*경* 스토어

*경*

개인

팔로워0 팔로우

소개

등록된 소개글이 없습니다.

전문분야 등록된 전문분야가 없습니다.

판매자 정보

학교정보

입력된 정보가 없습니다.

직장정보

입력된 정보가 없습니다.

자격증

입력된 정보가 없습니다.

판매지수

판매중 자료수

9개
전체 판매량

33개
최근 3개월 판매량

0개
자료후기 점수

평균B
자료문의 응답률

-

전체자료 9개

[공급사슬관리] VMI 평가B괜찮아요

..PAGE:1Vendor Managed InventorySupply Chain Management..PAGE:2SCM 에서의 VMI정의Vendor Managed Inventory공급사슬의 운영효율을 높이기 위한 Strategic Alliance 방법Vendor가 하위단계의 Retailer인 수요정보와 재고정보를 공유, Retailer의 재고 수준을 관리하는 방법으로 언제, 얼마나 많은 양을 재주문할 것인지의 결정 권한을 대신 수행개념Stockout으로 인한 판매기회 손실을 줄이고, 소비자 요구에 맞춘 판매기회를 창출할 수 있는 공급체계공급사슬 내에서의 다른 기업과 Win-Win 전략을 통하여 상호이익을 창출하기 위한 협력방안목적Bullwhip Effect 감소, 소비자에 대한 Service level 향상Total system 코스트를 줄임으로써, 전체적인 공급사슬의 최적화고려대상- Retailer와 Long-term relationship을 가진 안정적인 Vendor- Forecast가 용이한 제품 (No seasonal fluctuation)- Cost Effective 한 Item (e.g:High Volume, High Profit Product)1/5..PAGE:3Manufacturer제품주문제품인도Typical Business ModelCRP를 도입한 VMI ModelProduct FlowInformation FlowRetailer’s WarehouseRetailer매출재고 Data매출재고 DataManufacture제품주문제품출하Retailer’s WarehouseRetailer매출재고 DataPOS판매,재고 정보(EDI)자동보충발주CAO제품인도VMI Model과 전제조건Willingness of Top management and all employeesTop management sponsorshipEmployee AcceptanceAdvanced information systemsdata synchronizationPOS(판매시점관리:Point-of-sale)CAO(자동발주시스템 : Computer Assisted Ordering)EDI(전자문서교환시스템:Electronic Data Interchange)CRP(지속보충프로그램:Continuous Replenishment Program)Certain levels of mutual trustRequirement for VMI Implementation2/5제품주문제품인도재고 Data..PAGE:4VMI의 기대 효과3/5Win - Win주문과 billing 감소Forecasting이 용이해짐에 따른 생산 및 재고 조절Cycle time 감소상품의 lead time 단축 및 재고 삭감수요 변동에 대처 용이고객 만족도 향상재고 감소주문과 billing 비용 절감주문 업무 및 재고 모니터링 업무 감소Stock availability 향상을 통한 매출 증가Service level의 증가주문, 발주 process의 신속성Vendor와 Distributor간의 partnership 형성주문 timing의 안정화..PAGE:5VMI 도입사례 (E-MART)VMI & JIT의 실현POS시스템을 활용해, 검색 비용이 없이 타겟 레벨까지의 주문량이 자동 발주Periodic Review SystemEDI시스템을 통한 협력업체와의 강한 파트너쉽(정보공유와 물류장비의 표준화)창고의 매장화공급자에서 고객으로의 평탄한 물류흐름반복적인 배달주기 Vender의 leveling 운영 가능창고의 진열= 판매단위 재고파악의 실시간화4/5VMI를 가능하게 한 E-MART의 인력체계E-MART 내에 협력업체의 직원을 상주시키고 재고를 관리최소화된 인원으로 매장 운영 인원비 절감협력업체 인력의 계속적인 자사판매 체크, 판촉활동 매출에 기여재고의 지속적인 체크 재고의 부족이 날 가능성을 최소화결과결과..PAGE:6결 론Retailer가 수요를 예측해 주문이 Upstream으로 올라가는 기존의 Supply Chain에서는, Beer Game을 통해 확인된 Bullwhip Effect가 발생한다. 따라서 Stockout을 줄이기 위한 노력으로 각 Facility는 일정량 이상의 재고(Safety Stock)를 항상 유지해야만 한다.우리가 이번에 다룬 VMI는 공급자(Vendor)가 Retailer로부터 받은 재고 및 판매 데이터를 가지고 제품을 공급하므로, 기존 Supply Chain에서 발생했던 Bullwhip Effect를 어느 정도 감소시킬 수 있어 전체 system의 운영 효율을 향상시킬 수 있다.VMI 시스템에서는 공급자 중심으로 주문에 필요한 정보를 파악하기 때문에, Whole Supply Chain의 관점에서 파악한 정보가 정확하지 못할 수도 있다. 또한 retailer는 VMI에 대해 지나치게 높은 기대를 가지는 한편, 공급자의 책임은 무거워지게 된다. 이를 극복하기 위한 방법의 하나로, 제조업체와 소매업체가 공통의 관점에서 공급망 관리를 하는 CPFR이 등장했다.CPFR(Collaborative Planning & Forecasting Replenishment)서비스는 제조업체와 소매업체간의 상호 거래된 정보를 바탕으로 적정생산규모의 관리 및 재고보충을 기할 수 있도록 자동으로 적정 발주량을 계산함으로써, 상품의 결품 및 과다재고에 좀더 효과적으로 대처할 수 있다.5/5..PAGE:7References[1] 공급사슬관리 SCM / 한동철 저 /Sigma insight / 2002[2] Caren A. et al., ”Effects of a preferred vendor relationship on an electrical component supplier and electrical contractor: A case study”, Arizona State University

