ΣΥΝΘΕΤΙΚΑ ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ
|
|
- Νικολίτα Σπηλιωτόπουλος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 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 ΣΥΝΘΕΤΙΚΑ ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ ΑΝΤΡΙΑΝΑ Π. ΚΑΡΑΒΙΩΤΗ Διπλωματική Εργασία που υποβλήθηκε στο Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης του Πανεπιστημίου Πειραιώς ως μέρος των απαιτήσεων για την απόκτηση του Μεταπτυχιακού Διπλώματος Ειδίκευσης στην Εφαρμοσμένη Στατιστική Πειραιάς Φεβρουάριος 9
2
3 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 ΣΥΝΘΕΤΙΚΑ ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ ΑΝΤΡΙΑΝΑ Π. ΚΑΡΑΒΙΩΤΗ Διπλωματική Εργασία που υποβλήθηκε στο Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης του Πανεπιστημίου Πειραιώς ως μέρος των απαιτήσεων για την απόκτηση του Μεταπτυχιακού Διπλώματος Ειδίκευσης στην Εφαρμοσμένη Στατιστική Πειραιάς Φεβρουάριος 9
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. 5/ συνεδρίασή του σύμφωνα με τον Εσωτερικό Κανονισμό Λειτουργίας του Προγράμματος Μεταπτυχιακών Σπουδών στην Εφαρμοσμένη Στατιστική Τα μέλη της Επιτροπής ήταν: - Δημήτριος Αντζουλάκος, Αναπληρωτής Καθηγητής (Επιβλέπων) - Μάρκος Κούτρας, Καθηγητής - Μιχαήλ Μπούτσικας, Επίκουρος Καθηγητής Η έγκριση της Διπλωματική 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 SYNTHETIC CONTROL CHARTS By ANTRIANA P. KARAVIOTI MSc Dssertaton submtte to the Department of Statstcs an Insurance Scence of the Unversty of Praeus n partal fulflment of the requrements for the egree of Master of Scence n Apple Statstcs Praeus, Greece February 9
6
7 Στη μητέρα μου Θεοδώρα και την αδελφή μου Μαριέττα
8
9 Ευχαριστίες Θα ήθελα να ευχαριστήσω τη μητέρα μου και την αδελφή μου για την φροντίδα, την αγάπη και την υποστήριξή τους σε όλες μου τις επιλογές, επιστημονικές, επαγγελματικές και προσωπικές, τον επιβλέποντα καθηγητή μου κ. Αντζουλάκο Δημήτριο για τη βοήθεια και την καθοδήγησή του, χωρίς τις οποίες δεν θα είχα καταφέρει να φέρω σε πέρας αυτή τη διπλωματική εργασία, αλλά και τα μέλη της τριμελούς επιτροπής κ.κ. Κούτρα Μάρκο και Μπούτσικα Μιχαήλ για την επίβλεψη της.
10
11 Περίληψη Σε κάθε παραγωγική διεργασία θα υπάρχει πάντα μια μορφή φυσικής μεταβλητότητας, η οποία αποτελεί συνισταμένη πολλών μικρών αιτιών που αναφέρονται ως κοινές ή τυχαίες αιτίες μεταβλητότητας. Η φυσική μεταβλητότητα είναι συνήθως μικρή σε μέγεθος και δεν μπορεί να μειωθεί ή να εξαφανιστεί. Μια διεργασία η οποία λειτουργεί μόνο με την παρουσία φυσικής μεταβλητότητας λέμε ότι είναι εντός στατιστικού ελέγχου. Όμως σε μια διεργασία μπορεί να εμφανίζονται και άλλες μορφές μεταβλητότητας οι οποίες δεν οφείλονται σε τυχαίες αιτίες αλλά αφορούν τη συστηματική αλλαγή στο επίπεδο κάποιου ή κάποιων παραγόντων που καθορίζουν την ποιότητα του προϊόντος. Αυτή η μεταβλητότητα είναι σε μέγεθος πολύ μεγαλύτερη της φυσικής και η παρουσία της οδηγεί συνήθως σε μη αποδεκτά επίπεδα λειτουργίας της παραγωγικής διεργασίας, αναφέρεται δε ως ειδική μεταβλητότητα και οι αιτίες που την προκαλούν ονομάζονται ειδικές ή συστηματικές αιτίες μεταβλητότητας. Τα διαγράμματα ελέγχου Shewhart για την παρακολούθηση του μέσου μ μιας διεργασίας δίνουν σήμα ότι μια διεργασία είναι εκτός ελέγχου όταν ένα σημείο του διαγράμματος βρεθεί εκτός των ορίων ελέγχου που ορίζονται από το κάτω (LCL) και το άνω (UCL) όριο του διαγράμματος. Το Shewhart X διάγραμμα έλέγχου έχει ευρέως χρησιμοποιηθεί στη βιομηχανία για τον έλεγχο του μέσου μιας διεργασίας. Αυτό το διάγραμμα είναι αρκετά αποτελεσματικό στο να ανιχνεύει μεγάλης κλίμακας μετατοπίσεις του μέσου. Παρ όλα αυτά δεν είναι ευαίσθητο σε μικρές έως μέτριες μετατοπίσεις του μέσου. Το συνθετικό διάγραμμα ελέγχου αποτελεί συνδυασμό του κλασσικού διαγράμματος Shewhart X και του διαγράμματος συμμορφούμενου μήκους ροής (CRL) και αποτελείται από ένα X / S υπο-διάγραμμα και ένα CRL/S υπο-διάγραμμα. Τα διαγράμματα αυτά έχουν προταθεί για την παρακολούθηση του μέσου μιας παραγωγικής διεργασίας, της διασποράς αυτής αλλά και για διακριτά χαρακτηριστικά. Είναι δε αποδοτικότερα στην ανίχνευση μικρών μετατοπίσεων του μέσου της διεργασίας έναντι των κλασσικών διαγραμμάτων τύπου Shewhart. Σκοπός αυτής της διπλωματικής εργασίας είναι η καταγραφή και η παρουσίαση των συνθετικών διαγραμμάτων ελέγχου, αλλά και η σύγκρισή τους με τα διαγράμματα τύπου Shewhart.
12
13 Abstract In each manufacturng process wll there always exsts a form of natural varaton, whch consttutes of many small causes that can be reporte as common or chance causes of varaton. The natural varaton s usually small n sze an t cannot further ecrease or vansh. A manufacturng process whch functons only wth the presence of natural varaton we say that t s n-control. However, n manufacturng processes may also appear other forms of varaton whch reflect a systematc change n levels of certan factors that etermne the qualty of the prouct. Ths varaton s much larger an ts presence usually leas to unacceptable levels of operaton n a manufacturng process. It s reporte as specal varaton an the causes are calle specal or assgnable causes of varaton. The Shewhart type control charts for montorng the mean of a manufacturng process gve a sgnal of an out of control process when a plotte pont falls outse the control lmts. These are specfe by the lower (LCL) an the upper (UCL) control lmt of chart. The Shewhart X control chart has been wely use n nustry to montor the process mean. Ths chart s qute effectve n etectng large shfts n process mean. However, t may be nsenstve to small or moerate shfts. The synthetc control chart ntegrates the Shewhart X an the conformng run length (CRL) chart an conssts of a X / S sub-chart an a CRL/S sub-chart.these charts have been suggeste for montorng the process mean of a manufacturng process, the varance. They are more effcent n the etecton of small shfts than the classcal Shewhart type control charts. The man purpose of ths ssertaton s the recorng an the presentaton of these synthetc control charts an ther comparson to the Shewhart type control charts.
14
15 Περιεχόμενα Κατάλογος Πινάκων Κατάλογος Σχημάτων Κατάλογος Συντομογραφιών. Διαγράμματα Ελέγχου. Διαγράμματα ελέγχου Shewhart. Διαγράμματα ελέγχου Shewhart για μεταβλητές 3.. Διαγράμματα ελέγχου για την μέση τιμή 3.. Διαγράμματα ελέγχου για τη διασπορά 8..3 Διαγράμματα ελέγχου για μεμονωμένες παρατηρήσεις.3 Διαγράμματα ελέγχου Shewhart για ιδιότητες 4.3. Διαγράμματα ελέγχου για το ποσοστό των ελαττωματικών προϊόντων 5.3. Διαγράμματα ελέγχου για τον αριθμό και το μέσο αριθμό των Ελαττωμάτων 8.4 Κανόνες ευαισθητοποίησης ενός διαγράμματος ελέγχου Shewhart.5 Διαγράμματα ελέγχου CUSUM.6 Διαγράμματα ελέγχου EWMA 6. Συνθετικά διαγράμματα ελέγχου για τη μέση τιμή και τον αριθμό των ελαττωματικών προϊόντων. Συνθετικό διάγραμμα ελέγχου για την ανίχνευση μετατοπίσεων του μέσου μιας διεργασίας 3.. Εισαγωγή 3.. Shewhart X και CRL διάγραμμα ελέγχου Το συνθετικό διάγραμμα ελέγχου X CRL Παραδείγματα 4..5 Πρόγραμμα σχεδιασμού του συνθετικού διαγράμματος ελέγχου X CRL Ανθεκτικότητα του συνθετικού διαγράμματος ελέγχου X CRL στη 5 μη κανονικότητα..7 Συμπεράσματα 6. Συνθετικό διάγραμμα ελέγχου για την ανίχνευση αυξήσεων του αριθμού μη συμμορφούμενων μονάδων μιας διεργασίας 63.. Διαγράμματα ελέγχου np και CRL 63.. Το συνθετικό διάγραμμα ελέγχου np-crl Παραδείγματα 7..4 Πρόγραμμα σχεδιασμού του συνθετικού διαγράμματος ελέγχου np - 75 CRL..5 Συμπεράσματα Συνθετικά διαγράμματα ελέγχου για τον έλεγχο της διασποράς Συνθετικό διάγραμμα ελέγχου για τον έλεγχο της διασποράς μιας διεργασίας με τη δειγματική τυπική απόκλιση 79 xv xv xx 3 x
16 3.. Εισαγωγή 3.. S και CRL διάγραμμα ελέγχου 3..3 Το συνθετικό διάγραμμα ελέγχου S - CRL 3..4 Συγκρίσεις ARL μεταξύ του συνθετικού S - CRL διαγράμματος ελέγχου και άλλων διαγραμμάτων ελέγχου για την παρακολούθηση της διασποράς 3..5 Σχέδια VSI για το συνθετικό S - CRL διάγραμμα ελέγχου 3..6 Μέσος χρόνος σήματος 3..7 Σύγκριση των διαγραμμάτων ελέγχου 3..8 Παράδειγμα 3..9 Συμπεράσματα 3. Συνθετικό διάγραμμα ελέγχου για τον έλεγχο της διασποράς μιας διεργασίας με το δειγματικό εύρος Εισαγωγή Διαγράμματα R και CRL Το συνθετικό διάγραμμα ελέγχου R - CRL Συγκρίσεις ARL μεταξύ του συνθετικού R - CRL διαγράμματος ελέγχου και άλλων διαγραμμάτων ελέγχου για την παρακολούθηση της διασποράς Σχέδια VSI για το συνθετικό R και CRL διάγραμμα ελέγχου Μέσος χρόνος σήματος Σύγκριση των διαγραμμάτων ελέγχου Παράδειγμα Συμπεράσματα ΒΙΒΛΙΟΓΡΑΦΙΑ xv
17 Κατάλογος Πινάκων - Συσσωρευμένα αθροίσματα για K = Δεδομένα για την επίδειξη ενός διαγράμματος ελέγχου EWMA 9 - Ζεύγη ( L, k ) και ARL για δ = και ARL ( ) = 37 (συνθετικό διάγραμμα X CRL ) - Τιμές ARL (δ ) για το συνθετικό X CRL και το Shewhart X διάγραμμα ελέγχου ARL( ), δ =.5,.,.5,.,. 5 = -3 Τιμές ARL (δ ) για το συνθετικό X CRL και το Shewhart X διάγραμμα ελέγχου ARL( ) 37, δ =.5,.,.5,.,. 5 = -4 Τιμές ARL (δ ) για το συνθετικό X CRL και το Shewhart X διάγραμμα ελέγχου ARL( ) 5, δ =.5,.,.5,.,. 5 = -5 Βελτιστοποιημένα συνθετικά διαγράμματα ελέγχου X CRL για ARL ( ) = 37-6 Εντός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για δεδομένα από διάφορες κατανομές t -7 (Μέγεθος δείγματος n = 4 ) Εκτός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για διάφορες κατανομές t -8 (Μέγεθος δείγματος n = 5) Εκτός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για διάφορες κατανομές t -9 (Μέγεθος δείγματος n = 6 ) Εκτός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για διάφορες κατανομές t - Εντός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για δεδομένα από διάφορες κατανομές Γάμμα. - (Μέγεθος δείγματος n = 4 ) Εκτός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα xv
