Tilastollinen laadunvalvonta
|
|
- Petri Salonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 L u e n t o Tilastollinen laadunvalvonta Luennon sisältö Laadunvalvonta Prosessin kyvykkyys Acceptance sampling
2 Laadunvalvonta
3 Miten valvonta liittyy laatujohtamiseen? Laatujohtaminen Laadun suunnittelu Tuotesuunnittelu Prosessisuunnittelu Ostotoiminta Laadunvalvonta Tuotanto Tarkastus/Pakkaus Jakelu Kenttäorganisaatio TUTA 17 Luento 11 3
4 Ł 0, 0, -5, -6, -8, -20
5 Laadunvalvonta käytännössä välttämätöntä Valvonnan tavoitteena varmistaa, että prosessit toimivat suunnitelmien mukaan peruskysymyksinä millä tavoilla valvotaan?, missä kohdin prosessia valvotaan? ja kuinka usein valvontaa tehdään? Valvonta ennen ja jälkeen tuotannon Valvonta prosessin aikana Prosessiin sisään rakennettu laatu Acceptance sampling Prosessin kontrolli Jatkuva kehittäminen Perinteisin Modernein TUTA 17 Luento 11 5
6 Laadunvalvonnassa monia työkaluja Korrelaatiodiagrammit TUTA 17 Luento 11 6
7 Työkalujen yleinen käyttöprosessi 1. Ongelman identifiointi asiakasvalitukset, kontrollikartat ym. lähtösykäyksenä 2. Datan kerääminen tarkistuslistat, graafit, histogrammit jne. apuvälineinä 3. Tietomassan analysointi ja jaottelu pareto-analyysi hyvä lähtökohta 4. Ongelmien syiden selvittäminen esim. syy-seuraus analyysi prosessin pohjana 5. Ratkaisun kehittäminen ja toteutus 6. Toiminnan jatkuva valvonta ja kehittäminen TUTA 17 Luento 11 7
8
9 Kannattaako odottaa asiakasvalituksiin asti? - prosessin aikaisella valvonnalla monia hyviä puolia - Control process rather than product/service TUTA 17 Luento 11 9
10 Laadunvalvonnan menetelmät - prosessin kontrollikartat - statistical process control Prosessivalvonnan tilastollinen menetelmä (SPC) arviointi tapahtuu prosessista otettujen otosten perusteella Prosessi on kontrollissa kun siinä on ainoastaan satunnaista vaihtelua (vaihtelua on aina) ei-satunnaiselle vaihtelulla löytyy yleensä joku syy mikä tulee eliminoida - SPC ei paljasta vaihtelun syytä; se on johdon ja työntekijöiden tehtävä! satunnaista vaihtelua voidaan vähentää ainoastaan suunnittelemalla prosessi/tuote/palvelu uudelleen Satunnainen vaihtelu ilmenee otoksien arvojen osumisena ns. kontrollirajojen sisäpuolelle rajat asetetaan yleensä +/- kolmen standardipoikkeaman päähän keskiarvosta (saadaan johtopäätöksille sopiva luottamustaso) - jos arvoja ulkopuolella, niin prosessi ei todennäköisesti ole kontrollissa Johdon vaikeimpia päätöksiä on päättää tarvitseeko prosessi muutosta vai ei (sekä satunnainen että ei-satunnainen vaihtelu) TUTA 17 Luento 11 10
11 Kontrollissa on siis kyse vaihtelun laadusta Kontrolli Keskeinen kysymys Analysoitava asia Analyysityökalu Onko prosessi kontrollissa (eli onko siinä pelkästään satunnaista vaihtelua)? Ei-satunnaisen vaihtelun (eli ongelmien) olemassaolo Kontrollikartat Analyysin kohde Prosessista otettavat otokset Analyysin vertailukohta Prosessi itse TUTA 17 Luento 11 11
12 Kontrollikarttojen ajatus yksinkertainen - vaihtelusta osa satunnaista ja osa ei-satunnaista - Kauden paras tulos Kausi , , , , , ,75 ka. 86,65 std. 3,11 ±3σŁ77-96m 70m 80m 90m 91,53 91,33 90,54 89,32 88,71 88,61 87,83 86,90 85,95 85,90 85,90 85,66 84,87 83,26 83,19 82,21 81,27 TUTA 17 Luento 11 12
13 sija 75 sydämen eteisvärinä
14 Normaalijakauma laadunvalvonnan pohjana Suurin osa arvoista keskiarvon ympärillä 99,74 % arvoista ±3 keskihajonnan sisällä ka. 3s 2s 1s +1s +2s +3s 68.26% 95.44% 99.74% TUTA 17 Luento 11 14
15 Satunnainen ja ei-satunnainen vaihtelu ka. n x = i =1 n x i s = ( x i - x) 2 n -1 Kaikissa prosesseissa on tietty määrä satunnaista vaihtelua ka. ka. ka. Keskiarvo siirtynyt Hajonta kasvanut Jakauma vinoutunut Ei-satunnaisen vaihtelun kolme perustyyppiä TUTA 17 Luento 11 15
