17. Folyamatszabályozás módszerei
|
|
- Klára Bakos
- 7 évvel ezelőtt
- Látták:
Átírás
1 17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 247
2 Adatgyűjtő lap 200. A probléma elemzéséhez adatokat kell gyűjteni. A megfigyelendő események, műveletek meghatározása után az adatgyűjtés időtartamának, gyakoriságának figyelembevételével előre meg kell tervezni a táblázat formáját úgy, hogy minél áttekinthetőbb legyen! A vizsgálandó állapotot vagy eseményt pontosan be kell határolni: A 4W1H kérdéscsoport Which? What? Where? When? How much? Melyik folyamat? Mi a nem megfelelőség formája? Hol keletkezik? Mikor? Mennyi? Bedzsula Bálint 248
3 Adatgyűjtő lap 201. Forrásadatok: A projekt megnevezése Az adatgyűjtő neve Dátum Egyéb fontos adatok Tartalmi adatok: Hiba-/eseményjelölő oszlop A gyűjtés napjait/adatait tartalmazó oszlop Az oszlopok összege Az oszlopok és a sorok teljes összege Bedzsula Bálint 249
4 Adatgyűjtő lap 201. Példa: Projekt: Adatgyűjtő: Helyszín: MAKULÁTLAN termék hibái Remek Elek RendbehozLak Időintervallum: Hiaba típusa/ bekövetkezése Nap Hétfő Kedd Szerda Csütörtök Péntek Szombat Vasárnap TOTAL Hiba Hiba Hiba Hiba Hiba TOTAL Bedzsula Bálint 250
5 Adatgyűjtő lap Példa: Projekt: Adatgyűjtő: Helyszín: Adatgyűjtés ideje: MAKULÁTLAN termék hosszúsága Remek Elek RendbehozLak Mért termékhosszúság (mm) l ll lllll lllll l lllll lllll lllll lllll l l lll lllll lllll lllll lllll lllll lll ll l TOTAL Bedzsula Bálint 251
6 Adatgyűjtő lap Példa: Bedzsula Bálint 252
7 Hisztogram 202. A hisztogram egy rendezett minta előre kitűzött változó-tartományaiba eső elemek gyakoriságát ábrázoljaoszlopdiagram formában. Kvantitatív módszerek jegyzet (Leíró statisztika): Az egyes értékközök fölé emelt téglalapok területe arányos az egyes osztályokhoz tartozó tapasztalati gyakoriságokkal. Az adatok ábrázolásának általános lépései a következők: Bedzsula Bálint 253
8 Hisztogram Példa: Kvantitatív módszerek jegyzet (Leíró statisztika) Bedzsula Bálint 254
9 Esemény-lefutási ábra 203. Dinamikus, folyamatközpontú adatrögzítési és megjelenítési technikák Egy folyamat teljesítményét jelző paraméter értékeit időben követi Folyamatok hatékony kézbentartása Példa: egyszerű folyamatdiagram Bedzsula Bálint 255
10 Esemény-lefutási ábra Példa: Félig dinamizált állapot Minőségjellemző Dinamikus adatrögzítés és hisztogram Idő Bedzsula Bálint 256
11 Szórás-diagram 203. Az okok és az okozatok közötti viszony ábrázolható ezzel a diagrammal. Előnye, hogy ily módon sok adat elemezhető, és nyilvánvalóvá válnak az egyébként nem látható összefüggések is. Pontdiagram x,y értékpár közötti korrelációs kapcsolat ábrázolásához, a kapcsolatot regressziófüggvény szemlélteti. Kvantitatív módszerek jegyzet (Korreláció-és regresszióelemzés) A szórásdiagrammalmeghatározható, hogy valamely paraméter változása hogyan hat egy másik paraméterre. Bedzsula Bálint 257
12 Szórás-diagram 204. Készítésének lépései: Válasszunk értékpárokat a 2 paraméterből! Rajzoljuk meg a diagram vízszintes (x) és függőleges (y) tengelyét! Írjuk be az adatokat a diagramba! Értékeljük ki az adatokat! Bedzsula Bálint 258
13 A statisztikai folyamatszabályozás 205. alapjai Termelési és szolgáltatási folyamatoknak meg kell felelnie az előírásoknak, tervezési specifikációknak és a vevői igényeknek. Minőségszabályozás! (folyamat, statisztikai módszerek) A minőségi jellemzők ingadozása Folyamatra ható zavarok A zavarok típusai, gyakorisága, jelentősége Bedzsula Bálint 259
