ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΑΣ ΚΑΙ ΠΟΙΟΤΗΤΑ «6 Σίγμα».

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΑΣ ΚΑΙ ΠΟΙΟΤΗΤΑ «6 Σίγμα»."

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΑΣ ΚΑΙ ΠΟΙΟΤΗΤΑ «6 Σίγμα». Στεφανία-Στυλιανή Δ. Ξηντάρη ιπλωµατική Εργασία που υποβλήθηκε στο Τµήµα Στατιστικής και Ασφαλιστικής Επιστήµης του Πανεπιστηµίου Πειραιώς ως µέρος των απαιτήσεων για την απόκτηση του Μεταπτυχιακού ιπλώµατος Ειδίκευσης στην Εφαρµοσµένη Στατιστική. Πειραιάς Σεπτέμβριος 2008

2

3 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΑΣ ΚΑΙ ΠΟΙΟΤΗΤΑ «6 Σίγμα» Στεφανία-Στυλιανή Δ. Ξηντάρη ιπλωµατική Εργασία που υποβλήθηκε στο Τµήµα Στατιστικής και Ασφαλιστικής Επιστήµης του Πανεπιστηµίου Πειραιώς ως µέρος των απαιτήσεων για την απόκτηση του Μεταπτυχιακού ιπλώµατος Ειδίκευσης στην Εφαρµοσµένη Στατιστική. Πειραιάς Σεπτέμβριος 2008

4 Η παρούσα Διπλωματική Εργασία εγκρίθηκε ομόφωνα από την Τριμελή Εξεταστική Επιτροπή που ορίσθηκε από τη ΓΣΕΣ του Τμήματος Στατιστικής και Ασφαλιστικής Επιστήµης του Πανεπιστηµίου Πειραιώς στην υπ αριθµ... συνεδρίασή του σύµφωνα µε τον Εσωτερικό Κανονισµό Λειτουργίας του Προγράµµατος Μεταπτυχιακών Σπουδών στην Εφαρµοσµένη Στατιστική. Τα µέλη της Επιτροπής ήταν: - Κούτρας Μάρκος (Επιβλέπων) - Αντζουλάκος Δημήτριος - Κατέρη Μαρία Η έγκριση της ιπλωµατική Εργασίας από το Τµήµα Στατιστικής και Ασφαλιστικής Επιστήµης του Πανεπιστηµίου Πειραιώς δεν υποδηλώνει αποδοχή των γνωµών του συγγραφέα.

5 UNIVERSITY OF PIRAEUS DEPARTMENT OF STATISTICS AND INSURANCE SCIENCE POSTGRADUATE PROGRAM IN APPLIED STATISTICS PROCESS CAPABILITY INDICES AND SIX SIGMA QUALITY By Stefania-Stiliani D. Xintari MSc Dissertation submitted to the Deartment of Statistics and Insurance Science of the University of Piraeus in artial fulfillment of the requirements for the degree of Master of Science in Alied Statistics. Piraeus, Greece Setember 2008

6

7 Ευχαριστίες Θα ήθελα να ευχαριστήσω τον επιβλέποντα καθηγητή μου κ. Μάρκο Κούτρα για την καθοδήγησή του σε όλη διαδρομή της εργασίας. Τροφοδοτώντας με ιδέες και χρήσιμες παρατηρήσεις συνέβαλε καθοριστικά σε όλη την πορεία της μελέτης μου.

8

9 Περίληψη Το σύγχρονο ανταγωνιστικό περιβάλλον επιβάλλει σε κάθε επιχείρηση να υιοθετήσει προγράμματα και να εφαρμόσει ειδικές μεθοδολογίες με σκοπό τη συνεχόμενη βελτίωση της παραγωγικής διαδικασίας και την υψηλή ποιότητα των παραγόμενων προϊόντων της. Για τη μέτρηση της απόδοσης και της ικανότητας μίας διεργασίας να παράγει προϊόντα σύμφωνα με τις προδιαγραφές, άλλες επιχειρήσεις χρησιμοποιούν τους δείκτες επίδοσης διεργασίας οι οποίοι υπολογίζονται σε συνεχή βάση με χρήση των στατιστικών δεδομένων που συγκεντρώνουν και άλλες υιοθετούν την ποιοτική μεθοδολογία «6 Σίγμα». Αντικείμενο μελέτης αυτής της εργασίας αποτελεί η μέθοδος «6 Σίγμα», οι κυριότεροι δείκτες επίδοσης μίας διεργασίας και η μεταξύ τους σχέση. Στο πρώτο Κεφάλαιο γίνεται παρουσίαση, ανάπτυξη και εκτίμηση των κυριότερων δεικτών επίδοσης διεργασίας για κανονικές και μονομεταβλητές διεργασίες. Στο δεύτερο Κεφάλαιο παρουσιάζεται και εξετάζεται η σχέση μεταξύ των δεικτών επίδοσης μιας διεργασίας και της μεθόδου «6 Σίγμα». Τέλος, στο τελευταίο Κεφάλαιο γίνεται παρουσίαση της μεθόδου «6 Σίγμα», από την σκοπιά της οργάνωσης και διοίκησης επιχειρήσεων. Στα πλαίσια της παρουσίασης της διπλωματικής, δίνεται επίσης αναλυτική περιγραφή των διαδικασιών που είναι διαθέσιμες στο στατιστικό πακέτο MINITAB για υπολογισμό δεικτών επίδοσης διεργασίας και χαρακτηριστικών της μεθοδολογίας «6 Σίγμα».

10

11 Abstract The contemorary cometitive environment boosts almost every modern enterrise to adot rograms and aly secial techniques aiming at the continuous imrovement of the roductive rocess and the high quality of its roducts. The assessment of the efficiency and caability of a rocess to roduce units fulfilling the desired secifications, is achieved either by the calculation of well established rocess caability indices (evaluated in a continuous framework via the available data in each time instance) or by adoting the most integrated and widely acceted "6 Sigma" rogram. In the current MSc thesis we resent the "6 Sigma" method, the main rocess caability indices and the relationshi between them. In the first Chater we resent the most oular rocess caability indices that have been roosed for normal univariate rocesses and discuss how they can be estimated through the available data. In the second Chater we focus on the relationshi between the rocess caability indices and the "6 Sigma" method. In the last Chater we rovide details on how the "6 Sigma" method can be imlemented from the business administration viewoint. In addition, we roceed to a detailed descrition on how one can use the statistical ackage MINITAB to evaluate rocess caability indices and related characteristics that are used in the "6 Sigma" methodology.

12

13 Περιεχόμενα Περίληψη...ix Abstract...xi Κατάλογος Πινάκων...xv Κατάλογος Σχημάτων...xvii ΚΕΦΑΛΑΙΟ 1 ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΩΝ 1.1 Εισαγωγή Ο δείκτης επίδοσης C Ορισμός και ιδιότητες του δείκτη C Εκτίμηση του δείκτη C Ο δείκτης επίδοσης C k Ορισμός και ιδιότητες του δείκτη C k Εκτίμηση του δείκτη C k Ο δείκτης επίδοσης C m Ορισμός και ιδιότητες του δείκτη C m Εκτίμηση του δείκτη C m Ο δείκτης επίδοσης C mk Ορισμός και ιδιότητες του δείκτη C mk Εκτίμηση του δείκτη C mk. 21 ΚΕΦΑΛΑΙΟ 2 ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΩΝ ΚΑΙ ΜΕΘΟΔΟΣ «6 Σίγμα» 23 ΚΕΦΑΛΑΙΟ 3 ΜΕΘΟΔΟΣ «6 Σίγμα». 3.1 Τι είναι η μέθοδος «6 Σίγμα» Ιστορικά στοιχεία...48 xiii

14 3.3 Σύγκριση μεταξύ της μεθόδου «6 Σίγμα» και της Διοίκησης Ολικής Ποιότητας Οργάνωση και υλοποίηση της μεθόδου «6 Σίγμα» Μεθοδολογίες «6 Σίγμα» Υλοποίηση της μεθόδου «6 Σίγμα» Προβλήματα αντιμετώπιση στην εφαρμογή της πρωτοβουλίας «6 Σίγμα» Απροθυμία διοίκησης να υποστηρίξει την πρωτοβουλία «6 Σίγμα» Απροθυμία και αντίσταση στην αλλαγή από το προσωπικό για να υποστη ρίξει την πρωτοβουλία «6 Σίγμα» Κριτική για τη μέθοδο «6 Σίγμα» Κρίσιμοι παράγοντες για την επιτυχία της μεθόδου «6 Σίγμα» Λόγοι αποτυχίας της μεθόδου «6 Σίγμα» Οφέλη από τη μέθοδο «6 Σίγμα» Μειονεκτήματα της μεθόδου «6 Σίγμα»...68 ΚΕΦΑΛΑΙΟ 4 ΕΠΙΛΟΓΟΣ.71 Βιβλιογραφία 73 xiv

15 Κατάλογος Πινάκων 1-1 Βασικές ιδιότητες του δείκτη C m Βασικές ιδιότητες του δείκτη C mk Μετρήσεις κεντρικής μονάδας Μετρήσεις περιφερειακής μονάδας Σχέσεις μεταξύ των ποσοτήτων C, επίπεδο ποιότητας και DPMO Αναμενόμενες τιμές προϊόντων εκτός προδιαγραφών (σε DPMO) για κάθε δεδομέ- νη απόσταση του ορίου προδιαγραφών και κάθε μετατόπιση του μέσου από το στόχο Μετασχηματισμένα δεδομένα της κεντρικής μονάδας Βασικότερες διαφορές μεταξύ της διοίκησης ολικής ποιότητας και της μεθόδου «6 Σίγμα» xv

16 xvi

17 Κατάλογος Σχημάτων 2-1 Πολλαπλό διάγραμμα ελέγχου της κεντρικής μονάδας Διάγραμμα ελέγχου της κεντρικής μονάδας για διαστήματα εμπιστοσύνης 95% Διάγραμμα ελέγχου της κεντρικής μονάδας για διαστήματα εμπιστοσύνης 95% μετά τη μείωση της τυπικής απόκλισης στην τιμή Διάγραμμα ελέγχου των μετασχηματισμένων δεδομένων της κεντρικής μονάδας για διαστήματα εμπιστοσύνης 95% μετά τη μείωση της τυπικής απόκλισης στην τιμή Διάγραμμα ελέγχου της κεντρικής μονάδας για διαστήματα εμπιστοσύνης 95% για μ= και σ= Πολλαπλό διάγραμμα ελέγχου της περιφερειακής μονάδας Διάγραμμα ελέγχου της περιφερειακής μονάδας για διαστήματα εμπιστοσύνης 95% Πολλαπλό διάγραμμα ελέγχου της περιφερειακής μονάδας μετά την εξαίρεση των ανεπιθύμητων τιμών Διάγραμμα ελέγχου της περιφερειακής μονάδας για διαστήματα εμπιστοσύνης 95% μετά την εξαίρεση των ανεπιθύμητων τιμών Διάγραμμα ελέγχου της περιφερειακής μονάδας για διαστήματα εμπιστοσύνης 95% για σ= xvii

18 xviii

19 ΚΕΦΑΛΑΙΟ 1 ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΩΝ 1.1 Εισαγωγή Οι δείκτες επίδοσης διεργασιών αποτελούν ένα κρίσιμο εργαλείο για κάθε επιχείρηση που έχει σκοπό τη βελτίωση της παραγωγικής διαδικασίας και την υψηλή ποιότητα των προϊόντων της. Οι δείκτες επίδοσης διεργασιών χρησιμοποιούνται για τη μέτρηση της ικανότητας μιας παραγωγικής διαδικασίας να κατασκευάσει προϊόντα τα οποία ικανοποιούν κάποιες προδιαγραφές. Οι προδιαγραφές αυτές είναι άμεσα συνδεδεμένες με ένα ποιοτικό, μετρήσιμο χαρακτηριστικό (π.χ. βάρος, διάμετρος, μήκος) των παραγόμενων από τη διεργασία προϊόντων, οι τιμές του οποίου είναι επιθυμητό να βρίσκονται εντός κάποιων προκαθορισμένων, από τη φάση σχεδιασμού τους, ορίων. Τα όρια αυτά ονομάζονται όρια προδιαγραφών. Μια παραγωγική διεργασία, ανεξάρτητα από τον άριστο σχεδιασμό της και την αυστηρή επίβλεψη και συντήρηση της, θα παρουσιάζει πάντα μια μορφή φυσικής μεταβλητότητας. Δηλαδή, όσο καλά ρυθμισμένα και να είναι τα μηχανήματα, όσο ικανοί και να είναι οι χειριστές των μηχανημάτων ποτέ δύο παραγόμενα προϊόντα δεν θα είναι πανομοιότυπα. Μια διεργασία η οποία θα λειτουργεί μόνο με την παρουσία φυσικής μεταβλητότητας θα λέμε ότι είναι εντός στατιστικού ελέγχου. Στην αντίθετη περίπτωση, δηλαδή όταν σε μια διεργασία εμφανίζονται και άλλες μορφές μεταβλητότητας οι οποίες δεν οφείλονται σε τυχαίες αιτίες αλλά αφορούν τη συστηματική αλλαγή κάποιου ή κάποιων ποιοτικών χαρακτηριστικών που καθορίζουν την τελική ποιότητα του προϊόντος, θα λέμε ότι η διεργασία λειτουργεί με την παρουσία ειδικής μεταβλητότητας και ότι είναι εκτός στατιστικού ελέγχου. Λόγω της αναπόφευκτης μεταβλητότητας που παρουσιάζεται στις τιμές του μετρήσιμου χαρακτηριστικού των παραγόμενων προϊόντων, αυτές δεν λαμβάνουν σταθερές τιμές. Για το λόγο αυτό θεωρούμε ότι είναι πραγματοποιήσεις κάποιων τυχαίων μεταβλητών, και επομένως ακολουθούν κάποια συγκεκριμένη κατανομή. Συνήθως, υποθέτουμε ότι η εξεταζόμενη διεργασία κατανέμεται κανονικά και περιγράφεται από ένα μόνο 1

