4. példa: részfaktorterv+fold-over, centrumponttal
|
|
- Tivadar Szalai
- 5 évvel ezelőtt
- Látták:
Átírás
1 4. példa: 7-4 részfaktorterv+fold-over, centrumponttal A kísérletek célja egy speciális anyag optimális előállítási körülményeinek meghatározása volt. A célfüggvény a kihozatal %, melynek maximális értékét kell elérni. Faktorok : z reakcióidő, min; z hőmérséklet, C; z 3 fordulatszám, /min; z 4 katalizátor koncentrációja, %; z 5 felesleg, %; z 6 nyomás, bar; z 7 szennyezés-koncentráció, %.. 4 z reakcióidő, min; z hőmérséklet, C; z 3 fordulatszám, /min; z 4 katalizátor koncentrációja, %; z 5 felesleg, %; z 6 nyomás, bar; z 7 szennyezés-koncentráció, % Jellemzők z z z 3 z 4 z 5 z 6 z 7 Alapszint, z j Variációs intervallum, z j
2 Az. blokk: 7-4 rész-faktorterv, 3 ismétlés a centrumpontban: x ; x5 xx3 ; x6 xx3 ; 4 xx x x 7 xx3 i x 0 x x x 3 x 4 x 5 x 6 x 7 y, % blokk Kísérlettervezés 44
3 Factor Mean/Interc. Curvatr. ()idõ ()hõmérséklet (3)ford.szám (4)kat.konc. (5)felesleg (6)nyomás (7)szenny.konc. Effect Estimates; Var.:y; R-sqr=.9989; Adj:.9943 (4fb_exam **(7-4) design; MS Residual= DV: y Include condi tion: Blokk= Effect Std.Err. t() p Factor Confounding of Effects (4fb_exam **(7-4) design (Factors are denoted by numbers) Include condition: Blokk= Alias Alias Alias 3 *4 3*5 6*7 *4 3*6 5*7 *5 *6 4*7 * 3*7 5*6 *3 *7 4*6 *7 *3 4*5 *6 *5 3*4 45 A. blokk: fold-over (3 centrumponttal) i x 0 x x x 3 x 4 x 5 x 6 x 7 y, % blokk
4 Factor Curvatr. ()idõ ()hõmérséklet (3)ford.szám (4)kat.konc. (5)felesleg (6)nyomás (7)szenny.konc. by by 3 by 4 by 5 by 6 by 7 by 4 Confounding of Effects (4fb_exam Alias Alias Factor Mean/Interc. Blokk() Curvatr. 3*7 5*6 ()idõ *7 4*6 ()hõmérséklet 3*6 5*7 (3)ford.szám *6 4*7 (4)kat.konc. *5 3*4 (5)felesleg *3 4*5 (6)nyomás 3*5 6*7 (7)szenny.konc. by by 3 by 4 by 5 by 6 by 7 by 4 Effect Estimates; Var.:y; R-sqr=.9985; Adj: (4fb_exam 7 factors at two levels; MS Residual= DV: y Effect Std.Err. t(5) p A felesleget (x 5 ill. z 5 ) nem lehet tovább növelni. így azt a fölső szintjén rögzítették ( x ). 5 Az illesztett lineáris függvény: Yˆ x +.6x+. 30x x +. 6x A célfüggvény maximumát (optimum) az x és x független változók terében keressük tovább. 48
5 49 Box és Wilson módszere az optimum megközelítésére x x L M N R 50 p p x x f x x f x x f f grad x j ahol a j-edik koordinátatengely irányába mutató egységvektor.. ˆ,, ˆ, ˆ p p b x Y b x Y b x Y b p x p x +b x b +b x +b Y ˆ
6 A gradiens-függvény: gradyˆ b x b x b p x p A gradiens irányában úgy haladhatunk, ha az x tengely mentén b, az x tengely mentén b nagyságú stb. lépést teszünk. Az x j koordinátában az egységnyi lépés a z j eredeti fizikai skálán z j. 5 A gradiens: x 3 b A tervpontokra illesztett modell: Yˆ b 0+b x +b x 0 - b x tervpontok lépésterv 5
7 5. példa: a 4. példa folytatása; lépésterv a gradiens mentén A tervpontokra illesztett egyenlet: Yˆ x +. 6x j 0 z j z j 5.5 b j b z j j lépés.5.9 b b sorszám x x idő, min hőm., C y, % tervcentrum
