DR HAB INŻ. TADEUSZ SAŁACIŃSKI POLITECHNIKA WARSZAWSKA
|
|
- Anna Bednarczyk
- 5 lat temu
- Przeglądów:
Transkrypt
1 -1- DR HAB INŻ. TADEUSZ SAŁACIŃSKI POLITECHNIKA WARSZAWSKA ANALIZA ZDOLNOŚCI PROCESÓW PRODUKCYJNYCH Z WYKORZYSTANIEM SPC Statystyczne sterowanie procesami Zgodnie z normą ISO 9001:2000 Systemy Zarządzania Jakością w punkcie 8 pt. Pomiary, analiza i doskonalenie wymaga się, aby organizacja określiła, zaplanowała i wdrożyła działania pomiarowe oraz monitorowania w celu zapewnienia zgodności i osiągnięcia doskonalenia. Powinno to obejmować określenie potrzeb zastosowań, możliwych do wykorzystania metodologii, w tym takich metod statystycznych, które potwierdziłyby zdolność każdego procesu do spełnienia zamierzonych celów, a przede wszystkim zadowolenia klienta. Statystyczne sterowanie procesem (ang. SPC: Statistical Process Control) to bieżąca, czyli realizowana w rzeczywistym czasie przebiegu (online) kontrola procesu, służąca do wykrywania jego ewentualnych rozregulowań i w konsekwencji służąca stałej poprawie jego jakości [3]. W ramach SPC bada się z jaką naturalną zmiennością, czyli z jakim rozproszeniem wyników pomiaru wykonywany jest proces produkcyjny i jaka jest jego zdolność do spełnienia wymagań określonych specyfikacjami. Najczęściej stosowanymi narzędziami do analizy stabilności procesu są wskaźniki zdolności oraz karty kontrolne (karty regulacji jakości procesu). Jeszcze do niedawna rozumiano definicję jakości jako utrzymanie procesu w granicach tolerancji (specyfikacji) założonych przez konstruktora. Wszystkie produkty znajdujące się wewnątrz granic tolerancji określane były jako równie dobre. Nie rozróżniano produktów, których wartości rzeczywiste leżą dokładnie w środku przedziału tolerancji i takich, których wartości leżą jeszcze wewnątrz, ale tuż przy niebezpiecznych granicach. Nikomu do głowy nie przychodziło ulepszać takiego procesu produkcyjnego. Takie myślenie narzuca jednak wiele wątpliwości. Wymagania współczesnego rynku w osobie klienta spowodowały, że do problemu jakości należy podejść zupełnie inaczej. Nie wystarczy już utrzymanie procesu w założonym przedziale specyfikacji. Dąży się do jego ciągłego udoskonalania poprzez minimalizację wielkości rozrzutu i centralizację wartości docelowych (oczekiwanych). Modelem opisu takiego stanu rzeczy może być paraboliczna funkcja strat Taguchiego [1]. Według niego strata to wielkość ciągła, której minimum odpowiada wartości docelowej (rys.1). Wartość docelowa jest parametrem zależnym od przeznaczenia wyrobu (np. średnica wałka lub otworu), a jego wartość optymalna odpowiada oczekiwaniu klienta. Przy poprawnym planowaniu i realizacji produkcji wartość docelowa (najczęściej jest to środek przedziału tolerancji TUSL-LSL) odpowiada wartości oczekiwanej ze specyfikacji produktu. Im bardziej cecha wyrobu odbiega od zadanej wartości docelowej, tym większa jest strata spowodowana taką odchyłką. Na podstawie tego modelu widać jak ważne jest ukierunkowanie procesów wytwarzania na wartość docelową, minimalizacja rozrzutu i ograniczenie w ten sposób strat do minimum. W procesach, w których jakość jest sprawą priorytetową, stosuje się tzw. regułę 6σ (sześć sigma), wg której w granicach tolerancji powinien zawierać się proces o rozrzucie ±6σ. Powoduje to, że tradycyjnie rozumiany przedział ±3σ zajmuje tylko część przedziału T, z zapasem ±1,5σ do granic tolerancji na tzw. dryfowanie średniej x procesu. Jest to rozsądne podejście, z uwagi na to, że nigdy nie uda się uzyskać średniej x zgodnej w 100% z wartością docelową. Efektem takiego nowego podejścia jest produkcja, nie tylko bezbrakowa, ale również podwyższenie trwałości i niezawodności wykonywanych wyrobów. Należy jednak pamiętać, że utrzymanie bardzo wąskiego