18 για διάφορες κατανομές Γάμμα - (Μέγεθος δείγματος n = 4 ) Εκτός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για διάφορες κατανομές Γάμμα -3 (Μέγεθος δείγματος n = 6 ) Εκτός ελέγχου τιμές ARL για τα βελτιστοποιημένα συνθετικά διάγραμμα ελέγχου του Πίνακα.5 για διάφορες κατανομές Γάμμα 3- Ζεύγη ( L, k + ) και ARL για δ =. 4 (συνθετικό διάγραμμα S - CRL) 3- Βέλτιστοι σχεδιασμοί συνθετικών διαγραμμάτων S - CRLγια δ > Βέλτιστοι σχεδιασμοί συνθετικών διαγραμμάτων S - CRLγια δ < Συγκρίσεις των ARL διάφορων διαγραμμάτων για την παρακολούθηση της διασποράς όταν n = 5 και δ =. 3-5 Συγκρίσεις των ARL διάφορων διαγραμμάτων για την παρακολούθηση της διασποράς όταν n = 5 και δ = Προσομοιωμένα δεδομένα για επίδειξη του S CRL διαγράμματος 3-7 ελέγχου Ζεύγη ( L, k + ) και ARL για δ =. 4 και ARL = 37 (συνθετικό διάγραμμα R -CRL) 3-8 Βέλτιστοι σχεδιασμοί συνθετικών διαγραμμάτων R - CRLγια δ > 3-9 Βέλτιστοι σχεδιασμοί συνθετικών διαγραμμάτων R - CRLγια δ < xv
19 xv
20 Κατάλογος Σχημάτων - Τυπικό διάγραμμα ελέγχου Shewhart - Διάγραμμα ελέγχου Shewhart και προειδοποιητικά όρια -3 Διάγραμμα ελέγχου CUSUM για τα δεδομένα του Πίνακα. για K =. 5 και H = 5-4 Διάγραμμα ελέγχου EWMA για τα δεδομένα του Πίνακα. 9 - Συμμορφούμενο μήκος ροής 35 - Γραφική Παράσταση του ARL(δ) για ARL( ), δ =.5,.,.5,.,.5 = -3 Γραφική Παράσταση του ARL(δ) για ARL( ) 37, δ =.5,.,.5,.,.5 = -4 Γραφική Παράσταση του ARL(δ) για ARL( ) 5, δ =.5,.,.5,.,.5 = -5 Καμπύλες ARL για διάφορα διαγράμματα ελέγχου 45-6 Καμπύλες ARL με χρήση γνωστών και εκτιμώμενων παραμέτρων 47-7 Κατανομές t ν και -8 Κατανομές G ( a, β ) και N (, σ ) με κοινό μέσο και διακύμανση 5 N (, σ ) με κοινό μέσο και διακύμανση 53-9 Η λειτουργία του συνθετικού διαγράμματος np-crl για ανίχνευση αυξήσεων του αριθμού των μη συμμορφούμενων μονάδων μιας διεργασίας. - Καμπύλες Κανονικοποιημένο ATS 7 - Περιθώριες καμπύλες του κανονικοποιημένου ATS του συνθετικού διαγράμματος np-crl 3- Συμμορφούμενο μήκος ροής 8 3- Η λειτουργία του συνθετικού διαγράμματος S και CRL για τον έλεγχο της διασποράς μιας διεργασίας Ένα παράδειγμα για το VSI S και το VSI CRL σχέδιο Το VSI σχέδιο για τα δεδομένα του Πίνακα Η λειτουργία του συνθετικού διαγράμματος R και CRL για τον έλεγχο της διασποράς μιας διεργασίας xv
21 xx
22 Κατάλογος Συντομογραφιών τ.μ. σ.π.π. α.σ.κ. CL UCL LCL ARL ARL n ARL out EWMA Τυχαία μεταβλητή Συνάρτηση πυκνότητας πιθανότητας Αθροιστική συνάρτηση κατανομής (Center Lne) Κεντρική γραμμή (Upper Control Lmt) Άνω όριο ελέγχου (Lower Control Lmt) Κάτω όριο ελέγχου (Average Run Length) Μέσο μήκος ροής ( In Control Average Run Length) Εντός ελέγχου μέσο μήκος ροής (Out of Control Average Run Length) Εκτός ελέγχου μέσο μήκος ροής (Exponentally Weghte Movng Average) Εκθετικά σταθμισμένος κινούμενος μέσος CUSUM (Cumulatve Sum) Αθροιστικά ή συσσωρευμένα αθροίσματα CRL ATS ATS (Conformng Run Length) Συμμορφούμενο μήκος ροής (Average Tme to Sgnal) Μέσος χρόνος σήματος Εντός ελέγχου μέσος χρόνος σήματος xx
23 ΚΕΦΑΛΑΙΟ Διαγράμματα Ελέγχου. Διαγράμματα ελέγχου Shewhart Στις παραγωγικές διεργασίες μας ενδιαφέρει η παρακολούθηση της συμπεριφοράς μιας κρίσιμης ποσότητας ενός (μετρήσιμου) χαρακτηριστικού X των προϊόντων που παράγονται. Η διαδικασία παρακολούθησης της κρίσιμης ποσότητας βασίζεται σε μετρήσεις αυτού του χαρακτηριστικού, όπως προκύπτουν από την επιλογή τυχαίων δειγμάτων X,...., X Χρησιμοποιώντας τα τυχαία αυτά δείγματα υπολογίζουμε την τιμή W = X ), t =,,..., t g( t μιας κατάλληλης στατιστικής συνάρτησης (τυχαίας μεταβλητής) που εκτιμά (συνήθως χρησιμοποιούμε αμερόληπτη εκτιμήτρια) την ποσότητα που μας ενδιαφέρει (π.χ. μέση τιμή ή διακύμανση της X ). Για παράδειγμα ας υποθέσουμε ότι ενδιαφερόμαστε να παρακολουθήσουμε τη συμπεριφορά της μέσης τιμής της διαμέτρου Χ των κυλίνδρων που παράγει μια μηχανή. Για το σκοπό αυτό επιλέγονται τυχαία δείγματα μεγέθους n ( n ) κυλίνδρων από την παραγωγή της μηχανής σε διαφορετικά χρονικά διαστήματα και μπορούμε να χρησιμοποιήσουμε τη στατιστική συνάρτηση W t ( t t t + tn / = g X ) = ( X + X +... X ) n (η οποία είναι αμερόληπτη εκτιμήτρια του μέσου της Χ) για την παρακολούθηση της συμπεριφοράς της μέσης τιμής. Ένα τυπικό διάγραμμα ελέγχου Shewhart είναι μια γραφική παράσταση με την ακόλουθη μορφή
24 ΣXHMA. Τυπικό διάγραμμα ελέγχου Shewhart όπου στο Σχήμα., εκτός από τις παρατηρούμενες τιμές W t, που έχουν απεικονιστεί με σημεία τα οποία έχουν συνδεθεί με μια τεθλασμένη γραμμή, έχουν σχεδιαστεί και άλλες τρεις γραμμές. Η κεντρική γραμμή (center lne, CL) παριστάνει συνήθως τη μέση τιμή (mean value) της W όπως προκύπτει από τη λειτουργία μιας εντός ελέγχου διεργασίας, δηλαδή μιας διεργασίας που λειτουργεί μόνο με την παρουσία φυσικής μεταβλητότητας. Οι δύο άλλες γραμμές που εμφανίζονται στο παραπάνω διάγραμμα ονομάζονται άνω και κάτω όριο ελέγχου του διαγράμματος. Όσο οι τιμές της W βρίσκονται εντός των ορίων ελέγχου και η συμπεριφορά τους είναι τυχαία μπορούμε να υποθέσουμε ότι η διεργασία παραμένει εντός ελέγχου. Αν όμως κάποιο σημείο βρεθεί εκτός των ορίων ελέγχου λέμε ότι υπάρχει ένδειξη ότι η διεργασία είναι εκτός ελέγχου και πρέπει να προχωρήσουμε σε έρευνα για να ανακαλύψουμε τις ειδικές αιτίες μεταβλητότητας που είναι υπεύθυνες για αυτή τη συμπεριφορά και αν κριθεί απαραίτητο να προβούμε σε διορθωτικές ενέργειες. Ωστόσο, θα πρέπει να σημειώσουμε ότι ακόμη και στην περίπτωση που όλα τα σημεία του διαγράμματος βρίσκονται εντός των ορίων ελέγχου αλλά συμπεριφέρονται με ένα συστηματικό ή μη τυχαίο τρόπο τότε και αυτό αποτελεί ένδειξη ότι η διεργασία είναι εκτός ελέγχου. Στο ακόλουθο πλαίσιο δίνεται ένα γενικό μοντέλο, το μοντέλο ορίων σίγμα (sgma lmts moel), για την κατασκευή ενός διαγράμματος ελέγχου Shewhart Μοντέλο ορίων σίγμα UCL = µ W + LσW Center Lne = µ W LCL = µ W LσW
25 Οι ποσότητες µ W και σ W δηλώνουν τη μέση τιμή και την τυπική απόκλιση της στατιστικής συνάρτησης W που απεικονίζεται στο διάγραμμα ελέγχου (συνήθως γίνεται η υπόθεση ότι ακολουθεί κανονική κατανομή). Η ποσότητα L δηλώνει την απόσταση των ορίων ελέγχου από την κεντρική γραμμή σε μονάδες τυπικής απόκλισης. Συνήθως L = 3, οπότε ομιλούμε για διαγράμματα ελέγχου Shewhart με 3 σ όρια ελέγχου. Στα διαγράμματα ελέγχου Shewhart διακρίνουμε δύο μεγάλες κατηγορίες ανάλογα με το αν το χαρακτηριστικό X είναι συνεχής ή διακριτή τυχαία μεταβλητή. Αν η τυχαία μεταβλητή X είναι συνεχής με μέση τιμή µ και διακύμανση σ, τότε υπάρχουν διαγράμματα ελέγχου Shewhart για την παρακολούθηση της μέσης τιμής και της διασποράς της X. Στην περίπτωση που η τυχαία μεταβλητή X είναι διακριτή υπάρχουν διαγράμματα ελέγχου Shewhart για την παρακολούθηση του ποσοστού (και του αριθμού) των ελαττωματικών προϊόντων που αποδίδει η παραγωγική διεργασία, καθώς επίσης και για τον αριθμό (και το μέσο αριθμό) των ελαττωμάτων (ατελειών) σε μια μονάδα ελέγχου (Αντζουλάκος (3), Δαμιανού (996), Καφφές (996)). Το πιο απλό και πλέον διαδεδομένο διάγραμμα ελέγχου Shewhart είναι το διάγραμμα ελέγχου για την παρακολούθηση της μέσης τιμής ενός συνεχούς χαρακτηριστικού X το οποίο θα αναπτύξουμε εν συντομία στην επόμενη παράγραφο μέσω ενός παραδείγματος.. Διαγράμματα ελέγχου Shewhart για μεταβλητές Στην παρούσα παράγραφο θα αναπτύξουμε την κατασκευή διαγράμματος τύπου Shewhart για την παρακολούθηση της συμπεριφοράς της μέσης τιμής µ ενός συνεχούς ποιοτικού χαρακτηριστικού... Διαγράμματα ελέγχου για την μέση τιμή... Διαγράμματα ελέγχου φάσης ΙΙ ( μ, σ γνωστά) Ας υποθέσουμε ότι η κατανομή του χαρακτηριστικού Χ ακολουθεί την κανονική κατανομή N ( µ, σ ). Αν X = X, X,..., X ) είναι ένα τυχαίο δείγμα μεγέθους n από την Χ τότε ( n είναι γνωστό ότι ο δειγματικός μέσος X ακολουθεί την κατανομή N( µ, σ / n), και είναι αμερόληπτη εκτιμήτρια της μέσης τιμής µ του ποιοτικού χαρακτηριστικού X. Επομένως 3
26 χρησιμοποιώντας ένα διάγραμμα ελέγχου στο οποίο θα απεικονίζεται η τιμή του δειγματικού μέσου W = X στα δείγματα που επιλέγουμε από την παραγωγή με σ σ LCL = µ W 3 σ CL UCL W = µ 3, = µ W = µ, = µ W + 3σ W = µ + 3 n n και με την υπόθεση ότι η διακύμανση (ή γενικότερα η διασπορά) του χαρακτηριστικού X σε όλη τη διαδικασία παραμένει σταθερή μπορούμε να πούμε τα εξής: (α) εφόσον τα σημεία του διαγράμματος βρίσκονται εντός των ορίων ελέγχου θεωρούμε ότι η διεργασία είναι εντός ελέγχου οπότε η μέση τιμή µ του χαρακτηριστικού X δεν έχει αλλάξει (μετατοπιστεί) και επομένως το 99.73% των σημείων του διαγράμματος ελέγχου θα βρίσκονται εντός των ορίων ελέγχου, και (β) στην περίπτωση που ένα σημείο του διαγράμματος βρεθεί εκτός των ορίων του διαγράμματος και επειδή η πιθανότητα αυτού του ενδεχομένου είναι πολύ μικρή (.7), τότε υπάρχει ένδειξη ότι η διεργασία είναι εκτός ελέγχου λόγω μετατόπισης της μέσης τιμής του χαρακτηριστικού X. Τα 3 σ όρια του διαγράμματος ελέγχου για τη μέση τιμή του χαρακτηριστικού X συνοψίζονται στο ακόλουθο πλαίσιο όπου Πλαίσιο ( X διάγραμμα) Phase IΙ control lmts (3σ) UCL = µ + Aσ Center Lne = µ LCL = µ Aσ A =... Διαγράμματα ελέγχου φάσης Ι ( μ, σ άγνωστα) Στην πράξη οι ποσότητες µ, σ είναι άγνωστες οπότε πρέπει να εκτιμηθούν. Για το σκοπό αυτό παίρνουμε m ανεξάρτητα προκαταρκτικά τυχαία δείγματα μεγέθους n το καθένα X = X, X,..., X ), m, για να εκτιμήσουμε τις ποσότητες µ και σ, ( n υποθέτοντας ότι η επιλογή των προκαταρκτικών δειγμάτων έγινε όταν η διεργασία ήταν εντός 3 n ελέγχου (τα µ και σ σταθερά καθ όλη τη διάρκεια της δειγματοληψίας). Οι εκτιμήσεις µˆ και σˆ προκύπτουν συνήθως από έως 5 προκαταρκτικά δείγματα μεγέθους 4 έως 6. 4
27 Στην ανάλυση που ακολουθεί υποθέτουμε ότι το χαρακτηριστικό X ακολουθεί κατανομή N ( µ, σ ) (µ, σ άγνωστα) και ότι έχουμε m το πλήθος ανεξάρτητα τυχαία δείγματα μεγέθους n το καθένα. Εκτίμηση του μ Έστω X,...,, X X m οι δειγματικοί μέσοι των m δειγμάτων και ας θέσουμε X X + X X = m m = m n = j= Η ποσότητα X ακολουθεί κατανομή N( µ, σ / nm) και χρησιμοποιείται ως εκτίμηση της ποσότητας µ (αμερόληπτη και συνεπής εκτιμήτρια του µ ), δηλαδή µˆ = X Αξίζει να σημειώσουμε ότι E ( X ) = µ, V ( X ) = σ / nm ανεξάρτητα από την κατανομή του χαρακτηριστικού Χ. Εκτίμηση του σ (Μέθοδος R) Έστω R,..., Μπορεί να δειχθεί ότι, R Rm τα εύρη των m δειγμάτων, δηλαδή R mn = X X, m ( n) (). µ = E( R ) = σ R όπου είναι μια σταθερά που εξαρτάται από το μέγεθος του δείγματος n. Θέτοντας R + R Rm R = m έχουμε ότι E( R ) = σ, οπότε η ποσότητα R / είναι αμερόληπτη εκτιμήτρια της ποσότητας σ, και χρησιμοποιείται ως εκτίμηση της ποσότητας σ, δηλαδή Εκτίμηση του σ (Μέθοδος S) Έστω R σ ˆ =, S Sm οι ποσότητες που ορίζονται από τη σχέση S,..., X j 5
