Přehled metod regulace procesů při různých typech chování procesu
|
|
- Radim Jozef Bednář
- před 7 lety
- Počet zobrazení:
Transkript
1 Přehled metod regulace procesů při různých typech chování procesu Eva Jarošová, Darja Noskievičová Škoda Auto Vysoká škola, VŠB Ostrava ČSJ
2 Typy procesů (ČSN ISO 2747)
3 Procesy typu A Výsledné rozdělení Čas konstantní střední hodnota konstantní rozptyl okamžité rozdělení normální výsledné rozdělení stejné jako okamžité rozdělení - jediný typ procesu, kde jsou vhodné klasické Shewhartovy regulační diagramy
4 Procesy typu A2 konstantní střední hodnota konstantní rozptyl okamžité rozdělení jednovrcholové výsledné rozdělení stejné jako okamžité rozdělení
5 Procesy typu B Výsledné rozdělení Čas konstantní střední hodnota proměnný rozptyl (změny náhodné nebo systematické) okamžité rozdělení normální výsledné rozdělení jednovrcholové, ale již nikoliv normální
6 Procesy typu C náhodné změny střední hodnoty rozptyl konstantní okamžité rozdělení normální výsledné rozdělení normální
7 Procesy typu C2 náhodné změny střední hodnoty rozptyl konstantní okamžité rozdělení normální výsledné rozdělení jednovrcholové, ale jiné než normální
8 Procesy typu C3 systematické změny střední hodnoty rozptyl konstantní okamžité rozdělení libovolné výsledné rozdělení libovolné
9 Procesy typu C4 systematické i náhodné změny střední hodnoty rozptyl konstantní okamžité rozdělení libovolné výsledné rozdělení libovolné
10 Procesy typu D Výsledné rozdělení Čas systematické i náhodné změny střední hodnoty systematické i náhodné změny rozptylu okamžité rozdělení libovolné výsledné rozdělení je směsí nejrůznějších rozdělení, obecně multimodální - jeho modelování je obtížné - teoreticky je možné využít systém Burrových nebo Pearsonových křivek či Johnsonovu transformaci v případě multimodálního rozdělení - možné využít modelů směsí
11 Typy procesu a vhodné metody SPC
12 Identifikace typu procesu Posouzení normality okamžitého rozdělení normality výsledného rozdělení neměnnosti střední hodnoty neměnnosti rozptylu
13 Ověřování normality Graficky (pravděpodobnostní graf, Q-Q, P-P) Testy normality Aplikace na naměřená data ověření normality výsledného rozdělení Aplikace na rezidua modelu ANOVA nebo regresního modelu ověření normality okamžitého rozdělení
14 Ověřování normality Pravděpodobnostní graf (Minitab) Normal - 95% CI 99, Percent , Splněný předpoklad normality Nesplněný předpoklad normality Q-Q graf v Excelu
15 Ověřování normality Testy normality Kolmogorov-Smirnov (Lilliefors) Anderson-Darling (AD) Cramér-von Mises Chí-kvadrát Shapiro-Wilk Ryan-Joiner (RJ) Výběrová šikmost a špičatost Jarque a Bera D'Agostino-Pearson
16 Shoda rozptylů - statistické testy Test Předpoklad normality Cochranův x x Hartleyův x x Stejný rozsah skupin dat Bartlettův x x Levenův O'Brianův Brownův- Forsythův Veljkost skupiny dat 6
17 Shoda rozptylů grafické metody - graf autokorelační funkce korelogram,0 0,8 0,6 0,4 Autokorelace 0,2 0,0-0,2-0,4-0,6-0,8 -, Zpoždění
18 Regulační diagramy pro typ A2 zajištění dostatečně velkého rozsahu podskupin - Shewhartův diagram volba vhodnějšího modelu - diagram s asymetrickými mezemi transformace - Shewhartův diagram pro transformovaná data - diagram s asymetrickými mezemi pro původní znak EWMA diagram neparametrický regulační diagram
19 Volba modelu Na základě fyzikální podstaty, zkušenosti, Vhodné v případě diagramu pro individuální hodnoty Rozdělení průměrů lze odvodit jen výjimečně Identifikace na základě dat Diagram pro individuální hodnoty Pojmenované rozdělení (Weibullovo, lognormální, ) předpokládá se vhodný statistický software test dobré shody, různá rozdělení, volba modelu s nejvyšší nebo dostatečně vysokou p-hodnotou Pearsonovy nebo Burrovy křivky vhodný software nebo Excel a postup podle Clementse (989) Diagram pro průměry Pearsonovy nebo Burrovy křivky nedostatek hodnot pro identifikaci rozdělení průměrů, vychází se z individuálních hodnot, viz ukázka 2