공학/기술| 2003.06.23| 7페이지| 1,000원| 조회(1,341)

SCM, 공급사슬관리, VMI, Vendor Managed Inven

미리보기

닫기
[자동차 네비게이션 시스템 ] 자동차 네비게이션 시스템 평가C아쉬워요

자동차 네비게이션 시스템네비게이션이란교통혼잡이나 장거리 이동 중의 자동차 안에서 정보를 얻고 운전의 효율성을 높이기 위한 장치 운전자에게 효율적인 최적경로를 제공하는 시스템 정보를 제공하는 측면에서는 유용한 장치단순이동수단 정보통신의 사각지대 정보의 단절공간 차량 내공간=비경제적공간다목적기능성 정보통신활용공간 안전한 자동차 생산적인 자동차 즐거운 자동차네비게이션의 필요성운전자들의 초행길에 대한 걱정 해방과 짧은 주행시간, 연료소모의 감축 교통체증 감소와 배기오염의 감소 새로운 HIGH-WAY 시스템 새로운 시장 창출 길눈이 어두워 타 지역에 가면 동서남북 구분이 안 가는 사람들에게 유용 사업상 새로운 지역을 자주 방문할 때 전국 망을 가지고 영업을 할 때 자동차에서 생활하는 시간이 많을 때사용자의 수행작업의 특징① 차량 운행 중 (지리정보 탐색 시) - 사용자가 Navigation에 집중할 수 없음 - Multi-tasking이 원활하게 이루어져야 함 - 눈을 통한 정보수집 거의 불가능, 매우 제한적인 손을 통한 입력작업 가능 ② 일시정지 중 - 사용시간이 매우 짧음(1~3분 이내) - 단시간 내에 원하는 정보를 찾을 수 있어야 함 -차량운행중과 비교하여 비교적 사용자가 작업에 집중할 수 있지만 역시 Multitasking이 요구됨 ③ 정차 중 - 사용자가 Navigation에 집중가능 - 눈을 통한 정보 수집가능, 손을 이용한 입력작업 가능고려되어야 할 작업환경의 특성① 네비게이션의 위치에 따른 시각적 능력의 요구 ② 정신적 능력의 요구 ③ 시간적 능력의 요구 ④ 청각적 능력의 요구 ⑤ 운전의 어려움 ⑥ 제시정보 이해의 어려움 ⑦ 기타 등등기존 시스템의 문제점1. 대부분의 네비게이터가 실시간으로 길을 찾아주지 못하며, 일일이 상세정보를 찾기 위해 하위 링크로 운전자가 직접 이동해야 함→ 주행 중에 사용한다는 것을 고려할 때 매우 위험한 일! 2. 버튼들이 무엇을 상징하는지, 어떤 기능을 수행하게 될 지 모름:운전자들의 수행능력을 저하 운전자의 work스페이스를 고려하여 주요한 기능을 가진 버튼은 왼쪽에 위치 → 모든 기기는 누구나 사용하기 쉽게 compatible한 button을 가져야 한다. 3. North-Up Display: 북쪽을 기준하여 작성된 지도는 남쪽으로 진행하면 지도상의 좌우 방향과 차량의 진행방향 기준의 좌우 방향이 반대로 되어 있어 혼란야기 4. 도로의 사정을 보기 위해서 선택하는 과정에서, 모든 운전자가 고속도로의 이름만으로 행선지를 안다고 생각하는 것은 문제가 있다고 생각한다. 정확한 지명과 그 길을 타고 갈 경우 어느쪽으로 가게 되는지, 여러번의 조작 없이 가급적 빨리 알 수 있어야 한다.개선점 List1. 찾고 싶은 지역의 정보의 직접적인 입력 : 음성 검색과 text검색 운전 중의 text 검색의 어려움 음성 검색 억양과 발음에 따라 컴퓨터가 인식하는데 차이가 있을 수 있지만, 이 어려움만 해결된다면 최상책이라 할 수 있다.(사실 nate drive라는 이름의 서비스는 이미 실시 중). 현재 가는 길의 정보와 운전자가 선택할 수 있는 몇 가지의 경우를 네비게이터 쪽에서 역으로 묻는 out-bound questioning도 생각 해 볼 수 있겠다. 운전자의 집중력을 흐트러지게 할 우려 소지 2. 터치스크린의 사용: 좀더 구체화 된 GUI를 적용 화면 확대 및 축소 버튼, 좌우상하로 자료화면을 이동시키는 버튼, 도로에 대한 서비스성 정보(그 주변의 관광지, 화장실,휴게실, 주유소 등등)를 제공하는 버튼으로 활용 버튼을 통해 화면의 조정이라던가, 기능 전환 등을 설정 할 수 도 있고, TV 방송 수신 기능 등 외부기능으로 손쉽게 전환 3. 현재 주행하는 도로와 그 도로와 연결된 도로 위주의 정보 제공 : '~~방면'이라는 표기로 바꾸면, 개선이 될 것이다.네비게이션 가안도전화정보를 말해주는 SPEAKER음성 인식기화면 확대/축소도로 주변 정보 제공전화기능으로 전환TV 및 RADIO 기능 제공터치 스크린 안으로 이 기능을 모두 넣을 수도 있다.흡착식 장착기존의 고정식 거치대 → 흡착식 거치대 사용차량흠집이 전혀 안 나고 여러 차량 사용가능네비게이션 디자인 (1)등록된 교통 정체지역을 회피하여 경로탐색기능 - 모든경로 탐색시 상습 교통정체 지역을 회피하여 안전하고 빠른 길을 찾아준다. 통신시스템과 연결, 교통 정보를 알 수 있다.네비게이션 디자인 (2)차량 주행방향 지도회전(Heading Up Display)기능 - 북쪽을 기준하여 작성된 지도는 남쪽으로 진행할 시, 지도상의 좌우 방향과 차량의 진행방향 기준의 좌우 방향이 반대 차량의 진행방향이 진북 기준으로 특정각도 (5~45도)이상 이탈하면 지도를 회전 시켜 차량의 주행방향과 일치시켜서 운전자의 진행방향을 명확히 알려준다.2차선도로2차선도로용백가든용백가든네비게이션 디자인 (3)전국 주요시설 위치 검색기능 - 전국의 주요 시설을 종류로 분류하여 찾아준다. 명칭 및 지역(군/구단위)에 따른 시설물의 분류 검색도 가능하다 주행시 음성안내기능 - 탐색된 경로를 주행 중 진행방향이 변경되는 지점 수 백m 전에 회전방향에 대한 상황을 음성으로 예고 진행방향이 변경되는 순간에도 음성으로 회전방향을 알려서 차량의 주행을 도와줌. 교차로 확대도와 함께 차량 네비네이션에서 가장 핵심적인 기능결 론{nameOfApplication=Show}