2 -2- rozrzutu, zgodnie z powyższą regułą, wiąże się z dodatkowymi kosztami związanymi z udoskonaleniem procesu (np. z zakupem nowych maszyn i urządzeń). a) b) LSL USL LSL USL Rys.1. Straty powstałe w procesie w zależności od wielkości rozrzutu: a) pewna liczba produktów leży poza granicami specyfikacji powodując straty, b) bardzo mały rozrzut procesu produkcyjnego, straty minimalne (źródło: [1]) Aby proces produkcyjny nadzorować za pomocą SPC należy zgodnie z kołem Deminga (Plan- Do-Check-Act): A. zaplanować czynności niezbędne do nadzorowania procesu (Plan): 1. wyselekcjonować operacje technologiczne, uznawane za ważne bądź kluczowe, które będą poddane nadzorowaniu (np. poprzez użycie reguły Pareto) 2. określić ich specyfikacje i charakterystyki (wartości docelowe, tolerancje) 3. dobrać metody, procedury oraz narzędzia pomiarowe 4. dobrać odpowiednie metody statystyczne dla celów nadzorowania (rozkład zmienności mierzonej cechy, wskaźniki zdolności, rodzaje kart kontrolnych) 5. ściśle określić liczności próbek do pomiaru oraz sposób i częstotliwość ich pobierania (przykładowo na etapie oceny zdolności krótkoterminowej w fazie rozgrzewania procesu 20 próbek po 5 elementów każda) 6. opracować procedury postępowania dla ewentualnych działań korygujących i zabezpieczających proces na przyszłość B. zrealizować proces i wstępnie go ocenić (Do): 1. rejestrować dane z pomiarów (co najmniej 20 próbek po 5 elementów każda) 2. sporządzić zaplanowaną wcześniej kartę kontrolną (np. X R lub X s ) 3. wyznaczyć granice interwencji (GGI i DGI) C. sprawdzić stabilność i zdolność procesu (Check) 1. ocenić stabilność procesu na tle granic interwencji poprzez ocenę rozrzutu przypadkowego i przesunięcia systematycznego średniej procesu. Jeżeli proces jest niestabilny należy go udoskonalić i wrócić do punktu B.1 1. wyznaczyć model rozkładu zmienności mierzonej cechy (w praktyce, w przypadku procesów ukierunkowanych na wartość docelową, najczęściej jest to rozkład normalny Gaussa) 2. wyznaczyć wartości wskaźnika zdolności C p i wycentrowania C pk (jeżeli rozkład odbiega od normalnego, wówczas należy zastosować w obliczeniach współczynników metodę tzw. udziałów procentowych (patrz [1]) 3. ocenić zdolność procesu (C p ) i jego wyregulowanie (C pk ). Jeżeli średnia procesu znacznie odbiega od wartości docelowej (C pk <1), to już na tym etapie, jeśli to możliwe należy go wyregulować. Jeśli proces jest niezdolny należy go udoskonalić i wrócić do punktu B.1