20 χαρακτηριστικό με σκοπό να απλοποιήσουμε τον ορισμό, την εκτίμηση και τη στατιστική συμπερασματολογία πάνω στους δείκτες. Ας υποθέτουμε λοιπόν ότι υπάρχει μόνο ένα μετρήσιμο χαρακτηριστικό, έστω X (τυχαία μεταβλητή), που κατανέμεται κανονικά με μέση τιμή μ και τυπική απόκλιση σ, και ότι οι τιμές του πρέπει να βρίσκονται εντός των ορίων προδιαγραφών και συγκεκριμένα εντός του διαστήματος που ορίζουν το κάτω όριο (LSL) και το άνω όριο προδιαγραφών (USL) αντίστοιχα. Σε αυτό το σημείο πρέπει να αναφέρουμε ότι, όταν τα όρια προδιαγραφών δεν είναι συμμετρικά, ορισμένοι δείκτες επηρεάζονται και μας δίνουν εσφαλμένα αποτελέσματα με συνέπεια να σχηματίσουμε λανθασμένες εκτιμήσεις. Για το λόγο αυτό οι τιμές τους θα πρέπει να ερμηνεύονται με ιδιαίτερη προσοχή. Επίσης, στη φάση σχεδιασμού του προϊόντος, καθορίζεται και η επιθυμητή τιμή του χαρακτηριστικού που μας ενδιαφέρει. Η τιμή αυτή για το ποιοτικό μας χαρακτηριστικό ονομάζεται τιμή στόχος (T) και φυσικά βρίσκεται ανάμεσα στο κάτω και άνω όριο προδιαγραφών. Στην περίπτωση που θέλουμε να έχουμε τα όρια προδιαγραφών συμμετρικά τοποθετημένα ως προς την τιμή στόχο, η τιμή στόχος T θα συμπίπτει με την κεντρική τιμή M της περιοχής προδιαγραφών η οποία δίνεται από τον τύπο: USL + LSL M =. 2 Στην αντίθετη περίπτωση, δηλαδή όταν τα όρια προδιαγραφών είναι μη συμμετρικά τότε η τιμή στόχος T διαφέρει από την κεντρική τιμή της περιοχής προδιαγραφών M. Οι δείκτες επίδοσης διεργασιών είναι μη αρνητικές συναρτήσεις των ποσοτήτων μ, σ, LSL, USL και T της διεργασίας. Μια σημαντική ιδιότητα τους είναι ότι δεν επηρεάζονται από τις μονάδες μέτρησης του ποιοτικού χαρακτηριστικού με αποτέλεσμα να επιτρέπουν τη σύγκριση διαδικασιών με διαφορετικές μονάδες μέτρησης. Μεγάλη τιμή ενός δείκτη επίδοσης διεργασίας αποτελεί συνήθως ένδειξη ότι η διαδικασία είναι ικανή δηλαδή ότι παράγει προϊόντα με τιμές X εντός των ορίων προδιαγραφών και όσο το δυνατό πιο κοντά στην τιμή στόχο T. Αυτό όμως δεν είναι απόλυτο. Προφανώς μια ιδανική διαδικασία είναι εκείνη της οποίας ο μέσος είναι ίσος με την τιμή στόχο και η τυπική απόκλιση είναι ίση με το μηδέν. Αυτό πρακτικά είναι αδύνατον να επιτευχθεί και για το λόγο αυτό στόχος μας είναι να επιτύχουμε διαδικασίες που θα έχουν όσο το δυνατόν μικρότερη τυπική απόκλιση, με μέσο που θα βρίσκεται όσο το δυνατόν κοντύτερα στην τιμή στόχο και ταυτόχρονα όσο το δυνατόν κοντύτερα στο μέσο του διαστήματος προδιαγραφών. 2

21 Στο κεφάλαιο αυτό θα γίνει μία συνοπτική παρουσίαση των κυριότερων δεικτών επίδοσης διεργασίας. Αυτοί είναι οι δείκτες C, C, C και C. Όπως θα δούμε παρακάτω, κάθε k ένας από αυτούς προτάθηκε με σκοπό να ξεπεράσει κάποιες από τις αδυναμίες των δεικτών που είχαν προταθεί προηγουμένως. m mk 3

22 1.2 Ο δείκτης επίδοσης C Έστω ότι σε μια διεργασία, το χαρακτηριστικό Χ που μας ενδιαφέρει ακολουθεί την κανονική κατανομή με μέση τιμή μ και τυπική απόκλιση σ. Τότε γνωρίζουμε ότι η παρατηρούμενη τιμή Χ του χαρακτηριστικού θα βρίσκεται με βεβαιότητα 99.73% μέσα στο διάστημα (μ-3σ, μ+3σ) δηλαδή εντός ενός διαστήματος εύρους 6σ (φυσικό εύρος) της διεργασίας θα υπάρχει το 99.73% των παραγόμενων προϊόντων. Για να μπορέσουμε να καθορίσουμε το πόσο αποτελεσματική είναι μια διεργασία στο να παράγει προϊόντα με τιμές Χ εντός των ορίων προδιαγραφών, χρησιμοποιούμε διάφορα μέτρα. Το πιο απλό μέτρο για την ικανότητα μιας διεργασίας είναι ο δείκτης C. Είναι ο παλαιότερος δείκτης που προτάθηκε, ωστόσο χρησιμοποιείται ευρύτατα ακόμη και σήμερα στις περισσότερες βιομηχανίες παρά τις αδυναμίες που παρουσιάζει Ορισμός και ιδιότητες του δείκτη C Ο δείκτης C ορίζεται ως εξής : C USL LSL = 6σ όπου το USL είναι το άνω όριο προδιαγραφών, το LSL είναι το κάτω όριο προδιαγραφών και σ είναι η τυπική απόκλιση της διεργασίας. Ο δείκτης C εκφράζει τη σχέση του εύρους των ορίων προδιαγραφών ενός προϊόντος (USL LSL) με το φυσικό εύρος τιμών της διεργασίας ((μ 3σ) (μ+3σ)=6σ). Η ποσότητα 1 6σ P = 100% = 100% C USL LSL δηλώνει το ποσοστό του εύρους των ορίων προδιαγραφών που χρησιμοποιεί η διεργασία. Είναι εμφανές ότι επιθυμούμε υψηλή τιμή του δείκτη C σε μια διεργασία (κατ επέκταση μικρή τυπική απόκλιση, δηλαδή μικρή φυσική μεταβλητότητα) και επομένως μικρή τιμή του P. Ο δείκτης C έχει ορισθεί όταν η διεργασία περιγράφεται από μια κανονική κατανομή, κάτι το οποίο δικαιολογεί την επιλογή της τιμής 6 στον παρανομαστή. Έτσι, όταν ο δείκτης C λαμβάνει την τιμή 1 και η διεργασία περιγράφεται από μια κανονική κατανομή με μέση 4

23 τιμή μ ίση με την κεντρική τιμή του εύρους των προδιαγραφών, τότε το 99.73% των παραγόμενων προϊόντων θα είναι συμμορφούμενα δηλαδή θα βρίσκονται εντός των ορίων προδιαγραφών ή ισοδύναμα το 0.27% των παραγόμενων προϊόντων θα είναι ελαττωματικά. Θα πρέπει να αναφέρουμε ότι όταν ο δείκτης C λαμβάνει την τιμή 1 δεν σημαίνει απαραίτητα ότι το 0.27% των παραγόμενων προϊόντων θα είναι ελαττωματικά αλλά ότι θα παραχθούν το λιγότερο 0.27% προϊόντα που θα είναι ελαττωματικά. Θα μπορούμε να πούμε με βεβαιότητα ότι παράγονται ακριβώς 0.27% ελαττωματικά (μη συμμορφούμενα) προϊόντα μόνο όταν η μέση τιμή της διεργασίας είναι ίση με την κεντρική τιμή της περιοχής προδιαγραφών. Όταν η μέση τιμή της διεργασίας, μ, διαφέρει από την κεντρική τιμή του διαστήματος που 1 ορίζουν τα όρια προδιαγραφών δηλαδή όταν μ ( LSL + USL) και ισχύει = 1 τότε η 2 διεργασία θα παράγει το λιγότερο 0.27% ελαττωματικά προϊόντα. Στη συνέχεια θα θεωρούμε ότι οι τιμές του ποιοτικού χαρακτηριστικού Χ που μελετάμε ακολουθούν την κανονική κατανομή με μέση τιμή μ και τυπική απόκλιση σ, και ότι έχουν καθοριστεί τα όρια προδιαγραφών LSL και USL στη φάση σχεδιασμού της διεργασίας. Η πιθανότητα c να παραχθεί ένα προϊόν εντός των ορίων προδιαγραφών ονομάζεται απόδοση της διεργασίας και δίνεται από τον ακόλουθο τύπο όπου Φ() κατανομής N 0,1. ( P( X > USL) + P( X < USL) ) = 1 ( P( LSL < X < )) = = 1 = 1 USL c nc 1 = P USL μ σ LSL μ σ ( LSL < X < USL) = Φ Φ είναι η αθροιστική συνάρτηση κατανομής της τυποποιημένης κανονικής ( ) Παρακάτω θα δείξουμε πως, γνωρίζοντας την τιμή του δείκτη C, μπορούμε να υπολογίσουμε το όριο το οποίο δεν είναι δυνατόν να υπερβεί η απόδοση της διεργασίας. Στην περίπτωση όπου διαπιστώνουμε ότι και μ = M LSL + USL = 2 LSL = μ 3σC C 5

24 USL = μ + 3σC, επομένως έχουμε ότι c USL μ LSL μ Φ Φ = Φ σ σ ( 3C ) Φ( 3C ) = 2Φ( 3C ) 1 =. Στη γενική περίπτωση και εφόσον οπότε και επομένως θα ισχύει ότι LSL < μ < USL θα έχουμε USL LSL μ LSL, USL 2 μ LSL Φ Φ 3 σ μ USL LSL 2 USL μ ( ), Φ Φ( 3 ) C σ C c ( 3C ) 1 2Φ δηλαδή η υψηλότερη απόδοση που μπορεί να έχει μία διεργασία είναι ( 3 ) 1 2Φ C. Σημειώνουμε ότι, εάν ο δείκτης C λάβει την τιμή 1.33, τότε η διεργασία θεωρείται ικανοποιητική. Για τιμές μικρότερες του 1.33 η διεργασία θεωρείται ότι χρειάζεται παρακολούθηση ενώ για μικρότερες τιμές του 1 η διεργασία θεωρείται μη ικανή και χρειάζεται αναθεώρηση του σχεδιασμού. Σύμφωνα με το κλασικό σύγγραμμα του Montgomery (1997), οι ελάχιστες τιμές, τις οποίες η τιμή του δείκτη C θα πρέπει να υπερβαίνει για να θεωρηθεί μια διεργασία ικανή, είναι 1.33 για υπάρχουσα διεργασία, 1.5 για νέα διεργασία, 1.55 για υπάρχουσα διεργασία συσχετιζόμενη με την ασφάλεια του κοινού και τέλος, 1.67 για νέα διεργασία συσχετιζόμενη με την ασφάλεια του κοινού. Το βασικό μειονέκτημα του δείκτη C είναι ότι δε λαμβάνει υπόψη το μέσο της διεργασίας. Αυτό έχει ως συνέπεια να μην επηρεάζεται από τη διαφορά του μέσου από την κεντρική τιμή της περιοχής προδιαγραφών και πολλές φορές αδυνατεί να εντοπίσει την περισσότερο ικανή διεργασία. Το μειονέκτημα αυτό του δείκτη C ήταν η αιτία για την εισαγωγή του δείκτη C k που θα παρουσιαστεί στην Ενότητα

25 Σε αυτό το σημείο πρέπει να επισημάνουμε ότι, για να μπορέσουμε να βγάλουμε ακριβή στατιστικά συμπεράσματα, εκμεταλλευόμενοι ουσιαστικά την τιμή ενός δείκτη επίδοσης διεργασίας, θα πρέπει να έχουμε εξασφαλίσει τις επόμενες τρεις συνθήκες: 1) ότι η διεργασία είναι εντός στατιστικού ελέγχου, 2) ότι η διεργασία περιγράφεται από μία κανονική κατανομή και 3) ότι οι παρατηρήσεις μας είναι ανεξάρτητες Εκτίμηση του δείκτη C Η μοναδική παράμετρος που περιέχεται στον ορισμό του δείκτη C είναι η τυπική απόκλιση, σ, της διαδικασίας. Συνήθως η παράμετρος αυτή είναι άγνωστη και επομένως θα πρέπει να την εκτιμήσουμε. Έστω ότι μια διεργασία αποδίδει προϊόντα των οποίων οι τιμές του ποιοτικού χαρακτηριστικού Χ κατανέμονται κανονικά με μέση τιμή μ και τυπική απόκλιση σ. Τότε συλλέγουμε ένα τυχαίο δείγμα μεγέθους n έστω Χ 1, Χ 2,,Χ n από την υπό εξέταση διαδικασία και εκτιμούμε τη διασπορά σ 2 μέσω της αμερόληπτης δειγματικής διασποράς S 2 1 = n 1 όπου X n ( X i X ) i= 1 n X i i= = 1. n Στη συνέχεια εκτιμούμε την τυπική απόκλιση σ μέσω της δειγματικής τυπικής απόκλισης S και τέλος το δείκτη C μέσω της εκτιμήτριας USL LSL Cˆ =. 6S 2 Είναι φανερό ότι, η εκτιμήτρια S δεν είναι αμερόληπτη εκτιμήτρια του σ, ούτε η αμερόληπτη εκτιμήτρια του δείκτη C αφού και επιπλέον USL LSL USL LSL ( Cˆ ) = E = E 1 E 6S 6 S 1 E S 1 E( S ). Ĉ είναι 7