8 C hőm. i n h ő m., C x x tervpontok lépésterv idő, min x példa: az 5. példa folytatása; terv az optimum közelében m sorszám idő, x y, %
9 Factor Mean/Interc. Curvatr. ()idõ ()hõmérséklet by Effect Estimates; Va r.:y; R-sqr=.98868; Adj: (6-7_exam **(-0) design; MS Residual= DV: y Include condition: Block= Effect Std.Err. t() p Másodfokú modell illesztésére alkalmas terv szükséges! 57 Másodfokú kísérleti tervek A centrum-ponti kísérletekből csak azt látjuk. hogy valamelyik faktorra nem jó a lineáris függvény. A másodfokú modell paraméterei nem becsülhetők a p és p-r tervek eredményeiből. A p kétszintes tervek kiegészíthetők háromszintesekké: 3 p. Minőségi faktorok kettőnél több szinten csak varianciaanalízissel vizsgálhatók. mert szintjeik nem értelmezhetők intervallum-skálán. 58
10 3 terv: x i x x x másodfokú terv: 60
11 A 3 p tervben az elvégzendő kísérletek száma a faktorok p számával rohamosan. a becsülhető együtthatók l száma pedig kevésbé nő: p p l Kompozíciós tervek magja egy p típusú teljes faktoros kísérleti terv (p5 esetén részfaktorterv). p csillagpont a centrumtól a távolságra és k c centrumbeli kísérlet. N= p +p+k c Az a értékének megválasztása szerint a terv lehet ortogonális vagy forgatható. Ortogonális terv és k c = esetére: A faktor szám, p A terv magja a
12 Kompozíciós terv három faktorra * * * 3 kétszintes terv centrumpont * csillagpontok a távolságra * * * 63 Box-Behnken terv 3 faktorra a terv centruma 64
13 7. példa: a terv módosítása kompozíciós tervvé blokk time Temp. y terv Csillagpontok és centrumpont 65 Factor Mean/Interc. Block() ()idõ (L) idõ (Q) ()hõmérséklet(l) hõmérséklet(q) L by L Effect Estimates; Var.:y; R-sqr=.9888; Adj:.979 (6-7_examp factors, Blocks, 4 Runs; MS Residual= DV: y Effect Std.Err. t(7) p A blokk nem szignifikáns 66
14 Factor Mean/Interc. Block() ()idõ (L) idõ (Q) ()hõmérséklet(l) hõmérséklet(q) L by L Regr. Coefficients; Var.:y; R-sqr=.9888; Adj:.979 (6-7_exam factors, Blocks, 4 Runs; MS Residual= DV: y Regressn Std.Err. t(7) p Coeff Fitted Surface; Variable: y factors, Blocks, Runs; MS Residual= DV: y
15 őm. h Fitted Surface; Variable: y factors, Blocks, Runs; MS Residual= DV: y Maximum: 9.5 min; 45.8 C; 95.6% idő A faktorok megválasztása 8. példa Észter lúgos hidrolízisét végző folyamatos működésű reaktor Könnyen változtatható faktorok: a lúgoldat és az észtert tartalmazó oldat betáplálási térfogatárama. A reaktor működését ténylegesen befolyásoló faktorok: az összes betáplált térfogatáram (az elegy közepes tartózkodási ideje) és a lúg koncentrációja. t W lúg V W észter c lúg W lúg W lúg W észter 70
16 t W lúg V W észter c lúg W lúg W lúg W észter i x x c lúg h dm 3 /h dm 3 /h t W lúg W észter 7 SCREENING PROCESS FACTORS IN THE PRESENCE OF INTERACTIONS Mark J. Anderson Patrick J. Whitcomb Stat-Ease, Inc. Stat- Ease, Inc. Minneapolis, MN 5543 Minneapolis, MN
