Статистика применялась в различных областях с древних времен, чтобы контролировать вещи, в здравоохранении, экономике, социальных науках и, конечно, в технике.
Существует множество статистических инструментов для работы с данными из выборки, чтобы анализировать результаты и принимать решения на их основе. В области машиностроения он применяется для контроля качества, улучшения процессов, прогнозирования, контроля персонала, промышленной безопасности и многих других применений. Несмотря на то, что это точная наука, вы также можете делать ошибки (выбросы), поэтому важно знать, как применять методы и инструменты.
Ключевые слова: статистика, применение, анализ, инструменты, логический вывод.
приложения-статистика-инжинирингСтатистика - это наука, которая помогает собирать и анализировать данные для последующей интерпретации для конкретной цели, ее можно использовать для разных целей в разных отраслях.
В этой работе развивается тема прикладной статистики в технике, затрагивающая статистические подтемы, которые являются фундаментальными для процессов и которые наиболее широко используются в промышленном секторе, а также примеры того, как они используются в Античность до настоящего времени.
Теоретическая основа основана на различных источниках, таких как книги, журналы, базы данных и веб-страницы, из которых ранее была оценена ее надежность.
задача
Изучите наиболее распространенные применения статистики в машиностроении, главным образом в промышленности, чтобы увидеть ее с практической точки зрения, то есть там, где статистические инструменты и методы могут использоваться для достижения некоторой оптимизации, улучшения или контроля.
1. Статистика
Статистика изучает научные методы сбора, систематизации, обобщения и анализа данных, позволяет получать обоснованные выводы и принимать обоснованные решения на основе предыдущего анализа. Таким образом, статистика - это наука, которая собирает, классифицирует и анализирует информацию, которая обычно представляется с использованием агрегированных данных, что позволяет количественно определять, измерять, оценивать и сравнивать наблюдения с использованием показателей центральной тенденции, мер распределения, графических методов, и т.п.
Х. Г. Уэллс (1954) указывает, что «придет день, когда статистические рассуждения будут столь же необходимы для гражданина, как и способность читать и писать».
Сегодня статистика стала незаменимой дисциплиной, она служит для руководства инициативами и достижения лучших результатов, которые являются важными факторами в достижении поставленных целей.
Роль статистики в науке и технике сегодня имеет решающее значение, главным образом потому, что при анализе данных, собранных в экспериментах любого рода, в большинстве случаев наблюдается, что указанные данные подвержены некоторому типу неопределенности. Исследователь или специалист должны принимать решения относительно своего объекта анализа на основе этих данных, для чего у них должны быть адекватные инструменты.
Описательные статистические данные обобщают информацию, содержащуюся в собранных данных, а логические статистические данные демонстрируют ассоциации и позволяют сравнивать наблюдаемые характеристики.
1.1 История вопроса
Статистическое слово происходит от методов сбора, организации, сохранения и обработки собственных данных государства, с помощью которых древние правители контролировали своих подданных и экономические области. Эти методы развивались вместе с развитием математики, используя ее инструменты в процессе анализа и интерпретации информации.
К середине 17-го века в Европе азартные игры стали частыми, и Де Мере, игрок, проконсультировался с известным математиком и философом Блезом Паскалем, чтобы раскрыть ему законы, которые контролируют игру в кости, которая, заинтересовавшись этим предметом, и вместе с Пьером де Фермом они породили теорию вероятностей, которая развивалась и утвердилась в качестве первичной основы статистики.
В настоящее время признается важность прикладной статистики в развитии исследований в различных областях; Все больше и больше специалистов из разных дисциплин нуждаются в статистических методах, таких как выборка, моделирование, планирование экспериментов, статистическое и логическое моделирование, для проведения анализа и интерпретации данных.
1.2 Анализ
Технологический прогресс в области информатики внес огромный вклад в развитие статистики, особенно в манипулирование информацией. Статистика, таким образом, перестала быть исключительной техникой ученых, чтобы стать важным инструментом всех наук.
Целью статистического анализа является выявление тенденций, сбор и анализ каждой отдельной выборки данных, из которой могут быть взяты выборки.
При поиске определенного результата в проблеме или решении статистические методы, применяемые причудливым образом, могут дать любой результат, поэтому необходимо проводить осознанный и осторожный анализ, избегая неправильных толкований. И.
Эскурра считает, что «если вы будете пытать свои данные достаточно долго, они скажут то, что вы хотите услышать».
По всей вероятности, эксперимент рассматривается до его проведения, в статистике мы должны сделать выводы о значениях параметров из наблюдаемых результатов уже проведенного эксперимента, чтобы они дополняли друг друга.
В какой-то момент каждая проблема сводится к проверке утверждения путем проверки гипотезы, которая может быть отклонена с определенным риском ошибки или принята в предварительном порядке.