26 1.3 Ο δείκτης επίδοσης C k Στην παρούσα ενότητα θα αναφερθούμε στο δείκτη C k, ο οποίος είναι ο δεύτερος δημοφιλέστερος δείκτης επίδοσης διεργασίας, μετά το δείκτη C. Όπως θα δούμε παρακάτω, ο δείκτης C k παρέχει περισσότερες πληροφορίες για την ικανότητα μιας διαδικασίας συγκριτικά με το δείκτη C. Αυτό οφείλεται στο γεγονός ότι, κατά τον υπολογισμό του λαμβάνει υπόψη του, πέρα από την τυπική απόκλιση σ της διαδικασίας, και το μέσο μ της διαδικασίας Ορισμός και ιδιότητες του δείκτη C k Από τον ορισμό του δείκτη επίδοσης διεργασίας C, ο οποίος παρουσιάστηκε στην αμέσως προηγούμενη ενότητα, είναι προφανές ότι μπορεί να χρησιμοποιηθεί μόνο όταν έχουν καθοριστεί και τα δύο όρια προδιαγραφών δηλαδή το LSL και το USL. Σε κάποιες περιπτώσεις όπου για ένα προϊόν καθορίζεται μόνο το ένα όριο προδιαγραφών (one-sided secifications) ο υπολογισμός του δείκτη C είναι αδύνατος. Για το λόγο αυτό έχουν προταθεί οι δείκτες C k, C l και C u. Συγκεκριμένα, ο δείκτης C k είναι συνδυασμός των δεικτών C l και C u όπως θα δούμε παρακάτω. Ο δείκτης C l μπορεί να χρησιμοποιηθεί όταν έχει καθοριστεί μόνο το κατώτερο όριο προδιαγραφών και ο δείκτης C u έχει προταθεί για τις περιπτώσεις που έχει καθοριστεί μόνο το ανώτερο όριο προδιαγραφών. Ο δείκτης C k ορίζεται από δύο ισοδύναμους αλγεβρικούς τρόπους οι οποίοι παρουσιάζονται παρακάτω. Ο πρώτος ορισμός βασίζεται στους δείκτες C l και C u. Σύμφωνα με τον πρώτο ορισμό ο δείκτης C k ορίζεται ως k ( C C ) C = min, όπου ο δείκτης C l δίνεται από τον τύπο μ LSL C l = 3σ και εκφράζει πόσο ικανή είναι η διεργασία στην παραγωγή προϊόντων που πληρούν το κάτω όριο προδιαγραφών ενώ ο δείκτης C u δίνεται από τον τύπο l u 8

27 C u μ = USL 3σ και εκφράζει πόσο ικανή είναι η διεργασία στην παραγωγή προϊόντων που πληρούν το άνω όριο προδιαγραφών. Εύκολα αποδεικνύεται ότι ο δείκτης C ισούται αλγεβρικά με τον αριθμητικό μέσο των δεικτών C l και C u με τη διαφορά όμως ότι οι τελευταίοι λαμβάνουν υπόψη και τις δύο παραμέτρους μιας διεργασίας δηλαδή το μέσο και τη διασπορά σε σύγκριση με το δείκτη C. όπου και Είναι φανερό ότι, ο δείκτης C k μπορεί να γραφεί και στη μορφή C k = min ( C, C ) l u μ LSL USL μ d μ M = min, = 3σ 3σ 3σ USL LSL d = 2 USL + LSL M = 2 δηλαδή το Μ ορίζεται ως η κεντρική τιμή του διαστήματος που ορίζουν τα όρια προδιαγραφών (βλέπε Kotz and Lovelace (1998)). Ο δεύτερος ισοδύναμος ορισμός για το δείκτη επίδοσης C k προκύπτει από τον πρώτο ορισμό με τον ακόλουθο τρόπο : C k USL LSL d μ M 2 = = 3σ 1 μ 2 3σ ( LSL + USL) μ ( LSL + USL) = C 1 2 3σ = = C ( USL LSL) μ ( LSL + USL) 6σ 1 2 ( USL LSL) όπου ο δείκτης επίδοσης δίνεται από τη σχέση (βλέπε Αντζουλάκος (2006)). 2 k = 1 μ 2 = C 1 μ 2 1 ( LSL + USL) d ( LSL + USL) d = C ( 1 k) Επομένως ένας δεύτερος ισοδύναμος ορισμός για το δείκτη επίδοσης διαδικασίας C k είναι ο 9

28 C k = C 1 ( k ). Ο τελευταίος περιγράφει την ικανότητα της διεργασίας λαμβάνοντας υπόψη του μόνο τη θέση της διεργασίας (και όχι τη μεταβλητότητα της) και μετράει την απόσταση του μέσου της διεργασίας από το μέσο του διαστήματος που ορίζουν τα όρια προδιαγραφών, σε σχέση με τα όρια προδιαγραφών. Παρατηρώντας τον ορισμό του k μπορούμε εύκολα να διαπιστώσουμε πως η τιμή του βρίσκεται πάντοτε στο διάστημα [0, 1] με την προϋπόθεση πως ο μέσος βρίσκεται εντός της περιοχής που ορίζουν τα όρια προδιαγραφών. Στην περίπτωση που ο μέσος βρίσκεται εκτός της περιοχής προδιαγραφών θεωρούμε την τιμή του δείκτη C k εξ ορισμού ίση με το μηδέν. Αυτό σημαίνει ότι η τιμή του δείκτη C k δε μπορεί να υπερβεί εκείνη του C. Ο δείκτης C k λαμβάνει την ίδια τιμή με το δείκτη C μόνο όταν ο μέσος της διεργασίας ισούται με το μέσο του διαστήματος που ορίζουν τα όρια προδιαγραφών. Αυτό συμβαίνει στην περίπτωση που έχουμε k =0. Στην περίπτωση που η τιμή στόχος της διεργασίας δε συμπίπτει με το μέσο του διαστήματος που ορίζουν τα όρια προδιαγραφών, χρησιμοποιείται ο δείκτης k = min T μ ( T LSL, USL T ) και έχουμε τις παρακάτω περιπτώσεις : 1) αν ο δείκτης k = 0, τότε ο μέσος της διεργασίας ισούται με την τιμή στόχο 2) αν 0 < k < 1τότε ο μέσος της διεργασίας βρίσκεται μεταξύ της τιμής στόχου και ενός εκ των δύο ορίων προδιαγραφών και η απόσταση του από την τιμή στόχο μετριέται από το δείκτη k και τέλος 3) αν k = 1, τότε η διεργασία είναι κεντραρισμένη σε ένα από τα δύο όρια προδιαγραφών. Παρατηρούμε ότι ο δείκτης C k αποτελείται από το γινόμενο δύο παραγόντων. Ο πρώτος παράγοντας είναι ο δείκτης C που μετράει το μέγεθος της διασποράς της διεργασίας ενώ ο 10

29 δεύτερος παράγοντας που είναι ο 1-k λαμβάνει υπόψη του τη θέση της διεργασίας δηλαδή μετράει την απόσταση του μέσου από την κεντρική τιμή της περιοχής προδιαγραφών. Η γνώση της τιμής του δείκτη C k δεν είναι επαρκής για τον ακριβή υπολογισμό της απόδοσης μιας διεργασίας. Όμως καθιστά δυνατό τον υπολογισμό της ικανότητας και της απόδοσης της μόνο σε συνδυασμό με τη γνώση της τιμής του δείκτη C. Στην περίπτωση που μια διεργασία αποδίδει προϊόντα των οποίων οι τιμές του ποιοτικού χαρακτηριστικού Χ κατανέμονται κανονικά με μέση τιμή μ και τυπική απόκλιση σ, η πιθανότητα ανίσωση όπου Ν( 0,1) Φ() c να παραχθεί μη ελαττωματικό (συμμορφούμενο) προϊόν ικανοποιεί την ( 3C ) 1 ( 3C ) 2Φ Φ k είναι η αθροιστική συνάρτηση κατανομής της τυπικής κανονικής κατανομής (βλέπε Kotz and Lovelace (1998)). Θα δείξουμε στη συνέχεια ότι η απόδοση μιας διεργασίας ισούται με Ας υποθέσουμε αρχικά ότι Στην περίπτωση αυτή θα έχουμε και c ( 3( 2C C ) Φ( C ) = Φ 3. LSL μ M. C Επομένως η απόδοση της διεργασίας είναι ίση με : Επίσης έχουμε ότι οπότε k USL LSL = 6σ μ LSL C k =. 3σ USL μ LSL μ Φ Φ. σ σ USL LSL μ LSL USL μ 2C C k = =, 3σ 3σ 3σ USL μ LSL μ USL μ μ LSL Φ Φ = Φ 3 Φ 3 σ σ 3σ 3σ. = Φ c k ( 3( 2C C ) Φ ( 3C ) k k k 11

30 Παρόμοια γίνεται η απόδειξη για την περίπτωση M μ USL. Επομένως η απόδοση μιας διαδικασίας ισούται με c ( 3( 2C C ) Φ( C ) = Φ 3. Ενδεικτικά αναφέρουμε ότι συνήθως η ελάχιστη τυπική τιμή που πρέπει να έχει ο δείκτης C k μιας διεργασίας είναι k k Ολοκληρώνοντας, οι πληροφορίες που μας δίνει ο δείκτης C k αναφέρονται κυρίως στην ικανότητα της διεργασίας προς τη μεριά εκείνου του ορίου προδιαγραφών που παράγει περισσότερα ελαττωματικά προϊόντα. Ο δείκτης C k λαμβάνει υπόψη του και τις δύο παραμέτρους της διεργασίας μ και σ σε αντίθεση με το δείκτη C που όπως έχουμε ήδη αναφέρει δεν επηρεάζεται από το μέσο της διεργασίας με αποτέλεσμα να μη δίνει επαρκείς πληροφορίες για την ικανότητα της διεργασίας. Παρά το γεγονός ότι ο δείκτης C ξεπερνά κάποια από τα μειονεκτήματα του δείκτη C, k θα πρέπει να επισημανθεί ότι, παρότι λαμβάνει υπόψη του το μέγεθος της τυπικής απόκλισης και το μέσο της διεργασίας, δε μας πληροφορεί για το πόσο κοντά βρίσκεται ο τελευταίος στην κεντρική τιμή της περιοχής προδιαγραφών. Ένα από τα μειονεκτήματα του δείκτη είναι ότι αυξάνεται ανεξέλεγκτα, ανεξαρτήτως της τιμής του μέσου, καθώς η τυπική απόκλιση τείνει να γίνει πολύ μικρή και ότι αγνοεί την τιμή στόχο. Αυτή την αδυναμία του έρχεται να καλύψει ο δείκτης που θα παρουσιαστεί στην Ενότητα 1.4. C m C k Εκτίμηση του δείκτη C k Για την εκτίμηση του δείκτη C k αρκεί να αντικαταστήσουμε το μέσο και την τυπική απόκλιση της διαδικασίας με το δειγματικό μέσο και τη δειγματική τυπική απόκλιση, αντίστοιχα. Σύμφωνα με τον πρώτο ορισμό του δείκτη καταλήγουμε στην ακόλουθη εκτιμήτρια Cˆ k ( Cˆ, Cˆ ) C k που αναφέραμε προηγουμένως X LSL USL X d X M = min l u = min, =. 3S 3S 3S. 12

31 Ακολουθώντας το δεύτερο ορισμό του δείκτη C k και αντικαθιστώντας το μέσο και την τυπική απόκλιση με τα δειγματικά ανάλογα τους, καταλήγουμε στην εκτιμήτρια ( k) Cˆ = Cˆ 1 όπου k M X kˆ = 2. USL LSL Οι δύο παραπάνω εκτιμήτριες είναι ισοδύναμες και για το λόγο αυτό χρησιμοποιήσαμε τον ίδιο συμβολισμό. και Οι δείκτες C και C μπορούν να εκτιμηθούν μέσω των τύπων l u X LSL Cˆ l = 3S USL X Cˆ u = 3S αντίστοιχα. Καμία από τις προηγούμενες εκτιμήτριες δεν είναι αμερόληπτη εκτιμήτρια της παραμέτρου (δείκτη) που εκτιμά αφού 1 E S 1 E( S ). 13

