A mérési bizonytalanság becslése a vizsgálólaboratóriumok gyakorlatában
|
|
- Alfréd Varga
- 9 évvel ezelőtt
- Látták:
Átírás
1 A mérési bizonytalanság becslése a vizsgálólaboratóriumok gyakorlatában Készítette: Szegény Zsigmond Mezőgazdasági Szakigazgatási Hivatal Élelmiszer- és Takarmánybiztonsági Igazgatóság Műszaki-technológiai Laboratórium
2 Általános elvek A mérés eredménye a legjobb esetben is csupán közelítésea mérendő mennyiség valódi értékének. A mérési eredmény csak akkor teljes, ha a mért érték mellett a mérés bizonytalanságát is megadjuk.
3 Átlag, szórás, normális eloszlás és bizonytalanság (1) Többször megismétlünk egy mérést és ezekből kiszámolható a mérések átlaga ( ) és korrigált szórása (s (q) ) Ha az ismétlések száma nagyon nagy ( pl.>100 db [kontrol kártya]), akkor igaz: Gyakoriság Ha semmit nem változtatunk és +1 ismétlést végzünk, akkor annak az eredménye 95%-os valószínűséggel az átlag (várható értékbecslése) ± 2*s intervallumba fog esni. (pontosabban ± 1.96*s) A görbe alatti összes terület 95%-a az A ± 2*s tartományban van A= : a várható érték becslése
4 Átlag, szórás, normális eloszlás és bizonytalanság (2) Az átlag bizonytalansága: = ( ) = 1 ( 1) ( ) Tehát ha nagyon sok mérési eredményünk van, akkor a várható, vagy valódi érték 95 %-os valószínűséggel az átlag (sok eredmény) ±2 ( ) tartományba esik. A gond az, hogy a nagyszámú mérés várható értékét és szórását, a haranggörbe természetét nem ismerjük(sokba kerül). Ezért leggyakrabban csak kis számú mérésre (<20) számolt átlag, szórás és a t-eloszlás segítségével végezzük a becslést: átlag (k mérés átlaga) ± ( ) ahol = ( ( ) ) (95 %-os szignifikanciaszinten a t értéke k=3 esetén 4,3 ; k=5 esetén 2,776; ha k= akkor 1,96)
5 Precizitás és helyesség Precizitás (szórással összefügg) Helyesség vagy pontosság (a valódi értéktől való távolság) Precizitás: - Helyesség: - Valódi érték Átlag eredmény Precizitás: + Helyesség: - Precizitás: - Helyesség: + Precizitás: + Helyesség: +
6 A mérési eredmény, a hiba és a bizonytalanság (1) A mérési hibája a mérés bizonytalansága Egy laboratórium akkor határozza meg jól a bizonytalanságát, ha az legalább akkora, mint a mérés hibája ( Ideális esetben a bizonytalanság = a hiba )
7 A mérési eredmények, a hibák és a bizonytalanság (2) Végtelen sok mérés sűrűségfüggvénye Gyakoriság Végtelen sok mérés átlaga Néhány mérés átlaga Néhány mérés hisztogramja Valódi érték Egyetlen mérés (y) Y Néhány mérés hibája Helyesség vagy módszeres hiba Egyetlen mérés hibája Átlagok hibájának különbsége y - U y + U Bizonytalansági tartomány : a valódi érték nagy (pl.95%) valószínűséggel beleesik
8 Mérési bizonytalanság A mérések természetes velejárója Mérési folyamat során a végzett műveletek mindegyikének elemi bizonytalansága van. Ezek egymásra rakódása következtében alakul ki a mérés teljes bizonytalansága A mérési bizonytalanság a mért érték körüli tartomány.a mérendő paraméter valódi értéke azon belül nagy valószínűséggel megtalálható
9 A mérési bizonytalanság forrásai Mintavétel (mennyire reprezentatív) Tárolási körülmények (stabilitás) Minta előkészítés (homogenitás) Készülékek állapota Reagensek tisztasága A mérés környezeti körülményei Minta effektusok (zavaró hatások) Számítástechnikai effektusok (pl. integráció) Operátortól függő hatások Véletlenszerű effektusok
10 Miért kell a mérési bizonytalanságot használni? (1) 1. A méréseink megbízhatóságát tudjuk igazolni. (Pl. CRM minta mérése) C LAB ±U LAB : a labor eredménye (C LAB ) a bizonytalansággal (U LAB ) C CRM ±U CRM : a CRM minta tanúsított értéke (C CRM ) a bizonytalansággal (U CRM ) Ha akkor a laboratórium jól mér, mert az eredmények különbsége kisebb mint az un. kombinált bizonytalanság. 2. Lehetővé teszi a különböző laboratóriumokból származó, eredmények összehasonlítását: Követelmény: C LAB1 C (Kérdés, hogy legalább az egyik labor eredménye mennyire van a valódi érték közelében? Ezt valamilyen módon igazolni kell. [CRM mérés vagy körvizsgálat])
11 Miért kell a mérési bizonytalanságot használni? (2) 3. Megalapozott döntéseket lehet hozni, hogy az illető paraméter koncentrációja biztosan túllépi-e a megadott határértéket, vagy egy adott intervallumon biztosan belül van-e 4. A mérési bizonytalanság összetevőinek átfogó értékelése rámutat a vizsgálati módszer esetleges kritikus pontjaira, amelyekre nagyobb figyelmet kell fordítani. 5. Meghatározását az ISO/IEC nemzetközi szabvány előírja minden akkreditált laboratóriumnál: A vizsgálólaboratóriumoknak legyenek olyan eljárásaik, amelyek alkalmasak a mérési bizonytalanság becslésére, és ezeket az eljárásokat alkalmazniuk kell.
