Tentamen i matematisk statistik, Statistisk Kvalitetsstyrning, MSN320/TMS070

Relevanta dokument
Tentamen i matematisk statistik, Statistisk Kvalitetsstyrning, MSN320/TMS070 Lördag , klockan Lärare: Jan Rohlén

Kontrolldiagram hjälper oss att skilja mellan två olika typer variation, nämligen akut och kronisk variation.

7,5 högskolepoäng. Statistisk försöksplanering och kvalitetsstyrning. TentamensKod: Tentamensdatum: 30 oktober 2015 Tid: 9-13:00

7,5 högskolepoäng. Statistisk försöksplanering och kvalitetsstyrning. TentamensKod: Tentamensdatum: 28 oktober 2016 Tid: 9.

Styr- och kontrolldiagram ( )

Ur en kortlek på 52 kort väljer man ( utan återläggning och utan hänsyn till ordning) slumpvis 5 kort. Vad är sannolikheten för att få

LMA522: Statistisk kvalitetsstyrning

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5

Tentamen i matematisk statistik, Statistisk Kvalitetsstyrning, MSN320/TMS070 Lördag , klockan

Föreläsning 11: Mer om jämförelser och inferens

Matematisk statistik TMS064/TMS063 Tentamen

LMA521: Statistisk kvalitetsstyrning

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

LMA521: Statistisk kvalitetsstyrning

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända

LMA521: Statistisk kvalitetsstyrning

Tentamen TEN1, HF1012, 29 maj Matematisk statistik Kurskod HF1012 Skrivtid: 14:00-18:00 Lärare och examinator : Armin Halilovic

TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN

LMA522: Statistisk kvalitetsstyrning

Statistical Quality Control Statistisk kvalitetsstyrning. 7,5 högskolepoäng. Ladok code: 41T05A, Name: Personal number:

Matematisk statistik KTH. Formelsamling i matematisk statistik

Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:

Lycka till!

9. Konfidensintervall vid normalfördelning

LMA521: Statistisk kvalitetsstyrning

Uppgift 1. f(x) = 2x om 0 x 1

F9 SAMPLINGFÖRDELNINGAR (NCT

TENTAMEN Datum: 14 feb 2011

TMS136: Dataanalys och statistik Tentamen

TENTAMEN I MATEMATISK STATISTIK 19 nov 07

Introduktion till statistik för statsvetare

Statistisk försöksplanering

Matematisk statistik för B, K, N, BME och Kemister

Vi har en ursprungspopulation/-fördelning med medelvärde µ.

Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13

5. Kontrolldiagram. I Chart of T-bolt. Observation UCL=0, , , ,74825 _ X=0, , , ,74750 LCL=0,747479

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...

Tentamen för kursen. Linjära statistiska modeller. 13 januari

cx 5 om 2 x 8 f X (x) = 0 annars Uppgift 4

(a) på hur många sätt kan man permutera ordet OSANNOLIK? (b) hur många unika 3-bokstavskombinationer kan man bilda av OSANNO-

Tillämpad matematisk statistik LMA522 (maskin/mekatroniks kurs) Tentamen

Uppgift 1. P (A) och P (B) samt avgör om A och B är oberoende. (5 p)

Tentamen i Matematisk Statistik, 7.5 hp

Lösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen

Föreläsning G60 Statistiska metoder

MVE051/MSG Föreläsning 7

Statistisk försöksplanering

Uppgift 3 Vid en simuleringsstudie drar man 1200 oberoende slumptal,x i. Varje X i är likformigt fördelat mellan 0 och 1. Dessa tal adderas.