17 Leltár p (kétszintes) teljes tervek p-r (kétszintes) rész-faktortervek hogy fogjunk neki? célkitűzés (függő változók, optimalizálás, érzékenység-vizsgálat, robusztusság) erőforrások előkísérletek a faktorok kiválasztása sokfaktoros vagy több kisebb terv? a faktorszintek megválasztása a linearitás ellenőrzése blokkokra osztás és randomizálás feltételezések és ellenőrzésük kell-e mindig statisztika? 73 Leltár (folyt) Másodfokú tervek 3 p kompozíciós Optimalizálás gradiens Szimplex Többszörös célfüggvény (d-függvény) Taguchi módszere a minőség kísérletes javítására Robusztusság 74
18 Tipikus hibák Azt tanultuk meg, hogyan elemezzünk tökéletesen végrehajtott kísérletekből kapott tökéletes adatokat A terv lényeges vonása a faktorok választott szintje (túl kicsi intervallum, túl nagy intervallum, nem megvalósítható beállítások Ha egy faktor nem szerepel a tervben, nem tudunk meg róla semmit, viszont szórást okoz A mérőrendszer alkalmasságának vizsgálata meg kell előzze a tervezett kísérleteket Gondoljunk az adatbevitel esetleges hibáira Mindig végezzünk az optimalizálás után ellenőrző-igazoló kísérleteket Instabil folyamat A hibák szerkezetének nem megfelelő kezelése 75 A normális eloszlástól való eltérés okai és kiküszöbölésük strukturált adatok multimodalitás csoportok változó körülmények kiugró értékek... lényegileg (a jelenség természete miatt) nem normális eloszlású adatok transzformáció pl. lognormális: x logaritmusa normális Box-Cox 76
19 77 78
20 3. példa Rontsuk el a Process development példát (legyen a 0. pontban a konverzió 50 helyett 40), és vegyük észre a rossz pontot! CATALYST TEMPERAT 3 PRESSURE 4 CONCENT R 5 CONVERSI 6 elront Probability Plot; Var.:elront; R-sqr=.9973; Adj: **(4-0) design; MS Residual=9. DV: elront Expected Half-Normal Values (Half-Normal Plot) (4)CONCENTR by4 by3 by *3*4 **3 by3 **4 by4 (3)PRESSURE *3*4 3by4 ()CATALYST ()TEMPERAT Interactions - Main effects and other effects Effects (Absolute Values)
21 elrontott eredeti 3 kbs ()CA ()TE (3)PR (4)CO by by by by by by ** ** *3* *3* A half-normal plot vízszintes tengelyén ekkora eltolódás van abszolút értékben, ez a 0 körüli értékeknél jól észrevehető. 8 Illesszünk modellt a szignifikánsnak bizonyult tagokkal, és vizsgáljuk meg a reziduumokat! 6 Residuals vs. Case Numbers **(4-0) design; MS Residual=.0688 DV: elront 4 Raw Residuals Case Number 8
22 y del i y Yˆ i i nélkül i 3 Residuals vs. Deleted Residuals **(4-0) design; MS Residual=.0688 DV: elront Studentized Del. Residuals Raw Residuals y i y Yˆ i i 83 Expected Half-Normal Values (Half-Normal Plot) Probability Plot; Var.:elront; R-sqr=. 4 factors at two levels DV: elront Exclude cases: 0 ()TEMPERAT ()CATALYST.5 (4)CONCENTR Probability Plot; Var.:CONVERSI;.85 R-sqr=.9999; Adj: by4 **(4-0) design; MS Residual=.5.0 (3)PRESSURE by3.65 DV: CONVERSI by **3 *3*4 *3*4 3by4 by **4 by ()TEMPERAT Interactions - Main effects and other effects Effects (Absolute Values) ()CATALYST.5 (4)CONCENTR.85 by4.0 (3)PRESSURE by3.65 by.45 *3*4 **3 by3 0.5 **4 *3*4 3by4.5 by Expected Half-Normal Values (Half-Normal Plot) Interactions - Main effects and other effects Effects (Absolute Values) 84
