Budapesti Műszaki és Gazdaságtudományi Egyetem
|
|
- Ede Boros
- 7 évvel ezelőtt
- Látták:
Átírás
1 Budapesti Műszaki és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Üzleti Tudományok Intézet Menedzsment és Vállalatgazdaságtan Tanszék MINŐSÉGMENEDZSMENT ALAPJAI 11. előadás Folyamatszabályozás Összeállította: Bedzsula Bálint Budapest 2016
2 1. Folyamatszabályozás módszerei A folyamatszabályozás alapjait Shewart az 1920-as évek közepén fektette le, amikor kidolgozta az első ellenőrzőkártyás módszereket 1, melyek lényegében a kész-, ill. félkész termékek egyedi minőségi paramétereinek utólagos mérését jelentették. A nagy tömegű gyártások folyamatközpontú rendszerei megkövetelték ezeknek a módszereknek a továbbfejlesztését, így megjelentek a termelési folyamaton belüli egyedi minőségparaméterekre alkalmazott ellenőrző-szabályozó ellenőrzőkártyák, melyekkel fokozatosan arra törekedtek, hogy működésüket összehangolva a folyamatokban minél hamarabb biztosítsák a szabályozást, a stabilabb, egyenletesebb termelést. Az 1970-es években kezdett megjelenni a folyamatszabályozás harmadik generációja, a statisztikai folyamatszabályozás (SPC Statistical Process Control), mely még előbbre vitte a szabályozás gondolatát: a minőségparamétereket meghatározó folyamatparaméterek szabályozott állapotban való tartását tűzte ki célul, és a kapcsolódó módszerekkel lehetővé tette a gyártási folyamatok folyamatos vizsgálatát, felügyeletét, szabályozását A statisztikai folyamatszabályozás alapjai Visszaemlékezve a korábban tanultakra elfogadhatjuk, hogy az elvárásoknak megfelelő, jó minőségű terméket csak szabályozott, stabil működésű folyamatokkal lehet előállítani. A folyamatszabályozás logikája alapján a végtermék minősége nagyban függ attól, hogy mennyire sikerül a folyamatokban jelentkező hibákat időben felismerni, megszüntetni, és további előfordulásukat megakadályozni. Ugyanakkor azt is be kell látni, hogy még kiválóan szabályozott folyamatok esetén sem keletkezik két teljesen egyforma termék. A minőségjellemzők ingadozása elkerülhetetlen, mivel a folyamatokat meghatározó számos tényező állandóan kisebb-nagyobb eltérést mutat. Ezek mellett időről-időre komolyabb zavarok is előfordulnak, melyek már az elvárt minőséget jelentősen torzító eltérést eredményeznek. A folyamatokra ható zavarokat alapvetően két csoportba sorolhatjuk ezek alapján (1. ábra): véletlen hibák: a folyamatot csak kissé befolyásoló, állandóan jelenlévő, nagyszámú, véletlenszerű ingadozást okozó zavarok. Nem azonosíthatóak az ismeretek hiánya vagy a meghatározás gazdaságtalansága miatt. Forrásaik a folyamat részei, pl.: emberek, gépek, anyagok, veszélyes hibák: a folyamatot jelentősen eltérítő, időszakosan jelentkező, kis számban előforduló zavarok. Mivel nem mindig vannak jelen, így általában gazdaságosan meghatározható és megszüntethető az eredetük. Tipikus forrásaik: helytelen gépbeállítás, meghibásodás, nem megfelelő eljárás, gépkezelők közötti különbség, 1 A módszer eredeti angol elnevezése Control Chart, amely Magyarországon ellenőrzőkártya néven vált ismertté. Ez az elnevezés azonban véleményünk szerint félrevezető, hiszen a kártya alkalmazásának fő célja ma nem az ellenőrzés, hanem a folyamatok szabályozása. A mai korszerű minőségmenedzsment szemlélet - amely igyekszik az ellenőrzés szerepét a minimálisra csökkenteni még inkább a kártya szabályozási szerepét helyezi előtérbe, ezért az utóbbi időben az ellenőrzőkártya elnevezés mellett a szabályozókártya kifejezést is egyre többen használják. 1
