4. példa: részfaktorterv+fold-over, centrumponttal
|
|
- Vince Dobos
- 4 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 maimális értékét kell elérni. Faktorok : z reakcióidő, min; z hőmérséklet, C; z 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 fordulatszám, /min; z 4 katalizátor koncentrációja, %; z 5 felesleg, %; z 6 nyomás, bar; z 7 szennyezés-koncentráció, % Jellemzők z z z z 4 z 5 z 6 z 7 Alapszint, z j Variációs intervallum, z j
2 Az. blokk: 7-4 rész-faktorterv, ismétlés a centrumpontban: = ; 5 = ; 6 = ; 4 = 7 i y, % blokk Kísérlettervezés 44
3 Factor Mean/Interc. Curvatr. ()idõ ()hõmérséklet ()ford.szám (4)kat.konc. (5)felesleg (6)nyomás (7)szenny.konc. Effect Estimates; Var.:y; R-sqr=.9989; Adj:.994 (4fb_eample) **(7-4) design; MS Residual=.666 DV: y Include condition: Blokk= Effect Std.Err. t() p Factor Confounding of Effects (4fb_eample) **(7-4) design (Factors are denoted by numbers) Include condition: Blokk= Alias Alias Alias *4 *5 6*7 *4 *6 5*7 *5 *6 4*7 * *7 5*6 * *7 4*6 *7 * 4*5 *6 *5 *4 45 A. blokk: fold-over ( centrumponttal) i y, % blokk
4 Factor Curvatr. ()idõ ()hõmérséklet ()ford.szám (4)kat.konc. (5)felesleg (6)nyomás (7)szenny.konc. by by by 4 by 5 by 6 by 7 by 4 Confounding of Effects (4fb_eample Alias Alias Factor Mean/Interc. Blokk() Curvatr. *7 5*6 ()idõ *7 4*6 ()hõmérséklet *6 5*7 ()ford.szám *6 4*7 (4)kat.konc. *5 *4 (5)felesleg * 4*5 (6)nyomás *5 6*7 (7)szenny.konc. by by by 4 by 5 by 6 by 7 by 4 Effect Estimates; Var.:y; R-sqr=.9985; Adj:.9978 (4fb_eample) 7 factors at two levels; MS Residual=.9907 DV: y Effect Std.Err. t(5) p A felesleget ( 5 ill. z 5 ) nem lehet tovább növelni. így azt a fölső szintjén rögzítették ( ). 5 = + Az illesztett lineáris függvény: Yˆ = = ( + ) = A célfüggvény maimumát (optimum) az és független változók terében keressük tovább. 48
5 49 Bo és Wilson módszere az optimum megközelítésére L M N R 50 p p f f f f grad δ δ δ = K δ j ahol a j-edik koordinátatengely irányába mutató egységvektor.. ˆ,, ˆ, ˆ p p b Y b Y b Y = = = K b p p +b b +b +b Y + + = 0 ˆ
6 A gradiens-függvény: gradyˆ = b δ + bδ + K+ b p δ p A gradiens irányában úgy haladhatunk, ha az tengely mentén b, az tengely mentén b nagyságú stb. lépést teszünk. Az j koordinátában az egységnyi lépés a z j eredeti fizikai skálán z j. 5 A gradiens: g A tervpontokra illesztett modell: b Yˆ = b 0+b +b 0 - b - 0 n tervpontok g lépésterv 5
7 5. példa: a 4. példa folytatása; lépésterv a gradiens mentén A tervpontokra illesztett egyenlet: Y ˆ = j 0 z j 75.5 z j 5.5 b j b z j j lépés.5.9 b b.6 = 7.54 = sorszám idő, min hőm., C y, % tervcentrum
8 hőm. C tervpontok lépésterv idő, min példa: az 5. példa folytatása; terv az optimum közelében sorszám idő, min hőm., C y, %
9 Factor Mean/Interc. Curvatr. ()idõ ()hõmérséklet by Effect Estimates; Var.:y; R-sqr=.98868; Adj: (6-7_eample) **(-0) design; MS Residual=.706 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: p. Minőségi faktorok kettőnél több szinten csak varianciaanalízissel vizsgálhatók. mert szintjeik nem értelmezhetők intervallum-skálán. 58
10 terv: i másodfokú terv: 60
11 A 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 (p 5 esetén részfaktorterv). p csillagpont a centrumtól α távolságra és k c centrumbeli kísérlet. N= p +p+k c Az α értékének megválasztása szerint a terv lehet ortogonális vagy forgatható. Ortogonális terv és k c = esetére: A faktor szám, p 4 5 A terv magja 4 5- α