23 6. példa Hűha! Effect Estimates; **(5-) design DV: y Factor Effect Coeff. Mean/Interc. Curvatr. ()A ()B (3)C (4)pH (5)D by 3 by sorsz A B C ph D y Pareto Chart of Effects; Variable: y **(5-) design DV: y Curvatr (4)pH by ()B by3 ()A (3)C (5)D Effect Estimate (Absolute Value) (4)pH Expected Half-Normal Values (Half-Normal Plot) ()B Probability Plot; Var.:y; R-sqr=. **(5-) design DV: y by5 Curvatr. by ()A (3)C.5 (5)D Interactions - Main effects and other effects Effects (Absolute Values)
24 Pareto Chart of Effects; Variable: y 5 factors at two levels DV: y Exclude cases: 4 Curvatr (5)D (3)C ()A by3 ()B (4)pH Expected Half-Normal Values (Half-Normal Plot) Effect Estimate (Absolute Value).5.0 Probability Plot; Var.:y; R-sqr=. 5 factors at two levels DV: y Exclude cases: 4 (5)D (3)C 87 Curvatr. ()A by3 ()B.5 (4)pH Interactions - Main effects and other effects Effects (Absolute Values) A 4. ponttal az adatok rendellenesen viselkednek. A 4. ponttal és anélkül a hatások ellenkező előjelűek. Effect Estimates; **(5-) design DV: y Factor Effect Coeff. Mean/Interc. Curvatr. ()A ()B (3)C (4)pH (5)D by 3 by Effect Estimates; 5 factors at two levels DV: y Exclude cases: 4 Factor Effect Coeff. Mean/Interc. Curvatr. ()A ()B (3)C (4)pH (5)D by
25 A hatások kiértékelése (regresszióval) és varianciaanalízissel Factor Mean/Interc. ()CATALYST ()TEMPERAT (3)PRESSURE (4)CONCENT R by by 3 by 4 by 3 by 4 3 by 4 **3 **4 *3*4 *3*4 Effect Estimates; Var.:CONVERSI; R-sqr=.9999; Adj: (PROCDEV.S **(4-0) design; MS Residual=.5 DV: CONVERSI Effect Std.Err. t() p -95.% +95.% Coeff. Cnf.Limt Cnf.Limt ANOVA; Var.:CONVERSI; R-sqr=.9999; Adj: (PROCDEV) **(4-0) design; MS Residual=.5 DV: CONVERSI Factor SS df MS F p ()CATALYST ()TEMPERAT (3)PRESSURE (4)CONCENTR by by 3 by 4 by 3 by 4 3 by 4 **3 **4 *3*4 *3*4 Error Total SS
26 ANOVA; Var.:CONVERSI; Effect Estimates; Factor df F p ()CATALYST ()TEMPERAT (3)PRESSURE (4)CONCENTR by by by by by by ** ** *3* *3* Error Factor Mean/Interc. ()CATALYST ()TEMPERAT (3)PRESSURE (4)CONCENTR by by 3 by 4 by 3 by 4 3 by 4 **3 **4 *3*4 *3*4 t() p
4. példa: részfaktorterv+fold-over, centrumponttal
4. példa: 7-4 részfaktorterv+fold-over, centrumponttal A kísérletek célja egy speciális anyag optimális előállítási körülményeinek meghatározása volt. A célfüggvény a kihozatal %, melynek maimális értékét
Részletesebben2 p típusú teljes faktoros kísérleti tervek. Kísérlettervezés. Mit akarunk megtudni? mátrix-terv. a változók egyenkénti változtatása. x 3 x 2.
