Taguciho metody. Řízení jakosti LS 2011/2012
|
|
- Luboš Neduchal
- před 4 lety
- Počet zobrazení:
Transkript
1 Taguciho metody Řízení jakosti LS 2011/2012
2 Genichi Taguchi (*1924) Japonský inženýr, který se snažil najít cestu ke zlepšení kvality ve svém podniku vytvořením vlastních postupů. Pomocí tzv. ztrátové funkci vyjádřil náklady na nekvalitu. ŘÍZENÍ JAKOSTI
3 Taguciho nový přístup ke kvalitě Podle Taguchiho nejsou výrobky, které se pohybují v mezích tolerance, stejně kvalitní a bezeztrátové. Jakákoli odchylka od T je projevem nekvality a přináší odběrateli finanční ztráty. Ty jsou tím větší, čím větší je odchylka od T. Taguchi nazývá tuto ztrátu ztrátou za nekvalitu v rámci tolerance. Toto je zcela nový pohled na kvalitu a nekvalitu.
4 Předpoklady U každého výrobku je sledována určitá char. (rozměr, váha ), podle které posuzujeme jeho kvalitu Tato char. má stanovenou opt. hodnotu T Nekvalita se projevuje odchylkami od T Jakákoliv odchylka od T představuje určitou ztrátu, která se projeví u odběratele zvýšenými náklady na provoz, údržbu, ekologii apod.
5 Zadání příkladu č. 1 Nakreslete, popište a sestavte Taguciho ztrátovou funkci, pokud je ztráta při překročení tolerance 5 000,- Kč. Parametry výrobního procesu jsou: LSL = 150 USL = 200 T = 175 σ= 4 ŘÍZENÍ JAKOSTI
6 L(Y) ztráta L(y) = k.(y-t) 2 A = k.d 2 A k = A/d 2 T-d T T+d Y d tolerance A ztráta, kterou přinese překročení tolerance T cílová hodnota L(y) ztráta způsobená odchylkou od T k konstanta Y-skutečně dosažená úroveň sledovaného parametru kvality UCL horní hranice LCL dolní hranice ČÍM VÍC SE ODCHYLUJEME (NAPRAVO ČI NALEVO) OD CÍLOVÉ HODNOTY, TÍM VĚTŠÍ JE ZTRÁTA Podle teorie pravděpodobnosti je Y náhodná proměnná, která má v zavedené výrobě obvykle normální rozdělení. Může mít ale i jiný typ rozdělení, např. rovnoměrné. To, jak jsou rozděleny hodnoty ztrátové funkce, významně ovlivňuje ztrátu u odběratele L(Y).
7 Definiční rovnice L(y) = k.(y T) 2 Řešení příkladu č. 1 L(y) = A/d 2.(Y-T) 2 Rovnice pro výpočet konstanty k (známe A a d) A = k.d = k k = 8 Taguciho ztrátová funkce pro tento příklad: L(y) = 8.(Y-175) 2
8 Zadání příkladu 2 Za použití Taguciho standardizované funkce vypočítej ztrátu z nedodržení cílové hodnoty při parametrech: LSL = 150 USL = 200 T = 175 A = 5000 Y = 205 ŘÍZENÍ JAKOSTI
9 Standardizovaná ztrátová funkce Z důvodu odstranění konstanty k, lze upravit vzorec na standardizovaný tvar Konstanta A = 1 Pro Y = LSL SL(Y) = 1 Pro Y = USL SL(Y) = 1 SL( y) 2 x Y T USLLSL 2 2
10 Řešení příkladu č. 2 SL( y) 2 2 xy T USLLSL 2 SL(y) = 1,44 Pro Y >USL SL(Y) > 1 Byla překročena hranice tolerance USL, ztráta z nedodržení cílové hodnoty je 5000 Kč.