1.3 Применение
С точки зрения бизнеса и промышленности статистика является одним из наиболее часто используемых инструментов, например: в компании подозревают, что существуют часовые пояса, где несчастные случаи на производстве происходят чаще. Чтобы изучить это явление, они подсчитывают несчастные случаи на производстве, от которых страдают работники в соответствии с временными интервалами в течение года.
Имея эту информацию, менеджеры по безопасности компании должны решить, есть ли часовые пояса, где несчастные случаи более вероятны, или, наоборот, они происходят абсолютно случайно, используя статистические инструменты и методы, параметризацию и затем интерпретируя результат, а не только в цифрах, но и в реальности.
Предыдущий пример показывает, как статистика может применяться в различных областях, а не только с точки зрения производства или качества.
Другие примеры того, что можно рассчитать и измерить с помощью статистики в отрасли, и причина для этого:
- Сборок в минуту среднего рабочего: иметь контроль и посмотреть, что можно улучшить, чтобы сократить время. Возраст операторов: знать, что операторы уже могут выходить на пенсию, и учитывать необходимость найма нового персонала. Среднее число детей рабочих.: Данные, подобные этим, необходимы при их страховании или для получения определенных пособий. Опыт работы или обучение сотрудников. Расходы на содержание в месяц: чтобы увидеть, возможны ли сбережения. Отсутствие на работе и причины: стремиться снизить уровень Отсутствие. Потребление ресурса при изготовлении партии: для контроля и поиска улучшений или уменьшения отходов.
2. Параметризация
Параметризация - это объявление параметров в количественной статистике для работы с любой системой. Чтобы спроектировать математическую модель в выводной статистике, мы можем организовать операции в пять шагов:
- Постановка целей. Проектирование, моделирование и параметризация. Анализ. Улучшение дизайна. Описание дизайна.
После моделирования в игру вступает статистика, так как параметры, константы или переменные разрабатываются, таким образом, производится параметризация. Для любого заданного значения в структуре параметров они будут представлять собой объект, который при применении статистических инструментов и процессов адаптируется к наиболее удовлетворительному и допустимому дизайну.
3. Статистический контроль качества
Статистический контроль качества - это совокупность инструментов, применяемых к производственным процессам (труд, измеряемое сырье, машины и окружающая среда), административным процессам и / или услугам для проверки того, является ли каждая часть процесса и обслуживание отвечает определенным требованиям к качеству, и помощь в их удовлетворении имеет важное значение в деятельности по улучшению качества. Улучшение качества означает систематическую ликвидацию отходов.
Качество продуктов и услуг в настоящее время стало одним из наиболее важных факторов принятия решений в большинстве компаний. Следовательно, улучшение качества стало важным аспектом во многих корпорациях.
3.1 Статистический контроль процесса
Статистический контроль процесса (CEP) является очень мощным инструментом для достижения стабильности процесса и повышения производительности процесса. Его можно рассматривать как набор инструментов для решения проблем, которые можно применять в любом процессе.
Постоянное совершенствование процессов должно быть в рамках стратегических целей компании, чтобы повысить ее производительность, эффективность и результативность, а также способствовать повышению удовлетворенности клиентов, как внутренних, так и внешних. Это требует культуры улучшения, организационных структур, ресурсов и статистических инструментов, чтобы изменения стали частью повседневной деятельности. Чтобы гарантировать постоянное улучшение в компании, которая разработала процессы своей Системы управления качеством, а также их показатели эффективности, методы и инструменты используются для анализа, контроля, мониторинга и улучшения указанных процессов.
3.1.1 Инструменты
В настоящее время существует ряд методологий, методов и инструментов, которые могут быть разработаны в организации для поддержки разработки системы управления качеством, реализации принципов всеобщего качества и / или выполнения процесса. Непрерывное улучшение. Примеры этого:
- Диаграмма Парето. Диаграмма причинно-следственных связей (Исикава). Диаграмма концентрации дефектов. Контрольная диаграмма. Диаграмма рассеяния. Контрольный лист. Корреляционная диаграмма. Методология 5S. Методология 6 сигм. Контрольные диаграммы и производительность процесса.
Используя их, можно повысить культуру использования методов обработки и анализа данных в компании; улучшить принятие решений на основе данных; позволяет узнать поведение индикаторов процесса; облегчает интерпретацию результатов для всех менеджеров; иллюстрирует полезность инструментов и поощряет использование других методов в будущем.
3.2 Приложения статистического контроля качества
Статистические методы играют важную роль в улучшении качества, некоторые из их приложений:
- При проектировании и разработке продукции необходимо сопоставлять материалы или ингредиенты и определять допуски системы и ее компонентов. Это значительно сокращает затраты и время. Определить возможности производственного процесса, что приведет к более высокой урожайности и снижению производственных затрат. В тестировании на долговечность это помогает, предоставляя данные о надежности и производительности, что приводит к появлению новых или долговечных продуктов. выше и меньше затраты на обслуживание.
