Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése
|
|
- Nándor Péter
- 6 évvel ezelőtt
- Látták:
Átírás
1 Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program Projekt megvalósulása: Kosztyán Zsolt Tibor Katona Attila Hegedűs Csaba Az Európai Unió és a Magyar Állam támogatásával nyújtott összes támogatás: Ft. VII. Régiók a Kárpát-medencén innen és túl konferencia
2 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek 2
3 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek 2
4 m(g) m (g) A statisztikai folyamatszabályozás SPC: Cél: A minőség színvonalának biztosítása Legelterjedtebb alkalmazás Statisztikai módszerek segítségével Eszközei: ellenőrző kártyák 8,2 8,1 8 7,9 7,8 7,7 7,6 7,5 8,2 8,1 8 7, n Minta átlag LCL UCL Átlag értékek MAi Hátrány: Mérési bizonytalanság figyelmen kívül hagyása 7,8 7,7 7,6 UCL LCL 7, n 3
5 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat 4
6 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek 4
7 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Döntés 4
8 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelelő Döntés 4
9 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelelő Döntés Nem megfelelő 4
10 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelelő Döntés Nem megfelelő Tény 4
11 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelelő Döntés Nem megfelelő Tény Megfelelő 4
12 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelelő Döntés Nem megfelelő Tény Megfelelő Nem megfelelő 4
13 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelelő Döntés Nem megfelelő Tény Megfelelő Nem megfelelő π 11 =r 11 - c 11 π 10 =r 10 - c 10 π 01 =r 01 - c 01 π 00 =r 00 - c 00 μ 0 π=fedezeti érték r=bevétel c=kiadás 4
14 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat α Fedezeti értékek Megfelelő Döntés Nem megfelelő Tény Megfelelő Nem megfelelő π 11 =r 11 - c 11 π 10 =r 10 - c 10 π 01 =r 01 - c 01 π 00 =r 00 - c 00 μ 1 μ 0 π=fedezeti érték r=bevétel c=kiadás α/2 α/2 4
15 A statisztikai folyamatszabályozás Megfelelőség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat α Fedezeti értékek Megfelelő Döntés Nem megfelelő Tény Megfelelő Nem megfelelő π 11 =r 11 - c 11 π 10 =r 10 - c 10 π 01 =r 01 - c 01 π 00 =r 00 - c 00 β μ 1 β μ 0 π=fedezeti érték r=bevétel c=kiadás α/2 α/2 4
16 A vizsgált változó értéke A mérési bizonytalanság 0,25 0,2 0,15 0,1 0, Mintavételi csoport sorszáma 5
17 A mérési bizonytalanság 0,25 m i m i p p p m i p p 0,2 m i p A vizsgált változó értéke m i 0,15 m i 0,1 0, Mintavételi csoport sorszáma 5
18 A mérési bizonytalanság 0,25 m i m i p p p m i p p 0,2 m i p m i m i A vizsgált változó értéke p m i 0,15 m i 0,1 0, Mintavételi csoport sorszáma 5
19 A mérési bizonytalanság 0,25 m i m i p p p m i p p 0,2 m i p m i A vizsgált változó értéke p m iβ m i 0,15 m i 0,1 0, Mintavételi csoport sorszáma 5
20 A mérési bizonytalanság 0,25 m i m i p p p m i p p 0,2 m i p m i A vizsgált változó értéke p m iβ m i 0,15 m i 0,1 0,05 α Mintavételi csoport sorszáma 5
21 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek 6
22 Többdimenzió Egydimenzió Eddigi kutatások elemzése Normáleloszlás Ellenőrző kártyák Megbízhatóság alapú Azonos mintaelemszám, azonos mintavételi időköz p, np, x, s, r, CUSUM, EWMA, u, c, MA Különböző mintaelemszám/különböző mintavételi időköz CUSUM, x, EWMA, T 2, MA, p, np, s Azonos mintaelemszám, azonos mintavételi időköz x Kockázatalapú Különböző mintaelemszám/különböző mintavételi időköz Normálistól eltérő eloszlástípus x, CUSUM, R, EWMA, MA x, CUSUM, EWMA, MA Normáleloszlás T 2, kontrollellipszis (2 változónál), CUSUM, EWMA T 2, CUSUM, EWMA Normálistól eltérő eloszlástípus CUSUM, EWMA 7
23 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek 8
24 Javasolt módszer bemutatása START A technológiai folyamat és mintavételi eljárás elemzése Választás a minősítéses ellenőrző kártyák között nem Méréses ellenőrző kártyát használjuk? igen Szükséges bemenő paraméterek és alkalmazhatóságot korlátozó feltételek meghatározása Rendelkezésünkre állnak a szükséges bemenő paraméterek a vizsgált kártyára vonatkozóan? nem Elvetés és további kártyák vizsgálata
25 Javasolt módszer bemutatása START A technológiai folyamat és mintavételi eljárás elemzése Választás a minősítéses ellenőrző kártyák között nem Méréses ellenőrző kártyát használjuk? igen Szükséges bemenő paraméterek és alkalmazhatóságot korlátozó feltételek meghatározása Rendelkezésünkre állnak a szükséges bemenő paraméterek a vizsgált kártyára vonatkozóan? nem Elvetés és további kártyák vizsgálata