16 Prosessin kontrollikarttojen käyttö Merkki siitä, että prosessissa saattaa olla jotain ongelmia (epätodennäköistä, että otoksen arvo ylittäisi kontrollirajan jos prosessi olisi täysin kunnossa) x + 3s Ylempi kontrolliraja Selvitä syy! Hypoteettinen prosessin keskiarvo x 99.74% t x -3s Alempi kontrolliraja Yhden otoksen arvo (esim. keskiarvo) Satunnaista vaihtelua = prosessi on kontrollissa TUTA 17 Luento 11 16
17 Prosessin kontrollikarttojen käyttö
18 Prosessin kontrollikarttojen käyttö Prosessia pidetään ei-kontrollisissa olevaksi kun yksi piste menee kontrollirajojen ulkopuolelle kaksi peräkkäistä pistettä on lähellä samaa kontrollirajaa 5 peräkkäistä pistettä on keskiarvon samalla puolella 5 peräkkäistä pistettä muodostaa trendin ylös- tai alaspäin raju muutos pisteiden tasossa muu epäsatunnainen käyttäytyminen Kolmen standardipoikkeaman käyttö on suositeltavaa mutta harkintaa voi käyttää jos kontrollirajat asetetaan liian tiukalle (esim. ka.± 2s) normaalivariaatio tulkitaan liian usein ei-kontrollissa tilanteeksi (virhetyyppi I) jos kontrollirajat asetetaan liian löysiksi (esim. ka.± 4s) ei-kontrollissa tilanne tulkitaan liian usein normaaliksi variaatioksi (virhetyyppi II) kolmen standardipoikkeaman kontrollirajojen käyttö tasapainottaa virhetyypit I ja II TUTA 17 Luento 11 18
19 Erilaisia muuttujia mitataan erilaisilla kartoilla
20 Jatkuvien muuttujien mittaaminen X-kartta (otosten keskiarvo) käytetään analysoimaan jatkuvien muuttujien (= mittaasteikollinen) otosten keskiarvon kehitystä koska harvoin tiedetään prosessin todellista keskiarvoa X-kartan keskiarvo lasketaan otoksien keskiarvoista koska harvoin tiedetään prosessin todellista hajontaa X-kartan kontrollirajat lasketaan otoksien vaihteluvälien keskiarvon avulla - vaihteluväli (R); otoksen suurimman ja pienimmän arvon erotus otoksien koko huomioidaan myös kontrollikarttoja laskiessa, melko pienet otoskoot suositeltuja aikaviiveen minimoimiseksi R-kartta (otosten sisäinen hajonta) käytetään analysoimaan jatkuvien muuttujien (=mittaasteikollinen) otosten sisäisen hajonnan kehitystä koska harvoin tiedetään prosessin todellista hajontaa R-kartan kontrollirajat lasketaan otoksien vaihteluvälien keskiarvon avulla - antaa melko yhtäläiset tulokset todelliseen hajontaan verrattaessa TUTA 17 Luento 11 20
21 Miksi tarvitaan sekä X- että R-kartta? Otoksien jakaumat UCL (prosessin keskiarvo siirtyy) (prosessin hajonta kasvaa) UCL R-kartta X-kartta LCL Siirtyminen paljastuu Hajonta ei paljastu LCL UCL UCL LCL Siirtyminen ei paljastu Hajonta paljastuu LCL TUTA 17 Luento 11 21
22 X- ja R-kartta esimerkki Finnish Washer Oy valmistaa sarjatuotantona aluslevyjä, joita käytetään erilaisien koneiden komponentteina. Tuotannossa olevan aluslevyn reikä on kriittinen mitta, jotta se sopisi aiottuun tarkoitukseen. Laadunvalvonta on ottanut kymmenen päivän kuluessa kymmenen otosta, joissa kussakin on viisi aluslevyä (alla mittaustulokset). Tutki tilastollisen laadunvalvonnan menetelmin onko prosessi kontrollissa eli toimiiko laite kunnolla. Piirrä kontrollikartat koneen toiminnasta. Perustele vastauksesi lyhyesti. Otos A 5,02 5,01 4,94 4,99 4,96 B 5,01 5,03 5,07 4,95 4,96 C 4,99 5,00 4,93 4,92 4,99 D 5,03 4,91 5,01 4,98 4,89 E 4,95 4,92 5,03 5,05 5,01 F 4,97 5,06 5,06 4,96 5,03 G 5,05 5,06 5,10 4,96 4,99 H 5,09 5,01 5,00 4,99 5,08 I 5,14 5,10 4,99 5,08 5,09 J 5,01 4,98 5,08 5,07 4,99 TUTA 17 Luento 11 22
23 X- ja R-kartta esimerkki 1. Laske otoskeskiarvo, -vaihteluväli, keskiarvojen keskiarvo ja vaihteluvälien keskiarvo Otos X R A 5,02 5,01 4,94 4,99 4,96 4,98 0,08 B 5,01 5,03 5,07 4,95 4,96 5,00 0,12 C 4,99 5,00 4,93 4,92 4,99 4,97 0,08 D 5,03 4,91 5,01 4,98 4,89 4,96 0,14 E 4,95 4,92 5,03 5,05 5,01 4,99 0,13 F 4,97 5,06 5,06 4,96 5,03 5,01 0,10 G 5,05 5,06 5,10 4,96 4,99 5,02 0,14 H 5,09 5,01 5,00 4,99 5,08 5,05 0,11 I 5,14 5,10 4,99 5,08 5,09 5,08 0,15 J 5,01 4,98 5,08 5,07 4,99 5,03 0,10 ka. 5,009 0,115 TUTA 17 Luento 11 23