3.3 Scatterplots
Точечные диаграммы - очень полезный инструмент в предсказаниях, чтобы принять решение или рассмотреть некоторые расходы. Это делается путем построения графика точек и рисования линии регрессии, ни одна не может пройти все точки, поэтому ищите ту, которая проходит как можно ближе к ним по вертикали.
Пример применения статистики в экономических прогнозах для прогнозирования расходов в теплицах:
Точечная диаграмма показывает, что существует сильная линейная зависимость между средней температурой наружного воздуха в течение месяца и средним дневным потреблением газа в течение этого месяца в теплице. Вы хотите использовать это соотношение для прогнозирования вашего потребления газа. Если в месяце в среднем 10 градусов в день, сколько газа будет использоваться в этом месяце?
После прогнозирования с использованием диаграмм рассеяния можно сделать вывод, что потребление газа составит ок. 12,5 м 3.
4. Модели регрессии
Регрессионный анализ является наиболее часто используемым статистическим методом для исследования и моделирования отношений между переменными. Его привлекательность и полезность обычно являются результатом использования уравнения для выражения взаимосвязи между интересующей переменной (ответом) и набором связанных прогнозирующих переменных.
4.1 Линейная регрессия
Простой прогноз линейной регрессии является оптимальной моделью для трендовых моделей спроса (увеличения или уменьшения), то есть моделей, которые представляют линейную зависимость между спросом и временем.
Пример приложения прогнозирования выглядит следующим образом:
Магазин игрушек Gaby хочет с помощью простой линейной регрессии оценить объем продаж своей новой детской тележки "Mate" за июль месяц. Информация о поведении продавцов во всех сетевых магазинах представлена в следующей таблице.
Соответствующие расчеты сделаны:
И, наконец, мы можем определить, что прогноз продаж на период 7 эквивалентен 13067 единицам. Это помогает нам принимать актуальные и заблаговременные решения в отношении производства, сырья и распределения.
4.2 Нелинейная регрессия
Нелинейные регрессионные модели нацелены на создание точных моделей с использованием функциональных уравнений, которые позволяют прогнозировать, контролировать или оптимизировать нелинейные задачи, что известно как функциональный анализ данных.
5. Регулировка кривой
Подгонка кривой - это процесс, при котором для заданного набора из N пар точек (X, Y) математическая функция f (x) определяется так, что сумма квадратов разности между фактическим изображением и соответствующее, полученное посредством настроенной функции в каждой точке, является минимальным.
Подгонка кривой может использоваться для решения различных отраслевых проблем, например:
Колбасный завод ежедневно производит 5000 упаковок колбас. Машина A производит 3000 упаковок, из которых 2% плохо заполнены (неисправны), а машина B производит оставшиеся 2000, из которых 4%, как известно, являются дефектными. Определите вероятность того, что случайно выбранный пакет неисправен и что он поступил с машины A или машины B.
- Вероятность того, что дефектная упаковка получена от машины A p (A / D) = p (A∩D) / p (D) = 0,012 / 0,028 = 0,4286
Соответствует примерно 4,2%.
- Вероятность того, что дефектная упаковка относится к машине B p (B / D) = p (B∩D) / p (D) = 0,016 / 0,028 = 0,5714
Соответствует примерно 5,7%.
Чтобы улучшить оценки в процессе принятия решений, необходимо применять теорему Байеса, в которой производимая статистика состоит из наблюдения за анализом данных, который позволяет исследователю делать выводы или делать исключения или личные мнения по этому вопросу. учиться.
5.1 Неопределенность
В наши дни ежедневно используются различные статистические методы, которые на основе исторических или выборочных наблюдений создают логико-математические модели, которые «рискуют» описывать или прогнозировать определенное явление с определенной степенью измеримой достоверности.
Статистические данные играют важную роль в вопросах, где изменчивость вмешивается, вызывая неопределенность. Помимо данных, статистика, по сути, является исследованием неопределенности, что приводит к необходимости исследовать явление с научной точки зрения.
Статистика - не единственная отрасль знаний, которая занимается изучением неопределенности: вероятность исследует, как случайность в одной части системы влияет на другую, предоставляя через модель случайную переменную или Стохастический процесс, оценки и / или предсказания о данных, которые будут получены, то есть он описывает неопределенность явления.
5.1.1 Выбросы и ошибки
Выбросы (выбросы) - это наблюдение или набор наблюдений, которые кажутся несовместимыми с остальной частью набора данных. Присутствие выбросов в наборе данных может привести к ошибкам при попытке сделать выводы о совокупности данных. откуда они берутся, поэтому их наличие представляет собой фундаментальную проблему при анализе данных.