12 A mérési bizonytalanság becslésének módszerei I. Szigorú matematikai módszer: számba vesszük a részbizonytalanságokat és becsüljük az eredő bizonytalanságot (halszálka diagram) Mintavétel Térfogat mérés Analitikai jelképzés és jelértelmezés Bizonytalanság Előkészítés Tömeg mérés II. Meglévő minőségbiztosítási adatok (gyűjtött, ill. a kombinált bizonytalanságok) alapján történő meghatározás ( fekete doboz elve ) Bizonytalanság III. Kombinált módszer (a fenti két módszer együttes alkalmazása)
13 I. Szigorú matematikai módszer (1) START Mérendő paraméter, a módszer és a végeredmény számolás definiálása Független bizonytalanságforrások azonosítása (A- vagy B-típusú bizonytalanság) Az elemi standard bizonytalanságok kiszámítása Az eredő, kombinált standard bizonytalanság kiszámítása A kiterjesztett bizonytalanság meghatározása (95%-os szignifikancia szint mellett) és DOKUMENTÁLÁSA STOP
14 I. Szigorú matematikai módszer (2) ISO iránymutatás a mérési bizonytalanság kifejezésére (ISO Guide to the Expression of Uncertainty Measurement)(GUM) alapján A bizonytalanság értékelés típusai: A-típusúbizonytalanság értékelés: a mért értékek bizonytalanságának statisztikai módszerekkel történő becslése El kell végezni minden korrekciót azért, hogy torzítás ne legyen: q i = korrigált mérési eredmény (a módszeres hibát kiiktatjuk) Átlag: Korrigált szórás: A standard bizonytalanság (középérték szórása, a számtani közép bizonytalansága):
15 I. Szigorú matematikai módszer (3) B-típusúbizonytalanság értékelés: egyedileg mért vagy becsült értékek bizonytalanságának nem-statisztikaimódszerekkel végzett értékelése (hozott anyag)» a kalibrálási bizonyítványból vett adatok;» a gyártói specifikációk;» a kézikönyvekből vett referenciaadatok bizonytalanságai;» korábbi mérések adatai;» eszközök viselkedésére és tulajdonságaira vonatkozó tapasztalatok és általános ismeretek (digitális mérleg, büretta) Lehetőségek: 1. A rendelkezésre álló adatot és tartományt 95%-os szignifikanciaszinthez tartozó konfidencia intervallumként adták meg (pl. a certifikáltérték 50.0 ±aμg/l), ekkor az adat feltehetőleg normális eloszlású: Ekkor a megadott bizonytalanság fele tekinthető standard bizonytalanságnak(mert az un. kiterjesztett bizonytalanságot adták meg): =
16 I. Szigorú matematikai módszer (4) 2. Ha a változó egyenletes eloszlású, akkor az egyenletes eloszlás standard bizonytalansága a félszélesség osztva 3-mal. (digitális mérleg). Amikor az eloszlást nem ismerjük, gyakran folytonosnak tekintjük azt. Ebben az esetben a standard bizonytalanság: 3. Háromszög (Simpson) eloszlás esetében (amikor a szélső értékek valószínűsége nagyon kicsi) az osztó értéke 6. (Pl. mérőlombik jelzésig való feltöltése) A standard bizonytalanság:
17 I. Szigorú matematikai módszer (5) A mérés egyenlete (a mérés matematikai modellje): Y= G(X 1, X 2.., X M ) Bemeneti mennyiségek : X 1, X 2.., X M ; eloszlásaik (valószínűségi sűrűségfüggvények): pdf 1, pdf 2,.. pdf M Y a mérendő mennyiség eloszlása: F Y vagy pdf(y) Kiterjesztett (eredő) bizonytalanság: U, az Y eloszlásból. A legvalószínűbb érték körüli tartomány, ahol a görbe alatti terület 95%-a a teljes görbe alatti területnek. *Ha nem tekinthetők függetlennek X 1, X 2,, X M -ek, akkor együttes eloszlás-/ sűrűségfüggvényt kell alkalmazni.