24 X- ja R-kartta esimerkki 2. Laske kontrollirajat X- ja R-kartoille X - kartan kontrollirajat UCL = x + A LCL = x R - kartan UCL = D LCL = D - A 3 4 R R 2 2 R = 5,009+ 0,577*0,115 = 5,075 R = 5,009-0,577*0,115 = 4,943 kontrollirajat = 2,114*0,115 = 0,243 = 0*0,115 = 0 HUOM! n = otoskoko Arvoja X- ja R-karttoihin n A2 D3 D4 2 1, , , , , , , , , , ,419 0,076 1, ,373 0,136 1, ,337 0,184 1, ,308 0,223 1,777 Kun joudutaan käyttämään hajontana otoksien vaihteluvälien keskiarvoa R on jokaisella kontrollirajalla oma kaavansa jotka vain pitää osata Kun joudutaan käyttämään hajontana otoksien vaihteluvälien keskiarvoa R käytetään kontrollirajojen laskemisessa apuna taulukoituja arvoja TUTA 17 Luento 11 24
25 X- ja R-kartta esimerkki 3. Taulukoi yksittäiset otosarvot, kaikkien otosten keskiarvot ja kontrollirajat 4. Tulkitse tulokset ja tee johtopäätökset/suositukset Keskiarvo ei ole kontrollissa; yksi rajan ylitys, nouseva trendi jne. Hajonta hyvin kontrollissa TUTA 17 Luento 11 25
26 Kontrollikarttojen analysointia Kuvio Kuvaus Mahdolliset syyt Normaali Satunnaista vaihtelua Epätasaisuus Trendi Sykli Kohdennettavat syyt (esim. työkalut, materiaalit, ihmiset, ylireagointi, kahvitauot) Esim. koneen kuluminen, työntekijän väsyminen, paremmat työmetodit Eri työvuorot, sähkön vaihtelu, kausivaihtelu jne. TUTA 17 Luento 11 26
27 Erilaisia muuttujia mitataan erilaisilla kartoilla
28 Ominaisuuksien mittaaminen p-kartta (virheellisten osuus per otos) aina kaikkia muuttujia ei voida/haluta mitata tasaisesti. P-karttaa käytetään kun havainnot voidaan jakaa kahteen kategoriaan - toimii vs. ei toimi, hyvä vs. huono, läpi vs. ei läpi jne. ilmoitetaan usein prosenteissa UCL ja LCL = p p c-kartta (virheiden määrä per yksikkö) käytetään kun ainoastaan havainnot per mitattava yksikkö voidaan laskea (eli kun ei-havaintoja ei pystytä laskemaan) - puhelinsoittoja, valituksia, hajoamisia per aikayksikkö - naarmuja, lommoja, virheitä per kappale ei voida ilmoittaa prosenteissa p zσ p σ p = p (1 - p) n UCL ja LCL = c c c zσ c σ c = c TUTA 17 Luento 11 28
29 p-kartta esimerkki Jotkut aktivistit olivat valittaneet kaupunginvaltuustolle, että kaupungin asukkailla tulisi olla samanveroinen oikeus turvallisuuteen. Heidän mielestään poliisivoimia ja rikoksia ehkäiseviä investointeja (esim. valaistus, korjaukset) tulisi tehdä suhteellisin perustein eli ns. ongelma-alueiden tulisi saada enemmän huomiota kuin turvallisten asuinalueiden. Valituksia tutkiakseen kaupunginviranomaiset keräsivät tiedot asukkaiden kokemista rikoksista viimeisen 30 päivän aikana. Jokaisella alueella otoskoko oli 1000 henkilöä. Mitä ohjeita antaisit kerätyn tiedon pohjalta resurssien allokoinnista? Perusta analyysisi laadunvalvontaoppeihin. Alue Rikokset Alue Rikokset A 14 K 20 B 3 L 15 C 19 M 12 D 18 N 14 E 14 O 10 F 28 P 30 G 10 Q 4 H 18 R 20 I 12 S 6 J 3 T 30 TUTA 17 Luento 11 29
30 Alue Rikokset Otoskoko Osuus p A ,40 % B ,30 % C ,90 % D ,80 % E ,40 % F ,80 % G ,00 % H ,80 % I ,20 % J ,30 % K ,00 % L ,50 % M ,20 % N ,40 % O ,00 % P ,00 % Q ,40 % R ,00 % S ,60 % T ,00 % ,50 % 4. Laske kontrollirajat UCL = p LCL = p - + p-kartta esimerkki zσ zσ 1. Laske otoskohtainen todennäköisyys p 2. Laske kaikkien otosten virheellisten keskiarvo p Virheellisten määrä 300 p = = = 0,015 eli (1,5%) Havaintojen määrä 20* Laske otosten keskihajonta p s p = p (1 - p) n 0,015 * (1-0,015 ) 1000 p = = = 0,015 = 0,015 3 * HUOM! n = otoskoko 0, HUOM! z:n arvo riippuu halutusta luottamustasosta, perusoletus z=3 (99,74%) + 3 * 0, , , , noin 0,35% TUTA 17 Luento = = eli eli noin 2,65%
31 p-kartta esimerkki 5. Taulukoi otososuudet, kaikkien otosten keskiarvo ja kontrollirajat 6. Tulkitse tulokset ja tee johtopäätökset/suositukset Investointeja tulisi lisätä alueille F, P ja T Investointeja tulisi vähentää alueilta B ja J TUTA 17 Luento 11 31
