Transcript 001.1

‫קורס בקרת איכות‬
‫סטטיסטית ואמינות‬
‫מרצה‪ :‬מר שלומי קרעי‬
‫פרטי מתרגל‬
‫• שעות תרגול‪:‬‬
‫• יום ה' ‪( 19:00 - 20:30‬תומר‪ ,‬סטאס‪ ,‬אלירן)‬
‫• שעות קבלה‪ :‬בתיאום מראש (במייל)‬
‫‪2‬‬
‫ציון הקורס‬
‫• דרישות הקורס‪:‬‬
‫מעבר מבחן מסכם‬
‫• מבנה הציון‪:‬‬
‫מבחן מסכם ‪100% -‬‬
‫‪3‬‬
‫ספרי הקורס‬
‫עברית‪:‬‬
‫• ח‪ .‬שור (‪ ,)1998‬הנדסת איכות‪ .‬חלק א'‪ .‬האוניברסיטה הפתוחה‬
‫• ח‪ .‬שור (‪ ,)1995‬איכות כוללת בקרת איכות ותכנון לאיכות‪,‬‬
‫מהדורה שנייה (נמצא רק בספריות)‬
‫• נחמיאס סטיסבן‪ )2003( ,‬תכנון הייצור והתפעול‪ ,‬כרך ב'‪,‬‬
‫האוניברסיטה הפתוחה‪ ,‬תל אביב‬
‫• ישראלית שולה‪ )1997( ,‬סטטיסטיקה הלכה למעשה‪ ,‬הוצ' לוגיק‪,‬‬
‫כפר‪-‬סבא‬
‫אנגלית‪:‬‬
‫‪Montgomery, D.C. (2008), Introduction to Statistical‬‬
‫‪Quality Control, 6th Edition, John - Wiley & Sons.‬‬
‫‪www.wiley.com/college/montgomery‬‬
‫•‬
‫‪4‬‬
‫‪ - HighLearn‬אתר הקורס‬
‫• לקראת כל תרגול מומלץ להוריד חומר מאתר הקורס‬
‫• דפי נוסחאות ומבחנים משנים קודמות עם פתרונות‬
‫מופיעים באתר‬
‫‪5‬‬
‫חזרה בסטטיסטיקה‬
‫תירגול ‪1‬‬
‫התפלגות ההסתברות‬
‫• התפלגות ההסתברות היא מודל מתמטי אשר קושר‬
‫את הערך של המשתנה עם ההסתברות‬
‫להתרחשות ערך זה באוכלוסיה‪.‬‬
‫ניתן לחלק את ההתפלגויות לשתי קבוצות עיקריות‪:‬‬
‫‪ .1‬התפלגויות בדידות‪ :‬המשתנה הנמדד יכול לקבל רק‬
‫ערכים מסוימים‪.‬‬
‫‪ .2‬התפלגויות רציפות‪ :‬המשתנה הנמדד מבוטא על‬
‫סקלה רציפה‪.‬‬
‫‪7‬‬
‫תוחלת‬
‫• התוחלת היא ביטוי למגמה המרכזית בהתפלגות‪,‬‬
‫או למיקומה –‬
‫‪ ‬‬
‫‪ xf x dx, x continuous‬‬
‫‪‬‬
‫‪ ‬‬
‫‪ xi pxi , x discrete‬‬
‫‪ i 1‬‬
‫• עבור משתנה מיקרי בדיד בעל ‪ N‬ערכים שווי‪-‬‬
‫‪N‬‬
‫‬‫הסתברות‬
‫‪xi‬‬
‫‪‬‬
‫‪N‬‬
‫‪   xi pxi   i 1‬‬
‫‪N‬‬
‫‪i 1‬‬
‫‪8‬‬
‫שונות‬
‫• השונות מביעה את הפיזור‪/‬ההשתנות בהתפלגות‪-‬‬
‫‪ ‬‬
‫‪2‬‬
‫‪‬‬
‫‪‬‬
‫‪x‬‬
‫‪‬‬
‫‪‬‬
‫‪f x dx, x continuous‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪2  ‬‬
‫‪ xi   2 pxi , x discrete‬‬
‫‪ i 1‬‬
‫• עבור משתנה מיקרי בדיד בעל ‪ N‬ערכים שווי‪-‬‬
‫הסתברות‪-‬‬
‫‪ x   ‬‬
‫‪N‬‬
‫‪2‬‬
‫‪i‬‬
‫‪N‬‬
‫‪i 1‬‬
‫‪2 ‬‬
‫• נהוג לעבוד עם שורש השונות‪ ,‬אשר נקרא סטיית‪-‬‬
‫התקן‪.‬‬
‫‪9‬‬
‫התפלגויות בדידות חשובות‬
‫• התפלגות ברנולי‪-‬‬
‫ניסוי ברנולי הוא ניסוי עם שתי תוצאות אפשריות‪" :‬הצלחה" (‪)1=X‬‬
‫או "כשלון" (‪ .)0=X‬ההסתברות להצלחה בניסוי היא ‪ x .p‬הוא‬
‫המשתנה המקרי המציג את תוצאת הניסוי‪.‬‬
‫• ההתפלגות הבינומית‪-‬‬
‫מקיימים ‪ n‬ניסויים ברנוליים בלתי‪-‬תלויים (תוצאת כל ניסוי אינה‬
‫תלויה בשום דרך בתוצאת ניסוי אחר כלשהו)‪ .‬ההסתברות להצלחה‬
‫‪ p‬זהה בכל ניסוי‪ X .‬הוא מספר ההצלחות ב‪ n-‬ניסויים ברנוליים‪X .‬‬