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)

Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:

Tentamen i Tillämpad matematisk statistik för MI3 den 1 april 2005

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018

Föreläsningsanteckningar till kapitel 8, del 2

Avd. Matematisk statistik

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski

Våra vanligaste fördelningar

Formel- och tabellsamling i matematisk statistik

Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper

Uppgift 2. För två händelser A och B gäller P(A B)=0.5, P ( A ) = 0. 4 och P ( B

Mer om konfidensintervall + repetition

Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp

Extrauppgifter - Statistik

Lösningar till tentamensskrivning för kursen Linjära statistiska modeller. 14 januari

TMS136. Föreläsning 7

Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):

6.1 Process capability

Tentamen MVE301 Sannolikhet, statistik och risk

ESS011: Matematisk statistik och signalbehandling Tid: 14:00-18:00, Datum:

Extrauppgifter i matematisk statistik

Tentamen i matematisk statistik

Tentamen LMA 200 Matematisk statistik,

faderns blodgrupp sannolikheten att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0

Lösningar till tentamen i Matematisk Statistik, 5p

FACIT: Tentamen L9MA30, LGMA30

Tentamen. TSFS06 Diagnos och övervakning 12 januari, 2012, kl

Tentamen för kursen. Linjära statistiska modeller. 22 februari

Föreläsning 4: Konfidensintervall (forts.)

Lösningsförslag till Matematisk statistik LKT325 Tentamen

Avd. Matematisk statistik

Thomas Önskog 28/

Tryckfel i K. Vännman, Matematisk Statistik, upplaga 2:13

Grundläggande matematisk statistik

Lektionsanteckningar 11-12: Normalfördelningen

Diskussionsproblem för Statistik för ingenjörer

LINKÖPINGS UNIVERSITET TENTA 92MA31, 92MA37, 93MA31, 93MA37 / STN 2 9GMA05 / STN 1

Prediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys

Matematisk statistik, LMA 200, för DAI och EI den 25 aug 2011

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

b) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)

LÖSNINGAR TILL P(A) = P(B) = P(C) = 1 3. (a) Satsen om total sannolikhet ger P(A M) 3. (b) Bayes formel ger

6.1 Process capability

Avd. Matematisk statistik

Residualanalys. Finansiell statistik, vt-05. Normalfördelade? Normalfördelade? För modellen

b) Beräkna sannolikheten att en mottagen nolla har sänts som en nolla. (7 p)

f(x) = 2 x2, 1 < x < 2.

σ 12 = 3.81± σ n = 0.12 n = = 0.12

(a) sannolikheten för att läkaren ställer rätt diagnos. (b) sannolikheten för att en person med diagnosen ej sjukdom S ändå har sjukdomen, dvs.

Tillämpad matematisk statistik LMA521 Tentamen

Transkript:

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: -0 Betygsgränser CH: : -7.5, 4: 8-, 5: 4-0 Hjälmedel ugift -: Inga. Lämna in dessa searat. Hjälmedel ugift -8: Boken Introduction to Statistical Quality Control av Douglas C. Montgomery, tabeller (Beta-boken eller motsvarande) och Chalmersgodkänd räknare. gift (4.5) Styrdiagram. a. Vad är huvudsyftet med ett styrdiagram? (0.5) a. Att utäcka systematiska felkällor (och förbättra rocessens kaabilitet). (sidan 48) b. Data är normalfördelade (, ) N µ σ och ett Shewhartdiagram med larmgränser µ ± σ används. Om rocessen är i kontroll, vad är då risken för falsklarm? (0.5) a. 0.7% (sidan 54) c. Vad står ARL för och vad blir ARL i ugift b? (0.5) a. ARL = Average Run Length, dvs antalet rov, i medel, innan styrdiagrammet larmar. ARL = 70 = 0.7%.(sidan 60) d. Vad står OCAP för och vad används den till? (0.5) a. OCAP = Out-of-Control-Action Plan. Det är en lan för att hantera ett larm från styrdiagram. (sidan 54) e. Varför vill man ta ut rovgruer (om det är möjligt) istället för enstaka rov med jämna tidsintervall? (0.5) a. Idén är att inom gruen skall bara slummässig variation finnas och variationen mellan gruerna kan även ha systematiska källor. Provgruens medelvärde har varians som minskar med rovgruens storlek. Centrala gränsvärdessatsen kan användas. f. Om man tar ut stickrov av storlek n från en rocess med normalfördelade data N ( µ, σ ), hur stor är då stickrovets standardavvikelse? (0.5) σ σ = X n a. Den blir (Frågan är lite luddig. Jag menade egentligen n s = ( X i X ) n i= stickrovets medelvärdes standardavvikelse, men Jag acceterar bägge svaren)

g. Vid konstruktion av SPS talar man om fas I och fas II. I din verktygslåda har du både Shewhart och EWMA-diagram. Vad innebär dessa faser och vilka diagram rekommenderar du för vardera fasen? Motivera ditt svar! () a. I Fas I försöker man bringa rocessen i kontroll. Man utgår från ett antal rov och sätter rovstyrgränser. nder den här fasen försöker man eliminera så många systematiska källor som möjligt. Shewhart är ett bra diagram eftersom det utäcker stora förändringar snabbt. b. I Fas II övervakas rocessen. Ofta är de stora variationskällorna borta och för att utäcka mindre ändringar t.ex. i medelvärdet så kan ett EWMA fungera bra. (sidan 68) h. Varför skall man alltid rita både ett medelvärdes och ett sridningsdiagram vid variabelkontroll? (0.5) a. Det är viktigt eftersom både medelvärdes- och sridningsförändring kan orsaka att defekta enheter tillverkas. Om variationen är ur kontroll så kan man t.ex. ej styra rocessen i kontroll genom att enbart styra å medelvärdesdiagramet. (sidan 95) gift (.5) a. Vad är systematisk variation och vad är slummässig variation? (0.5) ill systematisk variation kan man hitta direkta orsaker. Om alla källor till systematisk variation har eliminerats så återstår endas slummässig variation. (sidor 48-49) b. Vilka verktyg används för att kontrollera dessa tyer av variation? ().ex. styrdiagram och kaabilitetsanalys. (Kaitel 4-5) c. Vad står G R&R för och vad innebär detta? Hur kan man mäta G R&R? () Gauge Reetability & Reroducibility. Reeterbarhet är den inneboende variationen hos mätinstrumentet och reroducerbarhet är variationen som kommer från att man återskaar mätningen med annan ersonal, annan mätutrustning et.c. Man kan använda ANOVA för analys av GR&R. (sidor 57-6) gift (5) a. Styrgränser Vi antar att vi använder oss av standard σ-gränser. Beräkna medelvärdet av standardavvikelserna och det totala medelvärdet: m s = si = 7 =.44 m 50 m x = xi = 000 = 0 m i= 50 Läs av konstanterna A, B och B4 i tabell VI i bokens aendix: A =.47 Styrgränserna blir då för s-diagrammet: i= B B 4 = 0 =.089

CL = B4s =.089.44.0 CL = s =.44 LCL = Bs = 0 och styrgränserna för x-diagramet blir CL = x + A s = 0 +.47.44.05 CL = x = 0 LCL = x + A s = 0.47.44 7.95 b. Naturliga toleransgränser Frågans första del Antag att alla unkter å bägge diagramen är inom styrgränserna är till för att förvirra. Styrgränser och naturliga toleransgränser har inget med varandra att göra. De naturliga toleransgränserna definieras som NL = µ + σ LNL = µ σ Eftersom vi ej vet µ och σ så får vi skatta dessa från våra 50 stickrov. ˆ µ = x = 0 s.44 ˆ σ = =.5 c4 0.94 De naturliga toleransgränserna kan skattas till NL = ˆ µ + ˆ σ = 0 +.5 = 4.60 LNL = ˆ µ ˆ σ = 0.5 = 5.40 c. ARL 0 Average Run Length (ARL) är medeltiden till ett falskt larm om rocessen är i kontroll, dvs variationen kommer enbart från slummässiga källor. = 70 P( LARM Processen är i kontroll) = P( X ) = 0.007 N (0,) d. AS AS står för Average ime to Signal. Eftersom vi tar ut ett rov tre gånger er timme blir då AS = ARL h Vi behöver nu bara räkna ut ARL när rocessens medelvärde har ökat med gram (och sridningen oförändrad). 7.95 X.05 = P(7.95 X.05) = P 0.067.5.5.5 5 5 5 ARL = 5.95 AS = ARL 5.h e. Parametern σ.

Parametern skattades i ugift.b till.5. gift 4 () a. Processens standardavvikelse Processens standardavvikelse skattas från det glidande medelvärdet. 448 MR = = 789 9 b. EWMA-diagram Styrgränserna för EWMA-diagramet blir λ CL = µ 0 + Lσ ( λ ) λ CL = µ 0 λ i LCL = µ 0 Lσ ( λ ) λ Vi väljer att räkna med λ = 0. och L=.7. MR 789 ˆ σ = = 0.90 d.8 i z = λx + ( λ ) z, z = µ i i i 0 0 i z CL CL LCL i 497 506 500 494 499 508 500 49 50 509 500 49 4 500 50 500 490 5 498 50 500 490 6 500 5 500 489 7 50 5 500 489 8 504 5 500 488 9 50 5 500 488 0 505 5 500 488 508 5 500 488 5 5 500 488 54 5 500 487 4 55 5 500 487 5 57 5 500 487 6 56 5 500 487 7 50 5 500 487 8 5 5 500 487 9 58 5 500 487 0 58 5 500 487 gift 4.b EWMA styrdiagram, L=.7 och λ=0. 50 55 50 55 50 505 500 495 490 485 0 4 6 8 0 4 6 8 0 Vi ser att vi får ett larm vid tiden i=! (abellen visar avrundade värden).

gift 5 (4) a. Hotellings -diagram styrgränser för fas. Vi har m=0 reliminära stickrov med stickrovsstorlek n=0 å en variabel med = dimensioner. För Fas- diagram använder vi formel 0- å sidan 496 i Mongomery 5 ed. ( m + )( n ) CL = Fα,, mnm + 7.4 mn m + LCL = 0 (Kommentar: Eleverna saknade detta F-värde i Montgomerys bok. Om inte detta värde inte finns i din formelsamling kunde du ha frågat telefonronden, eller använt t.ex. α = 0.0istället. Om eleven ej fått fram korrekt värde å F gavs, och allt var korrekt i övrigt, så gavs inget oängavdrag.) b. Hotellings -styrdiagram Det här blir lite jobbigt, men ugiften är konstruerad för att larma tidigt eststatistikan är = n x x S x x ( ) ( ) och de tre första värdena i diagramet blir:.7.0 7 4.7.0 7 4 0. 0 = 0.6 4.6 [ 0. 0.9 0. ] 4 0.9 4.44 9 = = 9 78.9.8 4 0.9.8 4 0 0...0 7 4..0 7 4 0. 0 = 0. 4. [ 0. 0. 0.0 ] 4 0. 0.84 9 = = 9 44.8.8 4 0.8.8 4 0 0.0 5.4.0 7 4 5.4.0 7 4.4 0 = 0 4.6 4 4.6 [.4. 0.8 ] 4. 0.444 9 = = 9 4 > CL LAR M!!.6.8 4 0.6.8 4 0 0.8 Resten av diagrammet återfinns i Figur 5 gift 5.b 0 5 0 5 0 5 0 4 5 6 7 8 9 0 Figur Styrdiagram ugift 5.b c. Ansvar?

Diagrammet ger oss att vi har ett larm i unkt, men vilken variabel kan vara ansvarig? Ett sätt att börja undersöka detta är att studera bidraget från varje variabel. Låt beteckna bidraget då man har tagit bort variabel nummer i. () () ( i). = 0[. 0.8] = 5.649.5 0.8.4 = 0[.4 0.8] = 0.4.5 0.8.4 () = 0[.4.] = 8.84. Vi beräknar nu det relativa bidraget d = d d i = 4.8 = 0.044 ( i) d =.60 Vi bör alltså undersöka variabel nummer först för att söka ansvar. gift 6 () a. Provlaner Från tabell 4-4 i Montgomery ser vi att för General insection Level II lus batchstorlek 6000 så får vi kodbokstav N. Eftersom inget annat är sagt i ugiften så antar vi att vi skall använda enkelrovtagning. abeller 4-5, 4-6 och 4-7 ger för AQL=0.5% Provstorlek Accet Reject Normal Insection 500 4 ightened Insection 500 Reduced Insection 00 4 Naturligtvis skall övergångsreglerna mellan de olika lanerna följas såsom det är beskrivet i standarden. b. När bör accetansrovning ske och när bör allkontroll ske? Här kan man resonera kring Destruktiva rov kräver accetansrovning. (Man kan ej sränga alla fyrverkerijäser innan man säljer dem) Allkontroll är bäst om den kan ske automatiserat. Allkontroll om konsekvenserna av fel är oaccetabelt. Accetansrov om rovkostnaden är hög och allkontroll därför blir för dyr. Accetansrov om roducenten har relativt bra roduktkvalitet, men man kan ej lita å roducentens rocesskontroll. Risk för att skicka tillbaka hela artiet driver å kvaliteten. Det är ett hanteringssteg mindre vid statistisk accetansrovning och därmed minskar risken för hanteringsskador.

Et.c. gift 7 (4) a. Kaabilitetsindexen Vi vet i ugiften att data är oberoende och normalfördelade och att rocessen är stabil (i kontroll). Detta innebär att vi får använda indexen C och C. Eftersom stickrovet är stort så kan vi skatta arametern σ med s. ˆ SL LSL 05 95 C = =.9 6s 6. ˆ SL ˆ µ ˆ µ LSL 05 0 C k = min, =. s s. b. Härled konfidensintervall för C. tgår från chi- fördelningen. Vi vet att ( n ) S χ n σ Ett -α konfidensintervall blir då ( n ) S χα χ, n α, n σ χα,, χ n α n S n σ S n ( SL LSL) χα n ( SL LSL) ( SL LSL) χ α n 6S n 6σ 6S n χ χ Cˆ C C n n α, n α, n ˆ c. Andelen utanför toleransgräns. Räkna direkt ˆ σ s =. ˆ µ = x = 0,, k P(tanför toleransgränserna) = P(95 X 05) = 05 ˆ µ ˆ µ 95 = Φ Φ = 0.99957 0.0004 sˆ sˆ gift 8 (5)

a. Medelvärde och varians för strömmen I. Varje civilingenjör vet från grundläggande elektricitetslära att = RI. Här är två resistorer seriekolade och då blir den resulterande resistansen R = R + R. Strömmen blir då I = g(, R, R ) = R + R aylorutveckla kring µ, µ, µ och använd formlerna i avsnitt 7-7. µ 00 µ I g( µ, µ, µ ) = = = 0A µ + µ + σ g I σ i i= x i µ, µ, µ g = R R + R g = R R + R g = R + R ( ) ( ) µ µ σ σ σ σ I + + 0.6 4 4 = A ( µ + µ ) ( µ + µ ) ( R + R ) Frågan är hur bra modellen egentligen är. Man bör nog analysera residualen lite mer b. Är strömkretsen kaabel? Vi antar att I är normalfördelad. (Visar ej detta). Väljer att studera C. ˆ SL LSL.5 7.5 C = =.9 6 ˆ σ 6 0.6 Eftersom detta värde är större än. så anser jag strömkretsen vara kaabel. (I det här fallet. Vissa kunder inom mobiltelefonindustrin, t.ex. Motorola, Nokia et.c. anser att.0 är ett bättre krav. Allt beror å situationen.)