12 Kompozíciós terv három faktorra i * i * i * i i kétszintes terv g centrumpont * csillagpontok α távolságra g * i * i i * i 6 Bo-Behnken terv 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_eample) 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_eample) 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 Fitted Surface; Variable: y factors, Blocks, Runs; MS Residual= DV: y Maimum: 9.5 min; 45.8 C; 95.6% 48 hőm 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 c lúg h dm /h dm /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 554 Minneapolis, MN
17 Miture eperiments korlátozott tér pl. a komponensek koncentrációja %-ban: + + =00 9. példa Lipáz enzimek szol-gél rögzítéséhez használt különböző organoszilánok (TEOS, OTEOS, DMDEOS) arányának finomhangolásával az enzimkészítmények aktivitásának, szelektivitásának és stabilitásának fokozása. Nagy Flóra szakdolgozata 0, témavezető Poppe László, konzulens Weiser Diána 7 lineáris Fitted Surface; Variable: eeac % DV: eeac %; R-sqr=.0896; Adj:0. Model: Linear OTEOS enantioszelektivitás TEOS DMDEOS > 00 < 00 < 99 < 98 < 97 74
18 kvadratikus biokatalizátor-aktivitás Fitted Surface; Variable: U B U/g DV: U B U/g; R-sqr=.8769; Adj:.8 Model: Quadratic OTEOS TEOS DMDEOS > 70 < 66 < 56 < 46 < 6 < 6 < 6 < 6 75 Modellek: Y ˆ = b + b + b + b = ( + + ) + b + b + b = b + b + b Y ˆ = b tengelymetszet nélküli modell Y ˆ = b + b + b linear model 0.5 b a rendszer válasza a tiszta. komponensre
19 Y ˆ = b + b + b + b + b + b : quadratic model : : special cubic model Y ˆ = b + b + b + b + b + b + b 77 Full cubic model y = b + b + b + b + b + b + ( - ) + d ( - ) + d( - ) b + d + 78
20 Általában nemlineáris modellek szükségesek bonyolult jelenségek széles tartomány komponensek száma linear quadratic special cubic full cubic DMDEOS OTEOS eeac % U B U/g TEOS Y ˆ = b + b + b + b + b + b + b 80
21 .0 P-Plot, Pseudo-Comps; Var.:eeAc %; R-sqr=.568 Factor miture design; Miture total=., 4 Runs DV: eeac %; MS Residual= Epected Half-Normal Values (Half-Normal Plot) ABC AC AB (B)DMDEOS (A)TEOS (C)OTEOS BC Higher-order effects - Linear effects Standardized Effects (t-values) (Absolute Values) Y ˆ = b + b + b + b + b + b + b 8 Fitted Surface; Variable: eeac % DV: eeac %; R-sqr=.0896; Adj:0. Model: Linear OTEOS TEOS DMDEOS
22 Fitted Surface; Variable: U B U/g DV: U B U/g; R-sqr=.8769; Adj:.8 Model: Quadratic OTEOS TEOS DMDEOS Y ˆ = b + b + b + b + b + b > 70 < 66 < 56 < 46 < 6 < 6 < 6 < példa Cornell (990), a Statistica példája Azt vizsgálták, hogy PVC-ből készült autó-üléshuzat vastagságára hogyan hat a műanyagba tett lágyítók aránya. Korlátok:
23 Factor Constrained Miture Factor C V 8 C() 4 V 5 C() 9 C() 6 C() V 7 C() V Factor A Factor B 85 Display design fülön: Summary: Display design Factor Constrained Miture (halfasirt.sta) Number of user-defined constraints: 0 Verte (V) Number of initial miture constraints: 6 Centroid (C) A B C 5 C() 7 C() V V 8 C() V 4 V 6 C() 9 C() =
24 Prediction & profiling fülön: Surface plot (Show fitted function!) Fitted Surface ; Variable: TH ICKNESS D V: THICKNESS; R-sqr=.95 ; Adj:.987 Model: Quadratic v= * *y *z **y **z *y*z Factor A B C Critical values; Variable: THICKNESS (Vinyl.sta) Solution: maimum Predicted value at solution: Observed Critical Observed Minimum Values Maimum
25 Graphs>D XYZ Graphs>Ternary Plots Ternary Graph of THICKNESS against A and B and C Vinyl.sta 4v*4c THICKNESS = *-8.98*y *z+7.64**y **z *y *z C A B > 0 < -00 < -00 < -500 < -700 < példa D. C. Montgomery: Design and analysis of eperiments, rd ed., J. Wiley, 99, p.556, Cornell Polietilén, polisztirol és polipropilén keverékéből gyártanak műszálat, a függő változó a szál megnyúlása adott erő hatására. MontgDOEp556.sta 90
26 elong a háromszög csúcspontjai kétszer, az oldalfelezők háromszor 9 Statistics>Industrial Statistics & Si Sigma> >Eperimental Design (DOE)>Miture designs and triangular surfaces Model fülön: Quadratic Factor (A) (B) (C) AB AC BC Coeffs (recoded comps); Var.: elong; R-sqr=.954; Adj:.94 (MontgDOEp556.sta) Factor miture design; Miture total=., 5 Runs DV: elong; MS Residual= Coeff. Std.Err. t(9) p -95.% +95.% Cnf.Limt Cnf.Limt
