BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VEGYÉSZMÉRNÖKI ÉS BIOMÉRNÖKI KAR OLÁH GYÖRGY DOKTORI ISKOLA. Tézisfüzet
|
|
- Klaudia Magyar
- 5 évvel ezelőtt
- Látták:
Átírás
1 BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VEGYÉSZMÉRNÖKI ÉS BIOMÉRNÖKI KAR OLÁH GYÖRGY DOKTORI ISKOLA Mnısítéses mérıeszközök képességvzsgálata Tézsfüzet Szerzı: Vágó Emese okleveles vegyészmérnök Témavezetı: Dr. Kemény Sándor egyetem tanár Kéma és Környezet Folyamatmérnök Tanszék 2011
2 1. Bevezetés A mérıeszközök képességvzsgálatának célja a mérırendszer bzonytalanságának jellemzése, és annak eldöntése, hogy az eszköz alkalmas-e az adott folyamat-jellemzı mérésére. A méréses mérıeszközök képességvzsgálata jól kdolgozott és széles körben alkalmazott módszer. Statsztka alapja az egyes bzonytalanság-források varancának becslése, és e varancák összehasonlítása. Mnısítéses mérıeszközök esetében a mérés eredménye nem folytonos, hanem dszkrét (az általunk vzsgált esetekben bnárs) változó, így a varancaanalízs nem alkalmazható, más megközelítésre van szükség. A legelterjedtebben használt módszerek a mnısítéses mérıeszközök képességvzsgálatára az autópar beszállító cégek számára kdolgozott QS-9000 kváz-szabvány kézkönyvében 1 találhatók. Az tt bemutatott módszer feltételez a referenca-értékek smeretét. Ez azt jelent, hogy annak ellenére, hogy a mnısítés során két kategórába soroljuk a darabokat (megfelelt/nem felelt meg), létezk egy folytonos skálán mérhetı tulajdonság a döntés hátterében. Ezt a tulajdonságot a mérés dı és/vagy költséggénye matt a gyakorlatban smeretlennek tekntk, helyette csak megfelelt/nem felelt meg típusú döntést hoznak. Dsszertácómban az lyen típusú mnısítéses mérırendszerek elemzésével foglalkozom. 2. Irodalm háttér, célktőzések A bnárs kategorkus döntés mögött álló folytonos változó lehetséges értéket a szakrodalom három különbözı részre osztja: elfogadás-, elutasítás, és ún. szürke tartományra. Ha a folytonos változó értéke az elfogadás (vagy elutasítás) tartományban van, akkor a mérés eredménye mndg elfogadás (lletve elutasítás) lesz. Ha a vzsgált jellemzı tényleges értéke a szürke tartományba esk, akkor a mérés eredménye véletlen változó, tt az elfogadás valószínősége a folytonos változó nagyságától függ. A modellt egy S-alakú görbe szemléltet, am az angol nyelvő szakrodalomban Gauge Performance Curve (GPC) néven smer. Magyarul mérıeszköz-képesség-görbének, vagy mérıeszköz-jelleggörbének szokás nevezn. Az deáls mérıeszköz képességgörbéje egy ugrásfüggvény lenne, ahol az ugrás a specfkácós határnál van. Ez azt jelentené, hogy a specfkácós határ alatt darabokat mndg elutasítjuk, a specfkácós határ feletteket mndg elfogadjuk (alsó specfkácós határ esetén). A valóságban nem ugrás-, hanem S-alakú a görbe, az S-alak nflexós pontja feleltethetı meg az ugrás helyének. Ha ez eltolódott a specfkácós 1 Automotve Industry Acton Group. Measurement System Analyss; Reference Manual, 3rd ed. Detrot, MI: Automotve Industry Acton Group, 2002;
3 határtól, a mérıeszköz torzít. Az nflexós pont annál a referenca-értéknél van, ahol az elfogadás valószínősége 50%. Az AIAG elıratban javasolt képességvzsgálat eljárás két teljesen elkülönülı részbıl áll. Az egyk a keresztosztályozásos-, a másk az analtkus módszer. A keresztosztályozásos vzsgálat elvégzéséhez 50 elemő véletlen mntát vesznek a folyamatból. Három operátor háromszor mnısít mndegyk munkadarabot. A mnısítés hátterében álló folytonos változót mérk, ez alapján mnden darabról megállapítják, hogy az ténylegesen megfelelı-e. Az elırat a Cohen-féle kappát javasolja az operátorok páronként és referenca-értékkel történı összehasonlítására. Az operátorok referencával való egyezését a kappa mellett különbözı relatív gyakorságokkal jellemz az elırat: a hatékonyság alatt a helyes döntések arányát ért, és számolja külön-külön s a téves elfogadások és elutasítások arányát. Ismételhetıségnek azon darabok arányát nevez, melyekre az smételt mnısítések megegyezı eredményt hoztak. Az AIAG elırat javasolja még a P( rossz elutasít ) és P( jó elfogad ) feltételes valószínőség használatát s. Ezek a véletlen mntából relatív gyakorságokkal becsülhetık. P( rossz elutasít ) a ténylegesen rossz darabok arányát adja meg az elutasított darabok között, P( jó elfogad ) pedg az elfogadott darabok között lévı ténylegesen jó darabok arányát jelöl. A mnısítéses mérıeszközök sajátossága, hogy ezek a valószínőségek függenek attól, mlyen darabokat mnısítünk (pontosabban a vzsgált darabok referencaértékének eloszlásától). Abban az esetben, ha a mnısített darabok eloszlása változk (ahhoz képest, am a mntavételkor volt), az elırat a Bayes-tételt javasolja P( rossz elutasít ) számolására. Az elıratban javasolt analtkus módszer alkalmazásához nyolcelemő mntára van szükség. A mntaelemeket úgy válogatják k, hogy azok mnél jobban lefedjék a mérıeszköz szürke zónáját. Mnden darabnak mérk a referencaértékét, és mndegyket többször smétléssel mnısít egyetlen operátor. Az smételt mnısítésekbıl relatív gyakorságokkal becsülk az elfogadás valószínőségét az egyes darabokra. Az összetartozó referenca-érték-elfogadás valószínőség adatpárokat egy Gauss-háló jellegő ábrán ábrázolják, majd a pontokra egyenest llesztenek, ezzel a GPC egy lnearzált (grafkus) becslését kapják. Az ábráról leolvasható a mérırendszer torzítása és smételhetısége. A méréses mérırendszerek képességvzsgálatánál az smételhetıség, reprodukálhatóság és torzítás jelentése egyértelmően meghatározott. A jó smételhetıség azt jelent, hogy ha egy adott operátor egy adott darabot többször egymás után megmér, akkor az eredmények közel lesznek egymáshoz. A reprodukálhatóság az operátorok között egyezıség mértéke. A tökéletes reprodukálhatóság azt jelent, hogy ugyanazon darabon mért értékek várható értéke megegyeznek, függetlenül attól melyk operátor végz a mérést. A torzítás a méréses esetben a mérés várható értéke és a tényleges érték közt 2