28 Αν και η ποσότητα S S n = ( X n j= j X ), m. S είναι αμερόληπτη εκτιμήτρια της διακύμανσης σ, η ποσότητα S = δεν αποτελεί αμερόληπτη εκτιμήτρια της τυπικής απόκλισης σ. Μπορεί να δειχθεί ότι µ = E( S ) = σ c S όπου c 4 είναι μια σταθερά που εξαρτάται από το μέγεθος του δείγματος n. Θέτοντας S S = + S S m έχουμε ότι E( S ) = σ c4, οπότε η ποσότητα S / c4 είναι αμερόληπτη εκτιμήτρια της ποσότητας σ, και χρησιμοποιείται ως εκτίμηση της ποσότητας σ, δηλαδή Εκτίμηση του σ (Μέθοδος S ) Έστω, S,..., Sm S σ ˆ = c S οι ποσότητες που ορίζονται από τη σχέση για τις οποίες είναι γνωστό ότι Η ποσότητα S όπου S n = ( X n j= j 4 X ) µ =, m = E( S ) σ S S + S S S = m 4 m αν και δεν είναι αμερόληπτη εκτιμήτρια του σ χρησιμοποιείται αρκετές φορές (λόγω του ότι έχει μικρότερη διακύμανση από την S / c4 ) ως εκτίμηση της ποσότητας σ, δηλαδή σ ˆ = Τώρα, χρησιμοποιώντας ως εκτίμηση του µ την ποσότητα σ την ποσότητα σ ˆ = R /, το Πλαίσιο παίρνει την ακόλουθη μορφή S. m µˆ = X και ως εκτίμηση του 6
29 όπου η ποσότητα A είναι ίση με Πλαίσιο ( X διάγραμμα) Phase I control lmts (3σ) R Metho UCL = X + A R Center Lne = X LCL = A R A 3 =. n X Χρησιμοποιώντας ως εκτίμηση του µ την ποσότητα µˆ = X και ως εκτίμηση του σ την ποσότητα σ ˆ = S / c4 τότε το Πλαίσιο παίρνει την ακόλουθη μορφή όπου A 3 3 =. c n 4 Πλαίσιο 3 ( X διάγραμμα) Phase I control lmts (3σ) S Metho UCL = X + A3S Center Lne = X LCL = A S X 3 Χρησιμοποιώντας ως εκτίμηση του µ την ποσότητα µˆ = X και ως εκτίμηση του σ την ποσότητα σ ˆ = S, το Πλαίσιο παίρνει την ακόλουθη μορφή Πλαίσιο 4 ( X διάγραμμα) Phase I control lmts (3σ) S Metho UCL = X + A S Center Lne = X LCL = X A S 7
30 .. Διαγράμματα ελέγχου για τη διασπορά... Διαγράμματα ελέγχου φάσης ΙΙ (σ γνωστό) Στην προηγούμενη παράγραφο αναφέραμε ότι στην περίπτωση που ένα σημείο του διαγράμματος ελέγχου για τη μέση τιμή του χαρακτηριστικού X βρεθεί εκτός των ορίων του διαγράμματος τότε υπάρχει ένδειξη ότι η διεργασία είναι εκτός ελέγχου με την προϋπόθεση ότι η διασπορά του ποιοτικού χαρακτηριστικού X είχε παραμείνει σταθερή σε όλη τη διάρκεια της διαδικασίας. Στην παρούσα παράγραφο θα αναπτύξουμε την κατασκευή διαγραμμάτων ελέγχου τύπου Shewhart για την παρακολούθηση της συμπεριφοράς της διασποράς ενός συνεχούς χαρακτηριστικού X. Στην ανάλυση που ακολουθεί υποθέτουμε ότι το χαρακτηριστικό X ακολουθεί κατανομή N ( µ, σ ) και ότι έχουμε στη διάθεσή μας ανεξάρτητα τυχαία δείγματα από τη Χ τα X = X, X,..., X ),, μεγέθους n το καθένα. ( n R διάγραμμα ελέγχου Έστω X = X, X,..., X ) ένα τυχαίο δείγμα μεγέθους n από τη Χ και ας θέσουμε ( n W = R = X X. Είναι γνωστό ότι ( n) () µ = E( R ) = σ = σ R, σ R = V ( R ) όπου οι ποσότητες και 3 εξαρτώνται μόνο από το μέγεθος n του δείγματος. Συνεπώς ένα διάγραμμα ελέγχου για τη διασπορά του ποιοτικού χαρακτηριστικού Χ μπορεί να βασιστεί σε ένα διάγραμμα όπου η απεικονιζόμενη ποσότητα θα είναι το εύρος των δειγμάτων που ως γνωστό είναι ένα μέτρο διασποράς της Χ. Το μοντέλο με όρια 3 σ θα έχει τη μορφή LCL = µ σ = ( 3 ) σ, CL = σ, UCL = µ + σ = ( 3 ) σ. R 3 R 3 µ R = 3 R 3 R + 3 Θέτοντας D = 3 3, D = προκύπτει το ακόλουθο πλαίσιο Πλαίσιο 5 (R διάγραμμα) Phase II control lmts (3σ) UCL = D σ Center Lne = σ LCL = D σ Επειδή D < για n 6, σε αυτές τις περιπτώσεις θέτουμε D =. R 8
31 S διάγραμμα ελέγχου Έστω X = X, X,..., X ) ένα τυχαίο δείγμα μεγέθους n από τη Χ και ας θέσουμε Γνωρίζουμε ότι ( n µ S S n = ( X n j= j X ), m. = E( S ) = σ c σ c 4, σ S = V ( S ) = Συνεπώς ένα διάγραμμα ελέγχου για τη διασπορά του χαρακτηριστικού Χ μπορεί να βασιστεί σε ένα διάγραμμα όπου η απεικονιζόμενη ποσότητα θα είναι οι δειγματικές τυπικές αποκλίσεις έχει τη μορφή Θέτοντας S που είναι το πιο σύνηθες μέτρο διασποράς της Χ. Το μοντέλο με όρια 3 σ θα LCL = µ S 3σ = ( c 4 3 c 4 ) σ, S CL = µ c4σ, UCL = µ S + 3σ = ( c c 4 ) σ. S = προκύπτει το ακόλουθο πλαίσιο B S 5 = c4 c4, B6 = c c Πλαίσιο 6 (S διάγραμμα) Phase II control lmts (3σ) UCL = B 6 σ Center Lne = c 4 σ LCL = B σ Επειδή B για n 5, σε αυτές τις περιπτώσεις θέτουμε B. 5 < S διάγραμμα ελέγχου Έστω X = X, X,..., X ) είναι ένα τυχαίο δείγμα μεγέθους n από τη Χ ας θέσουμε Είναι γνωστό ότι Επιπρόσθετα ( n S n = ( X n j= E ( S ) = σ και j X ), ( n ) σ 5 5 = 4 m. S ~ χ n. 4 9
32 οπότε P χ σ P χ n n ) S σ ( n ; a / χ n ; a / = S σ χ n = a n ; a / n ; a / a. Συνεπώς ένα διάγραμμα ελέγχου για τη διασπορά του χαρακτηριστικού Χ μπορεί να βασιστεί σε ένα διάγραμμα όπου η απεικονιζόμενη ποσότητα θα είναι η δειγματική διακύμανση πλαίσιο S που είναι μέτρο διασποράς της Χ, το οποίο περιγράφεται στο ακόλουθο Πλαίσιο 7 (S διάγραμμα) Phase II control lmts (α/) UCL = σ n χ Center Lne = σ LCL = σ n χ n ; a / n ; a/ Πρέπει να σημειώσουμε ότι τα παραπάνω όρια ελέγχου είναι όρια πιθανότητας (probablty lmts) αφού δεν συνηθίζεται η ανάπτυξη διαγραμμάτων ελέγχου ορίων 3 σ για την ποσότητα S.... Διαγράμματα ελέγχου φάσης Ι (σ άγνωστο) Στην πράξη η ποσότητα σ είναι άγνωστη οπότε πρέπει να εκτιμηθεί παίρνοντας προκαταρκτικά ανεξάρτητα τυχαία δείγματα. Στην ανάλυση που ακολουθεί υποθέτουμε ότι το χαρακτηριστικό X ακολουθεί κατανομή N ( µ, σ ) και ότι έχουμε m το πλήθος ανεξάρτητα τυχαία δείγματα από τη Χ τα X = X, X,..., X ), m, μεγέθους n το καθένα. ( n R διάγραμμα ελέγχου Χρησιμοποιώντας ως εκτίμηση του σ την ποσότητα σ ˆ = R / τότε το Πλαίσιο 5 παίρνει την ακόλουθη μορφή
33 όπου Πλαίσιο 8 (R διάγραμμα) Phase I control lmts (3σ) UCL = D 4 R Center Lne = R LCL = R D 3 D = 3, D4 = 3 Επειδή D για n 6, σε αυτές τις περιπτώσεις θέτουμε D. 3 < S διάγραμμα ελέγχου Χρησιμοποιώντας ως εκτίμηση του σ την ποσότητα σ ˆ = S / c4 τότε το Πλαίσιο 6 παίρνει την ακόλουθη μορφή Πλαίσιο 9 (S διάγραμμα) Phase I control lmts (3σ) UCL = B 4 S Center Lne = S LCL = S όπου B B 3 3 c4, B4 = + c4 c4 3 3 = 3 3 = c. Επειδή B για n 5, σε αυτές τις περιπτώσεις θέτουμε B. 3 < S διάγραμμα ελέγχου Χρησιμοποιώντας ως εκτίμηση του ακόλουθη μορφή σ την ποσότητα ˆ 3 = 4 σ = S το Πλαίσιο 7 παίρνει την
34 Πλαίσιο ( S διάγραμμα) Phase I control lmts (α/) UCL = S n n χ Center Lne = S LCL S = n n χ ; a / ; a/ Σημειώσουμε πάλι ότι τα παραπάνω όρια ελέγχου είναι όρια πιθανότητας (probablty lmts). Κλείνοντας την παρούσα παράγραφο σημειώνουμε ότι σύμφωνα με όσα έχουν προηγηθεί μπορούμε εύκολα να αναπτύξουμε R και S διαγράμματα ελέγχου Φάσης Ι με όρια πιθανότητας a /...3 Διαγράμματα ελέγχου για μεμονωμένες παρατηρήσεις Σε ορισμένες περιπτώσεις το μέγεθος του δείγματος είναι ίσο με (αυτόματη επιθεώρηση παραγόμενων προϊόντων, μικρός ρυθμός παραγωγής, κτλ.). Σε αυτή την περίπτωση ομιλούμε για διαγράμματα ελέγχου για μεμονωμένες ή ατομικές παρατηρήσεις (nvual observatons). Oι μέθοδοι που αναπτύξαμε στις προηγούμενες παραγράφους χρειάζονται τροποποίηση. Σε ότι ακολουθήσει στην παρούσα παράγραφο υποθέτουμε ότι το χαρακτηριστικό Χ ακολουθεί κατανομή N ( µ, σ ) και ότι έχουμε στη διάθεσή μας m ανεξάρτητες παρατηρήσεις X,...,, X X m από την Χ για την ανάλυση Φάσης Ι...3. Διαγράμματα ελέγχου φάσης ΙΙ ( μ, σ γνωστά) Σε αυτή την περίπτωση το Πλαίσιο παίρνει τη μορφή Πλαίσιο (Χ διάγραμμα) Phase II control lmts (3σ) UCL = µ + 3σ Center Lne = µ LCL = µ 3σ
35 αφού n =, και ομιλούμε για Χ διάγραμμα ελέγχου αφού στο διάγραμμα απεικονίζονται οι μεμονωμένες παρατηρήσεις X ( ). Για τη συμπεριφορά της διασποράς του χαρακτηριστικού Χ το αντίστοιχο R διάγραμμα ελέγχου δεν μπορεί να χρησιμοποιηθεί επειδή για n = δεν έχει νόημα η ποσότητα R. Σε αυτή την περίπτωση χρησιμοποιούμε το κινούμενο εύρος (movng range) των μεμονωμένων παρατηρήσεων που ορίζεται από τη σχέση Προφανώς, για το κινούμενο εύρος MR = X X, m. MR ισχύει ότι µ = E( MR ) = σ = σ. MR, σ MR = V ( MR ) Πρέπει να προσεχθεί ότι οι πιο πάνω σταθερές, 3 υπολογίζονται για n =. Συνεπώς ένα διάγραμμα ελέγχου για τη διασπορά του χαρακτηριστικού Χ μπορεί να βασιστεί σε ένα διάγραμμα όπου η απεικονιζόμενη ποσότητα θα είναι το κινούμενο εύρος παρατηρήσεων. Το μοντέλο με όρια 3 σ θα έχει τη μορφή 3 MR των LCL = µ σ = ( 3 ) σ, CL = σ, UCL = µ + σ = ( 3 ) σ. MR 3 MR 3 µ MR = Για D = 3 3, D = προκύπτει το ακόλουθο πλαίσιο Πλαίσιο (MR διάγραμμα) Phase II control lmts (3σ) UCL = D σ Center Lne = σ LCL = D σ..3. Διαγράμματα ελέγχου φάσης Ι ( μ, σ άγνωστα) MR 3 MR + 3 Στην περίπτωση που οι ποσότητες µ και σ είναι άγνωστες πρέπει να εκτιμηθούν. Η εκτίμηση του μέσου δίνεται από τη σχέση X = X + X X m Η ποσότητα X ακολουθεί κατανομή N( µ, σ / m) και χρησιμοποιείται ως εκτίμηση της ποσότητας µ (αμερόληπτη και συνεπής εκτιμήτρια του µ ), δηλαδή Για την εκτίμηση του σ, θέτοντας µˆ = X m. 3
36 MR = MR + MR MR m m ) / έχουμε ότι E( MR = σ, οπότε η ποσότητα MR είναι αμερόληπτη εκτιμήτρια της ποσότητας σ, και χρησιμοποιείται ως εκτίμηση της ποσότητας σ, δηλαδή MR σ ˆ = Χρησιμοποιώντας τις παραπάνω εκτιμήσεις το Πλαίσιο παίρνει την ακόλουθη μορφή ενώ το Πλαίσιο, για Πλαίσιο 3 (Χ διάγραμμα) Phase I control lmts (3σ) UCL = Center Lne = X LCL = D + MR X + 3 MR X = 3, D4 = 3 παίρνει τη μορφή Πλαίσιο 4 (MR διάγραμμα) Phase I control lmts (3σ) UCL = Center Lne = LCL = D MR 4 MR D MR 3 Πρέπει να προσεχθεί ότι οι πιο πάνω σταθερές D, D 3 4 υπολογίζονται για n =..3 Διαγράμματα ελέγχου Shewhart για ιδιότητες Σε αρκετές περιπτώσεις ταξινομούμε ένα προϊόν σαν ελαττωματικό ή μη συμμορφούμενο (efectve or nonconformng) αν τουλάχιστον ένα ποιοτικό χαρακτηριστικό του έχει τιμή η οποία βρίσκεται εκτός των ορίων προδιαγραφών. Σε αυτή την περίπτωση λέμε ότι το προϊόν παρουσιάζει τουλάχιστον ένα ελάττωμα ή ατέλεια (efect or nonconformty). 4
