Analiza niezawodnościowa działania warsztatu samochodowego
|
|
- Wiktoria Urbańska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Grzegorz Pietrzak (133329) Jacek Symonowicz (133375) Wrocław, dnia 8 stycznia 2007 Analiza niezawodnościowa działania warsztatu samochodowego Kurs: Niezawodność i diagnostyka systemów cyfrowych (2), projekt Prowadzący: dr inż. Kazimierz Kapłon Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 1/22
2 Spis treści 1 Podstawowe założenia Symulacja systemu Funkcja symulująca Wyniki symulacji Interfejs graficzny Grafy ukazujące działanie warsztatu Eksperymentalne wyznaczanie parametrów rozkładów Warunki eksperymentu Wyznaczanie najlepszych wartości parametrów Wyznaczanie rozkładów zmiennych losowych Dystrybuanty empiryczne zmiennych losowych Histogramy zmiennych losowych Uwagi i wnioski Bibliografia...22 Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 2/22
3 1. Podstawowe założenia projekt dotyczy warsztatu samochodowego, naprawiającego samochody całodobowo mamy 5 stanowisk naprawczych, nie każde z nich jest w danej chwili czynne każde stanowisko posiada cztery elementy składowe komputer, podnośnik, diagnostę i mechanika; poniżej została zaprezentowana struktura pojedynczego stanowiska: Warsztat Stanowisko 1 diagnosta Stanowisko n komputer mechanik podnośnik każdy element stanowiska ulega awariom zgodnie z rozkładem Weibulla o danych parametrach istnieje określona liczba konserwatorów systemu (konserwatorzy są potrzebni do naprawiania komputerów i podnośników) konserwator zawsze zaczyna od naprawy najwcześniej uszkodzonego elementu uszkodzenie mechanika lub diagnosty należy rozumieć jako chwilową niedyspozycję lub chorobę, konserwator nie potrafi naprawić człowieka stąd nie jest wymagany do jego powrotu do zdrowia diagnosta stanowi zimną rezerwę dla komputera, ma on mniejsze umiejętności od maszyny, stąd naprawa z jego pomocą trwa o połowę dłużej diagnosta nie ulega uszkodzeniom, gdy jest w rezerwie zakładamy, że czas przełączania między diagnostą a komputerem jest pomijalny uszkodzenia elementów warsztatu nie zależą od ilości obsługiwanych klientów warsztat obsługuje zadaną liczbę samochodów o takich samych rozkładach czasu do uszkodzenia oraz czasu naprawy (rozkłady Weibulla) jeśli istnieje wolne i czynne stanowisko naprawcze ustawia się tam samochód klienta, w przeciwnym wypadku samochód ustawia się w kolejce (jednej dla wszystkich stanowisk) samochód jest naprawiany przez losową ilość czasu, zgodnie z zadanym rozkładem Weibulla stanowisko naprawcze może się zepsuć lub może zabraknąć obsługującego je pracownika jeśli stanowisko ulegnie uszkodzeniu, obsługiwany przez nie klient trafia z powrotem na początek kolejki, wylosowany zostaje mu nowy czas naprawy (naprawa na innym stanowisku jest rozpoczynana od nowa) miarą jakości będzie tu czas, przez jaki klient musi czekać na naprawę Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 3/22
4 2. Symulacja systemu 2.1) Funkcja symulująca Symulacja działania warsztatu została napisana w środowisku Matlab. Odpowiada za nią funkcja analiza_systemu: function [s,sam,ss,m,zadow,ile_napraw] = analiza_systemu(ile, sred_sam, par_sam, sred_n_sam, par_n_sam, sred_prac, par_prac, sred_komp, par_komp, sred_podn, par_podn, sred_diag, par_diag, sred_n_prac, par_n_prac, sred_n_komp, par_n_komp, sred_n_podn, par_n_podn, sred_n_diag, par_n_diag, limit, kons) Pobierane parametry: Liczba samochodów obsługiwanych przez warsztat Parametry rozkładu Weibulla określające czas do uszkodzenia oraz czas naprawy samochodów, pracowników, komputerów i podnośników Limit czasu symulacji Liczba konserwatorów Zwracane wartości: Stany poszczególnych stanowisk naprawczych Stany systemu Stany samochodów Momenty czasu powiązane z powyższymi stanami Współczynnik zadowolenia klientów wyrażony średnim czasem oczekiwania w kolejce do naprawy Przykładowy fragment wywołania dla systemu bez konserwatorów z limitem czasu 500: >> [s,sam,ss,m,zadow] = analiza_systemu(50, 10, 2.6, 0.5, 2.6, 20, 2.6, 30, 2.6, 15, 2.6, 30, 2.6, 4, 2.6, 3, 2.6, 4, 2.6, 4, 2.6, 500, 0); Z uwagi na dużą ilość informacji przedstawione zostało tylko 5 pierwszych elementów/wierszy z danego wektora: s = stany stanowisk w momentach m stany samochodów w momentach m sam = Columns 1 through Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 4/22
