenNemparaméteres 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
RészletesebbenBiometria az orvosi gyakorlatban. Számítógépes döntéstámogatás
SZDT-01 p. 1/23 Biometria az orvosi gyakorlatban Számítógépes döntéstámogatás Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Gyakorlat SZDT-01 p.
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
Részletesebben