18 I. Szigorú matematikai módszer (6) A kombinált bizonytalanság meghatározása: Ha a mérési egyenletcsak összeadásokat és kivonásokat tartalmaz (y=x 1 +x 2 +x 3 -x 4.), akkor a kombinált bizonytalanság a bizonytalanságok négyzetösszegének a négyzetgyöke (pl. büretta leolvasás titráláskor): Ha a mérési egyenlet szorzásokat és osztásokat tartalmaz (y=x 1 x 2 x 3 /x 4.), akkor a kombinált bizonytalanság a relatív bizonytalanságoknégyzet összegének a négyzetgyöke (a legtöbb mérési eredményünk így számolódik):
19 I. Szigorú matematikai módszer (7) A kiterjesztett bizonytalanság meghatározása: Az eredmény megadásának helyes módja: Y = y±u U= k u comb (y) Ahol y: a mérési eredmények átlaga U : a kiterjesztett bizonytalanság k : a kiterjesztési tényező k= 2, akkor 95 %-os szignifikancia szint (ez a leggyakoribb) k= 3, akkor 99 %-os szignifikancia szint Programozható,ezért lehet programokat venni, vagy a laboratórium maga is készíthet számolótáblát a bizonytalanság becslésére. Példa: a Mg eredmény formája a kiterjesztetett bizonytalanság megadásával a következő módon történik (u comb (y) =0,75): c Mg = 23,5 ±1,5 mg/l (k=2 ; 95%) => a valódi érték 95 %-os valószínűséggel 22 és 25 mg/l közé esik.
20 II. A meglévő minőségbiztosítási adatok használata a bizonytalanságok becslésére (1) 1. Szabványokban leírt bizonytalansági adatok (bizonytalanság, reprodukálhatósági adatok, körvizsgálati eredmények) Ha a labor bizonyítja, hogy alkalmas a szabvány végrehajtására, használhatja ezeket a bizonytalansági értékeket, vagy ezekből az adatokból számolt bizonytalanságokat
21 II. A meglévő minőségbiztosítási adatok használata a bizonytalanságok becslésére (2) 2.Sok ismétlésből számolt eredmények, a laboratórium saját módszereinek validálásasorán keletkező adatok (ismételhetőség, [reprodukálhatóság]) használhatók a bizonytalansági intervallum megállapításához : Ahol c: a koncentráció c ±k*rsd R * c RSD R : a reprodukálhatóság relatív korrigált szórása k: kiterjesztési tényező
22 II. A meglévő minőségbiztosítási adatok használata a bizonytalanságok becslésére (3) 3. Körvizsgálati eredmények : A jártassági körvizsgálatok (JV) szervezői vagy számolják, vagy előírásokból veszik a maximálisan megengedhető hibát. A labor jól szerepel a körvizsgálatban, ha lx lab Āl 2*s (3*s). ahol x lab : labor eredménye, Ā: a hozzárendelt érték, s: a JV célszórása Ha egy megengedett eltérést (Δ ) írnak elő, akkor a jó szereplés feltétele lx i Āl Δ. A laboratórium bizonytalanságának értékelése : Sok résztvevő esetén az eredmények átlagának (hozzárendelt érték) standard bizonytalansága : u (x) = ahol n: a résztvevők száma : az illető komponens eredményinek szórása Az átlag (hozzárendelt érték) kiterjesztett bizonytalansága: U (x) =2* u (x) A labor x lab eredményének kiterjesztett bizonytalanságára U lab otadott meg Kiszámoljuk az E n számot, amely fontos teljesítményjellemző : Elvárás a labor felé: E n 1 HA EZ IGAZ, AKKOR A LABORATÓRIUM JÓL BECSÜLI A KITERJESZTETT BIZONYTALANSÁGÁT Ha a labor nem tudja x lab eredményéhez tartozó kiterjesztett bizonytalanságot (U lab ), akkor E n = 1 esetre a labor kiszámolhatja, hogy mekkora az U lab minimális értéke az adott körvizsgálatban. mg/kg 35,0 30,0 25,0 20,0 15,0 10,0 5,0 0, Laborkód / Lab. code = ( )
