Kosztyán Zsolt Tibor Katona Attila Imre

Hasonló dokumentumok
Kockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén

Kockázatalapú szabályozó kártyák tervezése, kiválasztása és folyamatra illesztése

Kockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével

Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével

Design of a risk-based control chart with variable. Pannon Egyetem, Kvantitatív Módszerek Intézeti Tanszék. Le Bélier Formaöntöde Zrt.

Minőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

17. Folyamatszabályozás módszerei

NEMZETKÖZI KONFERENCIA KIADVÁNYA

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

4. A méréses ellenırzı kártyák szerkesztése

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

Matematikai statisztika c. tárgy oktatásának célja és tematikája

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

KOCKÁZATKEZELÉS A REZGÉSDIAGNOSZTIKÁBAN TÖBBVÁLTOZÓS SZABÁLYOZÓ KÁRTYA SEGÍTSÉGÉVEL

Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév

6. Előadás. Vereb György, DE OEC BSI, október 12.

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK. Dr. Drégelyi-Kiss Ágota ÓE BGK

Hanthy László Tel.:

STATISZTIKAI MÓDSZEREK ALKALMAZÁSA SZABVÁNYOK ÁTTEKINTÉSE (ISO TC 69)

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

KÖVETKEZTETŐ STATISZTIKA

[Biomatematika 2] Orvosi biometria

y ij = µ + α i + e ij

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

Gazdálkodás- és Szervezéstudományok Doktori Iskola. Katona Attila Imre. Kockázatalapú statisztikai folyamatszabályozás

Hipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

KOCKÁZATALAPÚ DÖNTÉSEK TÁMOGATÁSA A MÉRÉSI BIZONYTALANSÁG FIGYELEMBEVÉTELÉVEL HEGEDŰS CSABA 1

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

1. Példa. A gamma függvény és a Fubini-tétel.

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Define Measure Analyze Improve Control. F(x), M(ξ),

A mintavétel szakszerűtlenségeinek hatása a monitoring-statisztikákra

Biometria gyakorló feladatok BsC hallgatók számára

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

[Biomatematika 2] Orvosi biometria

Bevezetés a hipotézisvizsgálatokba

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

[Biomatematika 2] Orvosi biometria

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Loss Distribution Approach

Kutatásmódszertan és prezentációkészítés

Normális eloszlás paramétereire vonatkozó próbák

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!

Gazdálkodás- és Szervezéstudományok Doktori Iskola

A minőség és a kockázat alapú gondolkodás kapcsolata

Matematikai geodéziai számítások 6.

NYF-MMFK Műszaki Alapozó és Gépgyártástechnológia Tanszék gépészmérnöki szak III. évfolyam

Számítógépes döntéstámogatás. Statisztikai elemzés

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

MINİSÉGBIZTOSÍTÁS 12. ELİADÁS Május 9. Összeállította: Dr. Kovács Zsolt egyetemi tanár

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus

Varianciaanalízis 4/24/12

Dr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.

Térfogat és súly alapú faátvétel problémái

KUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel

[Biomatematika 2] Orvosi biometria

Matematikai geodéziai számítások 6.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék

Gondolatok a belső auditorok felkészültségéről és értékeléséről Előadó: Turi Tibor vezetési tanácsadó, CMC az MSZT/MCS 901 szakértője

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Abszolút folytonos valószín ségi változó (4. el adás)

14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull

Validálás és bizonytalanságok a modellekben

Mátrix-alapú projektkockázatmenedzsment

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

STATISZTIKAI PROBLÉMÁK A

Biomatematika 2 Orvosi biometria

Transzformátor, Mérőtranszformátor Állapot Tényező szakértői rendszer Vörös Csaba Tarcsa Dániel Németh Bálint Csépes Gusztáv

VIZSGADOLGOZAT. I. PÉLDÁK (60 pont)

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

GRADUÁLIS BIOSTATISZTIKAI KURZUS február hó 22. Dr. Dinya Elek egyetemi docens

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Tájékoztató. Normális (Gauss-) eloszlás. Következtetés hibái. Mintavételi alapelvek. Minőségmenedzsment módszerek (SPC) 3σmás szabály.

Kockázatkezelés és biztosítás 1. konzultáció 2. rész

Többváltozós lineáris regressziós modell feltételeinek

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,

Hidak építése a minőségügy és az egészségügy között

Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?

Lövedékálló védőmellény megfelelőségének elemzése lenyomatmélységek (traumahatás) alapján

BIOMETRIA (H 0 ) 5. Előad. zisvizsgálatok. Hipotézisvizsg. Nullhipotézis

1/8. Iskolai jelentés. 10.évfolyam matematika

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

Függetlenségvizsgálat, Illeszkedésvizsgálat

Kalibrálás és mérési bizonytalanság. Drégelyi-Kiss Ágota I

Átírás:

Kockázatalapú többváltozós szabályozó kártya kidolgozása a mérési bizonytalanság figyelembe vételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia program Projekt megvalósulása: 2013.09.01-2014.08.31. Kosztyán Zsolt Tibor Katona Attila Imre Az Európai Unió és a Magyar Állam támogatásával nyújtott összes támogatás: 4 200 000.- Ft. II. IRI Társadalomtudományi Konferencia

Tartalom 1. A statisztikai folyamatszabályozás és a mérési bizonytalanság 2. Mi a probléma az ellen rz kártyákkal? 3. Saját módszer bemutatása 4. A módszer alkalmazhatóságának bemutatása gyakorlati példán keresztül 5. Eredmények

A statisztikai folyamatszabályozás és a mérési bizonytalanság SPC: Cél: A min ség színvonalának biztosítása Legelterjedtebb alkalmazás Statisztikai módszerek segítségével Eszközei: ellen rz kártyák Hátrány: Mérési bizonytalanság figyelmen kívül hagyása m (g) m(g) 8,2 8,1 8 7,9 7,8 7,7 7,6 7,5 8,2 8,1 8 7,9 7,8 7,7 7,6 7,5 1 3 5 7 9 11131517192123252729313335373941434547 0 10 20 30 40 50 n n Minta átlag LCL UCL Átlag értékek MAi UCL LCL

Többdimenziós eset El nyök: Több változó egyidej kezelhet sége Téves riasztás valószín ségének csökkentése

A statisztikai folyamatszabályozás és a mérési bizonytalanság Megfelel ség értékelésekor: Mérési bizonytalanság Pénzügyi kockázat Fedezeti értékek Megfelel Döntés Nem megfelel Tény Megfelel Nem megfelel 11 =r 11 -c 11 10 =r 10 -c 10 01 =r 01 -c 01 00 =r 00 - c 00 =Fedezeti érték r=bevétel c=kiadás /2 /2 1 0

A statisztikai folyamatszabályozás és a mérési bizonytalanság 0,25 Átlag-kártya m i p m i m i 0,2 m i m i p 0,15 0,1 p p m i m i p p Átlag-értékek p m i p 0,05 0 0 5 10 15 20 25 30 35 Mintavétel sorszáma

Eddigi kutatási témák elemzése Egydimenzió Normáleloszlás Normálistól eltér eloszlástípus Ellen rz kártyák Megbízhatóság alapú Azonos mintaelemszám, azonos mintavételi id köz p, np, x, s, r, CUSUM, EWMA, u, c, MA X, CUSUM, R, EWMA, MA Különböz mintaelemszám/különböz mintavételi id köz CUSUM, X, EWMA, T 2, MA, p, np, s X, CUSUM, EWMA, MA Azonos mintaelemszám, azonos mintavételi id köz Kockázatalapú Különböz mintaelemszám/különböz mintavételi id köz X, MA, EWMA X MA, EWMA Többdimenzió Normáleloszlás Normálistól eltér eloszlástípus T 2, kontrollellipszis (2 változónál), CUSUM, EWMA MCUSUM, MEWMA, T 2, T 2 PCA T 2, CUSUM, EWMA MCUSUM, MEWMA T 2 PCA

Módszer bemutatása Adatgy jtés Adatok: Eloszlástípus Átlag Szórás Mérési bizonytalanság Specifikációs határok 1. lépés 2. lépés 3. lépés 4. lépés

Módszer bemutatása A folyamatra tervezett T 2 kártya 12 10 Kártyatervezés (megbízhatóság alap) T 2 értékek 8 6 4 2 T2 UCL 0 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 Mintavétel sorszáma Adatgy jtés 1. lépés 2. lépés 3. lépés 4. lépés

Módszer bemutatása Megfelel Megfelel Döntés Nem megfelel Nem megfelel Megfelel Nem megfelel Fedezeti érték meghatározás =Fedezeti érték r=bevétel c=kiadás Tény Nem megfelel Megfelel Megfelel Nem megfelel Megfelel Nem megfelel 1111 =r 1111 -c 1111 1110 =r 1110 -c 1110 1011 =r 1011 -c 1011 1010 =r 1010 -c 1010 0111 =r 0111 -c 0111 0110 =r 0110 -c 0110 p 0011 =r 0011 -c 0011 0010 =r 0010 -c 0010 1101 =r 1101 -c 1101 1100 =r 1100 -c 1100 1001 =r 1001 -c 1001 1000 =r 1000 -c 1000 0101 =r 0101 -c 0101 0100 =r 0100 -c 0100 0001 =r 0001 -c 0001 0000 =r 0000 -c 0000 Adatgy jtés Kártyatervezés (megbízhatóság alap) 1. lépés 2. lépés 3. lépés 4. lépés 10

Módszer bemutatása A folyamatra tervezett T 2 kártya 12 Beavatkozási határ módosítása T 2 értékek 10 8 6 4 2 Új beavatkozási határ T2 T2(mérés i bizonytal ansággal) UCL 0 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 Mintavétel sorszáma Adatgy jtés Kártyatervezés (megbízhatóság alap) Fedezeti érték meghatározás 1. lépés 2. lépés 3. lépés 4. lépés 10

Miért szimulációs módszer? Analitikus módszer alkalmazása során fellép problémák: Többdimenziós kártyák A beavatkozási határ számítása nem körültekint Változók száma Minta elemszám 1 = 1 +1) +1 Teljes sokaság nagysága F eloszlás 12

Miért szimulációs módszer? Analitikus módszer alkalmazása során fellép problémák: Többdimenziós kártyák A beavatkozási határ számítása nem körültekint Normalitás nem teljesül minden esetben Béta Gamma Lognormális Egyenletes Weibull 12

A módszer alkalmazhatóságának bemutatása

A módszer alkalmazhatóságának bemutatása T 2 12 k Megbízhatóság alapú T 2 kártya 10 T2 T 2 értékek 8 6 4 2 T2(mérési bizonytalan sággal) UCL 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 Mintavétel sorszáma 64 67 70 73 76 79 82 85 88 91 94 97 100 A módszer alkalmazásával számított beavatkozási határ

A módszer alkalmazhatóságának bemutatása RBT 2 12 Kockázatalapú T 2 kártya 10 T2 T 2 értékek 8 6 4 2 T2(mérési bizonytalan sággal) UCL 0 1 4 7 10 13 16 19 22 25 28 31 RBT 2 =Risk-Based T 2 34 37 40 43 46 49 52 55 58 61 Mintavétel sorszáma 64 67 70 73 76 79 82 85 88 91 94 97 100 A módszer alkalmazásával számított beavatkozási határ

Eredmények Szempontok T 2 RBT 2 (Risk-Based T 2 ) k 0 0,24 UCL 9,19 8,95 Összegzett fedezeti érték ( ) 2 092 000 2 115 000 Százalékos növekedés (%) - 1,1 2 092 000 2 115 000 k: kiterjesztési tényez

Eredmények Szempontok T 2 RBT 2 (Risk-Based T 2 ) k 0 0,24 UCL 9,19 8,95 Összegzett fedezeti érték ( ) 2 092 000 2 115 000 Százalékos növekedés (%) - 1,1 Az összegzett fedezeti érték alakulása a módszer alkalmazása során 1,1%-os növekedés k: kiterjesztési tényez Összegzett fedezeti érték ( ) 2,12 2,11 2,1 2,09 2,08 2,07 2,06 2,05 2,04 2,03 k=0,24 Összegzett fedezeti érték a k paraméter függvényében 2,02-0,4-0,2 0 0,2 0,4 0,6 0,8 1 k paraméter

Eredmények Összegzett fedezeti érték növekedése (%) 3 2,8 2,6 2,4 2,2 2 1,8 1,6 1,4 1,2 1 Az elérhet fedezeti érték növekedés a másodfajú hiba költségének függvényében különböz eloszlástípusok esetén 10 20 30 40 50 60 70 80 90 100 110 120 130 Másodfajú hiba költsége ( ) Normális eloszlás (µ=0, =0,01) Weibull eloszlás (0,003, b=2) Egyenletes eloszlás (a=-0,01, b=-0,02) Béta eloszlás (a=0.003, b=5) Lognormális eloszlás (µ=0, =0,01)

Köszönöm a megtisztel figyelmet! Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és m ködtetése konvergencia program A kutatásban résztvev kollégák: Dr. Kosztyán Zsolt Tibor Heged s Csaba Katona Attila 20