26 Javasolt módszer bemutatása START A technológiai folyamat és mintavételi eljárás elemzése Választás a minősítéses ellenőrző kártyák között nem Méréses ellenőrző kártyát használjuk? igen Szükséges bemenő paraméterek és alkalmazhatóságot korlátozó feltételek meghatározása Rendelkezésünkre állnak a szükséges bemenő paraméterek a vizsgált kártyára vonatkozóan? nem Elvetés és további kártyák vizsgálata
27 Javasolt módszer bemutatása START A technológiai folyamat és mintavételi eljárás elemzése Választás a minősítéses ellenőrző kártyák között nem Méréses ellenőrző kártyát használjuk? igen Szükséges bemenő paraméterek és alkalmazhatóságot korlátozó feltételek meghatározása Rendelkezésünkre állnak a szükséges bemenő paraméterek a vizsgált kártyára vonatkozóan? nem Elvetés és további kártyák vizsgálata
28 Javasolt módszer bemutatása START A technológiai folyamat és mintavételi eljárás elemzése Választás a minősítéses ellenőrző kártyák között nem Méréses ellenőrző kártyát használjuk? igen Szükséges bemenő paraméterek és alkalmazhatóságot korlátozó feltételek meghatározása Rendelkezésünkre állnak a szükséges bemenő paraméterek a vizsgált kártyára vonatkozóan? nem Elvetés és további kártyák vizsgálata
29 10 igen Tovább engedés Állandó és változó paraméterek meghatározása igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
30 10 igen Tovább engedés Állandó és változó paraméterek meghatározása igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
31 10 igen Tovább engedés Állandó és változó paraméterek meghatározása igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
32 10 igen Tovább engedés Állandó és változó paraméterek meghatározása igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása Minta elemszáma Mintavételi időköz Beavatkozási határok Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
33 10 igen Tovább engedés Állandó és változó paraméterek meghatározása igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
34 Gáz töltettömeg (g) 10 igen Tovább engedés Állandó és változó paraméterek meghatározása 8 7,95 7,9 7,85 igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem UCL CL 7,8 Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása 7, LCL EWMA(i) Mintavételi csoport sorszáma Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
35 Gáz töltettömeg (g) 10 igen Tovább engedés 7,95 7,9 Állandó és változó paraméterek meghatározása 8 7,85 igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? nem UCL CL 7,8 Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása 7, LCL EWMA(i) Mintavételi csoport sorszáma Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével STOP
36 Gáz töltettömeg (g) 10 igen Tovább engedés 7,95 7,9 Állandó és változó paraméterek meghatározása 8 7,85 igen Az újabb kártya esetében rendelkezésünkre állnak a szükséges bemenő paraméterek? RBEWMA nem UCL CL K USL 7,8 Döntéshez társítható költség-, bevétel és fedezeti értékek meghatározása 7, LCL K LSL EWMA(i) Mintavételi csoport sorszáma Beavatkozási határok módosítása a mérési bizonytalanság figyelembe vételével RB= Risk Based STOP
37 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek 11
38 12 Gyakorlati példa
39 13 Gyakorlati példa u;c;p;np;x;s;s 2 ;R;MR;MA;T2;EWMA;CUSUM;CUSUM(több változós);ma(több változós);ewma(több változós) + Minden kártya esetében : VSS;VSI;VSL;VSSI;VSSL;VSIL;VP=VSSIL X;s;s 2 ;R;MR;MA;T2;EWMA;CUSUM;CUSUM(több változós);ma(több változós);ewma(több változós) + Minden kártya esetében : VSS;VSI;VSL;VSSI;VSSL;VSIL;VP=VSSIL MA;EWMA(VSS;VSI;VSL;VSSI;VSS L;VSIL;VP=VSSIL
40 14 MA;EWMA(VP) Kalkulált fedezeti értékek az egyes döntésekhez Kockázatalapon működő RBMA(VP); RBEWMA(VP) RB= Risk Based
41 Gáz töltettömeg (g) A tervezett kártyák-1 Mozgóátlag-kártya: 8,03 7,98 UCL 7,93 7,88 CL 7,83 LCL 7,78 MA(i) CL 7, Mintavételi csoport sorszáma 41 15
42 Gáz töltettömeg (g) A tervezett kártyák-1 Mozgóátlag-kártya: 8,03 7,98 K USL UCL 7,93 7,88 CL 7,83 K LSL LCL 7,78 MA(i) CL 7, Mintavételi csoport sorszáma 42 15
43 Gáz töltettömeg (g) A tervezett kártyák-1 Kockázatalapon működő Mozgóátlag-kártya: RBMA 8,03 7,98 7,93 K USL UCL 7,88 CL 7,83 K LSL LCL 7,78 MA(i) CL RB= Risk Based 7, Mintavételi csoport sorszáma 43 15
44 Gáz töltettömeg (g) 16 A tervezett kártyák-2 Exponenciálisan súlyozott mozgóátlag-kártya: 8 7,95 UCL 7,9 CL 7,85 7,8 LCL EWMA(i) 7, Mintavételi csoport sorszáma