14 A statisztikai folyamatszabályozás alapjai 205. A folyamatra ható zavarok : Véletlen:állandóan jelenlevő, nagyszámú, a folyamatot csak kissé befolyásoló zavarok, feltárásuk nem cél, hatásuk elfogadott Bedzsula Bálint 260
15 A statisztikai folyamatszabályozás alapjai 205. A folyamatra ható zavarok : Veszélyes, rendszeres:időszakosan jelentkező, kis számban előforduló, a folyamatra nagy hatással lévő zavarok, megismerendő és megszüntetendőek! Bedzsula Bálint 261
16 A statisztikai folyamatszabályozás alapjai 205. A folyamatra ható zavarok : Egyedi, kiugró érték: egyszer előforduló, a többi értéktől jelentősen különböző adat; többnyire egyszeri jelentős külső hatás, mérési hiba okozza, általában nem a folyamat jellemzője Bedzsula Bálint 262
17 A statisztikai folyamatszabályozás 206. alapjai A folyamat: Szabályozatlan: Rendszeres hibák is vannak A változó eloszlása nem állandó Szabályozott: Csak véletlen hibák A változékonyság időben állandó normális eloszlás Bedzsula Bálint 263
18 A statisztikai folyamatszabályozás alapjai 206. A folyamat: Nem képes: Nem képes kielégíteni a vevői igényeket Képes: Képes kielégíteni a vevői igényeket Bedzsula Bálint 264
19 A statisztikai folyamatszabályozás alapjai A folyamat jellemzői: igen Szabályozott? nem 207. igen Képes? nem Bedzsula Bálint 265
20 SPC 207. Folyamatszabályozási rendszer (Statistical Process Control) Feladata: Folyamatok jellemzőinek meghatározott határok között tartása Zavarhatások rendszeres figyelése, elemzése, kiküszöbölése, ill. hatásuk csökkentése Célja: A folyamat végeredményének minőségét változatlan szinten tartani (megfelelő képesség, szabályozott állapot) Bedzsula Bálint 266
21 SPC 207. Fő területei: Szabályozottság Minőségképesség Fő eszközei: Adatrögzítő lapok Hisztogram Szóródás diagram Pareto-elemzés Halszálka (Ishikawa-)diagram Képességelemzés Ellenőrző (szabályozó) kártyák Bedzsula Bálint 267
22 SPC 208. SPC rendszer felépítése: SPC Ellenőrzőkártyák Képesség, szabályozottság elemzés Hibaelemzés Adat- és információgyűjtés Bedzsula Bálint 268
23 Minőségképesség-elemzés 209. Stabil, szabályozott gyártási folyamat (csak véletlen hibák időben állandó ingadozás) A folyamat, művelet, gép: Képes-e kielégíteni a vevők elvárásait? Képessége az előírásokon belül van? Célja: a gyártási folyamatra ható zavarok hatásainak és mértékének megismerése; ezek alapján döntés: a vizsgált folyamat képes-e egy adott minőségszintű termék gyártására vagy sem? Bedzsula Bálint 269
24 Minőségképesség-elemzés 208. Két típusa: Gépképesség Egyetlen gép vagy művelet A mért paramétereknek csak a gép, ill. művelet okozott változásokat kell mutatnia Faktorok változásának minimalizálása (homogén körülmények, rövid időintervallum) Folyamatképesség A vizsgált paraméter változását előidéző összes hatást figyelembe veszi Valamennyi faktor hatásának tükröződnie kell (hosszabb időintervallum, alkalmanként kisebb minta) Bedzsula Bálint 270
25 Minőségképesség-elemzés 209. Lényege: A folyamat ingadozásának mértékét viszonyítjuk a tűrésmezőhöz. (FTH-ATH/USL-LSL) A maximális minőségképességét a véletlen zavarok határozzák meg! Módszerei: Grafikus ábrázolás Minőségképesség-index Gauss-papíros ábrázolás Bedzsula Bálint 271
26 Minőségképesség-elemzés 210. Lépései: Kritikus paraméter kiválasztása Adatgyűjtés Szabályozottság vizsgálata Adatok elemzése Változások okainak feltárása Folyamatfigyelő rendszer bevezetése Bedzsula Bálint 272