4 eltérést jelent. Mnısítéses esetben e fogalmak defnálásával, és még nkább jellemzésükkel kapcsolatban bıven akadnak nehézségek. Az smételhetıség függ a kválasztott darabtól. Értelmezésére az analtkus és a keresztosztályozásos módszer két teljesen különbözı megközelítést javasol. Két operátor közt rossz reprodukálhatóság azt jelent, hogy az egyk operátor elfogadóbb/elutasítóbb döntéseket hoz, mnt a másk. Az, hogy éppen elutasítóbb vagy elfogadóbb az operátor, darabfüggı lehet. Véletlen mnta többször mnısítésénél a reprodukálhatóság az eltérıen mnısített darabok arányával hozható kapcsolatba. Ez az arány azonban nemcsak a rossz reprodukálhatóság, hanem a rossz smételhetıség matt s lehet magas. Tehát ez a mutató a mérırendszer e két tulajdonságát együttesen jellemz. Ugyanez gaz a Cohen-kappára s. A torzítást az AIAG elırat analtkus módszere a GPC nflexós pontja és a specfkácós határ közt távolságnak teknt. Más források szernt a torzítás a véletlen mntából számolható, és a téves elfogadások és elutasítások arányával jellemezhetı. A fentek alapján megállapíthatjuk, hogy a mnısítéses mérıeszközöknél az smételhetıség, reprodukálhatóság és torzítás jellemzésére és defnálására az rodalom különbözı megközelítéseket használ. Nncs egységes módszer a mérırendszer tulajdonságanak jellemzésére. Dsszertácómban elvégeztem az rodalomban bemutatott képességvzsgálat módszerek krtka elemzését (különös tekntettel az AIAG elıratra), eredményként rámutatva ezek számos súlyos elv hbára. Célom egy olyan képességvzsgálat módszer kdolgozása volt, amely megoldást nyújt a vázolt problémákra és használatával átfogó, egységes képet kap a felhasználó a mérıeszköz tulajdonságaról, és alkalmasságáról az adott mnısítés feladat elvégzésére. 3. Számítás módszerek A mnısítéses mérıeszközök képességvzsgálatára az rodalom fıként leszámlálás mutatókon alapuló módszereket alkalmazását javasolja. Dsszertácómban a logt modell használatát javaslom a feladat megoldására. A logt modell az általánosított lneárs modellek (generalzed lnear model) családjába tartozk, llesztése maxmum lkelhood módszerrel történk. Az elemzés módszerek hatékonyságát részben analtkusan, részben szmulácóval vzsgáltam. A doktor munkám során végzett statsztka számítások - ahol ezt külön nem jeleztem - a kutatócsoportban általánosan használt STATISTICA szoftver 8.0 verzójával 2 készültek. A szmulácós vzsgálatokhoz használtam a szoftverbe épített Vsual Basc programnyelvet. A képességvzsgálat véletlen faktoros megközelítésekor általánosított vegyes modell (generalzed lnear mxed model) llesztésére volt szükség. Ehhez a nyílt 2 StatSoft, Inc. (2007). STATISTICA (data analyss software system), verson
5 forráskódú R szoftver lme4 modulját 3 használtam. A dsszertácómban javasolt numerkus ntegrálást alkalmazó számításokat a MATHEMATICA szoftverben 4 írt programmal végeztem. 4. Eredmények A dsszertácómban bemutatott kutatás munka két fı részre osztható. Az elsı témakörben a jelenleg képességvzsgálat módszerek hbára mutatok rá, a másodkban egy új módszert javaslok a problémák megoldására Az rodalomban alkalmazott mnısítéses mérıeszköz képességvzsgálat módszerek krtkája Az AIAG elıratban javasolt keresztosztályozásos módszer többek között a Cohen-féle kappa mutatót használja a mnısítést végzı személyek egyezésének jellemzésére. Kappa számolásához az egyazon darabon végzett smételt mnısítéseket operátoronként párba rendez. A párosítás alapja a mérés sorrendje. Mvel az smételt mnısítések egymástól függetlenek egy önkényes párosítás elmélet szempontból megalapozatlan, kappa helytelen becslését eredményez. P( rossz elutasít ) és P( jó elfogad ) feltételes valószínőségek Bayes-tétellel történı becslésekor nem teljesülnek a tétel alkalmazás feltétele, mvel az egyenlet jobboldalán szereplı P( elutasít rossz ) és P( elfogad jó ) feltételes valószínőségek nem állandóak. Ez abból adódk, hogy az elfogadás/elutasítás valószínősége függ a darabok referenca-értékétıl, így ha ennek eloszlása változk, P( elutasít rossz ) és P( elfogad jó ) s változn fog. Az AIAG elırat keresztosztályozásos módszere csak azt vzsgálja, hogy az operátor elfogadta vagy elutasította az adott darabot. A feladatban azonban az alsó és felsı tőréshatár adott, így különbséget lehet tenn túl nagy és túl kcs darabok között. Tehát az elutasított kategóra az elıbb két lehetséges kmenet egyesítésébıl származk. Ez az egyszerősítés nformácóvesztéshez vezet. A példában valójában nem kettı, hanem három döntés kategóra létezk, lyen esetekben más megközelítés szükséges a mérırendszer vzsgálatához. A keresztosztályozásos módszer keretén belül többféle relatív gyakorsággal jellemzk a mérırendszer hatékonyságát. A használt mutatók becsléséhez az 50 elemő mnta háromszor smétléssel kapott mnısítésenek eredményet használják. A becslés hatásosabb lenne úgy, ha nagyobb (a konkrét példában 150) elemszámú mntát használnának, smétlés nélkül mnısítésekkel. 3 D. Bates, M. Maechler lme4 Verson Mathematca. verson (2007) Wolfram Research, Inc. 4