23 II. A meglévő minőségbiztosítási adatok használata a bizonytalanságok becslésére (4) 4. Szakértői becslések: A Horwitz-egyenletekből becsülhetjük a mérések szórását (s), standard bizonytalanságát. Ha ezt 2-vel szorozzuk a kiterjesztett bizonytalanságot kapjuk. Ez jellemző az adott koncentrációra (szilárd minták előkészítése, majd mérése). A koncentrációtól függően a std. bizonytalanságra (becsült szórásra) három egyenlet: Ha Ā <120 ppb, akkor s= 0,22(Ā*ta) /ta= 0,22Ā (ebben a tartományban RSD=22,0 R% ) Ha 120 ppb<= Ā <=13,8%, akkor s= 0,02 (Ā*ta) 0,8495 /ta (RSD=22,0.2,7 R%) Ha Ā >13,8%, akkor s= 0,01 (Ā*ta) 0,5 /ta (ha 90 %-ig vizsgálunk, akkorrsd=2,7 1,0 R%) (ta: dimenzió nélküli tömegarány, pl. ha a mértékegység ppmakkor 10-6, ha % akkor10-2 )
24 II. A meglévő minőségbiztosítási adatok használata a bizonytalanságok becslésére (5) 5. Kontrol kártya adatok: > 20 db mérés estén az ismételhetőség kiterjesztett bizonytalansága az adott koncentrációnál: U= 2*s 53 Klorid (névleges konc. 50 mg/liter) mg/liter
25 II. A meglévő minőségbiztosítási adatok használata a bizonytalanságok becslésére (6) 6. Hiteles anyagminta használatával: a mérés visszavezethetősége és a bizonytalanság becslése is megoldható és az esetleges módszeres hiba is benne van a becslési intervallumban C LAB ±U LAB C CRM ±U CRM C C akkor + Tehát a labor által mért középérték kiterjesztett bizonytalansága legalább U LAB
26 III. A bizonytalanság becslése kombinált Példa: módszerrel Szulfát meghatározás ionkromatográfiásan Kontrol kártyánkon a szulfát mérés relatív bizonytalansága (szórása) u kk =3,8 % (átlag= 5,0 mg/l) A mintában 100,0 mg/l szulfátot mértünk Mivel a kontrol minta koncentrációja távol esik a mérendő koncentrációtól, ezért hígítás szükséges. A hígítás relatív bizonytalansága u hig = 1% u comb = (u kk2 + u hig2 ) = (3, )= 3,9 %, tehát u comb = 3,9 mg/l a 100 mg/l szulfátra U kiterjesztett = k u comb = 2 3,9 mg/l = 7,8 mg/l Tehát a szulfát tartalom: 100,0 ±7,8 mg/l (k=2; 95%)
27 Mikrobiológiai vizsgálatok bizonytalansága (1) (G108---A2LA (American Association for Laboratory Accreditation)) Az értékelésnél a telepszámok (CFU) logaritmusát kell venni, mert ez normális eloszlású 1. Becslés a reprodukálhatósági vizsgálatokból: A reprodukálhatóság relatív standard deviációja: = (lg ) 2 /2 lg a i és lg b i : az az i-edik mérési adatpár telepszám eredményeinek logaritmusa M: lg a i és lg b i eredmények nagy átlaga n: az adatpárok száma c telepszámnál a kiterjesztett mérési bizonytalanság intervalluma: lg c ±k*rsd R *lg c ahol k: a kiterjesztési tényező (k=2) Telepszámra átszámolva: 10 (lg c -k*rsdr*lg c) 10 (lg c +k*rsdr*lg c) CFU amely a c telepszámot tekintve aszimmetrikus.
28 Mikrobiológiai vizsgálatok bizonytalansága (2) Mikrobiológiai vizsgálatok bizonytalanságának meghatározása reprodukálhatósági vizsgálatokból A reprodukálhatóság relatív standard deviációja: = (lg 2 /2 Labor Minta sorszám 1.ismétlés (ai) CFU/g 2.ismétlés (bi) CFU/g lg ai lg bi Különbség (lg ai-lg bi) Különbség 2 (lg ai-lg bi) 2 A ,1173 2,1523-0,0350 0,00123 B ,8388 1,9542-0,1154 0,01332 A ,6532 1,8808-0,2276 0,05180 B ,6021 1,7404-0,1383 0,01913 A ,4914 1,3010 0,1903 0,03623 B ,5185 1,6021-0,0835 0,00698 A ,4914 1,7924-0,3010 0,09062 B ,5682 1,6990-0,1308 0,01710 A ,2695 2,2227 0,0468 0,00219 B ,3385 2,4116-0,0732 0,00535 A ,3010 2,3856-0,0846 0,00715 B ,5911 1,7324-0,1413 0,01997 A ,3365 2,2553 0,0812 0,00659 B ,0755 2,1239-0,0483 0,00233 A ,4472 1,6628-0,2156 0,04648 B ,0253 2,0492-0,0239 0,00057 A ,0294 1,9494 0,0800 0,00640 B ,6532 1,7924-0,1392 0,01937 A ,9912 2,1072-0,1160 0,01345 B ,3802 2,3424 0,0378 0,00143 Nagy átlag (M): 1,9219 Mérések száma (2*n): 40 s 2 =szum(különbség 2 )/2n: 0,00919 gyök(s 2 ) 0,0959 RSD (s/m): 0,0499 2*RSD 0,0998 