UVOD U MINITAB

Osnove MINITAB-a
Primjeri i vjebe

Zagreb, rujan 2009.

Uvod u Minitab 15
Minitab je kompletan paket za statistiku obradu
Ukljuuje:

deskriptivna statistika
intervali povjerenja
odabir veliine uzorka
testiranje hipoteza
planovi pokusa
kontrolne karte
R&R metoda...

Posebno pogodan za provoenje 6metodologije

Zagreb, rujan 2009.

 radno suelje:

tablica s podacima

Zagreb, rujan 2009.

 izbornik za odabir instrukcija:

prozor grafikog prikaza

Zagreb, rujan 2009.

 project manager prozor:

opcije pregleda

saetak tablice

Zagreb, rujan 2009.

Primjeri i vjebe

Osnovni statistiki parametri i analiza

Grafiko prikazivanje podataka i analiza
Rad sa diskretnim varijablama
Rad sa kontinuiranim varijablama
Teorijske raspodjele, vjerojatnosti
Prilagodba normalne raspodjele
Papir vjerojatnosti
...

Zagreb, rujan 2009.

PRIMJER 1 osnovni statistiki parametri, grafiki prikazi

Primjer 1: Sljedei podaci prezentiraju temperature O-ring brtvi raketnog motora prilikom
testiranja sustava paljenja: 84, 49, 61, 40, 83, 67, 45, 66, 70, 69, 80, 76
58, 68, 60, 67, 72, 73, 70, 57, 63, 70, 78, 58
52, 67, 53, 67, 75, 61, 70, 81, 76, 79, 75, 31
Potrebno je: 1. Odrediti osnovne statistike parametre
2. Grafiki prikazati podatke: dot plot, histogramski, stem-leaf, boxwhisker,...

Histogram of Temperature C

Dotplot of Temperature C

Boxplot of Temperature C

14

90

12

80

Temperature C

Frequency

10
8
6
4

70

60
32

50

40

48
56
64
Temperature C

72

80

2
40
0

30

40

50
60
70
Temperature C

80

90

30

Zagreb, rujan 2009.

PRIMJER 2. Osnovni statistiki parametri kategorizirani podaci

Primjer 2.: Studenti jednog fakulteta sudjelovali su u statistikom eksperimentu koji se
sastojao u tome da zabiljee svoju visinu, masu, spol, puake navike, nivo tjelesne
aktivnosti i puls u stanju mirovanja. Nakon toga sluajnim odabirom nekolicina studenata je
obavljala fiziku aktivnost (tranje u mjestu) u trajanju od jedne minute nakon ega je cijela
grupa opet izmjerila puls. Podaci su dostupni u datoteci {../sample_data/pulse1.mtw}
Potrebno je:

1. Odrediti osn. stat. parametre varijabli pulse1 po kategorijama

spola, puakih navika
2. Grafiki prikazati podatke: individual plot, histogramski, stem-leaf,
box-whisker,...
kategorizirano po
puakim navikama

kategorizirano po spolu

Zagreb, rujan 2009.

- uzete u obzir sve kategorije

Histogram of Pulse1

I ndividual Value Plot of Pulse1

Boxplot of Pulse1

4
48 56 64 72 80 88 96 10

100
1; 1

1; 2

100
16

90

90

12
8

70

80

4
2; 1

16

Pulse1

Frequency

Pulse1

80

2; 2

70

12

60

60

8
4

50

Smokes
Sex

50

48 56 64 72 80 88 96 104

Pulse1

2
2

Smokes
Sex

Panel variables: Sex; Smokes

2
2

- po pojedinanim kategorijama (spol, puake navike)

Histogram of Pulse1

Boxplot of Pulse1
1

90

80

70

15
Pulse1

10

100

20

Pulse1

15

10

80

70

60

60

0
50

48 56 64 72 80 88 96

50

Pulse1

Pulse1
Panel variable: Sex

90

20
Frequency

100

48 56 64 72 80 88 96

Frequency

25

Boxplot of Pulse1

Histogram of Pulse1
2

Panel variable: Sex

Panel variable: Smokes

Panel variable: Smokes

Zagreb, rujan 2009.