32 1.4 Ο δείκτης επίδοσης C m Το αδύνατο σημείο των δεικτών C και C, όπως έχουμε ήδη αναφέρει, είναι ότι δε λαμβάνουν υπόψη τους την προκαθορισμένη τιμή στόχο Τ της διεργασίας. Οι πληροφορίες που μας δίνουν αναφέρονται κυρίως στην ικανότητα της διεργασίας να παράγει προϊόντα εντός των ορίων προδιαγραφών χωρίς όμως να μας πληροφορούν για την ποιότητα αυτών των προϊόντων δηλαδή πόσο κοντά βρίσκονται στην τιμή στόχο Τ. Αυτήν την αδυναμία τους έρχεται να καλύψει ο δείκτης. C m k Ο δείκτης C m εμφανίστηκε πρώτη φορά από τους Hsiang and Taguchi (1985) και στη συνέχεια καθιερώθηκε από τους Chan, Cheng and Siring (1988). Διαφέρει από τους δείκτες που έχουμε αναφέρει έως τώρα δηλαδή τους C και C, ως προς τον τρόπο με τον οποίο μετράει την απόδοση μιας διαδικασίας. Σύμφωνα με το δείκτη k, για να είναι μία διαδικασία ικανή δεν αρκεί να παράγει προϊόντα, το μεγαλύτερο ποσοστό των οποίων να βρίσκονται εντός του διαστήματος που ορίζουν τα όρια προδιαγραφών, αλλά θα πρέπει ο μέσος της κατανομής να βρίσκεται όσο το δυνατό κοντά στην τιμή στόχο Τ ώστε να παράγονται προϊόντα υψηλής ποιότητας. Στην αντίθετη περίπτωση, όταν δηλαδή οι τιμές των προϊόντων που παράγονται βρίσκονται πολύ κοντά στα όρια προδιαγραφών τότε έχουμε προϊόντα χαμηλής ποιότητας. Με αυτόν τον τρόπο ο δείκτης C m προϊόντων που παράγονται. C m δηλώνει την ικανότητα της διεργασίας αλλά και την ποιότητα των Ορισμός και ιδιότητες του δείκτη C m Ο δείκτης επίδοσης C m ορίζεται από την ακόλουθη σχέση C m USL LSL = 6τ όπου τ 2 είναι το μέσο τετραγωνικό σφάλμα (απόκλιση) δηλαδή 2 2 ( X T ) = E[ ( X μ) + ( μ T )] = E ( X μ) [ ] + ( μ T ) = σ + ( T 2 τ = E μ ). Μπορούμε εύκολα να διαπιστώσουμε ότι ο δείκτης C m προκύπτει από το δείκτη C αντικαθιστώντας στον παρανομαστή την τυπική απόκλιση με την τετραγωνική ρίζα της μέσης 14

33 τετραγωνικής απόκλισης από την προκαθορισμένη τιμή στόχο της διαδικασίας. Στην περίπτωση που ο μέσος μ της διαδικασίας συμπίπτει με την τιμή στόχο, οι τιμές των δεικτών C και C m είναι ίσες. Ο δείκτης C m μπορεί να γραφεί και ως εξής C m = USL LSL ( μ T ) 2 σ 2 + ( μ ) 2 6 σ T όπου είναι εμφανές ότι και οι δύο παράμετροι μ και σ 2 της διαδικασίας συμμετέχουν στον υπολογισμό του δείκτη διεργασίας. C m = d καθώς επίσης η τιμή στόχος και τα όρια προδιαγραφών της Από τον παραπάνω τύπο διαπιστώνουμε ότι, όταν η τυπική απόκλιση σ της διεργασίας αυξάνεται (μειώνεται), ο παρανομαστής αυξάνεται (μειώνεται) και η τιμή του δείκτη μειώνεται (αυξάνεται). Επίσης, όταν ο μέσος απομακρύνεται (πλησιάζει) την τιμή στόχο, ο παρανομαστής αυξάνεται (μειώνεται) και η τιμή του δείκτη C m μειώνεται (αυξάνεται). Οι τρεις δείκτες C, C και C συνδέονται με την ενδιαφέρουσα σχέση k m C m = C 9( C C ) 2 1+ k μόνο στην περίπτωση όπου M=T. Σημειώνουμε ότι δύο εναλλακτικές και ισοδύναμες μορφές του δείκτη δεικτών C και C είναι οι ακόλουθες: k C m συναρτήσει των C m (βλέπε Kotz and Lovelace (1998)). = C μ T 1+ σ Από τον παραπάνω τύπο προκύπτει ότι για 2 C = μ M 1 d k 1+ ( μ T ) 2 σ μ = T = M έχουμε ότι C = C = C και 2 m k επιπλέον για μ T 0 θα ισχύει C m < C ενώ για μ T έχουμε ότι C m 0. Επίσης, αφού 2 σ 2 ( μ T ) T + μ έχουμε ότι 15

34 C m USL LSL. 6 μ T Το τελευταίο αποδεικνύει ότι, όταν η ποσότητα μ T είναι σταθερή, ο δείκτης είναι C m άνω φραγμένος σε αντίθεση με τους δείκτες C και C που μπορούν να πάρουν οποιαδήποτε τιμή αυξομειώνοντας απλά την τιμή της τυπικής απόκλισης σ ακόμα και σε περιπτώσεις που ο μέσος μ της διαδικασίας βρίσκεται πολύ μακριά από την τιμή στόχο. Η ύπαρξη αυτού του ορίου μπορεί να μας εξασφαλίσει ότι, όταν η τιμή του δείκτη αρκετά μεγάλη, τότε η απόσταση του μέσου από την τιμή στόχο δεν μπορεί να είναι μεγάλη. k C m είναι Συγκεκριμένα, το ανώτερο δυνατό όριο για την απόλυτη διαφορά του μέσου μιας διαδικασίας από την προκαθορισμένη τιμή στόχο, κάτω από την υπόθεση ότι οποιαδήποτε τιμή του δείκτη C m είναι USL LSL μ T <. 6 C m M = T και για Αυτό πρακτικά σημαίνει ότι αν C m 1 τότε ο μέσος της διεργασίας απέχει από την τιμή στόχο απόσταση μικρότερη από το 1/6 του διαστήματος που ορίζουν τα όρια προδιαγραφών (και επομένως ο μέσος βρίσκεται μέσα στο μεσαίο τρίτο της περιοχής προδιαγραφών). Στον ακόλουθο πίνακα παρουσιάζονται οι βασικότερες ιδιότητες του δείκτη Αντζουλάκος (2006)). C m (βλέπε ΠΙΝΑΚΑΣ 1-1 Βασικές ιδιότητες του δείκτη C m. μ = T μ = T μ T μ T σ C μ T C = M C C m m C = C C m C m m m = C 0 = C k Αν και ο δείκτης C m λαμβάνει υπόψη του το μέγεθος της τυπικής απόκλισης και τη θέση του μέσου της διεργασίας σε σχέση με την τιμή στόχο Τ, αγνοεί τη διαφορά του μέσου από 16

35 την κεντρική τιμή της περιοχής προδιαγραφών (που έχει άμεση σχέση με την απόδοση μιας διαδικασίας). Αυτό έχει ως αποτέλεσμα όταν τα όρια προδιαγραφών είναι μη συμμετρικά να αποδίδει την ίδια ικανότητα σε διαδικασίες με ίσες τυπικές αποκλίσεις και μέσους που ισαπέχουν από την τιμή στόχο, αλλά, με σημαντικές διαφορές στην απόδοση τους Εκτίμηση του δείκτη C m Για την εκτίμηση του δείκτη C m έχουν προταθεί δύο διαφορετικές εκτιμήτριες. Αρχικά θα αναφερθούμε στην εκτιμήτρια που προτάθηκε από τους Chan, Cheng and Siring (1988). Έστω ότι μια διεργασία αποδίδει προϊόντα των οποίων οι τιμές του ποιοτικού χαρακτηριστικού Χ που μελετάμε ακολουθούν την κανονική κατανομή με μέση τιμή μ και τυπική απόκλιση σ, και έχουν καθοριστεί τα όρια προδιαγραφών LSL και USL στη φάση σχεδιασμού της διεργασίας. Τότε συλλέγουμε ένα τυχαίο δείγμα μεγέθους n έστω Χ 1, Χ 2,, Χ n από την υπό εξέταση διαδικασία και εκτιμούμε την ποσότητα τ μέσω της στατιστικής συνάρτησης n n 2 ( X i T ) ( X i X ) 2 2 ~ i= 1 i= 1 n( X T ) 2 n = = + = S + T τ n 1 n 1 n 1 n 1 ( X ) 2. Η εκτιμήτρια C ~ m του δείκτη C m ορίζεται ως ~ USL LSL = 6τ ~. C m Αντίθετα, η εκτιμήτρια επόμενου τύπου Ĉ m που προτάθηκε από τον Boyles (1991) ορίζεται μέσω του ˆ C m USL LSL = 6τˆ όπου τˆ είναι η επόμενη εκτιμήτρια της ποσότητας τ η οποία δίνεται από την έκφραση 17

36 n n 2 2 ( X i T ) ( X i X ) 2 n n 1 ( X T ) = S + ( X T ) = τ i= 1 i= 1 ˆ τ = = + ~ n n n n (βλέπε Kotz and Johnson (1993)). Σημειώνουμε ότι οι δύο εκτιμήτριες C ~ και έχουν παρόμοιες στατιστικές ιδιότητες m Ĉ m αφού συνδέονται μέσω της προφανούς σχέσης και συμπίπτουν ασυμπτωτικά (για Cˆ n ). = n ~ n 1 m C m Οι Subbaiah and Taam (1993), βασιζόμενοι σε αποτελέσματα από προσομοίωση, κατέληξαν στο συμπέρασμα ότι η εκτιμήτρια C ~ m είναι προτιμότερη για σημειακή εκτίμηση ενώ η εκτιμήτρια Ĉ m είναι προτιμότερη όταν απαιτείται ο υπολογισμός διαστήματος εμπιστοσύνης. 18

37 1.5 Ο δείκτης επίδοσης C mk Ο τελευταίος δείκτης που θα εξετάσουμε στο κεφάλαιο αυτό είναι ο δείκτης C mk. Ο δείκτης C είναι ένας συνδυασμός του δείκτη C και του δείκτη C αφού όπως θα mk k m δούμε παρακάτω, ο αριθμητής του προκύπτει από εκείνον του από εκείνον του. C m C k και ο παρανομαστής του Ορισμός και ιδιότητες του δείκτη C mk Ο δείκτης C mk προτάθηκε αρχικά από τους Choi and Owen (1990) και στη συνέχεια από τους Pearn, Kotz and Johnson (1992) και ορίζεται από τη σχέση C mk = min ( μ LSL, USL μ) 3τ μ LSL = min 2 3 σ +, USL μ ( μ T ) 3 σ + ( μ T ) Η χρήση του τύπου αυτού κάνει φανερή τη συμμετοχή όλων των παραμέτρων (μ, σ) και προδιαγραφών (LSL, USL και T) κατά τον υπολογισμό του δείκτη C mk. Η εισαγωγή του δείκτη C mk ξεπερνά το σοβαρό μειονέκτημα που όπως είδαμε αντιμετωπίζουν οι δείκτες C, C και C. Είναι ο μόνος δείκτης που λαμβάνει υπόψη του το μέγεθος της τυπικής k m απόκλισης, τη διαφορά του μέσου από την τιμή στόχο και τη διαφορά του μέσου από την κεντρική τιμή του διαστήματος που ορίζουν τα όρια προδιαγραφών, ακόμα και όταν τα όρια προδιαγραφών δεν είναι συμμετρικά. Ο C μπορεί να εκφραστεί και ως συνάρτηση των δεικτών C και C. Έτσι τρεις mk k m εναλλακτικές και ισοδύναμες μορφές του C mk είναι οι C mk = C k μ T 1+ σ μ M = 1 C = 2 m d 3 d μ M σ 2 + ( μ T ) 2. Από τον παραπάνω τύπο προκύπτει ότι, για μ T = 0 (δηλαδή μ = T ) έχουμε C mk = C k και επιπλέον για μ T 0 (δηλαδή μ T ) έχουμε C mk < C k. Επίσης, αφού C k C 19

38 έχουμε ότι C mk C m και για μ M προκύπτει ότι C mk < C m. Τέλος, αν μ = T = M θα ισχύει C m = C. Στον παρακάτω πίνακα παρουσιάζονται συγκεντρωτικά οι βασικότερες ιδιότητες του δείκτη C mk (βλέπε Αντζουλάκος (2006)). C mk ΠΙΝΑΚΑΣ 1-2 Βασικές ιδιότητες του δείκτη C mk. μ = M C μ = T C C m mk mk = C μ = M = T C = C mk k m ( C ( C = C m k m = C = C = C ) k ) = C Όπως είναι φανερό, ο δείκτης C mk τείνει στο άπειρο μόνο όταν η τυπική απόκλιση τείνει στο μηδέν και ταυτόχρονα η μέση τιμή τείνει στην τιμή στόχο. Αποδεικνύεται ότι, όταν η τυπική απόκλιση τείνει στο μηδέν, τότε ο δείκτης C mk USL LSL 6 μ T 1 3 τείνει στην τιμή. Με την ύπαρξη αυτού του ορίου μπορούμε για οποιαδήποτε δοθείσα τιμή του C mk να υπολογίσουμε το ανώτερο δυνατό όριο καθώς η τυπική απόκλιση τείνει στο μηδέν. Το όριο αυτό είναι Είναι φανερό ότι δηλαδή, αν C mk C mk USL LSL μ T <. 2 + ( 1 3 ) C mk USL LSL = 1 μ T <, 8 = 1, τότε ο μέσος της διεργασίας απέχει από την τιμή στόχο απόσταση μικρότερη από το 1/8 του διαστήματος που ορίζουν τα όρια προδιαγραφών. Έτσι, στην περίπτωση αυτή, ο μέσος βρίσκεται μέσα στο μεσαίο τέταρτο της περιοχής προδιαγραφών. 20