Kísérlettervezés Mit akarunk megtudni? 8 6 4 Y = β + β x + β x +... + β p x p p típusú teljes faktoros kísérleti tervek 4. 7 5 8 x 3 x 3. 6 3. x 3 x 4 x. x a) b) a változók egyenkénti változtatása mátrix-terv
RészletesebbenCritical mix. 15. példa. 2 égh. anyag. 1 oxigén. 3 ég-e. 2 van nincs 0 3 nincs van 0 4 van van 1. 1 nincs nincs 0
Critical mix 5. példa oxigén égh. anyag ég-e nincs nincs van nincs nincs van van van van égh. anyag nincs Effect Estimates; **(-) design DV: ég-e Factor Effect Coeff. Mean/Interc. ()oxigén ()égh. anyag
Részletesebben2007- FDA Pharmaceutical Quality for the 21st Century A Risk-based Approach Progress Report
A termelés zavartalanul folyik - Halló, gépterem? - Skultéti, jelentkezem. - Mennyi, Skultéti? - Harminchárom. - Mi harminchárom? - Mi mennyi, főmérnök úr? - Az, ami harminchárom. - Nem annyinak kellett
RészletesebbenMinőségjavító kísérlettervezés
. példa J.J. Pignatiello, J.S. Ramberg: J. Quality Technology, 17 198-06 (1985) kézbentartható -1 1 A: high heat temperature ( 0 F) 1840 1880 B: heating time (s) 3 5 C: transfer time (s) 10 1 D: hold down
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...
RészletesebbenTAGUCHI ÉS SHAININ. Taguchi módszere a minőség kísérletes javítására
Minőségjavító kísérlettervezés TAGUCHI ÉS SHAININ 1 Taguchi módszere a minőség kísérletes javítására 1. példa Ina Tile: sok a selejt a kemence különböző pontjain a hőmérséklet nem azonos A kemence áttervezése
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
RészletesebbenMinőségjavító kísérlettervezés TAGUCHI ÉS SHAININ
Minőségjavító kísérlettervezés TAGUCHI ÉS SHAININ 1 Taguchi módszere a minőség kísérletes javítására 1. példa Ina Tile: sok a selejt a kemence különböző pontjain a hőmérséklet nem azonos A kemence áttervezése
RészletesebbenBIOMETRIA_ANOVA_2 1 1
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenKISTERV2_ANOVA_
Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását
RészletesebbenTöbb laboratórium összehasonlítása, körmérés
Több oratórium összehasonlítása, körmérés colorative test, round robin a rendszeres hibák ellenőrzése, számszerűsítése Statistical Manual of AOAC, W. J. Youden: Statistical Techniques for Colorative Tests,
RészletesebbenGyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Kísérlettervezés témakör
Gyakorló feladatok a Kíérletek tervezée é értékelée c. tárgyól Kíérlettervezé témakör. példa Nitrálái kíérleteken a kitermelét az alái faktorok függvényéen vizgálták:. a alétromav-adagolá idee [h]. a reagáltatá
RészletesebbenSegédlet a kísérlettervezés önálló feladat megoldásához
Segédlet a kísérlettervezés önálló feladat megoldásához Ennek az ismertetőnek a célja elsősorban az, hogy segítséget nyújtson a hallgatóknak a kísérlettervezési önálló feladat helyes megoldásában. A feladat
RészletesebbenLOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála
LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála a független változó: névleges vagy sorrendi vagy folytonos skála BIOMETRIA2_NEMPARAMÉTERES_5 1 Y: visszafizeti-e a hitelt x: fizetés (életkor)
RészletesebbenA DOE (design of experiment) mint a hat szigma folyamat eszköze
A DOE (design of experiment) mint a hat szigma folyamat eszköze 2.5 Z [mils] 0.5 0-0.5 2.4.27 0.40-0.47 Y [in] - -.34-2.22 -.32 X [in] -0.42 0.48.38 2.28-2.2, feketeöves GE Consumer & Industrial A DOE
RészletesebbenPhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats
PhEur... Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats 00 80 60 0 0 00 80 60 0 0 catterplot of multiple variables against dose PhEur_.sta
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
Részletesebbeny 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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
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
RészletesebbenHőhatásnak kitett emlőssejtes tápoldatporok vizsgálata infravörös spektroszkópiai-és preparatív, lombikos minősítési módszerekkel
Hőhatásnak kitett emlőssejtes tápoldatporok vizsgálata infravörös spektroszkópiai-és preparatív, lombikos minősítési módszerekkel Szabó Éva, Gergely Szilveszter, Párta László, Zalai Dénes BME Alkalmazott
RészletesebbenSTATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
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
RészletesebbenMiért akartunk új könyvet írni?
Miért akartunk új könyvet írni? Kemény Sándor Budapesti Műszaki és Közgazdaságtudományi Egyetem, Kémiai és Környezeti Folyamatmérnöki Tanszék Szerzőtársak: Deák András, Lakné Komka Kinga, Kunovszki Péter
RészletesebbenStatisztika I. 12. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb
RészletesebbenTovábblépés. 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
RészletesebbenFogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenStatisztika II előadáslapok. 2003/4. tanév, II. félév
Statisztika II előadáslapok 3/4 tanév, II félév BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT Egyik konzervgyár vágott zöldbabot exportál A szabvány szerint az üvegek nettó töltősúlyának az átlaga 3 g, a szórása 5 g Az
RészletesebbenKorreláció, regresszió. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
Korreláció, regresszió Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet Két folytonos változó közötti kapcsolat Tegyük fel, hogy 6 hallgató a következő válaszokat adta egy felmérés
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
RészletesebbenMinitab 16 újdonságai május 18
Minitab 16 újdonságai 2010. május 18 Minitab 16 köszöntése! A Minitab statisztikai szoftver új verziója több mint hetven újdonságot tartalmaz beleértve az erősebb statisztikai képességet, egy új menüt
RészletesebbenDiszkriminancia-analízis
Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenSTATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai
Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő
RészletesebbenStatisztika II. feladatok
Statisztika II. feladatok 1. Egy női ruhákat és kiegészítőket forgalmazó üzletlánc 118 egységénél felmérést végzett arról, milyen tényezők befolyásolják a havi összbevételüket (EUR). a) Pótolja ki a táblázatok
Részletesebbeny ij e ij BIOMETRIA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 7. Előad Variancia-anal Lineáris modell ltozó bontását t jelenti.
Elmélet let BIOMETRIA 7. Előad adás Variancia-anal Lineáris modellek A magyarázat a függf ggő változó teljes heterogenitásának nak két k t részre r bontását t jelenti. A teljes heterogenitás s egyik része
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenStatisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
RészletesebbenÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)
ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18) Előadó: Lakat Károly, L.K. Quality Bt. 2017 szeptember 27 EOQ MNB Szakbizottsági ülés Minitab 18 újdonságai Session ablak megújítása
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenIdősoros elemzés. Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7.