PRIMJER 3. Konstrukcija Fishbone dijagrama (Uzrok-posljedica dijagram)

Primjer 3.: Treba konstruirati Fishbone dijagram na temelju podataka dobivenih
brainstorming metodom. (Posljedica - neitka kopija nakon fotokopiranja
dokumenta)
Cause-and-Effect Diagram

Measurement
s

Material

Personnel

Kriva

Krivo

Veliina
veliina

postavljen

papira
papira

papir

poklopca

nejasne

zraku
zatvaranja
u

nakon
papir

papira
podeavanje
za

Vlaga
Pomaknut

Environment

Methods

Oznake

Machines

Zagreb, rujan 2009.

PRIMJER 4. Konstrukcija Pareto dijagrama

Primjer 4. : U pogonu za proizvodnju motocikala dolazi do problema poveanja
trokova uslijed pojave defektnih brzinomjera. Prilikom kontrole jedan dio
brzinomjera je izbaen iz proizvodnje te su zapisani tipovi defekata. Podaci o tipu
defekta i broju ponavljanja odreenog defekta su zapisani u obliku tablice {.../
sample_data/EXH_QC.MTW}.
Pareto Chart of Defects
400

100
80
60

200

100

i
t
s
s
rt
er
us
ke
lip
ew
s
Pa
th
o
r
C
a
H
O
c
e
g
G
S
et
in
y
g
ive
pl
ak
in
iss
ct
m
s
e
e
M
f
L
is
co
M
De
In
Counts
274
59
43
19
10
18
Percent
64,8 13,9 10,2
4,5
2,4
4,3
Cum %
64,8 78,7 88,9 93,4 95,7 100,0

Defects

40

Percent

Counts

300

20
0

Zagreb, rujan 2009.

PRIMJER 5. (Diskretna varijabla)

Primjer: Rad jednog automata kontrolira se uzorcima od 15 proizvoda. U svakom
uzorku se ustanovljuje broj defektnih proizvoda. Budui da je uzeto 200 uzoraka,
dobiveni rezultati su dani kroz tablicu. Potrebno je odrediti osnovne statistike
parametre te grafiki prikazati podatke. x 0 1
2
3
4
5
6
Chart of x

fi

90

77 81

31 7

80

Boxplot of x

70

Count

Dotplot of x

60
50

40
30

20
10
0

3
x

2
0

Pie Chart of x

3
x

1;
1;2;0,5%
0,5%
1,0%
7; 3,5%
31; 15,5%

81; 40,5%

77; 38,5%

Category
5
6
4
3
2
0
1

Each symbol represents up to 3 observations.

Total
Variable
Count N N* Percent CumPct Mean SE Mean StDev
broj defekata 200 200 0
100 100
0,8700 0,0615 0,8700
Variable
Variance CoefVar Minimum
Q1 Median
Q3 Maximum
broj defekata 0,7569 100,00 0,0000 0,0000 1,0000 1,0000 4,0000
Variable
Skewness Kurtosis
broj defekata
0,95
0,85

Zagreb, rujan 2009.

PRIMJER 6. (Raspodjele diskretne varijable binomna raspodjela)

Primjer: Za primjer 5. prilagoditi odgovarajuu raspodjelu (identificirati proces
koristei teorijsku raspodjelu). Na temelju teorijske raspodjele odrediti
vjerojatnost da se u uzorku ne pojavi vie od 2 defektna.
- Budui da se radi o procesu kontrole uzorkovanjem (200 uzoraka) sa
veliinom uzorka od 15 elemenata koristimo binomnu raspodjelu
- Veza empirijskih podataka i raspodjele preko parametra aritm. sredine

x 0,915; n 15; p
Binomial; n=15; p=0,061
0
0,4

0,941

15
P( x) 0,061x 0.939(15 x )
x
P( x 2) P ( x 0) P( x 1)

0,3
Probability

x
0,061
n

P( x 2);

0,2

P( x 2) 0,941

0,1

0,0

5
X

(NAPOMENA: stupie histograma treba

shvatiti kao visine diskretna varijabla!)
Zagreb, rujan 2009.

PRIMJER 7. (Raspodjela diskretne varijable Poisson-ova raspodjela)

Primjer: Ladislaus Josephovich Bortkiewicz (ruski ekonomist i statistiar) je

prouavajui Poisson-ov zakon (zakon rijetkih dogaaja) pratio fenomen
smrtnih sluajeva zbog udarca konja u konjikim postrojbama Pruske
vojske.
Ukupni vrijeme promatranja je bilo 20 godina u kojima je tono 200 zapisa
(odreeni vremenski period). Podaci su dani u tablici:
x

fi

Descriptive Statistics: x.

109

65

Variable N N* Mean SE Mean StDev Minimum

x.
200 0 0,6100 0,0553
0,7816 0,0000

22

Variable Maximum
x.
4,0000

Poisson; Mean=0,61

Histogram of x
60

0,6

50

0,5

40

0,4
Probability

Percent

5+

Q1
Median
Q3
0,0000 0,0000 1,0000

30

0,3

20

0,2

10

0,1

2
x

0,0

Zagreb, rujan 2009.

- nakon analize empirijskih podataka prilagodba Poisson-ove raspodjele

Chart of Observed and Expected Values

120

Chart of Contribution to the Chi-Square Value by Category

0,16

Expected
Observed

0,14
Contributed Value

100

Value

80

60

40

0,12
0,10
0,08
0,06
0,04
0,02

20

0,00
0
x.

>=3

>=3

x.

(Napomena: Kategorije 3 i 4 su spojene u kategoriju >=3 zbog testiranja

dobrote prilagodbe ( test)!)

Zagreb, rujan 2009.

PRIMJER 8. (Kontinuirana varijabla)

Primjer: U tablici su prikazani podaci od 30 mjerenja prekidne vrstoe lijevanih

blokova motora u N/mm2 (u tablici). Potrebno je odrediti osnovne
statistike parametre te grafiki prikazati podatke.
43,5

53,0

47,5

31,3

47,3

45,7

60.9

32,5

41,5

54,5

39,1

43,1

53,4

52,3

48,5

48,6

32,3

40,2

49,6

46,0

38,3

48,5

67,2

44,2

50,0

35,8

41,2

37,9

44,4

57,6

Boxplot of Prekidne vrstoe [N/ mm2]

Histogram of Prekidne vrstoe [N/ mm2]

12

70

Prekidne vrstoe [N/ mm2]

10

Frequency

8
6
4
2
0

32

40

48
56
Prekidne vrstoe [N/ mm2]

Stem-and-leaf of Prekidne vrstoe

Leaf Unit = 1,0
3 3 122
7 3 5789
14 4 0113344
(8) 4 56778889
8 5 02334
3 5 7
2 6 0

64

60

50

40

72
30

Descriptive Statistics: Prekidne vrstoe [N/mm2]

Variable
N N* Mean SE Mean StDev CoefVar Minimum
Prekidne vrstoe [N/mm2 30 0 45,86 1,53
8,37 18,26
31,30
Variable
Q1 Median
Prekidne vrstoe [N/mm2 39,93 45,85

Q3
Maximum Range
50,58 67,20
35,90

Skewness
0,38

Zagreb, rujan 2009.

- Interval povjerenja aritmetike sredine, standardne devijacije i varijance

Interval Plot of Prekidne vrstoe [N/ mm2]
95% CI for the Mean

42

43

44

45
46
47
Prekidne vrstoe [N/ mm2]

48

49

95% Confidence Intervals

CI for
CI for
Variable
Method
StDev
Variance
Prekidne vrstoe [N/mm2 Standard (6,67; 11,26) (44,5; 126,7)
Adjusted (6,57; 11,55) (43,2; 133,3

Zagreb, rujan 2009.

PRIMJER 9. (Kontinuirana varijabla - normalna raspodjela)

Primjer: Prilagoditi normalnu raspodjelu podacima iz primjera 8.
Histogram of Prekidne vrstoe [N/ mm2]
Normal
12

Mean
StDev
N

10

45,86
8,374
30

6
4
2
0

Probability Plot of Prekidne vrstoe [N/ mm2]

Normal - 95% CI
32

40
48
56
64
Prekidne vrstoe [N/ mm2]

99

72

Mean
StDev
N
AD
P-Value

95
90

45,86
8,374
30
0,158
0,946

80

Percent

Frequency

70
60
50
40
30
20
10
5

20

30

40
50
60
Prekidne vrstoe [N/ mm2]

70

Zagreb, rujan 2009.

- pretpostavljajui da se vrstoa blokova rasipa po normalnoj raspodjeli potrebno

je pronai vjerojatnost da odliveni blok ima vrstou manju od 35 N/mm2
Distribution Plot
Normal; Mean=45,86; StDev=8,374
0,05

Density

0,04

0,03

0,02

0,01
0,0973
0,00

35

45,9
X

- Kada bi granice prihvatljivosti bile DGS=32 N/mm2 i GGS=56 N/mm2 koliko bi

odlivenih blokova zadovoljavalo taj uvjet?
Distribution Plot

Normal; Mean=45,86; StDev=8,374

0,05

0,838

Density

0,04

0,03

0,02

0,01

0,00

32

45,9
X

56

Zagreb, rujan 2009.

PRIMJER 10. (Papir vjerojatnosti - specifini sluaj, vie uzoraka)

Primjer: Kako bi uvjerili da je kvaliteta proizvedenih dijelova za motor (radilice) u

skladu sa oekivanjem kontrolirana je udaljenost specifinih toaka na radilici
(AtoBDist). Mjerenja su vrena u pogonu za montau na
nasumino
odabranim radilicama. Nakon 125 mjerenja potrebno je utvrditi da li se varijabla
AtoBDist ponaa po normalnoj raspodjeli.
{.../Sample_Data/CRANKSH.MTW }
Probability Plot of AtoBDist
Normal
99,9

Mean 0,4417
StDev
3,491
N
125
AD
0,891
P-Value 0,022

99

Percent

95
90
80
70
60
50
40
30
20

test pokazuje da
podaci nisu normalno
raspodjeljeni

repovi odstupaju
normalne rasp.

10
5
1
0,1

-10

-5

0
5
AtoBDist

10

Zagreb, rujan 2009.

Primjer: Ucrtati u papir vjerojatnosti normalne raspodjele 3 razliito tretirana uzorka

tkanine. Svaki uzorak je podvrgnut otvorenom plamenu te je izmjerena
karakteristika otpornosti prema gorenju - duljina izgorenog dijela.
{.../Sample_Data/FLAMERTD.MTW }
Probability Plot of Fabric1
Normal
99

Coating
A
B
None

95
90

87

70
60
50
40
30
20

4,215

10

3,129
3,479

Percent

80

Mean StDev N
AD
P
3,013 0,4138 15 0,321 0,497
2,727 0,3575 15 0,545 0,133
3,573 0,5700 15 0,310 0,517

2,0 2,5 3,0 3,5 4,0 4,5 5,0

Fabric1

Zagreb, rujan 2009.

Primjer: Nenormalni podaci izrazito odstupanje od Henry-jevog pravca.

{.../Sample_Data/Student14/BodyTemp.MTW}
Probability Plot of 12amDay2
Normal - 95% CI
99,9

Mean
98,2
StDev 0,6229
N
106
AD
1,212
P-Value <0,005

99

Percent

95
90
80
70
60
50
40
30
20

karakteristino S
rasipanje

10
5
1
0,1

96

97

98
99
12amDay2

100

101

Zagreb, rujan 2009.