3 Érdemes kiegészíteni az előző két kategóriát a gyakorlatban időnként előforduló hibával, az egyedi, kiugró értékkel. Ez a többi mérési adattól jelentősen eltérő, csupán egyszer előforduló adat, melyet többnyire egyszeri jelentős külső hatás, mérési hiba okoz, általában nem a folyamat jellemzője, így a vizsgálatok során nem vesszük figyelembe. Minőségügyi szempontból a hosszútávon megfelelő minőségű termék előállításához elengedhetetlen a folyamatokra ható veszélyes zavarok felismerése, a rendszerben meglévő véletlen ingadozástól való elkülönítése, és fellépésük esetén időben, megfelelő hatékonysággal történő beavatkozás. Ezt a célt szolgálja a statisztikai folyamatszabályozási rendszer (SPC), mely statisztikai módszerek alkalmazásával a folyamatok jellemzőit meghatározott határok közt tartja, és a zavarhatások rendszeres figyelésével, elemzésével, kiküszöbölésével, ill. hatásuk csökkentésével igyekszik a termék minőségét egyenletessé tenni. Sikeres és hatékony alkalmazása lehetőséget teremt arra, hogy a hibákat megelőzzük. 1. ábra: A folyamatra ható zavarok hatása A folyamatokat a folyamatszabályozás témakörében stabilitásuk és az elvárásoknak való megfelelésük alapján szokás jellemezni, vizsgálni. (Előbbi azt mutatja, mennyire tudjuk kézben tartani a folyamatot és a rá ható zavarokat, utóbbi pedig az egyértelmű sikerességét vizsgálja.) Ha a folyamatban csak véletlen zavarok idéznek elő ingadozást, akkor a folyamat statisztikailag stabilnak, szabályozottnak nevezhető. Ekkor a változékonyság időben állandó, a központi határeloszlás tétele alapján többnyire Gauss-eloszlással jellemezhető. Ha a folyamatban veszélyes hibák is előfordulnak, akkor a folyamat szabályozatlan. Mivel ezek időről-időre jelentős zavart okoznak a folyamatban, a minőségjellemzők elméleti eloszlása nem állandó. Amennyiben a folyamat jellemzője az előírt, a vevő által megkövetelt határokon belül mozog, úgy a folyamat képes kielégíteni az igényeket. (Ekkor a folyamatot a képes jelzővel illetjük.) Ha a jellemzőt nem sikerül a megadott határokon belül tartani, úgy a folyamat nem lesz képes kielégíteni az igényeket, a teljesítményszint elégedetlenséget fog eredményezni. (Ekkor a folyamat a nem képes jelzővel jellemezhető.) 2
4 2. ábra: Szabályozottság, képesség fogalma Az SPC-rendszert feladatát tekintve két fő területre oszthatjuk: a folyamatok szabályozottságának és minőségképességének megteremtésére. Egy jól működő folyamatszabályozási rendszer felépítéséhez és működtetéséhez több minőségügyi eszköz átgondolt, rendszeres, rendszerbe foglalt alkalmazása szükséges. Az SPC több mint egy vagy több minőségügyi módszer alkalmazása, elsősorban egy gondolkodásmód. Alkalmazásával megismerhetjük folyamataink természetét Minőségképesség-elemzés Ha egy gyártási folyamatból vagy műveletből kiküszöböltük a meghatározható, veszélyes zavarokat (hibákat), akkor mondhatjuk, hogy a gyártási folyamat stabil (szabályozott). Ekkor a gyártott termék általunk vizsgált paramétere(i) véletlenszerű, időben állandó ingadozást mutatnak. A stabilizált művelettel, ill. folyamattal kapcsolatban azonban rögtön felvetődik a kérdés, hogy képes-e kielégíteni a vevők elvárásait? Más szóval a folyamat, művelet, ill. gép képessége az előírásokon belül van-e? Ennek a kérdésnek a megválaszolására szolgál a minőségképesség-elemzés. A minőségképesség-elemzéseknek alapvetően két fajtáját szokták megkülönböztetni: a gépképesség valamint a folyamatképesség elemzéseket. A gép- és folyamatképesség elemzésre használt statisztikai módszerek majdnem megegyeznek. A különbség közöttük csak az, hogy hogyan kapjuk a mérési eredményeket. A minőségképesség vizsgálatoknál a folyamat ingadozásának mértékét viszonyítjuk a termék tűrésmezőjéhez. Ennek legegyszerűbb módja, ha a mérési eredményeket ábrázoljuk vonaldiagramon, ill. hisztogramon. Ha a diagramokon feltüntetjük a tűréshatárokat, ránézésre megállapítható, hogy a pontok a határok között ingadoznak-e? A vonaldiagramon, ill. hisztogramon jól megfigyelhető az ingadozás nagysága, a rendszeres hibák által okozott zavarok hatása (trendek, ciklikusság, beállási szint) ill. az ingadozás mértékének változása. 3