공학/기술| 2003.06.20| 13페이지| 1,000원| 조회(1,797)

네비게이션, 네비게이션디자인, Navigation

미리보기

닫기
[통계] 컨조인트분석(SAS) 평가A좋아요

CONJOINT ANALYSIS과제 : Conjoint Analysis웹 브라우저에서 사용되고 있는 한글의 가독성에 영향을 미치는 요인들인 글자 Font, Size, Line Spacing을 바탕으로 한글에서의 Typography의 최적조건을 찾으려고 한다. 이를 위해서 웹 서핑 시간이 많은 대학생 12명을 대상으로 실험을 실시하였다. 아래의 (표1)은 3개 요인과 그에 대한 수준을 보여 주며, (표2)는 실험결과 얻은 Raw Data이다. 3개의 요인 요인들에 의해서 설명되어지는 한글 가독성의 상대적 중요도와 이상적인 조합을 Conjoint Analysis를 이용하여 분석하라.표1. 3개 요인과 수준실험조건Font: AA1: 굴림A2: 돋움A3: 바탕Size: BB1: 10pointB2: 12pointLine Spacing: CC1: 100%C2: 150%Preference (1: 매우 안좋음 ~ 7: 매우 좋음)표2. Raw Data123456789101112A1*B1*C1354513133421A1*B1*C2576654455647A1*B2*C1252723253345A1*B2*C2575764555644A2*B1*C1453413332525A2*B1*C2444523643534A2*B2*C*************A2*B2*C2545554454644A3*B1*C*************A3*B1*C2262544243333A3*B2*C1211513342331A3*B2*C2434664454544Conjoint Analysis한글에서의 Typography의 최적조건을 찾기 위한 실험에서 한글의 가독성에 영향을 미치는 속성 및 수준을 다음과 같이 선정하였다.Font: 굴림, 돋움, 바탕Size: 10point, 12pointLine Spacing: 100%, 150%따라서 총 조합수는 3*2*2=12가 되며, 12명의 평가자들이 선호도를 1~7(1: 매우 안좋음 ~ 7: 매우 좋음)까지 순위를 부여하였다. 아래에 나오는 [표 1]은 SAS code이다.[표 1. SAS coNOTE: Algorithm converged.The SAS System 421:38 Wednesday, April 9, 2003TRANSREG MORALS Algorithm Iteration History for MONOTONE(SUBJ3)Iteration Average Maximum Squared CriterionNumber Change Change Multiple R Change---------------------------------------------------------------1 0.05630 0.33230 0.68060 .2 0.01210 0.09219 0.80179 0.121183 0.00579 0.04260 0.80470 0.002914 0.00285 0.02075 0.80540 0.000705 0.00141 0.01023 0.80557 0.000176 0.00070 0.00507 0.80562 0.000047 0.00035 0.00252 0.80563 0.000018 0.00017 0.00125 0.80563 0.000009 0.00009 0.00062 0.80563 0.0000010 0.00004 0.00031 0.80563 0.0000011 0.00002 0.00015 0.80563 0.0000012 0.00001 0.00008 0.80563 0.0000013 0.00001 0.00004 0.80563 0.00000NOTE: Algorithm converged.The SAS System 521:38 Wednesday, April 9, 2003TRANSREG MORALS Algorithm Iteration History for MONOTONE(SUBJ4)Iteration Average Maximum Squared CriterionNumber Change Change Multiple R Change---------------------------------------------------------------1 0.20507 1.002Iteration History forMONOTONE(AVERAGE)Iteration Average Maximum Squared CriterionNumber Change Change Multiple R Change---------------------------------------------------------------1 0.05336 0.34735 0.90372 .2 0.01289 0.05080 0.97695 0.073233 0.00739 0.02971 0.97803 0.001084 0.00426 0.01694 0.97836 0.000335 0.00245 0.00959 0.97847 0.000106 0.00141 0.00543 0.97850 0.000037 0.00081 0.00308 0.97851 0.000018 0.00047 0.00175 0.97851 0.000009 0.00027 