@Sz.E.3: Nagyon szépen köszönöm az elismerő szavakat. Bocs, hogy csak most reagálok a kommentedre, sajnos mostanában elég kevés időm volt a blogra. Köszönöm a megértésed.
@gigabursch: Egyetértek! Hogy őszinte legyek, eléggé megizzasztott, mire tényleg megértettem, hogy hogyan szedegette össze a főkomponensek és az interakciók hatását Yates professzor. Szerintem nagyon ötletes az egész. A folytatásban pedig majd jön az egyszerűsített módszer ugyanezek összegyűjtésére, mit még mindig el lehet rontani, ha kézzel számolja az ember, de mondjuk egy képletezett excel táblázattal már egészen jól automatizálható a dolog. Az viszont még nagyobb kihívás volt, mire megértettem, hogy ez az egyszerűsített módszer hogyan működik! :-)
Kedves Máté, Köszönöm a pozitív visszajelzést. A könyv nagyon hasznos új megközelítéseket tartalmaz a műszaki jellegű problémák megoldásával kapcsolatban, számomra igazi hiánypótló mű. Már régen szerettem volna túllépni a 8D-riport, 7-eszköz, kaizen, six sigma körön. Ez a könyv erre jó lehetőséget teremt. Szemléletesek a példák, azok nagyon jók. Viszont ez a módszertan nem ad olyan mechanikusan végrehajtható módszertant, mint a fentebb említett 8D-riport. Ehelyett szemléletet próbál adni arra vonatkozóan, hogy milyen módon közelíthetjük meg a műszaki problémákat. Hasonlít a Shainin RedX -hez, de itt több a fizika. A statisztikai eszközök viszont hasonlóan egyszerűek, ebből a szempontból egyszerűbb, mint a Six Sigma.
A podcast linket nagyon köszönöm, mindenképpen bele fogok hallgatni!
Kedves Gábor! Megnéztem az első videót, a Szabó Gábor #4-et, nagyon érdekesnek találtam. Kíváncsi vagyok, hogy az Ön tapasztalatával a könyv mennyi újat tudott mondani (ha jól láttam az Amazonon, akkor ilyen névvel van róla vélemény).
Másrészt már rég szerettem volna írni, hogy jó hogy van ez a blog. Nem tudom, hogy mennyi visszajelzés szokott róla érkezni, de én köszönöm ezeket a tartalmakat!
És még egy dolog: podcastoknál adatos témában (a minőségbiztosításhoz nem, de a statisztikához kapcsolódik) szerintem nagyon érdekes ez: lancreakcio.clementine.hu/
@Attila Zsolt Sajo: Jó a kérdés. Én sem vagyok szakértő, de a hulladék kezelésével kapcsolatban létezik valamilyen állami szabályozás és adó. De azt nem hiszem, hogy ez függne a termék élettartamától. Azonban itt is érdekes kérdések merülhetnek fel. Például van egy majdnem vadi új autó, amit a gazdája rommá tör. Akkor a termelő fizesse meg a hulladék kezelési költségeit vagy a felhasználó? Vagy adott egy oldtimer, amelyért azért nem kellene a termelőnek fizetnie, mert a felhasználója óvja és védi. Ez jogos? Vagy a várható élettartam után fizetne a termelő? Jó gyakorlatnak tartom azt, ha kimutatható az adott termék átlagos karbantartási és javítási költsége és ez közzé van téve. Ha jól emlékszem a német autós szövetségnek van egy ilyen listája, amelyet évről-évre megújít, hogy melyek a legmegbízhatóbb márkák és ennek emiatt komoly marketing értéke van.
Nekem az 1) ponttal kapcsolatban merült fel az állam szerepe. Nem dolgozom gyártásban, tehát nem tudom, de nem állami szinten kellene a társadalmi költségeket figyelembe venni? Például hulladékkezelési költségek. Értelemszerűen egy gyorsabban tönkremenő termek nagyobb összegű hulladékkezelési igényel mint egy tartósabb. Amennyiben lehetne állami szinten mérni a termékek élet tartalmát és társadalmi költségeit, a költségeket vissza lehetne terhelni a termelőkre. Nem tudom van-e ilyesmi, vagy egyáltalán lehetséges-e.