27 Fitted Surface; Variable: elong DV: elong; R-sqr=.954; Adj:.94 Model: Quadratic > 7 < 6.5 < 5.5 < 4.5 <.5 <.5 <.5 < 0.5 < Fitted Surface; Variable: elong DV: elong; R-sqr=.954; Adj:.94 Model: Quadratic > 6 < 6 < 4 < < 0 94
28 . példa Cornell, Eperiments with Mitures, nd ed., Eample 7-4, John Wiley & Sons, Inc, New York, 990. idézi: Mark J. Anderson* and Patrick J. Whitcomb, Stat-Ease, Inc., Designing Eperiments that Combine Miture Components with Process Factors elegy-faktor, folyamat-faktor vinyl.sta 6 elegy a 4 folyamatparaméter-kombinációban, kétszer X Plasticizer X Plasticizer X Plasticizer 4 Z Etrusion rate 5 Z Drying temp 6 Thickness (scaled) összesen 48 kísérlet 96
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 maximális 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
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
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
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
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
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
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
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
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
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)
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
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...
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,
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
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
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
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
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
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
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
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
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
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
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
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
RészletesebbenAdatelemzés SAS Enterprise Guide használatával. Soltész Gábor solteszgabee[at]gmail.com
Adatelemzés SAS Enterprise Guide használatával Soltész Gábor solteszgabee[at]gmail.com Tartalom SAS Enterprise Guide bemutatása Kezelőfelület Adatbeolvasás Szűrés, rendezés Új változó létrehozása Elemzések
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
RészletesebbenCorrelation & Linear Regression in SPSS
Correlation & Linear Regression in SPSS Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise 1 - Correlation File / Open
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.
Correlation & Linear Regression in SPSS Petra Petrovics PhD Student Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise
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
Részletesebben1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét!
Függvények 1 1. Ábrázolja az f()= -4 függvényt a [ ;10 ] intervallumon!. Írja fel az alábbi lineáris függvény grafikonjának egyenletét! 3. Ábrázolja + 1 - függvényt a [ ;] -on! 4. Az f függvényt a valós
Részletesebben2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)
(11/1) Függvények 1 1) Ábrázolja az f()= -4 függvényt a [ ;10 ] intervallumon! (pont) ) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont) 3) Ábrázolja + 1 - függvényt a [ ;] -on! (3pont)
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Logistic regression. Quantitative Statistical Methods. Dr.
