Minősítéses mérőrendszerek képességvizsgálata
|
|
- Elvira Csonka
- 7 évvel ezelőtt
- Látták:
Átírás
1 Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék
2 Az előadás vázlata 1. Mnősítéses mérőrendszerek vzsgálata az AIAG előrat szernt 2. Új, modell alapú módszer bemutatása 2
3 Mnősítéses mérőeszközök Két lehetséges kmenet 3
4 A mnősítéses mérőrendszer modellje P(elfogadás) 1 Bzonytalan döntés Mérőeszköz képességgörbe (GPC) 0 Elutasítás tartomány Rossz Specfkácós határ Elfogadás tartomány Jó Méret (x) 4
5 A mnősítéses mérőrendszer modellje P(elfogadás) 1 Bzonytalan döntés Mekkora a hbás döntés valószínűsége? 0 Elutasítás tartomány Rossz Specfkácós határ Elfogadás tartomány Jó Mennyre egyeznek az operátorok döntése? Méret (x) 5
6 AIAG A mnősítéses mérőrendszerek képességvzsgálatának módszere az Automotve Industry Acton Group előrata szernt: Sgnal detecton approach Analtkus módszer Keresztosztályozásos módszer 6
7 Keresztosztályozásos módszer 50 darabot 3 operátor mnősít 3 smétléssel Operátor Darab A A A B B B C C C : elfogadás 0: elutasítás 7
8 Keresztosztályozásos módszer 50 darabot 3 operátor mnősít 3 smétléssel Operátor A B C : elfogadás 0: elutasítás 8
9 Kappa Mért gyakorságok: B 0 1 Σ A Σ Ha a két operátor mérés eredménye függetlenek lennének, a határgyakorságok határoznák meg a különböző cellákba esés valószínűségét Számított gyakorságok: B A nsz ( ) 11 = =
10 Kappa A főátlóbel cellákba esés valószínűsége: pm ( ) = psz ( ) = nm ( ) + nm ( ) N nsz ( ) + nsz ( ) N pm ( ) psz ( ) kappa = 1 psz ( ) A B C A B C Kappa > 0.75 jó egyezés Kappa < 0.4 rossz egyezés 10
11 Keresztosztályozásos módszer 50 darabot 3 operátor mnősít 3 smétléssel Operátor Darab A A A B B B C C C : elfogadás 0: elutasítás 11
12 Keresztosztályozásos módszer 50 darabot 3 operátor mnősít 3 smétléssel Operátor A B C : elfogadás 0: elutasítás 12
13 Kappa Operátor Darab A A A B B B C C C B 0 1 A B 0 1 A
14 Kappa Kappa > 0.75 jó egyezés Kappa < 0.4 rossz egyezés A B C AIAG szernt párosítás A B C egy másféle párosítás A B C A B C
15 Kappa Knorr Bremse: Kappa mutatóval ellentmondásos eredményeket kaptak Operátor A A A B B B C C C A B C A B C
16 Kappa Knorr Bremse: Kappa mutatóval ellentmondásos eredményeket kaptak Operátor A A A B B B C C C A B C A B C
17 Kappa B 0 1 A kappa=0.709 Kappa számítása smétlés nélkül mérések esetén jogos, értéke ebben az esetben s erősen függ a főátlóbel elemek eloszlásától. 0,9 0,8 0,7 B 0 1 A kappa=0.375 kappa 0,6 0,5 0,4 0,3 0,2 0,1 0 0,01 0, log (elfogadott/elutasított) 17
18 Keresztosztályozásos módszer 50 darabot 3 operátor mnősít 3 smétléssel Rossz SH=0,465 Jó Operátor Ref. A A A B B B C C C 0, , , ,
19 Keresztosztályozásos módszer Keresztosztályozásos táblázatból számolt mutatók: Hatékonyság Téves elfogadások aránya Téves elutasítások aránya Torzítás Ismételhetőség Darab Döntés Elfogad Elutasít Jó 45 2 Rossz Legyen a mnősítések összes száma rögzített. A cellagyakorságok varancája annál ksebb, mnél kevesebb smétléssel végezték a mnősítést. Jobb 150 darabot egyszer mnősíten, mnt 50 et háromszor. 19
20 Keresztosztályozásos módszer Bayes tétel B operátor Mnősítés Elfogad Elutasít Σ Darab Jó (ref.) Rossz Σ Pˆ ( elfogad jó ) = = 0, Pˆ ( elfogad rossz ) = = 0, Pˆ ( rossz elfogad ) = = 0, Pˆ ( jó elutasít ) = = 0,
21 Keresztosztályozásos módszer Bayes tétel Az AIAG szernt számolás mód, ha megváltozk a folyamat: PRelfo ( gad) = P( elfogad R) PR ( ) Pe ( lfogad R) P( R) + P( elfogad J ) P( J) J:jó R:rossz P( R), P( J) Új folyamatra jellemző értékek Feltételes Feltételezés valószínűségek! NEM TELJESÜL! változatlanok P( elfogad R) P( elutasít J ) Rég folyamatra jellemző értékek 21
22 AIAG A mnősítéses mérőrendszerek képességvzsgálatának módszere az Automotve Industry Acton Group előrata szernt: Sgnal detecton approach Analtkus módszer Keresztosztályozásos módszer 22
23 Analtkus módszer P(elfogadás) 1 Bzonytalan döntés A görbe s alakú részét grafkusan ábrázolják egy Gauss hálós ábrán (lnearzálás). Az llesztés módja heursztkus néhány ponton. 0 Elutasítás tartomány Méret (x) Elfogadás tartomány A transzformácó matt szükséges súlyozást nem veszk fgyelembe. 23
