Rozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r)

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Rozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r)"

Transkript

1 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 zvolené regulační diagramy pomohou rozhodnout, kdy je vhodná chvíle pro zásah do procesu (seřízení, kontrola vstupní suroviny, přeškolení operátorů ). A naopak zabraňují předčasnému a často škodlivému zásahu. Regulační diagramy představují preventivní přístup k řízení procesů. S jejich pomocí často identifikujeme změnu procesu ještě před tím, než by začaly vznikat neshody. Cílem regulačních diagramů je stabilizovat kolísání procesu a zmenšovat jeho variabilitu tím, že identifikujeme nenáhodné příčiny. Tyto pak můžeme odstranit, nebo alespoň omezit jejich vliv na proces. Pokud budou na proces působit pouze náhodné vlivy, pak je proces stabilizován. Znamená to, že je pak predikovatelný. Nestabilní, a tudíž nepředvídatelné procesy, jsou drahé. Základním předpokladem pro použití klasických Shewhartových regulačních diagramů je předpoklad normálního rozdělení a nekorelovanosti naměřených hodnot z procesu. Častým způsobem aplikace je, že se zvolí při sběru dat rozsah podskupiny n=1 až n=15 a po záznamu k=25 až k=30 podskupin se provede výpočet regulačních mezí pro aritmetický průměr x a rozpětí R. Většinou se volí regulační diagram při použití regulačních mezí pro 3, tzn. při znalosti a, pro pravděpodobnost zbytečného signálu (chybu I. druhu) =0,0027. Sledovat tuto pravděpodobnost lze pomocí hodnoty průměrného počtu bodů v regulačním diagramu, kdy narazíme na bod, jenž je mimo regulační meze. Tato hodnota se označuje ARL (Average Run Length). Jestliže pozorované hodnoty procesu jsou nekorelované, pak platí jednoduchý vztah pro teoretickou hodnotu 1 1 ARL 0 = = = & 370. (1) α 0,0027

2 Znamená to, že stabilní proces bude v regulačním diagramu průměrně po 370 podskupinách vykazovat bod mimo regulační meze. Hodnotu 370 musíme brát opatrně, poněvadž náhodná proměnná x=rl, tj. počet bodů (podskupin) za sebou ležících uvnitř regulačních mezí v regulačním diagramu, má geometrické rozdělení s monotónně klesající pravděpodobnostní funkcí x ( x) = p( 1 p), x = 0,1, 2, K p a parametrem p = α. Směrodatná odchylka σ tohoto rozdělení je přibližně rovna střední hodnotě µ pro malé hodnoty pravděpodobnosti p: 1 1 p 1 µ =, σ = = &. (3) p p p V našem případě je µ = & σ = & 370. Znamená to, že hodnoty RL velmi hodně kolísají kolem své střední hodnoty. A navíc, geometrické rozdělení je silně nesymetrické rozdělení, což má za následek fakt, že průměrná hodnota není nejlepším reprezentantem náhodné proměnné (lepší by byl medián, jenž má hodnotu 256). Průměr má však v tomto případě jednu důležitou vlastnost, a to tu, že existuje jednoduchý vztah (1) mezi rizikem zbytečného signálu α a průměrnou hodnotou ARL. V regulačním diagramu však při použití regulačních mezí pro 3 σ není pravděpodobnost zbytečného signálu ve skutečnosti rovna vždy přesně teoretické hodnotě Záleží nejen na tom, jestli je splněn předpoklad normálního rozdělení, ale též na dalších okolnostech. Jak se však mění hodnota pravděpodobnosti α, jestliže podskupina má n=1, tzn. počítáme s individuálními hodnotami podskupina, z níž počítáme aritmetický průměr x, má jiný rozsah než obvyklých 5, počet podskupin, z nichž se počítají regulační meze, bude jiný než k=25 či 30? Na všechny tyto otázky se pokusíme dát odpověď. Odpověď nebude jednoduchá, protože se mohou prolínat navzájem všechny naznačené možnosti. Abychom pronikli hlouběji do podstaty věci, musíme být schopni vždy identifikovat, která z možností nastala či kterou jsme použili. A právě k tomu nám bude sloužit dosti silný simulační nástroj metoda Monte Carlo. (2)