5 3. ábra: Folyamatok képességének megítélése grafikus ábrázolással Minőségképesség-indexek A grafikus megjelenítésen kívül általában számszerű értékekkel is jellemezzük a folyamat (ill. gép) minőségképességét. A leggyakrabban a minőségképesség-indexeket használjuk, amelyeket normális eloszlás szerint ingadozó jellemzőkre fejlesztettek ki, de más eloszlású változókra is alkalmazhatóak. Megmutatják, hogy a természetes zavarok által létrejött saját ingadozásához (terjedelméhez) képest mekkora (hányszoros) veszélyes zavart lenne képes kedvező esetben elviselni a folyamat, ha feltételezzük a szabályozott állapotot. (Polgár Veres, 1996) Vagy másképp fogalmazva arra a kérdésre keressük a választ, hogy a legyártott termékek mekkora része lesz az előírásoknak megfelelő, és mekkora nem. Minőségképesség index (folyamatképesség, p process) számítása (kétoldali előírt tűréshatár esetén): FTH ATH C p ahol σ az elméleti szórás becslése. 6 Normális eloszlású valószínűségi változó esetén a természetes ingadozás határainak távolsága megegyezik a tűrésmező szélességével, 99,73% valószínűséggel a ±3σ határon belül van. Cp=1 esetén, ha az ingadozás várható értéke (centruma) a tűrésmező közepére esik, akkor termékből kb lesz nem megfelelő. A Cp definíciója nem veszi figyelembe az ingadozás centrumának eltolódását, mely jelentősen befolyásolhatja a megfelelőséget. A korrigált minőségképesség indexet ennek kiküszöbölésére alkották meg: kétféleképpen számolható attól függően, hogy milyen irányú veszélyes zavart vizsgálunk; a rosszabb esetre kell méreteznünk, így azt az értéket választjuk, amelyik kisebb. Korrigált minőségképesség index (folyamatképesség, p process) számítása (kétoldali előírt tűréshatár esetén): FTH ATH Min ; ; 3 3 C pk ahol μ a várható érték becslése. Ha a folyamat éppen középen van, a Cp és Cpk index megegyezik. Ha a folyamat ingadozásának centruma bármely irányba eltér a középértéktől, akkor a Cpk két értéke közül az elállítódás 4
6 irányától függően az egyik számlálója csökken, így a Cpk index értéke kisebb lesz a Cp értékénél. Cp = 2,0 Cpk = -1,0 FTH Cpk = 0,0 Cpk = 1,0 Előírás Cpk = 2,0 4. ábra: Cpk index változása a középérték eltolódásával A folyamat-, ill. a gépképesség-indexek számolása annyiban tér csak el egymástól, hogy a gépképesség vizsgálatoknál a nevezőben 6 helyett 8, ill. a Cmk index számolásánál 3 helyett 4- szeres szórástartományt viszonyítunk a tűrésmezőhöz. 1.2 Ellenőrzőkártyák A szabályozás alapeszközei a W.A. Shewhart által kifejlesztett ellenőrzőkártyák. Az ellenőrző kártyákkal történő folyamatjavítás egy iteráló eljárás, az adatgyűjtés, a szabályozás és az elemzés alapvető fázisait ismételve. (QS9000, 1992) A szabályozás alapgondolata, hogy a folyamat jellemzőinek mintavételes figyelésével megbízhatóan elkülöníthetőek a veszélyes zavaroktól mentes és az azokkal terhelt állapotok. A módszer segítségével a folyamatok ingadozásának követése, elemzése és csökkentése is megvalósítható. A folyamat normál állapotát az állandóan jelenlevő véletlen zavarok által okozott ingadozások mértékével jellemezhetjük. A vizsgált jellemző elméleti eloszlásának ismeretében valószínűség-számítási módszerekkel meghatározható egy olyan értéktartomány, amelyben a szabályozott jellemző értékei adott (nagy) valószínűséggel találhatók a folyamat szabályozott állapotában. A tartomány határai a beavatkozási határok (alsó: ABH, felső: FBH), melyek tulajdonképpen a veszélyes zavaroktól mentes és az azokkal terhelt működés közötti határvonalak. A folyamatok vizsgált jellemzői kapcsán definiálhatóak tűréshatárok (alsó: ATH, felső: FTH), melyek azt mutatják, mekkora az az ingadozás, amelyet a termék még minőségromlás nélkül elbír, tehát ezek a megfelelő és a nem megfelelő minőség közötti határvonalak. Veszélyes zavar jelenlétére abból lehet következtetni, hogy a mért értékek ezen az ún. beavatkozási határokon kívülre esnek. A szabályozott és a szabályozatlan állapot megkülönböztetésénél az erre vonatkozó következtetés statisztikai jellegéből adódóan elkerülhetetlenek a döntési hibák (első- és másodfajú hiba), viszont mértékük a szabályozási rendszer tervezésénél megválasztható, ill. számítható. A beavatkozási határokon kívüli, de a tűréshatárokon belüli működés esetén a folyamat veszélyes hibákkal terhelt, de még kielégíti az elvárásokat. Ha azonban nem avatkozunk be, nem szüntetjük meg ezeket a zavarokat, a 5 ATH
7 folyamat jellemzője jó eséllyel a tűréshatárokon kívüli tartományba fog kerülni, ahol már a kimenet nem megfelelő minőségű lesz. Az ellenőrzőkártyás szabályozás előnyei közé tartozik, hogy a mérési adatokat grafikusan is megjeleníti, s ezzel nagyban segíti a folyamat jellegzetességeinek a felismerését, a folyamat kézbentartását. Az ellenőrzőkártya működését, jellemző tartományait mutatja a következő ábra. 5. ábra: Ellenőrzőkártya jellemző tartományai és működése A szabályozottság és a folyamatképesség hathatós fejlesztése érdekében a véletlen és a veszélyes zavarokat azonosítani kell, és a folyamatot ennek megfelelően módosítani, ezután a kör újra kezdődik, újabb adatokat gyűjtünk, értelmezzük az adatokat, és ez alapján beavatkozunk (QS 9000, 1992) 1. Adatgyűjtés: a tanulmányozott jellemző (folyamat vagy termék) adatait összegyűjtjük, és olyan formába alakítjuk át, hogy az ellenőrzőkártyán ábrázolható legyen. 2. Szabályozás: az adatok alapján kiszámítjuk a beavatkozási határokat, és berajzoljuk őket a kártyákra. A beavatkozási határok nem tűréshatárok vagy korlátok, hanem a folyamat természetes ingadozásán alapulnak. Ezután rendszeresen mintát veszünk a folyamatból, az adatokat összevetjük a beavatkozási határokkal, annak megállapítására, hogy a folyamat állapota stabil-e, az eltérések csak a véletlen zavaroktól származnak-e. Ha nyilvánvaló, hogy veszélyes zavarok vannak jelen, a folyamatot tovább kell tanulmányozni annak megállapítására, hogy mi okozta az eltérést. Miután a beavatkozást elvégeztük, további adatokat gyűjtünk, ha szükséges újra számoljuk a beavatkozási határokat, és a további veszélyes zavarokat is megszüntetjük. 3. Elemzés és fejlesztés: Miután az összes veszélyes zavarral foglalkoztunk és a folyamat statisztikailag szabályozottan működik, az ellenőrzőkártyát a folyamat megfigyelésére használjuk. Az így összegyűlt adatokat felhasználhatjuk a folyamatképesség meghatározására. Ha a véletlen zavarokból eredő ingadozás túl nagy, a folyamat nem képes olyan végterméket előállítani, mely következetesen megfelel a vevő követelményeinek (túl nagy a selejt keletkezésének valószínűsége). Ilyenkor magát a folyamatot kell tanulmányozni, és jellemzően menedzseri beavatkozás szükséges a rendszer fejlesztése érdekében. 6
8 A fenti eljárás helyes és következetes alkalmazásától folyamataink minőségszínvonalának jelentős javulását remélhetjük. A kártyák kezdeti alkalmazásának tapasztalatait is figyelembe véve Montgomery a kártyák használatának alábbi eredményeit különbözteti meg (Banks, 1989): Az ellenőrzőkártya növeli a termelékenységet: egy sikeres bevezetési program csökkenti a selejtet és az újra feldolgozást, s ezáltal növeli a termelékenységet, csökkenti a költségeket. Az ellenőrzőkártya hatásos a nem megfelelőség megelőzésében: a kártyák segítenek a folyamatot szabályozott állapotban tartani. Az ellenőrzőkártya megakadályozza a felesleges folyamat (gép) állítgatásokat: a kártyák segítségével kimutatható a háttérzaj (véletlen hibák) és a rendszeres hibák közötti különbség, így a gépkezelők megfelelő módon tudnak beavatkozni a folyamatba. Az ellenőrzőkártya információt ad a folyamat (gép) állapotáról: a kártyán levő pontok mintázata értékes információt nyújt a szakemberek számára a folyamat fejlesztéséhez. Az ellenőrzőkártya információt szolgáltat a folyamatképesség elemzésekhez: a kártyák folyamatosan tájékoztatnak a legfontosabb folyamatparaméterekről, ezek stabilitásáról Kártyák tervezése Az elvi menet a következő: a szabályozandó berendezés pontossági szintje (minőségképessége) és a fogyasztói (felhasználói) minőségi elvárások figyelembevételével meghatározott célállapot statisztikai jellemzőinek, a szabályozási döntés első- és másodfajú hibájának, valamint a másodfajú hibához kapcsolódó, a célállapottól meghatározott mértékben eltérő alternatív állapot statisztikai jellemzőinek ismeretében matematikai összefüggésekkel meghatározzuk az alkalmazandó mintaszámot és a beavatkozási határokat. (Polgár Veres, 1996) Mivel a fenti elméleti eloszláson, statisztikai hibákon alapuló modell viszonylag bonyolult, valószínűség-számítási ismereteket igénylő eljárás, ezért a gyakorlatban a számítást tipizált összefüggések felhasználásával végzik. Ezek egyike az ún. 3-ás modell is, mely normális eloszlást feltételezve a beavatkozási határokat a beállási szint körül a szórás háromszoros értékének megfelelően határozza meg. Ugyan ez egyszerűen meghatározható kiindulási adatokat, egyszerű számítást jelent, de az elsőfajú hiba értéke konstans =0,27%-nak adódik, míg a másodfajú hibát nem határozza meg, ami pedig a tág beavatkozási határok miatt még jelentős zavarhatások esetén is viszonylag nagy lehet. A különböző kártyatípusok beavatkozási határainak számolását szintén a 1. táblázat tartalmazza Ellenőrzőkártyák fajtái Az ellenőrzőkártyák segítségével végeredményben minden mintavételnél egy statisztikai elemzést (hipotézisvizsgálatot) végzünk. A kártyák gyártásközi (folyamatfigyelés) alkalmazása során, végül is azt vizsgáljuk, hogy az előzetes adatfelvételnél megbecsült elméleti eloszláshoz képest nem változott-e meg a folyamat, pontosabban az eloszlás paraméterei. Ezt a döntést 7
9 egészíti ki a jellemzők grafikus ábrázolása, ill. az ebből megfigyelhető jellegzetességek. A mért paraméter jellege (elméleti eloszlása), az ábrázoláshoz képzett mutató tulajdonságai, így alapvetően befolyásolják a kártya típusát, valamint a szabályozás hatékonyságát. Aszerint, hogy a folyamatból vett minta milyen mérési skálán értékelhető, a kártyákat két fő csoportra osztjuk (Kemény, 1999 és QS 9000, 1992): méréses ellenőrzőkártyák: Intervallum vagy arányskálán mérhető mennyiségek, pl. méret, tömeg, idő, hőmérséklet stb., ill. az ezekből képzett statisztikai mutatókra széles körben alkalmazhatók. Segítségükkel mind az ingadozás mértéke, mind a középérték helyzete alapján vizsgálhatóak a folyamat adatai. Ezek alapján a méréses ellenőrzőkártyákat mindig párosával alkalmazzuk: egy kártyát a helyzeti értékre, egyet a szórásra. minősítéses ellenőrzőkártyák: Sorrendi vagy névleges skálán mérhető mennyiségek esetén használhatóak, amikor csak minősítjük a vizsgált terméket (megfelelő/nem megfelelő) vagy hibaszámot állapítunk meg, pl. selejtarány, fajlagos hibaszám stb. Egyes esetekben csak ezek a kártyák alkalmazhatóak (pl.: van-e karcolás a terméken?), míg máskor ugyan lehetne mérni minőségi jellemző(ke)t, de megelégszünk ezzel az olcsóbb, egyszerűbb, bármikor használható megoldással. Az ellenőrzőkártyák leggyakrabban alkalmazott típusait a 1. táblázat tartalmazza. 1. táblázat: Ellenőrzőkártyák fajtái, beavatkozási határok számítása Kártya megnevezése np-kártya (selejtszám kártya) c-kártya (hibaszám kártya) p-kártya (selejtarány kártya) z-kártya (fajlagos hibaszám kártya) X-kártya (Egyedi érték kártya) átlag kártya (s) Példa Beavatkozási határok számolása konstans elemű mintában talált selejtes, hibás, nem megfelelő np 3 np1- np/n termékek száma 1m 2 szöveten a szövési hibák száma, szövőgépen 1 óra alatt bekövetkező c 3 c szakadások száma a mintában talált selejtes, hibás, nem p 3 p 1- p megfelelő termékek aránya n szöveten a szövési hibák száma 1m 2 -re vonatkoztatva termékek geometriai, fizikai, mechanikai, kémiai stb. tulajdonságai (n=1) z 3 z / n x E 2 MR x A 3 s átlag kártya (R) x A 2 R medián kártya Me A ~ 2 R A mintából számolt statisztikai szórás kártya jellemzők ABH= B 3 s FBH= B 4 s terjedelem kártya ABH = D 3 R FBH = D 4 R / Típus Minősítéses kártyák Méréses kártyák 8
10 A táblázat jelöléseinek magyarázata: n mintaszám átlagos selejtszám np c p z átlagos hibaszám az átlagos selejtarány egységre jutó átlagos hibaszámarány x R MR s az alcsoportok átlaga (az összes adat átlaga) az alcsoportok terjedelmeinek átlaga a mozgó terjedelmek átlaga az alcsoportok szórásainak átlaga Átlag-terjedelem kártya A méréses ellenőrzőkártyák legáltalánosabban használt párosítása az átlag-terjedelem kártya. Az átlag a kis alcsoportok számtani átlaga (egy helyzeti érték), melynek segítségével arra keressük a választ, hogy van-e a folyamatban olyan veszélyes zavar, amely a folyamat beállását érdemben megváltoztatja. A terjedelem az egyes alcsoportokon belül a legnagyobb és legkisebb érték különbsége (a szórás egy mértéke), mellyel azt vizsgáljuk, hogy van-e olyan veszélyes zavar, amely a folyamat nagyobb mértékű ingadozását okozza. Az átlag kártya beavatkozási határait a minták terjedelméből és szórásából is becsülhetjük. Felhasznált irodalom: Banks, J. (1989): Principles of Quality Control, John Wiley & Sons, New York Kemény S.(1999): Statisztikai minőség- (megfelelőség-) szabályozás, Műszaki Könyvkiadó - Magyar Minőség Társaság, Budapest Polgár Veres, Á. (1996): A statisztikai folyamatszabályozás, az SPC elmélete és gyakorlata, SILVERT Rt., Budapest QS 9000 Statistical Process Control (SPC) (1992) Reference Manual, Chrysler-Ford-General Motors Corporation 9
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
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
RészletesebbenMinőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás
STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Erdei János Miről lesz szó? Mit értünk folyamatok stabilitásán, szabályozottságán? Mit jelent a folyamatképesség, és hogyan mérhetjük azt? Hogyan vehetjük észre a
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 249 215. Mérőeszköz-képességelemzés
RészletesebbenStatistical Process Control (SPC), Statisztikai Folyamatszabályozás
Statistical Process Control (), Statisztikai Folyamatszabályozás 1 2 2 A statisztikai folyamatszabályozás () koncepcióját először Dr Walter Shewhart fejlesztette ki a Bell laboratóriumokban, az 1920-as
RészletesebbenMINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK. Dr. Drégelyi-Kiss Ágota ÓE BGK
MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK Dr. Drégelyi-Kiss Ágota ÓE BGK e-mail: dregelyi.agota@bgk.uni-obuda.hu 1 STATISZTIKA CÉLJA Sokaság Következtetés bizonytalansága Véletlenszerű és reprezentatív mintavétel
RészletesebbenErdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány
Budapesti Műszaki- és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállalkozásgazdaságtan Tanszék Erdei János egyetemi adjunktus Minőség- és megbízhatóság menedzsment
Részletesebben17. Folyamatszabályozás módszerei
17. Folyamatszabályozás módszerei 200. Egyéb módszerek A folyamatszabályozás alapjai Minőségképesség-elemzés Mérőeszköz-képességelemzés Ellenőrzőkártyák Bedzsula Bálint 247 Adatgyűjtő lap 200. A probléma
RészletesebbenHanthy László Tel.: 06 20 9420052
Hanthy László Tel.: 06 20 9420052 Néhány probléma a gyártási folyamatok statisztikai szabályzásával kapcsolatban Miben kellene segíteni az SPC alkalmazóit? Hanthy László T: 06(20)9420052 Megválaszolandó
RészletesebbenAz SPC (statisztikai folyamatszabályozás) ingadozásai
A TERMELÉSI FOLYAMAT MINÕSÉGKÉRDÉSEI, VIZSGÁLATOK 2.3 Az SPC (statisztikai folyamatszabályozás) ingadozásai Tárgyszavak: statisztikai folyamatszabályozás; Shewhart-féle szabályozókártya; többváltozós szabályozás.
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
RészletesebbenIATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools):
APQP IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools): PPAP (Production Part Approval Process) Gyártás jóváhagyási folyamat APQP (Advanced Product Quality Planning and Control Plans)
RészletesebbenDefine Measure Analyze Improve Control. F(x), M(ξ),
5.5.5. Six Sigma Minőségmenedzsment Statisztikai folyamatszabályozási (SPC) rendszer Erdei János Egy fegyelmezett és erősen mennyiségi szemléletű folyamatfejlesztési megközelítés, amely a gyártási, szolgáltatási
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
RészletesebbenTájékoztató. Normális (Gauss-) eloszlás. Következtetés hibái. Mintavételi alapelvek. Minőségmenedzsment módszerek (SPC) 3σmás szabály.