Kiterjesztett mérési bizonytalanság intervalluma: MU=lg c ± k*rsd R *lg c c= 150 CFU/g k= 2 lg c = 2,1761 k*rsdr*lg c = 0,2171 lg c - k*rsdr*lg c = 1,9590 Amely megfelel 10 (lg c - k*rsdr*lg c ) = lg c + k*rsdr*lg c = 2,3932 Amely megfelel 10 (lg c + k*rsdr*lg c ) = 90,986 CFU/g 247,290 CFU/g Tehát a 150 CFU/g kiterjesztett mérési bizonytalanság intervalluma: CFU/g CFU/g CFU/g Bizonytalansági intervallum Bizonytalansá 300,000 gi intervallum 250, , , ,000 50, ,000 0, ,000 50, Sorozat ok1 Mikrobiológiai mérés 0, Mikrobiológiai mérés
29 Mikrobiológiai vizsgálatok bizonytalansága (3) 2. Becslés a visszanyerési vizsgálatokból (nagyobb koncentráció tartomány): a) % rec=(lg b i / lg a i )*100 ahol: lg b i : visszanyert CFU (mátrixban) lg a i : beoltott CFU (mátrix nélkül) b) Kiszámoljuk a % rec nekastandard deviációját (%recsd) c) c telepszámnál a kiterjesztett mérési bizonytalanság intervalluma: lg c ±k*[(% recsd)/100]*lg c ahol: a [(% recsd)/100] a visszanyerési arány SD-je; k: kiterjesztési tényező d) Tízes hatványra emelve a bizonytalansági intervallum: 10 (lg c -k*[(% recsd)/100]*lg c)...10 (lg c + k*[(% recsd)/100]*lg c)
30 Mikrobiológiai vizsgálatok bizonytalansága (4) Mikrobiológiai vizsgálatok bizonytalanságának meghatározása visszanyerési vizsgálatokból Visszanyerési %= (lg b i / lg a i )*100 Minta sorszám Nagy koncentráció tartományban vizsgáljuk a visszanyerést Beoltott (mátrix nélkül) (ai) CFU/g Visszanyert (mátrixban) (bi) CFU/g lg ai lg bi A lg értékek %-os visszanyerése (lg bi / lg ai)*100 Visszanyerési arány ,4771 4, ,1 0, ,2304 4, ,4 0, ,5563 4, ,9 1, ,1761 1, ,8 0, ,3802 3, ,1 0, ,6335 4, ,2 0, ,0000 1, ,6 0, ,6232 4, ,1 0, ,2788 4, ,3 0, ,0000 2, ,0 1, ,7634 5, ,4 0, ,3979 3, ,1 0, ,0414 2, ,6 0, ,2553 4, ,9 0, ,3010 3, ,3 0, ,2304 3, ,8 1, ,3222 3, ,2 0, ,1761 2, ,9 0, ,3010 3, ,1 0, ,1761 2, ,8 0, Visszanyerési arány lg értékek %-os visszanyerésének átlaga (M): 97,0 % 0,970 A %-os visszanyerés SD (% rec SD): 3,6 % 0,0361 %-os visszanerés kiterjesztett bizonytalanság (k=2) 2*(% rec SD): 7,2 % 0,072 Visszanyerési arány kit. bizonytalansága (k=2) 2*(% rec SD)/100): 0,072 Kiterjesztett mérési bizonytalanság intervalluma: MU=lg c ± k*[(% rec SD)/100]*lg c c= 150 CFU/g k= 2 lg c = 2,1761 k*[(% rec SD)/100] * lg c = 0,1570 lg c - k*[(% rec SD)/100]*lg c= 2,0191 Amely megfelel 10 (lg c - k*[(% rec SD)/100]*lg c) = 104,5 CFU/g lg c + k*[(% rec SD)/100]*lg c= 2,3331 Amely megfelel 10 (lg c + k*[(% rec SD)/100]*lg c) = 215,3 CFU/g Tehát a 150 CFU/g kiterjesztett mérési bizonytalanság intervalluma: CFU/g CFU/g Bizonytalansági intarvallum 250, , , ,000 50,000 0, Mikrobiológiai mérés
31 Összefoglalás (1) A laboratóriumi gyakorlatban - különösen ha az akkreditált - nagyon sok adat létezik, amelyek segítségével különösebb erőfeszítés nélkül becsülhetjük a vizsgálataink bizonytalanságait (kombinált bizonytalanságok): Szabványokban szereplő bizonytalanságok Validálásiadataink (ha vannak házi módszereink, akkor reprodukálhatósági és visszanyerési eredmények születtek) Körvizsgálati adatok Kontrol kártyáink adatai Szakértői becslések (Horwitz) CRM minta mérési eredménye Ha szükség van a bizonytalanságok saját becslésére, akkor fel kell mérnünk a független bizonytalanság forrásokat és meg kell határoznunk azt, hogy statisztikai módszerekkel leírható A- típusú bizonytalanságokkal, vagy statisztikai módszerekkel nem számolható B- típusú bizonytalanságokkal van-e dolgunk. Ezek figyelembevételével ki kell számolnunk az elemi standard bizonytalanságokat.