11 Výpočet nákladů na nekvalitu Použití Taguchiho metod nevyžaduje splnění normality dat, ztráty za nekvalitu vyjadřuje navíc také finančně. Bylo vytvořeno velké množství různých aplikací: - pro kontrolu 100% výrobků, - pro kontrolu po n-výrobcích, - pro měření nákladů na jakost atributů. ŘÍZENÍ JAKOSTI
12 Kontrola všech výrobků L Q R A 2 d s 2 0 L Celkové náklady na jakost na 1 ks Q (roční) náklady na 100 % kontrolu R (roční) produkce v kusech d funkční tolerance A ztráta při překročení tolerance d
13 Zadání příkladu č. 3 Náklady na 100 % automatickou kontrolu jsou Kč ročně. Roční produkce činí kusů, tolerance je 9 a její překročení stojí 5 Kč. Určete celkové náklady na jakost.
14 Řešení příkladu 1
15 L Kontrola po n-výrobcích 2 2 B C A D 1 2. A D.. n z A. s m n u 3 u 2 d d d A ztráta při překročení tolerance d B cena kontroly (jednoho) výrobku C cena opravy stroje (linky) n kontrolní interval u prům. počet výrobků mezi opravami d funkční tolerance D výrobní tolerance z počet výrobků zhotovených během kontroly (z=n/60*doba kontroly)
16 2 2 B C A D 1 2. A D.. n z A. 2 2 s 2 m n u 3 u 2 d d d Cena kontroly za kus Cena opravy za kus Ztráty způsobené nepřesností výroby Ztráty za zmetky Ztráty způsobené nepřesností měření
17 Optimální hodnoty n 2. u. B A * 0. d D 0 Optimální kontrolní interval D 2 3. C.. * 4 0 D u A. 0 d 2 Optimální výrobní tolerance
18 Průměrný počet výrobků mezi dvěma poruchami (opravami) u *2 D. u D 2 0 0
19 Náklady na jakost při optimálních parametrech n * a D * L *2 *2 * B C A D A D n 1 A... z. * u 3 u 2 n d d d s 2 m Jak často kontrolovat? S jakou přesností kontrolovat?
20 Snižování nákladů na jakost Nedá se obecně říci, jaké hodnoty parametrů jsou optimální: Např. snižováním B (cena kontroly) nemusí být přínosem Stejně tak prodloužení kontrolního intervalu a tedy snížení počtu kontrol, nevede automaticky k úsporám Rozhodující jsou celkové náklady na jakost!
21 Snižování nákladů na jakost A (ztráta při překročení tolerance), u (prům. počet výrobků mezi opravami) lze ovlivnit v přímé výrobě B (cena kontroly), z (počet výrobků zhotovených během kontroly), s m (nepřesnost měření) lze ovlivnit v procesu kontroly C (cena opravy) lze ovlivnit v průběhu oprav
22 Neměřitelné charakteristiky kvality Tzv. atribut Např. kontrola montáže čalounění do automobilů, lepení etiket na láhve atp. L B C n 1 A z. A. n u 2 u u
23 Zadání příkladu 4 S užitím Taguciho metod vypočítejte optimální kontrolní interval při těchto parametrech: cena za zmetek (A) = 5 Kč, cena kontroly (B) je 25 Kč, cena opravy (C) = 800 Kč, počet vyrobených jednotek označených jako vadných běhemkontroly (z) = 50 ks, kontrolní interval (n)= 1000 ks, průměrný interval mezi poruchami (u) = ks. ŘÍZENÍ JAKOSTI n * 2. u z. B A C / u
24 Řešení příkladu č. 4 Jedná se o neměřitelné charakteristiky kvality, není stanovena d a D. n * 2. u z. B A C / u n 2( ) * Optimální kontrolní interval je po 320 ks A ztráta při překročení tolerance d B cena kontroly (jednoho) výrobku C cena opravy stroje (linky) n kontrolní interval u prům. počet výrobků mezi opravami z počet výrobků zhotovených během kontroly (z=n/60*doba kontroly)
Taguciho metody. Řízení jakosti
Taguciho metody Řízení jakosti Genichi Taguchi (*194) Japonský inženýr, který se snažil najít cestu ke zlepšení kvality ve svém podniku vytvořením vlastních postupů. Pomocí tzv. ztrátové funkci vyjádřil
VíceTošenovský J. Katedra řízení jakosti, Fakulta metalurgie a materiálového inženýrství, VŠB-TU Ostrava, Česká republika
VIACROZMERNÝ INDEX SPÔSOBILOSTI A STRATOVÁ FUNKCIA Tošenovský J. Katedra řízení jakosti, Fakulta metalurgie a materiálového inženýrství, VŠB-TU Ostrava, Česká republika A MULTIVARIATE INDEX AND LOSS FUNCTION
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
VíceTest 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
VíceBiostatistika 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,
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.