Minőségmenedzsment módszerek (SPC) Erdei János Tájékoztató Előadó: Erdei János Tematika: Minőségmenedzsment módszerek Folyamatszabályozás logikája, eszközei, mintavételes átvételi minőség-ellenőrzés alapjai
RészletesebbenKockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével
Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése
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,
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
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenHipotézis 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
RészletesebbenIII. Képességvizsgálatok
Képességvizsgálatok 7 A folyamatképesség vizsgálata A 3 fejezetben láttuk, hogy ahhoz, hogy egy folyamat jellemzıjét a múltbeli viselkedése alapján egy jövıbeni idıpontra kiszámíthassuk (pontosabban, hogy
RészletesebbenSorozatmérés digitális mérőórával 3.
Mechatronika, Optika és Gépészeti Informatika Tanszék kiadva: 2012.02.12. Sorozatmérés digitális mérőórával 3. A mérések helyszíne: D. épület 523-as terem. Az aktuális mérési segédletek a MOGI Tanszék
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
Részletesebben4. A méréses ellenırzı kártyák szerkesztése
4. A méréses ellenırzı kártyák szerkesztése A kártyákat háromféle módon alkalmazhatjuk. Az elızetes adatfelvétel során a fı feladat az eloszlás paramétereinek (µ és σ ) becslése a további ellenırzésekhez.
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
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
RészletesebbenKockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével
Kockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
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
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
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
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
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
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
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
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
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
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
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
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
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
RészletesebbenHat Szigma Zöldöves Tanfolyam Tematikája
Hat Szigma Zöldöves Tanfolyam Tematikája Megjegyzések: A tanfolyamon haszáljuk: - Minitab statisztikai (demo) és - Companion by Minitab projektek menedzselésére szolgáló (demo) szoftvert, átadunk: - egy
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet
Kettőnél több csoport vizsgálata Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet Gyógytápszerek (kilokalória/adag) Három gyógytápszer A B C 30 5 00 10 05 08 40 45 03 50 35 190 Kérdések: 1. Van-e
RészletesebbenAndó Mátyás Felületi érdesség matyi.misi.eu. Felületi érdesség. 1. ábra. Felületi érdességi jelek
1. Felületi érdesség használata Felületi érdesség A műszaki rajzokon a geometria méretek tűrése mellett a felületeket is jellemzik. A felületek jellemzésére leginkább a felületi érdességet használják.
RészletesebbenStatisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus
Statisztika 2. Dr Gősi Zsuzsanna Egyetemi adjunktus Gyakorisági sorok Mennyiségi ismérv jellemző rangsor készítünk. (pl. napi jegyeladások száma) A gyakorisági sor képzése igazából tömörítést jelent Nagyszámú
RészletesebbenA leíró statisztikák
A leíró statisztikák A leíró statisztikák fogalma, haszna Gyakori igény az, hogy egy adathalmazt elemei egyenkénti felsorolása helyett néhány jellemző tulajdonságának megadásával jellemezzünk. Ezeket az
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
RészletesebbenMINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia
MINİSÉGSZABÁLYOZÁS A GÉPIPARBAN Dr. Drégelyi-Kiss Ágota e-mail: dregelyi.agota@bgk.uni-obuda.hu http://uni-obuda.hu/users/dregelyia ISO 9000:2008 A STATISZTIKAI MÓDSZEREK HASZNÁLATÁRÓL A statisztikai módszerek
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
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenKockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése
Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenSTATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai
Változékonyság (szóródás) STATISZTIKA I. 5. Előadás Szóródási mutatók A középértékek a sokaság elemeinek értéknagyságbeli különbségeit eltakarhatják. A változékonyság az azonos tulajdonságú, de eltérő
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
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
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenI. GÉPKÉPESSÉG-VIZSGÁLAT
I. GÉPKÉPESSÉG-VIZSGÁLAT Jelen esettanulmány [1] felhasználásával készült. A minőség és megbízhatóság kapcsolatrendszerének értelmezésénél említettük, hogy a termelő berendezések esetében a két fogalom
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
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
RészletesebbenKockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén
Kockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia program Projekt
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,
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.
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
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
RészletesebbenTermelés- és szolgáltatásmenedzsment
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése
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 -
RészletesebbenMINŐSÉGELLENŐRZÉS TÁBLÁZATOK A JEGYZŐKÖNYVEK MEGOLDÁSÁHOZ
MINŐSÉGELLENŐRZÉS TÁBLÁZATOK A JEGYZŐKÖNYVEK MEGOLDÁSÁHOZ Minőségi jellemzők csoportosítása Tervezett, mérhető minőségi jellemzők Használatra való alkalmasság. Szabványoknak, rajzoknak, műszaki, környezetvédelmi
RészletesebbenMinőség-képességi index (Process capability)
Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
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
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
RészletesebbenMinőségirányítási rendszerek 1. előadás
Minőségirányítási rendszerek 1. előadás 2013.02.15. Dr. Szabó Gábor Csaba, valamint Dr. Topár József (BME GTK Menedzsment és Vállaltgazdaságtan Tanszék) előadásfóliáinak felhasználásával összeállította
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
RészletesebbenA GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket.
