İstatistiksel Proses Kontrol
|
|
- Emel Akbaş
- 5 yıl önce
- İzleme sayısı:
Transkript
1 İstatistiksel Proses Kontrol
2 İstatistiksel Proses Kontrol Nedir? ü İstatistiksel proses kontrolü, üretim sürecinde kaliteyi ölçmek ve kontrol etmek için kullanılan endüstri standardı bir metodolojidir. ü İmalat / montaj işlemi sırasında yapılan İPK, sadece nihai muayene ihtiyacını ortadan kaldırmakla kalmaz aynı zamanda doğrudan ve dolaylı işçilik israfıyla birlikte önemli miktarda malzeme hurdası azaltır ve tutar. Sonuç, karlılığın doğrudan bir artışıdır. ü İPK yı uygulayamayacaklarını düşünenler için gerçek şu ki olmamasını göze alamazlar. 2
3 İPK nın Çözüm Soruları Aşağıdaki soruları soran bir SPC çözümünün değerini ölçmeye başlayabilirsiniz: ü Kalite maliyetleriniz gerçekten biliniyor mu? ü Geçerli veriler süreçlerinizi iyileştirmek için kullanılabilir mi, yoksa yalnızca veri uğruna veri mi? ü Doğru alanlarda doğru veri toplanıyor mu? ü Kararlar gerçek verilere dayanarak mı veriliyor? ü Kaliteli sorunların nedenini kolayca belirleyebilir misiniz? ü Makinelerde koruyucu bakım ne zaman gerçekleştirileceğini biliyor musun? ü Verimleri ve çıktıları doğru bir şekilde tahmin edebilir misiniz? 3
4 Veri Analizi Araçları Neden Sonuç Diyagramı Kontrol Diyagramları Histogram Pareto Analizi Kontrol Diyagramları 4
5 Kontrol Şemaları Kontrol şemaları, süreçlerin girdilerini veya çıktılarını izlemek için kullanılan şemalardır. Kontrol şemaları, kontrol altında tutulması arzu edilen herhangi bir özelliğin zaman içindeki değişimini grafiksel olarak gösteren grafiklerdir. Süreçlerin sürekli kontrolü, geçmiş tecrübelerden edinilen bilgilerle başarılabilir. 5
6 Neden Kontrol Şemaları? İşlemin çıktısının 'NORMAL' olduğundan emin olmak için. Şunları bulmada yardımcı olur; İşlemin gerçek zamanlı ortalamasında herhangi bir değişiklik var mı? Sürecin gerçek zamanlı olarak yayılmasında herhangi bir değişiklik var mı? Üretim maliyetini minimum seviyede tutmak 6
7 Kontrol Şemalarının Amaçları Üretim sürecinin gerçek fırsatlarını belirlemek için, İşlem çıktı kalitesini değiştirmek için ayarlamalar yapmak, Çıktıyı kontrol etmek için. 7
8 Kontrol Şemaları İstatistiksel kontrol ile toplanan verilerin özelliklerinin belirlenmesi gerektiği anlaşılmaktadır. Belirli bir model için bir veri kümesinin dağılımını bilmek, analizin yapılmasını kolaylaştırır. Kontrol şemaları, uyarı mesajları verir ve eğer kontrol limitleri veya şartname limitleri çok yakın veya limit dışında ise, işlemin yapılmasını sağlar. Kontrol şemaları genellikle dengesiz süreçleri gözlemlemek veya bir prosedür değiştiğinde erken uyarı sağlamak için kullanılır. 8
9 Kontrol Şemaları Temel varsayımlar; Normallik varsayımı (n> 30), Verilerin% 99.74'ü normal dağılım özelliklerinin ± 3s'inde bulunmaktadır. Normal dağılımda; The 68.20% of total data is in ±1σ The 95.45% of total data is in ±2σ The 99.74% of total data is in ±3σ. 9
10 Kontrol Limitleri σ σ 10
11 Spesifikasyon Limitleri ü Herhangi bir hataya neden olmayacak açıklığa sahip bir ürünün belirli özelliklerini tanımlayan değerlere Spesifikasyon denir. ü Herhangi bir şartnamenin toleranslarının değerleri Spesifikasyon Limitleri olarak adlandırılır. ü Ürünün planlandığı gibi çalışıp çalışmayacağını belirlemek için spesifikasyon limitleri kullanılır. Bir prosesin spesifikasyon limitleri, gereken durumu gösterir. Bu limitler, yönetim tarafından hedefler biçiminde belirlenir. 11
12 Kontrol ve Spesifikasyon Limitleri Kontrol limitleri hiçbir zaman spesifikasyon limitlerini ifade etmezler. Bir proses spesifikasyonları karşılamadığı halde kontrol altında olabilir veya kontrol altında olmadığı halde spesifikasyonları sağlayabilir. 12
13 Kontrol Şeması Bölgeleri 13
14 Western Electric Kuralları Western Electric El Kitabı (1956), kontrol şemalarında rassal olmayan örneklerin saptanması için bir dizi karar kuralını önermektedir. Özellikle, aşağıdaki durumlarda eğer süreçte kontrol dışı durumlar olduğu sonucuna varılır; 1. Bir nokta, üç sigma kontrol sınırlarının dışında ise; 2. Üç ardışık noktadan ikisi, iki sigma uyarı limitlerinin dışında ise, 3. Beş ardışık noktadan dördü, merkez çizgisinden bir sigma uzaklıkta ise 4. Merkez çizginin bir tarafında ardışık 9 noktada var ise. 14
15 Shewhart Kontrol Şemaları için Bazı Hassaslaştırma Kuralları Standart Aksiyon Sinyalleri : 1. Bir nokta, üç sigma kontrol sınırlarının dışında ise, 2. Üç ardışık noktadan ikisi, iki sigma uyarı limitlerinin dışında ise, 3. Beş ardışık noktadan dördü, merkez çizgisinden bir sigma uzaklıkta ise, 4. Merkez çizginin bir tarafında ardışık 9 noktada var ise, 5. Ardışık 6 nokta sürekli artıyor veya azalıyor ise, 6. C Bölgesinde ardışık 15 nokta var ise (merkez çizgisinin altında ve üstünde), 7. Üst üste yukarı ve aşağı değişen 14 nokta var ise, 8. Hiçbiri C bölgesinde olmayan orta çizginin her iki tarafında üst üste 8 nokta var ise 9. Verilerde alışılmadık veya rasgele olmayan bir örnek olması, 10. Bir veya daha fazla noktanın uyarı veya kontrol limitlerini çok yakın olması. 15
16 Kontrol Şemalarının Yorumlanması (Western Electric Kurallari) Bir noktanın kontrol limitleri dışına çıkması halinde sürecin kontrol dışına çıktığı varsayılır. σ σ 16
17 Kontrol Şemalarının Yorumlanması (Western Electric Kurallari) Orta çizginin aynı tarafında bulunan 3 ardışık noktadan 2 sinin,oç nin aynı tarafında bulunan 2σ uyarı limitlerinin dışında kalması halinde sürecin kontrol dışı olduğu düşünülür. σ σ 17
18 Kontrol Şemalarının Yorumlanması (Western Electric Kurallari) 9 ya da daha fazla ardışık nokta OÇ nin aynı tarafında kalıyorsa sürecin kontrol dışı olduğu düşünülür. σ σ 18
19 Kontrol Şemalarının Yorumlanması (Western Electric Kurallari) 5 ardışık noktadan 4 ünün OÇ ye göre aynı taraftaki 1σ limitinin dışında kalması halinde sürecin kontrol dışı olduğu düşünülür. σ 19
20 Kontrol Şemalarının Yorumlanması (Western Electric Kurallari) Artan ya da azalan eğilime sahip en az 6 nokta olması halinde sürecin kontrol dışına çıktığı varsayılır. σ σ 20
21 İPK da Veri Toplama Toplanan veriler, önceden belirlenmiş kontrol limitleri olan bir grafik üzerinde çizilir. Kontrol limitleri sürecin kapasitesi ile belirlenirken, spesifikasyon limitleri müşterinin ihtiyaçlarına göre belirlenir. Kontrol limitlerine giren veriler, her şeyin beklendiği gibi çalıştığını gösterir. Kontrol limitleri içindeki herhangi bir değişiklik büyük ihtimalle ortak bir nedeni, sürecin bir parçası olarak beklenen doğal değişime bağlıdır. Veriler kontrol limitlerinin dışına çıkarsa, bu, atanabilir bir nedene muhtemelen ürün varyasyonunun kaynağı olduğuna işaret eder ve kusurlar oluşmadan sorunu gidermek için süreç içindeki bir şey değiştirilmelidir. 21
22 Kalite Ölçüleri Nitelik Ayrı bir yanıtla değerlendirilebilen bir ürün karakteristiği İyi kötü; Evet Hayır Değişken Sürekli ve ölçülebilen bir ürün karakteristiği ağırlık - uzunluk 22
23 Kontrol Şeması Türleri X Sürekli Bir Değişkenle İlgili Veriler Gözlemler gruplar şeklinde Gözlemler tek tek birimler şeklinde R Şeması X-R şeması Değişken alt grup büyüklüğü Bir Nitelik Değişkeniyle İlgili Veriler Kusurlu ürünle ilgileniyoruz Sabit alt grup büyüklüğü Üründeki kusurlarla ilgileniyoruz Değişken alt grup büyüklüğü Sabit alt grup Büyüklüğü p Şeması np Şeması u Şeması c Şeması 23
24 X Kontrol Şeması Bireysel ölçülerin ya da örnek ortalamalarının, istenilen ortalamaya ya da genel ortalamaya göre nasıl karşılaştırılacağını gösterir. Ortalama şemasıdır. Süreç ortalamasında zaman içerisinde meydana gelebilecek değişiklikleri takip etmek için kullanılır. 24
25 R Kontrol Şeması Örnek içindeki bireysel gözlemlerin değişikliğini kaydeder. Aralık şemasıdır. Süreç değişkenliğinin zaman içerisindeki gelişimini takip etmek için kullanılır. 25
26 R Kontrol Şeması R şeması, her alt grubun aralıklarını çizmektedir. R grafiği proses varyasyonunun tutarlılığını değerlendirmek için kullanılır. Örneklemdeki bireysel gözlemlerin değişimini kaydeder. Süreç değişkenliğinin zaman içindeki gelişimini izlemek için kullanılır. 26
27 X ve R şemaları X-R şemalarında kontrol standartlarının belli olması ya da olmaması durumuna göre kontrol limitleri belirlenir. Bu iki şema birbirini tamamlayıcıdır. Çünkü, bir örnek hem kabul edilebilir ortalamaya hem de ölçümlerin uygun aralığına sahip olmalıdır ki süreç kontrol altındadır denilebilsin. 27
28 X-R şemaları-μ, σ biliniyor ise; Xbar Chart Formulas; UCL = µ + Aσ CL = µ A = 3/ n LCL = µ Aσ 28
29 X-R şemaları-μ, σ biliniyor ise; R Chart Formulas; LCL = CL = UCL d = D 2 1 σ D σ 2 σ 29
30 X-R kontrol şemaları- μ, σ bilinmiyor ise; n birimlik m tane örneğin ortalamalarının ortalaması alınarak proses ortalaması olan μ aşağıdaki formülle elde edilir ve genel ortalama grafiğinde orta çizgi olarak kullanılır. ˆ σ R / d2 ˆ µ ± 3 ˆ σ x = x ± 3 = x ± 3 = x ± n n A R x 2 σ = R d 2 30
31 X-R kontrol şemaları- μ, σ bilinmiyor ise; Xbar Chart Limits: LCL = x CL = x A2R A 2 = d 2 3 n UCL = x + A2R 31
32 X-R kontrol şemaları- μ, σ bilinmiyor ise; R Chart Limits: LCL = CL = R UCL = D 3 D R 4 R D D 3 4 = 1 = 1 + d d d d
33 X-S kontrol şemaları Üretimden alınan örneklerin büyüklükleri 10 veya daha fazla (n>=10) olduğunda R grafiği yerine S grafiği kullanılır. n>=10 durumunda R nin etkinliği, dolayısıyla güvenilirliği azaldığından dağılma ölçüsü olarak standart sapma tercih edilir. S grafiği n<10 durumunda da kullanılır. Ancak, hesaplama kolaylığı bakımından R grafiği tavsiye edilir. Diğer taraftan eğer örnek büyüklüğü değişken ise yani üretimden alınan örnekler farklı büyüklüklerde ise yine R grafiği değil de S grafiği kullanılır. X ve S kontrol şemalarında kontrol sınırları standartların belli olması ve olmaması durumlarına göre ayrı ayrı belirlenir. 33
34 X-S Kontrol Şemaları- μ, σ biliniyor X şeması X-R şemasındaki hesaplamaların aynısı kullanılarak oluşturulur. S Chart Formulas: LCL = B5σ CL = c4σ UCL = B6σ 34
35 X-S Kontrol Şemaları- μ, σ bilinmiyor Xbar Chart: ˆ σ 3 S ˆ µ ± 3 ˆ σ x ± 3 x ± x ± n n c A S x 3 4 LCL = x CL = ULC x = x + A 3 A S 3 S A 3 = 3 c 4 n 35
36 X-S Kontrol Şemaları- μ, σ bilinmiyor S Chart: LCL = B 3 S CL = S UCL = B 4 S B B 3 4 = 1 = c 4 3 c 4 1 c 1 c
37 Örnek 1: In a car production facility, the acceptance limit for shaft s length is 600 mm±2 mm. We are looking for a new supplier for this equipment. We have selected 100 samples with systematic sampling from shafts from new suppliers. After analyzing this data set of 100 data, the resulting chart is as on the right. 37
38 Örnek 2: A logistics company follows the delivery time that is critical for the customer. The time of arrival to the customer of 10 randomly selected shipments is taken as data for 20 days during the shipments are made. After analyzing this data set of 200 data, the resulting chart is as on the right. 38
39 Örnek 3: Bir tezgahın ürettiği parçalar arasından belirli aralıklarla beşer birim içeren 20 adet örnek seçilmiş ve parçaların uzunlukları 10 cm den uzaklıklar olarak belirlenmiştir. Bu bilgilere dayanarak kontrol grafiklerini çiziniz. Örnekler Örnek Numarası
40 Örnek 3: Xbar Chart UCL = 5,64645 CL = 0,54 LCL = -4,56645 Range Chart UCL = 18,71775 CL = 8,85 LCL = 0,0 ölçümler örnek numarası toplam X R , , , , , , , , , , , , , ,4 9 Ortalamalar 0,54 8,85 40
41 Örnek 4: Paketlenmiş bir tür gıda maddesinin ağırlığı kontrol grafikleri yardımıyla araştırılacaktır. Bu amaçla belirli aralıklarla alınmış 25 adet 4 er birimlik örneklerle ilgili ölçüm değerleri, ortalamalar ve aralık değerleri tabloda verilmiştir. Bu bilgilere dayalı olarak kontrol şemalarını çiziniz ve yorumlayınız. örnek numarası toplam X R 1 500,4 500,2 501,1 501, ,75 1, , ,1 500, ,8 499,2 500,1 500,2 1999,3 499, ,3 500,6 500,3 499,5 1999,7 499,93 1, ,1 499,2 499,9 500,1 1999,3 499,83 0, ,2 498,1 499,8 500,3 1998,4 499,60 2, ,9 501,2 502,1 500,9 2005,1 501,28 1, ,8 500,1 500,2 500,4 2000,5 500,13 0, ,2 498,6 500,1 500,9 1997,8 499,45 2, ,6 500,7 500,3 499,2 2000,8 500,20 1, ,8 500,1 500,6 500,1 2000,6 500,15 0, ,7 500,1 499,6 500,2 1999,6 499,90 0, ,3 498,6 499,1 499,2 1996,2 499,05 0, ,2 500,9 501,3 501, ,00 1, ,9 501,2 500,3 501,1 2003,5 500,88 0, ,1 500,3 500,2 500,1 2000,7 500,18 0, ,2 499,6 500,1 500,6 1999,5 499,88 1, ,3 501,6 500,3 500,6 2003,8 500,95 1, ,2 500,1 499,3 500,3 1999,9 499,98 0, ,8 501,1 500,6 500,7 2003,2 500,80 0, ,1 499,2 500,8 501,1 2000,2 500, ,1 501,9 500, ,2 500,80 1, ,4 500,7 500,6 2001,7 500,43 0, ,8 499,1 500,4 500,1 1999,4 499,85 1, ,1 501,1 500,6 500,3 2001,1 500,28 1,5 41 Ortalama 500,2184 1,168
42 Örnek 4: Xbar Chart: LCL = x CL = x A2R A 2 = d 2 3 n Xbar Chart UCL = 501,0698 CL = 500,2184 LCL = 499,3669 UCL = x + A2R R Chart: LCL = D CL = R 3 UCL = D R 4 R D D 3 4 d = 1 d d = 1 + d Range Chart UCL = 2,6654 CL = 1,168 LCL = 0,0 42
43 43
44 Örnek 5: Bir üretim süreci ile ilgili olarak ana kitle ortalamasının 10.1 cm ve ana kitle standart sapmasının 0.04 cm olduğu bilinmektedir. İmalatın kontrolü esnasında 5 er birimlik örnekler seçileceği varsayımı altında, bu verilerden yararlanarak X ve R kontrol grafiklerine ait orta çizgi ile üst ve alt değerlerini hesaplayınız. 44
45 Örnek 5: Kontrol standartları bilinmektedir: X Şeması Formülleri: LCL = µ Aσ CL = µ UCL = µ + Aσ A = 3 / n R Şeması Formülleri: LCL = D 1 σ CL = d 2 σ ULC = D 2 σ D 1 = d 2 3d 3 D 2 = d 2 +3d 3 45
46 Örnek 6: The pull strength of a wire bonded lead for an integrated circuit is monitored. The table on the right provides data for 20 samples each of size three. a. Use all the data to determine trial control limits. Construct the control limits and plot the data. b. If necessary, revise your control limits assuming that any samples that plot outside of the control limits can be eliminated. Örnek X1 X2 X3 1 15,40 15,60 15, ,40 17,10 15, ,10 16,10 13, ,50 12,50 10, ,30 16,10 17, ,20 17,20 19, ,10 12,40 11, ,60 13,30 13, ,90 14,90 15, ,70 21,20 20, ,30 13,10 13, ,60 18,00 18, ,00 15,20 18, ,30 16,50 17, ,40 7,70 8, ,10 13,80 11, ,50 17,10 18, ,00 14,10 15, ,80 17,30 12, ,50 10,80 11,20 46
47 Örnek 6: Sample X1 X2 X3 X R 1 15,40 15,60 15,30 15,43 0, ,40 17,10 15,20 15,90 1, ,10 16,10 13,50 15,23 2, ,50 12,50 10,20 12,07 3, ,30 16,10 17,00 17,13 2, ,20 17,20 19,40 18,60 2, ,10 12,40 11,70 12,73 2, ,60 13,30 13,60 14,17 2, ,90 14,90 15,50 14,77 1, ,70 21,20 20,10 20,00 2, ,30 13,10 13,70 14,03 2, ,60 18,00 18,00 17,53 1, ,00 15,20 18,10 16,77 2, ,30 16,50 17,70 16,83 1, ,40 7,70 8,40 8,17 0, ,10 13,80 11,90 12,27 2, ,50 17,10 18,50 17,37 2, ,00 14,10 15,90 16,00 3, ,80 17,30 12,00 15,70 5, ,50 10,80 11,20 11,17 0,70 15,09 2,25 47
48 Kontrol Grafiği Çiziminde Kullanılan Sabitler Sample Size Coefficients for Limits Factor for center line Coefficients for Limits A A1 A2 d2 D1 D2 D3 D4 2 2,121 3,761 1,88 1, , , ,732 2,394 1,023 1, , , ,5 1,88 0,729 2, , , ,342 1,596 0,577 2, , , ,225 1,41 0,483 2, , , ,134 1,277 0,419 2,704 0,205 5,203 0,076 1, ,061 1,175 0,373 2,847 0,387 5,307 0,136 1, ,094 0,337 2,97 0,546 5,394 0,184 1, ,949 1,028 0,308 3,078 0,687 5,469 0,223 1, ,905 0,973 0,285 3,173 0,812 5,534 0,256 1, ,866 0,925 0,266 3,258 0,924 5,592 0,284 1, ,832 0,884 0,249 3,336 1,026 5,646 0,308 1, , ,848 0,235 3,407 1,121 5,693 0,329 1, ,775 0,816 0,223 Kalite Yönetimi 3,472 1,207 5,737 0, ,652
Quality Planning and Control
Quality Planning and Control END 3618 KALİTE PLANLAMA VE KONTROL Prof. Dr. Mehmet ÇAKMAKÇI Dokuz Eylül Üniversitesi Endüstri Mühendisliği Anabilim Dalı 1 İstatistiksel Proses Kontrol Kontrol Kartları Kontrol
DetaylıT.C. ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ KONTROL GRAFİKLERİ. Prof. Dr. Nimetullah BURNAK Prof. Dr. A. Sermet ANAGÜN. Endüstri Mühendisliği Bölümü
1970 T.C. ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ KONTROL GRAFİKLERİ Prof. Dr. Nimetullah BURNAK Prof. Dr. A. Sermet ANAGÜN Endüstri Mühendisliği Bölümü 1 Kontrol Grafiği UygulamaAdımları Kontrol edilecek uygun
DetaylıNİCELİKSEL KONTROL GRAFİKLERİ
NİCELİKSEL KONTROL GRAFİKLERİ Prof. Dr. Nihal ERGİNEL Anadolu Üniversitesi X BİRİMLER VE HAREKETLİ DEĞİŞİM ARALIĞI KONTROL GRAFİĞİ X- Birimler Kontrol Grafiği n= birimlik örnekler alınır. Üretim hızı oldukça
DetaylıİSTATİSTİKSEL PROSES KONTROLÜ
İSTATİSTİKSEL PROSES KONTROLÜ ZTM 433 KALİTE KONTROL VE STANDARDİZASYON PROF: DR: AHMET ÇOLAK İstatistiksel işlem kontrolü (İPK), işlemle çeşitli istatistiksel metotların ve analiz sapmalarının kullanımını
Detaylıİstatistiksel proses kontrol ve kontrol diyagramı. 3. hafta
İstatistiksel proses kontrol ve kontrol diyagramı 3. hafta İstatistiksel proses kontrol Prosesteki değişkenliği ölçerek ve analiz ederek istatistiksel kontrolünü sağlamak ve sürdürmek için istatistiksel
DetaylıDokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü END Kalite Planlama ve Kontrol
Dokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü END 3618 - Kalite Planlama ve Kontrol Uygulama Çalışması-I Dr. Öğr. Üyesi Kemal SUBULAN Tarih: 12.04.2018 A Aşağıda yer alan
Detaylıİstatistiksel Süreç Kontrolu. Doç.Dr.Nihal ERGİNEL Anadolu Üniversitesi
İstatistiksel Süreç Kontrolu Doç.Dr.Nihal ERGİNEL Anadolu Üniversitesi İstatistiksel Süreç Kontrolü Bir üretim/ hizmet sürecinin kontrol altında olup olmadığına karar vermek için kullanılan teknikler bütünüdür.
DetaylıSürekli Rastsal Değişkenler
Sürekli Rastsal Değişkenler Normal Dağılım: Giriş Normal Dağılım: Tamamen ortalaması ve standart sapması ile tanımlanan bir rastsal değişken, X, için oluşturulan sürekli olasılık dağılımına normal dağılım
Detaylıİstatistiksel Süreç Kontrol KAZIM KARABOĞA
İstatistiksel Süreç Kontrol KAZIM KARABOĞA KALİTENİN TARİHSEL KİMLİK DEĞİŞİMİ Muayene İstatistiksel Kalite Kontrol Toplam Kalite Kontrol Toplam Kalite Yönetimi İSTATİSTİKSEL KALİTE KONTROL İstatistiksel
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
Detaylıİstatistiksel Kalite Kontrol
İstatistiksel Kalite Kontrol İstatistiksel kalite kontrol (İKK) metodlarının sanayide geniş çapta uygulanması ile imalatın hızlanması, firenin azaltılması, maliyetlerin düşürülmesi ve kalitenin yükseltilmesi
Detaylı4. HİSTOGRAM. Tolerans Aralığı. Değişim Aralığı HEDEF. Üst Spesifikasyon Limiti. Alt Spesifikasyon Limiti
4. HİSTOGRAM Nedir? Sınıflandırılmış verilerin sütun grafiğidir. Sütunların (sınıfların) genişliği sabit olup, bir veri sınıfını temsil etmektedir. Sütunların yüksekliği ise her bir veri sınıfına düşen
DetaylıANADOLU ÜNİVERSİTESİ. ENM317 Mühendislik İstatistiği İSTATİSTİKSEL TAHMİN Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM317 Mühendislik İstatistiği İSTATİSTİKSEL TAHMİN Prof. Dr. Nihal ERGİNEL İSTATİSTİKSEL TAHMİN Örnekten anakütle parametrelerinin tahmin edilmesidir. İki tür tahminleme yöntemi vardır:
DetaylıCopyright 2004 Pearson Education, Inc. Slide 1
Slide 1 Bölüm 2 Verileri Betimleme, Keşfetme, ve Karşılaştırma 2-1 Genel Bakış 2-2 Sıklık Dağılımları 2-3 Verilerin Görselleştirilmesi 2-4 Merkezi Eğilim Ölçüleri 2-5 Değişimin Ölçülmesi 2-6 Nispi Sabitlerin
DetaylıÖlçüm Sisteminin Analizi
Ölçüm Sisteminin Analizi (Measurement System Analysis) Prof. Dr. Nihal Erginel TOPLAM DEĞİŞKENLİK SÜREÇTEN KAYNAKLANAN DEĞİŞKENLİK ÖLÇÜM SİSTEMİNDEN KAYNAKLANAN DEĞİŞKENLİK Süreç Değişkenlik Kaynakları
DetaylıDokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü
Dokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü END 3618 Kalite Planlama & Kontrol Bölüm 3: İstatistiksel Proses Kontrol Metotları & Felsefesi Yrd. Doç. Dr. Kemal SUBULAN 20-22.02.2018
DetaylıÖlçüm Sisteminin Analizi Measurement System Analysis. Dr. Nihal Erginel
Ölçüm Sisteminin Analizi Measurement System Analysis Dr. Nihal Erginel TOPLAM DEĞİŞKENLİK Süreçten kaynaklanan değişkenlik Ölçüm sisteminden kaynaklanan değişkenlik Süreç Değişkenlik Kaynakları Hammadde
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıProf.Dr.Nihal ERGİNEL Anadolu Üniversitesi
İSTATİSTİKSEL SÜREÇ KONTROLÜNE GİRİŞ Prof.Dr.Nihal ERGİNEL Anadolu Üniversitesi İstatistiksel Süreç Kontrolü Bir üretim/ hizmet sürecinin kontrol altında olup olmadığına karar vermek için kullanılan teknikler
DetaylıANADOLU ÜNİVERSİTESİ. Hipotez Testleri. ENM317 Mühendislik İstatistiği Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ Hipotez Testleri ENM317 Mühendislik İstatistiği Prof. Dr. Nihal ERGİNEL HİPOTEZ TESTLERİ Pek çok problemde bazı parametrelere bağlı bir ifadeyi kabul yada red etmek için karar vermek
DetaylıBİYOİSTATİSTİK. Uygulama 4. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Güven Aralıkları 2 Güven Aralıkları
DetaylıFREKANS VERİLERİ. Prof.Dr. Levent ŞENYAY III - 1
3 FREKANS VERİLERİ 3.1. Frekans Tablolarının Düzenlenmesi 3.2. Frekans poligonu 3.3. Frekans tablosu hazırlama 3.4. Frekans Histogramı 3.5. Frekans eğrisi tipleri 3.6. Diğer İstatistiksel Grafik Gösterimler
DetaylıNİTELİKSEL KONTROL GRAFİKLERİ
NİTELİKSEL KONTROL GRAFİKLERİ Prof. Dr. Nihal ERGİNEL Ölçülemeyen ancak hatalı / hatasız, geçer / geçmez, tekstil sektöründe leke sayısı, dokuma kaçağı vb nin analiz edilmesi için oluşturulan kontrol grafikleridir.
Detaylı8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,
İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıQuality Planning and Control
Quality Planning and Control Prof. Dr. Mehmet ÇAKMAKÇI Dokuz Eylül Üniversitesi Endüstri Mühendisliği Anabilim Dalı 1 Süreç ve Ölçüm Sistemi Yeterlilik Analizi II (Process and Measurement System Capability
DetaylıDers 9: Kitle Ortalaması ve Varyansı için Tahmin
Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık
DetaylıQuality Planning and Control
Quality Planning and Control Prof. Dr. Mehmet ÇAKMAKÇI Dokuz Eylül Üniversitesi Endüstri Mühendisliği Anabilim Dalı 1 İstatistiksel Proses Kontrol Kontrol Kartları 2 Kontrol Grafikleri (Shewhart Control
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
DetaylıJEODEZİK VERİLERİN İSTATİSTİK ANALİZİ. Prof. Dr. Mualla YALÇINKAYA
JEODEZİK VERİLERİN İSTATİSTİK ANALİZİ Prof. Dr. Mualla YALÇINKAYA Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 2018 VERİLERİN İRDELENMESİ Örnek: İki nokta arasındaki uzunluk 80 kere
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıBİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Örnek Senaryo İmplant üreten İMPLANTDENT
DetaylıBÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ
1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel
Detaylıİstatistiksel Süreç Kontrolü Statistical Process Control (SPC) Dr. Musa KILIÇ
İstatistiksel Süreç Kontrolü Statistical Process Control (SPC) Dr. Musa KILIÇ KALİTE VE KALİTE KONTROLÜ Kalitenin Tanımı Kalite, kullanıma uygunluktur (Juran). Kalite, bir ürünün gerekliliklere uygunluk
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıRASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıMerkezi Limit Teoremi
Örnekleme Dağılımı Merkezi Limit Teoremi Şimdiye kadar normal dağılıma uygun olan veriler ile ilgili örnekler incelendi. Çarpıklık gösteren veriler söz konusu olduğunda ne yapılması gerekir? Hala normal
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
Detaylıveriler elde edebilmek için bilgilerin toplanması, düzenlenmesi, değerlendirilmesi ve alternatif çözümler
911-00-TA 004 10.12.22 1/5 1.Amaç Bu talimatin amacı; ürün tedarikinden başlayarak müşteri şikayetlerine kadar olan tüm aşamalarda sağlıklı veriler elde edebilmek için bilgilerin toplanması, düzenlenmesi,
DetaylıKesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları 1 Şans Değişkeni: Bir dağılışı olan ve bu dağılışın yapısına uygun frekansta oluşum gösteren değişkendir.
DetaylıHatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5
Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın
Detaylıİstatistiksel Yorumlama
İstatistiksel Yorumlama Amaç, popülasyon hakkında yorumlamalar yapmaktadır. Populasyon Parametre Karar Vermek Örnek İstatistik Tahmin 1 Tahmin Olaylar hakkında tahminlerde bulunmak ve karar vermek zorundayız
DetaylıHİPOTEZ TESTLERİ ANADOLU ÜNİVERSİTESİ. Hipotez Testleri ENM317 Mühendislik İstatistiği Doç. Dr. Nihal ERGİNEL 2014
ANADOLU ÜNİVERSİTESİ Hipotez Testleri ENM317 Mühendislik İstatistiği Doç. Dr. Nihal ERGİNEL 2014 HİPOTEZ TESTLERİ Pek çok problemde bazı parametrelere bağlı bir ifadeyi kabul yada red etmek için karar
Detaylırasgele değişkeninin olasılık yoğunluk fonksiyonu,
3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının
DetaylıHipotez Testi ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Ders 4 Minitab da İstatiksel Çıkarım-I. Hipotez Testi. Hipotez Testi
ENM 52 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 4 Minitab da İstatiksel Çıkarım-I (Ortalamalar ve Oranlar İçin ) İstatistiksel Hipotezler İstatistiksel hipotez testi ve parametrelerin güven aralığı tahmini,
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans
DetaylıMEYVE SUYU ÜRETİMİNDE SÜREÇ KARARLILIĞI VE YETERLİLİK ANALİZİ
MEYVE SUYU ÜRETİMİNDE SÜREÇ KARARLILIĞI VE YETERLİLİK ANALİZİ Evren DİREN Serkan ATAK Çiğdem CİHANGİR Murat Caner TESTİK ÖZET Kusurları ve israfı önleyerek müşteri memnuniyetini ve karlılığı arttırmayı
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıKonum ve Dağılım Ölçüleri. BBY606 Araştırma Yöntemleri Güleda Doğan
Konum ve Dağılım Ölçüleri BBY606 Araştırma Yöntemleri Güleda Doğan Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl? Yakın, uzak? Sıklık dağılımlarının karşılaştırılması
Detaylıİki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t test) Ölçümle
DetaylıBİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Bazı Olasılık Dağılışları Dr. Öğr. Üyesi Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Uygulamalı bilim
DetaylıDokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü
Dokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü END 3618 Kalite Planlama & Kontrol Bölüm 6: Nitelikler (Belirtiler) İçin Kontrol Kartları Yrd. Doç. Dr. Kemal SUBULAN (13-15).03.2018
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
DetaylıKalite Geliştirmede İstatistiksel Yöntemler ve Six Sigma
Kalite Geliştirmede İstatistiksel Yöntemler ve Six Sigma - 1 Ödevler 5 er kişilik 7 grup Hayali bir şirket kurulacak Bu şirketin kalite kontrol süreçleri raporlanacak Kalite sistem dokümantasyonu oluşturulacak
DetaylıDers 1 Minitab da Grafiksel Analiz-I
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 1 Minitab da Grafiksel Analiz-I İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya
DetaylıBir ürün yada hizmetin belirlenen yada olabilecek ihtiyaçları karşılama yeterliğine dayanan özelliklerinin toplamıdır.
KALİTE KONTROL Kalite: Bir ürün yada hizmetin belirlenen yada olabilecek ihtiyaçları karşılama yeterliğine dayanan özelliklerinin toplamıdır. Kontrol: Mevcut sonuçlarla hedefleri ve amaçları kıyaslama
DetaylıÖrneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı
Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Ortalama veya korelasyon gibi istatistiklerin dağılımıdır Çıkarımsal istatistikte örneklem dağılımı temel fikirlerden biridir. Çıkarımsal istatistik
DetaylıSÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım
SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin
DetaylıBİYOİSTATİSTİK. Ödev Çözümleri. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Ödev Çözümleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Ödev 1 Çözümleri 2 1. Bir sonucun
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
DetaylıBölüm 3. Tanımlayıcı İstatistikler
Bölüm 3 Tanımlayıcı İstatistikler 1 Tanımlayıcı İstatistikler Bir veri setini tanımak veya birden fazla veri setini karşılaştırmak için kullanılan ve ayrıca örnek verilerinden hareket ile frekans dağılışlarını
Detaylıİstatistik Nedir? Ders 1 Minitab da Grafiksel Analiz-I ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. İstatistiğin Konusu Olan Olaylar
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya başlanmıştır. Ders 1 Minitab da
DetaylıGirdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri
Girdi Analizi 0 Gerçek hayattaki benzetim modeli uygulamalarında, girdi verisinin hangi dağılımdan geldiğini belirlemek oldukça zor ve zaman harcayıcıdır. 0 Yanlış girdi analizi, elde edilen sonuçların
DetaylıBÖLÜM 9 NORMAL DAĞILIM
1 BÖLÜM 9 NORMAL DAĞILIM Normal dağılım; 'normal dağılım eğrisi (normaly distribution curve)' ile kavramlaştırılan hipotetik bir evren dağılımıdır. 'Gauss dağılımı' ya da 'Gauss eğrisi' olarak da bilinen
Detaylıİstatistiksel Kalite Kontrol BBY 374 TOPLAM KALİTE YÖNETİMİ 18 NİSAN 2014
İstatistiksel Kalite Kontrol BBY 374 TOPLAM KALİTE YÖNETİMİ 18 NİSAN 2014 İstatistiksel kalite kontrol o Üretim ve hizmet süreçlerinin ölçülebilir veriler yardımıyla istatistiksel yöntemler kullanılarak
DetaylıSıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5
Sıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5 Sıklık Tabloları Veri dizisinde yer alan değerlerin tekrarlama sayılarını içeren tabloya sıklık tablosu denir. Tek değişken için çizilen
DetaylıAktüerlik Sınavları I. Seviye / Olasılık-İstatistik Örnek Sorular I
Aktüerlik Sınavları I. Seviye / Olasılık-İstatistik Örnek Sorular I S1. Cep telefonu üreten bir fabrikada toplam üretimin % 30 u A, % 30 u B ve % 40 ı C makineleri tarafından yapılmaktadır. Bu makinelerin
DetaylıSÜREKLİ RASSAL DEĞİŞKENLER
SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.
DetaylıİSTATİSTİK MHN3120 Malzeme Mühendisliği
İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler
Detaylıİstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014)
İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014) S-1) Bir otoyol üzerinde radarla hız kontrolü yapan, polis ekipler tarafından tespit edilen tane aracın hızları aşağıdaki tabloda
DetaylıELYAF İŞLETMELERİNDE İSTATİSTİKSEL SÜREÇ KONTROLÜNÜN UYGULANMASI * An Application of Statistical Process Control in Polyester factory
ELYAF İŞLETMELERİNDE İSTATİSTİKSEL SÜREÇ KONTROLÜNÜN UYGULANMASI * An Application of Statistical Process Control in Polyester factory Tuğba ÇOLAK İstatistik Anabilim Dalı Fikri AKDENİZ İstatistik Anabilim
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
DetaylıENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Nokta Grafikleri. Ders 2 Minitab da Grafiksel Analiz-II Tanımlayıcı İstatistikler
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Nokta Grafikleri Nokta grafikleri örnek veri dağılımlarını değerlendirmek ve karşılaştırmak için kullanılır. Bir nokta grafiği örneklem verilerini gruplandırır
DetaylıKitle: Belirli bir özelliğe sahip bireylerin veya birimlerin tümünün oluşturduğu topluluğa kitle denir.
BÖLÜM 1: FREKANS DAĞILIMLARI 1.1. Giriş İstatistik, rasgelelik içeren olaylar, süreçler, sistemler hakkında modeller kurmada, gözlemlere dayanarak bu modellerin geçerliliğini sınamada ve bu modellerden
DetaylıKesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları
Kesikli ġans DeğiĢkenleri Ġçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları Kesikli ġans DeğiĢkenlerinin Olasılık Fonksiyonları X, şans değişkeni ve, 2,.., n ise bu tesadüfi değişkenin
DetaylıMAKİNE ELEMANLARI DERS SLAYTLARI
MAKİNE ELEMANLARI DERS SLAYTLARI TOLERANSLAR P r o f. D r. İ r f a n K A Y M A Z P r o f. D r. A k g ü n A L S A R A N A r ş. G ör. İ l y a s H A C I S A L I H O Ğ LU Tolerans Gereksinimi? Tasarım ve üretim
DetaylıFaktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,
14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık - I Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kes1rim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmak7r. ü Bu anlamda, anakütleden çekilen
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık -II Prof. Dr. İrfan KAYMAZ İki Ortalama Farkının Güven Aralığı Anakütle Varyansı Biliniyorsa İki ortalama arasındaki farkın dağılımına ilişkin Z değişkeni: Güven aralığı ifadesinde
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri
Detaylıİzostatik Sistemlerin Hareketli Yüklere Göre Hesabı
İzostatik Sistemlerin Hareketli Yüklere Göre Hesabı Hareketli Yük Çeşitleri: a) I. tip hareketli yük: Sistemin tümünü veya bir bölümünü kaplayan, boyu değişken düzgün yayılı hareketli yüklerdir (insan,
DetaylıBir Normal Dağılım Ortalaması İçin Testler
Bir Normal Dağılım Ortalaması İçin Testler İÇERİK o Giriş ovaryansı Bilinen Bir Normal Dağılım Ortalaması İçin Hipotez Testler P-değerleri: II. Çeşit hata ve Örnekleme Büyüklüğü Seçimi Örnekleme Büyüklüğü
DetaylıSİSTEM SİMULASYONU FİNAL ÇALIŞMA SORULARI-I
SİSTEM SİMULASYONU FİNAL ÇALIŞMA SORULARI-I Soru 1) Rassal Sayı üretme yöntemlerinden Doğrusal Eşlik Üretecinin parametrelerinin a=13, m=40 ve c=1; başlangıç değeri x 0 =3 olsun. Verilen başlangıç değerini
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
DetaylıMerkezi Eğilim ve Dağılım Ölçüleri
Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıİSTATİSTİK II. Hipotez Testleri 1
İSTATİSTİK II Hipotez Testleri 1 1 Hipotez Testleri 1 1. Hipotez Testlerinin Esasları 2. Ortalama ile ilgili bir iddianın testi: Büyük örnekler 3. Ortalama ile ilgili bir iddianın testi: Küçük örnekler
DetaylıMerkezi Yığılma ve Dağılım Ölçüleri
1.11.013 Merkezi Yığılma ve Dağılım Ölçüleri 4.-5. hafta Merkezi eğilim ölçüleri, belli bir özelliğe ya da değişkene ilişkin ölçme sonuçlarının, hangi değer etrafında toplandığını gösteren ve veri grubunu
DetaylıÜç Boyutlu Serpilme (Saçılım) Grafikleri
Üç Boyutlu Serpilme (Saçılım) Grafikleri 3D Scatterplot of boy vs kol vs bacak 90 boy 0 70 0 90 70 00 0 bacak 0 0 90 kol 3D Scatterplot of kol vs omuz vs kalca 90 kol 0 70 00 kalca 0 0 0 0 00 omuz Merkez
DetaylıÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ TEMEL KAVRAMLAR PARAMETRE: Populasyonun sayısal açıklayıcı bir ölçüsüdür ve anakütledeki tüm elemanlar dikkate alınarak hesaplanabilir. Ana kütledeki
Detaylı3. Ders Çok Boyutlu (Değişkenli) Veri Analizi
3. Ders Çok Boyutlu (Değişkenli) Veri Analizi Veri: Boy ölçüleri (boy-kol-omuz-kalça-bacak uzunluğu) Ölçü birimi: cm boy kol omuz kalca bacak 18 77 98 12 11 163 66 72 9 97 183 73 99 113 91 16 86 7 95 12
DetaylıNicel / Nitel Verilerde Konum ve Değişim Ölçüleri. BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014
Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014 1 Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl?
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıDENEY 0. Bölüm 1 - Ölçme ve Hata Hesabı
DENEY 0 Bölüm 1 - Ölçme ve Hata Hesabı Amaç: Ölçüm metodu ve cihazına bağlı hata ve belirsizlikleri anlamak, fiziksel bir niceliği ölçüp hata ve belirsizlikleri tespit etmek, nedenlerini açıklamak. Genel
Detaylıİstatistik. Temel Kavramlar Dr. Seher Yalçın 1
İstatistik Temel Kavramlar 26.12.2016 Dr. Seher Yalçın 1 Evren (Kitle/Yığın/Popülasyon) Herhangi bir gözlem ya da inceleme kapsamına giren obje ya da bireylerin oluşturduğu bütüne ya da gruba Evren veya
Detaylı