27 Minőségképesség-elemzés 210. Grafikus ábrázolás vonaldiagram és hisztogram segítségével Ránézésre megállapítható, hogy a mérési eredmények a határok között mozognak-e. Bedzsula Bálint 273
28 Minőségképesség-elemzés 210. Grafikus ábrázolás vonaldiagram és hisztogram segítségével Ránézésre megállapítható, hogy a mérési eredmények a határok között mozognak-e. Bedzsula Bálint 274
29 Minőségképesség-elemzés 210. Minőségképesség-indexek Számszerű értékkel jellemzi a képességet Minőségképességi index: = ATH Előírás FTH =1 >1 <1 Bedzsula Bálint 275
30 Minőségképesség-elemzés 211. Minőségképesség-indexek Folyamatképesség-index: Gépképesség-index: Elvárás -velszemben: = -áshatár Hibaarány [ppm] 1,00 ± ,33 ±4 63,5 1,67 ±5 0,57 2,00 ±6 0,002 Nem veszik figyelembe az ingadozás centrumának esetleges eltolódását! ATH Előírás FTH Bedzsula Bálint 276 =1 =1 >1
31 Minőségképesség-elemzés 211. Korrigált minőségképesség-indexek Folyamatképesség-index: Gépképesség-index: ; =0,5! ;! =1 Bedzsula Bálint 277 ATH Előírás FTH
32 Minőségképesség-elemzés 212. Az indexek kapcsolata: "< <+ < Cp = 2,0 Cpk = 0,0 Cpk = -1,0 FTH Értékeljük a folyamatot! =&,!( =",)( Előírás Cpk = 1,0 Cpk = 2,0 ATH Bedzsula Bálint 278
33 Minőségképesség-elemzés 211. Minőségképesség-indexek Kétoldali előírás és N Szimmetrikus N, ATH, FTH Kétoldali előírás Aszimmetrikus N, ATH, FTH ATH, FTH C p, C m FTH ATH 2 c * s Min FTH N c * s ; N ATH c * s FTH ATH 2 c * s C pk, C mk Min FTH x x ATH ; c* s c* s Min FTH x ; c * s x ATH c * s Min FTH x x ATH ; c* s c* s * : a minta számtani átlaga,: a mintából számolt tapasztalati szórás C p, C pk : Folyamatképesség-(ProcessCapability) indexek (c=3) C m, C mk : Gépképesség-(MachineCapability) indexek (c=4) Bedzsula Bálint 279
34 Minőségképesség-elemzés 211. Minőségképesség-indexek Egyoldali előírás N, FTH N, ATH FTH ATH C p, C m FTH N c* s N ATH c* s C pk, C mk FTH x c * s x ATH c * s FTH x c * s x ATH c * s * : a minta számtani átlaga,: a mintából számolt tapasztalati szórás C p, C pk : Folyamatképesség-(ProcessCapability) indexek (c=3) C m, C mk : Gépképesség-(MachineCapability) indexek (c=4) Bedzsula Bálint 280
35 Minőségképesség-elemzés Példa: Adja meg a kristálycukor adagoló automata folyamatképességi-indexeit, ha az előírás 250±5g és a töltési tömeg N(249,95; 1,003) eloszlással jellemezhető! ATH Előírás FTH = 6. = ,003 =1,662 = 3. ; = = 249, ,003 ; ,95 3 1, = = 1,645;1, =1,645 Bedzsula Bálint 281
36 Minőségképesség-elemzés Példa: Hasonlítsunk össze két folyamatot, mindkettőre az előírás 100±1. Az egyikben legyen. 9 =0,2 és 9 =99,5; a másikban. : =0,4 és : = = 6. 9 : = 6. : = ,2 =1,67 = ,4 =0,83 9 = ; = 99, ,2 ;101 99,5 3 0,2 = 0,83;1,25 01 =0,83 01 : = : 3. : ; : 3. : 01 = ,4 ; ,4 01 = 0,83;0,83 01 =0,83 Bedzsula Bálint 282
37 Normális (Gauss-) eloszlás f ( x µ ) 1 2 2σ ( x) = e σ 2π 2 f(x) F(x) 0, σ F( x) = e σ 2π x ( x µ ) 2 dx M(ξ) = µ D(ξ) = σ µ µ Standardizálás: F ( x) x µ = Φ σ ( u) = Φ( u) Φ 1 283
38 Minőségképesség-elemzés = = Példa: Legyen egy gyártási folyamat valamely jellemzőjének előírt tartománya 100±1, a.becslése,=0,2. Mekkorák a képességi indexek, és a termékek mekkora része lesz kívül a tűrési tartományon, ha μ becslése * =100,5? 6, * 3, = 100, ,2 = ,2 =1,667 ; * 3, 01 ; ,5 3 0,2 = 2,50;0,83 01 =0,83 = 01 = < ξ<99 +< ξ>101 = =1 < 99<ξ<101 < 99<ξ<101 =Φ ,5 0,2 = Φ ,5 0,2 =Φ 2,5 Φ 7,5 =0,9937 0= =0, < ξ<99 +< ξ>101 =0,0062 =
39 Minőségképesség-elemzés 211. Minőségképesség-indexek: feltéve, hogy a paraméter normális eloszlással jellemezhető. Valóban normális eloszlást követ a vizsgált jellemző? Illeszkedésvizsgálat! Emlékeztető!? vagy: Gauss-papíros ábrázolás Bedzsula Bálint 285