FŐBB MUTATÓK A regionális GDP adatok minősége alapvetően 3 tényezőtől függ: az alkalmazott számítási módszertől a felhasznált adatok minőségétől a vizsgált területi egység nagyságától. A TERÜLETI EGYENLŐTLENSÉGEK
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenKockázatkezelés és biztosítás 1. konzultáció 2. rész
Kockázatkezelés és biztosítás 1. konzultáció 2. rész Témák 1) A kockázatkezelés eszközei 2) A kockázatkezelés szakmai területei 3) A kockázatelemzés nem holisztikus technikái 4) Kockázatfinanszírozás 5)
RészletesebbenWIL-ZONE TANÁCSADÓ IRODA
WIL-ZONE TANÁCSADÓ IRODA Berényi Vilmos vegyész, analitikai kémiai szakmérnök akkreditált minőségügyi rendszermenedzser regisztrált vezető felülvizsgáló Telefon és fax: 06-33-319-117 E-mail: info@wil-zone.hu
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,
RészletesebbenModern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt
Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt Galbács Gábor KIUGRÓ ADATOK KISZŰRÉSE STATISZTIKAI TESZTEKKEL Dixon Q-tesztje Gyakori feladat az analitikai kémiában, hogy kiugrónak
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
RészletesebbenGVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet
GVMST22GNC Statisztika II. 3. előadás: 8. Hipotézisvizsgálat Kóczy Á. László Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Hipotézisvizsgálat v becslés Becslés Ismeretlen paraméter Közeĺıtő
RészletesebbenMINİSÉGBIZTOSÍTÁS 3. ELİADÁS Február 21. Összeállította: Dr. Kovács Zsolt egyetemi tanár
MINİSÉGBIZTOSÍTÁS egyetemi tanár 3. ELİADÁS 2011. Február 21. NYME FMK TGYI 2006.08.28. 1. fólia FMEA A HIBAELEMZÉSI MÓDSZEREK GYAKORLATI KOMBINÁLÁSA NYME FMK TGYI 2006.08.28. 1/2. fólia FMEA TIPHIB Elnevezés:
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
Részletesebben10. 11. Előadás A folyamatok szabályozása statisztikai alapon
10. 11. Előadás A folyamatok szabályozása statisztikai alapon 10. - Képességi és beállítottsági mutatók 11. - Szabályozókártyák BMF RKK BTRI Minőségirányítási Intézeti Tanszél 1 Folyamatok szabályozása
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
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
RészletesebbenIskolai jelentés. 10. évfolyam szövegértés
2008 Iskolai jelentés 10. évfolyam szövegértés Az elmúlt évhez hasonlóan 2008-ban iskolánk is részt vett az országos kompetenciamérésben, diákjaink matematika és szövegértés teszteket, illetve egy tanulói
RészletesebbenElemi statisztika fizikusoknak
1. oldal Elemi statisztika fizikusoknak Pollner Péter Biológiai Fizika Tanszék pollner@elte.hu Az adatok leírása, megismerése és összehasonlítása 2-1 Áttekintés 2-2 Gyakoriság eloszlások 2-3 Az adatok
RészletesebbenMSA - mérőrendszer elemzés (MSA - measurement systems analysis)
Mi értünk mérőrendszer alatt? MSA - mérőrendszer elemzés (MSA - measurement systems analysis) Ahhoz, hogy valamilyen termék, folyamatparamétert értékelni, összehasonlítani tudjunk pl.: elvárt értékkel,
RészletesebbenSTATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
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:
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
RészletesebbenMinőségirányítási rendszerek 9. előadás
Minőségirányítási rendszerek 9. előadás 013.05.03. MÉRŐESZKÖZÖK MÉRÉSTECHNIKAI TULAJDONSÁGAI Mérőeszköz rendszeres hibája (Systematic Error of Measurement) alatt ugyanannak az értéknek megismételhetőségi
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
RészletesebbenStatisztikai módszerek
Statisztikai módszerek A hibaelemzı módszereknél azt néztük, vannak-e kiugró, kritikus hibák, amelyek a szabályozás kivételei. Ezekkel foglalkozni kell; minıségavító szabályozásra van szükség. A statisztikai
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...
Részletesebben