45 Gáz töltettömeg (g) 16 A tervezett kártyák-2 Exponenciálisan súlyozott mozgóátlag-kártya: 8 7,95 UCL K USL 7,9 CL 7,85 7,8 LCL K LSL EWMA(i) 7, Mintavételi csoport sorszáma
46 Gáz töltettömeg (g) 16 A tervezett kártyák-2 Kockázatalapon működő Exponenciálisan súlyozott mozgóátlag-kártya: 8 RBEWMA 7,95 UCL K USL 7,9 CL 7,85 7,8 LCL K LSL EWMA(i) 7,75 RB= Risk Based Mintavételi csoport sorszáma
47 17 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek
48 Beavatkozási határok módosítása után Beavatkozási határok módosítása előtt Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 48 18
49 Beavatkozási határok módosítása után Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 49 18
50 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 50 18
51 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma 4 MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft 1 LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 51 18
52 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft Változatlan LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 52 18
53 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft
54 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7,811 UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft
55 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények RB= Risk Based Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma RBMA 470 Ft Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma MA EWMA LCL 7,817 7, minta esetén UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft RBEWMA 231 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 55 18
56 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények RB= Risk Based Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma RBMA 470 Ft Beavatkozási határok, középvonal Optimalizált paraméterek Mérési hiba paraméterei Első-, és másodfajú hibák száma 1,95 Ft/db MA EWMA LCL 7,817 7, minta esetén UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft RBEWMA 231 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 σ m 0,078 0,078 μ m 0 0 n α 1 2 n β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 56 18
57 Beavatkozási határok módosítása után Kockázatalap Beavatkozási határok módosítása előtt Megbízhatóság alap Eredmények RB= Risk Based Beavatkozási határok, középvonal Mérési hiba paraméterei Első-, és másodfajú hibák száma RBMA 470 Ft Beavatkozási határok, középvonal Optimalizált paraméterek MA EWMA LCL 7,817 7, minta esetén UCL 7,947 7,953 CL 7,882 7,882 σ m 0,078 0,078 μ m 0 0 n α 4 0 n β 0 3 Fedezet/Profit 674 Ft 819 Ft RBEWMA 231 Ft LCL (k) 7,817 7,814 UCL (k) 7,962 7,925 CL (k) 7,882 7,882 k LSL 0,001 0,002 k USL -0,013 0,027 Mérési hiba σ m 0,078 0,078 paraméterei μ m 0 0 Első-, és n α 1 2 1,95 másodfajú Ft/db 1,02Ft/db hibák n száma β 0 0 Fedezet/Profit Ft Ft Fedezet növekedés 470 Ft 231 Ft 57 18
58 Eredmények A fedezet alakulása a klsl és kusl konstansok függvényében, minta esetén, Weibull- eloszlást feltételezve,matlab program segítségével: 58 19
59 20 Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellenőrző kártyákkal? 3. Javasolt módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények 6. Alkalmazási területek
60 21 Alkalmazási területek Patrontöltési folyamat
61 21 Alkalmazási területek Patrontöltési folyamat Gáz töltettömeg
62 21 Alkalmazási területek Patrontöltési folyamat Kerékfelfüggesztés gyártás Gáz töltettömeg
63 21 Alkalmazási területek Patrontöltési folyamat Kerékfelfüggesztés gyártás Gáz töltettömeg Deformáció
64 21 Alkalmazási területek Patrontöltési folyamat Kerékfelfüggesztés gyártás Gáz töltettömeg Deformáció
65 Köszönöm a figyelmet! Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
Kockázatalapú 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
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
Kockázatkezelés 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
Kosztyán Zsolt Tibor Katona Attila Imre
Kockázatalapú többváltozós szabályozó kártya kidolgozása a mérési bizonytalanság figyelembe vételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia
Minőségellenőrzés. 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
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
17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 249 215. Mérőeszköz-képességelemzés
Design 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
4. 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.