40 Minőségképesség-elemzés 213. Gauss-papíros ábrázolás: Normalitásvizsgálat Grafikus ábrázolás, mellyel maga a minőségképesség-vizsgálat is elvégezhető Egyszerűen, gyorsan megbecsülhető a folyamatképesség Egyszerűen leolvasható a tűréshatárokon kívülre esés valószínűsége Eszköze: Gauss-féle hálózatpapír Bedzsula Bálint 286
41 213. Minőségképesség-elemzés Gauss-papíros ábrázolás: x tengely: egyenletes beosztású y tengely: a standard normális eloszlás eloszlásfüggvénye szerint 287
42 Gauss-papíros ábrázolás 213. Lépései: 1. A vizsgált jellemző milyen eloszlást követ? A vizsgált mintát r osztályba soroljuk Összegezzük az egyes osztályokhoz tartozó relatív gyakoriságot Majd az így kapott kumulált relatív gyakoriságokat (tapasztalati eloszlásfüggvény értékeit) ábrázoljuk a papíron Példa: minta db g(x) g'(x) % 5% % 25% % 55% % 79% % 95% % 100% 288
43 Gauss-papíros ábrázolás A vizsgált jellemző milyen eloszlást követ? A kapott pontokat összekötjük Ha a minta normális eloszlású, akkor a kapott pontok egy egyenesre esnek! Elfogadjuk a normalitást Leolvassuk a jellemző paramétereket µ-σ 486 µ 500 σ
44 Gauss-papíros ábrázolás Folyamatképesség becslése A pontokra illesztett egyenes = elméleti eloszlásfüggvény becslése Ezt hasonlítjuk össze a tűréshatárokkal: ha a tűrésmező (Cp index számlálója) nagyobb, mint a természetes ingadozás tartomány (Cpindex nevezője), akkor Cp> Bedzsula Bálint 290
45 Gauss-papíros ábrázolás ATH=97,5 tűréshatárok FTH=102, Ránézésre! Sikerült egyenest illeszteni a pontokra N(101; 1,2) Eltolódás vizsgálata: Tűréshatárok és µ helyzetének értékelése (középen van?) σ 1,2 µ-σ 99,8 µ 101 Minőségképességvizsgálata: Tűrésmező és természetes ingadozás értékelése (hol metszi a tűréshatárokat az egyenes? jobb oldal) Nem megfelelőség esélye: Határon kívülre esés valószínűsége (hol metszi a tűréshatárokat az egyenes? bal oldal)
46 Gauss-papíros ábrázolás Számoljunk! = ,597,5 6 1,2 N(101; 1,2) Minőségképességvizsgálata: 0,69 ATH tűréshatárok FTH Nem megfelelőség esélye: < ξ97,5 #< ξ102,5 < 97,5ξ102,5 Φ 102,5101 1,2 1< 97,5ξ102,5 Φ 97,5101 1,2 0,42 σ 1,2 µ 101 Φ 1,25 Φ 2,92 0,8944?10,9983@ 0,8927 < ξ97,5 #< ξ102,5 0,
47 Gauss-papíros ábrázolás Feladat 2 pont! Egy sörgyártó vállalatnál a sör névleges térfogata 250ml kell, hogy legyen, és a térfogat eltérése legfeljebb ±5ml lehet. Egy 50 elemű véletlen mintából ellenőrzik a szállítmányt. A minta adatai a következők: minta db µ
48 Minőségképesség-elemzés Bedzsula Bálint 296
49 40. SixSigma A legkihívóbb és legkifizetődőbb kezdeményezés, ami csak bevezetésre került a GE-nél. A Hat Szigma valójában kulturális kérdés a viselkedés egy formája. A DMAIC ciklus Define Control Measure Improve Analyse -6σ -5σ -4σ -3σ -2σ -1σ +1σ +2σ +3σ +4σ +5σ +6σ % hibaarány (ppm) ±1σ 30, ±2σ 69, ±3σ 93, ±4σ 99, ±5σ 99, ±6σ 99, ,4 Bedzsula Bálint 297
50 SixSigma Időszak érték ±σ Belül esés Kívül esés (legfeljebb) (legalább) % % ppm ,73 0, , , Folyamat teljesítmény: hibák a lépések Egyedi teljesítmény: minden vagy komponensek számának lépés vagy komponens függvényében ±σ hibaszám ±1,5 σingadozás ppm ppm 4 0, , ,5 3, Bedzsula Bálint 298
Minőségmenedzsment (módszerek) BEDZSULA BÁLINT
Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Bedzsula Bálint gyakornok Menedzsment és Vállalatgazdaságtan Tanszék Q. épület A.314. bedzsula@mvt.bme.hu http://doodle.com/bedzsula.mvt Az előző előadás
RészletesebbenMinőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás
STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Erdei János Miről lesz szó? Mit értünk folyamatok stabilitásán, szabályozottságán? Mit jelent a folyamatképesség, és hogyan mérhetjük azt? Hogyan vehetjük észre a
RészletesebbenMinőségmenedzsment (módszerek) BEDZSULA BÁLINT
Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Bedzsula Bálint gyakornok Menedzsment és Vállalatgazdaságtan Tanszék Q. épület A.314. bedzsula@mvt.bme.hu http://doodle.com/bedzsula.mvt Az előző előadás
RészletesebbenMINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK. Dr. Drégelyi-Kiss Ágota ÓE BGK
MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK Dr. Drégelyi-Kiss Ágota ÓE BGK e-mail: dregelyi.agota@bgk.uni-obuda.hu 1 STATISZTIKA CÉLJA Sokaság Következtetés bizonytalansága Véletlenszerű és reprezentatív mintavétel
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem
Budapesti Műszaki és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Üzleti Tudományok Intézet Menedzsment és Vállalatgazdaságtan Tanszék MINŐSÉGMENEDZSMENT ALAPJAI 11. előadás Folyamatszabályozás
RészletesebbenTevékenység 1 Tevékenység 2 Tevékenység 3. Hogyan dolgozzunk? Folyamat. Milyen, mennyi erőforrást használjunk? Emberek. Módszerek.
Tevékenység 1 Tevékenység 2 Tevékenység 3 Hogyan dolgozzunk? Beszállítók I N P U T Folyamat O U T P U T Vevők Milyen, mennyi erőforrást használjunk? Emberek Módszerek Anyagok Eszközök Idő folyamatok
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 249 215. Mérőeszköz-képességelemzés
RészletesebbenIATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools):
APQP IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools): PPAP (Production Part Approval Process) Gyártás jóváhagyási folyamat APQP (Advanced Product Quality Planning and Control Plans)
RészletesebbenTájékoztató. Normális (Gauss-) eloszlás. Következtetés hibái. Mintavételi alapelvek. Minőségmenedzsment módszerek (SPC) 3σmás szabály.
Minőségmenedzsment módszerek (SPC) Erdei János Tájékoztató Előadó: Erdei János Tematika: Minőségmenedzsment módszerek Folyamatszabályozás logikája, eszközei, mintavételes átvételi minőség-ellenőrzés alapjai
RészletesebbenStatistical Process Control (SPC), Statisztikai Folyamatszabályozás
Statistical Process Control (), Statisztikai Folyamatszabályozás 1 2 2 A statisztikai folyamatszabályozás () koncepcióját először Dr Walter Shewhart fejlesztette ki a Bell laboratóriumokban, az 1920-as
RészletesebbenMinőségmenedzsment (módszerek) BEDZSULA BÁLINT
Minőségmenedzsment (módszerek) BEDZSULA BÁLINT Bedzsula Bálint gyakornok Menedzsment és Vállalatgazdaságtan Tanszék Q. épület A.314. bedzsula@mvt.bme.hu http://doodle.com/bedzsula.mvt Az előző előadás
RészletesebbenDefine Measure Analyze Improve Control. F(x), M(ξ),
5.5.5. Six Sigma Minőségmenedzsment Statisztikai folyamatszabályozási (SPC) rendszer Erdei János Egy fegyelmezett és erősen mennyiségi szemléletű folyamatfejlesztési megközelítés, amely a gyártási, szolgáltatási
RészletesebbenErdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány
Budapesti Műszaki- és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállalkozásgazdaságtan Tanszék Erdei János egyetemi adjunktus Minőség- és megbízhatóság menedzsment
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
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenSorozatmérés digitális mérőórával 3.
Mechatronika, Optika és Gépészeti Informatika Tanszék kiadva: 2012.02.12. Sorozatmérés digitális mérőórával 3. A mérések helyszíne: D. épület 523-as terem. Az aktuális mérési segédletek a MOGI Tanszék
RészletesebbenNemparaméteres próbák
Nemparaméteres próbák Budapesti Mőszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Mőegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu
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
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenKockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével
Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése
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
RészletesebbenKockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével
Kockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenNEVEZETES FOLYTONOS ELOSZLÁSOK
Bodó Beáta - MATEMATIKA II 1 NEVEZETES FOLYTONOS ELOSZLÁSOK EXPONENCIÁLIS ELOSZLÁS 1. A ξ valószínűségi változó eponenciális eloszlású 80 várható értékkel. (a) B Adja meg és ábrázolja a valószínűségi változó
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenGyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László
Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,
RészletesebbenMINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár
MINİSÉGBIZTOSÍTÁS egyetemi tanár 3. ELİADÁS 2011. Február 21. NYME FMK TGYI 2006.08.28. 1. fólia FMEA A HIBAELEMZÉSI MÓDSZEREK GYAKORLATI KOMBINÁLÁSA NYME FMK TGYI 2006.08.28. 1/2. fólia FMEA TIPHIB Elnevezés:
RészletesebbenFeladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?
Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését
RészletesebbenHat Szigma Zöldöves Tanfolyam Tematikája
Hat Szigma Zöldöves Tanfolyam Tematikája Megjegyzések: A tanfolyamon haszáljuk: - Minitab statisztikai (demo) és - Companion by Minitab projektek menedzselésére szolgáló (demo) szoftvert, átadunk: - egy
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
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
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
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenSix Sigma és Lean menedzselésének eszköze a Companion by Minitab
Six Sigma és Lean menedzselésének eszköze a Companion by Minitab Lakat Károly L.K.Quality Bt. EOQ MNB 2019 február 28. L.K. Quality Bt. EOQ MNB Hat Szigma, Lean és Statisztikai Módszerek 1 Minőségi topográfia
RészletesebbenA Statisztika alapjai
A Statisztika alapjai BME A3c Magyar Róbert 2016.05.12. Mi az a Statisztika? A statisztika a valóság számszerű információinak megfigyelésére, összegzésére, elemzésére és modellezésére irányuló gyakorlati
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
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
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenStatisztikai becslés
Kabos: Statisztika II. Becslés 1.1 Statisztikai becslés Freedman, D. - Pisani, R. - Purves, R.: Statisztika. Typotex, 2005. Reimann J. - Tóth J.: Valószínűségszámítás és matematikai statisztika. Tankönyvkiadó,
RészletesebbenI. GÉPKÉPESSÉG-VIZSGÁLAT
I. GÉPKÉPESSÉG-VIZSGÁLAT Jelen esettanulmány [1] felhasználásával készült. A minőség és megbízhatóság kapcsolatrendszerének értelmezésénél említettük, hogy a termelő berendezések esetében a két fogalom
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenMINŐSÉGMENEDZSMENT ALAPJAI. 7. előadás Folyamatfejlesztési modellek és módszerek 1. (minőségmenedzsment módszerek) Bedzsula Bálint
MINŐSÉGMENEDZSMENT ALAPJAI 7. előadás Folyamatfejlesztési modellek és módszerek 1. (minőségmenedzsment módszerek) bedzsula@mvt.bme.hu Amiről szó lesz ma Választ adok a következőkre: Mi jellemzi a minőségmenedzsment
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
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenSTATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
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
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenKözlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta
Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenHanthy László Tel.: 06 20 9420052
Hanthy László Tel.: 06 20 9420052 Néhány probléma a gyártási folyamatok statisztikai szabályzásával kapcsolatban Miben kellene segíteni az SPC alkalmazóit? Hanthy László T: 06(20)9420052 Megválaszolandó
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenKockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén
Kockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia program Projekt
RészletesebbenA valószínűségszámítás elemei
Alapfogalmak BIOSTATISZTIKA ÉS INFORMATIKA A valószínűségszámítás elemei Jelenség: minden, ami lényegében azonos feltételek mellett megismételhető, amivel kapcsolatban megfigyeléseket lehet végezni, lehet
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenIntervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef.