Idősoros elemzés Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7. A felhasznált adatbázisról Elemzésemhez a tanszéki honlapon rendelkezésre bocsátott TimeSeries.xls idősoros adatgyűjtemény egyik idősorát,
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
RészletesebbenIdősoros elemzés minta
Idősoros elemzés minta Ferenci Tamás, tamas.ferenci@medstat.hu A felhasznált adatbázisról Elemzésemhez a francia frank árfolyamának 1986.01.03. és 1993.12.31. közötti értékeit használtam fel, mely idősorban
RészletesebbenGyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió
Gyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió 1. A fizetés (Y, órabér dollárban) és iskolázottság (X, elvégzett iskolai év) közti kapcsolatot vizsgáljuk az Y t α + β X 2 t +
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
RészletesebbenReiczigel Jenő, 2006 1
Reiczigel Jenő, 2006 1 Egytényezős (egyszempontos) varianciaelemzés k független minta (k kezelés vagy k csoport), a célváltozó minden csoportban normális eloszlású, a szórások azonosak, az átlagok vagy
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
RészletesebbenMiért akartunk új könyvet írni?
Miért akartunk új könyvet írni? Kemény Sándor Budapesti Műszaki és Közgazdaságtudományi Egyetem, Kémiai és Környezeti Folyamatmérnöki Tanszék Szerzőtársak: Deák András, Lakné Komka Kinga, Kunovszki Péter
Részletesebben2012. április 18. Varianciaanaĺızis
2012. április 18. Varianciaanaĺızis Varianciaanaĺızis (analysis of variance, ANOVA) Ismételt méréses ANOVA Kérdések: (1) van-e különbség a csoportok között (t-próba általánosítása), (2) van-e hatása a
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
RészletesebbenLineáris regresszió vizsgálata resampling eljárással
Lineáris regresszió vizsgálata resampling eljárással Dolgozatomban az European Social Survey (ESS) harmadik hullámának adatait fogom felhasználni, melyben a teljes nemzetközi lekérdezés feldolgozásra került,
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenFEGYVERNEKI 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,
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenANOVA összefoglaló. Min múlik?
ANOVA összefoglaló Min múlik? Kereszt vagy beágyazott? Rögzített vagy véletlen? BIOMETRIA_ANOVA5 1 I. Kereszt vagy beágyazott Két faktor viszonyát mondja meg. Ha több, mint két faktor van, akkor bármely
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
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
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
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenProblémás regressziók
Universitas Eotvos Nominata 74 203-4 - II Problémás regressziók A közönséges (OLS) és a súlyozott (WLS) legkisebb négyzetes lineáris regresszió egy p- változós lineáris egyenletrendszer megoldása. Az egyenletrendszer
RészletesebbenTöbbváltozós Regresszió-számítás
Töváltozós Regresszió-számítás 3. előadás Döntéselőkészítés módszertana Dr. Szilágyi Roland Korreláció Célja a kacsolat szorosságának mérése. Regresszió Célja a kacsolatan megfigyelhető törvényszerűség
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
RészletesebbenMotivációs diasor Ha megéri, nem baj, hogy nehéz!
Motivációs diasor Ha megéri, nem baj, hogy nehéz! Biometria - Bevezetés 1 Sertések gyógytáppal való kezelése Csoportok: Függő változó: testtömeg (DBW) Kezelt (Trial) Kezeletlen (Control) Kísérleti elrendezés:
RészletesebbenGyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016
Gyakorlat 8 1xANOVA Dr. Nyéki Lajos 2016 A probléma leírása Azt vizsgáljuk, hogy milyen hatása van a család jövedelmének a tanulók szövegértés teszten elért tanulmányi eredményeire. A minta 59 iskola adatait
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
RészletesebbenTényleg a végén és tényleg úgy kell végezni a robusztusság-vizsgálatot?