0.00101 0.97851 0.0000010 0.00016 0.00058 0.97851 0.0000011 0.00009 0.00034 0.97851 0.0000012 0.00005 0.00020 0.97851 0.0000013 0.00003 0.00011 0.97851 0.0000014 0.00002 0.00007 0.97851 0.0000015 0.00001 0.00004 0.97851 0.0000016 0.00001 0.00002 0.97851 0.00000NOTE: Algorithm converged.The SAS System 1521:38 Wednesday, April 9, 2003AS S S VS S S S S S S S S U U U EC U U U U U U U U U B B B RO O B B B B B B B B B J J J AB M J J J J J J J J J 1 1 1 GS B 1 2 3 4 5 6 7 8 9 0 1 2 E1 굴림,10pt,100% 3 5 4 5 1 3 1 3 3 4 2 1 2.916672 굴림,10pt,150% 5 7 6 6 0000011 0.00001 0.00004 0.71675 0.0000012 0.00000 0.00002 0.71675 0.00000NOTE: Algorithm converged.The SAS System 2621:38 Wednesday, April 9, 2003TRANSREG MORALS Algorithm Iteration History for MONOTONE(SUBJ11)Iteration Average Maximum Squared CriterionNumber Change Change Multiple R Change---------------------------------------------------------------1 0.12202 0.55679 0.78819 .2 0.01984 0.15515 0.83934 0.051153 0.00257 0.01866 0.84326 0.003914 0.00079 0.00363 0.84331 0.000055 0.00045 0.00156 0.84331 0.000006 0.00027 0.00092 0.84331 0.000007 0.00016 0.00055 0.84331 0.000008 0.00010 0.00033 0.84331 0.000009 0.00006 0.00020 0.84331 0.0000010 0.00004 0.00012 0.84331 0.0000011 0.00002 0.00007 0.84331 0.0000012 0.00001 0.00004 0.84331 0.0000013 0.00001 0.00003 0.84331 0.00000NOTE: Algorithm converged.The SAS System 2721:38 Wednesday, April 9, 2003TRANSREG MORALS Algorithm Iteration History for MONOTONE(SUBJ12)Iteration Average Maximum Squared CriterionNumber Change Change Multiple R Change-NLINE49 0.65812 -0.54498 -1.8101550 0.65812 -0.54498 1.8101551 0.65812 0.54498 -1.8101552 0.65812 0.54498 1.8101553 -0.59089 -0.54498 -1.8101554 -0.59089 -0.54498 1.8101555 -0.59089 0.54498 -1.8101556 -0.59089 0.54498 1.8101557 -0.06723 -0.54498 -1.8101558 -0.06723 -0.54498 1.8101559 -0.06723 0.54498 -1.8101560 -0.06723 0.54498 1.81015--- Dependent Variable Transformation(Name)=MONOTONE(SUBJ6) ----_ TD _E D T T TP E N N NC V P F S LO O A E O I IB M R N N Z NS B _ D T E E61 굴림,10pt,100% MONOTONE(SUBJ6) -0.64010 0 -0.21337 -0.4267362 굴림,10pt,150% MONOTONE(SUBJ6) 0.64010 0 -0.21337 0.4267363 굴림,12pt,100% MONOTONE(SUBJ6) -0.64010 0 0.21337 -0.4267364 굴림,12pt,150% MONOTONE(SUBJ6) 0.64010 0 0.21337 0.4267365 돋움,10pt,100% MONOTONE(SUBJ6) -0.64010 0 -0.21337 -0.4267366 돋움,10pt,150% MONOTONE(SUBJ6) -0.64010 0 -0.21337 0.4267367 돋움,12pt,100% MONOTONE(SUBJ6) 0.64010 0 0.21337 -0.4267368 돋움,12pt,150% MONOTONE(SUBJ6) 0.64010 0 0.21337 0.4267369 바탕,10pt,100% MONOTONE(SUBJ6) -0.64010 0 -0.21337 -0.425521