6 Az elırat két teljesen különálló képességvzsgálat módszert javasol, melyek között semmlyen kapcsolat nncs. Van olyan fogalom (smételhetıség), melyet a két módszer két különbözı módon jellemez. A szakrodalommal kapcsolatos krtkámat és javaslatamat az 1. és a 2. tézsben foglaltam össze Modell-alapú megközelítés mnısítéses mérıeszközök képességvzsgálatára Új eljárást javasoltam a mnısítéses mérıeszközök képességvzsgálatára. A módszer lényege, hogy a mérıeszköz-képesség-görbét nem grafkusan becsülöm, ahogy azt az AIAG elıratban teszk, hanem matematka modellel írom le. A javasolt modell logt transzformácóval lnearzálja a referenca-érték és az elfogadás valószínőség között kapcsolatot: p O P O* P logt( p )= ln = α + β + β x + γ x 1 p ahol p x α annak valószínősége, hogy az -edk operátor elfogadja az x referenca-értékkel jellemezhetı darabot referenca-érték modellkonstans O β -edk operator hatása P β darab hatása γ operátor-darab kölcsönhatás az -edk operátornál O * P A fent modell segítségével operátoronként számolható: - a mérıeszköz torzítása, azaz a görbe nflexós pontja és a specfkácós határ között távolság; - a szürke zóna szélessége: az a referenca-érték tartomány, amelyben az elfogadás valószínősége tetszıleges mértékben különbözk nullától és egytıl (a görbe S-alakú része). Például az a referenca-érték ntervallum, amben az elfogadás valószínőség 5 és 95% között van. A javasolt logt modell paraméterenek becslése a gyakorlatban úgy valósítható meg, hogy az AIAG-elıratban s követett módon smert referencaértékő darabokat többször smétléssel mnısítenek az operátorok. Az eredmények alapján maxmum lkelhood módszerrel becsülhetık a logt modell paramétere. Vzsgáltam, hogy a becslés javítható-e a rdge-módszer alkalmazásával. A rdge becslést általánosan azzal a céllal alkalmazzák, hogy csökkentsék a független változok korreláltsága matt megnövekedett varancát. Igaz, hogy a mérıeszköz-képesség-görbe paraméterenek becslésekor a független változók nem korreláltak, de a logt modell alakja matt feltételeztem, hogy a rdge módszer javíthat a becslésen. A feltételezést szmulácóval vzsgáltam. Az eredmények azt mutatták, hogy a rdge alkalmazásával a 5
7 lnearzált modell becsült paraméterenek hbája jelentısen csökken. Ez a javulás azonban sokkal ksebb mértékő, ha az nflexós pont helyének és a szürke zóna szélességének becslését vzsgálom. Tehát a képességvzsgálat gyakorlat szempontból érdekes eredményet a rdge nem javítja számottevıen, ezért alkalmazása nem ndokolt. A mérıeszköz és az operátor tökéletesen jellemezhetı az nflexós pont helyével és a szürke zóna szélességével, arról azonban e tulajdonságok nem adnak nformácót, hogy a mérırendszer alkalmas-e az adott mnısítés feladat elvégzésére. E kérdés megválaszolásakor az érdekes a felhasználó számára, hogy mekkora a rossz darabok aránya az elfogadottak között, és mekkora a jó darabok aránya az elutasítottak között, mvel ezek a valószínőségek hozhatók közvetlenül kapcsolatba a hbás döntés okozta veszteséggel. Dsszertácómban ezért P( jó elutasít ) és P( rossz elfogad ) feltételes valószínőségeket javaslom a mérırendszer képességének jellemzésére. A mérıeszköz-képesség-görbe matematka modelljének segítségével e valószínőségek számolhatók, ha smert a referenca-értékek eloszlása. Az -edk operátorra: P( jó elutasít ) = x=+ x= SH x=+ x= 0 [ ] f ( x) 1 p ( x) dx [ ] f ( x) 1 p ( x) dx P( rossz elfogad ) = x= SH x= 0 x=+ x= 0 [ ] f ( x) p ( x) dx [ ] f ( x) p ( x) dx Ahol f(x) a referenca-értékek eloszlását jelöl. A javasolt számolás módszer nagy elınye, hogy elkülönül benne a mérıeszköz jellemzése és a referenca-értékek eloszlása. Ezért nem lép fel az a probléma, mnt az elıratban használt Bayes-tételes megközelítés esetén. Így a modell-alapú számolás helyes akkor s, ha a folyamat megváltozk ahhoz képest, mnt amlyen a mérıeszköz-képesség-görbe becslésekor volt. ( ) P jó elutasít és ( ) P rossz elfogad feltételes valószínőségek becsülhetık modell llesztése nélkül s, relatív gyakorságokkal, az AIAG elırat keresztosztályozásos módszerét követve. Dsszertácómban részben analtkusan, részben szmulácóval vzsgáltam a két különbözı becslés hatékonyságát. A közepes négyzetes hba drasztkusan ksebb a modell-alapú becslés esetén a vzsgált mnta-elemszám-tartomány egészében. Ezen felül megállapítható, hogy a GPC-alapú becslés hbája egy gyakorlatban s megvalósítható számú mnısítés fölött már alg függ a mnısítések számától. A 6
8 vzsgált mntaelemszám-tartomány alsó részében az AIAG-típusú számolás nagy valószínőséggel ad nulla becsült értéket. Ilyenkor az AIAG-típusú becslés különösen gyengén teljesít a modell-alapúhoz képest. A méréses mérıeszközök képességvzsgálatánál a mérés eredmények ngadozását két okra vezetk vssza: a darabok különbözıségére és a mérırendszer bzonytalanságára. Ez utóbb ngadozásforrás (a mérırendszer bzonytalansága) tovább két fı részbıl áll: a mérıeszköz operátorok matt (reprodukálhatóság) és operátoroktól független (smételhetıség) bzonytalanságából. Mnden ngadozásforrást egy-egy varancával jellemeznek. Mvel a véletlen faktoros modell paramétere a különbözı hatások varancá, felmerülhet, hogy alkalmazásával a mnısítéses mérıeszközöket s a mérésesekhez hasonló módon tudjuk jellemezn. Dolgozatomban szmulácóval vzsgáltam, hogy véletlen faktoros modellt alkalmazó megközelítés esetén hogyan becsülhetık a P( jó elutasít ) és P( rossz elfogad ) feltételes valószínőségek. Az elsı esetben (véletlen tengelymetszet) csak az nflexós pont helye különbözött operátoronként, a szürke zóna szélessége állandó volt. Becsültem P( jó elutasít ) és P( rossz elfogad ) operátorok szernt várható értékét és varancáját rögzített és vegyes modell használatával egyaránt. A vegyes modell llesztésével