32 Összefoglalás (2) Az elemi standard bizonytalanságokból a kombinált bizonytalanságot határozzuk meg, amelynek számolása attól függ, hogy a mérés végeredményét hogyan számoljuk (összeadással és kivonással, vagy szorzással és osztással). A kombinált bizonytalanság ismeretében az un. kiterjesztési tényezővel való szorzás után kapjuk az un. kiterjesztett bizonytalanságot.a kiterjesztési tényező értéke leggyakrabban 2, amely azt mutatja, hogy a valódi érték 95 %-os valószínűséggel megtalálható a mérési eredményünk ±kiterjesztett bizonytalanság tartományában A mérési bizonytalanság koncentráció függő Néhány Minőségirányítási Kézikönyvben csak egy ±értéket adnak meg, ami nem helyes, mert koncentráció tartományokra kellene szerepeltetni a kiterjesztett bizonytalanság értékeket.
33 Fontos a józan ész! Gyakran több módszer alkalmazásával célszerű a becsléstvégezni és ha nincs nagy eltérés az eredmények között, akkor feltehetően jól határoztuk meg a mérésünk bizonytalanságát
34 Köszönöm a megtisztelő figyelmet! Kérdések?????
QualcoDuna jártassági vizsgálatok - A 2014. évi program rövid ismertetése
QualcoDuna jártassági vizsgálatok - A 2014. évi program rövid ismertetése Szegény Zsigmond WESSLING Közhasznú Nonprofit Kft., Jártassági Vizsgálati Osztály szegeny.zsigmond@qualcoduna.hu 2014.01.21. 2013.
RészletesebbenKontrol 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
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
RészletesebbenTeljesítményparaméterek az akkreditálás és a hatósági eljárás során
Teljesítményparaméterek az akkreditálás és a hatósági eljárás során dr. Nagy Attila igazgatóhelyettes Stempelyné Antal Terézia minőségirányítási vezető Sitkei András laboratóriumi mérnök 2017. április
RészletesebbenMÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI
MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk
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
RészletesebbenGyártástechnológia alapjai Méréstechnika rész. Előadások (2.) 2011.
Gyártástechnológia alapjai Méréstechnika rész Előadások (2.) 2011. 1 Méréstechnika előadás 2. 1. Mérési hibák 2. A hiba rendszáma 3. A mérési bizonytalanság 2 Mérési folyamat A mérési folyamat négy fő
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
RészletesebbenHibaterjedési elemzés (Measurement uncertainty) EURACHEM/CITAC Guide
Hibaterjedési elemzés (Measurement unertainty) EURACHEM/CITAC Guide Quantifying Unertainty in Analytial Measurement 3rd edition, 0 http://www.measurementunertainty.org https://eurahem.org/images/stories/guides/pdf/quam0_p.pdf
RészletesebbenLaboratóriumi jártassági vizsgálatok jelentősége, szervezése. Készítette:Szegény Zsigmond Jártassági Vizsgálati Osztály, osztályvezető 2013.10.01.
Laboratóriumi jártassági vizsgálatok jelentősége, szervezése Készítette:Szegény Zsigmond Jártassági Vizsgálati Osztály, osztályvezető 2013.10.01. A körvizsgálatok típusai Módszertani körvizsgálat (egy-egy
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
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
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
RészletesebbenVisszatekintés a évre és a évi program rövid ismertetése
Visszatekintés a 2014. évre és a 2015. évi program rövid ismertetése Szegény Zsigmond Osztályvezető WESSLING Közhasznú Nonprofit Kft., Jártassági Vizsgálati Osztály szegeny.zsigmond@qualcoduna.hu 2015.01.21.
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
RészletesebbenMAGYAR ÉLELMISZERKÖNYV (Codex Alimentarius Hungaricus) Hivatalos Élelmiszervizsgálati Módszergyűjtemény /16 számú előírás (1.
MAGYAR ÉLELMISZERKÖNYV (Codex Alimentarius Hungaricus) Hivatalos Élelmiszervizsgálati Módszergyűjtemény 3-1-2004/16 számú előírás (1. kiadás) Mintavételi és vizsgálati módszerek a konzervekben lévő ón
RészletesebbenMéréselmélet és mérőrendszerek
Méréselmélet és mérőrendszerek 6. ELŐADÁS KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o A hiba fogalma o Méréshatár és mérési tartomány M é r é s i h i b a o A hiba megadása o A hiba eredete o
RészletesebbenGyártástechnológia alapjai Méréstechnika rész 2011.