공학/기술| 2003.04.17| 50페이지| 1,000원| 조회(1,025)

컨조인트, conjoint, Conjoint Analysis

미리보기

닫기
[통계] MDS Analysis

과제: Multi Dimension Scaling (MDS)우리나라 승용차 시장에서 17개 승용차 모델(평가대상)에 대하여 시장 세분화(Market Segmentation) 전력을 위하여 대상 모델을 비교 평가 하려고 한다. 이를 위해 국내 자동차 관련 전문가 25명의 평가자에게 질문지를 의뢰하였다. 17개의 모델에 대한 점수로 각각에 대한 선호도를 0~9까지 등급으로 0점으로 갈수록 매우 선호하지 않음을 의미하고, 9점으로 갈수록 매우 선호함을 표시 하도록 하였다. 그리고 소비자들이 이상적으로 생각하는 이상적인 속성이 어떤 곳에 위치하고 있는가를 보기 위하여 각 자동차에 대해서 평가한 속성들은 자동차의 연비(MPG), 안정감(RELIABLE), 주행시 안정감(RIDE)로 1점에서 5점까지 측정하였다(1점은 나쁨, 5점은 좋음). 평가 결과 얻은 Raw Data는 아래와 같다. 본 과제에서 대상과 평가자를 동시에 위치(Position) 시켜주는 MDPREF (Muti Dimensional PREFerence)와, 이에 의해 작성된 공간상에 대상을 나타내주는 구체적인 속성을 동시에 위치시켜주는 PREFMAP (PREFerence MAP)을 도식화(Visualization)하고, 결과를 해석하시오.표2. Raw Data판단자의 선호속성선호NoCardsJ1J2J3J4J5J6J7J8J9J10J11J12J13J14J15J16J17J18J19J20J21J22J23J24J25MPRERI1CadiliacEldorado80079*************10938093242ChevoletChevette0**************************23ChevoletCitation*************6435447477954154ChevoletMalibu6*************455456686583345FordFairmont**************************346FordMustang*************1*************27FordPinto002100037360 0.88883 0.400852 0.00318 0.01338 0.47104 0.070203 0.00019 0.00080 0.47110 0.000054 0.00001 0.00005 0.47110 0.000005 0.00000 0.00000 0.47110 0.00000 ConvergedAlgorithm converged.The TRANSREG ProcedureTRANSREG MORALS Algorithm Iteration History for Monotone(reliable)Iteration Average Maximum CriterionNumber Change Change R-Square Change Note------------------------------------------------------------1 0.13525 0.60296 0.518582 0.00164 0.01069 0.64515 0.126573 0.00046 0.00553 0.64519 0.000044 0.00011 0.00135 0.64520 0.000005 0.00003 0.00033 0.64520 0.000006 0.00001 0.00008 0.64520 0.00000 ConvergedAlgorithm converged.The TRANSREG ProcedureTRANSREG MORALS Algorithm Iteration History for Monotone(ride)Iteration Average Maximum CriterionNumber Change Change R-Square Change Note-----------------------------------------------------------1 0.04462 0.27127 0.242802 0.01579 0.10182 0.25003 0.007233 0.00954 0.06449 0.25148 0.001464 0.55746 4.80641 0.25202 0.000535 0.00346 0.02414 0.25221 0.000erge, however criterion change is less than 0.0001.WARNING: The number of observations is less than or equal to the number of variables.WARNING: Multiple optimal solutions may exist.Preference Rating for Automobiles 5915:34 Monday, April 14, 2003Obs _TYPE_ _NAME_ judge1 judge2 judge3 judge4 judge5 judge61 SCORE Eldorado 10.1151 0.0379 0.66491 5.8656 10.8332 9.000002 SCORE Chevette 2.1632 0.0379 4.24757 3.1433 1.2751 0.000003 SCORE Citation 3.2853 