Kosztyán Zsolt Tibor Katona Attila Imre
|
|
- Irén Kerekesné
- 5 évvel ezelőtt
- Látták:
Átírás
1 Kockázatalapú többváltozós szabályozó kártya kidolgozása a mérési bizonytalanság figyelembe vételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia program Projekt megvalósulása: Kosztyán Zsolt Tibor Katona Attila Imre Az Európai Unió és a Magyar Állam támogatásával nyújtott összes támogatás: Ft. II. IRI Társadalomtudományi Konferencia
2 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellen rz kártyákkal? 3. Saját módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények
3 A statisztikai folyamatszabályozás és a mérési bizonytalanság SPC: Cél: A min ség színvonalának biztosítása Legelterjedtebb alkalmazás Statisztikai módszerek segítségével Eszközei: ellen rz kártyák Hátrány: Mérési bizonytalanság figyelmen kívül hagyása m (g) m(g) 8,2 8,1 8 7,9 7,8 7,7 7,6 7,5 8,2 8,1 8 7,9 7,8 7,7 7,6 7, n n Minta átlag LCL UCL Átlag értékek MAi UCL LCL
4 Többdimenziós eset El nyök: Több változó egyidej kezelhet sége Téves riasztás valószín ségének csökkentése
5 A statisztikai folyamatszabályozás és a mérési bizonytalanság Megfelel ség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelel Döntés Nem megfelel Tény Megfelel Nem megfelel 11 =r 11 -c =r 10 -c =r 01 -c =r 00 - c 00 =Fedezeti érték r=bevétel c=kiadás /2 /2 1 0
6 A statisztikai folyamatszabályozás és a mérési bizonytalanság 0,25 Átlag-kártya m i p m i m i 0,2 m i m i p 0,15 0,1 p p m i m i p p Átlag-értékek p m i p 0, Mintavétel sorszáma
7 Eddigi kutatási témák elemzése Egydimenzió Normáleloszlás Normálistól eltér eloszlástípus Ellen rz kártyák Megbízhatóság alapú Azonos mintaelemszám, azonos mintavételi id köz p, np, x, s, r, CUSUM, EWMA, u, c, MA X, CUSUM, R, EWMA, MA Különböz mintaelemszám/különböz mintavételi id köz CUSUM, X, EWMA, T 2, MA, p, np, s X, CUSUM, EWMA, MA Azonos mintaelemszám, azonos mintavételi id köz Kockázatalapú Különböz mintaelemszám/különböz mintavételi id köz X, MA, EWMA X MA, EWMA Többdimenzió Normáleloszlás Normálistól eltér eloszlástípus T 2, kontrollellipszis (2 változónál), CUSUM, EWMA MCUSUM, MEWMA, T 2, T 2 PCA T 2, CUSUM, EWMA MCUSUM, MEWMA T 2 PCA
8 Módszer bemutatása Adatgy jtés Adatok: Eloszlástípus Átlag Szórás Mérési bizonytalanság Specifikációs határok 1. lépés 2. lépés 3. lépés 4. lépés
9 Módszer bemutatása A folyamatra tervezett T 2 kártya Kártyatervezés (megbízhatóság alap) T 2 értékek T2 UCL Mintavétel sorszáma Adatgy jtés 1. lépés 2. lépés 3. lépés 4. lépés
10 Módszer bemutatása Megfelel Megfelel Döntés Nem megfelel Nem megfelel Megfelel Nem megfelel Fedezeti érték meghatározás =Fedezeti érték r=bevétel c=kiadás Tény Nem megfelel Megfelel Megfelel Nem megfelel Megfelel Nem megfelel 1111 =r c =r c =r c =r c =r c =r c 0110 p 0011 =r c =r c =r c =r c =r c =r c =r c =r c =r c =r c 0000 Adatgy jtés Kártyatervezés (megbízhatóság alap) 1. lépés 2. lépés 3. lépés 4. lépés 10
11 Módszer bemutatása A folyamatra tervezett T 2 kártya 12 Beavatkozási határ módosítása T 2 értékek Új beavatkozási határ T2 T2(mérés i bizonytal ansággal) UCL Mintavétel sorszáma Adatgy jtés Kártyatervezés (megbízhatóság alap) Fedezeti érték meghatározás 1. lépés 2. lépés 3. lépés 4. lépés 10
12 Miért szimulációs módszer? Analitikus módszer alkalmazása során fellép problémák: Többdimenziós kártyák A beavatkozási határ számítása nem körültekint Változók száma Minta elemszám 1 = 1 +1) +1 Teljes sokaság nagysága F eloszlás 12
