Gruppierte Daten Exponentiell Gewichtete Gleit Durchschnitt Kontroll Charts

Titre du document Dokumententitel Gruppierte Daten Exponentiell gewichtete gleitende durchschnittliche Kontrollkarten Auteur (s) Autor (en) Mitgliedschaft (en) du ou des auteurs Autor (en) Zugehörigkeit (en) (1) Universität von Waterloo, KANADA Rsum Abstract In der Herstellung Von Metall-Befestigungselementen in einem progressiven Werkzeugbetrieb und anderen industriellen Situationen können wichtige Qualitätsabmessungen nicht kontinuierlich gemessen werden, und hergestellte Teile werden unter Verwendung eines Schrittmessers in Gruppen eingeteilt. Dieses Papier schlägt eine Version von exponentiell gewichteten gleitenden Durchschnitt (EWMA) Kontrollkarten vor, die für die Überwachung der gruppierten Daten für Prozessverschiebungen gelten. Die Lauflängeneigenschaften dieses neuen gruppierten Daten-EWMA-Diagramms werden mit ähnlichen Ergebnissen verglichen, die zuvor für EWMA-Diagramme für Variablendaten und mit denen für kumulative Summen - (CUSUM-) Schemata auf der Grundlage von gruppierten Daten erhalten wurden. Gruppierte Daten EWMA-Charts sind nahezu so effizient wie Variablen-basierte EWMA-Charts und sind damit eine attraktive Alternative, wenn die Erfassung von Variablendaten nicht möglich ist. Darüber hinaus sind gruppierte Daten EWMA-Diagramme weniger von der Diskrepanz betroffen, die in gruppierten Daten inhärent ist als gruppierte Daten CUSUM-Diagramme. In der Metallbefestigungsanwendung waren gruppierte Daten EWMA-Diagramme einfach zu implementieren und erlaubten die schnelle Erkennung von unerwünschten Prozessverschiebungen. Revue Journal Titel Quelle Quelle 1998, Bd. 47, Nr. 2, S. 203-216 (19 Lit.) Langue Sprache Editeur Herausgeber Wiley-Blackwell, Oxford, ROYAUME-UNI (1952) (Revue) Mots-cls anglais Englisch SchlagwörterDas exponentiell gewichtete Moving Average (EWMA) ist eine Statistik Zur Überwachung des Prozesses, der die Daten in einer Weise vermittelt, die den Daten weniger und weniger Gewicht verleiht, da sie zeitlich weiter entfernt werden. Vergleich der Shewhart-Kontrollkarte und der EWMA-Kontrolltafeltechniken Für die Shewhart-Chartsteuerungstechnik hängt die Entscheidung über den Stand der Kontrolle des Prozesses zu jeder Zeit (t) allein von der aktuellsten Messung aus dem Prozess ab und natürlich, Der Grad der Richtigkeit der Schätzungen der Kontrollgrenzen aus historischen Daten. Für die EWMA-Steuerungstechnik hängt die Entscheidung von der EWMA-Statistik ab, die ein exponentiell gewichteter Durchschnitt aller bisherigen Daten einschließlich der letzten Messung ist. Durch die Wahl des Gewichtungsfaktors (Lambda) kann das EWMA-Steuerungsverfahren auf eine kleine oder allmähliche Drift im Prozess empfindlich gemacht werden, während das Shewhart-Steuerungsverfahren nur dann reagieren kann, wenn der letzte Datenpunkt außerhalb einer Kontrollgrenze liegt. Definition von EWMA Die Statistik, die berechnet wird, ist: mbox t lambda Yt (1-lambda) mbox ,,, mbox ,,, t 1,, 2, ldots ,, n. Wo (mbox 0) ist der Mittelwert der historischen Daten (Ziel) (Yt) ist die Beobachtung zum Zeitpunkt (t) (n) ist die Anzahl der zu überwachenden Beobachtungen einschließlich (mbox 0) (0 Interpretation der EWMA-Kontrollkarte Die rot Punkte sind die Rohdaten, die die gezackte Linie ist die EWMA-Statistik im Laufe der Zeit. Die Grafik sagt uns, dass der Prozess in der Steuerung ist, weil alle (mbox t) zwischen den Kontrollgrenzen liegen, aber es scheint ein Trend nach oben für die letzten 5 zu sein PeriodenGrouped Daten Exponentiell gewichtete Moving Average Control Charts Bei der Herstellung von Metallbefestigungen in einem progressiven Werkzeugbetrieb und anderen industriellen Situationen können wichtige Qualitätsabmessungen nicht kontinuierlich gemessen werden, und hergestellte Teile werden in Gruppen unter Verwendung eines Schrittmessers eingeteilt (EWMA) - Schaltkarten, die für die Überwachung der gruppierten Daten für Prozessverschiebungen anwendbar sind. Die Lauflängeneigenschaften dieses neuen gruppierten Daten EWMA-Diagramms werden mit ähnlichen Ergebnissen verglichen, die zuvor für EWMA-Diagramme erhalten wurden Variablen Daten und mit denen für kumulative Summe (CUSUM) Schemata auf der Grundlage von gruppierten Daten. Gruppierte Daten EWMA-Charts sind nahezu so effizient wie Variablen-basierte EWMA-Charts und sind damit eine attraktive Alternative, wenn die Erfassung von Variablendaten nicht möglich ist. Darüber hinaus sind gruppierte Daten EWMA-Diagramme weniger von der Diskrepanz betroffen, die in gruppierten Daten inhärent ist als gruppierte Daten CUSUM-Diagramme. In der Metallbefestigungsanwendung waren gruppierte Daten EWMA-Diagramme einfach zu implementieren und erlaubten die schnelle Erkennung von unerwünschten Prozessverschiebungen. Entdecken Sie die Weltforschung Zitate Zitate Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitat Zitiert Steiner 14 zeigte eine Version von exponentiell gewichteten gleitenden Durchschnitt (EWMA) Kontrollkarten an, die für die Überwachung der gruppierten Daten für Prozessverschiebungen gelten. Die Längeneigenschaften dieser neuen gruppierten EWMA-Diagramme werden mit ähnlichen Ergebnissen verglichen, die zuvor für EWMA-Diagramm-Variablendaten mit denen für kumulative Summen (CUSUM) - Systeme auf der Grundlage von gruppierten Daten erhalten wurden. Auszug Auszug ausblenden ABSTRAKT: In dieser Arbeit diskutieren wir drei analytische Zeitreihenmodelle zur Auswahl der effektiveren mit genauen Prognosemodellen unter anderem. Wir analysieren analytisch die stochastische Realisierung unter Verwendung von (i) k-ten gleitenden Durchschnitt, (ii) k-ten gewichteten gleitenden Durchschnitt und (iii) k-ten exponentiell gewichteten gleitenden Durchschnittsprozessen. Die Prüfmethoden wurden für 1000 unabhängige Datensätze für fünf verschiedene Parameter mit möglichen Aufträgen p q 5 angewendet. Wir betrachten stationäre Daten () 0 d. Und nicht-stationäre Daten mit ersten und zweiten Differenzen () 1, 2 d für ARIMA-Modelle. Wir betrachten kurzfristig () 50 n und langfristig, () 500 n Beobachtungen. Für den täglichen Schlusskurs des Aktienpreises der PALTEL-Gesellschaft in Palästina wurde ein ähnlicher Prognosemodell entwickelt und ausgewertet. Der wichtigste Befund ist, dass in den meisten simulierten Datensätzen eines oder mehrere der vorgeschlagenen Modelle eine bessere Prognosegenauigkeit als das klassische Modell (ARIMA) geben. Speziell in den meisten simulierten Datensätzen 3 Zeit Exponential Weighted Moving Average auf der Grundlage autoregressiver integrierter Moving Average (EWMA3-ARIMA) ist das beste Prognosemodell unter allen anderen Modellen. Für PALTEL Stock Price ist das beste Prognosemodell 3 mal Moving Average basierend auf Autoregressive Integrated Moving Average (MA3-ARIMA) unter allen anderen Modellen. Volltext Artikel Jan 2013 Internationale Zeitschrift für Qualität im Gesundheitswesen Samir K Safi Issam Ein Dawoud quotDiese Vergleichsstudie zeigt, dass unsere vorgeschlagenen Kontrollkarten in den betrachteten Fällen günstig sind. Die Phase-II-Überwachung von kategorisierten (oder gruppierten) Daten wurde in der Literatur von Steiner, Geyer und Wesolowsky (1996) und Steiner (1998) diskutiert. In ihren Artikeln betrachteten Steiner und Co-Autoren den Fall, wenn die IC-Verteilung eine bekannte parametrische Form hat (z. B. normale) Einzelbeobachtungen sind vielleicht nicht vollständig bekannt, es ist bekannt, dass sie zu bestimmten gegebenen Intervallen gehören. Abstrakt Ausblenden abstrakt ABSTRAKT: Dieser Artikel berücksichtigt die statistische Prozesskontrolle (SPC) von univariaten Prozessen, wenn die parametrische Form der Prozessverteilung nicht verfügbar ist. Die meisten existierenden SPC-Verfahren basieren auf der Annahme, dass eine parametrische Form (z. B. normal) der Prozessverteilung vorher spezifiziert werden kann. In der Literatur wurde gezeigt, dass ihre Leistung in den Fällen, in denen die vorgegebene Prozessverteilung ungültig ist, unzuverlässig ist. Um diese Einschränkung zu überwinden, wurden einige nichtparametrische (oder verteilungsfreie) SPC-Pläne vorgeschlagen, von denen die meisten auf den Bestellinformationen der beobachteten Daten basieren. Dieser Artikel versucht, zwei Beiträge zur nichtparametrischen SPC-Literatur zu machen. Zuerst schlagen wir einen alternativen Rahmen für den Aufbau nichtparametrischer Kontrollkarten vor, indem wir zunächst beobachtete Daten kategorisieren und dann kategorische Datenanalyseverfahren an SPC anwenden. Unter diesem Rahmen werden einige neue, nichtparametrische Kontrollkarten vorgeschlagen. Zweitens vergleichen wir unsere vorgeschlagenen Kontrollkarten mit mehreren repräsentativen vorhandenen Kontrollkarten in verschiedenen Fällen. Einige empirische Richtlinien sind für die Benutzer vorgesehen, um eine richtige nichtparametrische Kontrollkarte für eine bestimmte Anwendung zu wählen. Dieser Artikel hat ergänzende Materialien online. Volltext Artikel Jan 2012 Peihua Qiu Zhonghua Li Ziffern g ist die Lauflänge t die Zeit R die Übergangsmatrix nach der letzten Zeile und Spalte wurden gelöscht 1 der Spaltenvektor von denen und ich die Identitätsmatrix (siehe Anhang von Steiner 9 für mehr Details). CUSUM-Diagramm-Schätzfehler Qualitätsmessung, Qualitätsverbesserung Auszugsausschnitt Abstrakt ausblenden ABSTRAKT: Risk-adjustierte Kontrollkarten sind für die Überwachung von Prozessen, die das Management und die Behandlung von Patienten in Krankenhäusern oder anderen Einrichtungen des Gesundheitswesens beinhalten, populär geworden. Bisher wurde jedoch der Effekt des Schätzfehlers auf risikoadjustierte Kontrollkarten nicht untersucht. Wir untersuchten den Effekt des Schätzfehlers auf die risikoadjustierte binäre kumulative Summe (CUSUM) - Performance unter Verwendung von tatsächlichen und simulierten Daten über Patienten, die sich einer koronaren Arterien-Bypass-Operation unterziehen und auf die Sterblichkeit bis zu 30 Tage nach der Operation untersucht wurden. Die Wirkung des Schätzfehlers wurde durch die Variabilität der x27truex27 durchschnittlichen Lauflängen (ARLs), die durch wiederholtes Abtasten der beobachteten Daten unter verschiedenen realistischen Szenarien erhalten wurden, angegeben. Die Ergebnisse zeigten, dass der Schätzfehler einen erheblichen Einfluss auf die risikoadjustierte CUSUM-Chart-Performance in Bezug auf die Variation der wahren ARLs haben kann. Darüber hinaus hängt die Leistung in hohem Maße von der Anzahl der Ereignisse ab, die zur Ableitung der Kontrollplanparameter und der spezifizierten ARL für einen In-Control-Prozess (ARL (0)) verwendet wurden. Allerdings deuten die Ergebnisse darauf hin, dass es die Ungewissheit in der gesamten unerwünschten Ereignisrate ist, die die Hauptkomponente des Schätzfehlers ist. Bei der Gestaltung eines Kontrollschemas könnte der Effekt des Schätzfehlers berücksichtigt werden, indem eine Anzahl von Bootstrap-Abtastwerten der verfügbaren Phase-I-Daten erzeugt wird und dann die Steuergrenze bestimmt wird, die benötigt wird, um eine ARL (0) eines vordefinierten Pegels 95 zu erhalten der ganzen Zeit. Wenn begrenzte Phase-I-Daten verfügbar sind, kann es ratsam sein, auch weiterhin die Modellparameter zu aktualisieren, auch wenn eine prospektive Patientenüberwachung durchgeführt wird. Volltext Artikel Dezember 2011 Mark A Jones Stefan H Steinerby Stefan H. Steiner. 1998 Dieser Artikel schlägt eine Version von exponentiell gewichteten gleitenden durchschnittlichen (EWMA) Kontrollkarten vor, die für die Überwachung der gruppierten Daten für Prozessverschiebungen gelten. Die Lauflängeneigenschaften dieses neuen gruppierten Daten-EWMA-Diagramms werden mit ähnlichen Ergebnissen verglichen, die zuvor für EWMA-Diagramme für var erhalten wurden. Dieser Artikel schlägt eine Version von exponentiell gewichteten gleitenden durchschnittlichen (EWMA) Kontrollkarten vor, die für die Überwachung der gruppierten Daten für Prozessverschiebungen gelten. Die Lauflängeneigenschaften dieses neuen gruppierten Daten-EWMA-Diagramms werden mit ähnlichen Ergebnissen verglichen, die zuvor für EWMA-Diagramme für Variablendaten und mit denen für kumulative Summen (CUSUM) - Systeme auf der Grundlage von gruppierten Daten erhalten wurden. Gruppierte Daten Die EWMA-Diagramme sind nahezu so effizient wie die Variablen basierten EWMA-Charts und sind somit eine attraktive Alternative, wenn die Erfassung von Variablendaten von Stefan H. Steiner - Journal of Quality Technology nicht möglich ist. 1999. Die Kontrollgrenzen eines exponentiell gewichteten gleitenden Durchschnitt (EWMA) - Kontrolldiagramms sollten mit der Zeit variieren und sich mit asymptotischen Grenzen beginnen, wenn die Zeit zunimmt. Allerdings betrachten frühere analytische Analysen von EWMA-Charts nur asymptotische Kontrollgrenzen. In diesem Artikel sind die Lauflängeneigenschaften von EW. Die Kontrollgrenzen eines exponentiell gewichteten gleitenden Durchschnitt (EWMA) - Kontrolldiagramms sollten mit der Zeit variieren und sich mit asymptotischen Grenzen beginnen, wenn die Zeit zunimmt. Allerdings betrachten frühere analytische Analysen von EWMA-Charts nur asymptotische Kontrollgrenzen. In diesem Artikel werden die Lauflängeneigenschaften von EWMAs mit zeitlich variierenden Kontrollgrenzen mit nicht-homogenen Markov-Ketten approximiert. Vergleicht man die durchschnittlichen Lauflängen von EWMA mit zeitvariablen Kontrollgrenzen und Ergebnissen, die bisher für asymptotische EWMA-Charts erhalten wurden, zeigt, dass die Verwendung von zeitvariablen Kontrollgrenzen mit der für Cumulative Sum (CUSUM) - Diagramme vorgeschlagenen Fast-First-Response (FIR) - Funktion verwandt ist. Die ARL des EWMA-Schemas mit zeitvariablen Grenzen ist wesentlich empfindlicher gegenüber frühen Prozessverschiebungen, besonders wenn das EWMA-Gewicht klein ist. Eine weitere Verbesserung der FIR-Leistung kann durch eine weitere Verringerung der Kontrollgrenzen für die ersten 20 Beobachtungen erreicht werden. Die Methodik wird unter der Annahme eines normalen Prozesses mit bekannter Standardabweichung dargestellt, wo wir Verschiebungen im Mittelwert erkennen wollen. Kleine anhaltende Prozessverschiebungen (Montgomery, 1991). Zuerst von Roberts (1959) eingeführt, haben EWMA-Charts eine ziemlich lange Geschichte, aber erst vor kurzem wurden ihre Eigenschaften analytisch ausgewertet (-Crowder 1987 - Lucas und Saccucci 1990). Die EWMA ist auch bekannt, dass sie in einigen Prognose - und Kontrollanwendungen optimale Eigenschaften hat (Box, Jenkins und MacGregor, 1974). In diesem Artikel konzentrieren wir uns auf die Qualität.