Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne."

Transkrypt

1 Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej

2 Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę. Może to być np. długość produkowanych prętów, grubość wytwarzanych płyt wiórowych, itp. Technik dokonuje pomiarów i zbiera dane w bazie danych.

3 Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę. Może to być np. długość produkowanych prętów, grubość wytwarzanych płyt wiórowych, itp. Technik dokonuje pomiarów i zbiera dane w bazie danych. Na typowej karcie kontrolnej widnieją trzy linie:

4 Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę. Może to być np. długość produkowanych prętów, grubość wytwarzanych płyt wiórowych, itp. Technik dokonuje pomiarów i zbiera dane w bazie danych. Na typowej karcie kontrolnej widnieją trzy linie: Górna Linia Kontrolna (Upper Control Limit UCL)

5 Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę. Może to być np. długość produkowanych prętów, grubość wytwarzanych płyt wiórowych, itp. Technik dokonuje pomiarów i zbiera dane w bazie danych. Na typowej karcie kontrolnej widnieją trzy linie: Górna Linia Kontrolna (Upper Control Limit UCL) Linia Centralne (Central Line CL)

6 Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę. Może to być np. długość produkowanych prętów, grubość wytwarzanych płyt wiórowych, itp. Technik dokonuje pomiarów i zbiera dane w bazie danych. Na typowej karcie kontrolnej widnieją trzy linie: Górna Linia Kontrolna (Upper Control Limit UCL) Linia Centralne (Central Line CL) Dolna Linia Kontrolna (Lower Control Limit LCL)

7 Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę. Może to być np. długość produkowanych prętów, grubość wytwarzanych płyt wiórowych, itp. Technik dokonuje pomiarów i zbiera dane w bazie danych. Na typowej karcie kontrolnej widnieją trzy linie: Górna Linia Kontrolna (Upper Control Limit UCL) Linia Centralne (Central Line CL) Dolna Linia Kontrolna (Lower Control Limit LCL)

8 Poznane karty kontrolne: x-karta Cel: Chcemy kontrolować średnią wartość procesu, np. chcemy kontrolować średnią długość ciętych prętów stalowych.

9 Poznane karty kontrolne: x-karta Cel: Chcemy kontrolować średnią wartość procesu, np. chcemy kontrolować średnią długość ciętych prętów stalowych. Po wykonaniu pierwszych cięć wybieramy losowo n próbek: x 1, x 2,..., x n i liczymy ich średnią: x 1 = 1 n x k. n k=1

10 Poznane karty kontrolne: x-karta Cel: Chcemy kontrolować średnią wartość procesu, np. chcemy kontrolować średnią długość ciętych prętów stalowych. Po wykonaniu pierwszych cięć wybieramy losowo n próbek: x 1, x 2,..., x n i liczymy ich średnią: x 1 = 1 n x k. n Powtarzamy schemat m-krotnie, tzn. po każdym cięciu po raz kolejny wybieramy próbki i liczymy średnią. W konsekwencji dostajemy m wartości średnich: x 1, x 2,..., x m. k=1

11 Poznane karty kontrolne: x-karta Cel: Chcemy kontrolować średnią wartość procesu, np. chcemy kontrolować średnią długość ciętych prętów stalowych. Po wykonaniu pierwszych cięć wybieramy losowo n próbek: x 1, x 2,..., x n i liczymy ich średnią: x 1 = 1 n x k. n Powtarzamy schemat m-krotnie, tzn. po każdym cięciu po raz kolejny wybieramy próbki i liczymy średnią. W konsekwencji dostajemy m wartości średnich: x 1, x 2,..., x m.liczymy średnią ze średnich: x = 1 m k=1 m x k. k=1

12 Poznane karty kontrolne: x-karta Cel: Chcemy kontrolować średnią wartość procesu, np. chcemy kontrolować średnią długość ciętych prętów stalowych. Po wykonaniu pierwszych cięć wybieramy losowo n próbek: x 1, x 2,..., x n i liczymy ich średnią: x 1 = 1 n x k. n Powtarzamy schemat m-krotnie, tzn. po każdym cięciu po raz kolejny wybieramy próbki i liczymy średnią. W konsekwencji dostajemy m wartości średnich: x 1, x 2,..., x m.liczymy średnią ze średnich: x = 1 m k=1 m x k. k=1 Ta wartość będzie stanowiła linię centralną.

13 x-karta Z każdej próbki oprócz średniej wartości x k, k = 1,..., m, wybieramy także wartości największą i najmniejszą i liczymy ich rozstęp: R 1 = x (1) max x (1) min.

14 x-karta Z każdej próbki oprócz średniej wartości x k, k = 1,..., m, wybieramy także wartości największą i najmniejszą i liczymy ich rozstęp: R 1 = x (1) max x (1) min. W ten sposób dostajemy m wartości rozstępów dla każdej z próbek: R 1,..., R m.

15 x-karta Z każdej próbki oprócz średniej wartości x k, k = 1,..., m, wybieramy także wartości największą i najmniejszą i liczymy ich rozstęp: R 1 = x (1) max x (1) min. W ten sposób dostajemy m wartości rozstępów dla każdej z próbek: R 1,..., R m.liczymy średni rozstęp: R = 1 m m R k. k=1

16 x-karta Ustalamy linie kontrolne: UCL = x + A 2 R, LCL = x A 2 R, gdzie A 2 = 3 d 2 n jest pewną stałą zależną od rozmiaru próby. Jest ona podana w specjalnych tablicach. Niemniej jednak dla prób n > 25 można ją uzyskać wprowadzając pojęcie relatywnej rangi: W = R σ. Wtedy okazuje się, że zachodzi zależność d 2 = R, gdzie s jest s odchyleniem standardowym z próby.

17 R-karta Wraz z kartą do średniej używana jest równolegle karta do kontroli rozstępu. Linię centralną stanowi tam wartość R.

18 R-karta Wraz z kartą do średniej używana jest równolegle karta do kontroli rozstępu. Linię centralną stanowi tam wartość R. W przypadku poszczególnych linii kontrolnych dostajemy: UCL = D 4 R, LCL = D 3 R, gdzie D 4, D 3 są stałymi podanymi w tablicach.

19 R-karta Wraz z kartą do średniej używana jest równolegle karta do kontroli rozstępu. Linię centralną stanowi tam wartość R. W przypadku poszczególnych linii kontrolnych dostajemy: UCL = D 4 R, LCL = D 3 R, gdzie D 4, D 3 są stałymi podanymi w tablicach. Powyższą zależność można też zapisać jako UCL = R + 3 d 3 d 2 R, LCL = R 3 d 3 d 2 R, gdzie d 2 jest stałą jak poprzednio, zaś d 3 uzyskuje się poprzez policzenie odchylenia standardowego z rozstępu: d 3 = s R d 2. R Zwróćmy uwagę, że karta dla badania rozstępu nie jest symetryczna!

20 Projektowanie kart kontrolnych dla odchylenia standardowego s Pomimo, że x-karty i R-karty są powszechnie stosowane, czasami lepiej jest zamiast rozstępu kontrolować odchylenie standardowe z próby.

21 Projektowanie kart kontrolnych dla odchylenia standardowego s Pomimo, że x-karty i R-karty są powszechnie stosowane, czasami lepiej jest zamiast rozstępu kontrolować odchylenie standardowe z próby. Przypomnijmy: wariancją z proby nazywamy wielkość s 2 = 1 n 1 n (x k x) 2, (1) k=1 gdzie x jest wcześniej wyznaczoną średnią z próby. Odchyleniem standardowym z próby nazywamy wielkość s = s 2. (2)

22 Projektowanie kart kontrolnych dla odchylenia standardowego s Karty kontroli dla odchylanie standardowego są preferowane w przypadkach gdy:

23 Projektowanie kart kontrolnych dla odchylenia standardowego s Karty kontroli dla odchylanie standardowego są preferowane w przypadkach gdy: Rozmiar próby jest duży. Liczenie rozstępu w takich przypadkach, aby wyznaczać wariancję traci wtedy znaczenie statystyczne.

24 Projektowanie kart kontrolnych dla odchylenia standardowego s Karty kontroli dla odchylanie standardowego są preferowane w przypadkach gdy: Rozmiar próby jest duży. Liczenie rozstępu w takich przypadkach, aby wyznaczać wariancję traci wtedy znaczenie statystyczne. Rozmiar próby n jest zmienny.

25 Projektowanie kart kontrolnych dla odchylenia standardowego s Karty kontroli dla odchylanie standardowego są preferowane w przypadkach gdy: Rozmiar próby jest duży. Liczenie rozstępu w takich przypadkach, aby wyznaczać wariancję traci wtedy znaczenie statystyczne. Rozmiar próby n jest zmienny. W takich wypadkach proces kontroluje się wykorzystując x-kartę oraz kartę odchylenia standardowego: s-kartę.

26 Projektowanie s-karty Cel: Chcemy kontrolować wariancję procesu.

27 Projektowanie s-karty Cel: Chcemy kontrolować wariancję procesu. Przypuśćmy, że znana jest wartość odchylania standardowego każdej z próbki (a nie całego procesu!) i ma ona wartość σ. Wtedy pokazuje się, że linią centralną s karty jest wartość CL = c 4 σ gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach.

28 Projektowanie s-karty Cel: Chcemy kontrolować wariancję procesu. Przypuśćmy, że znana jest wartość odchylania standardowego każdej z próbki (a nie całego procesu!) i ma ona wartość σ. Wtedy pokazuje się, że linią centralną s karty jest wartość CL = c 4 σ gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach. Pozostałe linie kontrolne to UCL = c 4 σ + 3σ 1 c4 2, LCL = c 4σ 3σ 1 c4 2.

29 Projektowanie s-karty Cel: Chcemy kontrolować wariancję procesu. Przypuśćmy, że znana jest wartość odchylania standardowego każdej z próbki (a nie całego procesu!) i ma ona wartość σ. Wtedy pokazuje się, że linią centralną s karty jest wartość CL = c 4 σ gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach. Pozostałe linie kontrolne to UCL = c 4 σ + 3σ 1 c4 2, LCL = c 4σ 3σ 1 c4 2. Oznaczmy B 5 = c c 2 4, B 6 = c c 2 4. Wtedy UCL = B 6 σ, LCL = B 5 σ.

30 Projektowanie s-karty Problem pojawia się, gdy nie znamy wartości teoretycznej wariancji lub odchylenia standardowego. Należy wtedy je estymować, czlyli przybliżyć ich nieznaną wartość.

31 Projektowanie s-karty Problem pojawia się, gdy nie znamy wartości teoretycznej wariancji lub odchylenia standardowego. Należy wtedy je estymować, czlyli przybliżyć ich nieznaną wartość. Po pobraniu losowo n próbek: x 1, x 2,..., x n liczymy ich wariancję: s 2 1.

32 Projektowanie s-karty Problem pojawia się, gdy nie znamy wartości teoretycznej wariancji lub odchylenia standardowego. Należy wtedy je estymować, czlyli przybliżyć ich nieznaną wartość. Po pobraniu losowo n próbek: x 1, x 2,..., x n liczymy ich wariancję: s 2 1. Powtarzamy schemat m-krotnie. W konsekwencji dostajemy m wartości wariancji: s 2 1, s2 2,..., s2 m. Potem liczymy odchylenia standardowe z każdej próby: s 1, s 2,..., s m

33 Projektowanie s-karty Problem pojawia się, gdy nie znamy wartości teoretycznej wariancji lub odchylenia standardowego. Należy wtedy je estymować, czlyli przybliżyć ich nieznaną wartość. Po pobraniu losowo n próbek: x 1, x 2,..., x n liczymy ich wariancję: s 2 1. Powtarzamy schemat m-krotnie. W konsekwencji dostajemy m wartości wariancji: s1 2, s2 2,..., s2 m. Potem liczymy odchylenia standardowe z każdej próby: s 1, s 2,..., s m Linią centralną karty będzie średnie odchylenie standardowe CL = s = 1 m s i. m i=1

34 Projektowanie s-karty Aby ustalić linie UCL i LCL należy wpierw policzyć, w jaki sposób wahają się odchylenia standardowe, czyli policzyć odchylenie standardowe z odchyleń standardowych. Na szczęście dobrym przybliżeniem tej wielkości jest wielkość s c 4 1 c 2 4, gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach.

35 Projektowanie s-karty Aby ustalić linie UCL i LCL należy wpierw policzyć, w jaki sposób wahają się odchylenia standardowe, czyli policzyć odchylenie standardowe z odchyleń standardowych. Na szczęście dobrym przybliżeniem tej wielkości jest wielkość s c 4 1 c 2 4, gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach.. Dostajemy wtedy UCL = s + 3 s 1 c4 2 c, LCL = s 3 s 1 c4 2 4 c. 4

36 Projektowanie s-karty Aby ustalić linie UCL i LCL należy wpierw policzyć, w jaki sposób wahają się odchylenia standardowe, czyli policzyć odchylenie standardowe z odchyleń standardowych. Na szczęście dobrym przybliżeniem tej wielkości jest wielkość s c 4 1 c 2 4, gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach.. Dostajemy wtedy UCL = s + 3 s 1 c4 2 c, LCL = s 3 s 1 c4 2 4 c. 4 Oznaczmy B 3 = 1 3 c 4 1 c 2 4, B 4 = c 4 1 c 2 4.

37 Projektowanie s-karty Aby ustalić linie UCL i LCL należy wpierw policzyć, w jaki sposób wahają się odchylenia standardowe, czyli policzyć odchylenie standardowe z odchyleń standardowych. Na szczęście dobrym przybliżeniem tej wielkości jest wielkość s c 4 1 c 2 4, gdzie c 4 jest współczynnikiem zależnym od rozmiaru proby i jest podany w tablicach.. Dostajemy wtedy UCL = s + 3 s 1 c4 2 c, LCL = s 3 s 1 c4 2 4 c. 4 Oznaczmy B 3 = 1 3 c 4 1 c 2 4, B 4 = c 4 1 c 2 4. Wtedy: UCL = B 4 s, LCL = B 3 s

38 Wpływ na x-kartę Po wyliczeniu linii dla s-karty, można zauważyć, że ma to wpływ na x-kartę. Można na niej wyznaczyć linie kontrolne korzystając z wyliczonego odchlenia standardowego: s s UCL = x + 3, LCL = x 3 c 4 n c 4 n

39 Wpływ na x-kartę Po wyliczeniu linii dla s-karty, można zauważyć, że ma to wpływ na x-kartę. Można na niej wyznaczyć linie kontrolne korzystając z wyliczonego odchlenia standardowego: s s UCL = x + 3, LCL = x 3 c 4 n c 4 n Oznaczmy. A 3 = 3 c 4 n

40 Wpływ na x-kartę Po wyliczeniu linii dla s-karty, można zauważyć, że ma to wpływ na x-kartę. Można na niej wyznaczyć linie kontrolne korzystając z wyliczonego odchlenia standardowego: s s UCL = x + 3, LCL = x 3 c 4 n c 4 n Oznaczmy.Wtedy: UCL = x + A 3 s, A 3 = 3 c 4 n LCL = x A 3 s

41 Właściwy dobór stałych Zauważmy, że do obliczania odchylenia standardowego wykorzystujemy wzór n i=1 s = (x i x) 2. n 1 Niektórzy wykorzystują jedank inny wzór: n i=1 s = (x i x) 2. n Powoduje to różnice w doborze stałych.

42 Właściwy dobór stałych Zauważmy, że do obliczania odchylenia standardowego wykorzystujemy wzór n i=1 s = (x i x) 2. n 1 Niektórzy wykorzystują jedank inny wzór: n i=1 s = (x i x) 2. n Powoduje to różnice w doborze stałych. Zamiast stałych c 4, B 3, B 4, A 3 bierze się z tablic odpowiednio stałe c 2, B 1, B 2, A 1.

43 Karta dla indywidualnych pomiarów W produkcji występuje wiele sytuacji, w których nie można pobrać więcej niż jednej próbki, czyli n = 1. W takich wypadkach wykorzystuje się kartę kontrolną dla indywidualnych pomiarów.

44 Ranga krocząca W konstrukcji kart dla indywidualnych pomiarów wykorzystuje się wielkość nazywaną rangą kroczącą (ang. moving range.)

45 Ranga krocząca W konstrukcji kart dla indywidualnych pomiarów wykorzystuje się wielkość nazywaną rangą kroczącą (ang. moving range.) MR i = x i x i 1. Można także skonstruować kartę dla rangi kroczącej (MR-kartę).

46 Projektowanie karty dla indywidualnych pomiarów Cel: Chcemy kontrolować średnią wartość procesu mając możliwość pobrania tylko jednej próbki w każdym podejściu.

47 Projektowanie karty dla indywidualnych pomiarów Cel: Chcemy kontrolować średnią wartość procesu mając możliwość pobrania tylko jednej próbki w każdym podejściu. Po wykonaniu m powtórzeń dysponujemy m próbkami: x 1, x 2,..., x m i liczymy ich średnią: x 1 = 1 m x k. m k=1

48 Projektowanie karty dla indywidualnych pomiarów Cel: Chcemy kontrolować średnią wartość procesu mając możliwość pobrania tylko jednej próbki w każdym podejściu. Po wykonaniu m powtórzeń dysponujemy m próbkami: x 1, x 2,..., x m i liczymy ich średnią: x 1 = 1 m x k. m k=1 Liczymy też rangi kroczące MR 2, MR 3,..., MR n oraz ich średnią: MR = 1 m m MR k. k=1

49 Projektowanie karty dla indywidualnych pomiarów Cel: Chcemy kontrolować średnią wartość procesu mając możliwość pobrania tylko jednej próbki w każdym podejściu. Po wykonaniu m powtórzeń dysponujemy m próbkami: x 1, x 2,..., x m i liczymy ich średnią: x 1 = 1 m x k. m k=1 Liczymy też rangi kroczące MR 2, MR 3,..., MR n oraz ich średnią: MR = 1 m m MR k. k=1 Linię centralną karty będzie stanowiła wartość CL = x.

50 Projektowanie karty dla indywidualnych pomiarów Ponieważ ranga krocząca wyliczana jest na podstawie dwóch pomiarów, więc dobieramy stałą dla n = 2. Ustalamy linie kontrolne: UCL = x + 3 d 2 MR, LCL = x 3 d 2 MR, gdzie d 2 = 1, 128.

51 Projektowanie MR-karty Linię centralną będzie tu stanowiła średnia z rang kroczących: CL = MR.

52 Projektowanie MR-karty Linię centralną będzie tu stanowiła średnia z rang kroczących: CL = MR. Dobieramy linie kontrolne: UCL = D 4 MR, LCL = D 3 MR, gdzie stałe dobieramy dla n = 2.

53 Projektowanie MR-karty Linię centralną będzie tu stanowiła średnia z rang kroczących: CL = MR. Dobieramy linie kontrolne: UCL = D 4 MR, LCL = D 3 MR, gdzie stałe dobieramy dla n = 2. Stąd D 3 = 0, D 4 = 3, 267 oraz UCL = D 4 MR, LCL = 0

54 Zmiana rozmiaru próbki Wielokrotnie w trakcie procesu produkcyjnego zdarza się, że technicy postanowili dokonać korekty pomiarów. Jedną z możliwości jest pobieranie innej ilości próbek w każdym badaniu.

55 Zmiana rozmiaru próbki Wielokrotnie w trakcie procesu produkcyjnego zdarza się, że technicy postanowili dokonać korekty pomiarów. Jedną z możliwości jest pobieranie innej ilości próbek w każdym badaniu. Jak już zauważyliśmy w tym wypadku technicy bardzie preferują x-karty i s-karty, które są jak najbardziej wskazane w takich sytuacjach.

56 Zmiana rozmiaru próbki Wielokrotnie w trakcie procesu produkcyjnego zdarza się, że technicy postanowili dokonać korekty pomiarów. Jedną z możliwości jest pobieranie innej ilości próbek w każdym badaniu. Jak już zauważyliśmy w tym wypadku technicy bardzie preferują x-karty i s-karty, które są jak najbardziej wskazane w takich sytuacjach. Załóżmy jednak, że mamy do czynienia ze stałą zmianą wywołaną np. cięciem kosztów kontroli jakości, ustabilizowaniem się procesu, zmniejszeniem podaży produktu itp.

57 Zmiana rozmiaru próbki Wprowadźmy oznaczenia: R stare - średni rozstęp dla starego rozmiaru

58 Zmiana rozmiaru próbki Wprowadźmy oznaczenia: R stare - średni rozstęp dla starego rozmiaru R nowe - średni rozstęp dla rowego rozmiaru

59 Zmiana rozmiaru próbki Wprowadźmy oznaczenia: R stare - średni rozstęp dla starego rozmiaru R nowe - średni rozstęp dla rowego rozmiaru n stare - stary rozmiar próbki

60 Zmiana rozmiaru próbki Wprowadźmy oznaczenia: R stare - średni rozstęp dla starego rozmiaru R nowe - średni rozstęp dla rowego rozmiaru n stare - stary rozmiar próbki n nowe - nowy rozmiar próbki

61 Zmiana rozmiaru próbki Wprowadźmy oznaczenia: R stare - średni rozstęp dla starego rozmiaru R nowe - średni rozstęp dla rowego rozmiaru n stare - stary rozmiar próbki n nowe - nowy rozmiar próbki d 2 (stare) - współczynnik d 2 dla starego rozmiaru

62 Zmiana rozmiaru próbki Wprowadźmy oznaczenia: R stare - średni rozstęp dla starego rozmiaru R nowe - średni rozstęp dla rowego rozmiaru n stare - stary rozmiar próbki n nowe - nowy rozmiar próbki d 2 (stare) - współczynnik d 2 dla starego rozmiaru d 2 (nowe) - współczynnik d 2 dla nowego rozmiaru.

63 Zmiana rozmiaru próbki Dla x-karty nowe linie kontrolne mają wtedy postać: UCL = x + A 2 d 2 (nowe) d 2 (stare) R stare, LCL = x A 2 d 2 (nowe) d 2 (stare) R stare, linia centralna się nie zmienia, a stała A 2 brana jest dla nowego rozmiaru próbki.

64 Zmiana rozmiaru próbki Dla x-karty nowe linie kontrolne mają wtedy postać: UCL = x + A 2 d 2 (nowe) d 2 (stare) R stare, LCL = x A 2 d 2 (nowe) d 2 (stare) R stare, linia centralna się nie zmienia, a stała A 2 brana jest dla nowego rozmiaru próbki. Dla R-karty nowe linie kontrolne mają wtedy postać: UCL = D 4 d 2 (nowe) d 2 (stare) R stare, LCL = max{0, D 3 d 2 (nowe) d 2 (stare) R stare}, gdzie D 4, D 3 są brane dla nowego rozmiaru próbki, zaś linia centralna również jest zmieniana na. CL = R nowe = d 2(nowe) d 2 (stare) R stare

65 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny.

66 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny. W takim wypadku używa się średniej ważonej przy liczeniu x oraz s.

67 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny. W takim wypadku używa się średniej ważonej przy liczeniu x oraz s. Niech n i będzie liczbą obserwacji w i-tej próbce. Wtedy:

68 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny. W takim wypadku używa się średniej ważonej przy liczeniu x oraz s. Niech n i będzie liczbą obserwacji w i-tej próbce. Wtedy: m i=1 x = n ix i m i=1 n i

69 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny. W takim wypadku używa się średniej ważonej przy liczeniu x oraz s. Niech n i będzie liczbą obserwacji w i-tej próbce. Wtedy: m i=1 x = n ix i m i=1 n i s 2 = m i=1 (n i 1)s 2 i m i=1 n i m.

70 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny. W takim wypadku używa się średniej ważonej przy liczeniu x oraz s. Niech n i będzie liczbą obserwacji w i-tej próbce. Wtedy: m i=1 x = n ix i m i=1 n i s 2 = m i=1 (n i 1)s 2 i m i=1 n i m. Tych wartości używa się jako linii centralnych na odpowiednich kartach.

71 Zmianny rozmiar próbek dla x-karty i s-karty x-karta i s-karta są relatywnie łatwe w użyciu w przypadku, gdy rozmiary próbki są zmienne w sposób dynamiczny. W takim wypadku używa się średniej ważonej przy liczeniu x oraz s. Niech n i będzie liczbą obserwacji w i-tej próbce. Wtedy: m i=1 x = n ix i m i=1 n i s 2 = m i=1 (n i 1)s 2 i m i=1 n i m. Tych wartości używa się jako linii centralnych na odpowiednich kartach. Do wyliczania UCL i LCL używamy odpowiednich stałych podanych wcześniej, ale dobranych dla rozmiaru każdej grupy z osobna.

72 Literatura Douglas C. Montgomery, Introduction to Statistical Quality Control, John Willey & Sons Inc., 6th edition, W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, cz. II, PWN, wyd. VIII, 2010.

73 Podziękowania Dziękuję za uwagę

Metody statystyczne kontroli jakości i niezawodności Lekcja I: Wprowadzenie

Metody statystyczne kontroli jakości i niezawodności Lekcja I: Wprowadzenie Metody statystyczne kontroli jakości i niezawodności Lekcja I: Wprowadzenie Wydział Matematyki Politechniki Wrocławskiej Czym jest jakość? Na to pytanie nie ma jednoznacznej odpowiedzi. Można rozumieć

Bardziej szczegółowo

Statystyczne sterowanie procesem

Statystyczne sterowanie procesem Statystyczne sterowanie procesem SPC (ang. Statistical Process Control) Trzy filary SPC: 1. sporządzenie dokładnego diagramu procesu produkcji; 2. pobieranie losowych próbek (w regularnych odstępach czasu

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Inżynierii Jakości Ćwiczenie nr 10 Temat: Karta kontrolna pojedynczych obserwacji i ruchomego

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie 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

Testy post-hoc. Wrocław, 6 czerwca 2016

Testy post-hoc. Wrocław, 6 czerwca 2016 Testy post-hoc Wrocław, 6 czerwca 2016 Testy post-hoc 1 metoda LSD 2 metoda Duncana 3 metoda Dunneta 4 metoda kontrastów 5 matoda Newman-Keuls 6 metoda Tukeya Metoda LSD Metoda Least Significant Difference

Bardziej szczegółowo

I jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek

I jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek ZADANIA statystyka opisowa i CTG 1. Dokonano pomiaru stężenia jonów azotanowych w wodzie μg/ml 1 0.51 0.51 0.51 0.50 0.51 0.49 0.52 0.53 0.50 0.47 0.51 0.52 0.53 0.48 0.59 0.50 0.52 0.49 0.49 0.50 0.49

Bardziej szczegółowo

STATYSTYCZNE STEROWANIE PROCESAMI

STATYSTYCZNE STEROWANIE PROCESAMI STATYSTYCZNE STEROWANIE PROCESAMI ARTUR MACIASZCZYK COPYRIGHTS 2002 Artur Maciaszczyk, tel. 0602 375 325 amacia@zie.pg.gda.pl 1! STATYSTYCZNE MONITOROWANIE JAKOŚCI Bogu ufamy. Wszyscy pozostali niech przedstawią

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja 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 szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Zarządzanie procesami

Zarządzanie procesami Metody pomiaru stosowane w organizacjach Zarządzanie procesami Zakres Rodzaje pomiaru metod pomiaru Klasyczne metody pomiaru organizacji Pomiar całej organizacji Tradycyjny rachunek kosztów (np. ROI) Rachunek

Bardziej szczegółowo

Wykład 5 Estymatory nieobciążone z jednostajnie minimalną war

Wykład 5 Estymatory nieobciążone z jednostajnie minimalną war Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś

Bardziej szczegółowo

Wykład 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 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 szczegółowo

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Niezawodność systemów. Charakterystyki niezawodności.

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Niezawodność systemów. Charakterystyki niezawodności. Metody statystyczne kontroli jakości i niezawodności Lekcja II: Niezawodność systemów. Charakterystyki niezawodności. Wydział Matematyki Politechniki Wrocławskiej Wprowadzenie Czym jest niezawodność? (ang.

Bardziej szczegółowo

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

1 Podstawy rachunku prawdopodobieństwa

1 Podstawy rachunku prawdopodobieństwa 1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej

Bardziej szczegółowo

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33 Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów

Bardziej szczegółowo

Statystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41

Statystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41 Statystyka Wykład 4 Magdalena Alama-Bućko 13 marca 2017 Magdalena Alama-Bućko Statystyka 13 marca 2017 1 / 41 Na poprzednim wykładzie omówiliśmy następujace miary rozproszenia: Wariancja - to średnia arytmetyczna

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Statystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )

Statystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( ) Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś

Bardziej szczegółowo

Statystyka opisowa. Wykład VI. Analiza danych jakośiowych

Statystyka opisowa. Wykład VI. Analiza danych jakośiowych Statystyka opisowa. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści Rangowanie 1 Rangowanie 3 Rangowanie Badaniu statystycznemu czasami podlegają cechy niemierzalne jakościowe), np. kolor włosów, stopień

Bardziej szczegółowo

Wykład 12 Testowanie hipotez dla współczynnika korelacji

Wykład 12 Testowanie hipotez dla współczynnika korelacji Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem

Bardziej szczegółowo

Wykład 12 Testowanie hipotez dla współczynnika korelacji

Wykład 12 Testowanie hipotez dla współczynnika korelacji Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem

Bardziej szczegółowo

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

Wykład 9 Testy rangowe w problemie dwóch prób

Wykład 9 Testy rangowe w problemie dwóch prób Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 9 Temat: Karty kontrolne przy alternatywnej ocenie właściwości.

Bardziej szczegółowo

Próbkowanie. Wykład 4 Próbkowanie i rozkłady próbkowe. Populacja a próba. Błędy w póbkowaniu, cd, Przykład 1 (Ochotnicy)

Próbkowanie. Wykład 4 Próbkowanie i rozkłady próbkowe. Populacja a próba. Błędy w póbkowaniu, cd, Przykład 1 (Ochotnicy) Wykład 4 Próbkowanie i rozkłady próbkowe µ = średnia w populacji, µ=ey, wartość oczekiwana zmiennej Y σ= odchylenie standardowe w populacji, σ =(Var Y) 1/2, pierwiastek kwadratowy wariancji zmiennej Y,

Bardziej szczegółowo

Kolokwium ze statystyki matematycznej

Kolokwium 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 szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka 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 szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Weryfikacja hipotez statystycznych testy t Studenta

Weryfikacja hipotez statystycznych testy t Studenta Weryfikacja hipotez statystycznych testy t Studenta JERZY STEFANOWSKI Marek Kubiak Instytut Informatyki Politechnika Poznańska Standardowy schemat postępowania (znane σ) Założenia: X ma rozkład normalny

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA

RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny

Bardziej szczegółowo

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Wykład 10 Testy jednorodności rozkładów

Wykład 10 Testy jednorodności rozkładów Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków

Bardziej szczegółowo

Katedra Technik Wytwarzania i Automatyzacji STATYSTYCZNA KONTROLA PROCESU

Katedra Technik Wytwarzania i Automatyzacji STATYSTYCZNA KONTROLA PROCESU Katedra Technik Wytwarzania i Automatyzacji METROLOGIA I KONTKOLA JAKOŚCI - LABORATORIUM TEMAT: STATYSTYCZNA KONTROLA PROCESU 1. Cel ćwiczenia Zapoznanie studentów z podstawami wdrażania i stosowania metod

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 11 Anna Skowrońska-Szmer lato 2016/2017 Powtórzenie materiału 2 Zadanie 1 Wykład 1 Eksperyment polega na pojedynczym rzucie symetryczną kostką. Przestrzeń zdarzeń

Bardziej szczegółowo

Wykład Ćwiczenia Laboratorium Projekt Seminarium 30

Wykład Ćwiczenia Laboratorium Projekt Seminarium 30 Zał. nr 4 do ZW WYDZIAŁ CHEMICZNY KARTA PRZEDMIOTU Nazwa w języku polskim Wstęp do statystyki praktycznej Nazwa w języku angielskim Intriduction to the Practice of Statistics Kierunek studiów (jeśli dotyczy):

Bardziej szczegółowo

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej

Bardziej szczegółowo

STATYSTYKA 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. 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 szczegółowo

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności: Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności

Bardziej szczegółowo

Statystyka matematyczna

Statystyka matematyczna Statystyka matematyczna Wykład 8 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 7 maja 2018 1 / 19 Przypomnijmy najpierw omówione na poprzednim wykładzie postaci przedziałów

Bardziej szczegółowo

Wykład 11 Testowanie jednorodności

Wykład 11 Testowanie jednorodności Wykład 11 Testowanie jednorodności Wrocław, 17 maja 2018 Test χ 2 jednorodności Niech X i, i = 1, 2,..., k będą niezależnymi zmiennymi losowymi typu dyskretnego przyjmującymi wartości z 1, z 2,..., z l,

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie 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 szczegółowo

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA 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 szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba

Bardziej szczegółowo

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę

Bardziej szczegółowo

Pochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych

Pochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Rachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18

Rachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18 Karta przedmiotu Wydział: Wydział Zarządzania Kierunek: Analityka gospodarcza I. Informacje podstawowe Nazwa przedmiotu Rachunek prawdopodobieństwa Nazwa przedmiotu w j. ang. Język prowadzenia przedmiotu

Bardziej szczegółowo

Statystyka matematyczna

Statystyka matematyczna Statystyka matematyczna Wykład 9 i 10 Magdalena Alama-Bućko 14 i 21 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 14 i 21 maja 2018 1 / 25 Hipotezy statystyczne Hipoteza statystyczna nazywamy

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady 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 szczegółowo

Statystyka. Wykład 3. Magdalena Alama-Bućko. 6 marca Magdalena Alama-Bućko Statystyka 6 marca / 28

Statystyka. Wykład 3. Magdalena Alama-Bućko. 6 marca Magdalena Alama-Bućko Statystyka 6 marca / 28 Statystyka Wykład 3 Magdalena Alama-Bućko 6 marca 2017 Magdalena Alama-Bućko Statystyka 6 marca 2017 1 / 28 Szeregi rozdzielcze przedziałowe - kwartyle - przypomnienie Po ustaleniu przedziału, w którym

Bardziej szczegółowo

Wykład 5: Statystyki opisowe (część 2)

Wykład 5: Statystyki opisowe (część 2) Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom

Bardziej szczegółowo

VI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15

VI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15 VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 8 Temat: Statystyczna kontrola procesu SPC przy pomocy

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje

Bardziej szczegółowo

Wykład 2 Zmienne losowe i ich rozkłady

Wykład 2 Zmienne losowe i ich rozkłady Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie

Bardziej szczegółowo

Opis przedmiotu: Probabilistyka I

Opis przedmiotu: Probabilistyka I Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca

Bardziej szczegółowo

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny 1. Wyprodukowanie określonej liczby wyrobów przez jednego pracownika w ciągu godziny jest zmienną losową o następującym rozkładzie prawdopodobieństwa:

Bardziej szczegółowo

dr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu

dr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu Kod przedmiotu TR.SIK303 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Stacjonarne

Bardziej szczegółowo

ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW

ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy

Bardziej szczegółowo

W1. Wprowadzenie. Statystyka opisowa

W1. Wprowadzenie. Statystyka opisowa W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład

Bardziej szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

Test t-studenta dla jednej średniej

Test t-studenta dla jednej średniej Test t-studenta dla jednej średniej Hipoteza zerowa: Średnia wartość zmiennej w populacji jest równa określonej wartości a 0 (a = a 0 ). Hipoteza alternatywna 1.: Średnia wartość zmiennej w populacji jest

Bardziej szczegółowo

Statystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34

Statystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34 Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia

Bardziej szczegółowo

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...

Bardziej szczegółowo

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu

Bardziej szczegółowo

LISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów

LISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów LISTA 4 1.Na pewnym obszarze dokonano 40 pomiarów grubości warstwy piasku otrzymując w m.: 54, 58, 64, 69, 61, 56, 41, 48, 56, 61, 70, 55, 46, 57, 70, 55, 47, 62, 55, 60, 54,57,65,60,53,54, 49,58,62,59,55,50,58,

Bardziej szczegółowo

Sposoby opisu i modelowania zakłóceń kanałowych

Sposoby opisu i modelowania zakłóceń kanałowych INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń

Bardziej szczegółowo

Wykład 9 Wnioskowanie o średnich

Wykład 9 Wnioskowanie o średnich Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy

Bardziej szczegółowo

Plan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii

Plan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii Plan wykładu Statystyka opisowa Dane statystyczne miary położenia miary rozproszenia miary asymetrii Statystyka matematyczna Podstawy estymacji Testowanie hipotez statystycznych Żródła Korzystałam z ksiażek:

Bardziej szczegółowo

Teoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.

Teoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem. Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej

Bardziej szczegółowo

Rozkład normalny, niepewność standardowa typu A

Rozkład normalny, niepewność standardowa typu A Podstawy Metrologii i Technik Eksperymentu Laboratorium Rozkład normalny, niepewność standardowa typu A Instrukcja do ćwiczenia nr 1 Zakład Miernictwa i Ochrony Atmosfery Wrocław, listopad 2010 r. Podstawy

Bardziej szczegółowo

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Inżynierii Jakości Ćiczenie nr 11 Temat: Karta kontrolna ruchomej średniej MA Zakres ćiczenia:

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Opis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej

Opis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej Kod przedmiotu TR.NIK304 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Niestacjonarne

Bardziej szczegółowo

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.

W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,

Bardziej szczegółowo

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA 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 szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 8 Temat: Statystyczna kontrola procesu SPC przy pomocy

Bardziej szczegółowo

Dokładne i graniczne rozkłady statystyk z próby

Dokładne i graniczne rozkłady statystyk z próby Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

Definicje PN ISO Definicje PN ISO 3951 interpretacja Zastosowanie normy PN-ISO 3951:1997

Definicje PN ISO Definicje PN ISO 3951 interpretacja Zastosowanie normy PN-ISO 3951:1997 PN-ISO 3951:1997 METODY STATYSTYCZNEJ KONTROI JAKOŚCI WG OCENY ICZBOWEJ ciągła seria partii wyrobów sztukowych dla jednej procedury analizowana jest tylko jedna wartość, która musi być mierzalna w skali

Bardziej szczegółowo

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

W 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 szczegółowo