13 Miért szimulációs módszer? Analitikus módszer alkalmazása során fellép problémák: Többdimenziós kártyák A beavatkozási határ számítása nem körültekint Normalitás nem teljesül minden esetben Béta Gamma Lognormális Egyenletes Weibull 12
14 A módszer alkalmazhatóságának bemutatása
15 A módszer alkalmazhatóságának bemutatása T 2 12 k Megbízhatóság alapú T 2 kártya 10 T2 T 2 értékek T2(mérési bizonytalan sággal) UCL Mintavétel sorszáma A módszer alkalmazásával számított beavatkozási határ
16 A módszer alkalmazhatóságának bemutatása RBT 2 12 Kockázatalapú T 2 kártya 10 T2 T 2 értékek T2(mérési bizonytalan sággal) UCL RBT 2 =Risk-Based T Mintavétel sorszáma A módszer alkalmazásával számított beavatkozási határ
17 Eredmények Szempontok T 2 RBT 2 (Risk-Based T 2 ) k 0 0,24 UCL 9,19 8,95 Összegzett fedezeti érték ( ) Százalékos növekedés (%) - 1, k: kiterjesztési tényez
18 Eredmények Szempontok T 2 RBT 2 (Risk-Based T 2 ) k 0 0,24 UCL 9,19 8,95 Összegzett fedezeti érték ( ) Százalékos növekedés (%) - 1,1 Az összegzett fedezeti érték alakulása a módszer alkalmazása során 1,1%-os növekedés k: kiterjesztési tényez Összegzett fedezeti érték ( ) 2,12 2,11 2,1 2,09 2,08 2,07 2,06 2,05 2,04 2,03 k=0,24 Összegzett fedezeti érték a k paraméter függvényében 2,02-0,4-0,2 0 0,2 0,4 0,6 0,8 1 k paraméter
19 Eredmények Összegzett fedezeti érték növekedése (%) 3 2,8 2,6 2,4 2,2 2 1,8 1,6 1,4 1,2 1 Az elérhet fedezeti érték növekedés a másodfajú hiba költségének függvényében különböz eloszlástípusok esetén Másodfajú hiba költsége ( ) Normális eloszlás (µ=0, =0,01) Weibull eloszlás (0,003, b=2) Egyenletes eloszlás (a=-0,01, b=-0,02) Béta eloszlás (a=0.003, b=5) Lognormális eloszlás (µ=0, =0,01)
20 Köszönöm a megtisztel figyelmet! Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és m ködtetése konvergencia program A kutatásban résztvev kollégák: Dr. Kosztyán Zsolt Tibor Heged s Csaba Katona Attila 20
Kockázatok 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
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
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
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
RészletesebbenDesign of a risk-based control chart with variable. Pannon Egyetem, Kvantitatív Módszerek Intézeti Tanszék. Le Bélier Formaöntöde Zrt.
Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a statisztikai folyamatszabályozásban Design of a risk-based control chart with variable parameters in statistical process control Dr. Kosztyán
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
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:
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
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
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
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 249 215. Mérőeszköz-képességelemzés
RészletesebbenNEMZETKÖZI KONFERENCIA KIADVÁNYA
" KARBANTARTÁS SZEREPE AZ ÜZLETI FOLYAMATOK ÚJRAGONDOLÁSÁBAN" NEMZETKÖZI KONFERENCIA KIADVÁNYA 2014. június 2-3 Veszprém Szerkesztő: Dr. Balogh Ágnes Lektorálta: Dr. Gaál Zoltán ISBN 978-963-396-012-7
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
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
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
Részletesebben4. A méréses ellenırzı kártyák szerkesztése
4. A méréses ellenırzı kártyák szerkesztése A kártyákat háromféle módon alkalmazhatjuk. Az elızetes adatfelvétel során a fı feladat az eloszlás paramétereinek (µ és σ ) becslése a további ellenırzésekhez.