3 -3- D. działać (Act). Ciągle doskonalić proces poprzez jego nadzorowanie. W przypadku np. przezbrojenia maszyny i ponownego jej nastawienia na wartość docelową, ponownie ocenić stabilność i zdolność procesu wytwórczego, czyli wrócić do punktu B.1. W związku z powyższym widać, że rodzaj użytych metod statystycznych zależy od fazy kwalifikacji maszyn i procesów produkcyjnych: podczas kupna i oddawania do użytku urządzeń produkcyjnych przed rozpoczęciem produkcji seryjnej po rozpoczęciu produkcji seryjnej Kwalifikacja wstępna systemu i ocena procesu przed rozpoczęciem produkcji seryjnej są przedsięwzięciami jednorazowymi. Procesy te nazywane są też badaniem zdolności maszyn. Działania takie podejmowane są często offline (poza bieżącą produkcją). W tym celu wykonuje się pewną liczbę wyrobów, poddaje je pomiarowi, a następnie analizuje się wyniki pomiarów zgodnie z przyjętymi wcześniej zasadami. Jeżeli proces zostaje oceniony jako przydatny (zdolny), to na bazie uzyskanych wyników ustalane są wytyczne dla późniejszego nadzorowania procesu, np. parametry odpowiednich kart kontrolnych. W trakcie bieżącego procesu produkcji pomiary wykonuje się online i analizuje zgodnie z zasadami SPC. Ocena maszyn i procesów produkcyjnych opiera się na danych zebranych przy użyciu systemu pomiarowego. Przed każdą analizą udowodniona musi być więc zdolność urządzenia pomiarowego (wskaźniki zdolności C g i C gk narzędzi pomiarowych (patrz [1]). W wyniku pomiarów cech produktu lub procesu otrzymuje się szereg pomiarowy, który na ogół jest zbiorem nieuporządkowanych wartości. Wartości te należy ułożyć zgodnie z pewną zasadą, np. rosnąco. Tak zbudowana tabela pomiarów jest podstawą do sporządzenia tzw. histogramu i rozkładu zmienności mierzonej cechy (rys.2). Kolejność postępowania jest następująca: rejestruje się dane pomiarowe x i i archiwizuje w postaci tabeli dane porządkuje się wg ustalonej zasady znajduje się wartość minimalną x min i maksymalną x max cechy oraz tzw. rozstęp: R x max - x min rozstęp R dzieli się na przedziały (klasy) wg pewnej reguły (patrz [1,4]) i kwalifikuje do nich wyniki pomiarów x i buduje się wykres słupkowy i aproksymuje go krzywą rozkładu (rys.2).
4 -4- Rys.2. Histogram danych pomiarowych i dopasowana do niego krzywa rozkładu zmienności mierzonej cechy, opracowane za pomocą pakietu Statistica w.demo (źródło: opracowanie własne autora) Taką najczęściej spotykaną w praktyce krzywą jest rozkład normalny Gaussa (rys.3). Rys.3. Rozkład normalny zmienności cechy z naniesionymi wielokrotnościami σ (DGS dolna granica specyfikacji LSL, GGS górna granica specyfikacji USL, µ x - wartość średnia procesu, źródło: [7])
5 -5- Parametr σ jest tzw. odchyleniem standardowym procesu przedstawiającym wielkość rozproszenia rozpatrywanej cechy (np. długości ciętych prętów). Wyrażają go następujące zależności: N 2 n xi x 2 ( xi x) i 1 σ i 1 s N n 1 gdzie: σ jest odchyleniem standardowym populacji generalnej o liczności N, zaś s odchyleniem standardowym n elementowej próbki losowej pobranej z populacji generalnej Budując kartę kontrolną korzysta się z parametru s, gdyż mamy do czynienia z wąskolicznymi próbkami pomiarowymi. Parametr s jest również podstawą do oceny jakości partii wyrobów, którą dostarcza poddostawca. Wówczas oblicza się wartość s losowo pobranej próbki i traktuje ją jako estymator (oszacowanie) niewiadomego odchylenia standardowego σ całej partii. Za pomocą parametru s można więc oszacować, jaka liczba dostarczonych wyrobów wykracza poza wyznaczoną tolerancję. Wg konwencji Shewharta w przedziale ±3σ (reguła 3 sigma) mieści się praktycznie cały proces, tzn. 99,73% wyników pomiarów. Przeliczając to na ppm (parts per