32 Ominaisuuksien mittaaminen p-kartta (virheellisten osuus per otos) aina kaikkia muuttujia ei voida/haluta mitata tasaisesti. P-karttaa käytetään kun havainnot voidaan jakaa kahteen kategoriaan - toimii vs. ei toimi, hyvä vs. huono, läpi vs. ei läpi jne. ilmoitetaan usein prosenteissa UCL ja LCL = p p c-kartta (virheiden määrä per yksikkö) käytetään kun ainoastaan havainnot per mitattava yksikkö voidaan laskea (eli kun ei-havaintoja ei pystytä laskemaan) - puhelinsoittoja, valituksia, hajoamisia per aikayksikkö - naarmuja, lommoja, virheitä per kappale ei voida ilmoittaa prosenteissa p zσ p σ p = p (1 - p) n UCL ja LCL = c c c zσ c σ c = c TUTA 17 Luento 11 32
33 c-kartta esimerkki Kauppias on saanut valituksia kassahenkilökunnan tylystä käyttäytymisestä. Mitä johtopäätöksiä tekisit kerätyn datan perusteella? Päivä Valitukset Ma 6 Ti 10 Ke 13 To 7 Pe 10 La 6 Su 5 Ma 12 Ti 13 Ke 10 To 7 Pe 6 La 4 Su 3 Keskiarvo 8,00 UCL = c LCL = c zσ zσ c c = = c c c c Ma Ti Ke To Pe La Su Ma Ti Ke To Pe La Su = 8 + < 3 = = 16,49 = -0,49 Valitusten määrä ei näytä selittyvän pelkästään satunnaisuudella (prosessi ei siis ole kontrollissa): kuuden päivän laskeva trendi lopussa, tiettyä syklisyyttä viikon sisällä 0 TUTA 17 Luento 11 33
34 Työkalujen yleinen käyttöprosessi 1. Ongelman identifiointi asiakasvalitukset, kontrollikartat ym. lähtösykäyksenä 2. Datan kerääminen tarkistuslistat, graafit, histogrammit jne. apuvälineinä 3. Tietomassan analysointi ja jaottelu pareto-analyysi hyvä lähtökohta 4. Ongelmien syiden selvittäminen esim. syy-seuraus analyysi prosessin pohjana 5. Ratkaisun kehittäminen ja toteutus 6. Toiminnan jatkuva valvonta ja kehittäminen TUTA 17 Luento 11 34
35 Laadunvalvonnan menetelmät - prosessikaavio - TUTA 17 Luento 11 35
36 Laadunvalvonnan menetelmät - tarkastuslistat - Tukkimiehen kirjanpidolla seurataan eri virhekohtien ja -lajien tapahtumatiheyttä huonon laadun syiden selvittämisen lähtökohta - tiedon keruulla oltava joku syy, muuten turhaa käytetään myös varmistamaan, että ihmiset keräävät tietoa oikein Ottovirheet Maanantaiaamu Maanantaiilta Väärä tili Väärä määrä 13 7 Panovirheet Väärä tili Väärä määrä TUTA 17 Luento 11 36
37 Laadunvalvonnan menetelmät - histogrammit ja graafit - Tiedon visualisoinnilla suora vaikutus tiedon hallitsemiseen ja ymmärtämiseen histogrammit auttavat laatuongelmien laajuuden ja tyypin selvittämisessä graafeilla pystytään seuraamaan mm. prosessin laatumuuttujien kehittymistä Frekvenssi Muuttujat Halkaisija Aika (tuntia) TUTA 17 Luento 11 37
38 Laadunvalvonnan menetelmät - pareto-analyysi - Käytetään identifioimaan tavallisimmat ongelmien syyt pieni määrä syitä aiheuttaa yleensä suurimman osan ongelmista - Juran: vital few and trivial many, 80/20 -sääntö - voidaan tehdä myös painottaen % 100 % 80 % 60 % 40 % 20 % Muuta laakerien materiaalia ja voiteluöljyä Suunnittele uudelleen oven sulkemismekanismi jne. 0 Rummun laakerit Oven mekenismi Ohjelmointi Sisäinen tulppa Ajohihna Korroosio Muut syyt 0 % TUTA 17 Luento 11 38
39 Laadunvalvonnan menetelmät - syy-seuraus -diagrammi - (Ishikawa/Fishbone/kalanruotodiagrammi) Huom! Ei ratkaisuja, vaan mahdollisia syitä, syiden syitä jne. TUTA 17 Luento 11 39
40 Laadunvalvonnan menetelmät - korrelaatiodiagrammit - Toimiva graafinen esitystapa kun selvä syy-seuraus yhteys Ongelmien määrä Koulutustunteja TUTA 17 Luento 11 40
41 Työkalujen yleinen käyttöprosessi 1. Ongelman identifiointi asiakasvalitukset, kontrollikartat ym. lähtösykäyksenä 2. Datan kerääminen tarkistuslistat, graafit, histogrammit jne. apuvälineinä 3. Tietomassan analysointi ja jaottelu pareto-analyysi hyvä lähtökohta 4. Ongelmien syiden selvittäminen esim. syy-seuraus analyysi prosessin pohjana 5. Ratkaisun kehittäminen ja toteutus 6. Toiminnan jatkuva valvonta ja kehittäminen TUTA 17 Luento 11 41
42 Jatkuva kehittäminen menestyksen avaimena Toimintaa pitää kehittää katkeamattomasti suorituskyvyn seuraaminen ja kyseenalaistaminen keskeistä Laatukysymyksissä työntekijöillä keskeinen rooli toiminnan kehittämisessä johdolla monia keinoja sitouttaa työntekijät (ei silti helppoa) - kulttuurimuutos, asiakaskeskeisyys, ryhmätyö, valtaistaminen, koulutus, palkinnot, kannusteet Suunnittelu Laatu Korjaa Deming cycle Tee Tarkkaile Aika TUTA 17 Luento 11 42