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
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:
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
RészletesebbenKOCKÁZATKEZELÉS A REZGÉSDIAGNOSZTIKÁBAN TÖBBVÁLTOZÓS SZABÁLYOZÓ KÁRTYA SEGÍTSÉGÉVEL
KOCKÁZATKEZELÉS A REZGÉSDIAGNOSZTIKÁBAN TÖBBVÁLTOZÓS SZABÁLYOZÓ KÁRTYA SEGÍTSÉGÉVEL Dr. Kosztyán Zsolt Tibor, Pannon Egyetem, Kvantitatív Módszerek Intézeti Tanszék Katona Attila Imre, Pannon Egyetem,
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
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
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
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
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
RészletesebbenSTATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69)
STATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69) 1. AZ ISO SZABVÁNYOK TÉRKÉPE 2. A SZABVÁNYOK BEMUTATÁSA 3. HASZNÁLATI TANÁCSOK 4. A STATISZTIKAI SZABVÁNYOK ÉS AZ ISO 9001 5. JAVASLATOK
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
RészletesebbenKÖVETKEZTETŐ STATISZTIKA
ÁVF GM szak 2010 ősz KÖVETKEZTETŐ STATISZTIKA A MINTAVÉTEL BECSLÉS A sokasági átlag becslése 2010 ősz Utoljára módosítva: 2010-09-07 ÁVF Oktató: Lipécz György 1 A becslés alapfeladata Pl. Hányan láttak
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
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
RészletesebbenVolatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére
Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Zubor Zoltán MNB - Biztosításfelügyeleti főosztály MAT Tavaszi Szimpózium 2016. május 7. 1 Háttér Bit. 99. : folyamatos
RészletesebbenGazdálkodás- és Szervezéstudományok Doktori Iskola. Katona Attila Imre. Kockázatalapú statisztikai folyamatszabályozás
PANNON EGYETEM Gazdálkodás- és Szervezéstudományok Doktori Iskola Katona Attila Imre Kockázatalapú statisztikai folyamatszabályozás című doktori (Ph.D) értekezés tézisgyűjteménye Témavezető: Dr. habil.
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 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenKOCKÁZATALAPÚ DÖNTÉSEK TÁMOGATÁSA A MÉRÉSI BIZONYTALANSÁG FIGYELEMBEVÉTELÉVEL HEGEDŰS CSABA 1
KOCKÁZATALAPÚ DÖNTÉSEK TÁMOGATÁSA A MÉRÉSI BIZONYTALANSÁG FIGYELEMBEVÉTELÉVEL HEGEDŰS CSABA 1 Összefoglalás: A tevékenységirányításban a döntések nagy része mérési eredményekre épül, azonban ezek a döntések
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
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
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
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
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
RészletesebbenA mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra
A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra Vörös Zsuzsanna NÉBIH RFI tervezési referens 2013. április 17. Egy kis felmérés nem kor Következtetések: 1. a jelenlevők nemi megoszlása:
RészletesebbenBiometria gyakorló feladatok BsC hallgatók számára
Biometria gyakorló feladatok BsC hallgatók számára 1. Egy üzem alkalmazottainak megoszlása az elért teljesítmény %-a szerint a következı: Norma teljesítmény % Dolgozók száma 60-80 30 81-90 70 91-100 90
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
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.