million) otrzymuje się 2700 sztuk wadliwych na milion. Zgodnie z regułą 6 sigma dla procesu przesuniętego o 1,5 σ w prawo lub w lewo otrzymuje się 3,4 ppm. Histogram może jednak wskazać na wyraźne odstępstwo od rozkładu normalnego. Testowanie normalności rozkładu można oprzeć np. na teście Shapiro-Wilka lub teście χ 2. Bardzo skutecznym środkiem graficznego sprawdzenia czy rozkład jest normalny jest np. normalny wykres prawdopodobieństwa (rys.4). Jeżeli występuje duża zbieżność między danymi i linią prostą, wówczas możemy wnioskować, że dane empiryczne zbliżają się do rozkładu normalnego. Jeżeli zaś hipoteza o normalności rozkładu zostaje odrzucona, należy dopasować do danych inny rozkład i oszacować jego parametry. Rys.4. Dane pomiarowe procesu produkcyjnego i normalny wykres prawdopodobieństwa opracowany za pomocą pakietu Statgraphics (źródło: opracowanie własne autora) Analiza zdolności procesu Analiza zdolności procesu odpowiada na pytanie, na ile proces jest zdolny spełniać zadanie wyznaczone specyfikacjami. W tym celu wyznacza się wartości dwóch wskaźników:
6 -6- wskaźnik zdolności (rozrzutu): USL LSL T C p 6σ 6σ gdzie USL oznacza górną, LSL dolną granicę specyfikacji (tolerancji T), σ jest odchyleniem standardowym zmienności własnej procesu (zwykle nieznanym i szacowanym na podstawie losowo pobranej próbki, wówczas oznacza się go symbolem s). Wskaźnik ten mówi jak się ma szerokość pasa tolerancji do szerokości przedziału zmienności własnej procesu i wskazuje na ile dany stabilny proces jest potencjalnie zdolny wykonywać wyspecyfikowane zadanie. Proces jest w oczywisty sposób niezdolny, jeśli C p <1 (na ogół wymaga się, aby jego wartość była równa co najmniej 1,33). Jest to tzw. zdolność potencjalna, bowiem nie analizuje ona odstępstwa średniej procesu w stosunku do wartości docelowej wskaźnik wycentrowania procesu: C pk min{c pl, C pu } x LSL USL x Cpl ; Cpu 3σ 3σ gdzie x oznacza wartość średnią procesu (np. średnią średnic serii 100 wyprodukowanych wałków). Przykład obliczania wskaźnika zdolności [1] Po zmierzeniu średnicy zewnętrznej n 50 elementów o specyfikacji 60±0,1 mm uzyskano wartość średnią x 59,95 mm i odchylenie standardowe s 0,01 mm. Ze specyfikacji wynika (rys.5): Dolna Granica Specyfikacji DGS 59,9 mm Górna Granica Specyfikacji GGS 60,1 mm c c p pl GGS DGS 60,1 59,9 3,33 6s 6 0,01 x DGS 59,95 59,9 1,67 3s 3 0,01 GGS x 60,1 59,95 cpu 5 3s 3 0,01 c pk min{c pu, c pl } min{1,67; 5} 1,67
7 -7- częstość DGS x -DGS x GGS- x GGS x [mm] 59,9 59,95 60,1 3s Rys.5. Rozkład zmienności cechy mierzonej w przykładzie na tle przedziału tolerancji (źródło: [1]) Literatura [1] Dietrich E., Schulze A.: Metody statystyczne w kwalifikacji środków pomiarowych, maszyn i procesów produkcyjnych. Notika System. Warszawa, [2] Greber T.: Statystyczne sterowanie procesami. Doskonalenie jakości z pakietem Statistica. StatSoft. Kraków, [3] Koronacki J.: Metody statystycznego sterowania jakością. Statystyka w przemyśle. Seminarium firmy StatSoft. Warszawa, [4] Płaska S.: Wprowadzenie do statystycznego Sterowania procesami technologicznymi. WPL. Lublin, [5] Sałaciński T.: Elementy metrologii wielkości geometrycznych. Przykłady i zadania. OWPW. Warszawa, [6] Materiały szkoleniowe RW TUV Menedżer Jakości [7] Polska Norma PN ISO 8258+AC1: Karty kontrolne Shewharta.