39 Ένα μειονέκτημα του δείκτη C mk είναι η πολύπλοκη μορφή του καθώς καθιστά δύσκολη, αν όχι ανέφικτη, την εύρεση κατανομής πιθανών εκτιμητριών του και την εύρεση διαστημάτων εμπιστοσύνης Εκτίμηση του δείκτη C mk Για την εκτίμηση του δείκτη C mk έχει προταθεί από τους Pearn, Kotz and Johnson (1992) η παρακάτω εκτιμήτρια η οποία προκύπτει άμεσα από τους τύπους ορισμού του C mk αντικαθιστώντας τις άγνωστους παραμέτρους μ, σ 2, με τις αντίστοιχες εκτιμήτριες του. ˆ C mk = min 3 ( USL X, X LSL) ( ) USL X X LSL = min, n ( ) ( ) 2 2 n 2 2 n 2 2 S + X T 3 S + X T 3 S + X T n 1 n 1 n 1 = d X M n ( X i X ) ( X ) 2 i= T n 2. Από τον τύπο ορισμού της δείκτη. C mk Ĉ mk είναι φανερό ότι αυτή δεν είναι αμερόληπτη εκτιμήτρια του 21

40 22

41 ΚΕΦΑΛΑΙΟ 2 ΔΕΙΚΤΕΣ ΕΠΙΔΟΣΗΣ ΔΙΕΡΓΑΣΙΩΝ ΚΑΙ ΜΕΘΟΔΟΣ «6 Σίγμα». Όπως γνωρίζουμε, εάν σε μία διεργασία το χαρακτηριστικό που μας ενδιαφέρει ακολουθεί την κανονική κατανομή με μέση τιμή μ και διακύμανση σ, τότε το 99.73% των παραγόμενων προϊόντων θα βρίσκονται μέσα στο διάστημα (μ-3σ, μ+3σ). Για αυτόν ακριβώς το λόγο το πλάτος του (μ-3σ, μ+3σ)=6σ ονομάζεται φυσικό εύρος ή φυσική μεταβλητότητα της διεργασίας. Ένα ποιοτικό επίπεδο σίγμα και κατ επέκταση η φυσική μεταβλητότητα της διεργασίας, καθώς επίσης και η θέση στην οποία βρίσκονται τα όρια προδιαγραφών σε σχέση με το διάστημα [μ-3σ, μ+3σ] καθορίζουν και επηρεάζουν το ποσοστό των ελαττωματικών προϊόντων που παράγονται από τη διεργασία. Υπάρχουν διάφοροι δείκτες που αναδεικνύουν τη σχέση μεταξύ της φυσικής μεταβλητότητας και των ορίων προδιαγραφών μιας διεργασίας όπως έχουμε αναφέρει. Ο απλούστερος δείκτης που μπορεί να ποσοτικοποιήσει την παραπάνω σχέση είναι ο δείκτης επίδοσης διεργασίας C ο οποίος ορίστηκε στο προηγούμενο Κεφάλαιο. Ο δείκτης επίδοσης διεργασίας C είναι ένα σύνηθες μέτρο που χρησιμοποιείται στη μέθοδο «6 Σίγμα» για να βελτιώσει και να περιγράψει εάν η διεργασία πληροί τις προϋποθέσεις και τις απαιτήσεις της. Στην ποιοτική μεθοδολογία «6 Σίγμα», η απόδοση μιας διεργασίας αναφέρεται ως επίπεδο σίγμα. Όσο πιο υψηλό επίπεδο σίγμα έχουμε, δηλαδή όσο η μεταβλητότητα της διεργασίας είναι χαμηλή τόσο καλύτερα θα αποδώσει η μέθοδος «6 Σίγμα» που έχει ως κύριο στόχο την παραγωγή προϊόντων μέσα στα όρια προδιαγραφών δηλαδή την ελαχιστοποίηση των ελαττωματικών προϊόντων. Για παράδειγμα εάν είχαμε USL = 90, LSL=72, σ=3 τότε ο δείκτης επίδοσης διεργασίας C θα πάρει την τιμή C USL LSL = 6σ = 6 3 = 18 = 1 18 ενώ το ποσοστό των παραγόμενων προϊόντων που βρίσκονται εκτός των ορίων προδιαγραφών ισούται με 23

42 ( X < 72 ) + P( > 90) = P X. Όταν το χαρακτηριστικό που μας ενδιαφέρει ακολουθεί την κανονική κατανομή με μέση τιμή μ=81 και τυπική απόκλιση σ=3, θα έχουμε: X X = P < + P > = P Z = Φ ( 3 ) + ( 1 Φ( 3) ) = ( Z < 3) + P( > 3) δηλαδή 0.27% των προϊόντων βρίσκονται εκτός των ορίων προδιαγραφών. Στη συνέχεια θεωρούμε ότι ο κατασκευαστής κατορθώνει να μειώσει τη μεταβλητότητα της διεργασίας από την τιμή σ=3 στην τιμή σ=2.8. Τότε ο δείκτης επίδοσης διεργασίας C θα πάρει την τιμή C = = ( 2.8) ενώ το ποσοστό ελαττωματικών προϊόντων θα γίνει X X = P < + P > = δηλαδή μόλις 0.14%. ( Z < 3.21) + P( Z > 3.21) = 2( 1 ( 3.21) ) = = P Φ Το ποσοστό των ελαττωματικών προϊόντων εκφράζεται συνήθως σε ελαττώματα ανά εκατομμύρια ευκαιρίες και συμβολίζεται με DPMO (Defects Per Million Oortunities). Επομένως, στην πρώτη από τις δύο περιπτώσεις θα έχουμε DPMO=2700 και στη δεύτερη περίπτωση θα έχουμε DPMO=1400. Στην περίπτωση που τα όρια προδιαγραφών κατανέμονται συμμετρικά γύρω από το μέσο της διεργασίας δηλαδή στην περίπτωση όπου μπορούμε να γράψουμε = P USL μ = μ LSL, X μ σ USL μ σ X μ σ LSL μ σ ( X > USL) + P( X < LSL) = P > + P < USL μ = P Z > + P Z < σ LSL σ μ 24

43 όπου μ Z = X σ είναι μία τυποποιημένη κανονική τυχαία μεταβλητή. Επομένως και λαμβάνοντας υπόψη ότι USL μ LSL = 1 Φ + Φ σ σ μ 1 6σC USL μ = μ LSL = ( USL LSL) = = σc έχουμε ότι το ποσοστό των ελαττωματικών προϊόντων θα δίνεται από τον τύπο ο οποίος μπορεί να πάρει τη μορφή ( 3C ) + Φ( 3C ) = 2( 1 ( C ) = 1 Φ Φ 3 ( ( 3 ) DPMO = = 2 1 Φ C Το βασικό μειονέκτημα του δείκτη C είναι ότι δε λαμβάνει υπόψη το μέσο της διεργασίας. Αυτό έχει σαν συνέπεια να μην επηρεάζεται από τη διαφορά μέσου με την κεντρική τιμή της περιοχής προδιαγραφών και πολλές φορές αδυνατεί να εντοπίσει την περισσότερο ικανή διεργασία. Για το λόγο αυτό, χρησιμοποιήθηκαν οι δείκτες τρέχουσας επίδοσης διεργασίας C k, C l, C u όπως έχουμε ήδη αναφέρει στην Ενότητα 1.3. Έστω ότι μια διεργασία αποδίδει προϊόντα των οποίων οι τιμές του ποιοτικού χαρακτηριστικού X που μελετάμε ακολουθούν την κανονική κατανομή με μέση τιμή μ και τυπική απόκλιση σ. Τότε το ποσοστό των προϊόντων που δεν ικανοποιούν το άνω όριο προδιαγραφών θα δίνεται από τον τύπο X μ USL μ USL μ u = P = σ σ σ DPMO ( X > USL) = P > = 1 Φ = 1 Φ( 3C u ) 6 10 u. Αντίστοιχα, το ποσοστό των προϊόντων που δεν ικανοποιούν το κάτω όριο προδιαγραφών θα δίνεται από τον τύπο X μ LSL μ μ LSL l = P = σ σ σ DPMO ( X < LSL) = P < = Φ = Φ( 3C l ) 6 10 l. 25

44 Το συνολικό ποσοστό των προϊόντων που δεν ικανοποιούν το άνω και κάτω όριο προδιαγραφών θα δίνεται από τον τύπο = u + l. Όταν C =2 λέμε ότι έχουμε μια διεργασία με επίπεδο ποιότητας «6 Σίγμα», η οποία θα παράγει 3.4 ελαττώματα ανά εκατομμύρια ευκαιρίες όταν η μέση τιμή της παραγωγικής διεργασίας έχει μετατοπιστεί κατά 1.5 σίγμα από την προβλεπόμενη ιδανική τιμή της διεργασίας. Αυτός είναι και ο θεμελιώδης στόχος της μεθόδου «6 Σίγμα» που επιδίωξε να υλοποιήσει πρώτη η εταιρία Motorola χρησιμοποιώντας τον όρο επίδοση διεργασίας για τον παρακάτω δείκτη ΕΔ = 3 C +1.5 (για C k.=1.5 πετυχαίνουμε επίπεδο ποιότητας «6 Σίγμα»). k Πρέπει να σημειωθεί ότι η μεθοδολογία «6 Σίγμα» στοχεύει σε μία συνεχή μείωση της μεταβλητότητας της διεργασίας για την παραγωγή λιγότερο ελαττωματικών προϊόντων. Αυτό επιτυγχάνεται με τον καθορισμό και τη μέτρηση της μεταβλητότητας κάθε διεργασίας και με τον προσδιορισμό των αιτιών που την προκάλεσαν. Αυτό επιτρέπει την ανάπτυξη λειτουργικών μέσων για τον έλεγχο και τη μείωση του επιπέδου μεταβλητότητας. Η μέθοδος «6 Σίγμα» περιλαμβάνει όχι μόνο τη μείωση της υπάρχουσας μεταβλητότητας αλλά και την αποφυγή οποιασδήποτε μελλοντικής μεταβλητότητας που θα αναπτυχθεί. Θα παρουσιάσουμε στη συνέχεια ένα παράδειγμα στο οποίο θα διευκρινιστούν καλύτερα οι προηγούμενες έννοιες. Ας θεωρήσουμε μία βιομηχανία παραγωγής στεφάνων η οποία διαθέτει δύο παραγωγικές μονάδες: την κεντρική μονάδα και την περιφερειακή μονάδα. Ας υποθέσουμε επίσης ότι τα όρια προδιαγραφών για τα παραγόμενα στέφανα, τα οποία προορίζονται για να χρησιμοποιηθούν σε έμβολα μηχανών, είναι 74±0.04. Θα χρησιμοποιήσουμε ως δεδομένα τα στοιχεία του παρακάτω πίνακα, τα οποία αναφέρονται στην εσωτερική διάμετρο στεφάνων και προέκυψαν μέσω προσομοίωσης. Πιο συγκεκριμένα, πήραμε 25 δείγματα μεγέθους 5 από την κεντρική μονάδα (Πίνακας 2-1) και από 15 δείγματα μεγέθους 5 από την περιφερειακή μονάδα (Πίνακας 2-2), αντίστοιχα. 26

45 ΠΙΝΑΚΑΣ 2-1 Μετρήσεις κεντρικής μονάδας. Εσωτερική διάμετρος στεφάνης σε χιλιοστά Δείγμα Παρατηρήσεις

46 ΠΙΝΑΚΑΣ 2-2 Μετρήσεις περιφερειακής μονάδας. Εσωτερική διάμετρος στεφάνης σε χιλιοστά Δείγμα Παρατηρήσεις Θα εξετάσουμε αρχικά κατά πόσον, με βάση τα δεδομένα που συγκεντρώθηκαν για την κεντρική μονάδα, μπορούμε να ισχυριστούμε ότι η μονάδα έχει πετύχει ποιότητα 6σ. Για το σκοπό αυτό θα αναλύσουμε την επίδοση της διεργασίας που αφορά τις παρατηρήσεις της κεντρικής μονάδας μέσω του προγράμματος MINITAB. Αρχικά εισάγουμε τα δεδομένα που αφορούν την κεντρική μονάδα στις στήλες C1-C5 και ακολουθούμε την παρακάτω διαδικασία Stat/Quality Tools/Caability Sixack/Normal και στο πεδίο Subgrous across rows of εισάγουμε C1-C5. Στη συνέχεια δίνουμε τα όρια προδιαγραφών και από το πλαίσιο διαλόγου Estimate επιλέγουμε το Use unbiasing constants και το Rbar (for subgrou size >1). Με τις επιλογές αυτές, η εκτίμηση της τυπικής απόκλισης σ θα γίνει με χρήση της μέσης δειγματικής απόκλισης ( R ) των 25 δειγμάτων ενώ παράλληλα θα χρησιμοποιηθεί κατάλληλη σταθερά ώστε να προκύψει αμερόληπτη εκτιμήτρια για το σ. Τέλος από το πλαίσιο διαλόγου 28