Logistic regression Quantitative Statistical Methods Dr. Szilágyi Roland Dependent (y) Quantit ative Qualitative Gazdaságtudományi Kar Connection Analysis Qualitative Independent variable() Quantitative
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
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
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
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
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenSupporting Information
Supporting Information Cell-free GFP simulations Cell-free simulations of degfp production were consistent with experimental measurements (Fig. S1). Dual emmission GFP was produced under a P70a promoter
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
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
RészletesebbenAz α értékének változtatásakor tanulmányozzuk az y-x görbe alakját. 2 ahol K=10
9.4. Táblázatkezelés.. Folyadék gőz egyensúly kétkomponensű rendszerben Az illékonyabb komponens koncentrációja (móltörtje) nagyobb a gőzfázisban, mint a folyadékfázisban. Móltört a folyadékfázisban x;
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
Részletesebbenf x 1 1, x 2 1. Mivel > 0 lehetséges minimum. > 0, így f-nek az x 2 helyen minimuma van.
159 5. SZÉLSŐÉRTÉKSZÁMÍTÁS = + 1, R + 1 f = 1 R +,, f = R +, 1 Az 1 = 0 egyenlet gyökei : 1 1, 1. Mivel ezért az 1 helyen van az f-nek minimuma. 5.1. f f 1 0, 5.. Legyen az egyik szám, a másik pedig A.
RészletesebbenBiológiai anyagok hatásának értékelése, ha közvetlen fizikai vagy kémiai analízis nem alkalmazható.
Boassa Bológa anagok hatásának értékelése, ha közvetlen fzka vag kéma analízs nem alkalmazható. Alapja standard készítménnel való összehasonlítás: a vzsgált anag mlen mennsége ad uganakkora hatást, mnt
RészletesebbenDIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC
BSC MATEMATIKA II. MÁSODRENDŰ LINEÁRIS DIFFERENCIÁLEGYENLETEK BSc. Matematika II. BGRMAHNND, BGRMAHNNC MÁSODRENDŰ DIFFERENCIÁLEGYENLETEK Egy explicit közönséges másodrendű differenciálegyenlet általános
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése II.
Többváltozós lineáris regressziós modell feltételeinek tesztelése II. - A magyarázó változóra vonatkozó feltételek tesztelése - Optimális regressziós modell kialakítása - Kvantitatív statisztikai módszerek
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,
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
Részletesebben5 1 6 (2x3 + 4) 7. 4 ( ctg(4x + 2)) + c = 3 4 ctg(4x + 2) + c ] 12 (2x6 + 9) 20 ln(5x4 + 17) + c ch(8x) 20 ln 5x c = 11
Bodó Beáta ISMÉTLÉS. ch(6 d.. 4.. 6. 7. 8. 9..... 4.. e (8 d ch (9 + 7 d ( + 4 6 d 7 8 + d sin (4 + d cos sin d 7 ( 6 + 9 4 d INTEGRÁLSZÁMÍTÁS 7 6 sh(6 + c 8 e(8 + c 9 th(9 + 7 + c 6 ( + 4 7 + c = 7 4
Részletesebbenb) Ábrázolja ugyanabban a koordinátarendszerben a g függvényt! (2 pont) c) Oldja meg az ( x ) 2
1) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) b) c) ( ) ) Határozza meg az 1. feladatban megadott, ; intervallumon
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
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
RészletesebbenVálasztási modellek 3
Választási modellek 3 Prileszky István Doktori Iskola 2018 http://www.sze.hu/~prile Forrás: A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models Prepared For U.S. Department
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
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 kvantum-informatikába és kommunikációba 2015/2016 tavasz
Bevezetés a kvantum-informatikába és kommunikációba 2015/2016 tavasz Kvantumkapuk, áramkörök 2016. március 3. A kvantummechanika posztulátumai (1-2) 1. Állapotleírás Zárt fizikai rendszer aktuális állapota
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
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 +
RészletesebbenFaktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Feladat Megnyitás: faktor.sav Fogyasztók materialista vonásai (Richins-skála) Forrás: Sajtos-Mitev, 250.oldal Faktoranalízis
RészletesebbenFaktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben = Adatredukciós módszer Petrovics Petra Doktorandusz Feladat Megnyitás: faktoradat_msc.sav Forrás: Sajtos-Mitev 250.oldal Fogyasztók materialista vonásai (Richins-skála) Faktoranalízis