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
VíceTest 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
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
Více5. Jev B je částí jebu A. Co můžeme říct o podmíněné pravděpodobnosti? (1b)
TEST 3 1. U pacienta je podozření na jednu ze čtyř, navzájem se vylučujících nemocí. Pravděpodobnost výskytu těchto nemocí je 0,1, 0,2, 0,4 a 0,3. Laboratorní zkouška je v případě první nemoci pozitivní
VíceZápočtová písemka z Matematiky III (BA04) skupina A
skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost
VíceDetailní 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
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
VíceVzorová písemka č. 1 (rok 2015/2016) - řešení
Vzorová písemka č. rok /6 - řešení Pavla Pecherková. května 6 VARIANTA A. Náhodná veličina X je určena hustotou pravděpodobností: máme hustotu { pravděpodobnosti C x pro x ; na intervalu f x jinde jedná
VíceOběžný majetek. Peníze Materiál Nedokončená výroba Hotové výrobky Pohledávky Peníze. Plánování a normování materiálových zásob.
Součástí oběžného majetku jsou: zásoby oběžný finanční majetek pohledávky Oběžný majetek Charakteristickým rysem oběžného majetku je jednorázová spotřeba, v procesu výroby mění svoji formu. Tato změna
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
Vícek DUM 08. pdf ze šablony 1_šablona_automatizační_technika_I 03 tematický okruh sady: regulátor
METODICKÝ LIST k DUM 08. pdf ze šablony 1_šablona_automatizační_technika_I 03 tematický okruh sady: regulátor Téma DUM: spojitá regulace test 1 Anotace: Digitální učební materiál DUM - slouží k výuce regulátorů
VíceMateřská škola a Základní škola při dětské léčebně, Křetín 12
Mateřská škola a Základní škola při dětské léčebně, Křetín 12 Autor: Mgr. Miroslav Páteček Vytvořeno: červen 2012 Klíčová slova: Matematika a její aplikace Podobnost, funkce, goniometrické funkce, lomený
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
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
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
Více1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*
Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná
VíceStřední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně
Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2Management
VíceANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
Více4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY
4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být
VíceČasové rezervy. Celková rezerva činnosti
Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,
VíceÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík
Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka
Více1. Základy teorie přenosu informací
1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
VíceSedm základních nástrojů řízení jakosti
Sedm základních nástrojů řízení jakosti Není nic tak naprosto zbytečného, jako když se dobře dělá něco, co by se nemělo dělat vůbec. Peter Drucker Kontrolní tabulky Vývojové diagramy Histogramy Diagramy
VíceFyzikální praktikum I
Kabinet výuky obecné fyziky, UK MFF Fyzikální praktikum I Úloha č. II Název úlohy: Studium harmonických kmitů mechanického oscilátoru Jméno: Ondřej Skácel Obor: FOF Datum měření: 2.3.2015 Datum odevzdání:...