43 Prosessin kehittäminen näkyy myös kartoissa Kontrolli Prosessin parannus ihmiset koneet materiaali prosessi TUTA 17 Luento 11 43
44 Prosessin kyvykkyys
45 Prosessin kyvykkyys - process capability - Kyvykkyydellä tarkoitetaan prosessin kykyä vastata haluttuihin tuote-/prosessispesifikaatioihin tyyliin 99% munkeistamme vastaa vaatimuksianne - analyysin kohteena siis jokainen tuotettu nimike! Keskitytään satunnaisen vaihtelun määrään ei-satunnainen vaihtelu oletetaan eliminoiduiksi Usein asiakas määrittelee halutut toleranssi-/spesifikaatiorajat esim. haluamme, että munkit painavat 100±12g (eli g) UTL = upper tolerance limit / USL = upper specification limit LTL= lower tolerance limit / LSL = lower specification limit TUTA 17 Luento 11 45
46 Kontrolli ja kyvykkyys ovat siis eri asioita! Keskeinen kysymys Analysoitava asia Kontrolli Onko prosessi kontrollissa (eli onko siinä pelkästään satunnaista vaihtelua)? Ei-satunnaisen vaihtelun (eli ongelmien) olemassaolo Kyvykkyys Pystyykö prosessi vastaamaan asiakkaan toiveisiin (eli onko riittävän moni hyviä)? Satunnaisen vaihtelun määrä Analyysityökalu Kontrollikartat Kyvykkyysindeksit Analyysin kohde Prosessista otettavat otokset Kaikki, yksittäiset, nimikkeet Analyysin vertailukohta Prosessi itse Asiakkaan määrittämät rajat eli vaikka kummassakin puhutaan keskiarvoista, keskihajonnoista, sigmoista, ylä-/alarajoista ym. kyse eri asioista TUTA 17 Luento 11 46
47 PPM = Parts per million Toleranssirajojen ulkopuolella
48 Kyvykkyyden mittaaminen ja ilmaiseminen minimitavoite Kyvykkyyttä mitataan kyvykkyysindekseillä C pk kertoo prosessin tämän hetkisen kyvykkyyden C p kertoo kyvykkyyden jos prosessi olisi täysin keskitetty C pk X = min Ł - LTL UTL - X, 3s 3s Kyvykkyyttä ilmaistaan prosenttiosuuksien sijaan ns. sigma-tasoilla kyvykkyysindeksi 0,67Łkahden sigman laatua (väh. 95,45 hyviä) kyvykkyysindeksi 1,00Łkolmen sigman laatua (väh. 99,73 hyviä) kyvykkyysindeksi 1,33Łneljän sigman laatua (väh. 99,99 hyviä) kyvykkyysindeksi 1,67Łviiden sigman laatua (väh. 99,9999 hyviä) kyvykkyysindeksi 2,00Łkuuden sigman laatua (väh. 99, hyviä) TUTA 17 Luento ł UTL - LTL C p = 6s
49 Sigma-taso on käytännössä etäisyys lähimpään toleranssirajaan Kolmen sigman laatua UTL Neljän sigman laatua UTL Cpk Cp 1,00 1,00 3s Cpk Cp 1,33 1,33 4s (Hyviä 99,73%) (Hyviä 99,99%) Kolmen sigman laatua UTL Neljän sigman laatua UTL Cpk Cp 1,00 2,00 3s Cpk Cp 1,33 2,00 4s (Hyviä 99,87%) (Hyviä 99,99%) TUTA 17 Luento 11 49
50 Kyvykkyys esimerkki Huom! Kaavoissa olevat 3 ja 6 ovat vakioitaj Tiukan ostajan maineessa oleva tukkukaupan leivosvastaava on määrittänyt yksittäin myytävien hillomunkkien toleranssi-/spesifikaatiorajoiksi 88g ja 112g. Kun tehtaan munkkilinjasto tuottaa tällä hetkellä keskimäärin 104g painoisia munkkeja ja painojen keskihajonta on 4g, niin miten kommentoisit tehtaan kykyä vastata ostajan 5-sigman laatutavoitteeseen (eli C pk vähintään 1,67 ja vähintään 99,9999% hyviä)? Miten tilanne muuttuisi, jos keskihajonta onnistuttaisiin pudottamaan 2 grammaan? case s = 4 C C pk p X - LTL = min, Ł 3σ UTL - LTL = = 6σ 6*4 UTL - X 3σ = min ł Ł 3*4 = 1,00 (3-sigman laatua) , 3*4 = ł 0,67 (2-sigman laatua) Prosessi ei ole kyvykäs (C pk ), eikä olisi sitä edes keskitettynä (C p )! case s = 2 C C pk p X - LTL UTL - X = min, = min Ł 3σ 3σ ł Ł 3*2 UTL - LTL = = = 2,00 6σ 6*2 (6-sigman laatua) , 3*2 = 1,33 ł Prosessi ei ole kyvykäs (C pk ), mutta keskitettynä (C p ) olisi (eli pystyisi vastaamaan ostajan vaatimuksiin!) (4-sigman laatua) TUTA 17 Luento 11 50
51 Kyvykkyys nousee prosessia parantamalla - case keskitetään ja pienennetään hajontaa - LTL C pk =0,67 UTL LTL C pk =1,00 UTL 4s s = 4 2s 3s s = 4 3s 97,72 % 99,73 % C pk =1,33 C pk =2,00 LTL UTL LTL UTL 8s s = 2 4s 6s s = 2 6s 99,99 % , % TUTA 17 Luento 11 51
52 Kuinka hyvä prosessin oikein tulisi olla?
53 Kuinka hyvä prosessin oikein tulisi olla? Yleisesti korkealta kuulostava 99% (2,6 s) toimintataso ei monessa tilanteessa riitä 3,5 vuorokautta ilman sähköä vuodessa 15 minuuttia juomakelvotonta vettä joka päivä 15 minuuttia ilman puhelinta ja televisiota joka päivä väärää reseptiä vuodessa (USA) hukattua kirjettä joka tunti (USA) yli lääkärien pudottamaa vastasyntynyttä vuodessa (USA) väärin tehtyä leikkausta per viikko (USA) 3 epäonnistunutta laskua Heathrowssa joka päivä yrityksen www-sivut alhaalla 7 tuntia joka kuukausi TUTA 17 Luento 11 53
54 Prosessin hyvyys ja ongelmien määrää 4 sigman taso eli 99,9937% hyviä 6 sigman taso eli keskiarvosta on toleranssirajaan matkaa kuusi keskihajontaa ja hyviä 99,999999% 2 sigman taso eli 95,45% hyviä LTL ka. UTL TUTA 17 Luento 11 55
55 Sigmatasojen suhde ei ole lineaarinen # sigma s # nines Area Spelling Time Distance 1 0 Floor space of a football field 2 1 Floor space of large supermarket 3 2 Floor space of small hardware store 170 misspelled words per page in a book 25 misspelled words per page in a book 1.5 misspelled words per page in a book 4 4 Your living room 1 misspelled word per 30 pages 5 6 The button of your telephone 1 misspelled word in a set of encyclopedias 6 8 diamond 1 misspelled word in a library years per century 0.45 years per century 3.5 months per century 2.5 days per century 30 minutes per century 6 seconds per century Here to the moon 1.5 times around the world London to New York Basel to Zurich Leverone to Norris Four steps from your chair TUTA 17 Luento 11 56
56 Miksi 6 sigman laatutaso olisi toivottavaa?
57 Miksi 6 sigman laatutaso olisi toivottavaa? Todennäköisyys että tuote/prosessi täyttää spesifikaatiot? Yksittäisen osan laatutaso Osien määrä 3 -sigmaa 4 - sigmaa 5 - sigmaa 6 - sigmaa 1 93,32% 99,38% 99,98% 100,00% 10 50,08% 93,96% 99,77% 100,00% 50 3,15% 73,24% 98,84% 99,98% 100 0,10% 53,64% 97,70% 99,97% 144 0,00 % 40,78% 96,70% 99,95% ,04% 91,77% 99,87% 740 1,00% 84,18% 99,75% ,15% 78,43% 99,65% ,00 % 69,07% 99,46% ,05% 93,56% ,00 % 86,53% ,17% ,33% TUTA 17 Luento 11 58
58 Kuusi sigmaa johtamisfilosofiana TQM:n tapaiseksi paisunut tilastollisorientoitunut toiminnan kehittämiskonsepti työntekijät pyrkivät kehittämään prosesseja, keskitytään suunnittelussa asiakkaaseen, päätökset tehdään faktatiedon pohjalta, laatua valvotaan tilastollisin menetelmin jne. Painopiste alunperin enemmän virheiden eliminoinnissa zero defects, kerralla kuntoon, kustannukset alas, saanto ylös... Prosesseilta vaadittava kyvykkyysindeksi 1,50 ei ole 2,00 koska prosessien keskiarvon tyypillistä siirtymistä vaikea todeta otosten perusteella ennen kuin merkittävä - perustuu laskennallisesti keskitetyn 6-sigman prosessin 1,5s siirtymiseen eli toiseen laitaan 7,5s ja toiseen 4,5s jolloin indeksistä tulee 4,5s / 3s = 1,50 ja huonoja kappalemääräisesti 3,4 per miljoona TUTA 17 Luento 11 59
59 3,4 2 per miljardi miljoona huonoja TUTA 17 Luento 11 60
60 Acceptance sampling
61 Laadunvalvonnan menetelmät - acceptance sampling - Perinteinen laadunvarmistamismenetelmä tuote-erän laatutaso varmistetaan tutkimalla erästä otos Kyseinen tuote-erä hyväksytään jos otoksessa on tarpeeksi vähän virheellisiä hylätyt erät korjattaviksi tai tuhottaviksi Menetelmässä monia haittapuoli lähtökohtana oletus, että tietty määrä virheellisiä on hyväksyttävää otosmenetelmä saattaa johtaa virhepäätöksiin (tieto rajoittunutta) kokonaiskustannuksiltaan (elinkaari) kallis menetelmä Käytössä kuitenkin monissa yrityksissä prosessina helppo ja suorat kustannukset alhaiset (halvempi kuin tutkia kaikki), tutkimuksessa rikkoutuville tuotteille ainoa tapa - päätöksinä otoksen koko ja sallittujen virheellisten lukumäärä motivoi tuottajaa tekemään hyvää laatua TUTA 17 Luento 11 62