20 Transformace Boxova-Coxova nejjednodušší tvar y = x λ pro λ 0 y = ln x pro λ = 0 vhodný software, možno i Excel Johnsonova tři typy křivek, volba vhodného typu a odhad parametrů vyžaduje vhodný statistický software Ověření vhodnosti transformace pomocí normálního pravděpodobnostního grafu či testu normality
21 Ukázka Velikost tahového napětí (v MPa) individuální data , UCL= X _ X=986 Procenta Pořadí pozorování LCL=366 0, X Shewhartův diagram AD test p-hodnota <0,005 RJ test p-hodnota <0,0 Pravděpodobnostní graf pro normální rozdělení
22 Identifikace modelu Goodness of Fit Test Distribution AD P LRT P Normal,955 <0,005 Box-Cox Transformation 0,406 0,347 Lognormal 3,477 <0,005 3-Parameter Lognormal,958 * 0,000 Exponential 73,858 <0,003 2-Parameter Exponential 39,732 <0,00 0,000 Weibull 0,299 >0,250 3-Parameter Weibull 0,26 >0,500 0,724 Smallest Extreme Value 0,285 >0,250 Largest Extreme Value 7,52 <0,00 Gamma 2,97 <0,005 3-Parameter Gamma 2,430 * 0,02 Logistic,379 <0,005 Loglogistic 2,220 <0,005 3-Parameter Loglogistic,382 * 0,00 Johnson Transformation 0,247 0,752
23 Diagram s asymetrickými mezemi pro individuální hodnoty Model: Weibullovo rozdělení odhad parametrů metodou maximální věrohodnosti odhad kvantilů x 0,0035 = x 0,5 = 202 UCL= x 0,99865 = CL=202 X LCL= Pořadí pozorování
24 Diagram pro klouzavá rozpětí Diagram pro klouzavá rozpětí původního znaku Diagram pro klouzavá rozpětí transformovaného znaku z-skórů Φ ( F( x i ) (Statgraphics)
25 Ukázka 2 Kapacita elektrolytických kondenzátorů (µf), podskupiny s rozsahem n = 5 Shewhartův diagram AD test p-hodnota = 0,094 RJ test p-hodnota > 0, Pravděpodobnostní graf pro normální rozdělení
26 Diagram s asymetrickými mezemi pro průměr Využití Pearsonovy křivky Výpočet výběrové šikmosti a špičatosti na základě 00 individuálních hodnot Odvození výběrové šikmosti a špičatosti rozdělení průměrů (rozsah n = 5) Výpočet kvantilů (Clements, 989) x 0,0035 x 0,5 x 0,99865 Průměr X 205,0 202,5 200,0 UCL=205,3 CL=99,03 97,5 95,0 LCL=94, Podskupina
27 Ukázka 3 Generovaná data 30 UCL=3,3 0,999 0,99 0,95 X 20 0 _ X=,79 Pravděpodobnost 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, 0 0,05 0, Pořadí pozorování Shewhartův diagram AD test p-hodnota <0,005 RJ test p-hodnota <0, LCL=-7,73 0, X Pravděpodobnostní graf pro normální rozdělení
28 Transformace Box-Cox Boxova-Coxova transformace Y = X 0,5 Shewhartův diagram pro individuální hodnoty Y (Minitab) Zpětná transformace X = Y 2 (pouze pro individuální data) 40 UCL=38,63 30 X 20 0 CL=0, Pořadí pozorování LCL=0,2 00 Shewhartův diagram pro Y Asymetrické meze pro X
29 Ukázka 4 Proces z ukázky, Johnsonova transformace Y = 3, ,85043 arcsinh[(x 2489,35)/34,327] UCL= CL=2023 X LCL= Pořadí pozorování Shewhartův diagram pro Y Asymetrické meze pro X Zpětná transformace: Excel, Hledání řešení 3, ,85043 arcsinh((x 2489,35)/34,327) = 3 3, ,85043 arcsinh((x 2489,35)/34,327) = 0 3, ,85043 arcsinh((x 2489,35)/34,327) = 3
30 Ukazatele způsobilosti pro typ A C p = USL LSL x x 0, ,0035 C pku = USL x µ x LSL pkl 0,99865 x 0,5 0,5 x0,0035 C = µ C = min( C, C ) pk pku pkl
31 Ověřování konstantní střední hodnoty - ANOVA 2 σ A střední hodnota jako náhodná veličina rozptyl 2 test H : 0 σ 0 A = model ANOVA s náhodnými efekty (faktor podskupina) F-test, při p-hodnotě menší než 0,05 zamítnutí H 0 Zdroj Součet Stupně Průměrný čtverec variability čtverců volnosti F Podskupiny SSA k- MSA = SSA/(k-) MSA/MSE Reziduální SSE k(n-) MSE = SSE/(kn-k) Celkový SST kn- P-hodnota k počet podskupin n rozsah podskupin