RészletesebbenOktatási Hivatal. 1 pont. A feltételek alapján felírhatók az. összevonás után az. 1 pont
Oktatási Hivatal Öt pozitív egész szám egy számtani sorozat első öt eleme A sorozatnak a különbsége prímszám Tudjuk hogy az első négy szám köbének összege megegyezik az ezen öt tag közül vett páros sorszámú
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások
Megoldások 1. Tekintsük az alábbi szabályos hatszögben a következő vektorokat: a = AB és b = AF. Add meg az FO, DC, AO, AC, BE, FB, CE, DF vektorok koordinátáit az (a ; b ) koordinátarendszerben! Alkalmazzuk
RészletesebbenSearching in an Unsorted Database
Searching in an Unsorted Database "Man - a being in search of meaning." Plato History of data base searching v1 2018.04.20. 2 History of data base searching v2 2018.04.20. 3 History of data base searching
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,
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
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
RészletesebbenGeokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka
Geokémia gyakorlat 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek Geológus szakirány (BSc) Dr. Lukács Réka MTA-ELTE Vulkanológiai Kutatócsoport e-mail: reka.harangi@gmail.com ALAPFOGALMAK:
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
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:
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
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
RészletesebbenRegression games and applications TDK prezentáció
Regression games and applications TDK prezentáció Budapesti Corvinus Egyetem Áttekintés Bevezetés Regressziós játékok és alkalmazásaik Autoregresszív játékok G N AR Abszolút eltérés regressziós játékok
RészletesebbenRobotika. Kinematika. Magyar Attila
Robotika Kinematika Magyar Attila amagyar@almos.vein.hu Miről lesz szó? Bevezetés Merev test pozíciója és orientációja Rotáció Euler szögek Homogén transzformációk Direkt kinematika Nyílt kinematikai lánc
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenI. feladatsor. 9x x x 2 6x x 9x. 12x 9x2 3. 9x 2 + x. x(x + 3) 50 (d) f(x) = 8x + 4 x(x 2 25)
I. feladatsor () Határozza meg az alábbi függvények határozatlan integrálját: (a) f(x) = (b) f(x) = x + 4 9x + (c) f(x) = (d) f(x) = 6x + 5 5x + f(x) = (f) f(x) = x + x + 5 x 6x + (g) f(x) = (h) f(x) =
RészletesebbenEffect of the different parameters to the surface roughness in freeform surface milling
19 November 0, Budapest Effect of the different parameters to the surface roughness in freeform surface milling Balázs MIKÓ Óbuda University 1 Abstract Effect of the different parameters to the surface
RészletesebbenTovábbi programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás
További programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás Készítette: Dr. Ábrahám István Hiperbolikus programozás Gazdasági problémák optimalizálásakor gyakori, hogy
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
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.
RészletesebbenAz ideális Fermi-gáz termodinamikai mennyiségei
Az ideális Fermi-gáz termodinamikai mennyiségei Kiegészítés III. éves BSc fizikusok számára Cserti József Eötvös Loránd udományegyetem, Komplex Rendszerek Fizikája anszék 2017. március 1. Néhány alapvető
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis
Factor Analysis Factor analysis is a multiple statistical method, which analyzes the correlation relation between data, and it is for data reduction, dimension reduction and to explore the structure. Aim
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenÓn-ólom rendszer fázisdiagramjának megszerkesztése lehűlési görbék alapján
Ón-ólom rendszer fázisdiagramjának megszerkesztése lehűlési görbék alapján Készítette: Zsélyné Ujvári Mária, Szalma József; 2012 Előadó: Zsély István Gyula, Javított valtozat 2016 Laborelőkészítő előadás,
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
Részletesebbenλ 1 u 1 + λ 2 v 1 + λ 3 w 1 = 0 λ 1 u 2 + λ 2 v 2 + λ 3 w 2 = 0 λ 1 u 3 + λ 2 v 3 + λ 3 w 3 = 0
Vektorok a térben Egy (v 1,v 2,v 3 ) valós számokból álló hármast vektornak nevezzünk a térben (R 3 -ban). Használni fogjuk a v = (v 1,v 2,v 3 ) jelölést. A v 1,v 2,v 3 -at a v vektor komponenseinek nevezzük.