62 Acceptance samplingin keskeiset luvut Hyväksyttävä laatutaso (AQL) asiakkaan määrittelemä hyväksyttävä virheellisten osuus - esim. 2% tuote-erästä Maksimaalinen virheellisten määrä (LTPD) asiakkaan määrittelemä maksimaalinen virheellisten osuus huonoimmassa tapauksessa (=hylkäämispiste) - esim. asiakkaalle jolla AQL on 2% niin LTPD voi olla 8% Tuottajan riski (a) hyväksyttävän tuote-erän hylkäystodennäköisyys - esim. jos a=0,05 niin tarkastajalla on 5% todennäköisyys hylätä 10,000 kpl tuote-erä jossa on virheitä vähemmän kuin 2% Asiakkaan riski (B ) huonon tuote-erän hyväksymistodennäköisyys - esim. jos B =0,10 niin tarkastajalla on 10% todennäköisyys hyväksyä 10,000 kpl tuote-erä jossa on virheitä enemmän kuin 8% TUTA 17 Luento 11 63
63 Acceptance sampling käytännössä - otoskoon ja maksimaalinen virheiden määrä - Laske ensin LTPD/AQL eli esim. 0,08/0,02=4 Etsi taulukosta maksimaalinen virheellisten määrä c joka on ylöspäin pyöristäen lähimpänä LTPD/AQL tulosta Taulukko eli c=4 (4,057) Selvitä otoskoko etsimällä taulukosta kyseisen rivin n*aql arvo ja jaa se AQL:llä eli 1,970/0,02=98,5 eli otoskoko 99 = 0,05 ja = 0,10 c LTPD/AQL n*aql 0 44,89 0, ,946 0, ,509 0, ,890 1, ,057 1, ,549 2, ,206 3, ,957 3, ,768 4, ,618 5,426...eli jos 99 kappaleen otoksessa on maksimissaan 4 kpl viallisia hyväksy koko toimitus TUTA 17 Luento a B
64 Otoksiin perustuva päätös sisältää riskiä - operating characteristic curve - Hyväksymisen todennäköisyys a =.05 (tuottajan riski) n = 99 c = 4 B =.10 (asiakkaan riski) AQL LTPD Huonojen prosentuaalinen osuus TUTA 17 Luento 11 65
Tilastollinen laadunvalvonta
L u e n t o Laadunvalvonta käytännössä välttämätöntä Tilastollinen laadunvalvonta Valvonnan tavoitteena varmistaa, että prosessit toimivat suunnitelmien mukaan peruskysymyksinä millä tavoilla valvotaan?,
LisätiedotTilastollinen laadunvalvonta
L u e n t o Miten valvonta liittyy laatujohtamiseen? Tilastollinen laadunvalvonta Laatujohtaminen Luennon sisältö Laadunvalvonta Prosessin kyvykkyys Acceptance sampling Laadun suunnittelu Tuotesuunnittelu
LisätiedotSpecification range USL ja LSL. Mittaustulokset ja normaalijakauma. Six Sigma filosofia: Käytännössä. Pitkäaikainen suorituskyky
Mittaustulokset ja normaalijakauma Specification range USL ja LSL Keskiarvo Tavoitearvo Ylä- ja alaraja hyväksynnälle s tai sigma, σ 1σ, 2σ ja 3σ Määrittelyalue Määritellään millä laatutasolla prosessi
LisätiedotLuottamusvälit. Normaalijakauma johnkin kohtaan
Luottamusvälit Normaalijakauma johnkin kohtaan Perusjoukko ja otanta Jos halutaan tutkia esimerkiksi Suomessa elävien naarashirvien painoa, se voidaan (periaatteessa) tehdä kahdella tavalla: 1. tutkimalla
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2
LisätiedotTutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)
1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi
LisätiedotMittaustekniikka (3 op)
530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotMTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
LisätiedotOtoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
Lisätiedot¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.