a lnearzált modell paramétere ksebb hbával becsülhetık, de ez a különbség P( jó elutasít ) és P( rossz elfogad ) várható értékének és varancájának becslésekor nem mnden esetben jelentkezk. Rögzített modell llesztése esetén P( jó elutasít ) és P( rossz elfogad ) operátorok szernt várható értékét és varancáját kétféleképpen becsültem: egy egyszerőbb módon, átlag és szórás számolásával, és egy bonyolultabb, ntegrált alkalmazó megközelítés szernt. Az ntegrált alkalmazó becslés hbája ksebb, de a különbség nem jelentıs. Ezután azt az esetet vzsgáltam, amkor az nflexós pont helye mellett a szürke zóna szélessége s különbözk operátoronként (véletlen tengelymetszet és meredekség). Itt csak a rögzített modellt llesztettem, és azt találtam, hogy többségében tt s a bonyolultabb, ntegrált alkalmazó számolás mód hbája ksebb, de az elért javulás nem jelentıs. Összességében a szmulácós eredményekbıl az állapítható meg, hogy a vzsgált becslés módszerek mndegyke nagyságrendleg jó tájékoztatást nyújt a felhasználónak P( jó elutasít ) és P( rossz elfogad ) várható értékérıl és varancájáról. A rögzített modell llesztése azonban könnyebben kvtelezhetı az alkalmazott modell szélesebb körő szoftveres mplementácója matt (a vegyes modellhez képest). Ezért az operátoronként különbözı tengelymetszetet feltételezı esetekben a rögzített modell llesztését javaslom. A becsült modell- 7
9 paraméterekbıl P( jó elutasít ) és P( rossz elfogad ) várható értékének és varancájának becslésére úgyszntén az egyszerőbb eljárást, az átlag és szórás számolását javaslom, mvel a bonyolultabb, ntegrált s alkalmazó módszerrel becsült értékek hbája nem annyval ksebb, hogy az ndokolja a jóval bonyolultabb, gyakorlatban nehezebben kvtelezhetı számolás alkalmazását. Az operátoronként különbözı tengelymetszet és meredekség esetén csak a rögzített modellt llesztettem. A becsült modell-paraméterekbıl P( jó elutasít ) és P( rossz elfogad ) várható értékének és varancájának becslésére úgyszntén az egyszerőbb eljárást, az átlag és szórás számolását javaslom, ez elızıvel megegyezı okokból. A modell-alapú képességvzsgálat eredményet a és 5. tézsben foglaltam össze. 5. Tézsek 1. tézs Feltártam a gyakorlatban széles körben alkalmazott AIAG elırat mnısítéses mérıeszköz képesség vzsgálat módszerének alább elv hbát és hányosságat [2]. (a) Az elırat szernt 50 mntaelemet háromszor smétléssel mnısítenek a képességvzsgálat során, majd az eredményeket úgy kezelk, mntha azok egy 150 elemő mnta egyszer mnısítésébıl származnának. E hbás megközelítés a kappa mutató helytelen becslését eredményez. (b) Ha a mnısítendı darabok eloszlása megváltozk (a folyamat javul), a jó és rossz darabok elfogadás valószínősége s változk. Ezért a mérırendszert jellemzı poztív és negatív predktív érték Bayes-tétellel történı becslésekor nem alkalmazhatók az eredet eloszlást jellemzı feltételes valószínőségek. Tehát a tételt helytelenül használják. (c) Az elırat két teljesen különálló képességvzsgálat módszert javasol: a keresztosztályozásos és analtkus módszert. A kettıhöz külön mnták szükségesek, a matematka kezelés sem közös, pedg ugyanarról a jelenségrıl adnak számot. Ennek például az a következménye, hogy az smételhetıségre két különbözı mutatót s javasolnak. 2. tézs Kmutattam, hogy bnomáls és multnomáls eloszlásnál a túlszóródás jelensége csak smételt megfgyelések esetén jelentkezk [4]. Ez a mnısítéses mérıeszközök képességvzsgálatára vonatkozóan azzal a következménnyel jár, hogy leszámlálásos mutatók használatakor a becslés hatásosabb lesz, ha nagyobb mntákat egyszer mnısítenek, mntha ksebb mntákat smételten mnısítenek, feltéve hogy a mnısítések száma megegyezk a két esetben. 8
10 3. tézs Az általánosan elfogadott AIAG módszer helyett új eljárást javasoltam a mnısítéses mérıeszközök képességvzsgálatára [3]. A módszer alapvetı újdonsága, hogy matematka modellt használ a mérıeszköz-képesség-görbe leírására. A modell függı változója az elfogadás valószínőségének logt transzformáltja, független változó a vzsgált darab referenca-értéke (mérete) és az operátor. (a) Egyértelmően nterpretálható jellemzıket javasoltam a mérıeszközképesség-görbe karakterzálására, nevezetesen a szürke zóna szélességét és a torzítást. Megmutattam, hogy ezek a javasolt módszerrel hogyan számíthatók. (b) A GPC-modell-alapú becsléssel hatásosabban (ugyananny mérésbıl ksebb bzonytalansággal) becsülhetık a hbás döntést jellemzı feltételes valószínőségek, mnt az AIAG-típusú (leszámlálás jellegő) becslést követve. (c) Az új módszer elkülönítve (külön mntákból) jellemz és becsl a referenca-értékek eloszlását és a mérıeszköz-képesség-görbét. Ebbıl következıen, ha a folyamat eloszlása változk, nem szükséges a mérıeszközképesség-görbe újból becslése egy új mntából, csak a referenca-értékek új eloszlását kell felvenn, és ezzel lényeges megtakarítást érhetünk el. 4. tézs A mérıeszköz-képesség-görbe modelljének becslésére a rdge módszert [1] s alkalmaztam. A javasolt becslés módot szmulácóval vzsgálva azt találtam, hogy a rdge alkalmazásával a lnearzált modell becsült paraméterenek hbája jelentısen csökken. Ez a javulás azonban sokkal ksebb mértékő, ha az nflexós pont helyének és a szürke zóna szélességének becslését vzsgálom. A képességvzsgálat gyakorlat szempontból érdekes eredményet a rdge módszer tehát nem javítja számottevıen, alkalmazása ezért nem ndokolt. 5. tézs A modell-alapú képességvzsgálat módszerre a véletlen faktoros megközelítést s alkalmaztam [5] két változatban: az egykben csak a tengelymetszet (vagys a GPC görbe helyzete), a máskban a tengelymetszet és a meredekség (vagys a GPC görbe helyzete és alakja) s véletlen változó volt. Különbözı megközelítéseket (különbözı egyszerősítı feltételeket) hasonlítottam össze a hbás döntés valószínősége operátorok szernt varancájának és várható értékének becslésére. Szmulácóval vzsgáltam, hogy ezek az egyszerősítések mlyen hatással vannak a becslés hbájára. Azt találtam, hogy mndegyk megközelítéssel nagyságrendleg jó becslést kapunk, és nncs jelentıs eltérés a becslések hbájában. A gyakorlatban tehát elfogadható a legegyszerőbb számolás mód alkalmazása. 9