Robusztus vgy robosztus? törülköző vgy törülközű? Robusztusság 1 Tényleg végén és tényleg úgy kell végezni robusztusság-vizsgáltot? "The robustness/ruggedness of n nlyticl procedure is mesure of its cpcity
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
RészletesebbenOptimumkeresés számítógépen
C Optimumkeresés számítógépen Az optimumok megtalálása mind a gazdasági életben, mind az élet sok más területén nagy jelentőségű. A matematikában számos módszert dolgoztak ki erre a célra, például a függvények
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
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
RészletesebbenLogisztikus regresszió
Logisztikus regresszió Bekövetkezés esélye Valószínűség (P): 0 és 1 közötti valós szám, az esemény bekövetkezésének esélyét fejezi ki. Fej dobásának esélye: 1:2 = 1 2 = 0,5. Odds/esélyérték (O): a tét
RészletesebbenLogisztikus regresszió
Logisztikus regresszió 9. előadás Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó () Nem metrikus Metrikus Kereszttábla
Részletesebben1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila
1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila Bevezetés... 1 A kutatás hipotézise... 2 A kutatás célja... 2 Az alkalmazott mikroorganizmusok... 3 Kísérleti
RészletesebbenA biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet
A biostatisztika alapfogalmai, kofideciaitervallum Dr. Boda Krisztia PhD SZTE ÁOK Orvosi Fizikai és Orvosi Iformatikai Itézet Mitavétel ormális eloszlásból http://www.ruf.rice.edu/~lae/stat_sim/idex.html
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
RészletesebbenGyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos
Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek Dr. Dombi Ákos (dombi@finance.bme.hu) ESETTANULMÁNY 1. Feladat: OTP részvény átlagárfolyamának (Y=AtlAr) stacionaritás
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenLogisztikus regresszió
Logisztikus regresszió Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó (x) Nem metrikus Metrikus Kereszttábla elemzés
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 -
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenKabos Sándor. Térben autokorrelált adatrendszerek
Kabos Sándor Térben autokorrelált adatrendszerek elemzése Összefoglalás az előadás példákon szemlélteti a térben autokorrelált adatok blokkosításának és összefüggésvizsgálatának jellemző tulajdonságait.
RészletesebbenFIZIKAI KÉMIA II. házi dolgozat. Reakciókinetikai adatsor kiértékelése (numerikus mechanizmusvizsgálat)
FIZIKAI KÉMIA II. házi dolgozat Reakciókinetikai adatsor kiértékelése (numerikus mechanizmusvizsgálat) Készítette: () Kémia BSc 2008 évf. 2010 1 A numerikus mechanizmusvizsgálat feladatának megfogalmazása
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
RészletesebbenHaszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11.
Haszongépj pjármű fékrendszer intelligens vezérl rlése Németh Huba Knorr-Bremse Kutatási és s Fejlesztési si Központ, Budapest 2004. November 17. Knorr-Bremse 19.11.2004 Huba Németh 1 Tartalom Motiváció
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
RészletesebbenAz R statisztikai programozási környezet: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig
: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig Ferenci Tamás ferenci.tamas@nik.uni-obuda.hu 2017. február 23. Tartalom Az R mint programozási nyelv A könyvtárakról
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenTúlélés elemzés október 27.
Túlélés elemzés 2017. október 27. Néhány példa Egy adott betegség diagnózisától kezdve mennyi ideje van hátra a páciensnek? Tipikusan mennyi ideig élhet túl? Bizonyos ráktípus esetén mennyi idő telik el
RészletesebbenRegresszió és ANOVA. Freedman: fejezet. Freedman: fejezet. Freedman: fejezet
Kabos: Statisztika II. Összefüggésvizsgálat 11.9 Slide 1 Slide 1 Slide 1 Összefüggésvizsgálat 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása 2. Regresszió és ANOVA Összefüggésvizsgálat összehasonlítása
RészletesebbenMérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
RészletesebbenEsetelemzések az SPSS használatával
Esetelemzések az SPSS használatával 1. Tekintsük az spearman.sav állományt, amely egy harminc tehenet számláló állomány etetés- és fejéskori nyugtalansági sorrendjét tartalmazza. Vizsgáljuk meg, hogy van-e
RészletesebbenBiostatisztika 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.
RészletesebbenKísérlettervezés 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