3 2. Aplikace metody Monte Carlo Nejdříve si musíme ujasnit, co chceme simulovat. Chceme simulovat proces, který bude mít předem dané statistické rozdělení - normální. Velikost podskupiny, z níž počítáme aritmetický průměr x, bude mít postupně rozsah n=1, n=3, n=5, n=10. Pomocí regulačního diagramu (I, MR), tzn. individuálních hodnot a klouzavého rozpětí, resp. ( x, R), chceme dlouhodobě sledovat výrobní proces, přičemž regulační meze se vypočtou z prvních k podskupin dat sledovaného procesu. Většinou se doporučuje volit k=25 až 30. V naší simulaci budeme volit hodnoty k od k=20 až do k=100. po 5 a pak od k=100 do k=1000 po 100. Jinými slovy, budeme sledovat, jaký má vliv na velikost pravděpodobnosti zbytečného signálu α skutečnost, že regulační meze jsme nechali (pro stejná data) vypočíst z prvních k=20, nebo k=25, nebo k=30, atd. počtu podskupin procesu. Abychom dostali věrohodné výsledky, bylo pro jednu zvolenou hodnotu n vygenerováno s daným rozdělením n-členných skupin dat. Pro takto získaná data se postupně pro jednotlivé hodnoty k vypočetly příslušné regulační meze a pomocí těchto regulačních mezí se zjišťovalo, kolikrát v celkem bodech regulačního diagramu se vyskytnou hodnoty mimo regulační diagram (zvlášť pro x či x a zvlášť pro R či MR). To znamená, že pro různé hodnoty k se zjistily vždy jiné počty přesahu bodů vně regulačního diagramu. Tento postup se opakoval vždy celkem 300krát a pak se určil průměrný počet ARL (již nikoliv teoretický) výskytu sledovaných parametrů (x či x a R nebo MR) mimo regulační meze. Náhodná veličina RL má směrodatnou odchylku i střední hodnotu podle (3) přibližně 370, a proto průměrná hodnota RL z podskupin má směrodatnou odchylku přibližně (jestliže =0,0027). s ARL σ RL = = = & = & 50, µ 370 RL Průměrné hodnoty ze 300 veličin již vykazují normální rozdělení, takže 95%-ní interval spolehlivosti pro ARL je přibližně (za předpokladu =0,0027, tzn. pro vysoké hodnoty k)

4 . 1,968 ARL ± 50,3 = & ARL ± 5,7 299 Intervaly spolehlivosti pro ARL se liší nejen pro zvolenou hodnotu k, či pro zvolený rozsah podskupiny n, ale i pro x či rozpětí. Pro každou vybranou hodnotu n (rozsah podskupiny) se určila (pro všechny výše stanovené hodnoty parametru k) příslušná přibližná hodnota pravděpodobnosti zbytečného signálu 1 α =. ARL Simulací se zjistilo, že směrodatné odchylky průměrné hodnoty α z podskupin při 300 násobném opakování se též liší. Jestliže 95%-ní interval spolehlivosti pro průměrnou hodnotu α zapíšeme ve tvaru α ±, (4) tak průměrné hodnoty α pro všechna k se pohybovaly v intervalu od 0,00006 do 0, Nelineární model Ze získaných údajů metodou Monte Carlo se ještě pomocí nelineárních optimalizačních iteračních postupů našel empirický model, který umožňuje pro vybraná n vypočíst hodnotu α v závislosti na hodnotě k. Tyto modely mají stejný tvar α b2 b3 ( n, k ) = ( b0 + b1 k ) + b4 a liší se regresními konstantami b i, i=0, 1,, 4 pro různá n, dále podle toho, zda se model týká individuálních hodnot x, nebo aritmetického průměru x, rozpětí R či klouzavého rozpětí MR. Poněvadž grafy všech těchto závislostí jsou ryze monotónně klesající funkce, tak konstanta b 4 ukazuje na hodnotu, k níž se hodnota zbytečného signálu α asymptoticky blíží pro velké hodnoty k. Metodou Monte Carlo a optimalizačními iteračními postupy byly získány tyto hodnoty regresních koeficientů pro nelineární model (5): (5)