5 Columns 21 through Columns 41 through ss = stany systemu w momentach m momenty m m = zadow = ile_napraw = 49 współczynnik zadowolenia liczba wykonanych napraw 2.2) Wyniki symulacji Funkcja parametry zajmuje się analizą wyników uzyskanych w symulacji: function [TFF,TBF,TR] = parametry(momenty, stany) Zwraca ona trzy wektory wartości czasy do uszkodzeń, czasy między uszkodzeniami i czasy naprawy elementu określonego poprzez wektor stanów (0/1) oraz przypisane do kolejnych elementów tego wektora momenty czasu. Uzyskane w ten sposób dane można już przenieść bezpośrednio do funkcji Matlaba odpowiedzialnych za dopasowywanie rozkładów prawdopodobieństwa (np. wblfit dla rozkładu Weibulla). Przykładowe wywołanie: >> [TFF,TBF,TR] = parametry(m, s(:,1)) TFF = (...) TBF = (...) TR = (...) Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 5/22
6 2.3) Interfejs graficzny Aby ułatwić przeprowadzanie symulacji stworzyliśmy dla niej graficzny interfejs oprócz wywoływania funkcji analiza_systemu odpowiada on także za obliczanie kosztów funkcjonowania systemu: średnie czasy do uszkodzenia lub naprawy parametry rozkładu Weibulla dla czasów do uszkodzenia lub do naprawy wyniki symulacji zadowolenie klientów oraz koszty funkcjonowania serwisu wydatki poniesione na serwis oraz zyski z napraw Przyjęliśmy, że jednostka czasu t=1 odpowiada jednemu dniowi. Wszystkie koszty wpisywane w okno interfejsu graficznego dotyczą okresu t=30. Możemy określić pensje konserwatorów, diagnostów i mechaników, stałe koszty funkcjonowania serwisu, cenę naprawy oraz współczynnik z przedziału (0,1) oznaczający jaką część ceny naprawy stanowi zysk dla warsztatu. Po zakończeniu symulacji do głównej przestrzeni Matlaba zwracane są wektory stanów stanowisk i systemu oraz momenty czasu. Na podstawie tych danych możliwe jest przeprowadzenia analizy statystycznej. Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 6/22
7 2.4) Grafy ukazujące działanie warsztatu samochodowego: Grafy zostały podzielone na trzy części w celu zwiększenia ich czytelności. Szczegóły implementacyjne nie zostały tu uwzględnione. start nie zmiana stanu? tak naprawione stanowisko naprawione czy zepsute? zepsute tak kolejka aut do naprawy pusta? nie tak auto na zepsutym stanowisku? nie tak są wolne stanowiska? nie zwiększ liczbę dostępnych stanowisk wstaw pierwsze auto z kolejki na naprawione stanowisko i wylosuj czas naprawy przenieś auto na inne stanowisko inne stanowisko z nowym czasem naprawy wstaw auto na początek kolejki do naprawy oznacz stanowisko jako naprawione oznacz stanowisko jako uszkodzone zmniejsz liczbę dostępnych stanowisk koniec Rys. 1 Graf przedstawiający zachowanie systemu w przypadku, gdy zmianie ulegnie stan pojedynczego stanowiska naprawczego. Stan stanowiska określany jest relacją elementów mechanik AND podnośnik AND (komputer OR diagnosta). Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 7/22
8 start nie zmiana stanu elementu? tak naprawiony element naprawiony czy zepsuty? zepsuty podnośnik jaki typ mechanik komputer jaki typ komputer elementu? diagnosta elementu? mechanik/ diagnosta tak diagnosta sprawny? nie jeśli diagnosta działa w systemie to go odłącz jeśli komputer jest niesprawny, to podłącz diagnostę podłącz diagnostę do systemu podnośnik tak kolejka elementów do konserwatorów pusta? nie nie jest wolny konserwator? tak zwiększ liczbę dostępnych konserwatorów przydziel konserwatora do następnego elementu z kolejki wstaw element do kolejki do konserwatorów zmniejsz liczbę dostępnych konserwatorów wylosuj czas do uszkodzenia wylosuj czas naprawy elementu uruchom element (wyjątek gdy naprawiony został diagnosta, ale komputer jest sprawny) sprawdź stan stanowiska na podstawie stanów jego elementów rozpocznij naprawę elementu koniec Rys. 2 - Graf przedstawiający zachowanie systemu w przypadku, gdy zmianie ulegnie stan pojedynczego elementu stanowiska naprawczego Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 8/22
9 start nie zmiana stanu auta? tak naprawiony samochód naprawiony czy zepsuty? zepsuty tak kolejka aut do naprawy pusta? nie tak jest wolne stanowisko? nie zwiększ liczbę dostępnych stanowisk dodaj następne auto z kolejki do naprawy wylosuj czas napr. dla samochodu i zwiększ go jeśli działa diagnosta wstaw auto na koniec kolejki wylosuj czas napr. dla samochodu i zwiększ go jeśli działa diagnosta rozpocznij naprawę auta rozpocznij naprawę auta zmniejsz liczbę dostępnych stanowisk wylosuj czas do uszkodzenia samochodu oddaj samochód klientowi start Rys. 3 - Graf przedstawiający zachowanie systemu w przypadku, gdy zmianie ulegnie stan pojedynczego samochodu Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 9/22