Gyártástechnológia alapjai Méréstechnika rész 2011. 1 Kalibrálás 2 Kalibrálás A visszavezethetőség alapvető eszköze. Azoknak a műveleteknek az összessége, amelyekkel meghatározott feltételek mellett megállapítható
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
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
RészletesebbenA mérési eredmény megadása
A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű
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
RészletesebbenMAGYAR ÉLELMISZERKÖNYV. Codex Alimentarius Hungaricus /78 számú előírás
MAGYAR ÉLELMISZERKÖNYV Codex Alimentarius Hungaricus 3-1-2003/78 számú előírás Mintavételi és vizsgálati módszerek az élelmiszerekben lévő patulin mennyiségének hatósági ellenőrzésére Sampling methods
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
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
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 3. Hibaszámítás, lineáris regresszió Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Hibaszámítás Hibák fajtái, definíciók Abszolút, relatív, öröklött
RészletesebbenAkkreditáció. Avagy nem minden arany, ami fénylik Tallósy Judit
Akkreditáció Avagy nem minden arany, ami fénylik Tallósy Judit 2018.01.18. A nagy pecsét és ami mögötte van PCDA ciklus PDCA-ciklus egy ismétlődő, négylépéses menedzsment módszer, amelyet a termékek és
RészletesebbenStatisztika I. 9. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 9. előadás Előadó: Dr. Ertsey Imre Statisztikai hipotézis vizsgálatok elsősorban a biometriában alkalmazzák, újabban reprezentatív jellegű ökonómiai vizsgálatoknál, üzemi szinten élelmiszeripari
RészletesebbenMéréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ)
Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ) KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o A hiba fogalma o Méréshatár és mérési tartomány M é r é s i h i b a o A hiba megadása o A hiba
RészletesebbenLaboratóriumok Vizsgálatainak Jártassági Rendszere MSZ EN ISO/IEC 17043:2010 szerint
ÚTLAB Közgyűlés Budapest 2012. május 14. Laboratóriumok Vizsgálatainak Jártassági Rendszere MSZ EN ISO/IEC 17043:2010 szerint BORS Tibor főmunkatárs Jártassági Vizsgálatokat Szervező Iroda Irodavezető
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
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)
RészletesebbenTESTLab KALIBRÁLÓ ÉS VIZSGÁLÓ LABORATÓRIUM AKKREDITÁLÁS
TESTLab KALIBRÁLÓ ÉS VIZSGÁLÓ LABORATÓRIUM AKKREDITÁLÁS ACCREDITATION OF TESTLab CALIBRATION AND EXAMINATION LABORATORY XXXVIII. Sugárvédelmi Továbbképző Tanfolyam - 2013 - Hajdúszoboszló Eredet Laboratóriumi
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.
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
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
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
RészletesebbenPopulációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
RészletesebbenPosztanalitikai folyamatok az orvosi laboratóriumban, az eredményközlés felelőssége
Posztanalitikai folyamatok az orvosi laboratóriumban, az eredményközlés felelőssége Autovalidálási folyamatok Lókiné Farkas Katalin Az autovalidálás elméleti alapjai Az előző eredménnyel való összehasonlítás
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenPopulációbecslések és monitoring
Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak. Fontos lehet tudnunk, hogy hány
RészletesebbenMilyen elvi mérési és számítási módszerrel lehet a Thevenin helyettesítő kép elemeit meghatározni?
1. mérés Definiálja a korrekciót! Definiálja a mérés eredményét metrológiailag helyes formában! Definiálja a relatív formában megadott mérési hibát! Definiálja a rendszeres hibát! Definiálja a véletlen
RészletesebbenMezıgazdasági Szakigazgatási Hivatal Élelmiszer- és Takarmánybiztonsági Igazgatóság
Mezıgazdasági Szakigazgatási Hivatal Élelmiszer- és Takarmánybiztonsági Igazgatóság Mőszaki-technológiai Laboratórium 95 Budapest, Mester u. 8. ; 44 Budapest, Remény u. 4. (+6)--8-9, (+6)--468-757; (+6)--467-46
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
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
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,
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
RészletesebbenGeokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka
Geokémia gyakorlat 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek Geológus szakirány (BSc) Dr. Lukács Réka MTA-ELTE Vulkanológiai Kutatócsoport e-mail: reka.harangi@gmail.com ALAPFOGALMAK:
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
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
RészletesebbenKábítószer szubsztanciavizsgálatok. EWS december 14.
Kábítószer szubsztanciavizsgálatok Magyarországon EWS 2006. december 14. Illetékesség 2/1988. (V.19.) IM rendelet és a 2/2005. (I.17.) ORFK Utasítás Testnedvek (vér, vizelet) vizsgálata Országos Igazságügyi
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenIndikátorok alkalmazása a labordiagnosztikai eljárások minőségbiztosításában
Indikátorok alkalmazása a labordiagnosztikai eljárások minőségbiztosításában Minőségi indikátorok az analitikai szakaszban Dr. Kocsis Ibolya Semmelweis Egyetem Laboratóriumi Medicina Intézet Központi Laboratórium
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenDr. JUVANCZ ZOLTÁN Óbudai Egyetem Dr. FENYVESI ÉVA CycloLab Kft
Dr. JUVANCZ ZOLTÁN Óbudai Egyetem Dr. FENYVESI ÉVA CycloLab Kft Környezetvédelmi mérések követelményei A mérések megbízhatóságát megbízhatóan igazolni kell. Az elvégzett méréseknek máshol is elvégezhetőnek
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
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
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:
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
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
Részletesebbenföldtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás
Matematikai statisztika elıadás, földtudományi BSc (geológus szakirány) 2014/2015 2. félév 6. elıadás Konfidencia intervallum Def.: 1-α megbízhatóságú konfidencia intervallum: Olyan intervallum, mely legalább
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenKörvizsgálatok
2012 Körvizsgálatok - 2012 1) Március 6. Enterococcus faecalis Pseudomonas aeruginosa 2) Május 15. Telepszám (37 C) Escherichia coli 3) Szeptember 10. Enterococcus faecalis Telepszám (22/37 C) 4) November
RészletesebbenMunka azonosító jele: (C1276/2016) Tranzit Food Baromfifeldolgozó és Élelmiszeripari Kft Nyírgelse, Debreceni út 1.
SZAKÉRTŐI VÉLEMÉNY élelmiszer minőségének ellenőrzéséről Munka azonosító jele: (C1276/2016) Termékek neve Sült libamell Megrendelő A vizsgálat célja Tranzit Food Baromfifeldolgozó és Élelmiszeripari Kft.
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
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
RészletesebbenA kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András
Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat
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,
RészletesebbenMérési bizonytalanság becslése (vizsgálólaboratóriumok munkája során)
III. Roncsolásmentes Anyagvizsgáló Konferencia és Kiállítás Eger, 2003. április 7-11. Szóbeli előadás kézirat Előadó: Pintér László tudományos osztályvezető, Építésügyi Minőségellenőrző Innovációs Kht.
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
RészletesebbenVisszatekintés a évre és a évi program rövid ismertetése
Visszatekintés a 2015. évre és a 2016. évi program rövid ismertetése Szegény Zsigmond Osztályvezető WESSLING Közhasznú Nonprofit Kft., Jártassági Vizsgálati Osztály szegeny.zsigmond@qualcoduna.hu 2016.01.27.
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
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
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
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
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
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,
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
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
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenA év tapasztalatai és a évi jártassági vizsgálati program rövid ismertetése
A 2017. év tapasztalatai és a 2018. évi jártassági vizsgálati program rövid ismertetése Szegény Zsigmond Osztályvezető WESSLING Közhasznú Nonprofit Kft., Jártassági Vizsgálati Osztály (JVO) szegeny.zsigmond@qualcoduna.hu
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 -
RészletesebbenALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!
A1 A2 A3 (8) A4 (12) A (40) B1 B2 B3 (15) B4 (11) B5 (14) Bónusz (100+10) Jegy NÉV (nyomtatott nagybetűvel) CSOPORT: ALÁÍRÁS: ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN! 2011. december 29. Általános tudnivalók:
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési adatok feldolgozása A mérési eredmény megadása A mérés dokumentálása A vállalati mérőeszközök nyilvántartása 2 A mérés célja: egy
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
RészletesebbenTermészetes és medencés fürdővíz mikrobiológiai körvizsgálatok értékelése. Schuler Eszter, dr. Vargha Márta
Természetes és medencés fürdővíz mikrobiológiai körvizsgálatok értékelése Schuler Eszter, dr. Vargha Márta 2012 Természetes fürdővíz körvizsgálatok - 2012 11.tfKv 2012. május 15. Escherichia coli Enterococcus
RészletesebbenSTATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
RészletesebbenMérések hibája pontosság, reprodukálhatóság és torzítás
Mérések hibája pontosság, reprodukálhatóság és torzítás A kémiai mérések és számítások során számos adat felhasználásával jutunk a végeredményhez. Gyakori eset, hogy egyszerű mérési eredményekből a köztük
RészletesebbenStatisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.
Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,
RészletesebbenMezıgazdasági Szakigazgatási Hivatal Élelmiszer- és Takarmánybiztonsági Igazgatóság
Mezıgazdasági Szakigazgatási Hivatal Élelmiszer- és Takarmánybiztonsági Igazgatóság Mőszaki-technológiai Laboratórium 095 Budapest, Mester u. 8. ; 44 Budapest, Remény u. 42. (+6)--8-90, (+6)--468-757;
Részletesebben2011. ÓE BGK Galla Jánosné,
2011. 1 A mérési folyamatok irányítása Mérésirányítási rendszer (a mérés szabályozási rendszere) A mérési folyamat megvalósítása, metrológiai megerősítés (konfirmálás) Igazolás (verifikálás) 2 A mérési
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
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:
Részletesebben3. Az országos mérés-értékelés eredményei, évenként feltüntetve
3. Az országos mérés-értékelés eredményei, évenként feltüntetve 4. évfolyam-okév 2005/2006. tanév: Ebben a tanévben első alkalommal mértek a 4. évfolyamon különböző készségeket és ezek gyakorlottságát.
RészletesebbenWESSLING Közhasznú Nonprofit Kft. QualcoDuna jártassági vizsgálatok Általános feltételek 2017.
QualcoDuna jártassági vizsgálatok Általános feltételek 2017. 1. kiadás, 1. változat Kiadás dátuma: 2016.12.19. Készítette: Szegény Zsigmond és dr. Bélavári Csilla, Átvizsgálta: Rikker Tamás Tudományos
Részletesebben