32 Regulační diagramy pro typ C Regulační diagram s rozšířenými mezemi Modifikovaný regulační diagram Přejímací regulační diagram Regresní regulační diagram
33 Ukázka 5 Podskupiny s rozsahem 5 rozdíly mezi dávkami, ve vstupních materiálech, v okolních podmínkách atd. větší než kolísání mezi jednotlivými vzorky v podskupině všechny hodnoty uvnitř tolerance 9,7 USL=9,7 9,65 X 9,6 9,5 Průměr X 9,60 9,55 9,50 _ UCL=9,5256 X=9,5094 LCL=9,4932 9,4 9,45 9, Podskupina LSL=9,3 9, Podskupina Shewhartův diagram pro průměry
34 Využití ANOVA ke konstrukci rozšířených regulačních mezí F-test (zamítnutí hypotézy o konstantní střední hodnotě) 2 odhad rozptylu σ A a vnitroskupinové variability posouzení normality okamžitého rozdělení na základě reziduí Zdroj Součet Stupně Průměrný variability čtverců volnosti čtverec F P-hodnota Podskupiny 0, MSA = 0, ,78 0,0000 Reziduální 0, MSE = 0,000 Celkový 0, σ 2 ˆ A σ MSA MSE n = 2 ˆ σ = MSE
35 Tvar rozdělení 99,9 99, Procenta Procenta , 9,2 9,3 9,4 9,5 X 9,6 9,7 9,8 0, -0,04-0,03-0,02-0,0 0,00 Rezidua 0,0 0,02 0,03 0,04 Výsledné rozdělení (původní hodnoty) Okamžité rozdělení (rezidua)
36 Diagram s rozšířenými mezemi UCL 3 ˆ σ = x + + n LCL 3 ˆ σ = x n =,5 ˆ σ A (Dietrich, Schulze, 200) 9,8 Průměr X 9,7 9,6 9,5 9,4 9,3 UCL = 9,640 LCL = 9,379 UCL = ˆ µ +,5 ˆ σ A + 3 LCL = ˆ µ,5 ˆ σ A + 3 ˆ σ n ˆ σ n Podskupina
37 Diagram s rozšířenými mezemi další metody konstrukce na základě odhadu rozptylu průměrů ˆ σ ( ) k x = sx = x j x k j= (libovolné rozdělení) ˆ σ ˆ 2 x MR x =,28 k 2 i= 2 σ x 2 MR = 2 k 2 x (normální rozdělení) (normální rozdělení) Rozdělení průměrů normální: UCL = ˆ µ + ˆ σ LCL = ˆ µ ˆ σ 3 x 3 x Rozdělení průměrů rovnoměrné: x ˆ = ˆ µ + 0, ˆ σ = ˆ µ +, 7 ˆ σ 0,9865 x ˆ = ˆ µ 0, ˆ σ = ˆ µ, 7 ˆ σ 0,0035 x x x x
38 Modifikovaný regulační diagram Regulační meze odvozené od tolerančních mezí USL a LSL Předpoklady: (USL LSL) 8σ proces je z hlediska inherentní variability statisticky zvládnutý okamžité rozdělení sledovaného znaku kvality je normální
39 . Modifikovaný regulační diagram - Stanovení intervalu přípustné fluktuace střední hodnoty (APL L ; APL U ) APL L = LSL + u p A σˆ APL U = USL u p A σˆ pa σˆ - maximálně přípustný podíl neshodných jednotek - odhad směrodatné odchylky procesu, který lze vypočíst dle známých vzorců σˆ = R / d 2 σˆ = s / C4
40 . Modifikovaný regulační diagram - Stanovení regulačních mezí ˆ σ UCL = USL u p ˆ σ + u A α / 2 n LCL = USL + u A ˆ σ u α / 2 p α... pravděpodobnost, že proces, jehož skutečná střední hodnota je rovna APLL nebo APLU, bude posuzován jako nevyhovující proces ˆ σ n
41 Ukázka 6 Elektrická pevnost porcelánových izolátorů (kv/mm) Podskupiny s rozsahem 5 Pravděpodobnostní graf AD test p-hodnota = 0,306 RJ test p-hodnota > 0,
42 Ukázka 6 Elektrická pevnost porcelánových izolátorů (kv/mm) Podskupiny s rozsahem 5 Klasické regulační diagramy pro průměr a rozpětí
43 Ukázka 6 Ověření předpokladů: - proces je z hlediska inherentní variability statisticky zvládnutý
44 Ukázka 6 Zvolení hodnoty přípustného podílu neshodných jednotek: p A = 0,0035 Stanovení intervalu přípustné fluktuace střední hodnoty APL L = LSL + u p A σˆ APL = USL u σˆ APL L = ,49 = 30,47 APL U = 40 3,49 = 35,53 U p A Stanovení regulačních mezí ˆ σ ˆ σ UCL = USL u p ˆ σ + u LCL = USL + u A α / 2 p ˆ σ u A α / 2 n n UCL = 35,53 + 3,49/= 37,52 kv/mm LCL = 30,47 3,49/ = 28,48 kv/mm UWL = 35,53 + 2,49/= 36,86 kv/mm LWL = 30,47 2,49/ = 29,4 kv/mm
45 Ukázka 6 Modifikovaný regulační diagram s 3sigma a 2sigma mezemi Interpretace: Hodnota u první podskupiny leží nad horní výstražnou mezí. Protože však hodnota u druhého výběru leží uvnitř výstražných mezí, nebylo nutné provádět žádné seřízení.