0.0379 4.24757 3.5965 1.2751 0.000004 SCORE Malibu 3.2853 0.0379 0.66491 5.8656 1.5273 0.000005 SCORE Fairmont 2.1632 0.0379 0.66491 3.5965 1.2751 0.000006 SCORE Mustang 3.2853 0.0379 0.66491 5.8656 1.2751 9.000007 SCORE Pinto 2.1632 0.0379 0.66491 3.1433 1.2751 0.000008 SCORE Accord 3.2853 10.3555 4.24757 5.8656 5.6193 9.000009 SCORE Civic 3.2853 6.7882 4.24757 5.8656 5.1781 0.0000010 SCORE Continental 7.3358 0.0379 0.66491 8.0335 10.8332 9.0000011 SCORE Gran Fury 7.3358 0.0379 0.66491 5.8656 1.2751 0.0000012 SCORE Horlzon 2.1632 0.0379 0.6648 1.0000 -0.41269 0.87297 judge25Preference Rating for Automobiles 6315:34 Monday, April 14, 2003The FACTOR ProcedureInitial Factor Method: Principal ComponentsPrior Communality Estimates: ONEEigenvalues of the Correlation Matrix: Total = 25 Average = 1Eigenvalue Difference Proportion Cumulative1 16.0682170 11.2025454 0.6427 0.64272 4.8656716 2.6458706 0.1946 0.83743 2.2198010 1.7466842 0.0888 0.92614 0.4731168 0.0862817 0.0189 0.94515 0.3868351 0.0858877 0.0155 0.96056 0.3009474 0.0823687 0.0120 0.97267 0.2185788 0.0542784 0.0087 0.98138 0.1643004 0.0288909 0.0066 0.98799 0.1354095 0.0744723 0.0054 0.993310 0.0609372 0.0195542 0.0024 0.995811 0.0413830 0.0177057 0.0017 0.997412 0.0236772 0.0030881 0.0009 0.998413 0.0205892 0.0121286 0.0008 0.999214 0.0084606 0.0020495 0.0003 0.999515 0.0064111 0.0029643 0.0003 0.999816 0.0034468 0.0019988 0.0001 0.999917 0.0014480 0.0010239 0.0001 1.000018 0.0004241 0.0001608 0.0000 1.000019 0.0002633 0.0001944 0.0000 1.000020 0.0000689 0.0000614 0.0000642 0.82995 0.0000028 0.00037 0.00573 0.82995 0.0000029 0.00031 0.00510 0.82995 0.0000030 0.00027 0.00454 0.82995 0.00000 Not ConvergedWARNING: Failed to converge, however criterion change is less than 0.0001.WARNING: The number of observations is less than or equal to the number of variables.WARNING: Multiple optimal solutions may exist.Preference Rating for Automobiles 310:05 Tuesday, April 15, 2003Obs _TYPE_ _NAME_ Prin1 Prin2 model mpg reliable ride1 SCORE Eldorado -1.06117 2.35377 Eldorado 3 2 42 SCORE Chevette -0.55718 -0.79036 Chevette 5 3 23 SCORE Citation -0.44200 -0.72088 Citation 4 1 54 SCORE Malibu -0.53592 -0.55493 Malibu 3 3 45 SCORE Fairmont -0.48902 -0.73090 Fairmont 3 3 46 SCORE Mustang -0.32998 -0.48664 Mustang 3 2 27 SCORE Pinto -0.70438 -0.81702 Pinto 4 1 18 SCORE Accord 1.38591 0.04048 Accord 5 5 39 SCORE Civic 0.88338 -0.46144 Civic 5 5 310 SCORE Continental -0.98082 2.32094 Continental 2 4 511 SCORE Gran Fury -0.56490 -0.20849 Gran Fury 2 1 512 SCORE Horlzon -0de