Intervallumbecsle s Mintave tel+ Hipote zisvizsga lat Egyminta s pro ba k Ke tminta s pro ba k Egye b vizsga latok O sszef. Feladatok Gazdaságstatisztika 7. Statisztikai becslések (folyt.); 8. Hipotézisvizsgálat
RészletesebbenMINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia
MINİSÉGSZABÁLYOZÁS A GÉPIPARBAN Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia ISO 9000:2008 A STATISZTIKAI MÓDSZEREK HASZNÁLATÁRÓL A statisztikai módszerek
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenStatisztikai 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
RészletesebbenFolyadékszcintillációs spektroszkópia jegyz könyv
Folyadékszcintillációs spektroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc I. Mérés vezet je: Horváth Ákos Mérés dátuma: 2010. október 21. Leadás dátuma: 2010. november 8. 1 1. Bevezetés A mérés
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
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenMinőségelmélet kommunikációs dosszié MINŐSÉGELMÉLET. Anyagmérnök mesterképzés (MsC) Tantárgyi kommunikációs dosszié
MINŐSÉGELMÉLET Anyagmérnök mesterképzés (MsC) Tantárgyi kommunikációs dosszié MISKOLCI EGYETEM Műszaki Anyagtudományi Kar Energia- és Minőségügyi Intézet Minőségügyi Intézeti Kihelyezett Tanszék MISKOLC,
RészletesebbenMinőségirányítási rendszerek 1. előadás
Minőségirányítási rendszerek 1. előadás 2013.02.15. Dr. Szabó Gábor Csaba, valamint Dr. Topár József (BME GTK Menedzsment és Vállaltgazdaságtan Tanszék) előadásfóliáinak felhasználásával összeállította
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenKockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése
Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenBiostatisztika. Sz cs Gábor. 2018/19 tavaszi félév. Szegedi Tudományegyetem, Bolyai Intézet
Biostatisztika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet 2018/19 tavaszi félév Bevezetés Tudnivalók, követelmények Tudnivalók, követelmények Félév tematikája: Értékelés: Valószín ségszámítás
RészletesebbenSTATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1
STATISZTIKAI ALAPOK Statisztikai alapok_eloszlások_becslések 1 Pulzus példa Egyetemista fiatalokból álló csoport minden tagjának (9 fő) megmérték a pulzusát (PULSE1), majd kisorsolták ki fusson és ki nem
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenMéréstechnika II. Mérési jegyzőkönyvek FSZ képzésben részt vevők részére. Hosszméréstechnikai és Minőségügyi Labor Mérési jegyzőkönyv
Méréstechnika II. ek FSZ képzésben részt vevők részére Összeállította: Horváthné Drégelyi-Kiss Ágota Kis Ferenc Lektorálta: Galla Jánosné 009 Tartalomjegyzék. gyakorlat Mérőhasábok, mérési eredmény megadása.
RészletesebbenMicrosoft Excel 2010. Gyakoriság
Microsoft Excel 2010 Gyakoriság Osztályközös gyakorisági tábla Nagy számú mérési adatokat csoportokba (osztályokba) rendezése -> könnyebb áttekintés Osztályokban szereplő adatok száma: osztályokhoz tartozó
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
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
RészletesebbenPoisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)
Poisson-eloszlás Exponenciális és normális eloszlás (házi feladatok)./ Egy televízió készülék meghibásodásainak átlagos száma óra alatt. A meghibásodások száma a vizsgált időtartam hosszától függ. Határozzuk
RészletesebbenA mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv
Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
Részletesebben10. 11. Előadás A folyamatok szabályozása statisztikai alapon
10. 11. Előadás A folyamatok szabályozása statisztikai alapon 10. - Képességi és beállítottsági mutatók 11. - Szabályozókártyák BMF RKK BTRI Minőségirányítási Intézeti Tanszél 1 Folyamatok szabályozása
Részletesebben