37 Ο αριθμός των ελαττωματικών προϊόντων μιας παραγωγικής διεργασίας, όπως και ο αριθμός των ελαττωμάτων ενός προϊόντος, είναι ποιοτικά χαρακτηριστικά που περιγράφονται με διακριτές τυχαίες μεταβλητές οι οποίες στα πλαίσια του Στατιστικού Ελέγχου Ποιότητας ονομάζονται ιδιότητες (attrbutes). Στην παρούσα παράγραφο θα παρουσιάσουμε τρία βασικά είδη διαγραμμάτων ελέγχου (attrbute control charts) που χρησιμοποιούνται σε αυτές τις περιπτώσεις. Το πρώτο διάγραμμα αφορά το ποσοστό p των ελαττωματικών προϊόντων μιας παραγωγικής διεργασίας, γνωστό ως p διάγραμμα. Το δεύτερο διάγραμμα ελέγχου αφορά το συνολικό αριθμό των ελαττωμάτων σε μια μονάδα επιθεώρησης (nspecton unt) γνωστό ως c διάγραμμα. Το τρίτο διάγραμμα αφορά το μέσο αριθμό των ελαττωμάτων ανά μονάδα επιθεώρησης γνωστό ως u διάγραμμα. Ο όρος μονάδα επιθεώρησης δεν σημαίνει απαραίτητα ένα προϊόν. Η μονάδα επιθεώρησης ή απλά μονάδα μπορεί να είναι είτε το ίδιο το προϊόν (π.χ. ένα τόπι ύφασμα), είτε τμήμα του προϊόντος (π.χ. τρέχοντα μέτρα από το τόπι), είτε ένα σύνολο προϊόντων (π.χ. τόπια ύφασμα). Επίσης τα ελαττώματα που παρουσιάζει μια μονάδα επιθεώρησης δεν είναι αναγκαστικά του ίδιου τύπου (π.χ. σε ένα Η/Υ ελάττωμα μπορεί χαρακτηριστεί η απουσία κάποιων εξαρτημάτων, αστοχίες συγκολλήσεων, ελαττωματική RAM, απουσία αυτοκόλλητου του σειριακού αριθμού, κτλ.)..3. Διαγράμματα ελέγχου για το ποσοστό των ελαττωματικών προϊόντων Στην παρούσα παράγραφο θα αναπτύξουμε την κατασκευή διαγράμματος τύπου Shewhart για την παρακολούθηση της συμπεριφοράς του ποσοστού p των ελαττωματικών ή μη συμμορφούμενων προϊόντων μιας παραγωγικής διεργασίας. Με τον όρο ποσοστό ελαττωματικών προϊόντων ορίζουμε το πηλίκο του αριθμού των ελαττωματικών προϊόντων δια του συνολικού αριθμού των παραγόμενων προϊόντων..3.. Διαγράμματα ελέγχου φάσης ΙΙ ( p γνωστό ) Η κατασκευή ενός διαγράμματος ελέγχου για το ποσοστό p των ελαττωματικών προϊόντων μιας διεργασίας βασίζεται στη Διωνυμική κατανομή. Ας υποθέσουμε ότι το ποσοστό των ελαττωματικών προϊόντων είναι γνωστό και ίσο με p και ότι από την παραγωγή επιλέγουμε ανεξάρτητα τυχαία δείγματα μεγέθους n προϊόντων το καθένα. Ας συμβολίσουμε με X j,, j n, την τυχαία μεταβλητή με τιμές και ανάλογα με το 5
38 αν το αντίστοιχο προϊόν (, j) είναι ελαττωματικό ή όχι. Για την τυχαία μεταβλητή X j έχουμε ότι X j ~ B(, p), ενώ για την τυχαία μεταβλητή X = X + X X n που δηλώνει τον αριθμό των ελαττωματικών προϊόντων στο δείγμα έχουμε ότι X ~ B( n, p). και Αν X ~ B( n, p) είναι γνωστό ότι µ np, σ = np ( p ). X = Για την τυχαία μεταβλητή X n x n x P( X = x) = p ( p) I A( x), A = {,,..., n} x X W = p =, n που δηλώνει το ποσοστό των ελαττωματικών προϊόντων στο δείγμα ισχύει ότι µ p( p) = p, σ =,. n W W Έτσι μπορούμε να αναπτύξουμε ένα διάγραμμα ελέγχου για την παρακολούθηση του ποσοστού των ελαττωματικών προϊόντων στο οποίο θα απεικονίζεται η τιμή της W = p = X n στα διάφορα δείγματα που επιλέγουμε από την παραγωγή. Τα όρια του / διαγράμματος ελέγχου συνοψίζονται στο ακόλουθο πλαίσιο Πλαίσιο 5 ( p διάγραμμα ) Phase II control lmts (3σ) UCL = Center Lne = p LCL = p + 3 p 3 p( p) n p( p) n Η κατασκευή ενός διαγράμματος ελέγχου για την παρακολούθηση του αριθμού των ελαττωματικών προϊόντων επιτυγχάνεται με τη βοήθεια της τυχαίας μεταβλητής X. Στο διάγραμμα ελέγχου απεικονίζεται η τιμή της X = W ) στα διάφορα δείγματα που επιλέγουμε ( από την παραγωγή και τα όρια του διαγράμματος ελέγχου δίνονται στο ακόλουθο πλαίσιο 6
39 Πλαίσιο 6 (np διάγραμμα ) Phase II control lmts (3σ) UCL = np + 3 np( p) Center Lne = np LCL = np 3 np( p) Θα πρέπει να σημειώσουμε ότι στην πράξη αρκεί να κατασκευάσουμε ένα από τα δύο παραπάνω διαγράμματα αφού είναι ισοδύναμα..3.. Διαγράμματα ελέγχου φάσης Ι ( p άγνωστο ) Όταν το ποσοστό των ελαττωματικών προϊόντων της διεργασίας είναι άγνωστο πρέπει να εκτιμηθεί από τις πληροφορίες που θα μας δώσουν m ανεξάρτητα προκαταρκτικά δείγματα μεγέθους n το καθένα, έστω τα X = X, X,..., X ), m. Θέτοντας έχουμε ότι P = p ( n X X + X X n = =, m n n p + p + L + pm X + X X = m mn m n m = m n = j= E ( P) = p αφού X ~ B( nm, p). Η ποσότητα P χρησιμοποιείται ως = j= εκτίμηση της ποσότητας p, δηλαδή ενώ το Πλαίσιο 6 παίρνει τη μορφή j mn p ˆ = P. Συνεπώς το Πλαίσιο 5 παίρνει τη μορφή Πλαίσιο 7 ( p διάγραμμα ) Phase I control lmts (3σ) UCL = Center Lne = P LCL = P + 3 P 3 P( P ) n P( P ) n X j 7
40 Πλαίσιο 8 (np διάγραμμα ) Phase I control lmts (3σ) UCL = np + 3 np( P) Center Lne = n P LCL = np 3 np( P).3. Διαγράμματα ελέγχου για τον αριθμό και το μέσο αριθμό των ελαττωμάτων Στην παρούσα παράγραφο θα αναπτύξουμε την κατασκευή διαγράμματος τύπου Shewhart για τον (συνολικό) αριθμό των ελαττωμάτων σε μια μονάδα επιθεώρησης και για το μέσο αριθμό των ελαττωμάτων ανά μονάδα επιθεώρησης. Η βασική υπόθεση που θα κάνουμε είναι ότι ο (συνολικός) αριθμός των ελαττωμάτων (πιθανόν διαφορετικών τύπων) σε μια μονάδα επιθεώρησης ακολουθεί την κατανομή Posson. Σύμφωνα με αυτή την υπόθεση θα πρέπει η πιθανότητα εμφάνισης ελαττώματος σε οποιοδήποτε σημείο (περιοχή) μιας μονάδας να είναι μικρή και σταθερή και φυσικά ο αριθμός των ελαττωμάτων είναι θεωρητικά μη πεπερασμένος αριθμός. Επιπλέον απαιτείται οι μονάδες επιθεώρησης στα δείγματα να είναι ίδιες..3.. Διαγράμματα ελέγχου φάσης ΙΙ ( c γνωστό ) Ας υποθέσουμε ότι ο αριθμός X των ελαττωμάτων που εμφανίζονται σε μια μονάδα επιθεώρησης ακολουθεί την κατανομή Posson με παράμετρο c (συμβολικά X ~ P( c) ), δηλαδή Είναι γνωστό ότι x c c P( X = x) = e I A ( x), όπου A = {,,...} και x!, x A I A ( x) =, x A µ = σ c. Συνεπώς μπορούμε να αναπτύξουμε ένα διάγραμμα ελέγχου X X = για την παρακολούθηση του αριθμού των ελαττωμάτων των μονάδων επιθεώρησης στο οποίο θα απεικονίζεται η τιμή της W = X στις διάφορες μονάδες επιθεώρησης που επιλέγουμε από την παραγωγή. Τα όρια του διαγράμματος ελέγχου συνοψίζονται στο ακόλουθο πλαίσιο 8
41 Πλαίσιο 9 ( c διάγραμμα ) Phase II control lmts (3σ) UCL = c + 3 c Center Lne = c LCL = c 3 c Έστω τώρα ότι από την παραγωγή επιλέγουμε ανεξάρτητα τυχαία δείγματα μεγέθους n μονάδων το καθένα. Ας συμβολίσουμε με X, j, j n, την τυχαία μεταβλητή που δηλώνει τον αριθμό των ελαττωμάτων της αντίστοιχης μονάδας επιθεώρησης (, j). Για την τυχαία μεταβλητή X = X + X + L+ X X έχουμε ότι ~ P( c), ενώ για την τυχαία μεταβλητή j X j n που δηλώνει το συνολικό αριθμό των ελαττωμάτων στο δείγμα έχουμε ότι X ~ P( nc). Για την τυχαία μεταβλητή U = X n που δηλώνει το μέσο αριθμό των ελαττωμάτων ανά / μονάδα επιθεώρησης στο δείγμα έχουμε ότι c µ U = c, σ =, U. n Συνεπώς μπορούμε να αναπτύξουμε ένα διάγραμμα ελέγχου για την παρακολούθηση του μέσου αριθμού των ελαττωμάτων ανά μονάδα επιθεώρησης σε κάθε δείγμα στο οποίο θα απεικονίζεται η τιμή της U = X n στα διάφορα δείγματα που επιλέγουμε από την / παραγωγή. Τα όρια του διαγράμματος ελέγχου συνοψίζονται στο ακόλουθο πλαίσιο Πλαίσιο (u διάγραμμα ) Phase II control lmts (3σ) UCL = Center Lne = c c + 3 LCL = c 3 c n c n 9
42 Στα Πλαίσια 9 και, αν το LCL είναι αρνητικό το θέτουμε ίσο με. Βέβαια στο Πλαίσιο αυτό μπορεί να αποφευχθεί αυξάνοντας το μέγεθος του δείγματος..3.. Διαγράμματα ελέγχου φάσης Ι ( c άγνωστο ) Σχετικά με το c διάγραμμα, όταν η παράμετρος c της κατανομής Posson είναι άγνωστη θα πρέπει να εκτιμηθεί από τις πληροφορίες που θα μας δώσουν m προκαταρκτικές μονάδες επιθεώρησης. Ας συμβολίσουμε με επιθεώρησης, m. Θέτοντας έχουμε ότι X των αριθμό των ελαττωμάτων της μονάδος X + X X m C =, m m E ( C ) = c. Η ποσότητα C χρησιμοποιείται ως εκτίμηση της ποσότητας c, δηλαδή Συνεπώς το Πλαίσιο 9 παίρνει τη μορφή c ˆ = C. Πλαίσιο ( c διάγραμμα ) Phase I control lmts (3σ) UCL = C + 3 C Center Lne = C LCL = C 3 C Στην περίπτωση του u διαγράμματος η παράμετρος c της κατανομής Posson θα εκτιμηθεί από τις πληροφορίες που θα μας δώσουν m ανεξάρτητα προκαταρκτικά δείγματα μεγέθους n μονάδων επιθεώρησης το καθένα, έστω τα X = X, X,..., X ), m. Θέτοντας και έχουμε ότι U ( n X X + X X n = =, m n n U + U U m X + X X U = = m mn m n m = m n = j= E ( U ) = c αφού X ~ P( mnc). Η ποσότητα U χρησιμοποιείται ως εκτίμηση της ποσότητας c, δηλαδή = j= j c ˆ = U mn. Συνεπώς το Πλαίσιο παίρνει τη μορφή X j
43 Πλαίσιο (u διάγραμμα ) Phase I control lmts (3σ) UCL = Center Lne = U LCL = U + 3 U 3.4 Κανόνες ευαισθητοποίησης ενός διαγράμματος ελέγχου Shewhart Από μελέτες έχει διαπιστωθεί ότι για μικρές μετατοπίσεις του μέσου µ της W (έως και.5σ ) το εκτός ελέγχου μέσο μήκος ροής ARL του διαγράμματος ελέγχου Shewhart δεν είναι ικανοποιητικό (δηλαδή είναι αρκετά μεγάλος αριθμός). Για να γίνει περισσότερο ευαίσθητο ένα διάγραμμα ελέγχου Shewhart με 3 σ όρια ως προς την ικανότητά του να ανιχνεύει πιο γρήγορα εκτός ελέγχου διεργασίες, εκτός από τη σχεδίαση των ορίων ελέγχου, σχεδιάζουμε επίσης και προειδοποιητικά όρια εσωτερικά των ορίων ελέγχου όπως δείχνει το ακόλουθο διάγραμμα ΣΧΗΜΑ. Διάγραμμα ελέγχου Shewhart και προειδοποιητικά όρια U n U n Zone A Zone B Zone C Zone C Zone B Zone A UCL (3σ lmt) σ Warnng Lmt σ Warnng Lmt CL σ Warnng Lmt σ Warnng Lmt LCL (3σ lmt)
44 Τα προειδοποιητικά όρια χρησιμοποιούνται για την ανάπτυξη κανόνων ευαισθητοποίησης (senstzng rules) οι οποίοι περιγράφουν ενδεχόμενα που σχετίζονται με την εμφάνιση ειδικών ακολουθιών σημείων (patterns) σε ένα διάγραμμα ελέγχου. Στην περίπτωση που συμβεί το ενδεχόμενο που περιγράφει ο κανόνας τότε θεωρούμε ότι η διεργασία είναι εκτός ελέγχου χωρίς απαραίτητα να έχουμε κάποιο σημείο του διαγράμματος εκτός των ορίων ελέγχου (UCL και LCL ). Οι σημαντικότεροι κανόνες που χρησιμοποιούνται για την ευαισθητοποίηση ενός διαγράμματος ελέγχου Shewhart είναι οι ακόλουθοι: Κανόνας. Ένα σημείο εκτός των ορίων ελέγχου (κανόνας -από-) Κανόνας. Δύο από τρία συνεχόμενα σημεία σε μια από τις δύο ζώνες Α (κανόνας από-3) Κανόνας 3. Τέσσερα από πέντε συνεχόμενα σημεία σε μια από τις δύο περιοχές, πέραν της Ζώνης C (κανόνας 4-από-5) Κανόνας 4. Πέντε συνεχόμενα σημεία, όλα πέραν της ολικής Zώνης C (και στις δύο περιοχές) Κανόνας 5. Έξι συνεχόμενα σημεία σε αύξουσα ή φθίνουσα διάταξη Κανόνας 6. Δεκαπέντε συνεχόμενα σημεία στην ολική Zώνη C Κανόνας 7. Δεκατέσσερα συνεχόμενα σημεία σε εναλλασσόμενη μορφή πάνω-κάτω Κανόνας 8. Εννέα συνεχόμενα σημεία στην ίδια μεριά (επάνω ή κάτω) της κεντρικής γραμμής (κανόνας 9-από-9).5 Διαγράμματα ελέγχου CUSUM Στα διαγράμματα ελέγχου Shewhart απεικονίζονται τιμές που βασίζονται στις μετρήσεις κάθε δείγματος χωρίς να λαμβάνουν υπόψη τους μετρήσεις από προηγούμενα δείγματα. Για το λόγω αυτό τα διαγράμματα ελέγχου Shewhart χαρακτηρίζονται ως διαγράμματα ελέγχου χωρίς μνήμη (control charts wthout memory). Τα διαγράμματα Shewhart είναι πολύ χρήσιμα στην ανίχνευση μετατοπίσεων του μέσου για τιμές μεγαλύτερες του.5σ. Τα διαγράμματα ελέγχου τύπου CUSUM έχουν μη περιορισμένη και ομοιόμορφη μνήμη αφού λαμβάνουν πληροφορία από όλα τα προηγούμενα δείγματα και το καθένα από αυτά έχει την ίδια βαρύτητα. Χρησιμοποιούνται για να εντοπίζουν γρήγορα μικρές μετατοπίσεις του μέσου και ανήκουν στην κατηγορία των διαγραμμάτων με μνήμη (control charts wth memory).