47 Tests, επιλέγουμε και τους 8 προτεινόμενους ελέγχους, ώστε να έχουμε αυτόματη ενημέρωση για πιθανή παραβίαση οποιουδήποτε από τα προτεινόμενα κριτήρια εξόδου της διεργασίας από την εντός ελέγχου κατάσταση. Αφού συμπληρώσουμε τα στοιχεία που δώσαμε προηγουμένως, θα πάρουμε το επόμενο πολλαπλό διάγραμμα που περιέχει το ΔΕ Xbar Chart- R Chart, ένα ιστόγραμμα με την προσαρμοσμένη κανονική κατανομή, το κανονικό γράφημα πιθανότητας, ένα διάγραμμα χρονοσειράς για τις τελευταίες 25 παρατηρήσεις και ορισμένα αριθμητικά αποτελέσματα (εδώ δίνεται επιπλέον η τιμή του δείκτη επίδοσης διεργασίας C =1.33 και C k =1.29 ενώ δεν δίνονται οι τιμές των PPM). ΣΧΗΜΑ 2-1 Πολλαπλό διάγραμμα ελέγχου της κεντρικής μονάδας. Process Caability Sixack of C1,..., C5 Xbar Chart Caability Histogram Samle Mean UCL= _ X= LCL= Samle Range R Chart UCL= _ R= LCL= Normal Prob Plot A D: 0.196, P: Last 25 Subgrous Caability Plot Values Samle Within StDev C 1.33 Ck 1.29 C C k 1.33 Within Overall Secs Overall StDev P 1.30 Pk 1.26 Cm * Από τα παραπάνω γραφήματα έχουμε τις ακόλουθες ενδείξεις: Από το κανονικό διάγραμμα πιθανότητας παρατηρούμε ότι οι παρατηρήσεις βρίσκονται πολύ κοντά στην ευθεία και επομένως έχουμε ισχυρή ένδειξη ότι ακολουθούν (προσεγγιστικά) την κανονική κατανομή. Ο αντίστοιχος στατιστικός έλεγχος μπορεί να γίνει με χρήση του παρατηρούμενου επιπέδου σημαντικότητας 29

48 για τη στατιστική συνάρτηση Anderson-Darling. Σύμφωνα με το αποτέλεσμα που πήραμε το επίπεδο σημαντικότητας βρίσκεται ίσο με 0.196=19.6% οπότε και πάλι θα αποδεχτούμε τη μηδενική υπόθεση σε επίπεδο 1% και 5%. Δηλαδή έχουμε -value=0.196>α=0.05 ή 0.01, επομένως αποδέχομαι τη μηδενική υπόθεση (απορρίπτοντας την εναλλακτική υπόθεση ότι δεν ακολουθούν την κανονική κατανομή) και άρα οι παρατηρήσεις της κεντρικής μονάδας ακολουθούν την κανονική κατανομή. Από το ΔΕ Xbar-s διάγραμμα ελέγχου προκύπτει ότι η διεργασία είναι εντός στατιστικού ελέγχου δεδομένου ότι δεν έχουμε σήμα για εκτός ελέγχου διεργασία από τους οκτώ προτεινόμενους ελέγχους. Σε αυτό το σημείο θα πρέπει να αναφέρουμε ότι για να έχουν ικανοποιητική ερμηνεία οι δείκτες που θα υπολογίσουμε θα πρέπει: 1. Η διεργασία να είναι εντός ελέγχου 2. Ανεξάρτητες μετρήσεις (το αποδεικνύουμε μέσω του τεστ των ροών) 3. Τα δεδομένα να ακολουθούν (έστω και προσεγγιστικά) την κανονική κατανομή, τα οποία ισχύουν. Επομένως από τον πίνακα τιμών των βασικών δεικτών επίδοσης διεργασίας έχουμε ότι C k =1.29. Ο δείκτης επίδοσης διεργασίας, που χρησιμοποίησε η Motorola για την επίτευξη επίδοσης 6σ μιας διεργασίας, στην περίπτωση μας είναι: ΕΔ = 3 C = = k Η τιμή αυτή είναι αρκετά κοντά στην τιμή 6 αλλά δεν μπορούμε να πούμε ότι έχει επιτευχθεί η επιθυμητή επίδοση 6σ. Προκειμένου να πάρουμε περισσότερες πληροφορίες για τις ποσότητες που μας ενδιαφέρουν (δείκτες, DPMO, κτλ) ακολουθούμε την παρακάτω διαδικασία: Stat/Quality Tools/Caability Analysis/Normal->OK εισάγοντας τα στοιχεία της μονάδας που μας ενδιαφέρει. Έχουμε τα παρακάτω αποτελέσματα απ όπου επιβεβαιώνεται ότι δεν επιτυγχάνεται ο στόχος 6σ αφού το ποσοστό των ελαττωματικών προϊόντων είναι σχετικά υψηλό (DPMO=72.89). 30

49 ΣΧΗΜΑ 2-2 Διάγραμμα ελέγχου της κεντρικής μονάδας για διαστήματα εμπιστοσύνης 95%. Process Caability of C1,..., C5 (using 95.0% confidence) Process Data LSL Target * USL Samle Mean Samle N 125 StDev (Within) LSL USL Potential (Within) C aability C 1.33 Low er C L 1.14 Uer C L 1.52 CPL 1.37 CPU 1.29 Ck 1.29 Low er C L 1.10 Uer C L 1.49 C C k Observed Performance PPM < LSL 0.00 PPM > USL 0.00 PPM Total 0.00 Ex. Within Performance PPM < LSL PPM > USL PPM Total Στη συνέχεια θα αναζητήσουμε τρόπους για να προτείνουμε στο τεχνικό τμήμα του εργοστασίου προκειμένου να επιτευχθεί ποιότητα 6σ στην κεντρική μονάδα. Αρχικά, παρατηρώντας τις τιμές των δεικτών C = 1. 33, C = 1.29, C = αντιλαμβανόμαστε ότι, παρότι η διεργασία φαίνεται να έχει ικανοποιητική διακύμανση ώστε να επιτυγχάνει υψηλό δείκτη επίδοσης διεργασίας ( 1.33 οπότε έχουμε μία ικανή διεργασία που μπορεί να οδηγήσει στο στόχο των μηδέν ελαττωματικών προϊόντων) δεν είναι αρκετή για να επιτύχουμε ποιότητα 6σ. Τα υψηλής ποιότητας πρότυπα υπαγορεύουν τέσσερις σταθερές αποκλίσεις μεταξύ του μέσου όρου και των πιο στενών προδιαγραφών. Αυτό οδηγεί σε τιμή του δείκτη = Σε αυτό το επίπεδο, η διεργασία θα παράγει περίπου % καλής ποιότητας προϊόντα ή % ελαττωματικά προϊόντα, αριθμός που παραμένει πολύ υψηλός για μερικούς. C u l C 31

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 08-09 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος

Διαβάστε περισσότερα

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,

Διαβάστε περισσότερα

Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα

Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση

Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Εκεί που είμαστε Κεφάλαια 7 και 8: Οι διωνυμικές,κανονικές, εκθετικές κατανομές και κατανομές Poisson μας επιτρέπουν να κάνουμε διατυπώσεις πιθανοτήτων γύρω από το Χ

Διαβάστε περισσότερα

ΔΕΙΚΤΕΣ ΙΚΑΝΟΤΗΤΑΣ ΣΤΟ ΣΤΑΤΙΣΤΙΚΟ ΕΛΕΓΧΟ ΔΙΕΡΓΑΣΙΩΝ

ΔΕΙΚΤΕΣ ΙΚΑΝΟΤΗΤΑΣ ΣΤΟ ΣΤΑΤΙΣΤΙΚΟ ΕΛΕΓΧΟ ΔΙΕΡΓΑΣΙΩΝ Διπλωματική Εργασία ΔΕΙΚΤΕΣ ΙΚΑΝΟΤΗΤΑΣ ΣΤΟ ΣΤΑΤΙΣΤΙΚΟ ΕΛΕΓΧΟ ΔΙΕΡΓΑΣΙΩΝ ΠΕΤΡΟΥΛΙΑ ΜΑΡΙΑ Επιβλέπων: Κουκουβίνος Χρήστος, Καθηγητής Ε.Μ.Π. Αθήνα, Ιούλιος 014 ΠΕΡΙΛΗΨΗ Στο σύγχρονο ανταγωνιστικό περιβάλλον,

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 22 Μαΐου /32

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 22 Μαΐου /32 Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 22 Μαΐου 2017 1/32 Εισαγωγή: Τυπικό παράδειγμα στατιστικού ελέγχου υποθέσεων. Ενας νέος τύπος

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34 Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 14 Μαρτίου 018 1/34 Διαστήματα Εμπιστοσύνης. Εχουμε δει εκτενώς μέχρι τώρα τρόπους εκτίμησης

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε

Διαβάστε περισσότερα

ΔΕΙΚΤΕΣ ΙΚΑΝΟΤΗΤΑΣ ΔΙΕΡΓΑΣΙΑΣ ΣΕ ΚΑΝΟΝΙΚΕΣ ΚΑΙ ΜΗ ΚΑΝΟΝΙΚΕΣ ΚΑΤΑΝΟΜΕΣ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ ΕΞΙ ΣΙΓΜΑ. ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της

ΔΕΙΚΤΕΣ ΙΚΑΝΟΤΗΤΑΣ ΔΙΕΡΓΑΣΙΑΣ ΣΕ ΚΑΝΟΝΙΚΕΣ ΚΑΙ ΜΗ ΚΑΝΟΝΙΚΕΣ ΚΑΤΑΝΟΜΕΣ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ ΕΞΙ ΣΙΓΜΑ. ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΕΙΚΤΕΣ ΙΚΑΝΟΤΗΤΑΣ ΔΙΕΡΓΑΣΙΑΣ ΣΕ ΚΑΝΟΝΙΚΕΣ ΚΑΙ ΜΗ ΚΑΝΟΝΙΚΕΣ ΚΑΤΑΝΟΜΕΣ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ ΕΞΙ ΣΙΓΜΑ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της

Διαβάστε περισσότερα

ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ SHEWHART KAI KANONAΣ ΡΟΩΝ r / m

ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ SHEWHART KAI KANONAΣ ΡΟΩΝ r / m Π Α Ν Ε Π Ι Σ Τ Η Μ Ι O Π Ε Ι Ρ Α Ι Ω Σ Σχολή Χρηματοοικονομικής και Στατιστικής Τ μήμα Στατιστικής κ αι Ασφαλιστικής Επιστή μης ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 6-7 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές

Διαβάστε περισσότερα

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21 ΚΕΦΑΛΑΙΟ 21 Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ (Power of a Test) Όπως είδαμε προηγουμένως, στον Στατιστικό Έλεγχο Υποθέσεων, ορίζουμε δύο είδη πιθανών λαθών (κινδύνων) που μπορεί να συμβούν όταν παίρνουμε αποφάσεις

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 7-8 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες

Διαβάστε περισσότερα

Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης

Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης 1 Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης Όπως γνωρίζουμε από προηγούμενα κεφάλαια, στόχος των περισσότερων στατιστικών αναλύσεων, είναι η έγκυρη γενίκευση των συμπερασμάτων, που προέρχονται από

Διαβάστε περισσότερα

Διοίκηση Ποιότητας Έργων 2 η Διάλεξη. Μεταπτυχιακό πρόγραμμα στη Διαχείριση Έργων και Προγραμμάτων

Διοίκηση Ποιότητας Έργων 2 η Διάλεξη. Μεταπτυχιακό πρόγραμμα στη Διαχείριση Έργων και Προγραμμάτων 1 Διοίκηση Ποιότητας Έργων 2 η Διάλεξη Μεταπτυχιακό πρόγραμμα στη Διαχείριση Έργων και Προγραμμάτων 2 Περιεχόμενα της 2 ης Διάλεξης Στοιχεία και Τεχνικές Ποιοτικού Ελέγχου Σύνοψη Διακύμανση και Ικανότητα

Διαβάστε περισσότερα

Στατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών

Στατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Στατιστική Ι Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για

Διαβάστε περισσότερα

Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017

Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017 Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017 2 Γιατί ανάλυση διακύμανσης; (1) Ας θεωρήσουμε k πληθυσμούς με μέσες τιμές μ 1, μ 2,, μ k, αντίστοιχα Πως μπορούμε να συγκρίνουμε τις μέσες τιμές k πληθυσμών

Διαβάστε περισσότερα

ΠΑΡΟΥΣΙΑΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ

ΠΑΡΟΥΣΙΑΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ο Κεφάλαιο: Στατιστική ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΑΙ ΟΡΙΣΜΟΙ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ Πληθυσμός: Λέγεται ένα σύνολο στοιχείων που θέλουμε να εξετάσουμε με ένα ή περισσότερα χαρακτηριστικά. Μεταβλητές X: Ονομάζονται

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 5-6 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές

Διαβάστε περισσότερα

Στατιστική Επιχειρήσεων ΙΙ

Στατιστική Επιχειρήσεων ΙΙ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #4: Έλεγχος Υποθέσεων Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

ΕΚΤΙΜΗΣΗ ΤΗΣ ΤΥΠΙΚΗΣ ΑΠΟΚΛΙΣΗΣ ΣΤΟ ΣΤΑΤΙΣΤΙΚΟ ΕΛΕΓΧΟ ΠΟΙΟΤΗΤΑΣ

ΕΚΤΙΜΗΣΗ ΤΗΣ ΤΥΠΙΚΗΣ ΑΠΟΚΛΙΣΗΣ ΣΤΟ ΣΤΑΤΙΣΤΙΚΟ ΕΛΕΓΧΟ ΠΟΙΟΤΗΤΑΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΕΚΤΙΜΗΣΗ ΤΗΣ ΤΥΠΙΚΗΣ ΑΠΟΚΛΙΣΗΣ ΣΤΟ ΣΤΑΤΙΣΤΙΚΟ ΕΛΕΓΧΟ ΠΟΙΟΤΗΤΑΣ ΓΕΩΡΓΙΟΣ

Διαβάστε περισσότερα

Ελληνικό Ανοικτό Πανεπιστήμιο

Ελληνικό Ανοικτό Πανεπιστήμιο Διοίκηση Ολικής Ποιότητας και Διαχείριση Περιβάλλοντος Ελληνικό Ανοικτό Πανεπιστήμιο Πρόγραμμα Σπουδών: Διοίκηση Επιχειρήσεων και Οργανισμών Ακαδημαϊκό Έτος 2006-07 2η ΟΣΣ Ευτύχιος Σαρτζετάκης, Αναπληρωτής

Διαβάστε περισσότερα

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Η μηδενική υπόθεση είναι ένας ισχυρισμός σχετικά με την τιμή μιας πληθυσμιακής παραμέτρου. Είναι

Διαβάστε περισσότερα

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium Iii

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium Iii Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium Iii Η Κανονική Κατανομή Λέμε ότι μία τυχαία μεταβλητή X, ακολουθεί την Κανονική Κατανομή με παραμέτρους και και συμβολίζουμε X N, αν έχει συνάρτηση πυκνότητας

Διαβάστε περισσότερα

Στατιστική Ι. Ενότητα 1: Στατιστική Ι (1/4) Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Κοζάνη)

Στατιστική Ι. Ενότητα 1: Στατιστική Ι (1/4) Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Κοζάνη) Στατιστική Ι Ενότητα 1: Στατιστική Ι (1/4) Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Κοζάνη) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.