‫משתנה מקרי בינומי עם פרמטרים ‪ n‬ו‪.p-‬‬
‫‪10‬‬
‫התפלגויות בדידות חשובות (המשך)‬
‫•‬
‫•‬
‫•‬
‫•‬
‫התפלגות אחידה‬
‫התפלגות פואסונית ‪ -‬מספר מופעים (אירועים) ליחידה‬
‫(זמן‪ ,‬שטח‪ ,‬נפח)‪ ,‬מתהליך בעל קצב ‪.‬‬
‫התפלגות גיאומטרית ‪ -‬מספר ניסיונות עד הצלחה‬
‫ראשונה (כולל)‪.‬‬
‫התפלגות היפרגאומטרית ‪-‬‬
‫ישנה אוכלוסיה סופית עם ‪ N‬פריטים‪ .‬מתוך האוכלוסייה ‪D‬‬
‫פריטים הם בעלי תכונה מסוימת‪ .‬מדגם מקרי של ‪n‬‬
‫פריטים נלקח מהאוכלוסייה‪ ,‬ללא החזרה‪ X .‬משתנה‬
‫מקרי היפרגאומטרי‪.‬‬
‫‪11‬‬
‫קירובים שימושיים‬
‫• הקירוב הבינומי להיפרגאומטרי ‪-‬‬
‫אם היחס ‪( n/N‬אשר נקרא לפעמים גם יחס הדגימה) קטן‪ ,‬אז‬
‫ההתפלגות הבינומית עם פרמטרים ‪ p=D/N‬ו‪ n -‬היא קירוב טוב‬
‫להיפרגאומטרית‪ .‬הקירוב טוב יותר ככל שהיחס קטן יותר‪.‬‬
‫כלל האצבע‪.n/N<=0.1 :‬‬
‫• הקירוב הפואסוני לבינומי ‪-‬‬
‫עבור ערכי ‪ p‬קטנים וערכי ‪ n‬גדולים‪ ,‬ההתפלגות הפואסונית עם‬
‫‪ l=np‬יכולה לשמש קירוב טוב להתפלגות הבינומית‪( .‬כאשר ‪ p=0‬ו‪-‬‬
‫‪ n‬שואף לאינסוף ההתפלגות הבינומית שואפת לפואסונית עם‬
‫‪ .)l=np‬ככל ש‪ p-‬קטן יותר ו‪ n-‬גדול יותר כך הקירוב טוב יותר‪.‬‬
‫כלל האצבע‪.p<0.1 :‬‬
‫‪12‬‬
‫דוגמא ‪1‬‬
‫•‬
‫מתוך אוכלוסייה של ‪ 800‬יחידות‪ ,‬מהן ‪200‬‬
‫פגומות‪ ,‬נלקח מדגם בגודל ‪ .20‬מהי ההסתברות‬
‫שבמדגם יתקבלו בדיוק ‪ 3‬פגומים ?‬
‫?‪N ‬‬
‫?‪r ‬‬
‫?‪n‬‬
‫‪13‬‬
‫דוגמא ‪2‬‬
‫א‪-‬‬
‫ב‪-‬‬
‫ג‪-‬‬
‫רכיב מסוים מיוצר במנות בגודל ‪ .25‬לקוח הקונה רכיבים מסוג‬
‫זה‪ ,‬מבצע מבחן קבלה בכדי לאתר מנות המכילות מספר גדול‬
‫מדי של יחידות פגומות‪ .‬מבחן הקבלה מתבצע ע"י בחירה‬
‫אקראית של ‪ 5‬יחידות ממנה (ללא החזרה) ובחינתן‪ .‬במידה וכל‬
‫היחידות תקינות המנה מתקבלת‪.‬‬
‫אם מנה מכילה ‪ 3‬יחידות פגומות‪ ,‬מהי ההסתברות לקבלת‬
‫המנה?‬
‫חשבו את ההסתברות המבוקשת בסעיף א' תוך כדי שימוש‬
‫בקירוב להתפלגות בינומית‪ .‬השוו את התוצאה לזו שהתקבלה‬
‫בסעיף א'‪.‬‬
‫פתרו שוב את סעיפים א' ו‪ -‬ב' עבור מנה בגודל ‪.150‬‬
‫‪14‬‬
‫‪N  25‬‬
‫‪r 3‬‬
‫‪n5‬‬
‫• סעיף א'‪0.4957 -‬‬
‫• סעיף ב'‪ -‬קירוב בינומי להתפלגות היפרגיאומטרית‬
‫‪0.528‬‬
‫• קירוב די טוב למרות שגודל המדגם גדול ביחס לגודל‬
‫האוכלוסייה‪.‬‬
‫• סעיף ג'‪ -‬ככל שגודל המדגם גדל ‪ -‬הקירוב ייתן תוצאות‬
‫טובות יותר‪.‬‬
‫‪15‬‬
‫התפלגות נורמאלית‪-‬‬
‫עקומת ההתפלגות סימטרית‪.‬‬
‫– ‪ 68.26%‬מהתצפיות נופלות במרחק של פלוס‪-‬מינוס סטיית תקן מהממוצע‪.‬‬
‫– ‪ 95.46%‬מהתצפיות נופלות במרחק של פלוס‪-‬מינוס ‪ 2‬סטיות תקן מהממוצע‪.‬‬
‫– ‪ 99.73%‬מהתצפיות נופלות במרחק של פלוס‪-‬מינוס ‪ 3‬סטיות תקן מהממוצע‪.‬‬
‫‪16‬‬
‫התפלגות נורמאלית סטנדרטית‬
)Z ‫(התפלגות‬
Z
X 