46 Přejímací regulační diagram (ČSN ISO ) Regulační meze odvozené od tolerančních mezí USL a LSL Předpoklady Variabilita uvnitř podskupin je mnohemn menší než je tolerance Proces je z hlediska inherentnéí variability statisticky zvládnutý Okamžité rozdělení sledovaného znaku kvality je normální
47 Přejímací regulační diagram
48 Přejímací regulační diagram Interpretace - Leží-li střední hodnota procesu v oblasti vyhovujících procesů, není třeba žádného zásahu. - Leží-li v oblasti nevyhovujících procesů, produkuje nepřípustný podíl neshodných jednotek pr nebo více je třeba do procesu zasáhnout (např. vyměnit opotřebený nástroj). - Oblast indiference zahrnuje procesy, které produkují vyhovující procesy, ale je třeba je sledovat a jakmile jejich střední hodnota dosáhne oblasti nevyhovujících procesů, je třeba provést zásah (ČSN ISO ).
49 Přejímací regulační diagram 2 způsoby návrhu. Vstupní parametry: - rozsah výběru n - nepřípustný podíl neshodných jednotek pr - pravděpodobnost, že proces, jehož skutečná střední hodnota odpovídá RPLL nebo RPLU, nebude posuzován jako nevyhovující, tj. riziko β 2. Vstupní parametry: - přípustný podíl neshodných jednotek pa - nepřípustný podíl neshodných jednotek pr - pravděpodobnost, že proces, jehož skutečná střední hodnota je rovna APLL nebo APLU, bude posuzován jako nevyhovující proces (riziko α) - pravděpodobnost, že proces, jehož skutečná střední hodnota odpovídá RPLL nebo RPLU, nebude posuzován jako nevyhovující, tj. riziko β Výstupní parametr rozsah výběru n
50 Přejímací regulační diagram. způsob navrhování RPL U = USL u p R σˆ RPL L = LSL + u p R σˆ u pr je 00( p R )% kvantil normovaného normálního rozdělení UCL LCL u β n = = RPL RPL L U u + u β β ˆ σ ˆ σ n n je 00( β)% kvantil normovaného normálního rozdělení, je rozsah výběru, jehož hodnota se volí
51 Přejímací regulační diagram 2. Způsob návrhování - spojení návrhu modifikovaného regulačního diagramu s prvním způsobem navrhování přejímacího regulačního diagramu APL U ˆ σ + u α = RPLU u n /2 β ˆ σ n
52 Přejímací regulační diagram 2. Způsob návrhování n = + u β ) ˆ σ = RPL U APL U ( u α / 2 2 u u α / 2 p + u u β A p R 2 UCL = APL LCL = APL U L + u u u α / 2 α / 2 + u- (β u α / 2 α / 2 + u β RPL U ( APL L APL RPL U L ) )
53 Ukázka 7 Elektrická pevnost porcelánových izolátorů (kv/mm) Podskupiny s rozsahem 5 přípustný podíl neshodných jednotek p A = 0,0035 rizikoα= 0,0027 nepřípustný podíl neshodných jednotek p R = 0,0 rizikoβ= 0,05 USL = 40 kv/mm, LSL = 26 kv/mm
54 Ukázka 7 Ověření předpokladů viz Ukázka 7 Výpočet rozsahu výběru 3 +, 65 n = = 4, , tuto hodnotu použijeme při výpočtu regulačních mezí
55 Ukázka 7 Stanovení hodnot APL L, APL U, RPL L a RPL U : APL L, APL U - viz Ukázka 8 APL L = 30,47; APL U = 35,53 RPL L a RPL U RPL U = USL u pr σˆ RPL U = 40 2,33,49 = 36,53 RPL L = LSL + u RPL L = ,33,49 = 29,47 p R σˆ
56 Ukázka 7 Výpočet regulačních mezí UCL UCL u α / 2 = APLU + RPLU APL u / u α (β 3 = 35, , 53 35, 53 = 36, 3 +, 65 ( ) 8 U ) LCL LCL = APL L u u α / 2 α / 2 + u β ( APL 3 = 30, 47, 3 +, 65 ( 30, 47 29, 47) = L RPL L )
57 Ukázka ,8 Průměr _ 33 29, Číslo podskupiny Přejímací regulační diagram
58 Srovnání modifikovaného a přejímacího regulačního diagramu ,8 Průměr _ 33 29, Číslo podskupiny Modifikovaný regulační diagram Přejímací regulační diagram - výsledek zohlednění rizika β v přejímacím diagramu
59 Ukázka 8 Rozměr litinových zátek do převodovek Tolerance USL = 7,5, LSL = 7,06 7,50 USL = 7,5 99,9 X = 7, ,00656 i 99 7, X 7,00 7,075 Procenta , Podskupina LSL = 7,06 0, -0,04-0,03-0,02-0,0 0,00 Rezidua 0,0 0,02 0,03 0,04 Normalita okamžitého rozdělení ověřena pomocí reziduí regresního modelu přímky
60 Modifikovaný diagram 7,3 UCL mod=7,32 UCL=7,26 7,2 Průměr X 7, 7,0 _ X=7,62 LCL=7,097 7,09 7,08 LCL mod=7, Podskupina Shewhartův diagram: UCL, LCL Modifikovaný diagram: UCL mod, LCL mod
61 Ukázka 9 Vrtání otvoru pro válec v bloku motoru Tolerance 76,45 ± 0,02 76,4550 UCL=76, , , X 76,4500 _ X=76,45096 Procenta ,4475 LCL=76, , Pořadí pozorování , -0,005-0,004-0,003-0,002-0,00 0,000 Rezidua 0,00 0,002 0,003 0,004 Shewhartův diagram Model regresní přímky xˆ = 76, , i Pravděpodobnostní graf
62 Diagram s rozšířenými mezemi UCL 3 ˆ σ = x + + n LCL 3 ˆ σ = x n určeno pomocí regresního modelu (rozdíl krajních bodů /2) 76, ,4550 UCL=76,456 76,4525 X 76, , ,4450 LCL=76, Pořadí pozorování doplněny šikmé regulační meze rovnoběžné s trendovou přímkou ˆ σ ˆ σ UCL = b0 + bi + L LCL = b0 + bi L n n
63 Výkonnost procesů typu C Předpoklady celková variabilita procesu je podstatně větší než variabilita uvnitř podskupin okamžité rozdělení je normální, výsledné rozdělení normální být nemusí 2 metody (ČSN ISO 2747 (200). Princip stejný jako u regulačního diagramu s rozšířenými mezemi 2. Zúžení tolerančního pole
64 Výkonnost procesů typu C. přístup -rozšíření hodnoty jmenovatele o hodnotu 2 P p = USL LSL 6σ + 2 P pu = USL µ µ LSL PpL = 3σ + 3σ +
65 Výkonnost procesů typu C 2. přístup zúžení tolerance o hodnotu 2 P p = USL LSL 6σ 2 P pu = USL µ 3σ P pl µ LSL = 3σ
66 Výkonnost procesů typu C Odhad rozsahu změn střední hodnoty 2 (ČSN ISO 2747 (200)). metoda: 2 = max x min x j =, 2,..., k j j 2. metoda: pomocí ANOVA 2 ˆ A σ MSA MSE = n MSA a MSE - průměrné čtverce, které najdeme v tabulce ANOVA, n - rozsah podskupin
67 Ukázka 0 proces typu C2 (okamžité normální rozdělení a výsledné jednovrcholové rozdělení) podskupiny o rozsahu n = 5 předpis : 9,5± ± 0,2 mm - normalita okamžitých rozdělení byla ověřena pomocí reziduí e ij - - odhad pomocí metody ANOVA: 2 ˆ A σ MSA MSE n 2 = A ˆ σ = 0, ˆ σ = 0, 077 A 2 = 3 ˆ σ A = 3 0,077 = 0, 23
68 Ukázka 0 Výpočet indexů výkonnosti. metodou ˆ USL LSL 9,7 9,3 Pp = = =,339 6 ˆ σ ,03 + 0, 23 ˆ USL x 9, 7 9,5094 PpkU = = =, ˆ σ + 3 0, ,55 ˆ x LSL 9,5094 9,3 PpkL = = =, ˆ σ + 3 0, ,55
69 Ukázka 0 Výpočet indexů výkonnosti 2. metodou ˆ USL LSL 2 9,7 9,3 0, 23 Pp = = = 2, ˆ σ 6 0,0 3 P pku USL x 9, 7 9,5094 0,55 = = = 3 ˆ σ 3 0,03 2,25 ˆ x LSL 9,5094 9,3 0,55 PpkL = = = 2, ˆ σ 3 0,03
70 Literatura Clements, J. A.: Process Capability Calculations for Non-Normal Distributions. Quality Progress, 989, roč. 22, č. 9, s ČSN ISO 2747 Dietrich, E., Schulze, A.: Statistical Procedures for Machine and Process Qualification. Hanser, Cincinnati 200 Mitra, A.: Fundamentals of Quality Control and Improvement. John Wiley & Sons, Hoboken 2008 Montgomery, D. C.: Introduction to Statistical Quality Control. John Wiley & Sons, New York 203
71 Děkujeme za pozornost.
Národní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality STATISTICKÁ REGULACE POMOCÍ VÝBĚROVÝCH PRŮMĚRŮ Z NENORMÁLNĚ ROZDĚLENÝCH DAT Ing. Jan Král, RNDr. Jiří Michálek, CSc., Ing. Josef Křepela Duben, 20 Co je
VíceRegulační diagramy (RD)
Regulační diagramy (RD) Control Charts Patří k základním nástrojům vnitřní QC laboratoře či výrobního procesu (grafická pomůcka). Pomocí RD lze dlouhodobě sledovat stabilitu (chemického) měřícího systému.
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem
VíceNárodníinformačnístředisko pro podporu jakosti
Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov
VíceSW podpora při řešení projektů s aplikací statistických metod
SW podpora při řešení projektů s aplikací statistických metod Jan Král, Josef Křepela Úvod Uplatňování statistických metod vyžaduje počítačovou podporu. V současné době je rozšiřována řada vynikajících
VíceStatistické řízení jakosti - regulace procesu měřením a srovnáváním
Statistické řízení jakosti - regulace procesu měřením a srovnáváním Statistická regulace výrobního procesu (SPC) SPC = Statistical Process Control preventivní nástroj řízení jakosti, který na základě včasného
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2009/2010 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceQ-diagramy. Jiří Michálek ÚTIA AVČR
Q-diagramy Jiří Michálek ÚTIA AVČR Proč Q-diagramy? Nevýhody Shewhartových diagramů velikost regulačních mezí závisí na rozsahu logické podskupiny nehodí se pro krátké výrobní série normálně rozdělená
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality Využití metody bootstrapping při analýze dat II.část Doc. Ing. Olga TŮMOVÁ, CSc. Obsah Klasické procedury a statistické SW - metody výpočtů konfidenčních
VíceStatistické řízení jakosti. Deming: Klíč k jakosti je v pochopení variability procesu.
Statistické řízení jakosti Deming: Klíč k jakosti je v pochopení variability procesu. SŘJ Statistická regulace výrobního procesu Statistická přejímka jakosti měřením srovnáváním měřením srovnáváním - X
VíceProblematika analýzy rozptylu. Ing. Michael Rost, Ph.D.
Problematika analýzy rozptylu Ing. Michael Rost, Ph.D. Úvod do problému Již umíte testovat shodu dvou středních hodnot prostřednictvím t-testů. Otázka: Jaké předpoklady musí být splněny, abyste mohli použít
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Testy hypotéz na základě více než 2 výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testy hypotéz na základě více než 2 výběrů Na analýzu rozptylu lze pohlížet v podstatě
VíceRozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r)
Rozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r) Bohumil Maroš 1. Úvod Regulační diagram je nejefektivnější nástroj pro identifikaci stability, resp. nestability procesu. Vhodně
VícePokročilejší metody statistické regulace procesu
Õ Ș Õ Alternativy k Shewhartovým regulačním diagramům Ověřování předpokladů Praktické aspekty SPC Diagramy pro vysoce způsobilé procesy Vícerozměrné regulační diagramy Hodnocení způsobilosti a výkonnosti
VíceNormy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008)
Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Ing. Vratislav Horálek, DrSc., předseda TNK 4 při ČNI 1 Terminologické normy [1] ČSN ISO 3534-1:1994 Statistika Slovník
VíceTématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management kvality"
Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management kvality" školní rok 2016/2017 Integrované systémy managementu A 1. Koncepce a principy integrovaných
VíceVYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI Elektronická sbírka příkladů k předmětům zaměřeným na aplikovanou statistiku
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
VíceSTATISTICKÉ ŘÍZENÍ PROCESŮ SE SW PODPOROU
STATISTICKÉ ŘÍZENÍ PROCESŮ SE SW PODPOROU RNDr. Jiří Michálek, CSc. Centrum pro kvalitu a spolehlivost CQR při Ústavu teorie informace a automatizace AVČR e-mail: michalek@utia.cas.cz Ing. Jan Král ISQ
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceHodnocení vlastností materiálů podle ČSN EN 1990, přílohy D
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Miroslav Sýkora Kloknerův ústav, ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady
VíceTématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management jakosti" školní rok 2013/2014 Integrované systémy managementu A 1. Koncepce a principy integrovaných
VíceZpůsobilost systému měření podle normy ČSN ISO doc. Ing. Eva Jarošová, CSc.
Způsobilost systému měření podle normy ČSN ISO 22514-7 doc. Ing. Eva Jarošová, CSc. Předmět normy Postup validace měřicího systému a procesu měření (ověření, zda daný proces měření vyhovuje požadavkům
VíceSPC v případě autokorelovaných dat. Jiří Michálek, Jan Král OSSM,
SPC v případě autokorelovaných dat Jiří Michálek, Jan Král OSSM, 2.6.202 Pojem korelace Statistická vazba mezi veličinami Korelace vs. stochastická nezávislost Koeficient korelace = míra lineární vazby
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
VíceÚstav teorie informace a automatizace RESEARCH REPORT. Nestandardní regulační diagramy pro SPC. No. 2311 December 2011
kademie věd České republiky Ústav teorie informace a automatizace cademy of Sciences of the Czech Republic Institute of Information Theory and utomation RESERCH REPORT Josef Křepela, Jiří Michálek: Nestandardní
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VícePRINCIPY ZABEZPEČENÍ KVALITY
(c) David MILDE, 2013 PRINCIPY ZABEZPEČENÍ KVALITY POUŽÍVANÁ OPATŘENÍ QA/QC Interní opatření (uvnitř laboratoře): pravidelná analýza kontrolních vzorků a CRM, sledování slepých postupů a možných kontaminací,
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceAnalýza způsobilosti procesů. Studijní opory
Operační program Vzdělávání pro konkurenceschopnost PROJEKT Integrovaný systém modulární počítačové podpory výuky ekonomicko-technického zaměření CZ.1.07/2.2.00/28.0300 Analýza způsobilosti procesů Studijní
VíceŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S. DIPLOMOVÁ PRÁCE Ing. Markéta Černá
ŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S. DIPLOMOVÁ PRÁCE 2015 Ing. Markéta Černá ŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S. Studijní program: N6208 Ekonomika a management Studijní obor: 6208T088 Podniková ekonomika a management
VícePrůzkumová analýza dat
Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se
VícePokročilejší metody statistické regulace procesu
Õ Ș Õ Alternativy k Shewhartovým regulačním diagramům Ověřování předpokladů Praktické aspekty SPC Diagramy pro vysoce způsobilé procesy Vícerozměrné regulační diagramy Hodnocení způsobilosti a výkonnosti
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Pythagoras Statistické zpracování experimentálních dat Semestrální práce ANOVA vypracoval: Ing. David Dušek
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 15. licenční studium INTERAKTIVNÍ STATISTICKÁ ANALÝZA DAT Semestrální práce ANOVA 2015
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceVýkonnost procesů v případě nenormálně rozděleného znaku kvality. Jiří Michálek
Výkonnost procesů v případě nenormálně rozděleného znaku kvality Jiří Michálek 1 Hodnocení způsobilosti a výkonnosti výrobních procesů je prováděno především u dodavatelů do automobilového průmyslu, kde
VícePředpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2
Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik
VíceTématické okruhy pro státní závěrečné zkoušky. magisterské studium
Tématické okruhy pro státní závěrečné zkoušky magisterské studium studijní obor "Řízení jakosti" školní rok 2009/2010 Management jakosti A 1. Koncepce managementu jakosti, charakteristiky a účel, normy
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceJednofaktorová analýza rozptylu
Jednofaktorová analýza rozptylu David Hampel Ústav statistiky a operačního výzkumu, Mendelova univerzita v Brně Kurz pokročilých statistických metod Global Change Research Centre AS CR, 5 7 8 2015 Tato
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 10. licenční studium chemometrie STATISTICKÉ ZPRACOVÁNÍ DAT Semestrální práce STATISTICKÁ
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceJak správně interpretovat ukazatele způsobilosti a výkonnosti výrobního procesu
Jak správně interpretovat ukazatele způsobilosti a výkonnosti výrobního procesu Jiří Michálek Ukazatele způsobilosti a výkonnosti C p, C pk, P p, P pk byly zavedeny ve snaze popsat stav výrobního procesu,
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba lineárních regresních modelů 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha 1 Porovnání regresních přímek u jednoduchého lineárního regresního modelu Porovnání
VíceVlastnosti odhadů ukazatelů způsobilosti
Vlastnosti odhadů ukazatelů způsobilosti Jiří Michálek CQR při Ústavu teorie informace a automatizace AV ČR v Praze Úvod Ve výzkumné zprávě č 06 Odhady koeficientů způsobilosti a jejich vlastnosti viz
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceHodnocení vlastností materiálů podle ČSN EN 1990, přílohy D
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Milan Holický Kloknerův ústav ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady -
VíceTestování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistickou hypotézou se rozumí určité tvrzení o parametrech rozdělení zkoumané náhodné veličiny (µ, σ 2, π,
VícePokročilejší metody statistické regulace procesu
Õ Ș Õ Alternativy k Shewhartovým regulačním diagramům Ověřování předpokladů Praktické aspekty SPC Diagramy pro vysoce způsobilé procesy Vícerozměrné regulační diagramy Hodnocení způsobilosti a výkonnosti
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceŠKODA AUTO a.s. Vysoká škola
ŠKODA AUTO a.s. Vysoká škola D I P L O M O V Á P R Á C E 011 Lukáš Kotfald ŠKODA AUTO a.s. Vysoká škola Studijní program: N608 Ekonomika a management Studijní obor: 608T088 Podniková ekonomika a management
VíceHODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ
HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceInovace bakalářského studijního oboru Aplikovaná chemie http://aplchem.upol.cz
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Sedm základních nástrojů řízení kvality Doc. RNDr. Jiří Šimek,
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceVŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky SMAD
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: SMAD Cvičení Ostrava, AR 2016/2017 Popis datového souboru Pro dlouhodobý
VíceRůzné metody manažerství kvality. Práce č.12: Výpočet PPM a způsobilost procesů
- Různé metody manažerství kvality - Práce č.12: Výpočet PPM a způsobilost procesů Datum: 02-12-2018 Martin Bažant Obsah Obsah... 2 1 Úvod... 3 2 Způsobilost procesů... 3 3 Výpočet PPM... 7 3.1 Základní
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 8. KAPITOLA STATISTICKÉ TESTOVÁNÍ HYPOTÉZ 22.11.2016 Opakování: CLV příklad 1 Zadání: Před volbami je v populaci státu 52 % příznivců
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VícePřednáška IX. Analýza rozptylu (ANOVA)
Přednáška IX. Analýza rozptylu (ANOVA) Princip a metodika výpočtu Předpoklady analýzy rozptylu a jejich ověření Rozbor rozdílů jednotlivých skupin násobné testování hypotéz Analýza rozptylu jako lineární
Vícepravděpodobnosti, popisné statistiky
8. Modelová rozdělení pravděpodobnosti, popisné statistiky Rozdělení pravděpodobnosti Normální rozdělení jako statistický model Přehled a aplikace modelových rozdělení Popisné statistiky Anotace Klasickým
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět ANOVA analýza rozptylu
Více3. Aplikace SPC na proces dělení kovového profilu
3. Aplikace SPC na proces dělení kovového profilu Praktická aplikace uvedené metodiky Charakteristika produktu: kovový profil pro sestavení zvedacích sloupků pracovních stolů Charakteristika procesu: dělení
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceNárodní informační středisko pro podporu jakosti
Národní informační středisko pro podporu jakosti 1 METODA KUMULOVANÝCH SOUČTŮ C U S U M metoda: tabulkový (lineární) CUSUM RNDr. Jiří Michálek, CSc., Ing. Antonie Poskočilová 2 Základem SPC jsou Shewhartovy
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceLean Six Sigma Logistics Využití statistických metod ke zlepšení logistických proces
Lean Six Sigma Logistics Využití statistických metod ke zlepšení logistických proces Eva Jarošová Institut ekonomiky provozu a technických v d Obsah Základní pojmy Oblasti pro využití statistických nástroj
VíceRegulační diagramy EWMA. Eva Jarošová Škoda Auto Vysoká škola
Regulační diagramy EWMA Eva Jarošová Škoda Auto Vysoká škola ČSJ 19.2.2015 Obsah 1. Podstata a konstrukce diagramu 2. Využití diagramů EWMA 3. Porovnání Shewhartova a EWMA diagramu 4. Volba parametrů 5.
VícePorovnání dvou reaktorů
Porovnání dvou reaktorů Zadání: Chemické reakce při kontinuální výrobě probíhají ve dvou identických reaktorech. Konstanty potřebné pro regulaci průběhu reakce jsou nastaveny pro každý reaktor samostatně.
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
VíceVYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI
VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové
VíceUniverzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA. Semestrální práce
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015 Doc. Mgr. Jan Muselík, Ph.D.
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceTestování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času
Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek
VíceSTATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a
VíceNavrhování experimentů a jejich analýza. Eva Jarošová
Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceNormy ČSN,ČSN ISO a ČSN EN
Normy ČSN,ČSN ISO a ČSN EN z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2013) Ing. Vratislav Horálek, DrSc. předseda TNK 4 při ÚNMZ 1 A Terminologické normy 2 [1] ČSN ISO 3534-1:2010 Statistika
VíceStručný úvod do vybraných zredukovaných základů statistické analýzy dat
Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Statistika nuda je, má však cenné údaje. Neklesejme na mysli, ona nám to vyčíslí. Z pohádky Princové jsou na draka Populace (základní
VíceVYBRANÉ DVOUVÝBĚROVÉ TESTY. Martina Litschmannová
VYBRANÉ DVOUVÝBĚROVÉ TESTY Martina Litschmannová Obsah přednášky Vybrané dvouvýběrové testy par. hypotéz test o shodě rozptylů (F-test), testy o shodě středních hodnot (t-test, Aspinové-Welchův test),
VíceJarqueův a Beryho test normality (Jarque-Bera Test, JB test)
Jarqueův a Beryho test normality (Jarque-Bera Test, JB test) Autoři: Carlos M. Jarque and Anil K. Bera Předpoklady: - Výběrová data mohou obsahovat chybějící pozorování (chybějící hodnoty) vhodné zejména
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
VíceÚloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat )
Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat ) Zadání : Čistota vody v řece byla denně sledována v průběhu 10 dní dle biologické spotřeby kyslíku BSK 5. Jsou v
VíceRegulační diagramy pro Lean Six Sigma
Česká společnost pro jakost Praha, 16. 5. 2010 Regulační diagramy pro Lean Six Sigma Doc. Ing. Darja Noskievičová, CSc. Katedra kontroly a řízení jakosti Fakulta metalurgie a materiálového inženýrství
VíceCvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS
Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 9 Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET Software FREET Simulace metodou LHS
Více