Статистическая неопределенность - это случайность или ошибка из разных источников при использовании статистической методологии, вероятность того, что что-то плохое произойдет, с точки зрения теории принятия решений, средние потери или прогнозируемые потери, когда что-то плохое случится.
При изучении отношений между переменными статистика показывает статистические отношения, а не причинно-следственные связи. В целом, если мы не будем осторожны, мы можем прийти к самым абсурдным или необъективным выводам, поэтому мы должны тщательно провести анализ и знать переменные, чтобы при его интерпретации мы не принимали решений, которые могут быть вредными.
6. Приложения в других областях
Статистика служит для изучения и использования информации в социальных, биологических, экономических и физических науках, поэтому важно «продавать» статистику как нечто необходимое для нынешнего и будущих поколений.
Прикладная статистика имеет дело с тем, как и когда использовать математические процедуры и как интерпретировать полученные результаты, и может использоваться во многих областях, таких как:
- В естественных науках: для описания сложных термодинамических моделей, в квантовой физике, в механике жидкости или в кинетической теории газов, среди многих других. В социальных и экономических науках: в развитии демографии и социологии. Прикладной. В экономике: для анализа макро и микроэкономических параметров. В медицинских науках: для изучения эволюции заболеваний и пациентов, показателей смертности, степени эффективности лекарственного средства и т. д. В технике: для планирования, бюджеты, контроль процессов и качества, промышленная безопасность, производственные расчеты и др.
вывод
Изучив, прочитав и написав о статистике, параметризации, инструментах, методах и даже примерах, я могу получить более общий обзор использования статистики в технике, я знаю больше о том, как ее можно использовать для решения общих проблем компании или в принятии решений. Тем не менее, это не единственная область, которую можно использовать, поскольку она имеет различные применения в социальных, медицинских, экономических и других науках.
Библиография
Гуарин С., Норберто (2002). Прикладная статистика. Национальный университет Колумбии. Извлечено 7 июня 2018 года с сайта: http://fcbi.unillanos.edu.co/proyectos/Facultad/php/tutoriales/upload_tutos/Curso% 20De% 20Estadistica% 20Aplicada.pdf
Лопес П., Артуро (2016). Байесовская кривая Fit. Диссертация на соискание ученой степени магистра по математическим наукам, Benemérita Universidad Autónoma de Puebla.
Лопес П., Габриэла. (2017). Регрессионные модели для функциональных данных по методологии репродуктивного ядра в гильбертовых пространствах. Диссертация на соискание ученой степени магистра по математическим наукам, Benemérita Universidad Autónoma de Puebla.
Марджори Дж. Хан (2001). Новая экспозиция по вероятности и статистике. 2-5.
Извлечено 9 июня 2018 года из базы данных AIP.
Мароне, Луис. (1994). Вклад фундаментальной науки в культуру и общество.
Interciencia, том 19 # 5, 264-266.
Мур, Дэвид С., Trad. Comas, Jordi (1995). Основная прикладная статистика (с. 118120). Испания: Редакция Антони Бош.
Наваррина, Фермин. И Кастелейро, Мануэль. (1991). Общий методологический анализ для оптимального дизайна. Международный журнал для численных методов в машиностроении, том 3 № 1, 85-111.
Ранджер, Джордж. И Монтгомери Дуглас. (тысяча девятьсот девяносто шесть). трад. Урбина, Мендал и Эдмундо Г.: Вероятность и статистика, применяемые к инженерии. (стр. 831-834, 856). Мексика: издательство Mc Graw Hill.
Sáenz C., Antonio (2012). Статистические заметки для инженеров. Хаэн университет. Извлечено 7 июня 2018 года с сайта:
www4.ujaen.es/~ajsaez/recursos/EstadisticaIngenieros.pdf
Seoane, Martin., Lureñas S., Martín & Moreno, Segovia (2007). Статистика: описательная статистика и логическая статистика. Извлечено 8 июня 2018 года из базы данных ScienceDirect. www.proxydgb.buap.mx:2179/science/article/pii/S113835930773945X
Вильяр, Лейсис и Феррер Майра (2016). Применение статистических инструментов для анализа показателей. 3-12. Извлечено 8 июня 2018 года из базы данных EBSCO.
www.proxydgb.buap.mx:2209/ehost/pdfviewer/pdfviewer?vid=4&sid=4a8a31 dc-6c87-434c-b8b0-56439efc3d15% 40sessionmgr103
Visweswariah, Chandu (2007). Страх, неуверенность и статистика. Извлечено 8 июня 2018 года из базы данных ACM.
www.proxydgb.buap.mx:2066/citation.cfm?id=1232032
Скачать оригинальный файл