45 Ας θεωρήσουμε μια εντός ελέγχου διεργασία η οποία παράγει προϊόντα στα οποία το ποιοτικό χαρακτηριστικό X που θέλουμε να παρακολουθήσουμε έχει μέση τιμή µ και τυπική απόκλιση σ. Από τη διεργασία λαμβάνονται μεμονωμένες παρατηρήσεις X,, και μας ενδιαφέρει να ανιχνεύσουμε μετατοπίσεις του μέσου της διεργασίας της μορφής µ = µ ± δσ ( δ > ). Τα δίπλευρα (συμμετρικά) διαγράμματα ελέγχου CUCUM (two-se CUSUMS) με διαστήματα απόφασης εισήχθησαν από τον Page (954). Στα διαγράμματα αυτά απεικονίζονται ταυτοχρόνως οι δύο ακόλουθες στατιστικές συναρτήσεις Οι τιμές των ποσοτήτων St = max[, X t ( µ + K) + St ], S =, St = mn[, X t ( µ K) + St ], S =. S και + S ονομάζονται τιμές εκκίνησης (heastart values). Η ποσότητα K ( ) ονομάζεται τιμή αναφοράς (reference value) και η πιο συνήθης τιμή της δίνεται από τη σχέση Η ποσότητα + t δσ µ µ K = = = kσ, k = δ /. S συσσωρεύει τις αποκλίσεις των παρατηρήσεων X t από την ποσότητα µ + K από τη στιγμή που θα εμφανιστεί θετική απόκλιση και μπορεί να θεωρηθεί κατάλληλη για τον έλεγχο της υπόθεσης αφού μεγάλες θετικές τιμές της ποσότητα t H : µ = µ H : µ = µ = µ + δσ, δ > S οδηγούν στην αποδοχή της υπόθεσης + t S συσσωρεύει τις αποκλίσεις των παρατηρήσεων t H. Ανάλογα, η + X από την ποσότητα από τη στιγμή που θα εμφανιστεί αρνητική απόκλιση και συνεπώς η ποσότητα θεωρηθεί κατάλληλη για τον έλεγχο της υπόθεσης αφού μικρές αρνητικές τιμές της H : µ = µ H : µ = µ = µ δσ, δ > Για το ποια από τις δύο εναλλακτικές υποθέσεις S οδηγούν στην αποδοχή της υπόθεσης t H και + H. t µ K S μπορεί να H θα αποδεχθούμε ή όχι σε κάθε βήμα της διαδικασίας η απόφασή μας θα εξαρτηθεί από το αν ισχύει η σχέση η σχέση S t + S t > H < H, όπου H μια θετική σταθερά ( H > ). Η πιο συνήθης τιμή για το διάστημα απόφασης είναι η H = hσ, h = 4,5. ή 3
46 Η ποσότητα H ονομάζεται διάστημα απόφασης (ecson nterval). Φυσικά αν μια από τις δύο εναλλακτικές υποθέσεις + H ή H γίνει αποδεκτή τότε θεωρούμε ότι η διεργασία είναι εκτός ελέγχου λόγω μετατόπισης του μέσου της διεργασίας σε υψηλότερο ή χαμηλότερο επίπεδο αντίστοιχα. Για τα δεδομένα του Πίνακα. έχουμε τα ακόλουθα αποτελέσματα για K = µ µ / = /.5 (επίσης k =. 5) = Παρατήρηση ΠΙΝΑΚΑΣ. Συσσωρευμένα αθροίσματα για K =. 5 X X t ( µ + K) t S ( µ K) Για H = 5 σ = 5 (επίσης h = 5), το διάγραμμα ελέγχου CUSUM ( S και διάγραμμα) είναι το ακόλουθο + t X t t S t S στο ίδιο t 4
47 ΣΧΗΜΑ.3 Διάγραμμα ελέγχου CUSUM για τα δεδομένα του Πίνακα. για K =. 5 και H = 5 Cumulatve Sum 5-5 Upper CUSUM Lower CUSUM 3 Subgroup Number + Από το παραπάνω διάγραμμα προκύπτει ότι S 5 και συνεπώς η διεργασία είναι εκτός ελέγχου λόγω μετατόπισης του μέσου της διεργασίας σε υψηλότερο επίπεδο. Στη γενική περίπτωση, τόσο η τιμή αναφοράς K όσο και το διάστημα απόφασης H μπορούν να διαφέρουν σε ένα δίπλευρο διάγραμμα ελέγχου CUSUM. Τότε ομιλούμε για μη 9 > συμμετρικό διάγραμμα ελέγχου CUSUM. Επίσης οι τιμές εκκίνησης υποχρεωτικό να είναι ίσες με το. Όταν 5-5 S και + S δεν είναι S < H ή/και < H S ομιλούμε για εφαρμογή της μέθοδου της άμεσης αρχικής αντίδρασης (fast ntal response). Συνεπώς στη γενική περίπτωση σε ένα δίπλευρο διάγραμμα ελέγχου CUSUM απεικονίζονται οι ποσότητες όπου S < t = max[, X t ( µ + K ) + St ], S < H, S t = mn[, X t ( µ + K ) + St ], H < S K + + >, H >, K <, H <. Το παραπάνω διάγραμμα δίνει σήμα εκτός ελέγχου διεργασίας τη χρονική στιγμή t αν + + S t > H > ή < H <. Φυσικά αν μας ενδιαφέρει να ανιχνεύσουμε μετατοπίσεις του S t μέσου σε υψηλότερο (χαμηλότερο) επίπεδο στο διάγραμμα ελέγχου CUSUM θα απεικονιστεί μόνο η ποσότητα S ( S ) και το διάστημα απόφασης + t t + H ( < H ). Σε αυτή την περίπτωση 5
48 ομιλούμε για μονόπλευρα διαγράμματα ελέγχου συσσωρευμένων αθροισμάτων (one-se CUSUM). Τα διαγράμματα ελέγχου CUSUM μπορούν να χρησιμοποιηθούν και στην περίπτωση που δεν έχουμε μεμονωμένες παρατηρήσεις αλλά δείγματα μεγέθους n >. Σε αυτή την περίπτωση η ποσότητα X θα πρέπει να αντικατασταθεί με την ποσότητα t μέσο του t δείγματος) και η ποσότητα σ με την ποσότητα σ / X t ( δηλαδή με το n. Έτσι στο δίπλευρο συμμετρικό διάγραμμα ελέγχου CUSUM απεικονίζονται οι στατιστικές συναρτήσεις όπου + + S t = max[, X t ( µ + K) + St ] S t = mn[, X t ( µ K) + St ] σ σ K = k, H = h. n n.6 Διαγράμματα ελέγχου EWMA Ας θεωρήσουμε μια εντός ελέγχου διεργασία η οποία παράγει προϊόντα στα οποία η τιμή X ενός ποιοτικού χαρακτηριστικού τους που θέλουμε να παρακολουθήσουμε έχει μέση τιμή µ και τυπική απόκλιση σ. Από τη διεργασία λαμβάνονται ανεξάρτητες μεμονωμένες παρατηρήσεις διεργασίας της μορφής X,, και μας ενδιαφέρει να ανιχνεύσουμε μετατοπίσεις του μέσου της µ = µ ± δσ. Στα διαγράμματα ελέγχου εκθετικά σταθμισμένου κινούμενου μέσου ή απλά διαγράμματα ελέγχου EWMA (exponentally weghte movng average) τα οποία εισήχθησαν από τον Roberts (959), απεικονίζεται η στατιστική συνάρτηση Z t = ( λ) Zt + λ X t, t, < λ. Για την εκκίνηση του παραπάνω σχεδίου EWMA απαιτείται ο καθορισμός της τιμής εκκίνησης Z η οποία συνήθως λαμβάνεται ίση με µ ( Z = µ ), ή γενικότερα λαμβάνεται ίση με μια τιμή στόχο (target value) T ( Z = ). Χρησιμοποιώντας διαδοχικά τον παραπάνω τύπο παίρνουμε Παρατηρούμε ότι η ποσότητα t T t t + λ ( ) = t Z = ( λ ) Z λ X. Z t αποτελεί ένα σταθμισμένο μέσο των παρατηρήσεων Z, X, X..., X t, X t με αντίστοιχα βάρη ( λ t ), t λ ( λ), t λ ( λ), λ( λ), λ 6
49 (τα βάρη αθροίζουν στη μονάδα). Τα βάρη t λ ( λ) των ποσοτήτων X φθίνουν γεωμετρικά καθώς προχωρούμε από την παρατήρηση X t προς την παρατήρηση X και συνεπώς η τιμή της παραμέτρου λ απεικονίζει τη σπουδαιότητα που δίνουμε στις νέες (μεγάλη τιμή για το λ ) ή στις παλαιότερες (μικρή τιμή για το λ ) παρατηρήσεις. Για αυτό το λόγω, ο Roberts (959) ονόμασε τα διαγράμματα που βασίζονται στη ποσότητα Z t ως διαγράμματα ελέγχου γεωμετρικού κινούμενου μέσου (geometrc movng average control charts). Στις μέρες μας βέβαια έχει επικρατήσει ο όρος διαγράμματα ελέγχου EWMA. σ Για το μέσο και τη διακύμανση της στατιστικής συνάρτησης µ = t t t t = Var ( λ) Z + λ ( λ) X = λ σ [( λ) = = Z t µ Z t έχουμε ότι ( = µ λ [ ( λ) λ Z ) t t Z ] = σ ]. t Συνεπώς, λαμβάνοντας υπόψη τη φιλοσοφία κατασκευής ενός διαγράμματος ελέγχου Shewhart, στο διάγραμμα ελέγχου EWMA απεικονίζεται η τιμή της στατιστικής συνάρτησης Z και τα όρια ελέγχου θα δίνονται από τους τύπους t UCL = µ LCL = µ Zt CL = µ Zt Zt + Lσ = µ - Lσ Zt Zt = µ = µ + Lσ - Lσ λ [- (- λ) - λ λ [- (- λ) - λ Αξίζει να σημειώσουμε ότι για λ = το διάγραμμα ελέγχου EWMA ανάγεται στο αντίστοιχο διάγραμμα ελέγχου Shewhart. Επίσης παρατηρούμε ότι τα όρια ελέγχου του παραπάνω διαγράμματος είναι μεταβλητά ( λ ). Ωστόσο η ποσότητα t t ] ] ( λ t ) τείνει στο μηδέν καθώς το t αυξάνει, οπότε σε σχετικά σύντομο χρονικό διάστημα τα όρια ελέγχου σταθεροποιούνται και δίνονται από τη σχέση UCL = µ LCL = µ Z t Z t + Lσ - Lσ Z t Z t = µ = µ + Lσ - Lσ λ - λ λ - λ 7
50 Αν και η μέθοδος των διαγραμμάτων ελέγχου EWMA αναπτύχθηκε για μεμονωμένες παρατηρήσεις μπορεί να τροποποιηθεί άμεσα έτσι ώστε να καλύψει και την περίπτωση όπου έχουμε δείγματα μεγέθους n >. Σε αυτή την περίπτωση η ποσότητα X t θα πρέπει να αντικατασταθεί με την ποσότητα με την ποσότητα σ / X (δηλαδή με το μέσο του t δείγματος) και η ποσότητα σ t n. Συνεπώς στο διάγραμμα ελέγχου απεικονίζεται η ποσότητα Z t = ( λ) Z + λ X, < λ σ λ t με όρια ελέγχου UCL = µ Z t + Lσ Z t = µ + L [ ( λ) ] n λ Center Lne = µ Z = µ t t σ λ t LCL = µ Z Lσ Z = µ L [ ( λ) ] t t n λ Τα διαγράμματα ελέγχου EWMA χρησιμοποιούνται, όπως και τα διαγράμματα ελέγχου CUSUM, όταν θέλουμε να εντοπίσουμε μικρές μετατοπίσεις του μέσου της διεργασίας. Το πλεονέκτημα των διαγραμμάτων ελέγχου EWMA έναντι των CUSUM είναι ότι δεν είναι ευαίσθητα στην υπόθεση της κανονικότητας των παρατηρήσεων και για το λόγο αυτό είναι ιδανικά στην περίπτωση που έχουμε μεμονωμένες παρατηρήσεις. Για την επίδειξη ενός διαγράμματος ελέγχου EWMA θα χρησιμοποιήσουμε τα δεδομένα του Πίνακα.. Για Z = µ, σ =, λ =. και L =. 7 προκύπτει ο ακόλουθος πίνακας για τις τιμές = Z t που θα απεικονιστούν στο διάγραμμα t 8
51 ΠΙΝΑΚΑΣ. Δεδομένα για την επίδειξη ενός διαγράμματος ελέγχου EWMA Παρατήρ ηση X t Z t Παρατήρηση X t , Τα σταθεροποιημένα όρια ελέγχου ( t ) είναι ίσα με λ. UCL = µ + Lσ = +.7 =. 6 λ (.) λ. LCL = µ Lσ =.7 = λ (.) και το διάγραμμα ελέγχου EWMA είναι το ακόλουθο ΣΧΗΜΑ.4 Διάγραμμα ελέγχου EWMA για τα δεδομένα του Πίνακα. Z t 9
52 EWMA EWMA Chart for X UCL =.6 CTR =. LCL = 9.38 Observaton Στο συγκεκριμένο διάγραμμα παρατηρούμε ότι μετά την 3 η παρατήρηση διαφαίνεται μια μετατόπιση του μέσου της διεργασίας σε υψηλότερο επίπεδο η οποία γίνεται αντιληπτή στην 9 η παρατήρηση. 3
53 3
54 ΚΕΦΑΛΑΙΟ Συνθετικά διαγράμματα ελέγχου για τη μέση τιμή και τον αριθμό των ελαττωματικών προϊόντων. Συνθετικό διάγραμμα ελέγχου για την ανίχνευση μετατοπίσεων του μέσου μιας διεργασίας Σε αυτό το μέρος παρουσιάζουμε ένα συνθετικό (synthetc) διάγραμμα ελέγχου κατάλληλο για την ανίχνευση μικρών μετατοπίσεων του μέσου μιας διεργασίας. Η κατασκευή του βασίζεται στο Shewhart X και στο CRL (comformng run length) διάγραμμα ελέγχου. Το συνθετικό διάγραμμα ελέγχου αποτελείται από ένα X / S υποδιάγραμμα και ένα CRL/ S υποδιάγραμμα ελέγχου. Επομένως κρίνεται σκόπιμο να αναφέρουμε αρχικά κάποια χαρακτηριστικά των διαγραμμάτων ελέγχου Shewhart X και των διαγραμμάτων ελέγχου CRL. Στο τέλος της παραγράφου παρουσιάζεται ένα πρόγραμμα σε C, το SYNTH, το οποίο μπορεί να χρησιμοποιηθεί για να σχεδιάσουμε ένα συνθετικό διάγραμμα ελέγχου που ελαχιστοποιεί το εκτός ελέγχου μέσο μήκος ροής για συγκεκριμένη μετατόπιση του μέσου 3
55 της διεργασίας. Τα αποτελέσματα της παρούσας παραγράφου έχουν παρουσιαστεί στην εργασία των Wu & Speng (a)... Εισαγωγή Το Shewhart X διάγραμμα ελέγχου έχει ευρέως χρησιμοποιηθεί στη βιομηχανία για τον έλεγχο του μέσου μιας διεργασίας και είναι αρκετά αποτελεσματικό στο να ανιχνεύει μεγάλης κλίμακας μετατοπίσεις του μέσου. Ωστόσο δεν είναι αρκετά ευαίσθητο στην ανίχνευση μικρών έως μέτριων μετατοπίσεων του μέσου. Για την ανίχνευση μικρών έως μέτριων μετατοπίσεων του μέσου μιας διεργασίας κατάλληλα είναι τα EWMA και τα CUSUM διαγράμματα ελέγχου. Αρκετοί συγγραφείς μελέτησαν τα EWMA και CUSUM διαγράμματα ελέγχου και κατέληξαν στο ότι υπάρχει μικρή πρακτική διαφορά ανάμεσα στις δύο τεχνικές. Ενώ και τα δύο αυτά διαγράμματα αποδίδουν καλύτερα από το Shewhart X διάγραμμα ελέγχου για μικρές μετατοπίσεις του μέσου, είναι κατώτερα από το τελευταίο όταν προκύπτει μεγάλη μετατόπιση. Μια από κοινού X - EWMA προσέγγιση προτάθηκε από τους Albn, Kang & Shea (997), στην οποία ένα εκτός ελέγχου σήμα προκύπτει όταν μία X τιμή βρεθεί εκτός των ορίων ελέγχου του Shewhart X διαγράμματος ή όταν μια τιμή της στατιστικής συνάρτησης Ζ που απεικονίζεται στο EWMA διάγραμμα ελέγχου βρεθεί πέρα από τα όρια ελέγχου του EWMA διαγράμματος. Το από κοινού X - EWMA διάγραμμα βελτιώνει το EWMA διάγραμμα ελέγχου στο να ανιχνεύει μεγάλες μετατοπίσεις στο μέσο, αλλά εις βάρος της αποτελεσματικότητάς του για μικρές μετατοπίσεις. Το Shewhart X διάγραμμα ελέγχου μερικές φορές ενισχύεται με συμπληρωματικούς κανόνες ροών. Για παράδειγμα, αν χρησιμοποιείται ένας -από-3 κανόνας ροών μια διεργασία κρίνεται να είναι εκτός ελέγχου όταν μία X τιμή είναι εκτός των 3σ ορίων ελέγχου ή όταν δύο από τρεις X τιμές βρεθούν πέρα από τα σ προειδοποιητικά όρια ελέγχου. Οι Champ & Wooall (987) και ο Nelson (984) έδειξαν ότι το Shewhart X διάγραμμα με συμπληρωματικούς κανόνες ροών είναι πιο ευαίσθητο σε μικρές μετατοπίσεις του μέσου απ ότι το Shewhart X μόνο του, αλλά όχι τόσο ευαίσθητο όσο το CUSUM και το EWMA διάγραμμα ελέγχου. Οι Albn, Kang & Shea (997) σύγκριναν την απόδοση του από κοινού X - EWMA διαγράμματος ελέγχου με το Shewhart X διάγραμμα ελέγχου με κανόνες ροών και χωρίς κανόνες ροών. Σύστησαν τη χρήση του από κοινού X - EWMA διαγράμματος εκτός της περίπτωσης που χρειάζεται να ανιχνευτούν μικρές αλλαγές στην τυπική απόκλιση. 33
56 Ο Ncube (99) πρότεινε μια συνδυασμένη Shewhart συσσωρευτική διαδικασία βασισμένη στους εκθετικούς σταθμισμένους μέσους των δειγμάτων και έδειξε ότι αυτή η διαδικασία είναι ομοιόμορφα ανώτερη αυτής του Shewhart X διαγράμματος. Οι Shamma & Shamma (99) πρότειναν ένα διπλό EWMA διάγραμμα το οποίο αποδίδει καλύτερα από το Shewhart X για μικρές και μέτριες μετατοπίσεις του μέσου. Επιπλέον η βέλτιστη απόδοση αυτού του διαγράμματος δεν είναι τόσο ευαίσθητη στην επιλογή των παραμέτρων του όσο το κλασικό EWMA διάγραμμα ελέγχου. Έστω ότι το µ δείχνει την εντός ελέγχου τιμή για το μέσο µ. Το ARL(δ ) δείχνει το μέσο αριθμό δειγμάτων που απαιτείται για να δοθεί σήμα για μετατόπιση του μέσου από µ σε µ ± δσ. Το ARL(δ ) έχει ευρέως χρησιμοποιηθεί για να αξιολογήσει την απόδοση των διαγραμμάτων ελέγχου και μπορεί να υπολογιστεί από την πιθανότητα P που συμβολίζει την πιθανότητα να βρεθεί ένα σημείο του διαγράμματος ελέγχου εκτός των ορίων ελέγχου... Shewhart X και CRL διάγραμμα ελέγχου Ας υποθέσουμε ότι η κατανομή των παρατηρήσεων που παίρνουμε από τη διεργασία είναι η κανονική κατανομή με μέση τιμή µ και διακύμανση σ, και επιπλέον έστω µ η τιμή στόχος για το μέσο. Από τη διεργασία επιλέγουμε τυχαία δείγματα μεγέθους n και έστω X = ( X, X,..., X ) το δείγμα που πήραμε στην -οστή δειγματοληψία. Όταν επιλέγουμε το n -οστό δείγμα, υπολογίζουμε τη δειγματική μέση τιμή του X και την αναπαριστούμε σε ένα Shewhart X διάγραμμα ελέγχου με κεντρική γραμμή ίση με µ και όρια ελέγχου µ ± k σ / n (συνήθως επιλέγουμε το k να είναι ίσο με 3). Ας υποθέσουμε ότι ο μέσος µ της διεργασίας μετατοπίζεται στη θέση μήκος ροής ARL (δ ) δίνεται από τη σχέση µ ± δσ. Τότε ως γνωστόν το εκτός ελέγχου μέσο ARL( δ ) = () P P = β = [ Φ( k δ n) Φ( k δ n)], όπου β είναι το σφάλμα τύπου ΙΙ, n είναι το μέγεθος δείγματος και k είναι ο συντελεστής που καθορίζει την απόσταση των ορίων ελέγχου από την κεντρική γραμμή. Το εντός ελέγχου 34
57 ARL, ARL(), συνήθως είναι καθορισμένο από το χρήστη με βάση το ρυθμό των λανθασμένων συναγερμών που επιθυμεί να έχει. Ένα άλλο διάγραμμα ελέγχου μεγάλης σημασία είναι το CRL (comformng run length) διάγραμμα ελέγχου, το οποίο προτάθηκε από τον Bourke (99) και μελετήθηκε τα τελευταία χρόνια από πολλούς ερευνητές (Kamnsky, Benneyan & Devs (99), Nelson (994), Glushkovsky (994), Xe, Xe & Goh (995)). Το CRL διάγραμμα ελέγχου αναπτύχθηκε αρχικά για ποιοτικό έλεγχο ιδιοτήτων. Σε % επιθεώρηση, το συμμορφούμενο μήκος ροής είναι ο αριθμός των επιθεωρημένων μονάδων μεταξύ δύο διαδοχικών μη συμμορφούμενων μονάδων (συμπεριλαμβανομένης της τελικής μη συμμορφούμενης μονάδας). Στο Σχήμα., οι άσπροι και οι μαύροι κύκλοι παριστάνουν τις συμμορφούμενες και μη συμμορφούμενες μονάδες αντίστοιχα. Στο Σχήμα. επιδεικνύονται τρία δείγματα του CRL (η διεργασία ξεκινά όταν t = ), τα CRL = 4, CRL = 5 και CRL 3 = 3. Η ιδέα πίσω από το CRL διάγραμμα είναι ότι το συμμορφούμενο μήκος ροής θα αλλάξει όταν η αναλογία p των μη συμμορφούμενων μονάδων σε μια διεργασία αλλάζει. Δηλαδή, το CRL μικραίνει, όσο το p αυξάνεται, και μεγαλώνει όσο το p μειώνεται. ΣΧΗΜΑ. Συμμορφούμενο μήκος ροής. Είναι προφανές ότι η τυχαία μεταβλητή CRL ακολουθεί τη γεωμετρική κατανομή με πιθανότητα επιτυχίας p. Συνεπώς, η μέση τιμή του CRL (ο αναμενόμενος αριθμός των επιθεωρημένων μονάδων σε ένα CRL δείγμα) είναι µ CRL = () p ενώ η αθροιστική συνάρτηση κατανομή του CRL δίνεται από τη σχέση CRL F ( CRL) = ( p), CRL =,,.... (3) p 35
58 Αν η μόνη ανησυχία μας είναι η ανίχνευση αυξήσεων του p, ένα μοναδικό κάτω όριο ελέγχου L είναι ικανοποιητικό για το CRL διάγραμμα ελέγχου. Το σφάλμα τύπου Ι, a CRL CRL διαγράμματος ελέγχου δίνεται από τη σχέση a ) L CRL = P( CRL L) = Fp ( L) = ( p, όπου p είναι η εντός ελέγχου αναλογία p των μη συμμορφούμενων μονάδων. Επομένως για δεδομένο a CRL, τo L μπορεί να βρεθεί από την εξίσωση, του ln( acrl ) L = (4) ln( ) Το L πρέπει να στρογγυλοποιηθεί σε έναν ακέραιο. Αν η τιμή του CRL σε ένα δείγμα είναι μικρότερη ή ίση με το L, είναι πολύ πιθανό ότι η αναλογία p των μη συμμορφούμενων μονάδων να έχει αυξηθεί και επομένως λαμβάνουμε σήμα εκτός ελέγχου διεργασίας. Για το CRL διάγραμμα ελέγχου, με p ARL CRL συμβολίζουμε τον αναμενόμενο αριθμό των CRL δειγμάτων που απαιτούνται για να λάβουμε σήμα εκτός ελέγχου διεργασίας (αύξηση της τιμής του p), οπότε Τέλος, με ARL CRL = =. (5) L F ( L) ( p) p ANS CRL συμβολίζουμε την αναμενόμενη τιμή του αριθμού των επιθεωρημένων μονάδων μέχρις ότου το CRL διάγραμμα ελέγχου δώσει σήμα εκτός ελέγχου διεργασίας. Έτσι ANS CRL..3 Το συνθετικό διάγραμμα ελέγχου X CRL = µ CRL ARLCRL =. (6) L p ( p) Το συνθετικό (synthetc) διάγραμμα ελέγχου αποτελεί ένα συνδυασμό του Shewhart X και του CRL διαγράμματος ελέγχου. Τα ακόλουθα βήματα περιγράφουν τη λειτουργία του συνθετικού διαγράμματος ελέγχου.. Αποφασίζουμε το κάτω και το άνω όριο ελέγχου, LCL και UCL, του X / S X/ S X/ S υποδιαγράμματος, και το κάτω όριο ελέγχου, L, του CRL/ S υποδιαγράμματος. Το LCL και X/ S X/ S UCL μπορούν να υπολογιστούν όπως και τα αντίστοιχα όρια του Shewhart X διαγράμματος ελέγχου, δηλαδή 36
59 LCL UCL X / S X / S όπου µ είναι ο εντός ελέγχου μέσος και = µ kσ = µ + kσ μέσου. Ο συντελεστής k των ορίων ελέγχου του X X (7) σ είναι η τυπική απόκλιση του δειγματικού X X / S υποδιαγράμματος είναι συνήθως μικρότερος από τον αντίστοιχο για το Shewhart X διάγραμμα ελέγχου. Ο προσδιορισμός του k και του L θα περιγραφεί αργότερα.. Σε κάθε σημείο επιθεώρησης, παίρνουμε ένα τυχαίο δείγμα X από n παρατηρήσεις και υπολογίζουμε το δειγματικό μέσο X. 3. Αν το X είναι μεγαλύτερο από το κάτω όριο LCL και μικρότερο από το άνω όριο X/ S UCL του X / S υποδιαγράμματος, τότε αυτό το δείγμα καλείται συμμορφούμενο X/ S δείγμα και επιστρέφουμε πίσω στο βήμα (). Διαφορετικά το δείγμα καλείται μη συμμορφούμενο και προχωρούμε στο επόμενο βήμα. 4. Ελέγχουμε τον αριθμό των X δειγμάτων μεταξύ του τρέχοντος και του τελευταίου μη συμμορφούμενου δείγματος. Αυτός ο αριθμός λαμβάνεται ως ένα CRL δείγμα του CRL/ S υποδιαγράμματος στο συνθετικό διάγραμμα. 5. Αν το CRL δείγμα είναι μεγαλύτερο από κάτω όριο ελέγχου του CRL/ S υποδιαγράμματος, τότε η διεργασία θεωρείται εντός ελέγχου και επιστρέφουμε πίσω στο βήμα (). Διαφορετικά, η διεργασία θεωρείται εκτός ελέγχου και προχωρούμε στο επόμενο βήμα. 6. Στέλνουμε σήμα εκτός ελέγχου διεργασίας. 7. Λαμβάνουμε μέτρα για την εύρεση και την απομάκρυνση της ειδικής αιτίας μεταβλητότητας. Έπειτα επιστρέφουμε πίσω στο βήμα (). Γενικά, το συνθετικό διάγραμμα δουλεύει με τον ίδιο τρόπο όπως το συνηθισμένο CRL διάγραμμα, εκτός του ότι η μονάδα του CRL διαγράμματος είναι πλέον ένας δειγματικός μέσος X στο συνθετικό διάγραμμα. Είναι αξιοσημείωτο, σε αντίθεση με το Shewhart X διάγραμμα, ότι μια δειγματική τιμή X πέρα από τα όρια ελέγχου του X / S υποδιαγράμματος στο συνθετικό διάγραμμα δεν δίνει σήμα μιας εκτός ελέγχου διεργασίας Απλά επισημαίνει ένα μη συμμορφούμενο δείγμα. Μόνον όταν το CRL μεταξύ δυο διαδοχικών μη συμμορφούμενων δειγμάτων είναι μικρότερο ή ίσο με το κάτω όριο ελέγχου L του CRL/ S υποδιαγράμματος έχουμε σήμα εκτός ελέγχου διεργασίας. 37
60 Στο συνθετικό διάγραμμα το ARLS ( δ ) παριστάνει το μέσο αριθμό των δειγμάτων που απαιτούνται για να ανιχνευθεί μια μετατόπιση του μέσου της διεργασίας. Έτσι το ARLS ( δ ) ουσιαστικά είναι ίσο με το ANS CRL της εξίσωση (6), με τη διαφορά ότι η αναλογία p των μη συμμορφούμενων μονάδων θα πρέπει να αντικατασταθεί από την πιθανότητα P = β του X / S υποδιαγράμματος στο συνθετικό διάγραμμα. Αυτό συμβαίνει επειδή ένας δειγματικός μέσος X στο συνθετικό διάγραμμα αντιστοιχεί σε μια μονάδα στο συνηθισμένο CRL διάγραμμα. Αυτό το σημείο μπορεί να γίνει καλύτερα κατανοητό αν το Σχήμα. θεωρηθεί ως ένα συνθετικό διάγραμμα που κάθε κύκλος παριστάνει ένα δείγμα αντί μιας μονάδας. Επομένως, οι άσπροι και οι μαύροι κύκλοι παριστάνουν τους συμμορφούμενους και του μη συμμορφούμενους δειγματικούς μέσους X, αντίστοιχα. Στο διάγραμμα για ιδιότητες, το p παριστάνει την πιθανότητα να εμφανιστεί μια μη συμμορφούμενη μονάδα. Στο συνθετικό διάγραμμα, αυτή η πιθανότητα πρέπει να αντικατασταθεί από την πιθανότητα να εμφανιστεί ένας μη συμμορφούμενος δειγματικός μέσος εκτός των ορίων ελέγχου του υποδιαγράμματος, δηλαδή με την πιθανότητα ανίχνευσης P του Συνεπώς σύμφωνα με την εξίσωση (6) ARLS ( δ ) = P ( P) P = β = Φ( k δ n) + Φ( k δ n)]. L X / S X / S υποδιαγράμματος. Από τη στιγμή που ίσες θετικές και αρνητικές μετατοπίσεις στο μέσο θα προκαλέσουν το ίδιο ποσό μεταβολής στην τιμή του P, μόνο θετικές μετατοπίσεις του μέσου θα αναλυθούν. Επιπλέον, δεδομένου ότι το P ποτέ δεν μειώνεται κάτω από την εντός ελέγχου τιμή του, το CRL/ S υποδιάγραμμα χρειάζεται ένα χαμηλότερο όριο ελέγχου. Ιδιαίτερη αναφορά απαιτούν οι επόμενες δύο τιμές του ARL ( δ ):. ARLS( δ ) : H μετατόπιση δ του μέσου παριστάνει τη μετατόπιση σχεδιασμού του μέσου, το μέγεθος της οποίας θεωρείται αρκετά μεγάλο ώστε να χειροτερεύσει σοβαρά την ποιότητα των παραγόμενων προϊόντων. Επομένως, η μετατόπιση S (8) δ πρέπει να ανιχνεύεται και να αφαιρείται το συντομότερο δυνατό. Κατά τη διάρκεια του σχεδιασμού του συνθετικού διαγράμματος το δ αντιμετωπίζεται ως προδιαγραφή από το χρήστη. Το συνθετικό διάγραμμα σχεδιάζεται έτσι ώστε να ελαχιστοποιηθεί το ARL ( δ ). S 38
61 . ARL () ARL() : Αν δ =, τότε χρησιμοποιώντας τις εξισώσεις (8) παίρνουμε, s ARL() = Φ ( k) [ Φ ( k)] L Η εξίσωση (9) μπορεί να χρησιμοποιηθεί για να καθορίσει τις δύο σχεδιαστικές παραμέτρους k και L για το συνθετικό διάγραμμα ελέγχου. Αν το ARL () έχει τεθεί στη τιμή που καθορίζεται από το χρήστη, τότε κάθε ζεύγος τιμών των k και L που ικανοποιεί την εξίσωση (9) θα οδηγήσει σε ένα συνθετικό διάγραμμα το οποίο μπορεί να καλύψει την απαίτηση για το ARL () δηλαδή το προκαθορισμένο ποσοστό των λανθασμένων συναγερμών. Ο Πίνακας. δίνει ζεύγη τιμών k και L για ένα παράδειγμα σχεδιασμού στο οποίο είναι καθορισμένα το ARL ( ) = 37 και το δ =. Η τιμή του L αυξάνεται από το μέχρι το, και το αντίστοιχο k λαμβάνεται λύνοντας (με αριθμητικές μεθόδους) την εξίσωση (9). Αν και στα ζεύγη τιμών k και L αντιστοιχεί το ίδιο ARL ( ) = 37, παρατηρούμε ότι αντιστοιχούν διαφορετικές τιμές του ARL ( δ ). Για το ζεύγος τιμών ( L =4, k =.8), το ARL ( δ ) παίρνει την ελάχιστη τιμή του.734. Επομένως, ο συνδυασμός L =4 S και k =.8 αντιπροσωπεύει τον τελικό σχεδιασμό του συνθετικού διαγράμματος. ΠΙΝΑΚΑΣ. Ζεύγη ( L, k ) και ARL για δ = και ARL ( ) = 37 (συνθετικό διάγραμμα X CRL) L k ARL ( δ ) Ο Πίνακας. στην πραγματικότητα δείχνει ένα μονοκόρυφο πρόβλημα βελτιστοποίησης, στο οποίο ελαχιστοποιείται η αντικειμενική συνάρτηση ARL ( δ ). Η μοναδική ανεξάρτητη παράμετρος σχεδιασμού είναι η L. Η παράμετρος k είναι συνάρτηση S S S (9) 39
62 του L και η τιμή της προκύπτει από την εξίσωση (9). Η βέλτιστη λύση μπορεί να βρεθεί αυξάνοντας συνεχώς το L ξεκινώντας από την τιμή ένα. Από τη στιγμή που η αντικειμενική συνάρτηση είναι μονοκόρυφη (κυρτή), η αναζήτηση της βέλτιστης τιμής του k σταματά όταν το ARL ( δ ) δεν μπορεί να μειωθεί περαιτέρω. Εκτενείς μελέτες έχουν δείξει ότι το S συνθετικό διάγραμμα ελέγχου είναι ανθεκτικό σε σχέση με την τιμή του L. Για το παράδειγμα στον Πίνακα., όταν το L παίρνει οποιαδήποτε τιμή μεταξύ του 3 και του, το συνθετικό διάγραμμα δουλεύει σχεδόν το ίδιο καλά όσο το βέλτιστο σχέδιο και είναι πάντα ανώτερο του Shewhart X διαγράμματος. Η ολοκληρωμένη διαδικασία σχεδιασμού του συνθετικού διαγράμματος ελέγχου μπορεί να συνοψιστεί ως ακολούθως:. Προσδιορίζουμε τα µ, σ, n, δ και ARL ().. Θέτουμε L = 3. Λύνουμε την εξίσωση (9) ως προς k. 4. Υπολογίζουμε το ARL ( δ ) χρησιμοποιώντας τις τρέχουσες τιμές των k, L και τις εξισώσεις (8). S 5. Αν το ARL ( δ ) έχει μειωθεί, τότε αυξάνουμε το L κατά μονάδα και πηγαίνουμε πίσω S στο βήμα 3. Διαφορετικά, πηγαίνουμε στο επόμενο βήμα. 6. Επιλέγουμε το τελευταίο L και k σαν τελικές τιμές για το συνθετικό διάγραμμα. 7. Χρησιμοποιώντας την τελική τιμή του k, υπολογίζουμε το LCL και το UCL του X/ S X/ S X / S υποδιαγράμματος χρησιμοποιώντας τις εξισώσεις (7)...4 Παραδείγματα Στη συνέχεια δίνουμε τρία παραδείγματα που διαφωτίζουν τη λειτουργία του συνθετικού διαγράμματος ελέγχου. Παράδειγμα Σε αυτό το παράδειγμα πραγματοποιείται ένα πείραμα παρόμοιο με ένα παραγοντικό σχέδιο. Η παράμετρος ARL () έχει τρία επίπεδα και η παράμετρος δ έχει πέντε επίπεδα (σε όρους σ ), οδηγώντας σε 5 πιθανούς συνδυασμούς ARL () :, 37, 5 δ :.5,.,.5,.,.5 4
63 Το μέγεθος δείγματος, n, καθορίζεται στο τέσσερα. Οι παράμετροι µ και σ δεν ορίζονται, αφού δεν έχουν επίδραση στην τιμή του ARL. Για κάθε συνδυασμό ARL () και δ, το αντίστοιχο Shewhart X διάγραμμα και το συνθετικό διάγραμμα αναπτύσσονται σύμφωνα με προαναφερθείσες διαδικασίες. Τα ARL ( δ ) και ARL ( δ ) υπολογίζονται για 3 διαφορετικές S μετατοπίσεις στο μέσο ( δ = (.5) 3). Όταν η διεργασία είναι εντός ελέγχου ( δ = ), το συνθετικό και το Shewhart X διάγραμμα είναι σχεδιασμένα ώστε και τα δύο να παράγουν ίδια τιμή ARL () που είναι απαραίτητη συνθήκη για να συγκριθούν τιμές του εκτός ελέγχου μήκους ροής δύο ή περισσότερων διαγραμμάτων ελέγχου. Αρκετά ενδιαφέροντα ευρήματα αποκαλύφθηκαν από αυτό το πείραμα (αλλά και από άλλα πειράματα) όπως προκύπτει από τους Πίνακες..4.. Όταν δ >, το ARL ( δ ) είναι πάντα μικρότερο του ARL ( δ ). Αυτό σημαίνει ότι το S συνθετικό διάγραμμα μπορεί να ανιχνεύει μετατοπίσεις του μέσου κάθε μεγέθους γρηγορότερα από το Shewhart X διάγραμμα ελέγχου. Παρά το γεγονός ότι ο βέλτιστος σχεδιασμός του συνθετικού διαγράμματος βασίστηκε σε μια συγκεκριμένη μετατόπιση του μέσου ( δ =), η υπεροχή του συνθετικού διαγράμματος είναι γεγονός και για τις υπόλοιπες μετατοπίσεις του μέσου.. Η βελτίωση στην ισχύ της ανίχνευσης εκτός ελέγχου διεργασίας είναι ουσιώδης για πολλές περιπτώσεις. Ιδιαίτερα, όταν η μετατόπιση του μέσου είναι μεταξύ.5σ και.5σ, το ARL ( δ ) είναι σχεδόν το μισό του ARL ( δ ). S 3. Όταν το ARL() είναι μεγάλο, η βελτίωση στην ισχύ της ανίχνευσης εκτός ελέγχου X διεργασίας είναι σημαντική. Ένα μεγάλο ARL () χρησιμοποιείται όταν ο χειρισμός ενός λανθασμένου συναγερμού είναι χρονοβόρος και δαπανηρός. 4. Όταν η μετατόπιση σχεδιασμού δ είναι ίση ή μεγαλύτερη από.5σ το βέλτιστο συνθετικό διάγραμμα παραμένει σταθερό. Δηλαδή, ούτε το L, ούτε το k θα αλλάξουν άλλο από τη στιγμή που το δ ξεπεράσει μια συγκεκριμένη τιμή. 5. Η ανωτερότητα του συνθετικού διαγράμματος σε σχέση με το Shewhart X διάγραμμα ελαττώνεται όταν η μετατόπιση του μέσου γίνεται πολύ μεγάλη γιατί η ανίχνευση της μετατόπισης είναι εξαιρετικά εύκολη, ακόμη και για το λιγότερο ισχυρό Shewhart X διάγραμμα. X ΠΙΝΑΚΑΣ. X 4
64 Τιμές ARL (δ ) για το συνθετικό X CRL και το Shewhart X διάγραμμα ελέγχου ARL( ), δ =.5,.,.5,.,.5 = Συνθετικό διάγραμμα ελέγχου δ X δ =. 5 δ =. δ =. 5 δ =. δ = ΠΙΝΑΚΑΣ.3 Τιμές ARL (δ ) για το συνθετικό X CRL και το Shewhart X διάγραμμα ελέγχου ARL( ) 37, δ =.5,.,.5,.,.5 = Συνθετικό διάγραμμα ελέγχου δ X δ =. 5 δ =. δ =. 5 δ =. δ =
65 ΠΙΝΑΚΑΣ.4 Τιμές ARL (δ ) για το συνθετικό X CRL και το Shewhart X διάγραμμα ελέγχου ARL( ) 5, δ =.5,.,.5,.,.5 = Συνθετικό διάγραμμα ελέγχου δ X δ =. 5 δ =. δ =. 5 δ =. δ = ARL(δ) ΣΧΗΜΑ. Γραφική Παράσταση του ARL(δ) για ARL( ), δ =.5,.,.5,., =,,5,5,75,,5,5 δ X-bar δ=.5 δ=. δ=.5 43
66 ARL(δ) ARL(δ) ΣΧΗΜΑ.3 Γραφική Παράσταση του ARL(δ) για ARL( ) 37, δ =.5,.,.5,., =,,5,,5 δ ΣΧΗΜΑ.4 Γραφική Παράσταση του ARL(δ) για ARL( ) 5, δ =.5,.,.5,., =,,5,5,75,,5,5 δ X-bar δ=.5 δ=. δ=.5 X-bar δ=.5 δ=. δ=.5 δ=. 44
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
Δ Ι Π Λ Ω Μ Α Τ Ι Κ Η Ε Ρ Γ Α Σ Ι Α ΕΠΙΔΡΑΣΗ ΤΗΣ ΕΚΤΙΜΗΣΗΣ ΤΩΝ ΠΑΡΑΜΕΤΡΩΝ ΣΤΙΣ ΙΔΙΟΤΗΤΕΣ ΤΩΝ ΔΙΑΓΡΑΜΜΑΤΩΝ ΕΛΕΓΧΟΥ ΓΙΑ ΤΗ ΜΕΣΗ ΤΙΜΗ
Μ Ε Τ Α Π Τ Υ Χ Ι Α Κ O Π Ρ Ο Γ Ρ Α Μ Μ Α Σ Π Ο Υ Δ Ω Ν Σ Τ Η Ν Ε Φ Α Ρ Μ Ο Σ Μ Ε Ν Η Σ Τ Α Τ Ι Σ Τ Ι Κ Η Δ Ι Π Λ Ω Μ Α Τ Ι Κ Η Ε Ρ Γ Α Σ Ι Α ΕΠΙΔΡΑΣΗ ΤΗΣ ΕΚΤΙΜΗΣΗΣ ΤΩΝ ΠΑΡΑΜΕΤΡΩΝ ΣΤΙΣ ΙΔΙΟΤΗΤΕΣ ΤΩΝ ΔΙΑΓΡΑΜΜΑΤΩΝ
ΣΤΑΤΙΣΤΙΚΟΣ ΕΛΕΓΧΟΣ ΔΙΕΡΓΑΣΙΩΝ ΓΙΑ ΠΑΡΑΓΩΓΕΣ ΜΙΚΡΟΥ ΜΕΓΕΘΟΥΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΣΤΑΤΙΣΤΙΚΟΣ ΕΛΕΓΧΟΣ ΔΙΕΡΓΑΣΙΩΝ ΓΙΑ ΠΑΡΑΓΩΓΕΣ ΜΙΚΡΟΥ ΜΕΓΕΘΟΥΣ Γαλάτιος Σιγανός
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ ΚΙΝΟΥΜΕΝΟΥ ΜΕΣΟΥ Ανθούλα Ν. Τσίπη Διπλωματική Εργασία που
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
ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ SHEWHART ΜΕ ΚΑΝΟΝΕΣ ΕΥΑΙΣΘΗΤΟΠΟΙΗΣΗΣ ΠΟΥ ΒΑΣΙΖΟΝΤΑΙ ΣΤΗ ΘΕΩΡΙΑ ΡΟΩΝ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 18 ου Πανελληνίου Συνεδρίου Στατιστικής (2005) σελ.325-331 ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ SHEWHART ΜΕ ΚΑΝΟΝΕΣ ΕΥΑΙΣΘΗΤΟΠΟΙΗΣΗΣ ΠΟΥ ΒΑΣΙΖΟΝΤΑΙ ΣΤΗ ΘΕΩΡΙΑ ΡΟΩΝ Α. Ρακιτζής 1
ΤΕΧΝΙΚΕΣ ΕΛΕΓΧΟΥ ΜΗ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΤΕΧΝΙΚΕΣ ΕΛΕΓΧΟΥ ΜΗ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Βασιλική Χ. Ράδου Διπλωματική Εργασία
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Παραμετρικά και Μη Παραμετρικά Διαγράμματα Ελέγχου στον Στατιστικό Έλεγχο Διεργασίας ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Παραμετρικά και Μη Παραμετρικά Διαγράμματα Ελέγχου στον Στατιστικό Έλεγχο Διεργασίας ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της Αγγελικής Κ.
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
ιαγράµµατα Ελέγχου Ιδιοτήτων (Control Charts for Attributes)
ιαγράµµατα Ελέγχου Ιδιοτήτων (Control Charts for Attributes) Πολλά ΧΠ δεν µπορούν να αναπαρασταθούν αριθµητικά. Τα ΧΠ χαρακτηρίζονται συµµορφούµενα και µη-συµµορφούµενα. Τα ΧΠ τέτοιου είδους ονοµάζονται
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
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
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
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
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
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
Πολυδιάστατα Δεδομένα
Ανίχνευση Συμβάντος σε Πολυδιάστατα Δεδομένα Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Διπλωματική Εργασία Μεταπτυχιακού Προγράμματος Ηλεκτρονικού Αυτοματισμού Καλβουρίδη Ειρήνη Ανίχνευση Συμβάντος
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
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
Τυχαία μεταβλητή (τ.μ.)
Τυχαία μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) είναι μια συνάρτηση X ( ) με πεδίο ορισμού το δειγματικό χώρο Ω του πειράματος και πεδίο τιμών ένα υποσύνολο πραγματικών αριθμών που συμβολίζουμε συνήθως
Q- ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΠΑΡΑΜΕΤΡΟ p ΤΗΣ ΔΙΩΝΥΜΙΚΗΣ ΚΑΤΑΝΟΜΗΣ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 20 ου Πανελληνίου Συνεδρίου Στατιστικής (2007), σελ 249-258 Q- ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΠΑΡΑΜΕΤΡΟ p ΤΗΣ ΔΙΩΝΥΜΙΚΗΣ ΚΑΤΑΝΟΜΗΣ Μανώλης Μανατάκης Τμήμα Μηχανολόγων και Αεροναυπηγών
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
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
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
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
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
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
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
Ελλιπή δεδομένα. Εδώ έχουμε 1275. Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 1275 ατόμων
Ελλιπή δεδομένα Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 75 ατόμων Εδώ έχουμε δ 75,0 75 5 Ηλικία Συχνότητες f 5-4 70 5-34 50 35-44 30 45-54 465 55-64 335 Δεν δήλωσαν 5 Σύνολο 75 Μπορεί
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
ΣΤΑΤΙΣΤΙΚΑ ΜΕΤΡΑ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ
ΣΤΑΤΙΣΤΙΚΑ ΜΕΤΡΑ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ Στατιστικά περιγραφικά μέτρα Τα στατιστικά περιγραφικά μέτρα είναι αντιπροσωπευτικές τιμές οι οποίες περιγράφουν με τρόπο ποσοτικό την κατανομή μιας μεταβλητής. Λειτουργούν
ΣΤΑΤΙΣΤΙΚΟΙ ΠΙΝΑΚΕΣ. ΓΕΝΙΚΟΙ (περιέχουν όλες τις πληροφορίες που προκύπτουν από μια στατιστική έρευνα) ΕΙΔΙΚΟΙ ( είναι συνοπτικοί και σαφείς )
Πληθυσμός (populaton) ονομάζεται ένα σύνολο, τα στοιχεία του οποίου εξετάζουμε ως προς τα χαρακτηριστικά τους. Μεταβλητές (varables ) ονομάζονται τα χαρακτηριστικά ως προς τα οποία εξετάζουμε έναν πληθυσμό.
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
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
ΒΕΛΤΙΩΜΕΝΑ R ΑΠΟ M ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 20 ου Πανελληνίου Συνεδρίου Στατιστικής (2007), σελ 95-102 ΒΕΛΤΙΩΜΕΝΑ R ΑΠΟ M ΔΙΑΓΡΑΜΜΑΤΑ ΕΛΕΓΧΟΥ Αντζουλάκος Δημήτριος, Ρακιτζής Αθανάσιος 1 Τμήμα Στατιστικής και
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
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
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
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
ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης
ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα
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,
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
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
Γνωστές κατανομές συνεχών μεταβλητών (συν.) (Δ). Γάμμα κατανομή
Γνωστές κατανομές συνεχών μεταβλητών (συν.) (Δ). Γάμμα κατανομή Συνάρτηση Γάμμα: Ιδιότητες o d Γ(α+)=αΓ(α) - αναδρομική συνάρτηση Γ(α+) = α! αν α ακέραιος. Πιθανότητες & Στατιστική 5 Τμήμα Μηχανικών Η/Υ
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
3. Κατανομές πιθανότητας
3. Κατανομές πιθανότητας Τυχαία Μεταβλητή Τυχαία μεταβλητή (τ.μ.) (X) είναι μια συνάρτηση που σε κάθε σημείο (ω) ενός δειγματικού χώρου (Ω) αντιστοιχεί έναν πραγματικό αριθμό. Ω ω X (ω ) R Διακριτή τ.μ.
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
Άσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
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
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
ΕΝΑ ΜΗ ΠΑΡΑΜΕΤΡΙΚΟ ΔΙΑΓΡΑΜΜΑ ΕΛΕΓΧΟΥ ΜΕ ΧΡΗΣΗ ΔΙΑΤΕΤΑΓΜΕΝΩΝ ΔΕΙΓΜΑΤΩΝ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 0 ου Πανελληνίου Συνεδρίου Στατιστικής (007), σελ 5-3 ΕΝΑ ΜΗ ΠΑΡΑΜΕΤΡΙΚΟ ΔΙΑΓΡΑΜΜΑ ΕΛΕΓΧΟΥ ΜΕ ΧΡΗΣΗ ΔΙΑΤΕΤΑΓΜΕΝΩΝ ΔΕΙΓΜΑΤΩΝ Μ. Β. Κούτρας, Ι. Σ. Τριανταφύλλου, N.
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
ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ. Για την Γ Τάξη Γενικού Λυκείου Μάθημα Επιλογής ΟΡΓΑΝΙΣΜΟΣ ΕΚΔΟΣΕΩΣ ΔΙΔΑΚΤΙΚΩΝ ΒΙΒΛΙΩΝ ΑΘΗΝΑ
ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Για την Γ Τάξη Γενικού Λυκείου Μάθημα Επιλογής ΟΡΓΑΝΙΣΜΟΣ ΕΚΔΟΣΕΩΣ ΔΙΔΑΚΤΙΚΩΝ ΒΙΒΛΙΩΝ ΑΘΗΝΑ ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΠΑΙΔΑΓΩΓΙΚΟ
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
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
Στατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 1 ου κεφαλαίου Βιβλίο: Κολυβά Μαχαίρα, Φ. & Χατζόπουλος Στ. Α. (2016). Μαθηματική Στατιστική, Έλεγχοι Υποθέσεων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών
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
& 4/12/09 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ
Εργαστήριο Μαθηματικών & Στατιστικής η Πρόοδος στο Μάθημα Στατιστική //9 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ ο Θέμα Μονάδες Από τα ασθενή ζώα μιας κτηνοτροφικής μονάδας, ποσοστό % έχει προσβληθεί από την ασθένεια Α, % από
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα
Μέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
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 Παραμέτρων
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
3 ο Μέρος Χαρακτηριστικά τυχαίων μεταβλητών
3 ο Μέρος Χαρακτηριστικά τυχαίων μεταβλητών Βασικά χαρακτηριστικά τυχαίας μεταβλητής: Μέση Τιμή (Me Vlue) Διακύμανση (Vrice) Γενικά χαρακτηριστικά: Ροπές μεταβλητών / Ροπογεννήτριες Χαρακτηριστικές συναρτήσεις
Θέμα 1 ο (ΜΑΪΟΣ 2004, ΜΑΪΟΣ 2008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Απόδειξη
ΕΚΔΟΣΕΙΣ ΚΕΛΑΦΑ 59 Θέμα 1 ο (ΜΑΪΟΣ 004, ΜΑΪΟΣ 008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Έχουμε f (x+h) - f (x) = c - c = 0 και για h 0 είναι f (x + h) - f (x) 0 m
ΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
- - ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ και ΟΡΓΑΝΙΣΜΩΝ Θεματική Ενότητα: ΔΕΟ3 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος: 009-0 ΤΥΠΟΛΟΓΙΟ ΣΤΑΤΙΣΤΙΚΗΣ - - ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΥΝΟΨΗΣ
Περιεχόμενα της Ενότητας. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς Κατανομές Πιθανότητας. Συνεχείς Κατανομές Πιθανότητας.
Περιεχόμενα της Ενότητας Στατιστική Ι Ενότητα 5: Συνεχείς Κατανομές Πιθανότητας Δρ. Χρήστος Εμμανουηλίδης Επίκουρος Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς
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
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
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
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
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές ΠΜΣ στη «Ναυτιλία» Τμήμα Β art time Χαράλαμπος Ευαγγελάρας hevangel@unipi.gr Η έννοια της Πιθανότητας Ο όρος πιθανότητα είναι συνδέεται άμεσα με τη μελέτη
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
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις στο μάθημα ΠΙΘΑΝΟΤΗΤΕΣ Ι Ονοματεπώνυμο: Όνομα Πατρός:... ΑΜ:. Ημερομηνία: Σ Παρακαλώ μη γράφετε στα παρακάτω τετράγωνα Μέρος
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Στατιστικός έλεγχος υποθέσεων (Μέρος 1 ο )
Στατιστικός έλεγχος υποθέσεων (Μέρος 1 ο ) 2 Η γενική ιδέα της διαδικασίας στατιστικού ελέγχου υποθέσεων Πρόκειται για μια διαδικασία απόφασης μεταξύ δύο υποθέσεων Η μια υπόθεση ονομάζεται μηδενική (Η
Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ
ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος 75 Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ 1.1. Τυχαία γεγονότα ή ενδεχόμενα 17 1.2. Πειράματα τύχης - Δειγματικός χώρος 18 1.3. Πράξεις με ενδεχόμενα 20 1.3.1. Ενδεχόμενα ασυμβίβαστα
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
4: ΣΤΑΤΙΣΤΙΚΟΣ ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΉΣ ΔΙΑΔΙΚΑΣΙΑΣ (Statistical process control, SPC)
4: ΣΤΑΤΙΣΤΙΚΟΣ ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΉΣ ΔΙΑΔΙΚΑΣΙΑΣ (Statistical process control, SPC) Το παρόν κείμενο δεν είναι οριστικό. Αναρτάται στο e-class ως βοήθημα των σπουδαστών/ριών που παρακολουθούν το μάθημα «Έλεγχος
ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ
ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση
Περιεχόμενα. σελ. Πρόλογος 1 ης Έκδοσης... ix Πρόλογος 2 ης Έκδοσης... xi Εισαγωγή... xiii
Περιεχόμενα Πρόλογος 1 ης Έκδοσης... ix Πρόλογος 2 ης Έκδοσης... xi Εισαγωγή... xiii 1. Ειδικές συναρτήσεις 1.0 Εισαγωγή... 1 1.1 Εξίσωση του Laplace Συστήματα συντεταγμένων... 2 1.2 Συνάρτηση δ του Dirac...
ΟΜΑΔΟΠΟΙΗΣΗ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ
9 ο ΜΑΘΗΜΑ ΟΜΑΔΟΠΟΙΗΣΗ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ Πότε κάνουμε ομαδοποίηση των παρατηρήσεων; Όταν το πλήθος των τιμών μιας μεταβλητής είναι αρκετά μεγάλο κάνουμε ομαδοποίηση των παρατηρήσεων. Αυτό συμβαίνει είτε
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
Περιεχόμενα. 1. Ειδικές συναρτήσεις. 2. Μιγαδικές Συναρτήσεις. 3. Η Έννοια του Τελεστή. Κεφάλαιο - Ενότητα
Περιεχόμενα Κεφάλαιο - Ενότητα σελ 1. Ειδικές συναρτήσεις 1.0 Εισαγωγή 1.1 Εξίσωση του Laplace Συστήματα συντεταγμένων 1.2 Συνάρτηση δ του Dirac 1.3 Συνάρτηση του Heaviside 1.4 Οι συναρτήσεις Β, Γ και
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
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436 A εξάμηνο 2009-2010 Περιγραφική Στατιστική Ι users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr Μέτρα θέσης Η θέση αντιπροσωπεύει τη θέση της κατανομής κατά
ΕΡΩΤΗΣΕΙΣ ΣΩΣΤΟΥ ΛΑΘΟΥΣ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΤΗΣ Γ ΓΕΝΙΚΗΣ ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ
ΕΡΩΤΗΣΕΙΣ ΣΩΣΤΟΥ ΛΑΘΟΥΣ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΤΗΣ Γ ΓΕΝΙΚΗΣ 1 ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ 1. Ένα σηµείο Α(χ, ψ) ανήκει στη γραφική παράσταση της f αν f(ψ)=χ. 2. Αν µια συνάρτηση είναι γνησίως αύξουσα σε ένα διάστηµα A,
Θεωρητικές Κατανομές Πιθανότητας
Θεωρητικές Κατανομές Πιθανότητας Θεωρητικές Κατανομές Πιθανότητας Α. ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ α) Διακριτή Ομοιόμορφη κατανομή β) Διωνυμική κατανομή γ) Υπεργεωμετρική κατανομή δ) κατανομή Poisson Β. ΣΥΝΕΧΕΙΣ
ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων
ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων ΠΡΑΓΜΑΤΙΚΟ ΚΟΣΤΟΣ ΣΥΛΛΟΓΗ ΠΛΗΡΟΦΟΡΙΩΝ ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΕΠΙΛΟΓΗ ΚΑΤΑΝΟΜΗΣ Υπολογισμός πιθανοτήτων και πρόβλεψη τιμών από τις τιμές των παραμέτρων και
6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling)
6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling) Από την θεωρία που αναπτύχθηκε στα προηγούμενα κεφάλαια, φαίνεται ότι μια αλλαγή στον σχεδιασμό της δειγματοληψίας και, κατά συνέπεια, στην μέθοδο εκτίμησης
i μιας μεταβλητής Χ είναι αρνητικός αριθμός
ΕΡΩΤΗΣΕΙΣ Σ Λ ΠΑΝΕΛΛΑΔΙΚΩΝ ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ Nα χαρακτηρίσετε τις προτάσεις που ακoλουθούν γράφοντας στο τετράδιο σας την ένδειξη Σωστό ή Λάθος δίπλα στο γράμμα που αντιστοιχεί σε κάθε
Δειγματικές Κατανομές
Δειγματικές Κατανομές Στατιστική συνάρτηση ή στατιστική Δειγματική κατανομή - Εκτιμητής Τα άγνωστα στοιχεία του πληθυσμού λέγονται παράμετροι. Τα συμπεράσματα για μια παράμετρο εξάγονται με τη βοήθεια
Η παρουσίαση που ακολουθεί, αφορά την κανονική κατανομή και σκοπό έχει τη διευκόλυνση των φοιτητών του τμήματος Ηλεκτρολόγων Μηχανικών & Μηχανικών
Η παρουσίαση που ακολουθεί, αφορά την κανονική κατανομή και σκοπό έχει τη διευκόλυνση των φοιτητών του τμήματος Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών να αντιληφθούν τη σημασία της εν λόγω κατανομής
Μέρος 1ο. Περιγραφική Στατιστική (Descriptive Statistics)
Μέρος 1ο. Περιγραφική Στατιστική (Descriptive Statistics) 1. Οργάνωση και Γραφική παράσταση στατιστικών δεδομένων 2. Αριθμητικά περιγραφικά μέτρα Εφαρμοσμένη Στατιστική Μέρος 1 ο Κ. Μπλέκας (1/13) στατιστικών
Στατιστική Επιχειρήσεων ΙΙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #: Επαγωγική Στατιστική - Δειγματοληψία Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες
2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής.
2.6 ΟΡΙΑ ΑΝΟΧΗΣ Το διάστηµα εµπιστοσύνης παρέχει µία εκτίµηση µιας άγνωστης παραµέτρου µε την µορφή διαστήµατος και ένα συγκεκριµένο βαθµό εµπιστοσύνης ότι το διάστηµα αυτό, µε τον τρόπο που κατασκευάσθηκε,
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
Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας.
7 ο ΜΑΘΗΜΑ ΚΕΦΑΛΑΙΟ 2 ΣΤΑΤΙΣΤΙΚΗ Σκοπός Σκοπός του κεφαλαίου είναι η κατανόηση των βασικών στοιχείων μιας στατιστικής έρευνας. Προσδοκώμενα αποτελέσματα Όταν θα έχετε ολοκληρώσει τη μελέτη αυτού του κεφαλαίου
ΣΧ0ΛΗ ΤΕΧΝ0Λ0ΓΙΑΣ ΤΡΟΦΙΜΩΝ & ΔΙΑΤΡΟΦΗΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΡΟΦΙΜΩΝ ΕΡΓΑΣΤΗΡΙΟ: ΟΡΓΑΝΟΛΗΠΤΙΚΟΥ ΕΛΕΓΧΟΥ ΓΙΑΝΝΑΚΟΥΡΟΥ ΜΑΡΙΑ ΤΑΛΕΛΛΗ ΑΙΚΑΤΕΡΙΝΗ
ΣΧ0ΛΗ ΤΕΧΝ0Λ0ΓΙΑΣ ΤΡΟΦΙΜΩΝ & ΔΙΑΤΡΟΦΗΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΡΟΦΙΜΩΝ ΕΡΓΑΣΤΗΡΙΟ: ΟΡΓΑΝΟΛΗΠΤΙΚΟΥ ΕΛΕΓΧΟΥ ΓΙΑΝΝΑΚΟΥΡΟΥ ΜΑΡΙΑ ΤΑΛΕΛΛΗ ΑΙΚΑΤΕΡΙΝΗ ΕΙΣΑΓΩΓΗ Ο όρος «ποιότητα», είναι μια απλή έννοια που εκφράζεται
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