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 szczegółowoKatedra 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 szczegółowoSterowanie procesem i jego zdolność. Zbigniew Wiśniewski
Sterowanie procesem i jego zdolność Zbigniew Wiśniewski Wybór cech do kart kontrolnych Zaleca się aby w pierwszej kolejności były brane pod uwagę cechy dotyczące funkcjonowania wyrobu lub świadczenia usługi
Bardziej szczegółowoStatystyczne 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 szczegółowoPOLITECHNIKA 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 szczegółowoI 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 szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr Temat: Karty kontrolne przy alternatywnej ocenie właściwości.
Bardziej szczegółowoPOLITECHNIKA 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE. stacjonarne. I stopnia III. Dr inż. Manuela Ingaldi. ogólnoakademicki. kierunkowy
Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Statystyczne sterowanie procesami Zarządzanie Jakością i Produkcją
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 szczegółowoWprowadzenie 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 szczegółowoPrzedziały ufności. Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego
Przedziały ufności Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego czyli P( μ [a,b] ) = 1 α P( μ < a ) = α/2 P( μ > b ) =
Bardziej szczegółowoStatystyka 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 szczegółowoZarządzanie jakością ćwiczenia
Zarządzanie jakością ćwiczenia mgr inż. Anna Wąsińska Zakład Zarządzania Jakością pok. 311 B1, tel. 320-42-82 anna.wasinska@pwr.wroc.pl Statystyczne sterowanie procesami SPC kontrolna Konsultacje: SO 13:00
Bardziej szczegółowoPOLITECHNIKA 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 szczegółowoPOLITECHNIKA 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 szczegółowoRozkład 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 szczegółowoVI 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 szczegółowoWeryfikacja 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 szczegółowoKarta kontrolna budowa i zastosowanie
STATYSTYCZNE STEROWANIE PROCESAMI PRAKTYCZNE PRZYKŁADY ZASTOSOWANIA Tomasz Greber, Politechnika Wrocławska, Instytut Organizacji i Zarządzania, Zakład Zarządzania Jakością; Magazyn ZARZĄDZANIE JAKOŚCIĄ
Bardziej szczegółowoKonspekt SPC jako metoda pomiaru i doskonalenia procesów.
Opracowali: Agata Murmyło Piotr Pokrzywa Michał Sabik Konspekt SPC jako metoda pomiaru i doskonalenia procesów. 1. Istota podejścia SPC. 2. Narzędzia do analizy stabilności procesu 2.1. Karty kontrolne
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoStatystyka. 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 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 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 szczegółowoCZYM SIĘ RÓŻNI SZEŚĆ SIGMA OD TRZY SIGMA?
CZYM SIĘ RÓŻNI SZEŚĆ SIGMA OD TRZY SIGMA? dr hab. inż. Adam Walanus 1 Głośna dziś przełomowa metodologia Sześć sigma zdobyła powszechne uznanie dzięki skuteczności i bardzo dobrym wynikom ekonomicznym.
Bardziej szczegółowoWeryfikacja 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 szczegółowoMonitorowanie procesów wytwarzania
POLITECHNIKA KOSZALIŃSKA WYDZIAŁ MECHANICZNY kierunek Mechanika i Budowa Maszyn Monitorowanie procesów wytwarzania Ocena zdolności jakościowej procesów Koszalin Umiejętności i kompetencje: Umiejętności
Bardziej szczegółowoKTÓRY PROCES JEST NAJLEPSZY PRZYKŁAD PRAKTYCZNEGO WYKORZYSTANIA KART KONTROLNYCH I ANALIZY ZDOLNOŚCI DO OCENY PROCESÓW
KTÓRY PROCES JEST NAJLEPSZY PRZYKŁAD PRAKTYCZNEGO WYKORZYSTANIA KART KONTROLNYCH I ANALIZY ZDOLNOŚCI DO OCENY PROCESÓW Michał Iwaniec, StatSoft Polska Sp. z o.o. Wstęp Zdolność procesu do spełnienia wymagań
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
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 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 szczegółowoMetody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.
Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę.