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
VíceAplikace při posuzování inv. projektů
Aplikace při posuzování inv. projektů Pokročilé metody investiční analýzy Výpočet bodu zvratu Citlivostní analýza Analýzy scénářů Statistické simulace Reálné opce Analýza stochastických procesů Příklad
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
VíceInduktivní statistika. z-skóry pravděpodobnost
Induktivní statistika z-skóry pravděpodobnost normální rozdělení Z-skóry umožňují najít a popsat pozici každé hodnoty v rámci rozdělení hodnot a také srovnávání hodnot pocházejících z měření na rozdílných
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality 1 STATISTICKÉ PŘEJÍMKY CHYBY PŘI APLIKACI A JEJICH DŮSLEDKY Ing. Vratislav Horálek, DrSc. 2 A. NEPOCHOPENÍ VLASTNÍHO CÍLE STATISTICKÉ PŘEJÍMKY (STP) STP
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VícePůjčka 200,000 Kč 75000 Úrok 6% Rok
Půjčka 200,000 Kč 75000 Úrok 6% Sazba 3% Doba splátek 60 1 Splátka/částka 1500 2 3 Funkce Platba -3,867 Kč 231,994 Kč 4 Budhodnota 96,970 Kč 90,000 Kč 5 Počet období 220.2713073 330,407 Kč 6 Úroková míra
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality NOVÁ ŘADA NOREM ČSN ISO 3951 Statistické přejímky měřením (ČSN ISO 3951-1 a ČSN ISO 3951-2) Ing. Vratislav Horálek, DrSc. Leden 2011 1. Normy ČSN ISO řady
Vícetazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve
Příklady k procvičení k průběžnému testu: 1) Při zpracování studie o průměrné výši měsíčních příjmů v České republice jsme získali data celkem od 8 tazatelů. Každý z těchto pěti souborů dat obsahoval odlišný
Vícedx se nazývá diferenciál funkce f ( x )
6 Výklad Definice 6 Nechť je 0 vnitřním bodem definičního oboru D f funkce f ( ) Funkce proměnné d = 0 definovaná vztahem df ( 0) = f ( 0) d se nazývá diferenciál funkce f ( ) v bodě 0, jestliže platí
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,
VíceIII. STRUKTURA A VLASTNOSTI PLYNŮ
III. STRUKTURA A VLASTNOSTI PLYNŮ 3.1 Ideální plyn a) ideální plyn model, předpoklady: 1. rozměry molekul malé (ve srovnání se střední vzdáleností molekul). molekuly na sebe navzálem silově nepůsobí (mimo
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceRegulační diagramy (Control charts, Shewhart s diagrams)
Regulační diagramy (Control charts, Shewhart s diagrams) diagram spolu s horní nebo/a dolní í, do kterého se zakreslují hodnoty nějakého statistického ukazatele pro řadu výběrů nebo podskupin, obvykle
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 6 Rozdělení pravděpodobnosti diskrétní náhodné veličiny Mgr. Petr Otipka Ostrava 013 Mgr. Petr Otipka
VícePoužitý 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
VíceStřední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně
Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2Management
VíceZÁKLADNÍ 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
VícePříklad 81b. Předpokládejme, že výška chlapců ve věku 9,5 až 10 roků má normální rozdělení N(mi;sig2)
Příklad 1. Za předpokladu, že výška dětí ve věku 10 let má normální rozdělení s rozptylem 38, určete pravostranný 99% interval spolehlivosti, ve kterém bude ležet neznámá střední hodnota výšky dětí, jestliže
VíceTEST 1 (40 bodů) (9 4)! 2. Nejméně kolikrát musíme hodit kostkou, abychom měli alespoň 80% pravděpodobnost, že padne alespoň jedna šestka?
TEST (40 bodů) Jméno:. Pin karty se skládá ze čtyř náhodně vybraných číslic až 9, z nichž se žádné neopakuje. Jaká je pravděpodobnost, že všechny čtyři číslice budou liché? podíl všech možností,jak vybrat
VíceFinanční hospodaření podniku
Finanční hospodaření podniku Náklady podniku Náklady představují v peněžním vyjádření hodnotu vynaložených hospodářských prostředků (spotřebovaného oběžného majetku, opotřebovaného investičního majetku)
VíceStatistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VíceStřední průmyslová škola elektrotechnická a informačních technologií Brno
Střední průmyslová škola elektrotechnická a informačních technologií Brno Číslo a název projektu: CZ.1.7/1.5./34.521 Investice do vzdělání nesou nejvyšší úrok Autor: Ing. Bohumír Jánoš Tematická sada:
VíceTéma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
Vícezení jakosti Doc. Ing. Pavel Mach, CSc. mach@fel.cvut.cz katedra elektrotechnologie místnost 141
Komplexnířízen zení jakosti Doc. Ing. Pavel Mach, CSc. mach@fel.cvut.cz katedra elektrotechnologie místnost 141 1 Základní literatura Tošenovský, J., Noskievičová, D. Statistické metody pro zlepšování
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
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
Více2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz).
1 Cvičení z předmětu KMA/PST1 Pro získání zápočtu je nutno mimo docházky (max. 3 absence) uspět minimálně ve dvou ze tří písemek, které budou v průběhu semestru napsány. Součástí třetí písemky bude též
VíceČasové řady. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. Př. :V tabulce je uveden počet nehod na pozemních komunikacích v Ostravském kraji, které nastaly v jednotlivých měsících roku 009. Očistěte tuto časovou řadu od vlivu kalendářních
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
VícePříklady modelů lineárního programování
Příklady modelů lineárního programování Příklad 1 Optimalizace výroby konzerv. Podnik vyrábí nějaký výrobek, který prodává v 1 kg a 2 kg konzervách, přičemž se řídí podle následujících velmi zjednodušených
VíceLEPENÉ SPOJE. 1, Podstata lepícího procesu
LEPENÉ SPOJE Nárůst požadavků na technickou úroveň konstrukcí se projevuje v poslední době intenzivně i v oblasti spojování materiálů, kde lepení je často jedinou spojovací metodou, která nenarušuje vlastnosti
VíceT = HMR DMR T = ES - EI
Tolerování rozměrů Skutečné rozměry vyrobené součásti se vždy liší od jmenovitých rozměrů udaných na výkrese kótami. Aby bylo dosaženo souladu mezi požadavky konstrukce a výrobou, zavádí se tolerování
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceOdhady 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
VíceMODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické
MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných
Více5. Odhady parametrů. KGG/STG Zimní semestr
Základní soubor Výběr, výběrový (statistický) soubor Náhodný výběr Princip Odhad neznámých parametrů základního souboru na základz kladě charakteristik výběru. Přecházíme z části na celek, zevšeobec eobecňujeme
VíceFluktuace termodynamických veličin
Kvantová a statistická fyzika (Termodynamika a statistická fyzika Fluktuace termodynamických veličin Fluktuace jsou odchylky hodnot fyzikálních veličin od svých středních (rovnovážných hodnot. Mají původ
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VíceČíselné charakteristiky
. Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch
VíceSigma Metric: yes or no?
MPRA Munich Personal RePEc Archive Sigma Metric: yes or no? Filip Tošenovský VŠB-TU Ostrava 8. September 2007 Online at http://mpra.ub.uni-muenchen.de/12290/ MPRA Paper No. 12290, posted 22. December 2008
VíceŘÍZENÍ JAKOSTI. Ing. Eva Šlaichová, Ph.D. eva.slaichova@tul.cz Budova H 6. patro Tel.: 48 535 2353 Konzultační hodiny: ST 10:40 12:10 nebo dle dohody
ŘÍZENÍ JAKOSTI Ing. Eva Šlaichová, Ph.D. eva.slaichova@tul.cz Budova H 6. patro Tel.: 48 535 2353 Konzultační hodiny: ST 10:40 12:10 nebo dle dohody Sylabus předmětu Úvod do problematiky. Vymezení pojmů.
VícePřednáška č.9 VÝROBNÍ ČINNOST PODNIKU. 18.11.2008 doc. Ing. Roman ZámeZ
Přednáška č.9 VÝROBNÍ ČINNOST PODNIKU 18.11.2008 doc. Ing. Roman ZámeZ mečník, PhD. 1 Osnova přednášky 1. POJETÍ A ČLENĚNÍ VÝROBY 2. ŘÍZENÍ A PLÁNOV NOVÁNÍ VÝROBY 3. PRODUKČNÍ FUNKCE 4. VÝROBNÍ KAPACITA
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VíceNáhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.
Základy teorie pravděpodobnosti Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Poznámka: Výsledek pokusu není předem znám (výsledek
VíceStanovení hloubky karbonatace v čase t
1. Zadání Optimalizace bezpečnosti a životnosti existujících mostů Stanovení hloubky karbonatace v čase t Předložený výpočetní produkt je aplikací teoretických postupů popsané v navrhované certifikované
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
Více8 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
VícePříklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7
Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku
VíceLEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR
LEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR Ve většině případů pracujeme s výběrovým souborem a výběrové výsledky zobecňujeme na základní soubor. Smysluplné
VíceMODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD.
MODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD. V tomto textu bude nejprve vysvětleno, co jsou to modely rozdělených zpoždění a jak se dělí. Pak se zaměříme na Friedmanovu
VíceFyzikální korespondenční seminář MFF UK
Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná
VíceKVALITA DAT POUŽITÁ APLIKACE. Správnost výsledku použití GIS ovlivňuje:
KVALITA DAT Správnost výsledku použití GIS ovlivňuje: POUŽITÁ APLIKACE Kvalita dat v databázi Kvalita modelu, tj. teoretického popisu krajinných objektů a jevů Způsob použití funkcí GIS při přepisu modelu
VíceVYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření
VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ # Nejistoty měření Přesnost měření Klasický způsob vyjádření přesnosti měření chyba měření: Absolutní chyba X = X M X(S) Relativní chyba δ X = X(M) X(S) - X(M) je naměřená hodnota
VíceLogaritmus, logaritmická funkce, log. Rovnice a nerovnice. 3 d) je roven číslu: c) -1 d) 0 e) 3 c) je roven číslu: b) -1 c) 0 d) 1 e)
Logaritmus, logaritmická funkce, log. Rovnice a nerovnice ) Výraz log log +log není správná 0 - žádná z předchozích odpovědí ) Číslo log 8 6 je rovno číslu: ) Výraz log log +log - 0 ) Číslo log 6 6 je
VíceÚvod 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
Více1.1 Využití tabulkového procesoru jako laboratorního deníku. 1.3 Systém jakosti a počítačová kontrola jakosti
Semestrální práce Strana 1 Semestrální práce 1.1 Využití tabulkového procesoru jako laboratorního deníku 1.3 Systém jakosti a počítačová kontrola jakosti Ing. Ján Lengyel, CSc. Centrální analytická laboratoř
VíceUkázka závěrečného testu
Okruhy otázek pro závěrečný test ) Vlastnosti funkce ) Graf funkce ) Definiční obor funkce ) imita funkce ) Derivace funkce 6) Užití derivace 7) Matice 8) Řešení soustavy lineárních rovnic 9) Určitý integrál
VíceMatematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené
2. 3. 2018 Matematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené mn. M E n. Zapište a načrtněte množinu D, ve které
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
Více0.1 Úvod do matematické analýzy
Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Limita a spojitost funkce Lineární funkce Lineární funkce je jedna z nejjednodušších a možná i nejpoužívanějších funkcí. f(x) = kx + q D(f)
Více