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
biometria 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
Bevezetés 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 -
[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
Hipotézis 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
Anyagvizsgálati 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
Tájékoztató. 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
Termelés- és szolgáltatásmenedzsment
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése
e (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:
NYF-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
Matematikai 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
STATISZTIKA. 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
You created this PDF from an application that is not licensed to print to novapdf printer (
4.6 4. 4.8 4.4 4.0 4.6 4. 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 Run: Run: Run: Run: 4 Run: 5 Run: 6 4.6 4. 4.8 4.4 4.0 4.6 4. 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5 6 7 8 4 5
Hanthy 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
Hipotézis, 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
Dr. 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
GVMST22GNC 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
E-CONOM. Online tudományos folyóirat I Online Scientific Journal ISSN 2063-644X
E-CONOM Online tudományos folyóirat I Online Scientific Journal Főszerkesztő I Editor-in-Chief JUHÁSZ Lajos Kiadja I Publisher Nyugat-magyarországi Egyetem Kiadó I University of West Hungary Press A szerkesztőség
Loss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
Statisztika - 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
Gazdálkodás- 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.
2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
Véletlen 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
1. 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 +
E-CONOM. Online tudományos folyóirat I Online Scientific Journal ISSN 2063-644X
E-CONOM Online tudományos folyóirat I Online Scientific Journal Főszerkesztő I Editor-in-Chief JUHÁSZ Lajos Kiadja I Publisher Nyugat-magyarországi Egyetem Kiadó I University of West Hungary Press A szerkesztőség
Kontrol kártyák használata a laboratóriumi gyakorlatban
Kontrol kártyák használata a laboratóriumi gyakorlatban Rikker Tamás tudományos igazgató WESSLING Közhasznú Nonprofit Kft. 2013. január 17. Kis történelem 1920-as években, a Bell Laboratórium telefonjainak
Autoregresszív és mozgóátlag folyamatok. Géczi-Papp Renáta
Autoregresszív és mozgóátlag folyamatok Géczi-Papp Renáta Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
STATISZTIKAI 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
Autoregresszív és mozgóátlag folyamatok
Géczi-Papp Renáta Autoregresszív és mozgóátlag folyamatok Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
Statisztika 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
Nagy 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
Modulzáró ellenőrző kérdések és feladatok (2)
Modulzáró ellenőrző kérdések és feladatok (2) 1. Definiálja az alábbi, technikai eszközök üzemi megbízhatóságával kapcsolatos fogalmakat (1): Megbízhatóság. Használhatóság. Hibamentesség. Fenntarthatóság.
Megoldások. 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.
STATISZTIKA 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
1. 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
Számítógépes 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
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés
Statisztikai folyamatszabályozás Minitab szoftverrel
Statisztikai folyamatszabályozás Minitab szoftverrel A Minitab általános statisztikai szoftvert elsősorban statisztikai feladatok megoldására (oktatásra és minőségfejlesztésre) használják, és másodsorban
NEMZETKÖZI 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
Modulzáró ellenőrző kérdések és feladatok (2)
Modulzáró ellenőrző kérdések és feladatok (2) 1. Definiálja az alábbi, technikai eszközök üzemi megbízhatóságával kapcsolatos fogalmakat (1): Megbízhatóság. Használhatóság. Hibamentesség. Fenntarthatóság.