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
RészletesebbenPDF created with FinePrint pdffactory Pro trial version Adott egy X folytonos változó, ami normális eloszlású.
Á dott egy X folytonos változó, ami normális eloszlású. X ( µ,σ ) dottak ezen kívül az Y,Y,,Y k diszkrét változók (faktorok) total H 0 : X - re nincs hatással Y Q = Q + Q +... + Q + Q + Q3 +... + Q k hiba
RészletesebbenAz egyenes és a sík analitikus geometriája
Az egyenes és a sík analitikus geometriája Az egyenes a kétdimenziós koordinátarendszerben A kétdimenziós koordinátarendszerben az egyenest egy n(a, B) normálvektorával és egy r 0 helyvektorú P(x 0,y 0
Részletesebben9. Írjuk fel annak a síknak az egyenletét, amely átmegy az M 0(1, 2, 3) ponton és. egyenessel;
Síkok és egyenesek FELADATLAP Írjuk fel annak az egyenesnek az egyenletét, amely átmegy az M 0(,, ) ponton és a) az M(,, 0) ponton; b) párhuzamos a d(,, 5) vektorral; c) merőleges a x y + z 0 = 0 síkra;
Részletesebben3. Az Sn-Pb ötvözetek termikus analízise, fázisdiagram megszerkesztése. Előkészítő előadás
3. Az Sn-Pb ötvözetek termikus analízise, fázisdiagram megszerkesztése. Előkészítő előadás 2018.02.05. A gyakorlat célja Ismerkedés a Fizikai Kémia II. laboratóriumi gyakorlatok légkörével A jegyzőkönyv
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
Részletesebben3 függvény. Számítsd ki az f 4 f 3 f 3 f 4. egyenlet valós megoldásait! 3 1, 3 és 5 3 1
Érettségi, M, I-es feladatsor, természettudomány.. Számítsd ki a C! összeget! log 4. Határozd meg a. Számítsd ki az egyenlet valós megoldásait! összeg értékét, ha és az 4. Adott az f : 0,, f. Adottak az
RészletesebbenMAK511 ÖDEV 6 ÇÖZÜM. a) FFD tasarımı ile Kriging modeli. function HW6_FFD clc clear all. addpath('c:/dace')
MAK511 ÖDEV 6 ÇÖZÜM a) FFD tasarımı ile Kriging modeli function HW6_FFD addpath('c:/dace') % Full factorial design % Data points dff = fullfact([3 3]); r = (dff-1)/2; x1 = 0 + (24-0)*r(:,1); % x1=[0,24]
RészletesebbenANOVA. Egy faktor szerinti ANOVA. Nevével ellentétben nem szórások, hanem átlagok összehasonlítására szolgál. Több független mintánk van, elemszámuk
Egy faktor zernt NOV Nevével ellentétben nem zóráok, hanem átlagok özehaonlítáára zolgál Több független mntánk van, elemzámuk,...,,, r y,...,, y, y,..., yr;,, r H : r NOV. élda (Box-Hunter-Hunter: Stattc
Részletesebben= Y y 0. = Z z 0. u 1. = Z z 1 z 2 z 1. = Y y 1 y 2 y 1
Egyenes és sík a térben Elméleti áttekintés Az egyenes paraméteres egyenlete: X = u 1 λ + x 0 Y = u λ + y 0, Z = u λ + z 0 ahol a λ egy valós paraméter Az u = (u 1, u, u ) az egyenes irányvektora és P
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
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
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
Részletesebben