5 n=1 n=3 n=5 n=10 x MR x R x R x R b 9869,5 1248,0 24, , ,477-43, , , b 0,5114 1, ,5615 7, , ,3510 8, , b 4,5089 3,5810 1,2382 1,0620 1,6683 0,8989 1,1647 1, b -0,3359-0,3658-0,9131-1,0374-0,6967-1,1164-1,1501-1, b 0, ,0098 0,0027 0,0058 0,0027 0,0046 0,0027 0, Průběhy chyb zbytečného signálu Podívejme se nyní na průběhy chyby zbytečného signálu α v závislosti na počtu podskupin k, z nichž se vypočtou regulační meze příslušného regulačního diagramu. Protože při analýze regulačních diagramů se má nejdříve posuzovat diagram pro variabilitu, nejdříve se podíváme na průběh hodnot chyby zbytečného signálu pro rozpětí. Jsou zde uvedeny dva pohledy na tyto průběhy: jeden celkový (i pro vysoké hodnoty k), aby bylo vidět, ke které hodnotě se chyby asymptoticky blíží a druhý detailní (pro k<50), aby se dala z grafu odečíst hodnota chyby zbytečného signálu pro běžně používané hodnoty k=25 či k=30. V následujících dvou grafech je znázorněna chyba α pro individuální hodnoty x z diagramu (I, MR) a pro aritmetický průměr x, jestliže rozsahy podskupin jsou n=3, 5, 10 opět v celkovém pohledu a v detailu. 5. Závěr Z grafů můžeme přibližně zjistit velikosti hodnot α, resp. je můžeme vypočíst ze vztahu (5) pro hodnoty k a n. V následující tabulce jsou pro vybrané hodnoty k vypočteny: Hodnoty rizika zbytečného signálu k = 25 k = 30 k = 100 k = 500 k = 1000 x MR x MR x MR x MR x MR n=1 0,012 0,023 0,010 0,021 0,0039 0,0120 0,0028 0,0101 0,0028 0,0099 x R x R x R x R x R n=3 0,005 0,009 0,004 0,008 0,0031 0,0065 0,0028 0,0059 0,0027 0,0058 n=5 0,004 0,006 0,004 0,006 0,0030 0,0050 0,0028 0,0047 0,0028 0,0046 n=10 0,004 0,005 0,003 0,005 0,0029 0,0045 0,0028 0,0043 0,0028 0,0043

6 α n= n= , k 1000 Obr. 1: Závislost rizika α na velikosti počtu podskupin k pro n=1, 3, 5, 10 pro rozpětí α n= n=3 n=5 n=10 0, Obr. 2: Detail předchozího grafu k

7 α n=1 0,0027 k Obr. 3: Závislost rizika α na velikosti počtu podskupin k pro n=1, 3, 5, 10 pro x či x α n=1 n=3 0,0027 Obr. 4: Detail předchozího grafu k

8 Z grafů i tabulky je vidět, že pro normálně rozdělené pozorované hodnoty je chyba I. druhu pro variabilitu vždy větší než pro hodnoty x či x. Navíc, hodnoty rizika α u variability se ani neblíží k teoretické hodnotě 0,0027 pro velké hodnoty k. Regulační diagram pro individuální hodnoty (I, MR) je vhodný jen tehdy, když se regulační meze určí minimálně z k=100 hodnot. Pokud použijeme méně měření, pak riskujeme velký nárůst zbytečných signálů, které nemusejí odpovídat vymezitelným příčinám ve sledovaném procesu. Tento fakt má ovšem ten následek, že můžeme do stabilního procesu zbytečně zasahovat. Tato záležitost bývá často bagatelizována s poukazem na to, že u tohoto typu se neztrácejí informace o konkrétních pozorovaných hodnotách jako u diagramů ( x, R).. Literatura [1] Montgomery D. C.: Introduction to Statistical Quality Control, 4th edition, John Wiley&Sons, New York 2001 [2] Tošenovský J., Noskievičová D.: Statistické metody pro zlepšování jakosti, Montanex a.s., Ostrava 2000 [3] Bazaraa, M.S.: Nonlinear Programming, John Wiley&Sons, New York 1992 [4] Wheeler,D.J.: Advanced Topics in Statistical Process Control, Statistical Process Control, Inc., Knoxville 1995 [5] Maroš,B.: Riziko zbytečného signálu v regulačním diagramu, Sborník konference 2. statistické dny, Hradec Králové 2004 [6] Maroš,B.-Trávníček,T.: Nedodržení předpokladu normality v regulačních diagramech, článek ve sborníku, Brno 2005 Adresa autora: Doc. RNDr. Bohumil Maroš, CSc., Vysoké učení technické v Brně, Fakulta strojního inženýrství, Ústav matematiky, Technická 2, Brno Tato práce byla vytvořena za podpory projektu MŠMT 1M CQR

Regulační diagramy (RD)

Regulační 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.

Více

Statistické řízení jakosti - regulace procesu měřením a srovnáváním

Statistické 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

Více

Statistické řízení jakosti. Deming: Klíč k jakosti je v pochopení variability procesu.

Statistické 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

Více

PRINCIPY ZABEZPEČENÍ KVALITY

PRINCIPY 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,

Více

Ekonomické aspekty statistické regulace pro vysoce způsobilé procesy. Kateřina Brodecká

Ekonomické aspekty statistické regulace pro vysoce způsobilé procesy. Kateřina Brodecká Ekonomické aspekty statistické regulace pro vysoce způsobilé procesy Kateřina Brodecká Vysoce způsobilé procesy s rozvojem technologií a důrazem kladeným na aktivity neustálého zlepšování a zeštíhlování

Více

Vybrané praktické aplikace statistické regulace procesu

Vybrané praktické aplikace statistické regulace procesu ČSJ, OSSM Praha, 19. 4. 2012 Vybrané praktické aplikace statistické regulace procesu Prof. Ing. Darja Noskievičová, CSc. Katedra kontroly a řízení jakosti Fakulta metalurgie a materiálového inženýrství

Více

Národní informační středisko pro podporu kvality

Národní 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

Více

SPC v případě autokorelovaných dat. Jiří Michálek, Jan Král OSSM,

SPC 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

Více

Inovace bakalářského studijního oboru Aplikovaná chemie http://aplchem.upol.cz

Inovace 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,

Více

Regresní analýza 1. Regresní analýza

Regresní 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

Více

Národní informační středisko pro podporu kvality

Národní 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

Více

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

JEDNOVÝBĚROVÉ 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

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

Více

Korelace. Komentované řešení pomocí MS Excel

Korelace. Komentované řešení pomocí MS Excel Korelace Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A2:B84 (viz. obrázek) Prvotní představu o tvaru a síle závislosti docházky a počtu bodů nám poskytne

Více

Zápočtová práce STATISTIKA I

Zápočtová 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

Více

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

VYUŽITÍ 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

Více

1. Přednáška. Ing. Miroslav Šulai, MBA

1. Přednáška. Ing. Miroslav Šulai, MBA N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy

Více

Regulační diagramy pro Lean Six Sigma

Regulační 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

Více

Lineární regrese. Komentované řešení pomocí MS Excel

Lineární 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

Více

Přehled metod regulace procesů při různých typech chování procesu

Přehled metod regulace procesů při různých typech chování procesu Přehled metod regulace procesů při různých typech chování procesu Eva Jarošová, Darja Noskievičová Škoda Auto Vysoká škola, VŠB Ostrava ČSJ 7.9.205 Typy procesů (ČSN ISO 2747) Procesy typu A Výsledné rozdělení

Více

VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky

VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky PRAVDĚPODOBNOST A STATISTIKA Zadání 1 JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL

Více

ISO 8258 je první ze čtyř norem ISO, které budou věnovány metodám statistické regulace. Zbývající tři, které jsou nyní v přípravě, jsou

ISO 8258 je první ze čtyř norem ISO, které budou věnovány metodám statistické regulace. Zbývající tři, které jsou nyní v přípravě, jsou ČESKÁ NORMA MDT 658.562.012.7:519.233 Duben 1994 SHEWHARTOVY REGULAČNÍ DIAGRAMY ČSN ISO 8258 01 0271 Shewhart control charts Cartes de contrôle de Shewhart Shewhart-Qualitätsregelkarten Tato norma obsahuje

Více

Návrh a vyhodnocení experimentu

Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav

Více

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická

Více

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

VYUŽITÍ REGULAČNÍCH DIAGRAMŮ PRO KONTROLU JAKOSTI

VYUŽITÍ REGULAČNÍCH DIAGRAMŮ PRO KONTROLU JAKOSTI VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV MANAGEMENTU FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF MANAGEMENT VYUŽITÍ REGULAČNÍCH DIAGRAMŮ PRO KONTROLU

Více

Úloha 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 ) 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

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

Statistické regulační diagramy

Statistické regulační diagramy Statistické regulační diagramy Statistickou regulací procesu měření rozumíme jeho udržení ve statisticky zvládnutém stavu. Jen tak se zabezpečí shoda výsledků měření se specifickými požadavky na měření.

Více

Cvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS

Cvičení 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

MSA-Analýza systému měření

MSA-Analýza systému měření MSA-Analýza systému měření Josef Bednář Abstrakt: V příspěvku je popsáno provedení analýzy systému měření v technické praxi pro spojitá data. Je zde popsáno provedení R&R studie pomocí analýzy rozptylu

Více

Náhodné (statistické) chyby přímých měření

Náhodné (statistické) chyby přímých měření Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně

Více

Jednofaktorová analýza rozptylu

Jednofaktorová 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

Více

Detailní porozumění podstatě měření

Detailní porozumění podstatě měření Nejistoty Účel Zjištění intervalu hodnot okolo výsledku měření, který lze přiřadit k hodnotě měřené veličiny Nejčastěji X X [%] X U X U [%] V roce 1990 byl vydán dokument WECC 19/90, který představoval

Více

Výpočet pravděpodobností

Výpočet pravděpodobností Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(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

Více

Ústav teorie informace a automatizace RESEARCH REPORT. Nestandardní regulační diagramy pro SPC. No. 2311 December 2011

Ústav 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

Více

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení

Více

Vybraná rozdělení náhodné veličiny

Vybraná rozdělení náhodné veličiny 3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.

Více

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace

Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

Použitý rezistor (jmenovitá hodnota): R1 = 270 kω je přesný metalizovaný rezistor s přesností ± 0,1%.

Použitý rezistor (jmenovitá hodnota): R1 = 270 kω je přesný metalizovaný rezistor s přesností ± 0,1%. Laboratorní úloha Snímač teploty R je zapojený podle schema na Obr. 1. Snímač je termistor typ B57164K [] se jmenovitým odporem pro teplotu 5 C R 5 00 Ω ± 10 %. Závislost odporu termistoru na teplotě je

Více

Průzkumová analýza dat

Průzkumová 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

Více

Regulace výrobního procesu v soft. Statistica

Regulace výrobního procesu v soft. Statistica Regulace výrobního procesu v soft. Statistica Newsletter Statistica ACADEMY Téma: Regulační diagramy, možnosti softwaru Typ článku: Teorie, návod V tomto článku bychom Vám rádi ukázali další typy analýz,

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost 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

Více

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI SPŠ na Proseku 4-1 Ing. A. Styblíková, Ing. L. Procházka - pevně stanovený soubor grafických technik napomáhajících při řešení problémů s kvalitou - jedná se o 7 nástrojů