공학/기술| 2003.04.17| 68페이지| 1,000원| 조회(933)

SAS, MDS Analysis, mds, 다차원척도

미리보기

닫기
[통계] 통계의 기초 평가A+최고예요

1. 중심극한정리(Central Limit Theorem)많은 응용문제에서는 확률변수의 근사치로서 정규분포를 이용하고 있으나 이와 반대로 확률변수가 정규분포와는 판이하게 다른 분포를 하는 경우도 많다. 이와 같은 경우 정규분포의 가정을 내세운다는 것은 분명히 모순이다. 그러나 다음의 조건을 만족한다면 확률변수가 정규분포를 하지 않는 경우에도 중심극한정리에 의하여 정규분포의 가정을 내세울 수 있다.X1 ... Xn이 평균이 μ이고 분산이 {sigma^2인 모집단으로부터 선택된 크기 n의 확률표본을 나타낸다고 하자. 그 적률모함수가 존재한다면{Z= {barX - mu} over {sigma/sqrtn}라고 할 수 있고,{rm overlineX가 표본평균이라 하면 n이 클 때 모집단이 어떤 분포이건 상관없이{rm overlineX는 근사적으로 평균이 μ이고 분산이{sigma^2/n인 정규분포를 가지며 n이 충분히 클 때 N(0,1)에 수렴한다.증명){{M_z}(t)=E[{e^tz}]~{=E[exp"{"{t({bar X}-mu) {SQRT { n}}over{ sigma }"}"}]{=e^{-muSQRT { n}over{ sigma }t}E[exp( t over {sigma SQRT { n}} SUM X_i})]}{=e^{-muSQRT { n}over{ sigma }t}*E[e^{tX_1 / sigma SQRT { n}} ]* E[e^{tX_2 / sigma SQRT { n}} ]*...*E[e^{tX_n / sigma SQRT { n}} ]{X_i는 동일한 분포를 하므로 {E[e^{tX_i/ sigma SQRT { n}} ]=Mx~({t over {sigma SQRT { n}}})라고 하면{{M_z}(t)=e^{mu~t~SQRT { n}/ sigma}"{"Mx~({t over {sigma SQRT { n}}})"}"^2{Mx~({t over {sigma SQRT { n}}})를 Maclaurine급수로 전개한 다음 윗 식의 양변에 ln을 취하면{ln Mx~(t)=-{mu SQRT { n} over sigma}t+n ln{({1}+{t} over {sigmasqrt{n}}}E[X]+{t^2} over {2sigma^2{n}}}E[{X^2}]+...)그런데 Z =3{E[X]=mu, ~{sigma^2}=E[{X^2}]-"{"{E[X]}"}"^2이므로{ln~Mz(t)={t^2 over 2}+ theta ^k ~의~ 항,~k>=3{theta ^k항을 관찰하면 {n^{-{k over 2}+1}의 인자를 가지고 있음을 알 수 있다. {k>=3 이므로n→ 이면 {k>=3의 모든 k 에 대하여 {theta ^k의 항→0이다. 즉{lim from { n -> inf }ln Mz(t)={t over{2}}{Lim from { n -> inf } Mz(t)=e^{{t^2}over 2}{e^{{t^2}over 2}은 {N(0,1)의 적률모함수이다 .중심극한의 정리에 의하면 n개 독립된 확률변수 {X_1 , X_2 , ~...~,X_n~은 하나의 변수가 정규분포가 아닌 다른 어떤 분포를 하더라도 이들 변수의 총합이나 산술평균치는 n이 충분히 크면 사실상 그 근사치로 정규분포를 사용할 수 있음을 말해주고 있다.{{2. t분포와 응용t분포정규분포를 하는 모집단의 평균치에 관한 검정이나 추정문제에서는 모집단의 표준편차를 알고 있다는 것이 중요한 전제조건이 된다. 그러나현실적으로 모집단의 표준편차를 안다는 것을 불가능하다. 모집단의 표준편차를 안다는 것은 모집단 평균도 알고 있다는 것을 의미하는데 이것은 모순된 말이다. 왜냐하면 모집단의 표준편차를 구하기 위해서는 모집단 평균도 알아야하기 때문이다. 그러므로 모집단의 표준편차가 알려졌을 경우의 모집단 평균에 대한 추정은 신뢰구간추정의 이론적인 근거를 설명하는데 사용될 뿐 현실적으로는 거의 사용되지 않는다. 모집단의 표준편차 {sigma를 모르는 경우에는 Z값을 계산할 수 없기 때문에 Z분포대신 t분포를 이용하여 해결할 수 있다.표준정규분포 N(0,1) 를 따르는 확률변수를 Z라고 하고 이와는 독립이며 자유도 k인 카이제곱 분포를 따르는 확률변수를 V라고 할 때{T={Z} over { SQRT { V/k}}의 분포를 자유도 k인 t 분포라고 한다. 이 때 기호로는 {T `sim` t(k)라고 표시한다.{* t 분포의 특징1. t분포는 종모양의 형태로 표준정규분포와 대체로 같은 모양을 가져 평균은 0이다.2. t분포는 분포의 자유로라 불리는 에 의존한다. 모평균에 대한 신뢰구간을 구성할 때 적절한 자유도는 =(n-1)이다. 여기서 n은 표본크기이다.3. t분포의 분산은 /( -2)로 항상 1보다 크다( 〉2). 가 증가함에 따라 이 분산은 1 에 접하고 모양도 표준정규분포에 접근한다.4. 표준정규변수 Z의 분산이 1인 반면에 t의 분산이 1보다 크므로 t분포는 표준정규 분포보다 중간에서 약간 더 평평하고 두터운 꼬리를 갖는다.