Διαβάστε περισσότερα

Εισαγωγή στη Στατιστική

Εισαγωγή στη Στατιστική Εισαγωγή στη Στατιστική Μετεκπαιδευτικό Σεμινάριο στην ΨΥΧΟΚΟΙΝΩΝΙΚΗ ΑΠΟΚΑΤΑΣΤΑΣΗ ΨΥΧΟΚΟΙΝΩΝΙΚΕΣ ΘΕΡΑΠΕΥΤΙΚΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων

Διαβάστε περισσότερα

X = = 81 9 = 9

X = = 81 9 = 9 Πιθανότητες και Αρχές Στατιστικής (11η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 35 Σύνοψη

Διαβάστε περισσότερα

2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για

2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για 2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ (Backward Elimination Procedure) Στην στατιστική βιβλιογραφία υπάρχουν πολλές μέθοδοι για τον καθορισμό του καλύτερου υποσυνόλου από ένα σύνολο

Διαβάστε περισσότερα

Μοντέλο συστήματος διαχείρισης της ποιότητας

Μοντέλο συστήματος διαχείρισης της ποιότητας Μοντέλο συστήματος διαχείρισης της ποιότητας Διαρκής βελτίωση του Συστήματος Διαχείρισης της Ποιότητας Ευθύνη της Διοίκησης Πελάτες Πελάτες Διαχείριση Πόρων Μέτρηση, ανάλυση και βελτίωση Ικανοποίηση Απαιτήσεις

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 2 Μαΐου /23

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 2 Μαΐου /23 Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 2 Μαΐου 2017 1/23 Ανάλυση Διακύμανσης. Η ανάλυση παλινδρόμησης μελετά τη στατιστική σχέση ανάμεσα

Διαβάστε περισσότερα

Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η : ,

Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η : , Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Στατιστική II Διάλεξη 1 η : Εισαγωγή-Επανάληψη βασικών εννοιών Εβδομάδα 1 η :1-0-017, 3-0-017 Διδάσκουσα: Κοντογιάννη Αριστούλα Σκοπός του μαθήματος Η παρουσίαση

Διαβάστε περισσότερα

Δρ. Χάϊδω Δριτσάκη. MSc Τραπεζική & Χρηματοοικονομική

Δρ. Χάϊδω Δριτσάκη. MSc Τραπεζική & Χρηματοοικονομική Ποσοτικές Μέθοδοι Δρ. Χάϊδω Δριτσάκη MSc Τραπεζική & Χρηματοοικονομική Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης 50100 Kozani GR

Διαβάστε περισσότερα

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ 3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ. Καθ. Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 2015 Πληθυσμός: Εισαγωγή Ονομάζεται το σύνολο των χαρακτηριστικών που

Διαβάστε περισσότερα

Διαστήματα εμπιστοσύνης. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς

Διαστήματα εμπιστοσύνης. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Το διάστημα εμπιστοσύνης είναι ένα διάστημα αριθμών

Διαβάστε περισσότερα

Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα

Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα Ορισμός τυχαίας μεταβλητής Τυχαία μεταβλητή λέγεται η συνάρτηση

Διαβάστε περισσότερα

ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ

ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ ΚΕΦΑΛΑΙΟ 5 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ Α. Περίπτωση Ενός Πληθυσμού Έστω ότι μελετάμε μια ακολουθία ανεξαρτήτων δοκιμών κάθε μία από τις οποίες οδηγεί είτε σε επιτυχία είτε σε αποτυχία με σταθερή

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων α) Σημειοεκτιμητική β) Εκτιμήσεις Διαστήματος ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Παράδειγμα

Διαβάστε περισσότερα

9. Παλινδρόμηση και Συσχέτιση

9. Παλινδρόμηση και Συσχέτιση 9. Παλινδρόμηση και Συσχέτιση Παλινδρόμηση και Συσχέτιση Υπάρχει σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές; Αν ναι, ποια είναι αυτή η σχέση; Πως μπορεί αυτή η σχέση να χρησιμοποιηθεί για να προβλέψουμε

Διαβάστε περισσότερα

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

Στατιστική Συμπερασματολογία 4. Εκτιμητική Στατιστική Συμπερασματολογία εκτιμήσεις των αγνώστων παραμέτρων μιας γνωστής από άποψη είδους κατανομής έλεγχο των υποθέσεων που γίνονται σε σχέση με τις παραμέτρους μιας κατανομής και σε

Διαβάστε περισσότερα

4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου

4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου 4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΟΡΓΑΝΙΣΜΩΝ. Πρότυπη Προτεινόμενη Απάντηση 2 ης ΓΕ

ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΟΡΓΑΝΙΣΜΩΝ. Πρότυπη Προτεινόμενη Απάντηση 2 ης ΓΕ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΟΡΓΑΝΙΣΜΩΝ ΔΕΟ 42 ΔΙΟΙΚΗΣΗ ΟΛΙΚΗΣ ΠΟΙΟΤΗΤΑΣ Επιμέλεια ύλης: Βίκυ Βάρδα Πρότυπη Προτεινόμενη Απάντηση 2 ης ΓΕ 2015-2016 Κ.Βάρναλη 54, 210 5711484 grammateia@eclass4u.gr

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ ΣΕ ΕΥΡΩΠΑΙΚΕΣ ΧΩΡΕΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ ΣΕ ΕΥΡΩΠΑΙΚΕΣ ΧΩΡΕΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΣΤΡΑΤΗΓΙΚΗ ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ ΣΕ ΕΥΡΩΠΑΙΚΕΣ ΧΩΡΕΣ Αθανάσιος Νταραβάνογλου Διπλωματική

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ

ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση

Διαβάστε περισσότερα

Στατιστική: Δειγματοληψία X συλλογή δεδομένων. Περιγραφική στατιστική V πίνακες, γραφήματα, συνοπτικά μέτρα

Στατιστική: Δειγματοληψία X συλλογή δεδομένων. Περιγραφική στατιστική V πίνακες, γραφήματα, συνοπτικά μέτρα ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ Α Δημήτρης Κουγιουμτζής e-mail: dkugiu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://users.auth.gr/~dkugiu/teach/civiltrasport/ide.html Στατιστική: Δειγματοληψία

Διαβάστε περισσότερα

2.4 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ ΜΙΑ ΠΙΘΑΝΟΤΗΤΑ

2.4 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ ΜΙΑ ΠΙΘΑΝΟΤΗΤΑ .4 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ ΜΙΑ ΠΙΘΑΝΟΤΗΤΑ Η μέθοδος για τον προσδιορισμό ενός διαστήματος εμπιστοσύνης για την άγνωστη πιθανότητα =P(A) ενός ενδεχομένου A συνδέεται στενά με τον διωνυμικό έλεγχο. Ένα

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ( ΜΕΤΡΑ ΘΕΣΗΣ ΚΑΙ ΔΙΑΣΠΟΡΑΣ)

ΣΤΑΤΙΣΤΙΚΗ ( ΜΕΤΡΑ ΘΕΣΗΣ ΚΑΙ ΔΙΑΣΠΟΡΑΣ) ΣΤΑΤΙΣΤΙΚΗ ( ΜΕΤΡΑ ΘΕΣΗΣ ΚΑΙ ΔΙΑΣΠΟΡΑΣ) ΠΕΡΙΕΧΟΜΕΝΑ Μέτρα θέσης και διασποράς (Εισαγωγή) Μέση τιμή Διάμεσος Σταθμικός μέσος Επικρατούσα τιμή Εύρος Διακύμανση Τυπική απόκλιση Συντελεστής μεταβολής Κοζαλάκης

Διαβάστε περισσότερα

Σημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη

Σημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη Σημειακή εκτίμηση και εκτίμηση με διάστημα 11 η Διάλεξη Εκτιμήτρια Κάθε στατιστική συνάρτηση που χρησιμοποιείται για την εκτίμηση μιας παραμέτρου ενός πληθυσμού (π.χ. ο δειγματικός μέσος) Σημειακή εκτίμηση

Διαβάστε περισσότερα

Ανάλυση εισοδήματος των μισθωτών και παράγοντες που το επηρεάζουν

Ανάλυση εισοδήματος των μισθωτών και παράγοντες που το επηρεάζουν Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Π Ε Ι Ρ Α Ι Ω Σ ΤΜΗΜΑ Σ Τ Α Τ Ι Σ Τ Ι Κ Η Σ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ Ε Π Ι Σ Τ Η Μ Η Σ Μ Ε Τ Α Π Τ Υ Χ Ι Α Κ Ο ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ Ε Φ Α Ρ Μ Ο Σ Μ Ε Ν Η Σ Τ Α Τ Ι Σ Τ Ι Κ Η Ανάλυση εισοδήματος

Διαβάστε περισσότερα

Εφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική

Εφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ B Δημήτρης Κουγιουμτζής e-mal: dkugu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://uer.auth.gr/~dkugu/teach/cvltraport/dex.html Εφαρμοσμένη Στατιστική:

Διαβάστε περισσότερα

Αριθμητική Ανάλυση και Εφαρμογές

Αριθμητική Ανάλυση και Εφαρμογές Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 07-08 Αριθμητική Παραγώγιση Εισαγωγή Ορισμός 7. Αν y f x είναι μια συνάρτηση ορισμένη σε ένα διάστημα

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ. «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΝΟΣΟΚΟΜΕΙΑΚΟΥ ΠΡΟΣΩΠΙΚΟΥ

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ. «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΝΟΣΟΚΟΜΕΙΑΚΟΥ ΠΡΟΣΩΠΙΚΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΝΟΣΟΚΟΜΕΙΑΚΟΥ ΠΡΟΣΩΠΙΚΟΥ Μαστρογιάννη Μαρία Διπλωματική Εργασία υποβληθείσα

Διαβάστε περισσότερα

Κεφάλαιο 9. Έλεγχοι υποθέσεων

Κεφάλαιο 9. Έλεγχοι υποθέσεων Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές

Διαβάστε περισσότερα

4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου

4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου 4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.