10.11.2006 1. Pituushyppääjä on edellisenä vuonna hypännyt keskimäärin tuloksen. Valmentaja poimii tämän vuoden harjoitusten yhteydessä tehdyistä muistiinpanoista satunnaisesti kymmenen harjoitushypyn
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
Lisätiedot806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ
LisätiedotA130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala
Kaavakokoelma, testinvalintakaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1 a) Konepajan on hyväksyttävä alihankkijalta saatu tavaraerä, mikäli viallisten komponenttien
LisätiedotMittaustulosten tilastollinen käsittely
Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas TEOREETTISISTA JAKAUMISTA Usein johtopäätösten teko helpottuu huomattavasti, jos tarkasteltavan muuttujan perusjoukon jakauma noudattaa
LisätiedotHARJOITUS- PAKETTI E
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI E (6 pistettä) TUTA 17 Luento 18 Jonojen hallinta Hamburger Restaurant Pinball Wizard 1 piste Benny s Arcade 1/4 Luento 19 Projektin
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotTILASTOLLINEN LAADUNVALVONTA
1 Aki Taanila TILASTOLLINEN LAADUNVALVONTA 31.10.2008 2 TILASTOLLINEN LAADUNVALVONTA Tasalaatuisuus on hyvä tavoite, jota ei yleensä voida täydellisesti saavuttaa: asiakaspalvelun laatu vaihtelee, vaikka
LisätiedotSisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4
Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...
LisätiedotMatemaatikot ja tilastotieteilijät
Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.
LisätiedotEsim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4
18.9.2018/1 MTTTP1, luento 18.9.2018 KERTAUSTA Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4 pyöristetyt todelliset luokka- frekvenssi luokkarajat luokkarajat keskus 42 52 41,5
LisätiedotKaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.
Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 5 viikko 42 6.10.2017 klo 10:42:20 Ryhmät: ke 08.30 10.00 LS C6 Paajanen ke 10.15 11.45 LS
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotVirhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.
Virhearviointi Fysiikassa on tärkeää tietää tulosten tarkkuus. Virhelajit A. Tilastolliset virheet= satunnaisvirheet, joita voi arvioida tilastollisin menetelmin B. Systemaattiset virheet = virheet, joita
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotTeema 8: Parametrien estimointi ja luottamusvälit
Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
LisätiedotTilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003
Nimi Opiskelijanumero Tilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003 Normaalisti jakautuneiden yhdistyksessä on useita tuhansia jäseniä. Yhdistyksen sääntöjen mukaan sääntöihin tehtävää muutosta
LisätiedotLAATUMITTARIT LÄÄKETEOLLISUUDESSA
LAATUMITTARIT LÄÄKETEOLLISUUDESSA Marianne Torkko 27.9.2014 1.10.2014 1 Julkaisut Torkko M, Linna A, Katajavuori N, Juppo A.M. 2013. Quality KPIs in pharmaceutical and food industry. J Pharm Innov. 2013;
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedot1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 Vuorikadulla V0 ls Muuttujien muunnokset Usein empiirisen analyysin yhteydessä tulee tarve muuttaa aineiston muuttujia Esim. syntymävuoden
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
Lisätiedot5 Lisa materiaali. 5.1 Ristiintaulukointi
5 Lisa materiaali 5.1 Ristiintaulukointi 270. a) Aineiston koko nähdään frekvenssitaulukon oikeasta alakulmasta: N = 559. Tilastotieteen johdantokurssille osallistui yhteensä 559 opiskelijaa. Huomaa: Opiskelijoiden
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2016 Käytannön järjestelyt Luennot: Luennot ma 4.1. (sali E) ja ti 5.1 klo 10-12 (sali C) Luennot 11.1.-10.2. ke 10-12 ja ma 10-12
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
Lisätiedot1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Lisätiedot2. TILASTOLLINEN TESTAAMINEN...
!" # 1. 1. JOHDANTO... 3 2. 2. TILASTOLLINEN TESTAAMINEN... 4 2.1. T-TESTI... 4 2.2. RANDOMISAATIOTESTI... 5 3. SIMULOINTI... 6 3.1. OTOSTEN POIMINTA... 6 3.2. TESTAUS... 7 3.3. TESTIEN TULOSTEN VERTAILU...
Lisätiedot4. laskuharjoituskierros, vko 7, ratkaisut
4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
Lisätiedot/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin
30.11.2017/1 MTTTP5, luento 30.11.2017 Kertausta H 0 : µ = µ 0 Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin = / ~ 0,1. Kaava 5.1 30.11.2017/2 Esim. Tutkija
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 11. lokakuuta 2007 Antti Rasila () TodB 11. lokakuuta 2007 1 / 15 1 Johdantoa tilastotieteeseen Peruskäsitteitä Tilastollisen kuvailun ja päättelyn menetelmiä
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotKURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
Lisätiedot1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...
JHS 160 Paikkatiedon laadunhallinta Liite III: Otanta-asetelmat Sisällysluettelo 1. Johdanto... 2 2. Todennäköisyysotanta... 2 2.1 Yksinkertainen satunnaisotanta... 3 2.2 Ositettu otanta... 3 2.3 Systemaattinen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotEstimointi. Otantajakauma
Otantajakauma Otantajakauma kuvaa jonkin parametrin arvojen (esim. keskiarvon) jakauman kaikille tietyn kokoisille otoksille. jotka perusjoukosta voidaan muodostaa Histogrammissa otantajakauman parametrin
LisätiedotTilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit
Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotMTTTP1, luento KERTAUSTA
19.3.2019/1 MTTTP1, luento 19.3.2019 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
Lisätiedot