11 6. Alkalmazás lehetıségek A mnısítéses mérırendszereket az par különbözı ágaban sokféle célra sokan használják. Gyakran a mnısítés során hozott kategorkus döntés hátterében egy mérhetı folytonos változó áll. Az lyen típusú mérıeszközök vzsgálata tehát gyakorlat szempontból érdekes, széles felhasználó kört érntı feladat. Dsszertácómban rámutattam, hogy a mnısítéses mérıeszközök képességvzsgálatára jelenleg legszélesebb körben használt AIAG elıratban közölt módszerek statsztkalag több szempontból s hbásak. A szakterület egyéb rodalmat s fgyelembe véve megállapítottam, hogy az alkalmazott fogalmak jelentése esetenként különbözı. A rendelkezésre álló módszerek a képességvzsgálat során felmerülı részkérdésekre adnak csak választ, nncs olyan megközelítés, mellyel egyszerre lehetne jellemezn a mérırendszer tulajdonságat, az operátorok közt különbséget, és választ kapnánk arra a kérdésre s, hogy a mérıeszköz alkalmas-e az adott folyamatból származó darabok mnısítésére. Az általam javasolt modell-alapú megközelítés nem szenved az AIAG elırat elv hbától, és egyértelmően defnált fogalmakat használ a mérırendszer jellemzésére. A javasolt módszer segítségével a képességvzsgálat során felmerülı összes részkérdés megválaszolható. Az új megközelítés tovább elınye, hogy az AIAG elıratban javasolthoz képest kevesebb mérést gényel, így joggal számíthatok arra, hogy elterjed gyakorlat alkalmazása. 7. Közlemények Az értekezés témájában megjelent publkácók Idegen nyelven megjelent publkácók 1. E. Vágó, S. Kemény: Logstc rdge regresson for clncal data analyss (a case study). Appled Ecology and Envronmental Research 4(2), E. Vágó, S. Kemény: Crtque of the AIAG Cross-Tabulaton Procedure for Attrbute Gauge R&R Study, Internatonal Journal of Qualty Engneerng and Technology, 2(1), p , 2011, DOI: /IJQET E. Vágó, S. Kemény: A model based approach for attrnute R&R Analyss, Qualty and Relablty Engneerng Internatonal, IF: 0,452, 2010, DOI: /qre E. Vágó, Zs. Lang, S. Kemény: Overdsperson at the Bnomal and Multnomal Dstrbuton, Perodca Polytechnca, IF: 0,042, 55(1), p.17-20, 2011, DOI: /pp.ch E. Vágó, S. Kemény: Random effects model for attrbute gauge R&R Qualty and Relablty Engneerng Internatonal, IF: 0,452, (elfogadva) 10
12 Elıadások, poszterek nemzetköz konferencákon 1. E. Vágó, S. Kemény: Analyss of attrbute measurement systems. Conferenta Chemometrca VII, Hajdúszoboszló (2005) 2. E. Vágó, S. Kemény: Analyss of attrbute measurement systems. Symposum on Computer Applcatons and Chemometrcs n Analytcal Chemstry (SCAC), Thany (2006) 3. E. Vágó, S. Kemény: Overdsperson for multnomal dstrbuton: a Case Study for Attrbute Gage Analyss. Symposum on Computer Applcatons and Chemometrcs n Analytcal Chemstry (SCAC), Balatonalmád (2008) Elıadások haza konferencákon, szakma fórumokon 1. E. Vágó, S. Kemény: Mnısítéses mérıeszközök képességvzsgálata Mőszak Kéma Napok, Veszprém (2005) 2. E. Vágó, S. Kemény: A mnısítés mnısítése. Mőszak Kéma Napok, Veszprém (2006) 3. E. Vágó, S. Kemény: Overdsperson. Klnka Bostatsztka Társaság ülése, Budapest (2008) A doktor tanulmányokhoz kapcsolódó egyéb publkácók Könyv társszerzıje Kemény Sándor - Deák András - Lakné Komka Knga - Vágó Emese: Statsztka elemzés a STATISTICA programmal, Mőegyetem Kadó, Budapest, 2004 Egyéb elıadások, poszterek 1. E. Vágó: Páros t-próba és varancaanalízs. Mőszak Kéma Napok, Veszprém (2002) 2. E. Vágó: Páros t-próba és varancaanalízs. EOQ Sx Sgma Szakbzottság ülése, Budapest (2003) 3. E. Vágó: Rdge regresszó alkalmazása logt modell esetén. BME, Vegyész és Bomérnök Kar Doktoráns Konferenca, Budapest (2004) 4. E. Vágó, S. Kemény: Pared t-test and analyss of varance. Modern Methods of Data Analyss Oroszország, Belokurkha, (2003) 5. E. Vágó, S. Kemény: Rdge regresson method to logt model. Symposum on Computer Applcatons and Chemometrcs n Analytcal Chemstry (SCAC), Balatonfüred (2004) 6. E. Vágó, Kemény Sándor: Logstc rdge regresson for clncal data analyss (a case study) VII. Magyar Bometra és Bomatematka Konferenca, Budapest (2005) 7. E. Vágó, S. Kemény: Rdge regresszó alkalmazása logt modell esetén. Klnka Bostatsztka Társaság ülése, Budapest (2005) 11
Minősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
RészletesebbenMINİSÍTÉSES MÉRİESZKÖZÖK KÉPESSÉGVIZSGÁLATA
MŐEGYETEM 178 MINİSÍTÉSES MÉRİESZKÖZÖK KÉPESSÉGVIZSGÁLATA DKTRI ÉRTEKEZÉS KÉSZÍTETTE: VÁGÓ EMESE TÉMAVEZETİ: DR. KEMÉNY SÁNDR BME, Vegyészmérnök és Bomérnök Kar, Kéma és Környezet Folyamatmérnök Tanszék
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
Részletesebben20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!
SPEC 2009-2010. II. félév Statsztka II HÁZI dolgozat Név:... Neptun kód: 20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek! 1. példa Egy üzemben tejport csomagolnak zacskókba,
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenTáblázatok 4/5. C: t-próbát alkalmazunk és mivel a t-statisztika értéke 3, ezért mind a 10%-os, mind. elutasítjuk a nullhipotézist.
1. Az X valószínőség változó 1 várható értékő és 9 szórásnégyzető. Y tıle független várható értékkel és 1 szórásnégyzettel. a) Menny X + Y várható értéke? 13 1 b) Menny X -Y szórásnégyzete? 13 1 összesen
RészletesebbenTeljes eseményrendszer. Valószínőségszámítás. Példák. Teljes valószínőség tétele. Példa. Bayes tétele
Teljes eseményrendszer Valószínőségszámítás 3. elıadás 2009.09.22. Defnícó. Események A 1, A 2,..., sorozata teljes eseményrendszer, ha egymást páronként kzárják és egyesítésük Ω. Tulajdonság: P A ) +
RészletesebbenKalibrálás 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
RészletesebbenMATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap
Közlekedésmérnök Kar Jármőtervezés és vzsgálat alapja I. Feladatlap NÉV:..tk.:. Feladat sorsz.:.. Feladat: Egy jármő futómő alkatrész terhelésvzsgálatakor felvett, az alkatrészre ható terhelı erı csúcsértékek
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
Részletesebben8. A mérıeszközök képességvizsgálata 1
8. A mérıeszközök képességvizsgálata 1 A vizsgálat célja annak megállapítása, hogy a használt mérıeszköz elég kis hibával használható-e ahhoz, hogy vele a folyamatról információt szerezzünk. Az AIAG (Automotive
RészletesebbenVariancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?
Varanca-analízs (NOV Mért nem csnálunk kétmntás t-próbákat? B Van különbség a csoportok között? Nncs, az eltérés csak véletlen! Ez a nullhpotézs. és B nncs különbség Legyen, B és C 3 csoport! B és C nncs
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
RészletesebbenKísérlettervezési alapfogalmak:
Kísérlettervezés alapfogalmak: Tényező, faktor (factor) független változó, ható tényező (kezelés, gyógyszer, takarmány, genotípus, élőhely, stb.) amnek hatását a kísérletben vzsgáln vagy összehasonlítan
RészletesebbenGyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések
Gakorló feladatok a Kísérletek tervezése és értékelése c. tárgból Lneárs regresszó, smétlés nélkül mérések 1. példa Az alább táblázat eg kalbrácós egenes felvételekor mért adatokat tartalmazza: x 1.8 3
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
RészletesebbenVÁROS- ÉS INGATLANGAZDASÁGTAN
VÁROS- ÉS INGATLANGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék az MTA
RészletesebbenAz entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
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
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
RészletesebbenMŰSZAKI TUDOMÁNYI DOKTORI ISKOLA. Napkollektorok üzemi jellemzőinek modellezése
MŰSZAKI TUDOMÁNYI DOKTORI ISKOLA Napkollektorok üzem jellemzőnek modellezése Doktor (PhD) értekezés tézse Péter Szabó István Gödöllő 015 A doktor skola megnevezése: Műszak Tudomány Doktor Iskola tudományága:
RészletesebbenA ÉVI KOMPETENCIAMÉRÉS FIT- JELENTÉSEINEK ÚJ ELEMEI
A 2010. ÉVI KOMPETENCIAMÉRÉS FIT- JELENTÉSEINEK ÚJ ELEMEI Balázsi Ildikó ÚJDONSÁGOK A FIT-JELENTÉSEKBEN Új, évfolyamfüggetlen skálák matematikából és szövegértésbıl egyaránt Új ábrák: a két év alatti fejlıdés
RészletesebbenExtrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés
Extrém-érték modellezés Zemplén András Alkalmazott modul 03. február. Extrém-érték elemzés Klasszkus módszerek: év maxmumon alapulnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízbıl
Részletesebbend(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenKAPILLÁRIS NYOMÁS GÖRBE MEGHATÁROZÁSA HIGANYTELÍTÉSES POROZITÁSMÉRÉS ADATAIBÓL DETERMINATION OF CAPILLARY PRESSURE CURVE FROM MERCURY POROSIMETRY DATA
Műszak Földtudomány Közlemények, 84. kötet,. szám (03), pp. 63 69. KAPILLÁRIS NYOMÁS GÖRBE MEGHATÁROZÁSA HIGANYTELÍTÉSES POROZITÁSMÉRÉS ADATAIBÓL DETERMINATION OF CAPILLARY PRESSURE CURVE FROM MERCURY
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
RészletesebbenBékefi Zoltán. Közlekedési létesítmények élettartamra vonatkozó hatékonyság vizsgálati módszereinek fejlesztése. PhD Disszertáció
Közlekedés létesítmények élettartamra vonatkozó hatékonyság vzsgálat módszerenek fejlesztése PhD Dsszertácó Budapest, 2006 Alulírott kjelentem, hogy ezt a doktor értekezést magam készítettem, és abban
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
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
RészletesebbenAz elektromos kölcsönhatás
TÓTH.: lektrosztatka/ (kbővített óravázlat) z elektromos kölcsönhatás Rég tapasztalat, hogy megdörzsölt testek különös erőket tudnak kfejten. Így pl. megdörzsölt műanyagok (fésű), megdörzsölt üveg- vagy
RészletesebbenNemparaméteres eljárások
Nemparaméteres eljárások Bevezetés Az ntervallum vagy a hányados skálán végzett méréseknél az adatokból számolhatunk átlagot, szórásnégyzetet, szórást Fontos módszerek alapulnak ezeknek a származtatott
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
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.
RészletesebbenTurbulens áramlás modellezése háromszög elrendezésű csőkötegben
Turbulens áramlás modellezése háromszög elrendezésű csőkötegben Mayer Gusztáv mayer@sunserv.kfk.hu 2005. 09. 27. CFD Workshop 1 Tartalom - Vzsgált geometra Motvácó Az áramlás jellemző Saját fejlesztésű
RészletesebbenÖtvözetek mágneses tulajdonságú fázisainak vizsgálata a hiperbolikus modell alkalmazásával
AGY 4, Kecskemét Ötvözetek mágneses tulajdonságú fázsanak vzsgálata a hperbolkus modell alkalmazásával Dr. Mészáros István egyetem docens Budapest Műszak és Gazdaságtudomány Egyetem Anyagtudomány és Technológa
RészletesebbenStatisztika feladatok
Statsztka ok Informatka Tudományok Doktor Iskola Bzonyítandó, hogy: azaz 1 Tekntsük az alább statsztkákat: Igazoljuk, hogy torzítatlan statsztkák! Melyk a leghatásosabb közöttük? (Ez az együttes eloszlásfüggvényük.)
RészletesebbenII. Rákóczi Ferenc Kárpátaljai Magyar Fıiskola. Pataki Gábor. STATISZTIKA I. Jegyzet
II. Rákócz Ferenc Kárátalja Magyar Fıskola Patak Gábor STATISZTIKA I. Jegyzet 23 Tartalomjegyzék evezetés... 3 I. Statsztka alafogalmak... 4. Statsztka kalakulása, tudománytörténet összefüggése... 4.2
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 09 Rendezések
Algortmusok és adatszerkezetek gyakorlat 09 Rendezések Néhány órával ezelőtt megsmerkedtünk már a Merge Sort rendező algortmussal. A Merge Sort-ról tuduk, hogy a legrosszabb eset dőgénye O(n log n). Tetszőleges
RészletesebbenStatisztika 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
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
RészletesebbenEgyszempontos 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
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás
RészletesebbenIntelligens elosztott rendszerek
Intellgens elosztott rendszerek VIMIAC2 Adatelőkészítés: hhetőségvzsgálat normálás stb. Patak Béla BME I.E. 414, 463-26-79 atak@mt.bme.hu, htt://www.mt.bme.hu/general/staff/atak Valamlyen dőben állandó,
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.
Korrelácó-számítás 1. előadás Döntéselőkészítés módszertana Dr. Varga Beatr Két változó között kapcsolat Függetlenség: Az X smérv szernt hovatartozás smerete nem ad semmlen többletnformácót az Y szernt
RészletesebbenMatematikai 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
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
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
RészletesebbenDr. Ratkó István. Matematikai módszerek orvosi alkalmazásai. 2010.11.08. Magyar Tudomány Napja. Gábor Dénes Főiskola
Dr. Ratkó István Matematka módszerek orvos alkalmazása 200..08. Magyar Tudomány Napja Gábor Dénes Főskola A valószínűségszámítás és matematka statsztka főskola oktatásakor a hallgatók néha megkérdezk egy-egy
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
RészletesebbenCompton-effektus. Zsigmond Anna. jegyzıkönyv. Fizika BSc III.
Compton-effektus jegyzıkönyv Zsigmond Anna Fizika BSc III. Mérés vezetıje: Csanád Máté Mérés dátuma: 010. április. Leadás dátuma: 010. május 5. Mérés célja A kvantumelmélet egyik bizonyítékának a Compton-effektusnak
RészletesebbenPhilosophiae Doctores. A sorozatban megjelent kötetek listája a kötet végén található
Phlosophae Doctores A sorozatban megjelent kötetek lstája a kötet végén található Benedek Gábor Evolúcós gazdaságok szmulácója AKADÉMIAI KIADÓ, BUDAPEST 3 Kadja az Akadéma Kadó, az 795-ben alapított Magyar
Részletesebben8. Programozási tételek felsoroló típusokra
8. Programozás tételek felsoroló típusokra Ha egy adatot elem értékek csoportja reprezentál, akkor az adat feldolgozása ezen értékek feldolgozásából áll. Az lyen adat típusának lényeges jellemzője, hogy
RészletesebbenEloszlás-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
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
RészletesebbenEgy negyedrendű rekurzív sorozatcsaládról
Egy negyedrendű rekurzív sorozatcsaládról Pethő Attla Emlékül Kss Péternek, a rekurzív sorozatok fáradhatatlan kutatójának. 1. Bevezetés Legyenek a, b Z és {1, 1} olyanok, hogy a 2 4b 2) 0, b 2 és ha 1,
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenModern Fizika Labor Fizika BSC
Modern Fizika Labor Fizika BSC A mérés dátuma: 2009. április 20. A mérés száma és címe: 20. Folyadékáramlások 2D-ban Értékelés: A beadás dátuma: 2009. április 28. A mérést végezte: Márton Krisztina Zsigmond
RészletesebbenKidolgozott feladatok a nemparaméteres statisztika témaköréből
Kdolgozott feladatok a nemparaméteres statsztka témaköréből A táékozódást mndenféle színkódok segítk. A feladatok eredet szövege zöld, a megoldások fekete, a fgyelmeztető, magyarázó elemek pros színűek.
Részletesebben? közgazdasági statisztika
Valószíűségszámítás és a statsztka Valószíűség számítás Matematka statsztka Alkalmazott statsztka? közgazdaság statsztka épesség statsztka orvos statsztka Stb. Példa: vércsoportok Az eloszlás A AB B Elem
RészletesebbenOLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma
OLS regresszó - smétlés Mroöonometra,. hét Bíró Anó A tantárg tartalma Leggaorbb mroöonometra problémá és azo ezeléséne megsmerése Egén vag vállalat adato Keresztmetszet és panel elemzés Vállalat, pacelemzés
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
RészletesebbenStatisztika I. 3. előadás. Előadó: Dr. Ertsey Imre
Statsztka I. 3. előadás Előadó: Dr. Ertsey Imre Vszonyszámok Statsztka munka: adatgyűjtés, rendszerezés, összegzés, értékelés. Vszonyszámok: Két statsztka adat arányát kfejező számok, Az un. leszármaztatott
RészletesebbenMérnöki alapok 5. előadás
Mérnök alapok 5. előadás Készítette: dr. Várad Sándor Budapest Műszak és Gazdaságtudomán Egetem Gépészmérnök Kar Hdrodnamka Rendszerek Tanszék, Budapest, Műegetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9
Részletesebben7. Mágneses szuszceptibilitás mérése
7. Mágneses szuszceptbltás mérése PÁPICS PÉTER ISTVÁN csllagász, 3. évfolyam 5.9.. Beadva: 5.9.9. 1. A -ES MÉRHELYEN MÉRTEM. Elször a Hall-szondát kellett htelesítenem. Ehhez RI H -t konstans (bár a mérés
RészletesebbenExtrém-érték elemzés. Extrém-érték eloszlások. Megjegyzések. A normálhatóság feltétele. Extrém-érték modellezés
Extrém-érték modellezés Zemplén András Val.modellek 2018. febrár 21. Extrém-érték elemzés Klasszks módszerek: év maxmmon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
RészletesebbenADATREDUKCIÓ I. Középértékek
ADATREDUKCIÓ I. Középértékek Adatredukcó 1. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények: a) Számított középérték: közbenső helyet foglaljanak el, azaz mn középérték
RészletesebbenMatematika M1 1. zárthelyi megoldások, 2017 tavasz
Matematka M. zárthely megoldások, 7 tavasz A csoport Pontozás: + 7 + 7 + 7) + 3 + 6 5 pont.. Lehet-e az ux, y) e 3x cos3y) kétváltozós valós függvény egy regulárs komplex függvény valós része? Ha gen,
Részletesebben,...,q 3N és 3N impulzuskoordinátával: p 1,
Louvlle tétele Egy tetszőleges klasszkus mechanka rendszer állapotát mnden t dőpllanatban megadja a kanónkus koordnáták összessége. Legyen a rendszerünk N anyag pontot tartalmazó. Ilyen esetben a rendszer
Részletesebben2. személyes konzultáció. Széchenyi István Egyetem
Makroökonóma 2. személyes konzultácó Szécheny István Egyetem Gazdálkodás szak e-learnng képzés Összeállította: Farkas Péter 1 A tananyag felépítése (térkép) Ön tt áll : MAKROEGENSÚL Inflácó, munkanélkülség,
Részletesebben10. Mintavételi tervek minısítéses ellenırzéshez
10. Mintavételi tervek minısítéses ellenırzéshez Az átvételi ellenırzés akkor minısítéses, ha a mintában a selejtes elemek számát ill. a hibák számát vizsgáljuk, és ebbıl vonunk le következtetést a tételbeli
RészletesebbenMatematikai statisztika
Matematka statsztka 8. elıadás http://www.math.elte.hu/~arato/matstat0.htm Kétmtás eset: függetle mták + + + = + ) ( ) ( ) ( Y Y X X Y X m m m t m Ha smert a szórás: (X elemő, σ szórású, Y m elemő, σ szórású),
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr.
Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Regresszó-számítás. előadás Kvanttatív statsztka módszerek Dr. Varga Beatr Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Korrelácós
Részletesebbena domború tükörrıl az optikai tengellyel párhuzamosan úgy verıdnek vissza, meghosszabbítása
α. ömbtükök E gy gömböt síkkal elmetszve egy gömbsüveget kapunk (a sík a gömböt egy köben metsz). A gömbtükök gömbsüveg alakúak, lehetnek homoúak (konkávok) vagy domboúak (konvexek) annak megfelelıen,
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a bometrába Dr. Dnya Elek egyetem tanár PhD kurzus. KOKI, 205.0.08. ADATREDUKCIÓ I. Középértékek Adatredukcó. M a középérték: azonos fajta számszerű adatok közös jellemzője. 2. Követelmények:
RészletesebbenKérdıívek, tesztek I. Kérdıívek
Kérdıívek, tesztek I. Kérdıívek Kérdıíves vizsgálat céljára alkalmas témák A kérdıíves vizsgálatok alkalmasak leíró, magyarázó és felderítı célokra. Leginkább olyan kutatásban használják, amelyekben az
RészletesebbenOKTATÁSGAZDASÁGTAN. Készítette: Varga Júlia Szakmai felelős: Varga Júlia június
OKTATÁSGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék az MTA Közgazdaságtudomány
RészletesebbenExtrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés
Etrém-érték modellezés Zemplén András Alkalmazott modl 016. febrár -9. Etrém-érték elemzés Klasszks módszerek: év mammon alaplnak Küszöb felett értékek elemzése: adott szntet meghaladó mnden árvízből használ
RészletesebbenA m becslése. A s becslése. A (tapasztalati) szórás. n m. A minta és a populáció kapcsolata. x i átlag
016.09.09. A m beclée A beclée = Az adatok átlago eltérée a m-től. (tapaztalat zórá) = az elemek átlago eltérée az átlagtól. átlag: az elemekhez képet középen kell elhelyezkedne. x x 0 x n x Q x x x 0
RészletesebbenFeltételezzük, hogy a reaktáns koncentrációjának csökkenése felírható
Reakóknetka adatsor kértékelése (numerkus mehanzmusvzsgálat II. kéma alapszakosoknak) feladatleírás, pontozás útmutató és megjegyzések 3. A kapott adatsor egy reakóknetka mérésből származk. Egy reaktáns
RészletesebbenTöbbváltozós 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
RészletesebbenAlapmőveletek koncentrált erıkkel
Alapmőveletek koncentrált erıkkel /a. példa Az.7. ábrán feltüntetett, a,5 [m], b, [m] és c,7 [m] oldalú hasábot a bejelölt erık terhelk. A berajzolt koordnátarendszer fgyelembevételével írjuk fel komponens-alakban
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
RészletesebbenBalogh Edina Árapasztó tározók működésének kockázatalapú elemzése PhD értekezés Témavezető: Dr. Koncsos László egyetemi tanár
Balogh Edna Árapasztó tározók működésének kockázatalapú elemzése PhD értekezés Témavezető: Dr. Koncsos László egyetem tanár Budapest Műszak és Gazdaságtudomány Egyetem Építőmérnök Kar 202 . Bevezetés,
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pályázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomány Tanszékén az ELTE Közgazdaságtudomány Tanszék, az MTA Közgazdaságtudomány
Részletesebben(eseményalgebra) (halmazalgebra) (kijelentéskalkulus)
Valószínűségszámítás Valószínűség (probablty) 0 és 1 között valós szám, amely egy esemény bekövetkezésének esélyét fejez k: 0 - (sznte) lehetetlen, 0.5 - azonos eséllyel gen vagy nem, 1 - (sznte) bztos
RészletesebbenSzerven belül egyenetlen dóziseloszlások és az LNT-modell
Szerven belül egyenetlen dózseloszlások és az LNT-modell Madas Balázs Gergely, Balásházy Imre MTA Energatudomány Kutatóközpont XXXVIII. Sugárvédelm Továbbképző Tanfolyam Hunguest Hotel Béke 2013. áprls
RészletesebbenBiometria 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
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenIsmételt játékok: véges és végtelenszer. Kovács Norbert SZE GT. Példa. Kiindulás: Cournot-duopólium játék Inverz keresleti görbe: P=150-Q, ahol
9. elõaás Ismételt játékok: véges és végtelenszer történõ smétlés Kovács Norbert SZE GT Az elõaás menete Ismételt játékok Véges sokszor smételt játékok Végtelenszer smételt játékok Péla Knulás: ournot-uopólum
RészletesebbenRENDSZERSZINTŰ TARTALÉK TELJESÍTŐKÉPESSÉG TERVEZÉSE MARKOV-MODELL ALKALMAZÁSÁVAL I. Rendszerszintű megfelelőségi vizsgálat
ENDSZESZINTŰ TATALÉK TELJESÍTŐKÉPESSÉG TEVEZÉSE MAKOV-MODELL ALKALMAZÁSÁVAL I. endszerszntű megfelelőség vzsgálat Dr. Fazekas András István okl. gépészmérnök Magyar Vllamos Művek Zrt. Budapest Műszak és
Részletesebben