Více

VŠB Technická univerzita Ostrava BIOSTATISTIKA

VŠB Technická univerzita Ostrava BIOSTATISTIKA VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky JMÉNO STUDENTKY/STUDENTA: OSOBNÍ ČÍSLO: JMÉNO CVIČÍCÍ/CVIČÍCÍHO: BIOSTATISTIKA Domácí úkoly Zadání 5 DATUM ODEVZDÁNÍ DOMÁCÍ ÚKOL 1:

Více

SYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ

SYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ SYSTÉM TECHNICKO-EKONOMICKÉ ANALÝZY VÝROBY TEKUTÉHO KOVU - CESTA KE SNIŽOVÁNÍ NÁKLADŮ FIGALA V. a), KAFKA V. b) a) VŠB-TU Ostrava, FMMI, katedra slévárenství, 17. listopadu 15, 708 33 b) RACIO&RACIO, Vnitřní

Více

4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?

4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k? A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,

Více

SW podpora při řešení projektů s aplikací statistických metod

SW 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

Více

Aproximace binomického rozdělení normálním

Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné

Více

Řízení jakosti 2. Užitná hodnota I. JiříMilitký. Užitná hodnota Regulační diagramy Jakost textilních útvarů

Řízení jakosti 2. Užitná hodnota I. JiříMilitký. Užitná hodnota Regulační diagramy Jakost textilních útvarů TQ Řízení jakosti JiříMilitký Užitná hodnota Regulační diagramy Jakost textilních útvarů Užitná hodnota I Znaky jakosti jsou vyjádřené tzv. užitnými vlastnostmi, které jsou jednoduše měřitelné (pevnost,

Více

Regulační diagramy EWMA. Eva Jarošová Škoda Auto Vysoká škola

Regulační 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.

Více

Téma 4: Stratifikované a pokročilé simulační metody

Téma 4: Stratifikované a pokročilé simulační metody 0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:

Více

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické 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.

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko 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

Více

NĚKTERÉ ZÁVĚRY Z ÚVODNÍ NÁKLADOVÉ ANALÝZY VÝROBY TEKUTÉHO KOVU V ŠESTI SLÉVÁRNÁCH. Václav Figala a Sylvie Žitníková b Václav Kafka c

NĚKTERÉ ZÁVĚRY Z ÚVODNÍ NÁKLADOVÉ ANALÝZY VÝROBY TEKUTÉHO KOVU V ŠESTI SLÉVÁRNÁCH. Václav Figala a Sylvie Žitníková b Václav Kafka c NĚKTERÉ ZÁVĚRY Z ÚVODNÍ NÁKLADOVÉ ANALÝZY VÝROBY TEKUTÉHO KOVU V ŠESTI SLÉVÁRNÁCH Václav Figala a Sylvie Žitníková b Václav Kafka c a) VŠB-TU Ostrava, FMMI, Katedra slévárenství, 17. listopadu 15, 708

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost 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

Více

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické 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.

Více

Úvod do teorie odhadu. Ing. Michael Rost, Ph.D.

Úvod do teorie odhadu. Ing. Michael Rost, Ph.D. Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost

Více

Modul Základní statistika

Modul Základní statistika Modul Základní statistika Menu: QCExpert Základní statistika Základní statistika slouží k předběžné analýze a diagnostice dat, testování předpokladů (vlastností dat), jejichž splnění je nutné pro použití

Více

23. Matematická statistika

23. Matematická statistika Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 23. Matematická statistika Statistika je věda, která se snaží zkoumat reálná data a s pomocí teorii pravděpodobnosti

Více

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream

Více

Jednofaktorová analýza rozptylu

Jednofaktorová 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

Více

České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611. Semestrální práce ze Statistiky (SIS)

České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611. Semestrální práce ze Statistiky (SIS) České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611 Semestrální práce ze Statistiky (SIS) Petr Procházka, Jakub Feninec Skupina: 97 Akademický rok: 01/013 Úvod V naší

Více

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát

Více

ANALÝZA DAT V R 2. POPISNÉ STATISTIKY. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.