Tedd egymás mellé a két cikket és próbáld meg a 12 lépést párhuzamosan követni (elmélet + gyakorlat). Az a baj, hogy a folyamatábra szerintem itt nem segít, vagy csak egy kicsit, mert a számolásokat kell nagyon átnyálazni. Kérlek, olvasd el nagyon részletesen 2-szer 3-szor és lassan összeáll majd a fejedben. Nekem is vagy egy tucatszor el kellett olvasnom, mire teljesen megvolt és végre megértettem a módszer zsenialiását.
Az ötlet nem rossz. Régebben láttam egy videót, amiben a kísérlettervezés alkalmazását mutatták be úgy, hogy gemkapcsokat hajlítgattak különböző helyeken és mértékben. Egy ilyen kísérlettervezési projekt segítségével meg lehet határozni az igénybevételeknek azt a mértékét, vagy az alapanyag erősségét és persze a gemkapocs esetleges más tulajdonságait is, amely körülbelül a kívánt élettartamot hozza.
A te példádban még van is értelme, mert miért legyen sokkal hosszabb a pánt élettartama, mint a bútorlapé. És azt se felejtsük el, hogy a minőségügyesnek az is feladata, hogy felügyelje, nehogy a termék élettartama véletlenül hosszabb legyen, mint amennyi tervezve van... :-)
Már csak az a kérdés, hogy a tervezett avultatást hogyan lövik be a statisztika segítségével.
Ha erre is van példád - érdekelne.
( Zárójel: nálunk oktatták mechanikából a méretezés alapjainál: akkor menjen tönkre a pánt, amikorra a bútorlap anyaga elfáradt a ki-be csukódásoktól és a felület is vállalhatatlan lesz a tisztítószerektől.
@gigabursch: Biztos vannak ott nálam okosabbak is! :-)
Ennek ellenére szerintem a sportstatisztika egy igencsak ígéretes szakterület. Biztos vagyok benne, hogy van értelme foglalkozni vele, főleg a viselhető adatrögzítő eszközök alkalmazását tartom baromi jónak.
@kikeriborsó: Még véletlenül sem vettem kötözködésnek a kommentjeid, szerintem kultúráltan és szakami szempontból fejtetted ki a véleményed és ezzel az égvilágon semmi baj sincs. Engem érdekel a statisztika és bizonyos területein otthonosabban mozgok, mert ezeket időnként alkalmazom a munkám során. Más területeken - ilyen a bootstrap is - nem vagyok annyira járatos, mert eddig nem nagyon fordult elő, hogy alkalmaznom kellett. De próbálom szélesíteni az eszköztáram. :-)
A megjegyzéseid pedig kiváló kiegészítései annak, amit leírtam. úgyhogy köszönöm, hogy rászántad az időt és megírtad őket.
Valóban nem kötözködni jöttem, csak hogy meg legyen a korrekt értelmezés is az Interneten.
Tehát tessék használni bootstrapot a teljesen átlagos tesztekre is. Ha a teszt standard normál aszimptotikusan, akkor a bootstrap müködik, és jobb mint a "táblázatból keresés". Ma ez már egy gimnáziumi osztályban is opció lenne, nyilván amikor az egész statisztika "kánon" alakult, akkor még nem volt opció, hogy bootstrap szimuláljunk.
A másik titok az az, hogy ez az egész elméleti eszmefuttatás nem függ a bootstrap replikációk számától, csak a mintaelemszámtól.
Egy kb. 500-as (de legyen 1000) bootstrap replikáció szám már alapvetöen jó, nem kell 100 000.
Igen, Vita is azt mondja az idézeted alapján, hogy attól függöen érdemes megválasztani a nullhipotézist, hogy melyik esetben akarjuk kontrollálni az elsö fajú hibát. [Illetve melyik hiba "fontosabb" számunkra, akár pénzben kifejezhetö értékben.]
Ezt azzal egészíteném ki, hogy: ennek oka, hogy a populációs paramétert nem ismerjük. Egy alfa-szintü teszt (tehát amely az elsö fajú hiba elkövetését az általunk választott alfa szinten kontrollálja), a null hipotézis elvetése esetén a populációs paramétertöl függetlenül alfa valószínüséggel követi el az elsö fajú hibát [konstrukciójából kifolyólag]. Ha nem vetjük el a null hipotézist, de a populációs paraméter az alternatív hipotézis tartományába esik, akkor a másodfajú hiba elkövetésének valószínüsége viszont a populációs paraméter konkrét értékétöl függ. De ezt nem tudjuk kontrollálni, csak olyan tesztet tudunk választani, ami minden alternatívára a legerösebb (legkisebb másodfaju hiba valószínüség), de nem tudjuk, konkrétan mennyi az "erös".
Egy próba konzisztens, ha a próba ereje 1-hez tart nagy mintaelemszám esetén. Adott (de minden adott) alternatív paraméter mellett. Szerintem az egyszerübb tesztek mind konzisztensek.
A közhiedelemmel ellentétben a bootstrapról senki sem mondta matematikailag, hogy kis mintaelemszámok esetén használható. A bootstrap "müködése" azt jelenti, hogy egy statisztika bootstrap eloszlása nagy minta elemszám esetén (!!) konvergál a statisztika aszimptotikus (!!) eloszlásához.
A félreértés két okra vezethetö vissza: 1. bootstrappolni mindig lehet, mert az algortimus maga intuitív és egyszerü, 2. megmutatható, hogy sok közönséges statisztikai próba bootstrap eloszlása gyorsabban konvergál a statisztikai próba aszimptotikus eloszlásához, mint a központi határeloszlás tételen alapuló approximáció. De ez ilyen ordó (O) jelöléses "gyorsaság", tehát ugyanúgy nagy mintaelemszámról van szó.
Tehát a kérdésedre válaszolva: ha meg tudjuk mutatni a statisztika nagy mintaelemszám melletti eloszlását (pl. standard normál), és ez a statisztika nem túl "fura", akkor a bootstrap müködik, a fent leírt értelemben.
Minden más, föleg nem aszimptotikusan, csak remény.
@kikeriborsó: Abban egyetértek, hogy a hipotézisek szövegezése jórészt filozófiai / hitbeli kérdés. Azt is látom, hogy vannak olyan szakértők, akik szimplán elfogadják a nullhipotézist és vannak olyanok, akik úgy fogalmaznak, hogy nincs elegendő bizonyíték a nullhipotézis elutasítására.
Nem tudom, hogy mi az az erőfüggvény (nyilván emiatt szégyellem magam), ezért beírtam a gugliba és találtam is egy egészen érdekes cikket ugyanebben a témában.
Érdekes, hogy ő is feszegeti a nullhipotézis és az ellenhipotézis felcserélésének problematikáját:
"... Könnyű észrevenni, hogy az első- és másodfajú hiba tartalmilag megegyezik a bírósági ítélkezésben elkövethető kétféle hibával. Ha ugyanis a vádlott ártatlanságát nullhipotézisnek tekintjük, akkor a bírósági ítélkezés elsőfajú hibája az ártatlan vádlott elítélése, míg a másodfajú hiba a bűnös vádlott felmentése. Érdemes felfigyelni arra, hogy ha a vádlott bűnösségét tekintjük H0 -nak, akkor az első- és másodfajú hiba is szerepet cserél. ..."
A nullhipotézis elfogadásáról alkotott véleménye hasonló az enyémhez, noha az ő érvelése egyértelműen más alapokon nyugszik.
"... Az első- és másodfajú hibával kapcsolatos fejtegetéseket azzal zárjuk, hogy H0 elvetése erős − „kemény” −, H0 megtartása (el nem vetése) azonban meglehetősen gyenge − „puha” − döntés. Ez azért van így, mert H0 elvetésekor minden további nélkül megadható és szükségképpen kontroll alá is vehető a hibás döntés esélye. Viszont H0 megtartása (el nem vetése) esetén ez nem tehető meg, mert a másodfajú hiba elkövetésének valószínűsége általában se nem ismert, se nem befolyásolható
közvetlenül. ..."
Még van benne sok egyéb érdekesség is, nagyon érdekes olvasmány...
Statisztika egyszerűen
Mágikus jelek nélkül...
Utolsó kommentek:
glantos70 2022.05.02. 08:25:39
Bejegyzés: Valaki átírta a korrelációs együttható képletét, hogy ne lehessen érteni? Ez most komoly…?
Sz.E.3 2022.05.02. 08:24:17
Bejegyzés: Valaki átírta a korrelációs együttható képletét, hogy ne lehessen érteni? Ez most komoly…?
glantos70 2022.03.03. 08:43:04
Bejegyzés: Burgonya dilemma– A Yates-féle kísérlettervezés 1. rész
gigabursch 2022.03.03. 08:38:04
Ezek a többváltozós - interakciós témák nagyon sok odafigyelést igényelnek.
Bejegyzés: Burgonya dilemma– A Yates-féle kísérlettervezés 1. rész
glantos70 2022.01.20. 11:47:30
A podcast linket nagyon köszönöm, mindenképpen bele fogok hallgatni!
Bejegyzés: Pusztába kiáltott szó – Minőségbiztosítással kapcsolatos podcastok a világban
Pl.Máté 2022.01.20. 11:38:31
Másrészt már rég szerettem volna írni, hogy jó hogy van ez a blog. Nem tudom, hogy mennyi visszajelzés szokott róla érkezni, de én köszönöm ezeket a tartalmakat!
És még egy dolog: podcastoknál adatos témában (a minőségbiztosításhoz nem, de a statisztikához kapcsolódik) szerintem nagyon érdekes ez: lancreakcio.clementine.hu/
Bejegyzés: Pusztába kiáltott szó – Minőségbiztosítással kapcsolatos podcastok a világban
glantos70 2021.12.13. 15:28:12
Bejegyzés: A 80-as évek óta csak felejtünk... - Taguchi veszteségfüggvénye
Attila Zsolt Sajo 2021.12.13. 15:20:02
Bejegyzés: A 80-as évek óta csak felejtünk... - Taguchi veszteségfüggvénye
glantos70 2021.11.12. 16:48:52
Bejegyzés: Az elakadt számláló – Műszaki probléma megoldása Shainin component search segítségével
gigabursch 2021.11.12. 16:45:37
Bejegyzés: Az elakadt számláló – Műszaki probléma megoldása Shainin component search segítségével
glantos70 2021.09.26. 07:39:44
A te példádban még van is értelme, mert miért legyen sokkal hosszabb a pánt élettartama, mint a bútorlapé. És azt se felejtsük el, hogy a minőségügyesnek az is feladata, hogy felügyelje, nehogy a termék élettartama véletlenül hosszabb legyen, mint amennyi tervezve van... :-)
Bejegyzés: A 80-as évek óta csak felejtünk... - Taguchi veszteségfüggvénye
gigabursch 2021.09.26. 07:31:19
Már csak az a kérdés, hogy a tervezett avultatást hogyan lövik be a statisztika segítségével.
Ha erre is van példád - érdekelne.
( Zárójel: nálunk oktatták mechanikából a méretezés alapjainál: akkor menjen tönkre a pánt, amikorra a bútorlap anyaga elfáradt a ki-be csukódásoktól és a felület is vállalhatatlan lesz a tisztítószerektől.
Bejegyzés: A 80-as évek óta csak felejtünk... - Taguchi veszteségfüggvénye
glantos70 2021.09.13. 08:19:17
Ennek ellenére szerintem a sportstatisztika egy igencsak ígéretes szakterület. Biztos vagyok benne, hogy van értelme foglalkozni vele, főleg a viselhető adatrögzítő eszközök alkalmazását tartom baromi jónak.
Bejegyzés: Árnyjáték – A Főkomponens elemzés (Principal Component Analysis)
gigabursch 2021.09.13. 08:16:51
Bejegyzés: Árnyjáték – A Főkomponens elemzés (Principal Component Analysis)
glantos70 2021.06.30. 07:18:47
A megjegyzéseid pedig kiváló kiegészítései annak, amit leírtam. úgyhogy köszönöm, hogy rászántad az időt és megírtad őket.
Bejegyzés: Minta minta hátán... - Mennyire működik a bootstrapping?
kikeriborsó 2021.06.30. 07:13:49
Tehát tessék használni bootstrapot a teljesen átlagos tesztekre is. Ha a teszt standard normál aszimptotikusan, akkor a bootstrap müködik, és jobb mint a "táblázatból keresés". Ma ez már egy gimnáziumi osztályban is opció lenne, nyilván amikor az egész statisztika "kánon" alakult, akkor még nem volt opció, hogy bootstrap szimuláljunk.
A másik titok az az, hogy ez az egész elméleti eszmefuttatás nem függ a bootstrap replikációk számától, csak a mintaelemszámtól.
Egy kb. 500-as (de legyen 1000) bootstrap replikáció szám már alapvetöen jó, nem kell 100 000.
Bejegyzés: Minta minta hátán... - Mennyire működik a bootstrapping?
glantos70 2021.06.29. 15:12:40
Bejegyzés: Minta minta hátán... - Mennyire működik a bootstrapping?
kikeriborsó 2021.06.29. 15:10:36
Ezt azzal egészíteném ki, hogy: ennek oka, hogy a populációs paramétert nem ismerjük. Egy alfa-szintü teszt (tehát amely az elsö fajú hiba elkövetését az általunk választott alfa szinten kontrollálja), a null hipotézis elvetése esetén a populációs paramétertöl függetlenül alfa valószínüséggel követi el az elsö fajú hibát [konstrukciójából kifolyólag]. Ha nem vetjük el a null hipotézist, de a populációs paraméter az alternatív hipotézis tartományába esik, akkor a másodfajú hiba elkövetésének valószínüsége viszont a populációs paraméter konkrét értékétöl függ. De ezt nem tudjuk kontrollálni, csak olyan tesztet tudunk választani, ami minden alternatívára a legerösebb (legkisebb másodfaju hiba valószínüség), de nem tudjuk, konkrétan mennyi az "erös".
Egy próba konzisztens, ha a próba ereje 1-hez tart nagy mintaelemszám esetén. Adott (de minden adott) alternatív paraméter mellett. Szerintem az egyszerübb tesztek mind konzisztensek.
Tesztelméleti gyorstalpaló.
Bejegyzés: Mi is az a hipotézis vizsgálat?
kikeriborsó 2021.06.29. 15:10:33
A közhiedelemmel ellentétben a bootstrapról senki sem mondta matematikailag, hogy kis mintaelemszámok esetén használható. A bootstrap "müködése" azt jelenti, hogy egy statisztika bootstrap eloszlása nagy minta elemszám esetén (!!) konvergál a statisztika aszimptotikus (!!) eloszlásához.
A félreértés két okra vezethetö vissza: 1. bootstrappolni mindig lehet, mert az algortimus maga intuitív és egyszerü, 2. megmutatható, hogy sok közönséges statisztikai próba bootstrap eloszlása gyorsabban konvergál a statisztikai próba aszimptotikus eloszlásához, mint a központi határeloszlás tételen alapuló approximáció. De ez ilyen ordó (O) jelöléses "gyorsaság", tehát ugyanúgy nagy mintaelemszámról van szó.
Tehát a kérdésedre válaszolva: ha meg tudjuk mutatni a statisztika nagy mintaelemszám melletti eloszlását (pl. standard normál), és ez a statisztika nem túl "fura", akkor a bootstrap müködik, a fent leírt értelemben.
Minden más, föleg nem aszimptotikusan, csak remény.
Bejegyzés: Minta minta hátán... - Mennyire működik a bootstrapping?
glantos70 2021.06.29. 08:47:41
Nem tudom, hogy mi az az erőfüggvény (nyilván emiatt szégyellem magam), ezért beírtam a gugliba és találtam is egy egészen érdekes cikket ugyanebben a témában.
Vita László: A statisztikai próbák gondolatvilága
www.ksh.hu/statszemle_archive/2011/2011_10-11/2011_10-11_1130.pdf
Érdekes, hogy ő is feszegeti a nullhipotézis és az ellenhipotézis felcserélésének problematikáját:
"... Könnyű észrevenni, hogy az első- és másodfajú hiba tartalmilag megegyezik a bírósági ítélkezésben elkövethető kétféle hibával. Ha ugyanis a vádlott ártatlanságát nullhipotézisnek tekintjük, akkor a bírósági ítélkezés elsőfajú hibája az ártatlan vádlott elítélése, míg a másodfajú hiba a bűnös vádlott felmentése. Érdemes felfigyelni arra, hogy ha a vádlott bűnösségét tekintjük H0 -nak, akkor az első- és másodfajú hiba is szerepet cserél. ..."
A nullhipotézis elfogadásáról alkotott véleménye hasonló az enyémhez, noha az ő érvelése egyértelműen más alapokon nyugszik.
"... Az első- és másodfajú hibával kapcsolatos fejtegetéseket azzal zárjuk, hogy H0 elvetése erős − „kemény” −, H0 megtartása (el nem vetése) azonban meglehetősen gyenge − „puha” − döntés. Ez azért van így, mert H0 elvetésekor minden további nélkül megadható és szükségképpen kontroll alá is vehető a hibás döntés esélye. Viszont H0 megtartása (el nem vetése) esetén ez nem tehető meg, mert a másodfajú hiba elkövetésének valószínűsége általában se nem ismert, se nem befolyásolható
közvetlenül. ..."
Még van benne sok egyéb érdekesség is, nagyon érdekes olvasmány...
Bejegyzés: Mi is az a hipotézis vizsgálat?