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 -
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
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
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 =
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
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
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
RészletesebbenNormális eloszlás paramétereire vonatkozó próbák
Normális eloszlás paramétereire vonatkozó próbák Az alábbi próbák akkor használhatók, ha a meggyelések függetlenek, és feltételezhetjük, hogy normális eloszlásúak a meggyelések függetlenek, véges szórású
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
RészletesebbenGazdálkodás- és Szervezéstudományok Doktori Iskola
PANNON EGYETEM Gazdálkodás- és Szervezéstudományok Doktori Iskola Hegedűs Csaba Kockázatalapú döntések támogatása a megfelelőség értékelésében a mérési bizonytalanság figyelembevételével című doktori (Ph.D)
RészletesebbenA minőség és a kockázat alapú gondolkodás kapcsolata
Mottó: A legnagyobb kockázat nem vállalni kockázatot A minőség és a kockázat alapú gondolkodás kapcsolata DEMIIN XVI. Katonai Zsolt 1 Ez a gép teljesen biztonságos míg meg nem nyomod ezt a gombot 2 A kockázatelemzés
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenNYF-MMFK Műszaki Alapozó és Gépgyártástechnológia Tanszék gépészmérnöki szak III. évfolyam
Tantárgy neve: INFORMATIKÁVAL TÁMOGATOTT MINŐSÉGMENEDZSMENT Tantárgy kódja: GM 2503 Meghirdetés féléve: 5. Össz-óraszám (elm. + gyak.): 28 5. 14 1 1 14 14 Összesen: 14 14 Előfeltétel (tantárgyi kód): GM
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
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 12. ELİADÁS Május 9. Összeállította: Dr. Kovács Zsolt egyetemi tanár
MINİSÉGBIZTOSÍTÁS Összeállította: Dr. Kovács Zsolt egyetemi tanár 12. ELİADÁS 2011. Május 9. NyME FMK Terméktervezési és Gyártástechnológiai Intézet http://tgyi.fmk.nyme.hu NYME FMK TGYI 2006.08.28. 1.
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze. Célja: - a sokaságot
RészletesebbenVarianciaanalízis 4/24/12
1. Feladat Egy póker kártya keverő gép a kártyákat random módon választja ki. A vizsgálatban 1600 választott kártya színei az alábbi gyakorisággal fordultak elő. Vizsgáljuk meg, hogy a kártyák kiválasztása
RészletesebbenDr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Ismertesse a legfontosabb előrejelzési módszereket és azok gyakorlati
RészletesebbenTérfogat és súly alapú faátvétel problémái
49. FAGOSZ Fakonferencia 2015. október 28-29. Balatonszemes Térfogat és súly alapú faátvétel problémái Nyugat-magyarországi Egyetem Innovációs Központ Pásztory Zoltán Fakitermelés Fakitermelés 6,5-7,5
RészletesebbenKUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel
KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
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
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 17. Outline 1 Leíró statisztikák 2 Középértékek Példa 3 Szóródási mutatók Példa 4 Néhány megjegyzés a grafikonokról 5 Számítások
RészletesebbenGondolatok a belső auditorok felkészültségéről és értékeléséről Előadó: Turi Tibor vezetési tanácsadó, CMC az MSZT/MCS 901 szakértője
Gondolatok a belső auditorok felkészültségéről és értékeléséről Előadó: Turi Tibor vezetési tanácsadó, CMC az MSZT/MCS 901 szakértője 1 Az előadás témái Emlékeztetőül: összefoglaló a változásokról Alkalmazási
RészletesebbenMi az adat? Az adat elemi ismeret. Az adatokból információkat
Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
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:
RészletesebbenValidálás és bizonytalanságok a modellekben
Validálás és bizonytalanságok a modellekben Hálózattervezési Dr. Berki Zsolt Tel.: 06-20-3516879, E-mail: berki@fomterv.hu Miért modellezünk? Mert előírás Nem! "It is impossible to predict the future but
RészletesebbenMátrix-alapú projektkockázatmenedzsment
Mátrix-alapú projektkockázatmenedzsment Hegedűs Csaba, Kosztyán Zsolt Tibor Pannon Egyetem, Kvantitatív Módszerek Intézeti Tanszék XXXII. Magyar Operációkutatási Konferencia Cegléd, 2017.06.14-16. Informatikai
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.
RészletesebbenSTATISZTIKAI PROBLÉMÁK A
STATISZTIKAI PROBLÉMÁK A HULLÁMTÉR REPRODUKCIÓ TERÜLETÉN 2012. május 3., Budapest Firtha Gergely PhD hallgató, Akusztikai Laboratórium BME Híradástechnikai Tanszék firtha@hit.bme.hu Tartalom A hangtér
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)
RészletesebbenTranszformátor, Mérőtranszformátor Állapot Tényező szakértői rendszer Vörös Csaba Tarcsa Dániel Németh Bálint Csépes Gusztáv
Transzformátor, Mérőtranszformátor Állapot Tényező szakértői rendszer Vörös Csaba Tarcsa Dániel Németh Bálint Csépes Gusztáv Áttekintés A Rendszer jelentősége Állapotjellemzők MérőTranszformátor Állapot
RészletesebbenVIZSGADOLGOZAT. I. PÉLDÁK (60 pont)
VIZSGADOLGOZAT (100 pont) A megoldások csak szöveges válaszokkal teljes értékűek! I. PÉLDÁK (60 pont) 1. példa (13 pont) Az egyik budapesti könyvtárban az olvasókból vett 400 elemű minta alapján a következőket
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
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
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
RészletesebbenGRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens
GRADUÁLIS BIOSTATISZTIKAI KURZUS 2012. február hó 22. Dr. Dinya Elek egyetemi docens Biometria fogalma The active pursuit of biological knowledge by quantitative methods Sir R. A. Fisher, 1948 BIOMETRIA
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
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
RészletesebbenKockázatkezelés és biztosítás 1. konzultáció 2. rész
Kockázatkezelés és biztosítás 1. konzultáció 2. rész Témák 1) A kockázatkezelés eszközei 2) A kockázatkezelés szakmai területei 3) A kockázatelemzés nem holisztikus technikái 4) Kockázatfinanszírozás 5)
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
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenBevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,
Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár PhD kurzus. KOKI, 2015.09.17. Mi a statisztika? A sokaság (a sok valami) feletti áttekintés megszerzése, a sokaságról való információszerzés eszköze.
RészletesebbenHidak építése a minőségügy és az egészségügy között
DEBRECENI EGÉSZSÉGÜGYI MINŐSÉGÜGYI NAPOK () 2016. május 26-28. Hidak építése a minőségügy és az egészségügy között A TOVÁBBKÉPZŐ TANFOLYAM KIADVÁNYA Debreceni Akadémiai Bizottság Székháza (Debrecen, Thomas
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
RészletesebbenLövedékálló védőmellény megfelelőségének elemzése lenyomatmélységek (traumahatás) alapján
Lövedékálló védőmellény megfelelőségének elemzése lenyomatmélységek (traumahatás) alapján Eur.Ing. Frank György c. docens az SzVMSzK Szakmai Kollégium elnöke SzVMSzK mérnök szakértő (B5) A lövedékálló
RészletesebbenBIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis
Hipotézis BIOMETRIA 5. Előad adás Hipotézisvizsg zisvizsgálatok Tudományos hipotézis Nullhipotézis feláll llítása (H ): Kétmintás s hipotézisek Munkahipotézis (H a ) Nullhipotézis (H ) > = 1 Statisztikai
Részletesebben1/8. Iskolai jelentés. 10.évfolyam matematika
1/8 2009 Iskolai jelentés 10.évfolyam matematika 2/8 Matematikai kompetenciaterület A fejlesztés célja A kidolgozásra kerülő programcsomagok az alább felsorolt készségek, képességek közül a számlálás,
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,
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
RészletesebbenKalibrálás és mérési bizonytalanság. Drégelyi-Kiss Ágota I
Kalibrálás és mérési bizonytalanság Drégelyi-Kiss Ágota I. 120. dregelyi.agota@bgk.uni-obuda.hu Kalibrálás Azoknak a mőveleteknek az összessége, amelyekkel meghatározott feltételek mellett megállapítható
Részletesebben