{{barX - mu} over {S/sqrtn }~의 ~분포정규분포의 평균치의 관한 검정 및 신뢰구간 추정문제에서는 통계량 {{barX - mu} over {sigma/sqrtn }이 표준정규분포를 한다는 사실이 문제 해결의 기본이 된다. 그러나 이와 같은 방법은 과거의 데이터로부터 표준편차를 알고 있는 경우에 한해서 적용될 수 있는 것으로 과거의 데이터가 없거나 또는 신뢰성 있는 표준편차의 추정치를 얻는데 필요한 크기의 표본을 얻을 수 없는 경우에는 적용할 수 없다.이럴 경우에는 아래에 나온 것처럼 t 분포를 이용한다.{X_1 , X_2 , ~...~,X_n~ 이 ~정규분포~ N(mu,sigma^2 )으로부터 추출된 표본크기 n인 확률표본의 구성요소일 때 {sigma를 표본 표준편차인 S로 대체하면,{T = {barX - mu} over {S/sqrtn }={{(barX - mu)}/({ sigma }over{ SQRT { n}})}over{ SQRT { { (n-1)S^2} over {sigma^2 }/(n-1) }}{{(barX - mu)}/({ sigma }over{ SQRT { n}})} sim N(0,1){(여기서~~S= SQRT{ { SUM {(X- barX)}^2 } over {n-1 } }~)이고{{ (n-1)S^2} over {sigma^2 } sim chi^2{(n-1)}이며 {barX ~ 와 ~S^2는 서로 독립하는 것으로 알려져 있으므로 확률변수 T는 자유도가 n-1인 t분포를 한다. (t분포는 n이 커짐에 따라 표준정규분포에 접근한다.)두 표본 평균치 차의 분포이번에는 분산이 동일한 두 정규모집단 {N({mu_1},sigma^2 ),{N({mu_2},sigma^2 )에 대해서 생각한다면{{({overlineX} - {overlineY}) - (mu_1 - mu_2 )} over {S_P sqrt{ 1/n_1 +1 /n_2}}={"{"[{({overlineX} - {overlineY} ) - (mu_1 - mu_2 )}]/(sigma SQRT{ {1/n_1} +{ 1 /n_2 } )}" }"}over {{SQRT {({n_1}+{n_2}-2){S^2}_p over sigma^2 }/(n_1 + n_2 -2)}}{{단,~{{S_P}^2}={[{({n_1}-1)S_1^2}+{({n_2}-1)S_2^2}]}/({n_1}+{n_2}-2){{"{"[{({overlineX} - {overlineY} ) - (mu_1 - mu_2 )}]/(sigma SQRT{ {1/n_1 + 1 /n_2 } )}" }"} simN(0,1){{{ {({n_1}+{n_2}-2){S^2}_p over sigma^2 }~sim~chi^2{(n_1 + n_2 -2)}}}이며 이들은 서로 독립임이 알려져 있다.따라서 t분포의 정의로부터{{({overlineX} - {overlineY}) - (mu_1 - mu_2 )} over {S_P sqrt{ 1/n_1 +1 /n_2}}sim~t({n_1}+{n_2}-2)임을 알 수 있다.표본의 크기 n이 커지게 되면 t분포는 정규분포와 유사해지므로 정규분포를 이용하여 통계적 추정을 해도 큰 무리가 없다. 엄밀하게 말하자면 모집단 표준편차 {sigma을 모를 경우에는 t분포를 사용하여 신뢰구간을 추정하는 것이 원칙이었지만, 표본의 크기가 크면(일반적으로 n{>=30 일 경우) t값과 Z값에 큰 차이가 없기 때문에 t분포대신 Z분포를 이용하여 신뢰구간을 추정해도 결과는 비슷해진다.t 분포표에서 행은 자유도를 열은 오차율 {alpha를 나타낸다. t값을 표시할 때는 다음과 같은 기호를 사용한다. 자유도가 n-1이고 오른쪽 꼬리의 면적이 {alpha인 t 값은 {t_alpha,n-1이라고 표시한다. 예를 들어 t 분포표에서 {t_0.05,20의 값은 1.725이다.모분산을 모르고 있는 경우(t-검정){T_0 `=` {bar X `- `mu_0 } over {S `/ root n }``sim` t(n-1)귀무가설이 {H_0~ : ~mu = mu_0인 경우에 검정통계량은, 여기서 {S^2 `=` 1 over n-1 SUM from i=1 to n ( X_i `-` barX `)^2`{대립가설유의수준{alpha인 기각역{H_1~ : ~mu > mu_0{H_1 ~ : ~mu < mu_0{H_1~ : ~mu not = mu_0{t_0 > t_n-1(alpha){t_0 < -t_n-1(alpha){LEFT | t_0 RIGHT | > t_n-1 ( alpha over2 ){n`이 크면 {N(0,``1)`을 사용t분포를 이용한 신뢰구간 추정모집단의 표준편차 {sigma를 알지 못할 때 t분포를 이용하려 모집단 평균의 신뢰구간을 추정하는 방법은 Z값 대신 t 값을 이용한다는 것을 제외하고는 정규분포를 이용하여 신뢰구간을 추정하는 것도 유사하다. t분포를 이용하는 경우 신뢰도 1-{alpha인 모집단평균의 신뢰구간은 다음과 같다.신뢰구간의 계산공식(모집단의 표준편차 {sigma를 모르는 경우){rm ~overlineX - t_ /2,n-1~ S over sqrtn ~

자연과학| 2001.12.25| 12페이지| 1,000원| 조회(1,899)

통계, 카이제곱, 중심극한정리, t분포, F분포

미리보기

닫기