Διαβάστε περισσότερα

Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017

Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017 Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης

Διαβάστε περισσότερα

6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων

6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων 6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων 6.1 Το Πρόβλημα του Ελέγχου Υποθέσεων Ενός υποθέσουμε ότι μία φαρμακευτική εταιρεία πειραματίζεται πάνω σε ένα νέο φάρμακο για κάποια ασθένεια έχοντας ως στόχο, τα πρώτα θετικά

Διαβάστε περισσότερα

ΑΣΚΗΣΕΙΣ ΔΙΑΣΤΗΜΑΤΩΝ ΕΜΠΙΣΤΟΣΥΝΗΣ. Άσκηση 1. Βρείτε δ/μα εμπιστοσύνης για τη μέση τιμή μ κανονικού πληθυσμού όταν n=20,

ΑΣΚΗΣΕΙΣ ΔΙΑΣΤΗΜΑΤΩΝ ΕΜΠΙΣΤΟΣΥΝΗΣ. Άσκηση 1. Βρείτε δ/μα εμπιστοσύνης για τη μέση τιμή μ κανονικού πληθυσμού όταν n=20, ΜΕΜ64: Εφαρμοσμένη Στατιστική 1 ΑΣΚΗΣΕΙΣ ΔΙΑΣΤΗΜΑΤΩΝ ΕΜΠΙΣΤΟΣΥΝΗΣ Άσκηση 1. Βρείτε δ/μα εμπιστοσύνης για τη μέση τιμή μ κανονικού πληθυσμού όταν n=0, X = 7.5, σ = 16, α = 5%. Πως αλλάζει το διάστημα αν

Διαβάστε περισσότερα

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua. Μέρος Β /Στατιστική Μέρος Β Στατιστική Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.gr/gpapadopoulos) Από τις Πιθανότητες στη Στατιστική Στα προηγούμενα, στο

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Β μέρος: Ετεροσκεδαστικότητα. Παπάνα Αγγελική

ΟΙΚΟΝΟΜΕΤΡΙΑ. Β μέρος: Ετεροσκεδαστικότητα. Παπάνα Αγγελική ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 10: Οικονομετρικά προβλήματα: Παραβίαση των υποθέσεων Β μέρος: Ετεροσκεδαστικότητα Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr

Διαβάστε περισσότερα

ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ

ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ A εξάμηνο 2009-2010 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ Μεθοδολογία Έρευνας και Στατιστική ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Χειμερινό Εξάμηνο 2009-2010 Ποιοτικές και Ποσοτικές

Διαβάστε περισσότερα

Β Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής

Διαβάστε περισσότερα

Εργαστήριο Μαθηματικών & Στατιστικής 2η Πρόοδος στο Μάθημα Στατιστική 28/01/2011 (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) 1ο Θέμα [40] α) στ) 2ο Θέμα [40]

Εργαστήριο Μαθηματικών & Στατιστικής 2η Πρόοδος στο Μάθημα Στατιστική 28/01/2011 (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) 1ο Θέμα [40] α) στ) 2ο Θέμα [40] Εργαστήριο Μαθηματικών & Στατιστικής η Πρόοδος στο Μάθημα Στατιστική 8// (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) ο Θέμα [4] Τα τελευταία χρόνια παρατηρείται συνεχώς αυξανόμενο ενδιαφέρον για τη μελέτη της συγκέντρωσης

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 12. Εκτίμηση των παραμέτρων ενός πληθυσμού

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 12. Εκτίμηση των παραμέτρων ενός πληθυσμού ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα

ΦΡΑΓΜΑΤΑ ΑΞΙΟΠΙΣΤΙΑΣ

ΦΡΑΓΜΑΤΑ ΑΞΙΟΠΙΣΤΙΑΣ Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Π Ε Ι Ρ Α Ι Ω Σ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΦΡΑΓΜΑΤΑ ΑΞΙΟΠΙΣΤΙΑΣ Φώτιος Σ. Μηλιένος Διπλωματική Εργασία

Διαβάστε περισσότερα

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling) 3 ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratfed Radom Samplg) Είναι προφανές από τα τυπικά σφάλματα των εκτιμητριών των προηγούμενων παραγράφων, ότι ένας τρόπος να αυξηθεί η ακρίβεια τους είναι να αυξηθεί

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Τυχαίο Δείγμα

Διαβάστε περισσότερα

Ενότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης

Ενότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 2: Έλεγχοι Υποθέσεων

Διαβάστε περισσότερα

Είδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ

Είδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρμοσμένες Επιστήμες Στατιστικός Πληθυσμός και Δείγμα Το στατιστικό

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Ανασκόπηση βασικών εννοιών Στατιστικής και Πιθανοτήτων Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana

Διαβάστε περισσότερα

10.7 Λυμένες Ασκήσεις για Διαστήματα Εμπιστοσύνης

10.7 Λυμένες Ασκήσεις για Διαστήματα Εμπιστοσύνης 10.7 Λυμένες Ασκήσεις για Διαστήματα Εμπιστοσύνης Διαστήματα εμπιστοσύνης για τον μέσο ενός πληθυσμού (Μικρά δείγματα) Άσκηση 10.7.1: Ο επόμενος πίνακας τιμών δείχνει την αύξηση σε ώρες ύπνου που είχαν

Διαβάστε περισσότερα

ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική

ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική Ενότητα 3: Έλεγχοι υποθέσεων - Διαστήματα εμπιστοσύνης Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Οι ερευνητικές υποθέσεις Στην έρευνα ελέγχουμε

Διαβάστε περισσότερα

2.5.1 ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ

2.5.1 ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ .5. ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΜΙΑΣ ΚΑΤΑΝΟΜΗΣ Η μέθοδος κατασκευής διαστήματος εμπιστοσύνης για την πιθανότητα που περιγράφεται στην προηγούμενη ενότητα μπορεί να χρησιμοποιηθεί για την κατασκευή διαστημάτων

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegean.gr Τηλ: 7035468 Εκτίμηση

Διαβάστε περισσότερα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια

Διαβάστε περισσότερα

Λίγα λόγια για τους συγγραφείς 16 Πρόλογος 17

Λίγα λόγια για τους συγγραφείς 16 Πρόλογος 17 Περιεχόμενα Λίγα λόγια για τους συγγραφείς 16 Πρόλογος 17 1 Εισαγωγή 21 1.1 Γιατί χρησιμοποιούμε τη στατιστική; 21 1.2 Τι είναι η στατιστική; 22 1.3 Περισσότερα για την επαγωγική στατιστική 23 1.4 Τρεις

Διαβάστε περισσότερα

Ενότητα 3: Περιγραφική Στατιστική (Πίνακες & Αριθμητικά μέτρα)

Ενότητα 3: Περιγραφική Στατιστική (Πίνακες & Αριθμητικά μέτρα) ΤΕΙ Στερεάς Ελλάδας Τμήμα Φυσικοθεραπείας Προπτυχιακό Πρόγραμμα Μάθημα: Βιοστατιστική-Οικονομία της υγείας Εξάμηνο: Ε (5 ο ) Ενότητα 3: Περιγραφική Στατιστική (Πίνακες & Αριθμητικά μέτρα) Δρ. Χρήστος Γενιτσαρόπουλος

Διαβάστε περισσότερα

Εισαγωγή στη θεωρία ακραίων τιμών

Εισαγωγή στη θεωρία ακραίων τιμών Εισαγωγή στη θεωρία ακραίων τιμών Αντικείμενο της θεωρίας ακραίων τιμών αποτελεί: Η ανάπτυξη και μελέτη στοχαστικών μοντέλων με σκοπό την επίλυση προβλημάτων που σχετίζονται με την εμφάνιση «πολύ μεγάλων»

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 7. Τυχαίες Μεταβλητές και Διακριτές Κατανομές Πιθανοτήτων

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 7. Τυχαίες Μεταβλητές και Διακριτές Κατανομές Πιθανοτήτων ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana

Διαβάστε περισσότερα

Για το δείγμα από την παραγωγή της εταιρείας τροφίμων δίνεται επίσης ότι, = 1.3 και για το δείγμα από το συνεταιρισμό ότι, x

Για το δείγμα από την παραγωγή της εταιρείας τροφίμων δίνεται επίσης ότι, = 1.3 και για το δείγμα από το συνεταιρισμό ότι, x Εργαστήριο Μαθηματικών & Στατιστικής η Πρόοδος στο Μάθημα Στατιστική // (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) ο Θέμα [] Επιλέξαμε φακελάκια (της μισής ουγκιάς) που περιέχουν σταφίδες από την παραγωγή μιας εταιρείας

Διαβάστε περισσότερα

ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ» ΚΑΛΥΒΑ ΠΑΝΑΓΙΩΤΑ ΛΑΖΑΡΟΥ ΜΑΡΙΕΛΕΝΑ

ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ» ΚΑΛΥΒΑ ΠΑΝΑΓΙΩΤΑ ΛΑΖΑΡΟΥ ΜΑΡΙΕΛΕΝΑ ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ» ΚΑΛΥΒΑ ΠΑΝΑΓΙΩΤΑ ΛΑΖΑΡΟΥ ΜΑΡΙΕΛΕΝΑ ΜΥΛΩΝΑ ΔΙΟΝΥΣΙΑ ΕΠΟΠΤΕΥΩΝ ΚΑΘΗΓΗΤΗΣ: ΔΡ. ΒΑΣΙΛΙΚΗ ΚΑΡΙΩΤΗ ΕΙΣΗΓΗΤΗΣ:

Διαβάστε περισσότερα

Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:

Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή: Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον

Διαβάστε περισσότερα

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών

Διαβάστε περισσότερα

Μην ξεχάσετε να προσθέσετε μόνοι σας τα Session του Minitab! Δηλαδή την ημερομηνία και ώρα που κάνατε κάθε άσκηση!

Μην ξεχάσετε να προσθέσετε μόνοι σας τα Session του Minitab! Δηλαδή την ημερομηνία και ώρα που κάνατε κάθε άσκηση! Μην ξεχάσετε να προσθέσετε μόνοι σας τα Session του Minitab! Δηλαδή την ημερομηνία και ώρα που κάνατε κάθε άσκηση! ΘΕΜΑ ο [Μονάδες 20] Ερώτημα i (4 μονάδες). Για να κάνουμε τους υπολογισμούς που χρειάζονται

Διαβάστε περισσότερα

Περιγραφική Ανάλυση ποσοτικών μεταβλητών

Περιγραφική Ανάλυση ποσοτικών μεταβλητών Περιγραφική Ανάλυση ποσοτικών μεταβλητών Στο data file Worldsales.sav (αρχείο υποθετικών πωλήσεων ανά ήπειρο και προϊόν) Analyze Descriptive Statistics Frequencies Επιλογή μεταβλητής Revenue Πατάμε στο

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΒΙΟΜΗΧΑΝΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ III ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ & ΕΛΕΓΧΟΣ ΠΟΙΟΤΗΤΑΣ

ΔΙΟΙΚΗΣΗ ΒΙΟΜΗΧΑΝΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ III ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ & ΕΛΕΓΧΟΣ ΠΟΙΟΤΗΤΑΣ ΔΙΟΙΚΗΣΗ ΒΙΟΜΗΧΑΝΙΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ III ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ & ΕΛΕΓΧΟΣ ΠΟΙΟΤΗΤΑΣ Λέκτορας Ι. Γιαννατσής Καθηγητής Π. Φωτήλας Η ΣΗΜΑΣΙΑ ΤΗΣ ΠΟΙΟΤΗΤΑΣ Η ποιότητα των παρεχόμενων προϊόντων/υπηρεσιών αποτελεί τον

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ. Καθ. Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 015 Ανάλυση Διακύμανσης Η Ανάλυση Διακύμανσης είναι μία τεχνική που

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΑΠΟΔΟΣΗΣ ΠΡΟΣΩΠΙΚΟΥ: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ ΙΔΙΩΤΙΚΟΥ ΝΟΣΟΚΟΜΕΙΟΥ ΠΑΡΑΓΙΟΥΔΑΚΗ ΜΑΓΔΑΛΗΝΗ

ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΑΠΟΔΟΣΗΣ ΠΡΟΣΩΠΙΚΟΥ: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ ΙΔΙΩΤΙΚΟΥ ΝΟΣΟΚΟΜΕΙΟΥ ΠΑΡΑΓΙΟΥΔΑΚΗ ΜΑΓΔΑΛΗΝΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ της ΥΓΕΙΑΣ» ΑΞΙΟΛΟΓΗΣΗ ΑΠΟΔΟΣΗΣ ΠΡΟΣΩΠΙΚΟΥ: ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ ΙΔΙΩΤΙΚΟΥ ΝΟΣΟΚΟΜΕΙΟΥ ΠΑΡΑΓΙΟΥΔΑΚΗ ΜΑΓΔΑΛΗΝΗ Διπλωματική

Διαβάστε περισσότερα

Μοντέλο συστήματος διαχείρισης της ποιότητας

Μοντέλο συστήματος διαχείρισης της ποιότητας Μοντέλο συστήματος διαχείρισης της ποιότητας Διαρκής βελτίωση του Συστήματος Διαχείρισης της Ποιότητας Ευθύνη της Διοίκησης Πελάτες Πελάτες Διαχείριση Πόρων Μέτρηση, ανάλυση και βελτίωση Ικανοποίηση Απαιτήσεις

Διαβάστε περισσότερα

Γραπτή Εξέταση Περιόδου Φεβρουαρίου 2013 στη Στατιστική

Γραπτή Εξέταση Περιόδου Φεβρουαρίου 2013 στη Στατιστική Εργαστήριο Μαθηματικών & Στατιστικής ΣΕΙΡΑ Α Γραπτή Εξέταση Περιόδου Φεβρουαρίου 013 στη Στατιστική για τα Τμήματα Ε.Τ.Τ., Γ.Β., Α.Ο.Α. και Ε.Ζ.Π.&Υ. 08/0/013 1. [0] Η ποσότητα, έστω Χ, καλίου που περιέχεται

Διαβάστε περισσότερα

Είδη Μεταβλητών. κλίµακα µέτρησης

Είδη Μεταβλητών. κλίµακα µέτρησης ΠΕΡΙΕΧΟΜΕΝΑ Κεφάλαιο 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρµοσµένες Επιστήµες Στατιστικός Πληθυσµός και Δείγµα Το στατιστικό

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΟΙΟΤΗΤΑΣ. Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

ΔΙΟΙΚΗΣΗ ΠΟΙΟΤΗΤΑΣ. Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΔΙΟΙΚΗΣΗ ΠΟΙΟΤΗΤΑΣ Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Ορισμοί Ποιότητας (1)

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ ΙΙΙ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

ΚΕΦΑΛΑΙΟ ΙΙΙ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΚΕΦΑΛΑΙΟ ΙΙΙ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΕΝΟΤΗΤΕΣ 1. ΓΕΝΙΚΗ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ 3. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΗΣ ΠΡΟΟΔΕΥΤΙΚΗΣ ΠΡΟΣΘΗΚΗΣ

Διαβάστε περισσότερα

Στατιστική. Εκτιμητική

Στατιστική. Εκτιμητική Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια

Διαβάστε περισσότερα