Z~N(0,1)
-‫• נרמול‬
t 

t 
P  X  t  P  Z 











P Z  u  P Z  u
P Z  u  1  P Z  u    u   1    u 
b 
a
P a  X  b  P  X  b  P  X  a   
 








17
‫הקירוב הנורמאלי לבינומי‬
‫הקירוב הנורמאלי לבינומי ידוע כטוב כאשר ‪ p‬קרוב ל‪-‬‬
‫‪ 1/2‬ו‪ .n>10 -‬לערכי ‪ p‬אחרים נדרשים ערכים גדולים‬
‫יותר של ‪ .n‬כלל האצבע‪ np>=5 :‬וגם ‪.nq>=5‬‬
‫אפשר גם להשתמש בקירוב הנורמאלי למשתנה המקרי‬
‫אשר מתפלג בקירוב נורמאלית‪:‬‬
‫‪ p 1  p  ‬‬
‫‪pˆ ~ N  p,‬‬
‫‪‬‬
‫‪n‬‬
‫‪‬‬
‫‪‬‬
‫‪x‬‬
‫‪n‬‬
‫‪pˆ ‬‬
‫‪18‬‬
‫תיקון רציפות‬
‫• כיוון שההתפלגות הבינומית היא בדידה‬
‫ נהוג לבצע תיקון‬,‫וההתפלגות הנורמאלית רציפה‬
:‫רציפות‬
 1

 1

  t    np 
  t    np 
PX  t   



2
npq
   






2
npq








1
1
  b    np 
  a    np 
2
2
   

Pa  X  b   




npq
npq








n  p  20
Or
19
n  1  p   20
- ‫• כלל אצבע‬
‫תרגילים‪...‬‬
‫‪20‬‬