[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 =
Kiválasztás. 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
MINİSÉGBIZTOSÍTÁS 6. ELİADÁS Március 19. Összeállította: Dr. Kovács Zsolt egyetemi tanár
MINİSÉGBIZTOSÍTÁS Özeállította: Dr. Kovác Zolt egyetemi taár 6. ELİADÁS 011. Márciu 19. NyME FMK Terméktervezéi é Gyártátechológiai Itézet http://tgyi.fmk.yme.hu NYME FMK TGYI 006.08.8. 1. fólia Kézült
[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.
MINİSÉGBIZTOSÍTÁS 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.
Hipotéziselmélet - 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
Folyadékszcintillációs 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
Ellátási 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
Statisztikai 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
Többváltozós 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
Define 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
KOCKÁZATALAPÚ 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
6. 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
Mintavételes átvételi ellenőrzés
Mintavételes átvételi ellenőrzés öntés a tétel átvételéről vagy visszautasításáról beszállítótól érkezett tétel másik részlegből érkezett tétel kiszállítandó tétel Nem paraméterbecslés, hanem hipotézisvizsgálat
Módszertani 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
MINŐSÉGÜGYI 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
A 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:
Statisztikai folyamatszabályozás (statistical process control, SPC)
Statisztikai folyamatszabályozás (statistical process control, SPC) Solymosi Norbert Állathigiéniai, Állomány-egészségtani és Állatorvosi Etológiai Tanszék Állatorvostudományi Egyetem Budapest 2016 október
STATISZTIKA 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
Matematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
Intervallumbecsle 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
Hat 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
Kísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
Gondolatok 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
Matematikai 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
Bevezetés 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
Gazdálkodás- 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)
KÖVETKEZTETŐ 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
Kísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
Statisztika 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
Biometria 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
Megszületett a digitális minőségügyi szakember? XXIV. Nemzeti Minőségügyi Konferencia
Megszületett a digitális minőségügyi szakember? XXIV. Nemzeti Minőségügyi Konferencia Online szavazás részletei zeetings.com/adapto XXIV. Nemzeti Minőségügyi Konferencia 2 Bevezető Szemfelszedő, Jéghordó,
Mi 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
Biomatematika 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)
A 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,
STATISZTIKA. 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)
Kockázatkezelés 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)
földtudományi 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
Normális 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
x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Többváltozós 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
Statisztika 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
TUDOMÁNY NAPJA 2013 DEBRECEN, A képzettség szerepe a gazdasági növekedésben szektorális megközelítésben
TUDOMÁNY NAPJA 2013 DEBRECEN, 2013. 11.15. A képzettség szerepe a gazdasági növekedésben szektorális megközelítésben 1 Előadó: Dr. Máté Domicián Debreceni Egyetem, KTK domician.mate@econ.unideb.hu KUTATÁSI
Exponenciális kisimítás. Üzleti tervezés statisztikai alapjai
Exponenciális kisimítás Üzleti tervezés statisztikai alapjai Múlt-Jelen-Jövő kapcsolat Egyensúlyi helyzet Teljes konfliktus Részleges konfliktus: 0 < α < 1, folytatódik a múlt, de nem változatlanul módosítás:
FEGYVERNEKI 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,
II. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László
A kockázat alapú felülvizsgálati és karbantartási stratégia alkalmazása a MOL Rt.-nél megvalósuló Statikus Készülékek Állapot-felügyeleti Rendszerének kialakításában II. rész: a rendszer felülvizsgálati
A 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
Elemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
Feladatok 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
2013.03.11. Az SPC alapjai. Az SPC alapjai SPC 5. 5. Az SPC (Statistic Process Control) módszer. Dr. Illés Balázs
SPC 5 5. Az SPC (Statistic Process Control) módszer Dr. Illés Balázs BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM ELEKTRONIKAI TECHNOLÓGIA TANSZÉK Az SPC alapjai SPC (Statistical Process Controll) =
OPPONENSI VÉLEMÉNY. Hegedűs Csaba. című, a Pannon Egyetem Gazdálkodás- és Szervezéstudományok Doktori Iskolára benyújtott doktori disszertációjáról
OPPONENSI VÉLEMÉNY Hegedűs Csaba Kockázatalapú döntések támogatása a megfelelőség értékelésben a mérési bizonytalanság figyelembevételével című, a Pannon Egyetem Gazdálkodás- és Szervezéstudományok Doktori