24 AIAG előrat krtkája A Cohen kappa helytelen használata. A Cohen kappa alkalmatlan a mérőeszköz jellemzésére. Ha a folyamat megváltozk, a keresztosztályozásos elemzésből a Bayes tétellel nem becsülhetők a felhasználó számára érdekes feltételes valószínűségek. Az analtkus módszernél alkalmazott llesztés elvleg hbás. A keresztosztályozásos és analtkus módszer eredménye együtt nem értelmezhetők. Elkülönül a mérőeszköz képességgörbe, és a mérőrendszer alkalmasságának vzsgálata. A keresztosztályozásos módszer a túl nagy és túl kcs kategórákat összevonva kezel. 24
25 A javasolt módszer (ha x mérhető) Mérőeszköz képesség görbe (GPC) 1 p=p(elfogad) Bzonytalan döntés Javasolt (feltételezett) modell: p logt[ p] = ln = x 1-p α + β logt[p] exp( x) p = α + β 1 + exp( α + β x) 0 Méret (x) Méret (x) Elutasítás tartomány Elfogadás tartomány 25
26 Mérőeszköz képesség görbe O ( ) ( P O* P p ) α+ β + β + γ logt = x β β O O 1 2 & γ γ OP * OP * Operator 1 Operator 2 Operator 1 Operator 2 P(1) P(1) 0 Méret referenca érték 0 Méret referenca érték 26 26
27 Mérőeszköz képesség görbe A mérőeszköz képesség görbe javasolt jellemző: Szürke zóna szélessége (GZ), Torzítás P(1) 0.5 Torzítás Torzítás = SH x = SH + P(elfogad) β P nfl α + β + γ O O* P Rossz darabok Jó darabok SH Méret referenca érték 0 Rossz Jó méret SH 27
28 Mérőeszköz képesség görbe A mérőeszköz képesség görbe javasolt jellemző: Szürke zóna szélessége (GZ), Torzítás P(1) 0.5 GZ 0,05 ε = 0,05 Torzítás Torzítás = SH x = SH + β P nfl α + β + γ O O* P SH Méret referenca érték ( ) 2ln (1 ε )/ ε GZ ε =, P O P β + γ 28
29 A rossz döntés valószínűsége Annak valószínűsége, hogy egy elfogadott darab rossz: P( Rossz elfogad) = P( elfogad Rossz) P( elfogad) Annak valószínűsége, hogy egy elutasított darab jó: PJóelutasít ( ) = P( elutasít Jó) P( elutasít) 29
30 A rossz döntés valószínűsége P( elfogad) = f ( x) p( x) dx x= darabok sűrűségfüggvénye egy darab elfogadás valószínűsége f(x) 1 p (x) x 0 x 1 1( x μ) f() x = exp 2 2πσ 2 σ 2 P O O* P exp( α + β x + β + γ x) ( ) = + P O O* P α + β x + β + γ p x 1 exp( x) 30
31 A rossz döntés valószínűsége P( elfogad) = f ( x) p( x) dx SH Pelfog ( ad Rossz) = f ( x) p ( x) dx P( Rossz elfogad) PJóelutasít ( ) x= Az ntegrálás tartomány változtatásával: = x= P( elfogad Rossz) P( elfogad) P( elutasít Jó) = = Pelutasít ( ) + x= SH + x= f ( x) Rossz f( x)(1 p ( x) ) dx f( x) (1 p ( x) ) SH dx 31 x
32 A rossz döntés valószínűségének becslése P( elfogad) = f( x) p () x dx x= A folyamat paraméterek (f(x)) függetlenek a mérőeszköz képességgörbe paraméteretől (p (x)). Ha a gyártás folyamat változk, a GPC paraméterek becslését nem kell megsmételn. f(x) 1 p (x) x 0 x 32
33 1. mnta Véletlen mnta Referenca érték (x) meghatározása A mnősítés kvtelezése P( elfogad) = f( x) p x= dx 2. mnta Ekvdsztáns mnta p 1 Folyamat paraméterek becslése ˆ μ, ˆ σ 0 referenca érték ( x ) Referenca érték meghatározása Ismételt mnősítések GPC paraméterek becslése ˆ ˆP ˆOP OP* P β=( ˆ αβ,, β, ˆ γ ) 33
34 A becslés módszerek összehasonlítása A javasolt módszer az előrat mnden problémájára megoldást nyújt. Mlyen áron? Több mérést kell e végezn a képességvzsgálat során? Egy konstruált példán keresztül vzsgáltam a keresztosztályozásos módszer (AIAG előrat ) és a javasolt modell alapú számolás hatékonyságát. 34
35 A becslés módszerek összehasonlítása Példa Három különböző operátor vesz részt az elemzésben. Az operátorokhoz tartozó mérőeszköz képesség görbék paramétere, a folyamat eloszlása és a specfkácós határ adott. Ezek smeretében P( R elfogad) és P( J elutasít) számolható. Különböző mntaelemszámokra számoltam P( R elfogad) és P( J eltutasít) becslésének közepes négyzetes hbáját (MSE) keresztosztályozásos (AIAG típusú) modell alapú becslés esetén. 35
36 MSE P( Jó elutasít) MSE P ( Rossz elfogad) vs. mnősítések száma = mntaelemszám smétlésszám E E-05 Keresztosztályozás E E+00 4.E Modell alapú N1= E-05 0.E E-05 2.E-05 1.E-05 0.E Ugyananny munkával sokkal ksebb MSE 36
37 Köszönöm a fgyelmet! 37
MINİSÍTÉSES 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
RészletesebbenBUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VEGYÉSZMÉRNÖKI ÉS BIOMÉRNÖKI KAR OLÁH GYÖRGY DOKTORI ISKOLA. Tézisfüzet
BUDAPESTI MŐSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VEGYÉSZMÉRNÖKI ÉS BIOMÉRNÖKI KAR OLÁH GYÖRGY DOKTORI ISKOLA Mnısítéses mérıeszközök képességvzsgálata Tézsfüzet Szerzı: Vágó Emese okleveles vegyészmérnök
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
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,
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
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
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
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.
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
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
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
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
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
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
RészletesebbenAbszolút és relatív aktivitás mérése
Korszerű vizsgálati módszerek labor 8. mérés Abszolút és relatív aktivitás mérése Mérést végezte: Ugi Dávid B4VBAA Szak: Fizika Mérésvezető: Lökös Sándor Mérőtársak: Musza Alexandra Török Mátyás Mérés
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
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,
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
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
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 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
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 elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenA Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása
azdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállakozásgazdaságtan Tanszék A Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása Készítette: dr. Koltai Tamás egyetemi tanár Budapest,.
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
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
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
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
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
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
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
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
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.
RészletesebbenMinőségirányítási rendszerek 9. előadás
Minőségirányítási rendszerek 9. előadás 013.05.03. MÉRŐESZKÖZÖK MÉRÉSTECHNIKAI TULAJDONSÁGAI Mérőeszköz rendszeres hibája (Systematic Error of Measurement) alatt ugyanannak az értéknek megismételhetőségi
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 249 215. Mérőeszköz-képességelemzés
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
RészletesebbenHETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT
HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT Mobil és vezeték nélküli hálózatok (BMEVIHIMA07) 2015. április 3., Budapest Jakó Zoltán BME Hálózati Rendszerek és Szolgáltatások Tanszék
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
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
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
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
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
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
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
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
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
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
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:
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
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
RészletesebbenGeofizikai kutatómódszerek I.
Geofizikai kutatómódszerek I. A gravitációs és mágneses kutatómódszer Dr. Szabó Norbert Péter egyetemi docens Miskolci Egyetem Geofizikai Intézeti Tanszék e-mail: norbert.szabo.phd@gmail.com 1. A gravitációs
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
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
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
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:
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
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
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
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
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
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,
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 -
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
Részletesebbenpont százalék % érdemjegy (jeles) (jó) (közepes) (elégséges) alatt 1 (elégtelen
A dolgozat feladatai az órán megoldott feladatok valamelyike, vagy ahhoz nagyon hasonló. A dolgozat 8 feladatból áll. 1. feladat 13 pont. feladat 8 pont 3. feladat 4. feladat 5. feladat 5 pont 6. feladat
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
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,
Részletesebben1. Gauss-eloszlás, természetes szórás
1. Gauss-eloszlás, természetes szórás A Gauss-eloszlásnak megfelelő függvény: amely egy σ szélességű, µ középpontú, 1-re normált (azaz a teljes görbe alatti terület 1) görbét ír le. A természetben a centrális
RészletesebbenDiszkrét idejű felújítási paradoxon
Magda Gábor Szaller Dávid Tóvári Endre 2009. 11. 18. X 1, X 2,... független és X-szel azonos eloszlású, pozitív egész értékeket felvevő valószínűségi változó (felújítási idők) P(X M) = 1 valamilyen M N
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
RészletesebbenMikroszkóp vizsgálata Folyadék törésmutatójának mérése
KLASSZIKUS FIZIKA LABORATÓRIUM 8. MÉRÉS Mikroszkóp vizsgálata Folyadék törésmutatójának mérése Mérést végezte: Enyingi Vera Atala ENVSAAT.ELTE Mérés időpontja: 2011. október 12. Szerda délelőtti csoport
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:
RészletesebbenAl-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása
l--si háromalkotós egyensúlyi fázisdiagram közelítő számítása evezetés Farkas János 1, Dr. Roósz ndrás 1 doktorandusz, tanszékvezető egyetemi tanár Miskolci Egyetem nyag- és Kohómérnöki Kar Fémtani Tanszék
RészletesebbenAdatsorok jellegadó értékei
Adatsorok jellegadó értéke Varga Ágnes egyetem tanársegéd varga.ag14@gmal.com Terület és térnformatka kvanttatív elemzés módszerek BCE Geo Intézet Terület elemzés forgatókönyve vacsora hasonlat Terület
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenDFTH november
Kovács Ernő 1, Füves Vktor 2 1,2 Elektrotechnka és Elektronka Tanszék Mskolc Egyetem 3515 Mskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18 fax : +36-(46)-563-447 elkke@un-mskolc.hu 1, elkfv@un-mskolc.hu
RészletesebbenExcel segédlet Üzleti statisztika tantárgyhoz
Miskolci Egyetem Üzleti Statisztika és Előrejelzési Intézeti Tanszék Excel segédlet Üzleti statisztika tantárgyhoz. Z próba einek meghatározása óbafüggvény: x - m z = ; vagy σ/ n x - m z = ; vagy s/ n
RészletesebbenModern Fizika Labor. 11. Spektroszkópia. Fizika BSc. A mérés dátuma: dec. 16. A mérés száma és címe: Értékelés: A beadás dátuma: dec. 21.
Modern Fizika Labor Fizika BSc A mérés dátuma: 2011. dec. 16. A mérés száma és címe: 11. Spektroszkópia Értékelés: A beadás dátuma: 2011. dec. 21. A mérést végezte: Domokos Zoltán Szőke Kálmán Benjamin
RészletesebbenIBNR számítási módszerek áttekintése
1/13 IBNR számítási módszerek áttekintése Prokaj Vilmos email: Prokaj.Vilmos@pszaf.hu 1. Kifutási háromszög Év 1 2 3 4 5 2/13 1 X 1,1 X 1,2 X 1,3 X 1,4 X 1,5 2 X 2,1 X 2,2 X 2,3 X 2,4 X 2,5 3 X 3,1 X 3,2
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,
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.
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.
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
RészletesebbenOptimális mérési elrendezés hidraulikus hálózatokon
Optimális mérési elrendezés hidraulikus hálózatokon MaSzeSz Juniuor Szimpózium Wéber Richárd PhD hallgató, III. félév BME, GPK, Hidrodinamikai Rendszerek Tanszék Budapest, 2018, egyetemi docens Tartalom
Részletesebben2 Wigner Fizikai Kutatóintézet augusztus / 17
Táguló sqgp tűzgömb többkomponensű kéma kfagyása Kasza Gábor 1 és Csörgő Tamás 2,3 1 Eötvös Loránd Tudományegyetem 2 Wgner Fzka Kutatóntézet 3 Károly Róbert Főskola 2015. augusztus 17. Gyöngyös - KRF 1
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
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
RészletesebbenFeladatok és megoldások a 13. hétre
Feladatok és megoldások a. hétre Építőkari Matematika A. Az alábbi függvények melyike lehet eloszlásfüggvény? + e x, ha x >, (a F(x =, ha x, (b F(x = x + e x, ha x, (c F(x =, ha x, x (d F(x = (4 x, ha
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
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
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.
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
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 ) +
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
RészletesebbenKísérlettervezési alapfogalmak:
Kísérlettervezés alapfogalmak: Tényező, faktor (factor) független változó, ható tényező (kezelés, gyógyszer, takarmány, genotípus, élőhely, stb.) amnek hatását a kísérletben vzsgáln vagy összehasonlítan
Részletesebben