10 3. Eksperymentalne wyznaczanie parametrów rozkładów zmiennych losowych uzyskanych w wyniku symulacji 3.1. Warunki eksperymentu Podczas symulacji część parametrów powinna odzwierciedlać parametry urządzeń, część natomiast jest ustawiana w zależności od upodobania hipotetycznego właściciela warsztatu. Stawiając się w jego pozycji należy tak dobierać wartości pozostałych parametrów, aby klienci byli zadowoleni, oraz osiągnąć zyski. Dlatego przy symulacji przyjęte zostały następujące założenia wstępne: 1. Stanowisko naprawcze posiada elementy, których rozkłady czasów do uszkodzenia są rozkładami eksponencjalnymi (parametr kształtu rozkładu Weibulla równy 1), a czasy naprawy normalnymi (tenże parametr równy 2.6). Ponadto: dla komputera diagnostycznego czas do uszkodzenia to średnio 50 dni, a czas naprawy 3 dni średni czas do uszkodzenia podnośnika to 30 dni, natomiast czas jego naprawy średnio 3 dni ludzie, czyli mechanik i diagnosta, mają średni czas przejścia do stanu niesprawności (niedyspozycyjności) ustalony na 40 dni, w tym stanie pozostają średnio przez 4 dni. 2. Samochody będące klientami warsztatu odwiedzają go od razu po wystąpieniu awarii, te natomiast zdarzają się w czasie o rozkładzie wykładniczym, średnio 50 dni. Czas naprawy samochodu to średnio 1 dzień i ma rozkład normalny. Liczbę samochodów, które obsługuje warsztat ustalono wstępnie na Pensje wypłacane są pracownikom warsztatu co 30 dni i wynoszą odpowiednio: mechanik 1500 zł, diagnosta 700 zł, konserwator 1000 zł. 4. Cena naprawy to 500 zł, przy czym połowa tej kwoty to koszta poniesione przez sam warsztat, więc zysk z naprawy to 250 zł. Dodatkowo utrzymanie warsztatu kosztuje 1000 zł miesięcznie. 5. Liczba konserwatorów jest ustalana na podstawie testów wydajności. Dla powyższej konfiguracji wynosi Limit czasu nie wpływa na pozostałe parametry, należy ustawić go samodzielnie (np. na rok 365 lub na ok. 10 lat ). Dłuższy czas obserwacji warsztatu daje dokładniejsze wyniki przy ustalaniu parametrów niezawodnościowych systemu. Wszystkie powyższe parametry można zmieniać, ale ustalono, że będąc w roli właściciela warsztatu możliwe jest to tylko dla niektórych. Tak więc właściciel może decydować, ilu konserwatorów zatrudnić, a także ustalić pensje dla wszystkich pracowników i określić, jaką prowizję za naprawę należy doliczyć do ceny samych środków i części, z pomocą których wykonywana jest naprawa, aby ta przyniosła korzyści finansowe. Liczbę samochodów obsługiwanych przez warsztat trzeba było wyznaczyć eksperymentalnie tak, aby zapewnić ciągłość pracy warsztatu i jednocześnie nie dopuścić do nadmiernego narastania kolejki. Starano się, aby parametry ustalone domyślnie odzwierciedlały w jak największym możliwym stopniu warunki rzeczywiste. Poniżej przedstawiono zrzuty ekranu demonstrujące różne warianty uruchomienia aplikacji symulującej działanie warsztatu samochodowego. W wyniku działania symulacji otrzymujemy informacje zwrotne w postaci współczynnika zadowolenia klientów (średni czas oczekiwania na naprawę) oraz bilansu finansowego. Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 10/22
11 3.2. Wyznaczanie najlepszych wartości parametrów 1. Najlepsze uzyskane eksperymentalnie wyniki czas oczekiwania klienta średnio około 6 godzin oraz zysk roczny około 30 tys. zł. 2. Tylko 1 konserwator oszczędność kosztem wygody klientów Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 11/22
12 Trzech konserwatorów nieznaczne polepszenie jakości przy zwiększonych wydatkach Samochodów jest za mało skrócenie czasu oczekiwania klienta kosztem strat finansowych Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 12/22
13 Za dużo samochodów dłużej stoją w kolejce, w finansach większe obroty Samochody za często się psują i warsztat nie nadąża z naprawami. Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 13/22
14 Jak wynika z testów symulacyjnych, duże znaczenie ma początkowe dobranie liczby samochodów do możliwości warsztatu. Tutaj przy pięciu stanowiskach naprawczych najlepsze wyniki uzyskano, gdy warsztat obsługiwał 100 samochodów przechodzących w stan niesprawności średnio co 50 dni każdy. Już zwiększenie liczby samochodów o 20 wydłuża średni czas oczekiwania w kolejce do naprawy nawet dwukrotnie. Odebranie warsztatowi 20% klientów skutkuje natychmiastowymi stratami finansowymi, jednak daje nadzieję na automatyczną poprawę sytuacji, gdyż jednocześnie zwiększa się jakość działania warsztatu, za której kryterium obrano średni czas oczekiwania. To powinno przyciągnąć nowych klientów. Można więc przyjąć, że w pewien sposób system sam się stabilizuje Wyznaczanie rozkładów zmiennych losowych Poniżej przedstawiono wyznaczone doświadczalnie parametry niezawodnościowe dla jednego ze stanowisk naprawczych. TFF oznacza oszacowanie statystyczne średniego czasu do uszkodzenia, TBF czasu pomiędzy uszkodzeniami, natomiast TR czasu naprawy. Rozkład każdego z tych parametrów przybliżano następnie za pomocą rozkładu normalnego, Weibulla oraz eksponencjalnego, po czym wybierano najbardziej zbliżony. Do wygenerowania histogramów służyły następujące funkcje wywoływane w środowisku MATLAB: >> analiza (tutaj ustalane były parametry symulacji) >> [TFF,TBF,TR] = parametry(m, s(:,1)) (przypisanie do zmiennych) >> hist(tff, 200) (wygenerowanie histogramu zmiennej losowej TFF) >> hist(tbf, 200) (analogicznie dla TBF) >> hist(tr, 200) (oraz dla TR) Drugi parametr funkcji hist był zależny od tego, ile wyników zwróciła funkcja parametry, w tym wypadku około 180 elementów w każdej tablicy. Aby dopasować wygenerowane wyżej histogramy do jednej z trzech rodzin rozkładów, użyto następujących komend: TFFt = TFF'; scdf = normcdf(tff,mean(tff),std(tff)); scdft=scdf'; [TFFnorm, p1] = kstest(tff, [TFFt,scdft], 0.05); scdf = expcdf(tff,mean(tff)); scdft=scdf'; [TFFexp, p2] = kstest(tff, [TFFt,scdft], 0.05); x = wblfit(tff); scdf = wblcdf(tff,x(1), x(2)); scdft=scdf'; [TFFweib, p3] = kstest(tff, [TFFt,scdft], 0.05); Analogicznie testowane są tablice wartości TR oraz TBF. Na początku transponowana jest tablica wartości TFF, aby można było ją później użyć w teście Kolmogorowa-Smirnowa. Następnie na podstawie rozkładu normalnego generowana jest tablica wartości odpowiadających wartościom TFF (funkcja normcdf). Parametrami rozkładu normalnego są tutaj średnia wartość TFF obliczana za pomocą funkcji mean(tff) oraz jego odchylenie standardowe, poprzez funkcję std(tff). Wynikowa tablica jest również transponowana. Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 14/22
15 Dla tak przygotowanych tablic stosowany jest test Kolmogorowa-Smirnowa. Polega on na porównywaniu wartości wektora z rozkładem wzorcowym (domyślnie jest to rozkład normalny o średniej równej 0 i wariancji 1). Test ten ustala, czy hipoteza, że porównywane tablice wartości mają takie same rozkłady, może zostać odrzucona, czy nie. Funkcja ta zwraca wartość 0 (fałsz), jeżeli nie można odrzucić hipotezy, natomiast 1 (prawdę), gdy należy ją odrzucić. Po wykonaniu powyższych komend wpisanie w linii komend Matlaba [TFFnorm, TFFexp, TFFweib] [TRnorm, TRexp, TRweib] [TBFnorm, TBFexp, TBFweib] powoduje wypisanie wyników testów w trzech wierszach odpowiadających kolejno testom dla TFF, TR oraz TBF. W każdym wierszu kolejne wartości to dopasowanie do rozkładu normalnego, eksponencjalnego oraz Weibulla. Należy pamiętać, iż to wartość 0 oznacza, że hipoteza jest prawdziwa, a 1, że nieprawdziwa. ans = ans = ans = Jak widać, wyniki testów na zgodność z rozkładem Weibulla przeszły pomyślnie wszystkie wektory. Dzieje się tak, gdyż rozkład Weibulla, w zależności od zadanych parametrów, może przyjmować kształt zbliżony do zarówno wykładniczego (parametr kształtu około 1), jak i normalnego (parametr ten równy około 2.6). Wszystkie z rozkładów mogą być rozkładami Weibulla, dodatkowo TFF może mieć rozkład wykładniczy, a TR rozkład normalny. Aby ostatecznie rozstrzygnąć przynależność zmiennych porównaliśmy ze sobą współczynniki p, zwrócone przez funkcję kstest w przypadku, gdy więcej niż jedna hipoteza nie została odrzucona. Dla TFF poziom p2 > p3, dla TR poziom p1 > p3, zatem najprawdopodobniej TFF ma rozkład wykładniczy, a TR rozkład normalny. Aby uzyskać dokładne wartości parametrów rozkładów, do których dopasowane zostały parametry niezawodnościowe, posłużono się następującymi poleceniami: ptff = expfit(tff) [ptr, str] = normfit(tr) ptbf = wblfit(tbf) Dało to informację o parametrach rozpoznanych rozkładów dla TFF, TR i TBF. ptff = ptr = str = ptbf = Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 15/22
16 ptff jest tutaj parametrem rozkładu wykładniczego wyliczonego dla TFF, ptr i str to odpowiednio wartość średnia i odchylenie standardowe dla TR, a ptbf zawiera parametry rozkładu Weibulla przyporządkowanego do TBF (wartość średnią oraz współczynnik kształtu). Ostatecznie więc TFF ma rozkład wykładniczy o parametrze (wartości średniej) równym , TR rozkład normalny ze średnią i odchyleniem standardowym , a TBF rozkład Weibulla ze średnią wartością i współczynnikiem kształtu równym Następnie sprawdzono jeszcze rozkłady tych wartości przy zaburzonych parametrach symulacji, np. przy liczbie konserwatorów większej lub mniejszej, niż wyznaczona wśród najlepiej dobranych parametrów. Okazało się, że zmiana ich nie wpływa na przyporządkowanie do określonego rozkładu, natomiast może wpływać na wartości średnie parametrów niezawodnościowych. Tak na przykład przy zwiększeniu liczby konserwatorów do 3 otrzymano następujące parametry rozkładów: ptff = ptr = str = ptbf = Odczytać można z nich, że zwiększył się średni czas do uszkodzenia, oraz średni czas pomiędzy kolejnymi uszkodzeniami, natomiast wartość średnia czasu naprawy pozostała prawie niezmieniona Dystrybuanty empiryczne zmiennych losowych 1 E m p i r i c a l C D F F ( x ) x Dystrybuanta empiryczna zmiennej losowej TFF (średniego eksperymentalnego czasu do uszkodzenia); kolor czarny TFF, kolor czerwony rozkład Weibulla, kolor zielony rozkład normalny, kolor niebieski rozkład wykładniczy Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 16/22
17 1 E m p i r i c a l C D F F ( x ) x Dystrybuanta empiryczna zmiennej losowej TR (średniego eksperymentalnego czasu naprawy); kolor czarny TR, kolor czerwony rozkład Weibulla, kolor zielony rozkład normalny, kolor niebieski rozkład wykładniczy 1 E m p i r i c a l C D F F ( x ) x Dystrybuanta empiryczna zmiennej losowej TBF (średniego eksperymentalnego czasu między uszkodzeniami); kolor czarny TBF, kolor czerwony rozkład Weibulla, kolor zielony rozkład normalny, kolor niebieski rozkład wykładniczy Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 17/22
18 3.5. Histogramy zmiennych losowych Dla przypadku rozpatrywanego w rozdziale 3.3 (2 konserwatorów): Parametr TFF (średni eksperymentalny czas do uszkodzenia rozkład wykładniczy, wartość średnia: ) Parametr TR (średni eksperymentalny czas naprawy rozkład normalny, wartość średnia: , odchylenie standardowe ) Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 18/22
19 Parametr TBF (średni eksperymentalny czas pomiędzy awariami rozkład Weibulla, wartość średnia: , współczynnik kształtu: ) Dla symulacji o takich samych parametrach jak powyżej, ale z 1 konserwatorem: Parametr TFF (średni eksperymentalny czas do uszkodzenia rozkład wykładniczy, wartość średnia: ) Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 19/22
20 Parametr TR (średni eksperymentalny czas naprawy rozkład normalny, wartość średnia: , odchylenie standardowe ) Parametr TBF (średni eksperymentalny czas pomiędzy awariami rozkład Weibulla, wartość średnia: , współczynnik kształtu: ) Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 20/22
21 Dla symulacji o takich samych parametrach jak powyżej, ale z 10 konserwatorami (jest to w zasadzie ekwiwalent nieskończonej liczby konserwatorów, ponieważ łącznie mamy 10 elementów, które konserwatora wymagają): Parametr TFF (średni eksperymentalny czas do uszkodzenia rozkład wykładniczy, wartość średnia: ) Parametr TR (średni eksperymentalny czas naprawy rozkład normalny, wartość średnia: , odchylenie standardowe ) Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 21/22
22 Parametr TBF (średni eksperymentalny czas pomiędzy awariami rozkład Weibulla, wartość średnia: , współczynnik kształtu: ) 4. Uwagi i wnioski Projekt okazał się dość złożony, głównie ze względu na stopień skomplikowania samej symulacji wykonanej w pakiecie Matlab (uwzględniała ona zimną rezerwę, modelowała choroby pracowników oraz nakładała na symulację uszkodzeń elementów warsztatu ruch klientów). Uzyskane wyniki zgadzają się z naszymi oczekiwaniami, nieco zaskakująca okazała się tylko stosunkowo mała wrażliwość parametrów rozkładów na zmianę liczby konserwatorów. Dla wyznaczonych eksperymentalnie zmiennych: czasu do uszkodzenia, czasu naprawy i czasu między uszkodzeniami przyporządkowaliśmy rozkłady kolejno: wykładniczy, normalny i Weibulla. 5. Bibliografia [1] J. Migdalski: Inżynieria niezawodności, poradnik, Wydawnictwa ART i ZETOM, Bydgoszcz 1992 [2] M. Wciślik: Wprowadzenie do systemu Matlab, Wydawnictwo Politechniki Świętokrzyskiej, Kielce 2003 [3] W. Zamojski: Niezawodność i eksploatacja systemów, Wydawnictwo Politechniki Wrocławskiej, Wrocław 1981 Grzegorz Pietrzak, Jacek Symonowicz Niezawodność i diagnostyka systemów cyfrowych, projekt 22/22
Niezawodność i diagnostyka projekt
Niezawodność i diagnostyka projekt Jacek Jarnicki Henryk Maciejewski Zajęcia wprowadzające 1. Cel zajęć projektowych 2. Etapy realizacji projektu 3. Tematy zadań do rozwiązania 4. Podział na grupy, wybór
Bardziej szczegółowoNiezawodność i diagnostyka projekt. Jacek Jarnicki
Niezawodność i diagnostyka projekt Jacek Jarnicki Zajęcia wprowadzające 1. Cel zajęć projektowych 2. Etapy realizacji projektu 3. Tematy zadań do rozwiązania 4. Podział na grupy, wybór tematów, organizacja
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Bardziej szczegółowoW4 Eksperyment niezawodnościowy
W4 Eksperyment niezawodnościowy Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Badania niezawodnościowe i analiza statystyczna wyników 1. Co to są badania niezawodnościowe i
Bardziej szczegółoworok 2006/07 Jacek Jarnicki,, Kazimierz Kapłon, Henryk Maciejewski
Projekt z niezawodności i diagnostyki systemów cyfrowych rok 2006/07 Jacek Jarnicki,, Kazimierz Kapłon, Henryk Maciejewski Cel projektu Celem projektu jest: 1. Poznanie metod i napisanie oprogramowania
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 3 Generacja realizacji zmiennych losowych Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia: Generowanie
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoZadanie projektowe: Niezawodność i diagnostyka układów cyfrowych
Bartłomiej Piekarski 76 Data utworzenia:.6.r. Łukasz Tkacz 73 Łukasz Przywarty 78 Zadanie projektowe: Niezawodność i diagnostyka układów cyfrowych Temat: Ocena niezawodności systemu pomiarowego typu 'z3'
Bardziej szczegółowoPARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV
Elektroenergetyczne linie napowietrzne i kablowe wysokich i najwyższych napięć PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV Wisła, 18-19 października 2017
Bardziej szczegółowoW3 - Niezawodność elementu nienaprawialnego
W3 - Niezawodność elementu nienaprawialnego Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Niezawodność elementu nienaprawialnego 1. Model niezawodności elementu nienaprawialnego
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 9 Systemy kolejkowe Spis treści Wstęp Systemy masowej obsługi (SMO) Notacja Kendalla Schemat systemu masowej obsługi Przykład systemu M/M/1 Założenia modelu matematycznego
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoRozkład Gaussa i test χ2
Rozkład Gaussa jest scharakteryzowany dwoma parametramiwartością oczekiwaną rozkładu μ oraz dyspersją σ: METODA 2 (dokładna) polega na zmianie zmiennych i na obliczeniu pk jako różnicy całek ze standaryzowanego
Bardziej szczegółowoPo otrzymaniu maila zapraszającego do udziału w korzystaniu z aplikacji ProfiAuto Usługi dla Serwisu, należy użyć przycisku Aktywuj aplikację.
Po otrzymaniu maila zapraszającego do udziału w korzystaniu z aplikacji ProfiAuto Usługi dla Serwisu, należy użyć przycisku Aktywuj aplikację. Następnie należy podać adres e-mail, który posłuży później
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoNiezawodność diagnostyka systemów laboratorium. Ćwiczenie 2
dr inż. Jacek Jarnicki doc. PWr Niezawodność diagnostyka systemów laboratorium Ćwiczenie 2 1. Treść ćwiczenia Generowanie realizacji zmiennych losowych i prezentacja graficzna wyników losowania. Symulacja
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
Bardziej szczegółowoW6 Systemy naprawialne
W6 Systemy naprawialne Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Plan wykładu 1. Graf stanów elementu naprawialnego / systemu 2. Analiza niezawodnościowa systemu model Markowa
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoĆwiczenie 6. Transformacje skali szarości obrazów
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 6. Transformacje skali szarości obrazów 1. Obraz cyfrowy Obraz w postaci cyfrowej
Bardziej szczegółowoModelowanie niezawodności prostych struktur sprzętowych
Modelowanie niezawodności prostych struktur sprzętowych W ćwiczeniu tym przedstawione zostaną proste struktury sprzętowe oraz sposób obliczania ich niezawodności przy założeniu, że funkcja niezawodności
Bardziej szczegółowoDane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą w oddzielnej kolumnie.
STATISTICA INSTRUKCJA - 1 I. Wprowadzanie danych Podstawowe / Nowy / Arkusz Dane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą
Bardziej szczegółowoFunkcje charakteryzujące proces. Dr inż. Robert Jakubowski
Funkcje charakteryzujące proces eksploatacji Dr inż. Robert Jakubowski Niezawodność Niezawodność Rprawdopodobieństwo, że w przedziale czasu od do t cechy funkcjonalne statku powietrznego Ubędą się mieścić
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoSymulacja działania sterownika dla robota dwuosiowego typu SCARA w środowisku Matlab/Simulink.
Symulacja działania sterownika dla robota dwuosiowego typu SCARA w środowisku Matlab/Simulink. Celem ćwiczenia jest symulacja działania (w środowisku Matlab/Simulink) sterownika dla dwuosiowego robota
Bardziej szczegółowoKarta (sylabus) modułu/przedmiotu Transport Studia I stopnia. Język polski
Karta (sylabus) modułu/przedmiotu Transport Studia I stopnia Przedmiot: Niezawodność środków transportu Rodzaj przedmiotu: obowiązkowy Kod przedmiotu: TR 1 S 0 6 42-0_1 Rok: III Semestr: 6 Forma studiów:
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoELEMENTÓW PODANYCH W PN-EN i PN-EN
PORÓWNANIE METOD OCENY NIEUSZKADZALNOŚCI ELEMENTÓW PODANYCH W PN-EN 6508- i PN-EN 680-2 prof. dr inż. Tadeusz MISSALA Przemysłowy Instytut Automatyki i Pomiarów, 02-486 Warszawa Al. Jerozolimskie 202 tel.
Bardziej szczegółowoOkreślenie maksymalnego kosztu naprawy pojazdu
MACIEJCZYK Andrzej 1 ZDZIENNICKI Zbigniew 2 Określenie maksymalnego kosztu naprawy pojazdu Kryterium naprawy pojazdu, aktualna wartość pojazdu, kwantyle i kwantyle warunkowe, skumulowana intensywność uszkodzeń
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 4 Modelowanie niezawodności prostych struktur sprzętowych Prowadzący: mgr inż. Marcel Luzar Cel
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowo4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO
Znaczenie rozkładu wykładniczego 4 51 4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO 4.1. Rozkład wykładniczy Zmienna losowa X ma rozkład wykładniczy, jeżeli funkcja gęstości prawdopodobieństwa f ( x) = λe λx x 0,
Bardziej szczegółowoInstytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Ćwiczenie 3 Generator liczb losowych o rozkładzie Rayleigha.
Instytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Generator liczb losowych o rozkładzie Rayleigha. Generator liczb losowych o rozkładzie Rayleigha. 1. Cel ćwiczenia
Bardziej szczegółowoA B. 2 5 8 18 2 x x x 5 x x 8 x 18
Narzędzia modelowania niezawodności 1 Arkusz kalkulacyjny - jest to program zbudowany na schemacie relacyjnych baz danych. Relacje pomiędzy dwiema (lub więcej) cechami można zapisać na kilka sposobów.
Bardziej szczegółowoNAZWA ZMIENNEJ LOSOWEJ PODAJ WARTOŚĆ PARAMETRÓW ROZKŁADU PRAWDOPODOBIEŃSTWA DLA TEJ ZMIENNEJ
WAŻNE INFORMACJE: 1. Sprawdzane będą wyłącznie wyniki w oznaczonych polach, nie czytam tego co na marginesie, nie sprawdzam pokreślonych i niedbałych pól. 2. Wyniki proszę podawać z dokładnością do dwóch
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoProces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.
Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych 1 Zmienne losowe dyskretne 1.1 Rozkład dwumianowy Zad.1.1.1 Prawdopodobieństwo dziedziczenia pewnej cechy wynosi 0,7. Jakie jest prawdopodobieństwo, że spośród pięciu potomków
Bardziej szczegółowoPODSTAWY OCENY WSKAŹNIKÓW ZAWODNOŚCI ZASILANIA ENERGIĄ ELEKTRYCZNĄ
Andrzej Purczyński PODSTAWY OCENY WSKAŹNIKÓW ZAWODNOŚCI ZASILANIA ENERGIĄ ELEKTRYCZNĄ Materiały szkolenia technicznego, Jakość energii elektrycznej i jej rozliczanie, Poznań Tarnowo Podgórne II/2008, ENERGO-EKO-TECH
Bardziej szczegółowoĆwiczenia 3 ROZKŁAD ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ
Ćwiczenia 3 ROZKŁAD ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ Zadanie 1. Zmienna losowa przyjmuje wartości -1, 0, 1 z prawdopodobieństwami równymi odpowiednio: ¼, ½, ¼. Należy: a. Wyznaczyć rozkład prawdopodobieństwa
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
Bardziej szczegółowoBADANIA OPERACYJNE. dr Adam Sojda Pokój A405
BADANIA OPERACYJNE dr Adam Sojda adam.sojda@polsl.pl http://dydaktyka.polsl.pl/roz6/asojda/default.aspx Pokój A405 Przedsięwzięcie - zorganizowanie działanie ludzkie zmierzające do osiągnięcia określonego
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowoZ poprzedniego wykładu
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą
Bardziej szczegółowoJak sprawdzić normalność rozkładu w teście dla prób zależnych?
Jak sprawdzić normalność rozkładu w teście dla prób zależnych? W pliku zalezne_10.sta znajdują się dwie zmienne: czasu biegu przed rozpoczęciem cyklu treningowego (zmienna 1) oraz czasu biegu po zakończeniu
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoLaboratorium Komputerowe Systemy Pomiarowe
Jarosław Gliwiński, Łukasz Rogacz Laboratorium Komputerowe Systemy Pomiarowe ćw. Zastosowanie standardu VISA do obsługi interfejsu RS-232C Data wykonania: 03.04.08 Data oddania: 17.04.08 Celem ćwiczenia
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoANALIZA STATYSTYCZNA WYNIKÓW BADAŃ
ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ Dopasowanie rozkładów Dopasowanie rozkładów- ogólny cel Porównanie średnich dwóch zmiennych 2 zmienne posiadają rozkład normalny -> test parametryczny (t- studenta) 2
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowoNiezawodność i Diagnostyka
Katedra Metrologii i Optoelektroniki Wydział Elektroniki Telekomunikacji i Informatyki Politechnika Gdańska Niezawodność i Diagnostyka Ćwiczenie laboratoryjne nr 3 Struktury niezawodnościowe 1. Struktury
Bardziej szczegółowoR ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych
R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.
Opracowała: Joanna Kisielińska ZMIENNE LOSOWE Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R tzn. X: R. Realizacją zmiennej losowej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność (jeśli
Bardziej szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoPorównaj płace pracowników obu zakładów, dokonując kompleksowej analizy struktury. Zastanów się, w którym zakładzie jest korzystniej pracować?
1 Zadanie 1.1 W dwóch zakładach produkcyjnych Złomex I i Złomex II, należących do tego samego przedsiębiorstwa Złomowanie na zawołanie w ostatnim miesiącu następująco kształtowały się wynagrodzenia pracowników.
Bardziej szczegółowoNiezawodność i Diagnostyka
Katedra Metrologii i Optoelektroniki Wydział Elektroniki Telekomunikacji i Informatyki Politechnika Gdańska Niezawodność i Diagnostyka Ćwiczenie laboratoryjne nr 3 Struktury niezawodnościowe Gdańsk, 2012
Bardziej szczegółowoSystem obsługi klienta przy okienku w urzędzie pocztowym
System obsługi klienta przy okienku w urzędzie pocztowym Opracowały: Monika Rozmarynowska Paulina Wałdoch Joanna Wika Specjalność : EPiF Rok akademicki: 2009/2010 1 Spis treści 1. Opis i założenia wstępne
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoZałożenia do analizy wariancji. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW
Założenia do analizy wariancji dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Zagadnienia 1. Normalność rozkładu cechy Testy: chi-kwadrat zgodności, Shapiro-Wilka, Kołmogorowa-Smirnowa
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoWielkość dziennego obrotu w tys. zł. (y) Liczba ekspedientek (x) 6 2 4 5,5 6,6
Zad. 1. Zbadano wydajność odmiany pomidorów na 100 poletkach doświadczalnych. W wyniku przeliczeń otrzymano przeciętną wydajność na w tonach na hektar x=30 i s 2 x =7. Przyjmując, że rozkład plonów pomidora
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoĆwiczenie: JavaScript Cookies (3x45 minut)
Ćwiczenie: JavaScript Cookies (3x45 minut) Cookies niewielkie porcje danych tekstowych, które mogą być przesyłane między serwerem a przeglądarką. Przeglądarka przechowuje te dane przez określony czas.
Bardziej szczegółowoKARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański
KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoprzedmiot podstawowy obowiązkowy polski drugi
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 07/08 IN--008 STATYSTYKA W INŻYNIERII ŚRODOWISKA Statistics in environmental engineering
Bardziej szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
Bardziej szczegółowoGRUNT TO SPECJALIZACJA
NAPRAWY, KTÓRE POWINIENEŚ WYKONYWAĆ W ASO 1 Autoryzowany Serwis Obsługi(ASO) posiada specjalistyczne narzędzia dostarczane przez producentów. Są one kompatybilne z konkretnym modelem auta. Dzięki nim Autoryzowany
Bardziej szczegółowoModelowanie bilansu energetycznego pomieszczeń (1)
Wydział Inżynierii Środowiska Politechnika Wrocławska Modelowanie bilansu energetycznego pomieszczeń (1) 2 / 7 Na czym polega ćwiczenie? Ćwiczenie polega na badaniu modelu nagrzewnicy wodnej i chłodnicy
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoElektrotechnika I stopień (I stopień / II stopień) Ogólno akademicki (ogólno akademicki / praktyczny) Kierunkowy (podstawowy / kierunkowy / inny HES)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Niezawodność zasilania energią elektryczną
Bardziej szczegółowoPODSTAWOWE ROZKŁADY ZMIENNYCH LOSOWYCH CIĄGŁYCH
Opracowała: Joanna Kisielińska 1 PODSTAWOWE ROZKŁADY ZMIENNYCH LOSOWYCH CIĄGŁYCH Rozkład normalny Zmienna losowa X ma rozkład normalny z parametrami µ i σ (średnia i odchylenie standardowe), jeśli jej
Bardziej szczegółowoPróba własności i parametry
Próba własności i parametry Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy. XXXIX Egzamin dla Aktuariuszy z 5 czerwca 2006 r. Część I. Matematyka finansowa
Komisja Egzaminacyjna dla Aktuariuszy XXXIX Egzamin dla Aktuariuszy z 5 czerwca 006 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Inwestor dokonuje
Bardziej szczegółowoRozdział 7 ZARZĄDZANIE PROJEKTAMI
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 7 ZARZĄDZANIE PROJEKTAMI 7.2. Ćwiczenia komputerowe Ćwiczenie 7.1 Wykorzystując
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
STATYSTYKA WNIOSKOWANIE STATYSTYCZNE ESTYMACJA oszacowanie z pewną dokładnością wartości opisującej rozkład badanej cechy statystycznej. WERYFIKACJA HIPOTEZ sprawdzanie słuszności przypuszczeń dotyczących
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowo