5. Kontrolldiagram. I Chart of T-bolt. Observation UCL=0, , , ,74825 _ X=0, , , ,74750 LCL=0,747479
|
|
- Kristina Hedlund
- för 5 år sedan
- Visningar:
Transkript
1 5. Kontrolldiagram Om man är delaktig i en produktionsprocess (kanske mitt i), hur kan man då veta att det man gör inte bidrar till en kvalitetsbrist hos slutprodukten? Genom att specificera nödvändiga kvalitetsegenskaper (dimensioner, fysikaliska egenskaper, kemiska egenskaper, ) och tillåtna gränser kan man konkretisera begreppet kvalitet.
2 5. Kontrolldiagram I Chart of T-bolt 0,74875 UCL=0, ,74850 Individual Value 0, ,74800 _ X=0,7482 0, ,74750 LCL=0, Observation
3 5. Kontrolldiagram När en förbättring har implementerats vill man övervaka processen (vissa kvalitetsegenskaper) under en tid så att förbättringarna blir bestående och att symptomen inte återuppstår. I vissa fall vill man ha ständig kontroll på en eller flera kvalitetsegenskaper (se till att processen är under kontroll). Betraktar vi mätningar av kvalitetsegenskaper så uppvisar de variation och man skiljer mellan två olika typer av variation: Urskiljbar variation, skapas av urskiljbara orsaker (assignable causes). Kan visas sig som t.ex. en trend (slitage, temperaturökning) eller ett shift (personalbyte, ny maskininställning, nytt materialparti). Slumpmässig variation, skapas av slumpmässiga orsaker (chance causes). I regel många orsaker som var och en har liten inverkan. En process (kvalitetsegenskap) som endast innehåller slumpmässig variation är stabil och ger bästa möjliga resultat under rådande förhållanden.
4 5. Kontrolldiagram Stabil process En process (kvalitetsegenskap) som endast innehåller slumpmässig variation är stabil och ger bästa möjliga resultat under rådande förhållanden. En sådan process sägs vara under kontroll. Innan den är stabil (under kontroll) är den inte förutsägbar. Styrning (övervakning) Vi vill bibehålla en stabil process. Vi måste därför följa processen genom att mäta kvalitetsegenskaper, så att vi snabbt kan upptäcka nya urskiljbara variationer och sätta in lämpliga åtgärder.
5 5. Kontrolldiagram Kontrolldiagram används för att styra en stabil process där målet är att bibehålla stabiliteten och så snabbt som möjligt upptäcka och åtgärda nya urskiljbara variationer. När man skall konstruera ett kontrolldiagram är det viktigt att man har en process som är under kontroll! Idén med kontrolldiagram är att med jämna tidsmellanrum ta ut ett antal enheter ur produktionen och mäta kvalitetsmåttet på dessa. Denna information vägs sedan samman på lämpligt sätt och prickas in i ett diagram. Med hjälp av diagrammet kan det avgöras om och när en förändring skett i processen.
6 5. Kontrolldiagram Arbetet med styrdiagram brukar delas in i två faser, Fas I bestämning av styrgränser Fas II använda styrdiagrammet i processen I fas I bestämmer man styrgränserna med hjälp av ett representativt stickprov taget över en tidsperiod där processen är stabil. I fas II applicerar man styrdiagrammet i processen som ett övervakningsverktyg.
7 5. Kontrolldiagram 57,5 Xbar Chart of stable UCL=56,2 55,0 Sample Mean 52,5 50,0 47,5 _ X=50,4 45,0 LCL=44, Sample Ett kontrolldiagram består av en centrumlinje samt en övre och en undre kontrollgräns (UCL och LCL). Dessa väljs ofta till 3 standardavvikelser från centrumlinjen.
8 5.. Diagram för individuella mätningar Valet av plus/minus 3 gånger skattade standardavvikelsen bygger helt enkelt på följande egenskap för normalfördelningen: 99.73% av alla observationer hamnar inom μ 3σ, μ + 3σ Sannolikheten att en process som är under kontroll ger ett värde utanför kontrollgränserna (falskt larm) är , dvs i genomsnitt var 370:e tidpunkt. Talet 370 kallas Average Run Length.
9 5.. Diagram för individuella mätningar En vanlig situation är när man endast kan eller man väljer att ta en observation vid varje mättillfälle. I sådana fall används I-diagrammet där I står för Individual. Här förespråkas att man använder så kallad Moving Range (MR) för att uppskatta processens standardavvikelse s. Moving Range är avståndet mellan två på varandra följande observation. Avståndet mellan observation nr i och i är MR i = X i X i. Metoden är mindre känslig jämfört med stickprovsstandardavvikelsen s om urskiljbara orsaker skulle påverka processen under bestämmandet av styrgränserna.
10 Exempeldata nr obs Mri Nr obs Mri 46,3238 * 2 4,6294 3, ,3092 9, ,897 0, ,352 8, ,229, ,4222 0, ,9069 3, ,454 7, ,7735 5, ,458 4, ,2859 2, ,5275 7, ,7656 2, ,0096 9, ,758 7, ,574, ,6959 4, ,648 3, ,983 5,728 55,6073 3, ,7999 2, ,4737 5, ,8247, ,070 4, ,7338 2, ,054 3, ,4949 4, ,5732 2, ,655 9, ,874 4, ,023 2, ,9928, ,49, ,8565 8, ,5764 3, ,3656 0, ,7805 3, ,4747 3, ,855 0,9650 MR i = X i X i
11 5.. Diagram för individuella mätningar Skattningen av s ges av medelvärdet av Moving Range dividerat med Hartleys konstant d 2. mr/.28 Hartleys konstant återfinns i Appendix 2 i boken, för n = 2 har vi d 2 =.28. Övre respektive undre kontrollgränserna (UCL, LCL) bestäms som medelvärdet (alternativt ett eget valt målvärde) plus/minus 3 gånger skattade standardavvikelsen x ± 3mr/.28 (se Box 5. sid 45 i boken). Kom ihåg att processen måste vara under kontroll när gränserna bestäms!!!
12 nr obs Mri Nr obs Mri 46,3238 * 2 4,6294 3, ,3092 9, ,897 0, ,352 8, ,229, ,4222 0, ,9069 3, ,454 7, ,7735 5, ,458 4, ,2859 2, ,5275 7, ,7656 2, ,0096 9, ,758 7, ,574, ,6959 4, ,648 3, ,983 5,728 55,6073 3, ,7999 2, ,4737 5, ,8247, ,070 4, ,7338 2, ,054 3, ,4949 4, ,5732 2, ,655 9, ,874 4, ,023 2, ,9928, ,49, ,8565 8, ,5764 3, ,3656 0, ,7805 3, ,4747 3, ,855 0,9650 Mean of Mri Mean of Mri = 5,90222 σ = MR = d 2.28 = Mean of obs Mean of obs = 49,6342 Calc Column Statistics UCL = X + 3 σ = 49, = 49, = LCL = X 3 σ = 49, = 49, =
13 5.. Diagram för individuella mätningar 70 I Chart of obs UCL=65,33 60 Individual Value _ X=49,63 LCL=33, Observation När man väl har bestämt kontrollgränserna LCL och UCL ska dessa användas för att styra kommande mätningar (fas II). Gränserna ska inte räknas om för varje ny mätning man gör. Stat Control Charts Variabels Charts for Individuals Individuals
14 2 3 Genom att specificerat Mean och Standard deviation under I Chart Option fixerar man kontrollgränserna. Stat Control Charts Variabels Charts for Individuals Individuals
15 5.. Diagram för individuella mätningar Den streckade röda linjen erhålls genom att högerklicka på grafen och välja Add Reference lines Hade vi inte fixerat kontrollgränserna skulle Minitab ha räknat om kontrollgränserna utifrån alla 50 observationerna (som uppenbarligen inte är under kontroll). Risken är att gränserna skulle bli vidare och inget larm skulle ske!
16 5.. Diagram för individuella mätningar I Chart of obs_extrem UCL=7,50 Individual Value _ X=50, LCL=30, Observation Ex. Antag att vi har belägg för att processen inte är under kontroll vid observation 2 och 36. Dessa bör då inte vara med vid konstruktion av kontrollgränserna.
17 Ta inte fysiskt bort observation 2 och 36! Gör istället så här. På så sätt får man korrekta skattningar av väntevärde och standardavvikelse.
18 5.. Diagram för individuella mätningar I Chart of obs_extrem Individual Value UCL=64,55 _ X=49,50 40 LCL=34, Observation Genom att utesluta observation 2 och 36 kommer de resterande observationerna bilda en stabil process. Gränserna blir snävare (tidigare och 7.50).
19 5.. Diagram för individuella mätningar Anta att vi har gjort ett kvalitetsarbete vid 40:e observationen och mätt 20 gånger efter förändringen.
20 5.. Diagram för individuella mätningar
21 5.. Diagram för individuella mätningar Det är inte enbart observationernas genomsnittliga nivå som är intressant utan även om spridningen förändras över tiden. Moving Range Chart of obs 20 UCL=9,28 5 Moving Range 0 5 MR=5,90 0 LCL= Observation Stat Control Charts Variabels Charts for Individuals Moving Ranges
22 5.. Diagram för individuella mätningar Moving Range Chart of obs_extrem Moving Range UCL=8,49 MR=5,66 0 LCL= Observation Kontrollgränserna för MR för serien med två extrema observationer (obs 2 och 36 har uteslutits vid bestämmandet av gränserna).
23 5.. Diagram för individuella mätningar I-MR Chart of obs_extrem 80 Individual Value UCL=64,55 _ X=49,50 40 LCL=34, Observation 30 Moving Range 20 0 UCL=8,49 MR=5,66 0 LCL= Observation Vi kan få båda typerna av diagram i samma graf. Stat Control Charts Variabels Charts for Individuals I-MR
24 5.. Diagram för individuella mätningar I-MR Chart of AR 4 UCL=3,23 Individual Value _ X=0,836 LCL=-,450 Observation 3 UCL=2,809 Moving Range 2 MR=0,860 0 LCL= Observation I detta fall är processen under kontroll men vi får ändå massor av larm. Varför?
25 5.. Diagram för individuella mätningar Eftersom mätningarna är tagna i tiden finns det stor risk för att mätvärdena är beroende. Speciellt om mätningarna görs nära varandra i tiden. Är beroendet positivt underskattas i regel standardavvikelsen och om det är negativt får vi vanligtvis en överskattning. Ett sätt att reducera beroendet är att inte mäta alltför nära i tiden när gränserna skapas. Man kan även modellera med hjälp av tidsserieanalys men kommer inte behandlas i denna kurs.
26 5..2 Test för bevis av variation av särskilt slag I Chart of obs_utökat I Chart of obs_utökat UCL=65, UCL=65, Individual Value 50 _ X=49,63 Individual Value 50 _ X=49, LCL=33,94 LCL=33, Observation Observation Det kan finnas andra mönster som tyder på att processen inte är under kontroll.
27 5..2 Test för bevis av variation av särskilt slag Under Chart Options kan vi utöka antalet test.
28 5..2 Test för bevis av variation av särskilt slag Feltyper:. En obs mer än 3 sigma från centrumlinjen (falskt larm) 2. 9 obs i rad på samma sida om centrumlinjen 3. 6 obs i rad som alla växer eller avtar 4. 4 obs i rad som alternerar upp och ner 5. 2 av 3 på varandra följande obs längre bort än 2 sigma från centrumlinjen (på samma sida) 6. 4 av 5 på varandra följande obs längre bort än sigma från centrumlinjen (på samma sida) 7. 5 obs i rad inom sigma från centrumlinjen (båda sidorna) 8. 8 obs i rad mer än sigma från centrumlinjen (båda sidorna) Det finns en hierarkisk ordning på feltyperna. Den lägsta markeras i grafen.
29 5..3 Medelvärde och R-diagram för stickprov I många produktionsprocesser lagras det producerade i batcher. Då är det vanligt att man tar stickprov om n enheter från varje batch för kontroll. Det betyder att vi har n mätvärden vid varje kontrolltidpunkt. Stat Quality Tools Run Chart (Data Bottles.mtw, chap 2)
30 5..3 Medelvärde och R-diagram för stickprov I rutan under grafen finns test för datamaterialets slumpmässighet Test for randomness Condition Indicates Number of runs about the median Number of runs up or down More runs observed than expected Fewer runs observed than expected More runs observed than expected Fewer runs observed than expected Mixed data from two population Clustering of data Oscillation - data varies up and down rapidly Trending of data I exemplet kan vi inte påvisa några icke-slumpmässiga egenskaper ty alla p- värden är större än 0.05.
31 5..3 Medelvärde och R-diagram för stickprov Antag att vi har tagit m stickprov, som innehåller n observationer vardera, under en period när vi har skäl att tro att process är under kontroll. För varje stickprov bildas medelvärdet x i och stickprovsstandard-avvikelsen s i, i =,2,, m. Processen kontrolleras utifrån varje stickprovs medelvärde. Det totala medelvärdet av alla n m observationer är detsamma som medelvärdet av medelvärdena ( x = m i= m x i ). x kallas grand mean, är en skattning av målvärdet μ x och används som centrumlinje i diagrammet. I vissa fall vet man målvärdet och använder det.
32 5..3 medelvärde och R-diagram för stickprov Som vi vet beror standardavvikelsen för ett medelvärde på stickprovstorleken n : σ x = σ/ n. Övre respektive undre kontrollgränserna (UCL, LCL) bestäms som grand mean x (alternativt valt target-värde) plus/minus 3 gånger skattade standardavvikelsen dividerat med n. För att skatta standardavvikelsen s i detta fall beräknas stickprovsvariansen s i 2 för varje stickprov, i =,2,, m. Dessa medelvärdesbildas och dras roten ur. s p = i= m s 2 i m = s2 Brukar benämnas poolad stickprovsstandardavvikelse.
33 5..3 medelvärde och R-diagram för stickprov Ett uppskattat styrdiagram ges följaktligen av UCL = x + 3s p / n Centrumlinjen = x LCL = x 3s p / n Alternativt använder vi ett känt target-värde istället för x. Se sid 55 i boken. Det kan nämnas att det finns alternativa sätt att skatta standardavvikelsen som inte tas upp här.
34 5..3 Medelvärde och R-diagram för stickprov Xbar Chart of Bottle weights (g); (4 bottles every 5 min) 493 UCL=492, Sample Mean _ X=489, LCL=486, Sample Stat Control Charts Variabels Charts for Subgroups Xbar
35 5..3 Medelvärde och R-diagram för stickprov Vi kan konstatera att många enskilda mätvärden ligger utanför kontrollgränserna. Det är medelvärdet vi vill kontrollera! Högerklicka på grafen; Add Reference Lines ; Delete
36 5..3 Medelvärde och R-diagram för stickprov Variationen inom varje stickprov kanske är minst lika viktig att studera som dess genomsnittliga läge.
37 5..3 Medelvärde och R-diagram för stickprov Vi kan skapa ett styrdiagram där vi plottar stickprovsstandardavvikelserna s, s 2,, alternativt variationsvidderna R, R 2, (R i = x max x min ). Idén är densamma som för medelvärdena, dvs att styra variationsmåtten med medelvariation ( s eller R) plus/minus 3*standardavvikelser för variationsmåttet. Det visar sig att standardavvikelserna för s i och R i kan skattas med hjälp av den poolade stickprovsstandaravvikelsen s p. Om LCL blir negativ sätts den till noll.
38 5..3 Medelvärde och R-diagram för stickprov R Chart of Bottle weights (g); (4 bottles every 5 min) S Chart of Bottle weights (g); (4 bottles every 5 min) 0 UCL=9,54 4 UCL=4, Sample Range 6 4 _ R=4,8 Sample StDev 2 _ S=, LCL=0 0 LCL= Sample Sample Till vänster kontrollerar vi variationen med variationsvidden och till höger med stickprovsstandardavvikelsen. Båda ger ungefärligen samma resultat. Stat Control Charts Variabels Charts for Subgroups R Stat Control Charts Variabels Charts for Subgroups S
39 5..3 Medelvärde och R-diagram för stickprov Xbar-R Chart of Bottle weights (g); (4 bottles every 5 min) UCL=492, ,0 Sample Mean 490,5 489,0 _ X=489, ,5 486, LCL=486,707 Sample 0,0 UCL=9,54 Sample Range 7,5 5,0 2,5 _ R=4,8 0,0 LCL= Sample Vi kan få både medelvärde och variation i samma graf. Stat Control Charts Variabels Charts for Subgroups Xbar-R Stat Control Charts Variabels Charts for Subgroups Xbar-S
40 5..3 Medelvärde och R-diagram för stickprov Exempel på ökad variation efter 25 stickprovet.
41 5..3 Medelvärde och R-diagram för stickprov
42 5.2. P-diagram för proportion P charts används man då man vill kontrollera t ex proportionen felaktiga i en tillverkningsprocess. Om proportionen är okänd måste den uppskattas från data. Det är då viktigt att data kommer från ett avsnitt som är under kontroll. Tag m st stickprov om n observationer. Tumregel är m = och n så stort att det är stor sannolikhet att defekta hittas.
43 5.2. P-diagram för proportion Låt x i = antalet felaktiga bland de n som undersöktes vid tillfälle i, i=,2, m. x i är då Binomialfördelad med parametrarna n och p (Bin(n, p)). p i = x i n, E p i = E(x i) n = p, V p i = V(x i) n 2 = p p n p = m m i= p i = nm m x i i= Styrgränser: p ± 3 p( p) n
44 5.2. P-diagram för proportion P Chart of No. Inaccurate 0,75 UCL=0,675 0,50 Proportion 0,25 0,00 _ P=0,03 0,075 0,050 LCL=0, Sample Andelen felaktiga fakturor bland 200 undersökta under 20 veckor. (Dataset: Inaccurate.mtw, chap 5) Stat Control Charts Attributes Charts P
45 5.2. P-diagram för proportion P Chart of No. Inaccurate 0,75 UCL=0,675 0,50 Proportion 0,25 0,00 _ P=0,03 0,075 0,050 LCL=0, Sample Efter 20 veckor ändrades faktureringsrutinerna. Styrgränserna är bestämda under veckorna 20. (Dataset: Inaccurate2.mtw, chap 5)
46 5.2. P-diagram för proportion Vi delar in kontrolldiagrammet i två faser (före och efter). En tydlig förbättring verkar ha skett och båda faserna verkar stabila. P Chart Options : Stages
47 5.2.2 NP-diagram för antal Ett kontrolldiagram för antalet felaktiga (istället för andelen). Stat Control Charts Attributes Charts NP
48 5.2. P-diagram för proportion Olika test av icke-slumpmässighet för P charts.
49 5.2. P-diagram för proportion P Chart of ASU 0,9 UCL=0,9074 0,8 Proportion 0,7 0,6 _ P=0,6728 0,5 0,4 LCL=0,4382 jan-02 mar-02 maj-02 jul-02 sep-02 nov-02 jan-03 mar-03 maj-03 jul-03 sep-03 nov-03 Month Tests performed with unequal sample sizes Andelen intagna strokepatienter som behandlas på Acute Stroke Unit (ASU) vid ett större sjukhus. De olika stickprovsstorlekar bidrar till att styrgränserna blir olika månad för månad. (Dataset: ASU.mtw, chap 5)
50 5.2. P-diagram för proportion (Dataset: ASU.mtw, chap 5)
51 5.2.3 C-diagram för antal Vid tillverkning av en produkt, t ex glasrutor, kan det uppstå ett antal felaktigheter. Om detta antal kan anses vara Poissonfördelat kan vi konstruera ett så kallat C- diagram (Count). Anta att x i är Poissonfördelad med parametern l (Po(l)). E(x i ) = λ, V(x i ) = λ, λ = x = m m x i i= Styrgränser: λ ± 3 λ
52 5.2.3 C-diagram för antal U Chart of Blemish 8 UCL=7,677 7 Sample Count Per Unit _ U=2,725 0 LCL= Sample Dagliga mätningar av antalet skönhetsfläckar på 00 kvadrat-yards linnetyg. Här kontrollerar man antalet skönhetsfläckar per 00 kvadrat-yards. Stat Control Charts Attributes Charts C (Minitab. Dataset: Exh_qc.mtw)
53 5.2.3 C-diagram för antal Minitab ger oss hjälp att avgöra om data är Poisson-fördelat. Stat Control Charts Attributes Charts U Chart Diagnostic
54 5.2.3 U-diagram för antal U Chart of Weak Spots 0,08 Sample Count Per Unit 0,07 0,06 0,05 0,04 0,03 0,02 0,0 UCL=0,06904 _ U=0, ,00 LCL= Sample Tests performed with unequal sample sizes Antalet defekter på 00 elektriska kablar av varierande längder är registrerade. Här kontrollerar man det genomsnittliga antalet defekter per längdenhet. Stat Control Charts Attributes Charts U (Minitab. Dataset: Bpcapa.mtw)
55 5.2.3 U-diagram för antal I MINITAB kan man få assistans vid skapandet av styrdiagram. Assistant Control Charts
Kontrolldiagram hjälper oss att skilja mellan två olika typer variation, nämligen akut och kronisk variation.
5. Kontrolldiagram Variation Tillverkade produkter uppvisar variation. Kvalitetsökning en minskning av dessa variationer. Kontrolldiagram hjälper oss att skilja mellan två olika typer variation, nämligen
Läs merStyr- och kontrolldiagram ( )
Styr- och kontrolldiagram (8.3-8.5) När vi nu skall konstruera kontrolldiagram eller styrdiagram är det viktigt att vi har en process som är under kontroll! Iden med styrdiagram är att med jämna tidsmellanrum
Läs mer2.1 Minitab-introduktion
2.1 Minitab-introduktion Betrakta följande mätvärden (observationer): 9.07 11.83 9.56 7.85 10.44 12.69 9.39 10.36 11.90 10.15 9.35 10.11 11.31 8.88 10.94 10.37 11.52 8.26 11.91 11.61 10.72 9.84 11.89 7.46
Läs mer6.1 Process capability
6.1 Process capability Produktkvalitet: Två produkter som har samma användning men som är utformade på olika sätt kan vara av olika specifikationskvalitet. Om enheter överensstämmer väl med specifikationerna
Läs merLMA521: Statistisk kvalitetsstyrning
Föreläsning 5 Föregående föreläsningar Acceptanskontroll: Konsten att kontrollera producerade enheter så att man kan garantera kvalitet samtidigt som kontrollen inte blir för kostsam att genomföra Dagens
Läs merLMA522: Statistisk kvalitetsstyrning
Föreläsning 5 Föregående föreläsningar Acceptanskontroll: Konsten att kontrollera producerade enheter så att man kan garantera kvalitet samtidigt som kontrollen inte blir för kostsam att genomföra Dagens
Läs merBetrakta kopparutbytet från malm från en viss gruva. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten i dessa.
Betrakta kopparutbytet från malm från en viss gruva. Anta att budgeten för utbytet är beräknad på att kopparhalten ligger på 70 %. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten
Läs mer6.1 Process capability
6.1 Process capability σ LSL µ USL Kapabiliteten eller dugligheten jämför förmågan hos en process (med väntevärde µ och standardavvikelse σ) med de krav vi har på den i form av givna specifikationsgränser
Läs merTentamen i matematisk statistik
Sid (5) i matematisk statistik Statistisk processtyrning 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-3.00 ger maximalt 2 poäng. För godkänt krävs
Läs mer7.1 Hypotesprövning. Nollhypotes: H 0 : µ = 3.9, Alternativ hypotes: H 1 : µ < 3.9.
Betrakta motstånden märkta 3.9 kohm med tolerans 1%. Anta att vi innan mätningarna gjordes misstänkte att motståndens förväntade värde µ är mindre än det utlovade 3.9 kohm. Med observationernas hjälp vill
Läs merLö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp
Sid (7) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift Nedanstående beräkningar från Minitab är gjorda för en Poissonfördelning med väntevärde λ = 4.
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
Läs merLMA521: Statistisk kvalitetsstyrning
Föreläsning 6 Tidigare Styrande kontroll enligt variabelmetoden: Medelvärdesdiagram R-diagram/ s-diagram Dagens innehåll 1 Styrande kontroll enligt attributmetoden 2 Felkvotsdiagram 3 Felantalsdiagram
Läs merAtt mäta och förbättra dialysvården över tid
Att mäta och förbättra dialysvården över tid Exempel från dialysenheten på Länssjukhuset Ryhov, Jönköping Dan Enell, Mark Splaine, Johan Thor 13 maj, 2013 Syften 1. Att visa hur man kan använda mätningar
Läs merLMA522: Statistisk kvalitetsstyrning
Föreläsning 6 Tidigare Styrande kontroll enligt variabelmetoden: Medelvärdesdiagram R-diagram/ s-diagram Dagens innehåll 1 Styrande kontroll enligt attributmetoden 2 Felkvotsdiagram 3 Felantalsdiagram
Läs mer7,5 högskolepoäng. Statistisk försöksplanering och kvalitetsstyrning. TentamensKod: Tentamensdatum: 28 oktober 2016 Tid: 9.
Statistisk försöksplanering och kvalitetsstyrning Provmoment: Ladokkod: Tentamen ges för: TentamensKod: Tentamen 4I2B KINAF4, KINAR4, KINLO4, KMASK4 7,5 högskolepoäng Tentamensdatum: 28 oktober 206 Tid:
Läs merTMS136. Föreläsning 7
TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna
Läs mer3.1 Beskrivande statistik
3.1 Beskrivande statistik En sammanställning av beskrivande statistik Summary for Vikt A nderson-darling Normality Test A -Squared 0.24 P-V alue 0.771 Mean 9.9294 StDev 1.7603 V ariance 3.0988 Skew ness
Läs merIntroduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab
Uppfödning av kyckling och fiskleveroljor Statistiska jämförelser: parvisa observationer och oberoende stickprov Matematik och statistik för biologer, 10 hp Fredrik Jonsson vt 2012 Fiskleverolja tillsätts
Läs merSamplingfördelningar 1
Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merLaboration 2. i 5B1512, Grundkurs i matematisk statistik för ekonomer
Laboration 2 i 5B52, Grundkurs i matematisk statistik för ekonomer Namn: Elevnummer: Laborationen syftar till ett ge information och träning i Excels rutiner för statistisk slutledning, konfidensintervall,
Läs mer7,5 högskolepoäng. Statistisk försöksplanering och kvalitetsstyrning. TentamensKod: Tentamensdatum: 30 oktober 2015 Tid: 9-13:00
Statistisk försöksplanering och kvalitetsstyrning Provmoment: Ladokkod: Tentamen ges för: TentamensKod: Tentamen 5Hp 41I12B KINAF13, KINAR13, KINLO13,KMASK13 7,5 högskolepoäng Tentamensdatum: 30 oktober
Läs merTentamen i matematisk statistik
Sid (7) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 4.00-7.00 ger maximalt 24 poäng. Betygsgränser:
Läs mer4.2.1 Binomialfördelning
Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merLaboration 3: Urval och skattningar
S0004M Statistik 1 Undersökningsmetodik. Laboration 3: Urval och skattningar Denna laboration handlar om slumpmässiga urval. Dessa urval ska användas för att uppskatta egenskaper hos en population. Statistiska
Läs merKapabilitet eller duglighet jämför förmågan hos en process (väntevärdet μ och standardavvikelsen σ) med de krav vi har på den i form av givna
σ LSL μ USL Kapabilitet eller duglighet jämför förmågan hos en process (väntevärdet μ och standardavvikelsen σ) med de krav vi har på den i form av givna specifikationsgränser (LSL, USL). Det är vanligtvis
Läs merDatorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se
Föreläsning 10 Datorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se vad som skall göras Föreläsning 10 Inferens
Läs merLaboration med Minitab
MATEMATIK OCH STATISTIK NV1 2005 02 07 UPPSALA UNIVERSITET Matematiska institutionen Silvelyn Zwanzig, Tel. 471 31 84 Laboration med Minitab I denna laboration skall du få stifta bekantskap med ett statistiskt
Läs merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs mer9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Läs merF6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.
Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje
Läs merFöreläsning 6 (kap 6.1, 6.3, ): Punktskattningar
Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)
Läs merLMA521: Statistisk kvalitetsstyrning
Föreläsning: Kapabilitet Föregående material Acceptanskontroll: Enkel provtagningsplan Dubbel provtagningsplan Kontrollomfattning Styrande kontroll: Medelvärdesdiagram R-diagram/ s-diagram Felantalsdiagram
Läs mer, s a. , s b. personer från Alingsås och n b
Skillnader i medelvärden, väntevärden, mellan två populationer I kapitel 8 testades hypoteser typ : µ=µ 0 där µ 0 var något visst intresserant värde Då användes testfunktionen där µ hämtas från, s är populationsstandardavvikelsen
Läs merF14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva
Stat. teori gk, ht 006, JW F14 HYPOTESPRÖVNING (NCT 10., 10.4-10.5, 11.5) Hypotesprövning för en proportion Med hjälp av data från ett stickprov vill vi pröva H 0 : P = P 0 mot någon av H 1 : P P 0 ; H
Läs merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs merS0005M. Stokastiska variabler. Notes. Notes. Notes. Stokastisk variabel (slumpvariabel) (eng: random variable) Mykola Shykula
Mykola Shykula LTU Mykola Shykula (LTU) 1 / 18 Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler Mykola Shykula (LTU) 2 / 18 Stokastiska
Läs merLaboration 3: Urval och skattningar
S0004M Statistik 1 Undersökningsmetodik. Laboration 3: Urval och skattningar Denna laboration handlar om slumpmässiga urval. Dessa urval ska användas för att uppskatta egenskaper hos en population. Statistiska
Läs merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF50: Matematisk statistik för L och V OH-bilder på föreläsning 7, 2017-11-20 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs merLö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp
Sid 1 (10) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift 1 Betrakta nedanstående täthetsfunktion för en normalfördelad slumpvariabel X med väntevärde
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs mer7.5 Experiment with a single factor having more than two levels
7.5 Experiment with a single factor having more than two levels Exempel: Antag att vi vill jämföra dragstyrkan i en syntetisk fiber som blandats ut med bomull. Man vet att inblandningen påverkar dragstyrkan
Läs mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs merTentamen i matematisk statistik
Sid 1 (7) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-12.00 ger maximalt 24 poäng. Betygsgränser:
Läs merS0005M, Föreläsning 2
S0005M, Föreläsning 2 Mykola Shykula LTU Mykola Shykula (LTU) S0005M, Föreläsning 2 1 / 18 Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merLMA521: Statistisk kvalitetsstyrning
Föreläsning 7 Föregående föreläsningar Acceptanskontroll: Enkel provtagningsplan Dubbel provtagningsplan Kontrollomfattning Styrande kontroll: Medelvärdesdiagram R-diagram/ s-diagram Felantalsdiagram Dagens
Läs merLUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg
LUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg Simulering i MINITAB Det finns goda möjligheter att utföra olika typer av simuleringar i Minitab. Gemensamt för dessa är att man börjar
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs mer4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler
Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler Stokastiskavariabler Stokastisk variabel (eng: random variable) En variabel vars värde
Läs merTMS136. Föreläsning 11
TMS136 Föreläsning 11 Andra intervallskattningar Vi har sett att vi givet ett stickprov och under vissa antaganden kan göra intervallskattningar för väntevärden Man kan även gör intervallskattningar för
Läs merStyrdiagram. ny alternativ metod för kontroll av överensstämmelse. Anders Lindvall Thomas Concrete Group, C-lab. E-post:
Styrdiagram ny alternativ metod för kontroll av överensstämmelse Anders Lindvall Thomas Concrete Group, C-lab E-post: anders.lindvall@c-lab.se Thomas Concrete Group Vårt fabriksnätverk Sverige: Thomas
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merSäkrare process för patienter med högriskläkemedel
Säkrare process för patienter med högriskläkemedel Professionell kunskap Ämneskunskap Personliga färdigheter Värderingar, etik Förbättringskunskap System Variation Psykologi, gruppdynamik Lärande Förbättring
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
Läs merAnalys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen
Läs merLösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen
Lösningsförslag till Tillämpad matematisk statistik LMA21, Tentamen 201801 Betygsgränser: för betyg krävs minst 20 poäng, för betyg 4 krävs minst 0 poäng, för betyg krävs minst 40 poäng. 1. Vid en kvalitetskontroll
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merTentamentsskrivning: Matematisk Statistik med Metoder MVE490 1
Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 16 augusti, 2017 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:
Läs mer7.3.3 Nonparametric Mann-Whitney test
7.3.3 Nonparametric Mann-Whitney test Vi har sett hur man kan testa om två populationer har samma väntevärde (H 0 : μ 1 = μ 2 ) med t-test (two-sample). Vad gör man om data inte är normalfördelat? Om vi
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merTvå innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval
Två innebörder av begreppet statistik Grundläggande tankegångar i statistik Matematik och statistik för biologer, 10 hp Informationshantering. Insamling, ordningsskapande, presentation och grundläggande
Läs mer7.5 Experiment with a single factor having more than two levels
Exempel: Antag att vi vill jämföra dragstyrkan i en syntetisk fiber som blandats ut med bomull. Man vet att inblandningen påverkar dragstyrkan och att en inblandning mellan 10% och 40% är bra. För att
Läs merStatistical Quality Control Statistisk kvalitetsstyrning. 7,5 högskolepoäng. Ladok code: 41T05A, Name: Personal number:
Statistical Quality Control Statistisk kvalitetsstyrning 7,5 högskolepoäng Ladok code: 41T05A, The exam is given to: 41I02B IBE11, Pu2, Af2-ma Name: Personal number: Date of exam: 1 June Time: 9-13 Hjälpmedel
Läs merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merHur skriver man statistikavsnittet i en ansökan?
Hur skriver man statistikavsnittet i en ansökan? Val av metod och stickprovsdimensionering Registercentrum Norr http://www.registercentrumnorr.vll.se/ statistik.rcnorr@vll.se 11 Oktober, 2018 1 / 52 Det
Läs merObligatorisk uppgift, del 1
Obligatorisk uppgift, del 1 Uppgiften består av tre sannolikhetsproblem, som skall lösas med hjälp av miniräknare och tabellsamling. 1. Vid tillverkning av en produkt är felfrekvensen 0,02, dvs sannolikheten
Läs merDATORÖVNING 2: STATISTISK INFERENS.
DATORÖVNING 2: STATISTISK INFERENS. START Logga in och starta Minitab. Se till att du kan skriva Minitab-kommandon direkt i Session-fönstret (se föregående datorövning). CENTRALA GRÄNSVÄRDESSATSEN Enligt
Läs merIntroduktion och laboration : Minitab
Robert Parviainen, Tel. 471 31 86 E-post: robert@math.uu.se Matematisk Statistik IT VT 2004 Introduktion och laboration : Minitab Den här laborationen går ut på att stifta bekantskap med ett statistiskt
Läs merTypvärde. Mest frekventa värdet Används framförallt vid nominalskala Ex: typvärdet. Kemi 250. Ekon 570. Psyk 120. Mate 195.
Lägesmått Det kan ibland räcka med ett lägesmått för att beskriva datamaterial Lägesmåttet kan vara bra att använda då olika datamaterial skall jämföras Vilket lägesmått som skall användas: Typvärde Median
Läs merInledning till statistikteorin. Skattningar och konfidensintervall för μ och σ
Inledning till statistikteorin Skattningar och konfidensintervall för μ och σ Punktskattningar Stickprov från en population - - - Vi vill undersöka bollhavet men får bara göra det genom att ta en boll
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl
Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen
Läs merTMS136. Föreläsning 13
TMS136 Föreläsning 13 Jämförelser mellan två populationer Hittills har vi gjort konfidensintervall och tester kring parametrar i EN population I praktiska sammanhang är man ofta intresserad av att jämföra
Läs merLäs noggrant informationen nedan innan du börjar skriva tentamen
Tentamen i Statistik 1: Undersökningsmetodik Ämneskod S0006M Totala antalet uppgifter: Totala antalet poäng Lärare: 5 25 Mykola Shykula, Inge Söderkvist, Ove Edlund, Niklas Grip Tentamensdatum 2014-03-26
Läs merVi har en ursprungspopulation/-fördelning med medelvärde µ.
P-värde P=probability Sannolikhetsvärde som är resultat av en statistisk test. Anger sannolikheten för att göra den observation vi har gjort eller ett sämre / mer extremt utfall om H 0 är sann. Vi har
Läs merSju sätt att visa data. Sju vanliga och praktiskt användbara presentationsformat vid förbättrings- och kvalitetsarbete
Sju sätt att visa data Sju vanliga och praktiskt användbara presentationsformat vid förbättrings- och kvalitetsarbete Introduktion I förbättringsarbete förekommer alltid någon form av data, om inte annat
Läs merTentamen i matematisk statistik, Statistisk Kvalitetsstyrning, MSN320/TMS070
entamen i matematisk statistik, Statistisk Kvalitetsstyrning, MSN0/MS070 isdag 007-04-0, klockan 4.00-8.00 Examinator: Holger Rootzén elefonjour: Jan Rohlén, tfn: 0708-579548 Betygsgränser G: G: -.5, VG:
Läs merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29) Aktuella avsnitt i boken: Kap 61 65 Lektionens mål: Du ska
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merUppgift a b c d e Vet inte Poäng
TENTAMEN: Dataanalys och statistik för I2, TMS135 Fredagen den 12 mars kl. 8:45-11:45 på V. Jour: Jenny Andersson, ankn 8294 (mobil:070 3597858) Hjälpmedel: Utdelad formelsamling med tabeller, BETA, på
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2017-08-22 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Jourhavande lärare: Mykola
Läs merExaminationsuppgifter del 2
UMEÅ UNIVERSITET Institutionen för Matematik och Matematisk statistisk Statistik för ingenjörer, poäng, Anders Lundquist 7-- Examinationsuppgifter del Redovisas muntligt den / (Ö-vik) samt / (Lycksele).
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merLektion 1: Fördelningar och deskriptiv analys
Density Lektion 1: Fördelningar och deskriptiv analys 1.,3 Uniform; Lower=1; Upper=6,3,2,2,1,, 1 2 3 X 4 6 7 Figuren ovan visar täthetsfunktionen för en likformig fördelning. Kurvan antar värdet.2 över
Läs merForskningsmetodik 2006 lektion 2
Forskningsmetodik 6 lektion Per Olof Hulth hulth@physto.se Slumpmässiga och systematiska mätfel Man skiljer på två typer av fel (osäkerheter) vid mätningar:.slumpmässiga fel Positiva fel lika vanliga som
Läs merUppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända
Avd. Matematisk statistik TENTAMEN I SF90, SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 9:E JUNI 205 KL 4.00 9.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merFöreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer
Läs merBeskrivande statistik
Beskrivande statistik Tabellen ovan visar antalet allvarliga olyckor på en vägsträcka under 15 år. år Antal olyckor 1995 36 1996 20 1997 18 1998 26 1999 30 2000 20 2001 30 2002 27 2003 19 2004 24 2005
Läs merIdag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Kamratgranskning Analys Exempel: exekveringstid Hur analysera data? Hur vet man om man kan lita på skillnader och mönster som man observerar?
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merLABORATION 1. Syfte: Syftet med laborationen är att
LABORATION 1 Syfte: Syftet med laborationen är att ge övning i hur man kan använda det statistiska programpaketet Minitab för beskrivande statistik, grafisk framställning och sannolikhetsberäkningar, visa
Läs merSäsongrensning i tidsserier.
Senast ändrad 200-03-23. Säsongrensning i tidsserier. Kompletterande text till kapitel.5 i Tamhane och Dunlop. Inledning. Syftet med säsongrensning är att dela upp en tidsserie i en trend u t, en säsongkomponent
Läs mer