Equivalence Of Moving Average And Exponential Weighted Moving Average Control Charts

Penyebaran spreadsheet penyesuaian musiman dan pemulusan eksponensial. Sangat mudah dilakukan penyesuaian musiman dan model pemulusan eksponensial yang sesuai menggunakan Excel Gambar layar dan grafik di bawah diambil dari spreadsheet yang telah disiapkan untuk menggambarkan penyesuaian musiman multiplikatif dan pemulusan eksponensial linier pada Berikut data penjualan kuartalan dari Outboard Marine. Untuk mendapatkan salinan file spreadsheet itu sendiri, klik disini Versi smoothing eksponensial linier yang akan digunakan disini untuk keperluan demonstrasi adalah versi Brown, hanya karena bisa diimplementasikan dengan satu kolom saja. Dari rumus dan hanya ada satu smoothing constant untuk dioptimasi Biasanya lebih baik menggunakan versi Holt yang memiliki konstanta pemulusan yang terpisah untuk tingkat dan trend. Proses peramalan berlanjut sebagai berikut pertama kali data disesuaikan secara musiman ii maka prakiraan dihasilkan untuk Data yang disesuaikan secara musiman melalui smoothing eksponensial linier dan sirip iii Jika perkiraan musiman disesuaikan untuk mendapatkan perkiraan untuk seri asli Proses penyesuaian musiman dilakukan di kolom D sampai G. Langkah pertama dalam penyesuaian musiman adalah menghitung rata-rata bergerak terpusat yang dilakukan di kolom D Ini dapat dilakukan oleh Rata-rata rata-rata dua rata-rata satu tahun yang diimbangi oleh satu periode relatif terhadap satu sama lain Kombinasi dua rata-rata offset daripada satu rata-rata diperlukan untuk tujuan keterpusatan ketika jumlah musim bahkan Langkah berikutnya adalah menghitung Rasio terhadap rata-rata bergerak - data asli dibagi dengan rata-rata bergerak pada setiap periode - yang dilakukan di kolom E Ini juga disebut komponen siklus tren dari pola, sejauh kecenderungan dan efek siklus bisnis mungkin terjadi. Dianggap sebagai semua yang tersisa setelah rata-rata data sepanjang tahun senilai Tentu saja, perubahan bulan ke bulan yang bukan karena musiman dapat ditentukan oleh banyak faktor lainnya. S, tapi rata-rata 12 bulan rata-rata di atasnya untuk sebagian besar Indeks musiman diperkirakan untuk setiap musim dihitung dengan menghitung rata-rata pertama semua rasio untuk musim tertentu, yang dilakukan di sel G3-G6 menggunakan formula AVERAGEIF Rasio rata-rata Kemudian dikompres ulang sehingga jumlahnya mencapai 100 kali jumlah periode dalam satu musim, atau 400 dalam kasus ini, yang dilakukan pada sel H3-H6 Di bawah kolom F, formula VLOOKUP digunakan untuk memasukkan nilai indeks musiman yang sesuai di Setiap baris tabel data, menurut kuartal tahun ini mewakili rata-rata pergerakan terpusat dan data penyesuaian musiman akhirnya terlihat seperti ini. Perhatikan bahwa rata-rata bergerak biasanya terlihat seperti versi yang lebih halus dari rangkaian yang disesuaikan secara musiman, dan itu Lebih pendek pada kedua ujungnya. Lembar kerja lain dalam file Excel yang sama menunjukkan penerapan model pemulusan eksponensial linier ke data penyesuaian musiman, dimulai pada nilai kolom GA untuk alfa konstan smoothing. Terest di atas kolom perkiraan di sini, di sel H9 dan untuk kenyamanan diberi nama rentang Alpha Nama ditugaskan menggunakan perintah Insert Name Create Model LES diinisialisasi dengan menetapkan dua perkiraan pertama yang sama dengan nilai sebenarnya aktual musiman. Seri yang disesuaikan Rumus yang digunakan di sini untuk perkiraan LES adalah bentuk rekursif tunggal dari model Brown. Formula ini dimasukkan dalam sel yang sesuai dengan periode ketiga di sini, sel H15 dan disalin dari sana Perhatikan bahwa perkiraan LES untuk Periode saat ini mengacu pada dua pengamatan sebelumnya dan dua kesalahan perkiraan sebelumnya, serta nilai alfa Dengan demikian, rumus peramalan pada baris 15 hanya mengacu pada data yang tersedia pada baris 14 dan sebelumnya Tentu saja, jika kita ingin Gunakan yang sederhana, bukan pemulusan eksponensial linier, kita bisa mengganti formula SES di sini, bukan Kita juga bisa menggunakan model Holt s daripada Brown s LES, yang memerlukan dua kolom formu lagi. Las untuk menghitung tingkat dan tren yang digunakan dalam perkiraan. Kesalahan dihitung di kolom berikutnya di sini, kolom J dengan mengurangi perkiraan dari nilai sebenarnya Kesalahan kuadrat rata-rata dihitung sebagai akar kuadrat dari varians dari Kesalahan ditambah kuadrat mean Ini mengikuti dari identitas matematis MSE VARIANCE errors RATA-RATA kesalahan 2 Dalam menghitung mean dan varians dari kesalahan dalam formula ini, dua periode pertama dikeluarkan karena model tidak benar-benar mulai meramalkan sampai periode ketiga. Baris 15 pada spreadsheet Nilai alfa yang optimal dapat ditemukan baik dengan mengubah alpha secara manual sampai RMSE minimum ditemukan, atau Anda dapat menggunakan Solver untuk melakukan minimalisasi yang tepat Nilai alpha yang ditemukan Solver ditunjukkan di sini alpha 0 471. Biasanya ide bagus untuk merencanakan kesalahan model pada unit yang diubah dan juga untuk menghitung dan merencanakan autokorelasi mereka pada kelambatan hingga satu musim Berikut adalah rangkaian waktu Plot error yang disesuaikan secara musiman. Autokorelasi kesalahan dihitung dengan menggunakan fungsi CORREL untuk menghitung korelasi kesalahan dengan sendirinya yang tertinggal oleh satu atau lebih periode - rincian ditunjukkan pada model spreadsheet Berikut adalah plot autokorelasi dari Kesalahan pada lima lag pertama. Autokorelasi pada kelambatan 1 sampai 3 sangat mendekati nol, namun lonjakan pada lag 4 yang nilainya 0 35 sedikit merepotkan - ini menunjukkan bahwa proses penyesuaian musiman belum sepenuhnya berhasil. Namun, Sebenarnya hanya sedikit signifikan 95 pita signifikan untuk menguji apakah autokorelasi berbeda secara signifikan dari nol kira-kira plus-atau-minus 2 SQRT nk, di mana n adalah ukuran sampel dan k adalah lag Berikut n adalah 38 dan k bervariasi dari 1 sampai 5, jadi kuadrat-akar-dari-n-minus-k adalah sekitar 6 untuk semua itu, dan karenanya batas untuk menguji signifikansi statistik penyimpangan dari nol kira-kira plus atau minus 2 6, atau 0 33 Jika Anda bervariasi Nilai alfa dengan tangan dalam model Excel ini, Anda dapat mengamati pengaruhnya pada deret waktu dan plot autokorelasi dari kesalahan, serta pada kesalahan akar-mean-kuadrat, yang akan digambarkan di bawah ini. Di bagian bawah spreadsheet , Rumus peramalan di-bootstrap ke masa depan hanya dengan mengganti perkiraan untuk nilai aktual pada titik di mana data aktual habis - yaitu di mana masa depan dimulai Dengan kata lain, di setiap sel di mana nilai data masa depan akan terjadi, referensi sel Dimasukkan yang menunjuk pada ramalan yang dibuat untuk periode tersebut. Rumus lainnya hanya disalin dari atas. Perhatikan bahwa kesalahan untuk prakiraan masa depan semuanya dihitung menjadi nol Ini tidak berarti kesalahan sebenarnya akan menjadi nol, melainkan Itu hanya mencerminkan fakta bahwa untuk tujuan prediksi kita mengasumsikan bahwa data masa depan akan sama dengan prakiraan rata-rata perkiraan LES yang dihasilkan untuk data penyesuaian musiman terlihat seperti ini. Dengan valuasi khusus ini E alfa, yang optimal untuk prediksi satu periode di depan, tren yang diproyeksikan sedikit ke atas, yang mencerminkan tren lokal yang diamati selama 2 tahun terakhir. Untuk nilai alpha lainnya, proyeksi tren yang sangat berbeda dapat diperoleh. Biasanya ide bagus untuk melihat apa yang terjadi pada proyeksi tren jangka panjang ketika alfa bervariasi, karena nilai yang terbaik untuk peramalan jangka pendek tidak akan menjadi nilai terbaik untuk memprediksi masa depan yang lebih jauh. Misalnya, di sini Adalah hasil yang diperoleh jika nilai alpha secara manual diatur ke 0 25. Proyeksi tren jangka panjang sekarang negatif dan bukan positif Dengan nilai alpha yang lebih kecil, model ini menempatkan bobot lebih pada data yang lebih tua dalam estimasinya. Level dan tren saat ini, dan perkiraan jangka panjangnya mencerminkan tren turun yang diamati selama 5 tahun terakhir daripada tren kenaikan yang lebih baru. Bagan ini juga secara jelas menggambarkan bagaimana model dengan nilai alpha lebih kecil lebih lambat. Untuk menanggapi titik balik data dan oleh karena itu cenderung membuat kesalahan pada tanda yang sama untuk banyak periode berturut-turut. Kesalahan perkiraan 1 langkah di depannya lebih besar rata-rata daripada yang diperoleh sebelum RMSE dari 34 4 daripada 27 4 dan Autokorelasi lag-1 yang sangat kuat 0 56 jauh melampaui nilai 0 33 yang dihitung di atas untuk penyimpangan signifikan secara statistik dari nol Sebagai alternatif untuk menurunkan nilai alfa untuk mengenalkan lebih banyak konservatisme ke dalam perkiraan jangka panjang, sebuah Faktor peredam tren kadang ditambahkan ke model untuk membuat tren yang diproyeksikan merata setelah beberapa periode. Langkah terakhir dalam membangun model peramalan adalah untuk mengestimasi perkiraan LES dengan mengalikannya dengan indeks musiman yang sesuai. Jadi, perkiraan yang direkasionalisasi Di kolom I hanyalah produk dari indeks musiman di kolom F dan perkiraan LES yang disesuaikan musiman di kolom H. Ini relatif mudah untuk menghitung kepercayaan Interval untuk prakiraan satu langkah yang dibuat oleh model ini pertama-tama menghitung kesalahan akar-mean-squared RMSE, yang merupakan akar kuadrat dari MSE dan kemudian menghitung interval kepercayaan untuk perkiraan musiman disesuaikan dengan menambahkan dan mengurangkan dua kali lipat RMSE Secara umum, interval kepercayaan 95 untuk perkiraan satu periode di depan kira-kira sama dengan perkiraan titik plus atau minus dua kali perkiraan deviasi standar dari kesalahan perkiraan, dengan asumsi distribusi kesalahan kira-kira normal dan ukuran sampel Cukup besar, katakanlah, 20 atau lebih Di sini, RMSE dan bukan standar deviasi standar dari kesalahan adalah perkiraan terbaik dari standar deviasi kesalahan perkiraan di masa depan karena diperlukan variasi bias dan acak yang masuk akal. Batas kepercayaan untuk musiman Perkiraan yang disesuaikan kemudian diekaji bersama dengan perkiraan, dengan mengalikannya dengan indeks musiman yang sesuai Dalam hal ini RMSE sama dengan 27 4 dan penyesuaian musiman Perkiraan untuk periode depan pertama Desember-93 adalah 273 2 sehingga interval kepercayaan 95 yang disesuaikan musiman adalah dari 273 2-2 27 4 218 4 sampai 273 2 2 27 4 328 0 Mengalikan batas ini dengan indeks musiman bulan sabit 68 61 yang kami dapatkan Batas kepercayaan bawah dan atas 149 8 dan 225 0 sekitar perkiraan titik 93 Desember 93 4. Batas konfirmasi untuk prakiraan lebih dari satu periode di depan umumnya akan melebar seiring perkiraan horizon meningkat, karena ketidakpastian mengenai tingkat dan tren juga. Sebagai faktor musiman, namun sulit untuk menghitungnya secara umum dengan metode analitik Cara yang tepat untuk menghitung batas kepercayaan untuk perkiraan LES adalah dengan menggunakan teori ARIMA, namun ketidakpastian dalam indeks musiman adalah masalah lain Jika Anda menginginkan kepercayaan yang realistis Interval untuk perkiraan lebih dari satu periode ke depan, dengan mempertimbangkan semua sumber kesalahan, taruhan terbaik Anda adalah dengan menggunakan metode empiris misalnya, untuk mendapatkan interval keyakinan untuk perkiraan 2 langkah di depan, Anda dapat membuat Kolom lain di spreadsheet untuk menghitung perkiraan 2 langkah untuk setiap periode dengan melakukan bootstrap perkiraan satu langkah di depan Kemudian hitung RMSE dari perkiraan kesalahan 2 langkah di depan dan gunakan ini sebagai dasar untuk langkah 2 Interval kepercayaan di bawah kepala. Perancangan Grafik EWMA Eksponensial Satu dan Dua Sisi. Diagram kontrol EWMA yang tertimbang bobot tertimbang dikembangkan untuk memantau tingkat kejadian kejadian langka berdasarkan pada waktu interarrival dari kejadian ini Panjang lari rata-rata EWMA Grafik ditentukan secara tepat berdasarkan solusi dari seperangkat persamaan diferensial Efek dari penggunaan batas pada grafik EWMA satu sisi diperiksa, dan pilihan batas yang wajar diusulkan. Prosedur perancangan sederhana disediakan untuk menentukan parameter grafik dari satu - sided atau two-sided EWMA chart Bagan yang diperoleh dengan menggunakan prosedur perancangan optimal di dalam kelas grafik EWMA Jumlah kumulatif grafik CUSUM dan EWMA dibandingkan berdasarkan t Rata-rata panjang runut Bagan CUSUM ditemukan optimal dalam mendeteksi mean yang dimaksud, sedangkan grafik EWMA ditemukan sedikit kurang sensitif. Apakah Anda ingin membaca sisa artikel ini. Kutipan Citations 62.References Reference 8.Hence , Dalam arti, karya ini adalah upaya untuk menjembatani kesenjangan antara teori dan penerapan analisis sekuensial Perlu diingat bahwa kebutuhan untuk mengevaluasi kinerja bagan CUSUM atau SPRT, atau diagram kontrol lainnya untuk itu Materi numerik didikte oleh fakta bahwa karakteristik yang sesuai misalnya keadaan nol ARL, fungsi ASN, atau fungsi OC diatur oleh persamaan pembaharuan integral yang jarang memungkinkan terjadinya pemecahan masalah analitik dimana solusi closed-form analitik dimungkinkan. Yang ditawarkan, misalnya di 27 28 29 30 31 32 33 untuk bagan CUSUM, di 34 35 36 37 38 untuk SPRT, pada 39 40 41 untuk bagan EWMA Pergerakan Rata-rata Tertimbang Rata-rata yang diperkenalkan oleh Roberts 17, dan pada 21 42 43 44 45 46 47 dan 48, Bab 4 untuk prosedur Umum Shiryaev Roberts Karena diagram kontrol evaluasi kinerja adalah masalah yang terus-menerus dalam analisis sekuensial yang diterapkan terutama dalam pengendalian kualitas, perlakuan numerik terhadap persamaan integral yang terkait secara de facto menjadi bidang penelitian yang terpisah, dan Literatur tentang subjek sangat luas. Tampilkan abstrak Sembunyikan abstrak ABSTRAK Kami menjalin hubungan sederhana antara karakteristik pengendali tertentu dari CUSUM Run Length dan out of control-nya yang tidak terkendali Sambungan dalam bentuk persamaan perpanjangan integral pasangan. Derivasi mengeksploitasi identitas rasio kemungkinan Wald s dan Fakta terkenal bahwa bagan CUSUM setara dengan penerapan berulang SPRT Wald Karakteristik yang dipertimbangkan mencakup keseluruhan distribusi Run Length dan semua momen yang sesuai, mulai dari keadaan nol ARL Manfaat praktis tertentu dari hasil kami adalah bahwa hal itu Memungkinkan karakteristik di dalam dan di luar kendali CUSUM Run Length untuk dihitung secara bersamaan Selain itu, karena ekuivalensi bagan CUSUM ke urutan SPRT, fungsi ASN dan OC dari SPRT di bawah nol dan di bawah Alternatif semua dapat dihitung secara simultan juga Hal ini akan menggandakan efisiensi metode numerik yang dapat dipilih untuk dirancang untuk melaksanakan Perhitungan aktual. Full-text Article Jun 2016.Aleksey S Polunchenko. Time-antara-event TBE control chart telah terbukti efektif dan efisien dalam memantau proses hasil tinggi Untuk grafik TBE yang variabel, para periset mengembangkan grafik CUSUM eksponensial Lucas, 1985 Vardeman Ray, 1985, chart EWMA eksponensial Gan, 1998 dan chart eksponensial Xie, Goh, Ranjan, 2002 Zhang, Xie, Goh, 2006 Dan untuk grafik TBE atribut, jumlah kumulatif dari grafik CCC yang sesuai telah dipelajari secara luas Kuralmani, Xie, Goh, Gan. , 2002 Ranjan, Xie, Goh, 2003 Xie, Goh, Kuralmani, 2000. Tampilkan abstrak Sembunyikan abstrak ABSTRAK Untuk proses manufaktur yang stabil, masalah kualitas sering kali disebabkan oleh perubahan dalam proses dispersi Meskipun telah banyak penelitian mengenai pemantauan proses Dispersi, studi yang ada pada diagram sintetis untuk proses pemantauan dispersi hanya berfokus pada pemantauan pergeseran ke atas. Namun, pengurangan pergeseran pemantauan juga diperlukan dan penting Dalam makalah ini, sebuah sintaks Heksagonal S 2 diusulkan untuk secara bersamaan memantau pergeseran ke atas dan ke bawah dan terdiri dari sub-bagan S 2 dua sisi Hewhart dan sub-bagan panjang yang sesuai. Dalam kasus varians kontrol yang diketahui, Panjang sub-grafik hanya membutuhkan batas kontrol yang lebih rendah dan diagram S 2 sintetis yang diusulkan ditunjukkan pada panjang rata-rata panjang ARL yang tidak bias Pengaruh estimasi parameter pada tabel S2 sintetis yang diusulkan juga diselidiki karena ini adalah isu penting terutama pada Proses manufaktur nyata Menimbang bahwa varians dalam kontrol biasanya tidak diketahui dan perlu diperkirakan oleh sampel Tahap I dalam praktiknya, bagan S 2 sintetis baru di mana sub-grafik panjang berjalan yang sesuai juga hanya memerlukan batas kontrol yang lebih rendah yang dikembangkan saat Varians dalam kontrol diperkirakan Selanjutnya, desain optimal untuk kedua kasus parameter yang diketahui dan tidak diketahui dipelajari Keuntungan dari bagan yang diusulkan dalam kinerja ditunjukkan pada hasil perbandingan kecerdasan H bagan ARL-tidak bias S 2 Juga, sebuah contoh menggambarkan prosedur konstruksi dan aplikasi dari tabel yang diusulkan ini. Teks lengkap Artikel Aug 2015.Baocai Guo Bing Xing Wang Yuan Cheng. Untuk alasan ini, diagram kontrol TBE sering disebut kontrol eksponensial Sejak Lucas 1985 dan Vardeman dan Ray 1985 pertama kali mengusulkan bagan kontrol TBE, banyak penelitian terbaru berfokus pada diagram kontrol TBE, termasuk bagan eksponensial Chan, Xie, dan Goh 2000 Chan et al 2002 Jones dan Champ 2002 Xie, Goh, Dan Ranjan 2002 Zhang, Xie, dan Goh 2005 Zhang, Xie, dan Goh 2006 Zhang et al 2011 Dovoedo dan Chakraborti 2012, bagan CUSUM eksponensial Lucas 1985 Gan 1994 Borror, Kates, dan Montgomery 2003 Cheng dan Chen 2011 Qu et al 2013 Zhang , Megahed, dan Woodall 2014 dan chart EWMA eksponensial Gan 1998 Ozsan, Testik, dan Wei 2010 Chen 2012 Rata-rata panjang run ARL banyak digunakan untuk mengevaluasi kinerja grafik kontrol. ABSTRAK Diagram eksponensial berdasarkan data ACTION time-between-events diselidiki secara luas dan diterapkan di berbagai bidang Rata-rata waktu untuk memberi sinyal ATS digunakan sebagai pengganti rata-rata jangka panjang untuk mengevaluasi kinerja grafik TBE, karena ATS melibatkan Baik jumlah dan waktu sampel diperiksa sampai sinyal terjadi Diagram kendali eksponensial ATS yang tidak bias diusulkan saat parameter kontrol terkontrol diketahui Menimbang perlunya praktik untuk mulai memantau proses produksi sesegera mungkin, skema pengambilan sampel sekuensial Diadopsi dan parameter in-control diestimasi oleh estimator yang tidak bias dan konsisten Beberapa pedoman spesifik untuk menghentikan pembaharuan batasan kontrol diperoleh dari hubungan antara ukuran sampel fase I dan tingkat alarm palsu yang sebenarnya Akhirnya, dua contoh nyata diberikan untuk menggambarkan Pelaksanaan dan efisiensi metode yang diusulkan. Teks lengkap Artikel April 2015. Misalnya, sejumlah karakteristik S dari skema inspeksi CUSUM yang dirayakan karena 13 telah dinyatakan secara eksplisit, misalnya di 25, 37, 2, 6, 1, 7 1 walaupun hanya untuk beberapa skenario, juga rumus formulasi yang tepat untuk berbagai metrik kinerja yang terkenal. Bagan EWMA karena 26 dalam skenario eksponensial telah ditetapkan, misalnya pada 12, 3, 21 1 Namun, kemajuan yang sesuai yang dibuat pada prosedur Shiryaev Roberts SR klasik karena 28, 29, 27 jauh lebih sederhana kecuali untuk Kasus terus-menerus, dan terutama sedikit yang telah dilakukan untuk prosedur General GS GSR, yang diperkenalkan baru-baru ini di 11 sebagai versi klasik dari prosedur SR klasik. Tampilkan abstrak Sembunyikan abstrak ABSTRAK Kami menurunkan secara analitis formula bentuk tertutup yang tepat untuk minimum minimum rata-rata Durasi Durasi ARL terhadap alarm palsu yang disampaikan oleh prosedur deteksi titik balik Shiryaev-Roberts GSR yang direncanakan untuk mendeteksi pergeseran rata-rata awal rangkaian Dari observasi eksponensial yang terdistribusi secara independen Secara khusus, formula tersebut ditemukan melalui solusi langsung dari persamaan pembaharuan integral masing-masing, dan merupakan hasil umum bahwa prosedur kepala GSR tidak dibatasi pada kisaran terbatas, juga tidak ada nilai plafon untuk deteksi Ambang batas Terlepas dari signifikansi teoritis dalam deteksi titik balik, formula kinerja bentuk tertutup secara tepat biasanya sulit atau tidak mungkin didapat, terutama untuk prosedur GSR, formula yang diperoleh juga berguna bagi praktisi dalam hal kepentingan praktis, rumus Adalah fungsi linier di kedua ambang deteksi dan headstart, dan oleh karena itu, ARL t O Alarm palsu prosedur GSR dapat dengan mudah dihitung. Kertas Konferensi Teks-Penuh Feb 2015 Jurnal Perhitungan dan Simulasi Statistik. Duen Grigory Sokolov Aleksey S Polunchenko. Untuk r 1, kotak T bertepatan dengan bagan-T dan Keduanya adalah diagram kontrol tipe Shewhart Terlepas dari skema tipe Shewhart untuk data TBE, skema jenis CUSUM dan EWMA telah diusulkan oleh Gan, 6,7 Gan dan Chang 8 dan Qu et al 9 Juga, Scariano dan Calzada 10 diusulkan dan Mempelajari tabel tipe Sintetis dengan sisi bawah untuk data eksponensial sementara Yen et al, 11 mempelajari grafik tipe Sintetis satu sisi berdasarkan pada T-dan T r-chart Aplikasi diagram kontrol untuk data eksponensial dapat ditemukan di beberapa area Penelitian terapan, seperti dalam pemantauan waktu antar kegagalan dalam suatu proses kegagalan, 2 dalam manajemen perawatan kesehatan 12 atau dalam pemantauan kejadian gempa 13. Tampilkan abstrak Sembunyikan abstrak Abstraksi Pada artikel ini, diagram kontrol dua sisi baru Dengan menjalankan aturan, cocok untuk moni Penarikan data eksponensial, diusulkan dan dipelajari Skema yang diusulkan sesuai untuk mengidentifikasi perubahan ke atas atau ke bawah dalam mean distribusi eksponensial. Juga, mereka memiliki kinerja pengendalian dan kinerja yang tidak bias yang diinginkan. Pedoman untuk skema yang paling efektif dalam praktik Disediakan, bersamaan dengan perbandingan dengan skema persaingan lainnya. Akhirnya, penerapan praktis dari skema yang diusulkan juga dibahas. Pada bulan Januari 2015.Athanasios C Rakitzis. Karena efektivitas dan efisiensinya yang tinggi terutama pada proses highquality, grafik TBE mendapatkan popularitas di Aplikasi Berikut adalah grafik TBE yang umum digunakan untuk memantau frekuensi suatu peristiwa, seperti grafik eksponensial 1, grafik CUSUM eksponensial 2, grafik EWMA eksponensial 3, bagan gamma 4 dan bagan CUSUM pada data eksponensial yang telah diubah 5 Juga , Ada banyak bagan yang berlaku untuk memantau besarnya acara, seperti chart Shewhart x, bagan CUSUM dan EWMA c. Hart Abstrak abstrak Abstraksi Biasanya, frekuensi acara dan besaran kejadian memiliki fitur ketergantungan Namun, penelitian sebelumnya tentang event monitoring selalu menganggapnya sebagai variabel independen Asumsi ini tidak masuk akal pada aplikasi yang paling nyata. Diambil fitur ketergantungan yang menjadi pertimbangan, kami mengenalkan tipikal. Distribusi gamma bivariat dengan struktur ketergantungan tertentu Berdasarkan distribusi ini, semacam diagram Hotelling T2 berdasarkan data yang ditransformasikan dibangun untuk pemantauan bersama terhadap pergeseran frekuensi dan besarnya suatu peristiwa Contoh ilustratif berdasarkan data nyata disediakan. Untuk menunjukkan implementasi bagan ini Dengan simulasi Monte Carlo, kinerja bagan yang diusulkan ini dipelajari. Kertas Konferensi Histon lengkap Desember 2014 Jurnal Perhitungan dan Simulasi Statistik. Yuan Cheng Amitava Mukherjee. Menggunakan Diagram Kontrol EWMA yang Dikombinasikan untuk Proses Pemantauan dengan Linear Tren. Persamaan yang mengatur constructio N dari diagram kontrol untuk memantau mean dan variabilitas proses suatu proses yang karakteristik kualitasnya mengalami kecenderungan linier disajikan Model Holt untuk meramalkan tren linier dan rata-rata pergerakan tertimbang eksponensial sederhana untuk variabilitas proses pemantauan dikombinasikan untuk membentuk suatu Digabungkan sistem persamaan diferensial nonlinier Saat-saat solusi stasioner yang mengarah pada perhitungan batas kontrol disajikan Tabel yang berisi konstanta diagram kontrol diberikan untuk pengamatan berturut-turut dan tidak berurutan dari proses tersebut. Metrik Likel Masuk melalui institusi Anda. Masuklah ke Taylor Francis Online. Or beli it. Issue Beli 30 hari akses seharga USD 146 00.Artikel Beli 24 jam akses seharga USD 50 00. Pajak daerah akan ditambahkan sebagai berlaku. Orang juga baca. Published online 9 Jul 2007.Browse Jurnal oleh subject. Information for. Open access. Help dan info. Connect dengan Taylor Francis. Registered in England Wales No 3099067 5 Ho Wick Tempatkan London SW1P 1WG. Situs web ini menggunakan cookies untuk memastikan Anda mendapatkan pengalaman terbaik di situs kami.