ANALÝZA DAT V R 2. POPISNÉ STATISTIKY. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK. ANALÝZA DAT V R 2. POPISNÉ STATISTIKY Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz CO SE SKRÝVÁ V DATECH data sbíráme proto, abychom porozuměli

Více

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost 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

Více

Cvičení 10. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 10. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 10 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

Časové řady, typy trendových funkcí a odhady trendů

Časové řady, typy trendových funkcí a odhady trendů Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 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

Více

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový

Více

Úvod do problematiky měření

Úvod do problematiky měření 1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek

Více

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

TLOUŠŤKOVÁ A VÝŠKOVÁ STRUKTURA A JEJÍ MODELOVÁNÍ

TLOUŠŤKOVÁ A VÝŠKOVÁ STRUKTURA A JEJÍ MODELOVÁNÍ TLOUŠŤKOVÁ A VÝŠKOVÁ STRUKTURA A JEJÍ MODELOVÁNÍ 1 Vlastnosti tloušťkové struktury porostu tloušťky mají vyšší variabilitu než výšky světlomilné dřeviny mají křivku početností tlouštěk špičatější a s menší

Více

10 KONTROLA A ŘÍZENÍ JAKOSTI

10 KONTROLA A ŘÍZENÍ JAKOSTI 1 10 KONTROLA A ŘÍZENÍ JAKOSTI Vzorová úloha 10.1 Aplikace regulačního diagramu pro průměry a směrodatné odchylky. Při konstrukci diagramu x s pruhem se vychází z průměrů a směrodatných odchylek tzv. logických

Více

Rozšířené regulační diagramy

Rozšířené regulační diagramy Rozšířené regulační diagramy Menu: QCExpert Rozšířené Následující regulační diagramy jsou významným rozšířením možností nabízených Shewhartovými diagramy. Jsou doporučovány jako jejich alternativa nebo

Více

Obecné, centrální a normované momenty

Obecné, centrální a normované momenty Obecné, centrální a normované momenty Obsah kapitoly 4. Elementární statistické zpracování - parametrizace vhodnými empirickými parametry Studijní cíle Naučit se počítat centrální a normované momenty pomocí

Více

Jarqueův a Beryho test normality (Jarque-Bera Test, JB test)

Jarqueův 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

Více

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího

Více

I. D i s k r é t n í r o z d ě l e n í

I. D i s k r é t n í r o z d ě l e n í 6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme

Více

Popisná statistika. Komentované řešení pomocí MS Excel

Popisná statistika. Komentované řešení pomocí MS Excel Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,

Více

přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod

přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření

Více

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY SAMOSTATÁ STUDETSKÁ PRÁCE ZE STATISTIKY Váha studentů Kučerová Eliška, Pazdeříková Jana septima červen 005 Zadání: My dvě studentky jsme si vylosovaly zjistit statistickým šetřením v celém ročníku septim

Více

p(x) = P (X = x), x R,

p(x) = P (X = x), x R, 6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme

Více

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické

Více

Úvod do analýzy rozptylu

Úvod do analýzy rozptylu Úvod do analýzy rozptylu Párovým t-testem se podařilo prokázat, že úprava režimu stravování a fyzické aktivity ve vybrané škole měla vliv na zlepšené hodnoty HDLcholesterolu u školáků. Pro otestování jsme

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

Univerzita 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

Více

Národní informační středisko pro podporu jakosti

Národní informační středisko pro podporu jakosti Národní informační středisko pro podporu jakosti STATISTICKÉ METODY V LABORATOŘÍCH Ing. Vratislav Horálek, DrSc. Ing. Jan Král 2 A.Základní a terminologické normy 1 ČSN 01 0115:1996 Mezinárodní slovník

Více

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Odhady parametrů základního souboru Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Motivační příklad Mám průměrné roční teploty vzduchu z 8 stanic

Více

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 statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Základní statistické charakteristiky

Základní statistické charakteristiky Základní statistické charakteristiky Základní statistické charakteristiky slouží pro vzájemné porovnávání statistických souborů charakteristiky = čísla, pomocí kterých porovnáváme Základní statistické

Více

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Limitní věty teorie pravděpodobnosti. 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 Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností

Více