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 szczegółowoANALIZA SYSTEMU POMIAROWEGO (MSA)
StatSoft Polska, tel. 1 484300, 601 414151, info@statsoft.pl, www.statsoft.pl ANALIZA SYSTEMU POMIAROWEGO (MSA) dr inż. Tomasz Greber, Politechnika Wrocławska, Instytut Organizacji i Zarządzania Wprowadzenie
Bardziej szczegółowoDefinicje 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 szczegółowoBADANIE POWTARZALNOŚCI PRZYRZĄDU POMIAROWEGO
Zakład Metrologii i Systemów Pomiarowych P o l i t e c h n i k a P o z n ańska ul Jana Pawła II 24 60-965 POZNAŃ budynek Centrum Mechatroniki, iomechaniki i Nanoinżynierii) wwwzmispmtputpoznanpl tel +48
Bardziej szczegółowoRozkłady 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 szczegółowoTestowanie 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 szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoSTATYSTYCZNE 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 szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
Bardziej szczegółowoOPTYMALIZACJA PROCESÓW TECHNOLOGICZNYCH W ZAKŁADZIE FARMACEUTYCZNYM
OPTYMALIZACJA PROCESÓW TECHNOLOGICZNYCH W ZAKŁADZIE FARMACEUTYCZNYM POZNAŃ / kwiecień 2013 Wasilewski Cezary 1 Cel: Obniżenie kosztów wytwarzania Kontrolowanie jakości wyrobu Zasady postępowania Odpowiednio
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 szczegółowoPOLITECHNIKA WARSZAWSKA
POLITECHNIKA WARSZAWSKA WYDZIAŁ BUDOWNICTWA, MECHANIKI I PETROCHEMII INSTYTUT INŻYNIERII MECHANICZNEJ STATYSTYCZNA KONTROLA PROCESU (SPC) Ocena i weryfikacja statystyczna założeń przyjętych przy sporządzaniu
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH Dr Benedykt R. Jany I Pracownia Fizyczna Ochrona Środowiska grupa F1 Rodzaje Pomiarów Pomiar bezpośredni - bezpośrednio
Bardziej szczegółowoTestowanie 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 szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoPorównanie dwóch rozkładów normalnych
Porównanie dwóch rozkładów normalnych Założenia: 1. X 1 N(µ 1, σ 2 1), X 2 N(µ 2, σ 2 2) 2. X 1, X 2 są niezależne Ocena µ 1 µ 2 oraz σ 2 1/σ 2 2. Próby: X 11,..., X 1n1 ; X 21,..., X 2n2 X 1, varx 1,
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 szczegółowoVII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15
VII WYKŁAD STATYSTYKA 30/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 7 (c.d) WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności,
Bardziej szczegółowoBADANIE POWTARZALNOŚCI PRZYRZĄDU POMIAROWEGO
Zakład Metrologii i Systemów Pomiarowych P o l i t e c h n i k a P o z n ańska ul. Jana Pawła II 24 60-965 POZNAŃ (budynek Centrum Mechatroniki, Biomechaniki i Nanoinżynierii) www.zmisp.mt.put.poznan.pl
Bardziej szczegółowoIdea. 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 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 szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoWYKORZYSTANIE ANALIZY WSKAŹNIKÓW ZDOLNOŚCI DO OPTYMALIZACJI PROCESU WYTWARZANIA MASY FORMIERSKIEJ
168/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (2/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (2/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE ANALIZY WSKAŹNIKÓW ZDOLNOŚCI DO OPTYMALIZACJI
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 szczegółowoHipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
Bardziej szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoWprowadzenie. Typowe i nietypowe sytuacje
NIESTANDARDOWE KARTY KONTROLNE CZYLI JAK SOBIE RADZIĆ W NIETYPOWYCH SYTUACJACH dr inż. Tomasz Greber, Politechnika Wrocławska, Instytut Organizacji i Zarządzania Wprowadzenie SPC (statystyczne sterowanie
Bardziej szczegółowo1 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 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 szczegółowoSprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich
Podstawy Metrologii i Technik Eksperymentu Laboratorium Sprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich Instrukcja do ćwiczenia nr 4 Zakład Miernictwa
Bardziej szczegółowoLaboratorium metrologii
Wydział Inżynierii Mechanicznej i Mechatroniki Instytut Technologii Mechanicznej Laboratorium metrologii Instrukcja do ćwiczeń laboratoryjnych Temat ćwiczenia: Pomiary wymiarów zewnętrznych Opracował:
Bardziej szczegółowoStatystyka. 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 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 szczegółowoProcess Analytical Technology (PAT),
Analiza danych Data mining Sterowanie jakością Analityka przez Internet Process Analytical Technology (PAT), nowoczesne podejście do zapewniania jakości wg. FDA Michał Iwaniec StatSoft Polska StatSoft
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 szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoSTATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;
STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; - badanie skuteczności nowego leku; - badanie stopnia zanieczyszczenia gleb metalami
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 szczegółowoStatystyka. 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 szczegółowoZASTOSOWANIE KART SHEWHARTA DO KONTROLI JAKOŚCI PRODUKCJI ELEMENTÓW UZBROJENIA
Dr Agnieszka Mazur-Dudzińska DOI: 10.17814/mechanik.2015.7.268 Politechnika Łódzka, Katedra Zarządzania Dr inż. Jacek Dudziński Wojskowa Akademia Techniczna, Katedra Mechatroniki ZASTOSOWANIE KART SHEWHARTA
Bardziej szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 1 Temat: Kontrola odbiorcza partii wyrobów z selekcją
Bardziej szczegółowoCzęsto spotykany jest również asymetryczny rozkład gamma (Г), opisany za pomocą parametru skali θ i parametru kształtu k:
Statystyczne opracowanie danych pomiarowych W praktyce pomiarowej często spotykamy się z pomiarami wielokrotnymi, gdy podczas pomiaru błędy pomiarowe (szumy miernika, czynniki zewnętrzne) są na tyle duże,
Bardziej szczegółowoPopulacja 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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 4 Temat: Analiza korelacji i regresji dwóch zmiennych
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 szczegółowoPo przekształceniu danych zawartych w tabeli otrzymano następujący wykres.
Po przekształceniu danych zawartych w tabeli otrzymano następujący wykres. Rysunek 110. Wykres rozkładu normalnego Uzyskane wyniki pomiarów 160 150 140 130 120 110 100-3 -2-1 0 Wartości Z 1 2 3 Źródło:
Bardziej szczegółowoHipotezy statystyczne
Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej
Bardziej szczegółowoTRADYCYJNE NARZĘDZIA ZARZĄDZANIA JAKOŚCIĄ
TRADYCYJNE NARZĘDZIA ZARZĄDZANIA JAKOŚCIĄ Ewa Matuszak Paulina Kozłowska Aleksandra Lorek CZYM SĄ NARZĘDZIA ZARZĄDZANIA JAKOŚCIĄ? Narzędzia zarządzania jakością to instrumenty pozwalające zbierać i przetwarzać
Bardziej szczegółowoZad. 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 szczegółowoStatystyka 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 szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoMetody 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 szczegółowoUwaga. 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 szczegółowoAnaliza i monitoring środowiska
Analiza i monitoring środowiska CHC 017003L (opracował W. Zierkiewicz) Ćwiczenie 1: Analiza statystyczna wyników pomiarów. 1. WSTĘP Otrzymany w wyniku przeprowadzonej analizy ilościowej wynik pomiaru zawartości
Bardziej szczegółowoBadanie normalności rozkładu
Temat: Badanie normalności rozkładu. Wyznaczanie przedziałów ufności. Badanie normalności rozkładu Shapiro-Wilka: jest on najbardziej zalecanym testem normalności rozkładu. Jednak wskazane jest, aby liczebność
Bardziej szczegółowoAnaliza zdolności procesu
Analiza zdolności - przegląd Analiza zdolności procesu Zdolność procesu dla danych alternatywnych Obliczanie DPU, DPM i DPMO. Obliczanie poziomu sigma procesu. Zdolność procesu dla danych liczbowych Obliczanie
Bardziej szczegółowoWykład 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 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 szczegółowoZadania 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 szczegółowoWykład 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 szczegółowoSTATYSTYKA 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 szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowo