Deducir La Varianza De La Media Móvil Exponencialmente Ponderada

Tengo un problema de comprensión de una pieza de un documento. agradecería mucho cualquier sugerencia o ayuda. Dice: Un sensor registra Z (i) a intervalos de 1 segundo y calcula los valores de fondo U (i) mediante la fórmula: en la que R es un factor constante y U (0) se calcula a partir de datos de pre-medición. Ahora, cualquier idea si esta fórmula es famoso Es un ruido de mezcla gaussiana de dos mandatos Entonces, se dice exactamente como esta: La varianza T (i) de estos valores se calcula a partir de los valores calculados en U (I): donde k es sigma factores y T es el tiempo de medición dado. No tengo ni idea de cómo la varianza se convirtió en algo así. Entiendo el término T y la función sqrt pero la fórmula general, sin idea. whuber - Esto está mal, como usted sospechaba. It39s correcto si los propios pesos son frecuencias. Pero a pesar de frecuencias entran en el cálculo de los porcentajes en este caso los pesos, aunque no se especifica, no son frecuencias de ocurrencia pero algo más que ver con volumequot quotdata. Así que esta es la respuesta equivocada. ndash de Rex Kerr Sep 8 15 a las 17:50 Las fórmulas están disponibles varios lugares, incluyendo Wikipedia. La clave es darse cuenta de que depende de lo que significan los pesos. En particular, se obtienen diferentes respuestas si los pesos son frecuencias (es decir, que sólo tratan de evitar la suma de toda su suma), si los pesos son, de hecho, la varianza de cada medición, o si el theyre sólo algunos valores externos que imponen tu información. En su caso, que superficialmente se parece a los pesos son las frecuencias, pero theyre no. Se genera sus datos de frecuencias, pero no es una simple cuestión de tener 45 registros de 3 y 15 registros de 4 en el conjunto de datos. En su lugar, es necesario utilizar el último método. (En realidad, todo esto es basura - que realmente necesita para utilizar un modelo más sofisticado del proceso que está generando estos números que aparentemente no tiene algo que escupe números de una distribución normal, de modo que caracteriza el sistema con la desviación estándar es no lo que hay que hacer.) en cualquier caso, la fórmula de la varianza (a partir del cual se calcula la desviación estándar de la forma habitual) con pesos de fiabilidad es donde x suma wi xi / suma wi es la media ponderada. Usted no tiene una estimación de los pesos, las cuales Im suponiendo que desea tomar para que sea proporcional a la fiabilidad. Tomando porcentajes como eres va a hacer un análisis complicado incluso si theyre que genera por un proceso de Bernoulli, ya que si se obtiene una puntuación de 20 y 0, tiene porcentaje infinita. Ponderación por la inversa de la SEM es una cosa común ya veces óptima de hacer. Usted tal vez debería usar una estimación bayesiana o intervalo de puntuación de Wilson. contestado 8 15 Sep a las 17:48 1. La discusión de los diferentes significados de pesos era lo que estaba buscando en este hilo desde el principio. Es una contribución importante a todo esto site39s preguntas sobre estadísticas ponderadas. (Estoy un poco preocupado por los comentarios entre paréntesis relativas a las distribuciones normales y las desviaciones estándar, sin embargo, debido a que erróneamente sugieren que el SDS no tienen ningún uso fuera de un modelo basado en la normalidad.) Ndash whuber 9830 Sep 8 15 a las 18:23 whuber - Bueno, teorema del límite central de al rescate, por supuesto, pero por lo que el PO estaba haciendo, tratando de caracterizar ese conjunto de números con una media y desviación estándar parece muy aconsejable. Y, en general, para muchos usos de la desviación estándar termina por atraer a uno en un falso sentimiento de comprensión. Por ejemplo, si la distribución es cualquier cosa menos normal (o una buena aproximación de la misma), basándose en la desviación estándar le dará una buena idea de la forma de las colas, cuando es exactamente aquellas colas que es probable que más importan en la estadística pruebas. ndash de Rex Kerr Sep 8 15 a las 19:44 RexKerr Casi no se puede culpar a la desviación estándar si la gente pone interpretaciones sobre ella que son inmerecida. Pero let39s alejarse de la normalidad y considerar la clase mucho más amplia de distribuciones unimodales continuas, simétricas con varianza finita (por ejemplo). A continuación, entre 89 y 100 por ciento de la distribución se encuentra dentro de dos desviaciones estándar. That39s menudo muy útil saber (y 95 mentiras más o menos en el medio, así it39s nunca más de unos 7 off) con muchas distribuciones comunes, el aspecto de goteo simetría doesn39t cambia mucho (por ejemplo, un vistazo a la exponencial, por ejemplo). CTD ndash Glenb 9830 Oct 1 15 a las 23: 57Exponential Media Móvil - EMA Carga del reproductor. ROMPIENDO Media Móvil Exponencial - EMA El 12 y 26 días EMA son los promedios más populares a corto plazo, y que se utilizan para crear indicadores como la divergencia media móvil de convergencia (MACD) y el oscilador de precios porcentaje (PPO). En general, el de 50 y 200 días EMA se utilizan como señales de tendencias a largo plazo. Los comerciantes que emplean el análisis técnico se encuentran las medias móviles muy útil e interesante cuando se aplica correctamente, pero crear el caos cuando se utiliza incorrectamente o mal interpretado. Todos los promedios móviles de uso común en el análisis técnico son, por su propia naturaleza, indicadores de retraso. En consecuencia, las conclusiones extraídas de la aplicación de una media móvil a un gráfico de mercado en particular deben ser para confirmar un movimiento del mercado o para indicar su fuerza. Muy a menudo, en el momento en una línea de indicador de media móvil ha hecho un cambio para reflejar un cambio significativo en el mercado, el punto óptimo de entrada en el mercado ya ha pasado. Un EMA sirve para aliviar este dilema en cierta medida. Debido a que el cálculo de la EMA pone más peso en los últimos datos, se abraza a la acción del precio un poco más fuerte y por lo tanto reacciona más rápido. Esto es deseable cuando un EMA se utiliza para derivar una señal de entrada de comercio. La interpretación de la EMA Al igual que todos los indicadores de media móvil, que son mucho más adecuados para los mercados de tendencias. Cuando el mercado está en una tendencia alcista fuerte y sostenida. la línea del indicador EMA también mostrará una tendencia alcista y viceversa para una tendencia a la baja. Un comerciante vigilantes no sólo prestar atención a la dirección de la línea EMA, sino también la relación de la velocidad de cambio de un bar a otro. Por ejemplo, ya que la acción del precio de una fuerte tendencia alcista comienza a aplanarse y revertir, la tasa de cambio EMA de una barra a la siguiente comenzará a disminuir hasta el momento en que la línea indicadora se aplana y la tasa de cambio es cero. Debido al efecto de retraso, en este punto, o incluso unos pocos compases antes, la acción del precio ya debería haber revertido. Por lo tanto, se deduce que la observación de una disminución constante de la tasa de cambio de la EMA podría sí mismo ser utilizado como un indicador de que podrían contrarrestar aún más el dilema causado por el efecto de retraso de medias móviles. Usos comunes de la EMA EMA se utilizan comúnmente en conjunción con otros indicadores significativos para confirmar los movimientos del mercado y para medir su validez. Para los comerciantes que negocian intradía y los mercados de rápido movimiento, la EMA es más aplicable. Muy a menudo los comerciantes utilizan EMA para determinar un sesgo de operación. Por ejemplo, si un EMA en un gráfico diario muestra una fuerte tendencia al alza, una estrategia operadores intradía puede ser para el comercio sólo desde el lado largo en una promedios intradía chart. Moving medias con conjuntos de datos convencionales, el valor medio es a menudo el primer movimiento, y una de las estadísticas de resumen, más útiles para el cálculo. Cuando los datos se encuentra en la forma de una serie de tiempo, la serie media es una medida útil, pero no refleja la naturaleza dinámica de los datos. Los valores medios calculados durante períodos en cortocircuito, ya sea anterior al período actual o se centraron en el período actual, son a menudo más útil. Debido a que tales valores medios variarán, o mover, ya que los actuales período se mueve desde el tiempo t 2, t 3. etc que se conocen como las medias móviles (MAS). Una media móvil simple es (normalmente) el promedio no ponderado de los valores anteriores k. Un promedio móvil ponderado exponencialmente es esencialmente la misma que una media móvil simple, pero con contribuciones a la media ponderada por su proximidad a la hora actual. Debido a que no es uno, sino toda una serie de promedios para cualquier serie dada en movimiento, el conjunto de Mas puede ser trazada a sí mismos en los gráficos, analizada como una serie, y se utiliza en el modelado y predicción. Una gama de modelos se puede construir usando medias móviles, y estos son conocidos como modelos MA. Si estos modelos se combinan con autorregresivo (AR) modelos de los modelos compuestos resultantes se conocen como modelos ARMA o ARIMA (el I es para integrado). promedios móviles simple, ya una serie de tiempo se pueden considerar como un conjunto de valores,, t 1,2,3,4, n el promedio de estos valores se pueden calcular. Si se supone que n es bastante grande, y seleccionar un entero k que es mucho menor que n. podemos calcular un conjunto de medias de bloques, o promedios móviles simples (de orden k): Cada medida representa la media de los valores de datos durante un intervalo de k observaciones. Tenga en cuenta que el primer MA posible de orden k Gt0 es que para t k. De manera más general, podemos dejar el subíndice adicional en las expresiones anteriores y escribir: Esto indica que la media estimada en el momento t es el promedio simple del valor observado en el tiempo t y los pasos k -1 de tiempo anteriores. Si se aplican pesos que disminuye la contribución de las observaciones que están más lejos en el tiempo, se dice que está suavizado exponencial de la media móvil. Las medias móviles se utilizan a menudo como una forma de previsión, por lo que el valor estimado para una serie en el tiempo t 1, S t1. se toma como el MA para el período hasta e incluyendo el tiempo t. p. ej. del día de hoy estimación se basa en un promedio de los valores registrados anteriores hasta e incluyendo el de ayer (para datos diarios). medias móviles simples pueden ser vistos como una forma de suavizado. En el ejemplo que se ilustra a continuación, el conjunto de datos de la contaminación del aire se muestra en la introducción de este tema ha sido aumentada por una línea de 7 días de media móvil (MA), se muestra en rojo. Como puede verse, la línea MA suaviza los picos y valles en los datos y puede ser muy útil en la identificación de tendencias. La fórmula de cálculo estándar hacia adelante significa que los primeros puntos k -1 de datos no tienen valor MA, pero a partir de entonces los cálculos se extienden hasta el punto final de datos en la serie. PM10 valores medios diarios, Greenwich fuente: Red de Calidad del Aire de Londres, www. londonair. org. uk Una de las razones para el cálculo de promedios móviles simples de la manera descrita es que permite a los valores que se computará para todos los intervalos de tiempo de vez tk hasta el presente y, como se obtiene una nueva medición para el tiempo t 1, el MA para el tiempo t 1 puede añadirse al conjunto ya calculado. Esto proporciona un procedimiento sencillo para los conjuntos de datos dinámicos. Sin embargo, hay algunos problemas con este enfoque. Es razonable afirmar que el valor medio durante los 3 últimos períodos, por ejemplo, se debe colocar en el tiempo t-1, no el tiempo t. y para un MA más de un número par de períodos quizás debería estar situado en el punto medio entre dos intervalos de tiempo. Una solución a este problema es utilizar cálculos MA centrado, en el que el agente de administración en el tiempo t es la media de un conjunto de valores simétrica alrededor de t. A pesar de sus méritos evidentes, este enfoque no se utiliza por lo general, ya que requiere que los datos estén disponibles para los eventos futuros que pueden no ser el caso. En casos en los que el análisis es totalmente de una serie existente, el uso de Mas centrado puede ser preferible. medias móviles simples pueden ser considerados como una forma de suavización, eliminación de algunos componentes de alta frecuencia de una serie temporal y poner de relieve (pero no eliminar) las tendencias de una manera similar a la noción general de filtrado digital. De hecho, las medias móviles son una forma de filtro lineal. Es posible aplicar un cálculo de media móvil a una serie que ya ha sido alisado, es decir, suavizado o filtrado de una serie ya alisada. Por ejemplo, con un promedio móvil de orden 2, podemos considerarlo como se calcula utilizando pesos, por lo que el MA en 2 x 0,5 x 0,5 x 1 2. Del mismo modo, el MA en 3 x 0,5 x 0,5 x 2 3. Si nos aplicar un segundo nivel de suavizado o filtrado, tenemos 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 es decir, el filtrado de 2 etapas proceso (o la convolución) ha producido una simétrica variable ponderada media móvil, con los pesos. Múltiples circunvoluciones pueden producir promedios móviles ponderados bastante complejas, algunas de las cuales han sido encontrados de uso particular en campos especializados, como en los cálculos de seguros de vida. Las medias móviles se pueden utilizar para eliminar los efectos periódicas si computado con la longitud de la periodicidad como conocida. Por ejemplo, con variaciones estacionales de datos mensual a menudo se pueden quitar (si este es el objetivo) por aplicar una simétrica media móvil de 12 meses con todos los meses ponderadas por igual, excepto la primera y la última que se pondera por medio. Esto es debido a que habrá 13 meses en el modelo simétrico (hora actual, t / -. 6 meses). El total se divide por 12. Los procedimientos similares pueden ser adoptados por cualquier periodicidad bien definido. promedios móviles ponderados exponencialmente (EWMA) con la simple fórmula de media móvil: todas las observaciones se ponderan por igual. Si llamamos a estos pesos iguales, alfa t. cada uno de los pesos k sería igual a 1 / k. por lo que la suma de los pesos sería 1, y la fórmula será: Ya hemos visto que múltiples aplicaciones de este resultado del proceso en los pesos variables. Con promedios móviles ponderados exponencialmente se deliberó reduce la contribución al valor medio de las observaciones que están más alejados en el tiempo, poniendo así de relieve los acontecimientos más recientes (locales). Esencialmente un parámetro de suavizado, 0LT LT1 alfa, se introduce, y la fórmula revisada para: Una versión simétrica de esta fórmula sería de la forma: Si se seleccionan los pesos en el modelo simétrico como los términos de los términos de la expansión binomial, (1/21/2) 2q. van a sumar a 1, y como q se hace grande, se aproximarán a la distribución normal. Esta es una forma de ponderación del núcleo, con la actuación Binomial como la función del núcleo. La convolución de dos etapas descrito en la subsección anterior es precisamente esta disposición, con q 1, dando los pesos. En suavizado exponencial es necesario utilizar un conjunto de pesos que suma a 1 y que reducen de tamaño geométricamente. Las ponderaciones utilizadas son típicamente de la forma: Para demostrar que estos pesos suman 1, consideran que la expansión de 1 / como una serie. Podemos escribir y desarrollar la expresión entre paréntesis, utilizando la fórmula del binomio (1- x) p. donde x (1-) y P -1, lo que da: Este continuación, proporciona una forma de media móvil ponderada de la forma: Esta suma puede escribirse como una relación de recurrencia: lo que simplifica en gran medida el cálculo, y evita el problema de que el régimen de ponderación debe ser estrictamente infinito por los pesos que su suma sea 1 (para valores pequeños de alfa. esto no suele ser el caso). La notación utilizada por diferentes autores varía. Algunos usan la letra S para indicar que la fórmula es esencialmente una variable alisado, y escribir: mientras que la literatura de la teoría de control a menudo utiliza Z en lugar de S para los valores exponencialmente ponderados o suavizadas (véase, por ejemplo, Lucas y Saccucci de 1990, LUC1 , y el sitio web del NIST para más detalles y ejemplos prácticos). Las fórmulas citadas anteriormente se derivan del trabajo de Roberts (1959, Rob1), pero Hunter (1986, HUN1) utiliza una expresión de la forma: que puede ser más apropiada para su uso en algunos procedimientos de control. Con alfa 1 la estimación media es simplemente su valor medido (o el valor del elemento de datos anterior). Con 0,5 la estimación es la media móvil simple de las mediciones actuales y anteriores. En previsión de los modelos de valor, S t. se utiliza a menudo como la estimación o el valor pronóstico para el próximo período de tiempo, es decir, como la estimación de x en el tiempo t 1. Por lo tanto tenemos: Esto muestra que el valor de previsión en el tiempo t 1 es una combinación de la media móvil exponencialmente ponderada anterior más un componente que representa el error de predicción ponderado, epsilon. en el tiempo t. Suponiendo una serie de tiempo que se da y se requiere un pronóstico, se requiere un valor de alfa. Esto puede estimarse a partir de los datos existentes mediante la evaluación de la suma de los errores de predicción al cuadrado obtener con diferentes valores de alfa para cada t 2,3. establecer la primera estimación que es el primer valor de datos observados, x 1. En aplicaciones de control el valor de alfa es importante en que se se utiliza en la determinación de los límites de control superior e inferior, y afecta a la longitud de ejecución promedio (ARL) que se espera antes de que estos límites de control se rompen (bajo el supuesto de que la serie de tiempo representa un conjunto de azar, idénticamente distribuidas variables independientes con varianza común). Bajo estas circunstancias, la varianza de la estadística de control: es (Lucas y Saccucci, 1990): Control de límites se fijan generalmente como múltiplos fijos de esta varianza asintótica, por ejemplo / - 3 veces la desviación estándar. Si alfa 0,25, por ejemplo, y los datos que están siendo monitorizados se supone que tiene una distribución normal, N (0,1), cuando en el control, los límites de control serán / - 1,134 y el proceso alcanzarán uno u otro límite en 500 pasos en promedio. Lucas y Saccucci (1990 LUC1) derivan las ARL para una amplia gama de valores alfa y bajo diversas hipótesis utilizando los procedimientos de la cadena de Markov. Se tabulan los resultados, incluyendo la provisión ARL cuando la media del proceso de control se ha cambiado por algún múltiplo de la desviación estándar. Por ejemplo, con un desplazamiento de 0,5 con alfa 0.25 el ARL es de menos de 50 pasos de tiempo. Los enfoques descritos anteriormente se conoce como suavizado exponencial simple. ya que los procedimientos se aplican una vez que la serie de tiempo y después análisis o los procesos de control se llevan a cabo en el conjunto de datos alisado resultante. Si el conjunto de datos incluye una tendencia y / o componentes estacionales, de dos o de tres etapas de suavizado exponencial puede ser aplicado como un medio de eliminar (explícitamente modelar) estos efectos (véase más adelante, la sección sobre predicción. Abajo, y el NIST ejemplo trabajó ). CHA1 Chatfield C (1975) El análisis de los tiempos de la serie: Teoría y Práctica. Chapman y Hall, Londres HUN1 Hunter J S (1986) El promedio móvil ponderado exponencialmente. J de Tecnología de Calidad, 18, 203-210 LUC1 Lucas J M, M Saccucci S (1990) ponderado exponencialmente en movimiento Esquemas de control Promedio: Propiedades y mejoras. Technometrics, 32 (1), 1-12 Rob1 Roberts S W (1959) Pruebas de control gráfico basado en medias móviles geométricas. Technometrics, 1, 239-250by Nong Ye, Tercera miembros, Sean Vilbert, Qiang Chen - IEEE Trans. Rel. 2003. AbstractReliability y calidad de servicio de los sistemas de información ha sido amenazadas por intrusiones cibernéticas. Para proteger los sistemas de información de las intrusiones y de este modo asegurar la fiabilidad y la calidad de servicio, es muy deseable desarrollar técnicas que permiten detectar intrusiones. Muchas intrusiones manife. AbstractReliability y calidad de servicio de los sistemas de información ha sido amenazadas por intrusiones cibernéticas. Para proteger los sistemas de información de las intrusiones y de este modo asegurar la fiabilidad y la calidad de servicio, es muy deseable desarrollar técnicas que permiten detectar intrusiones. Muchos ataques se manifiestan en cambios anómalos en la intensidad de los eventos que ocurren en los sistemas de información. En este estudio, aplicamos, probar y comparar dos técnicas EWMA para detectar cambios anómalos en la intensidad de eventos para la detección de intrusos: EWMA para los datos de autocorrelación y EWMA para datos correlacionados. Diferentes ajustes de los parámetros y sus efectos sobre el rendimiento de estas técnicas EWMA también son investigados para proporcionar directrices para el uso práctico de estas técnicas. detección del índice de TermsAnomaly, los datos de auditoría informática, expo-nentially ponderada media móvil (EWMA), información de Assur-ANCE, detección de intrusos. intensidad a medida que las anomalías o posibles intrusiones. tablas de control de Shewhart, gráficos de control CUSUM y EWMA gráficos de control son técnicas SPC univariados, normalmente usados ​​para detectar cambios del medio 36-42--. gráficos de control EWMV 37, 43 están diseñados para detectar cambios de la varianza, pero también pueden ser sensibles a significar turnos. los gráficos de control EWMA son robustos a la - nonnormality de datos 37, 39. Dado que la - n. por Hsin-min Lu, Daniel Zeng, Tercera miembros, Hsinchun Chen - IEEE Transactions on Conocimiento ampamp Ingeniería de Datos. 2010. AbstractAccurate detección y oportuna de los brotes de enfermedades infecciosas proporciona información valiosa que puede permitir a los funcionarios de salud pública para responder a las principales amenazas para la salud pública en el momento oportuno. Sin embargo, los brotes de enfermedades a menudo no son directamente observables. Para los sistemas de vigilancia para acostumbrarse. AbstractAccurate detección y oportuna de los brotes de enfermedades infecciosas proporciona información valiosa que puede permitir a los funcionarios de salud pública para responder a las principales amenazas para la salud pública en el momento oportuno. Sin embargo, los brotes de enfermedades a menudo no son directamente observables. Para los sistemas de vigilancia utilizadas para detectar los brotes, los ruidos causados ​​por los patrones de comportamiento de rutina y eventos especiales puede complicar aún más la tarea de detección. La mayoría de los métodos de detección existentes combinan un procedimiento de filtrado de series de tiempo seguido de un método de vigilancia estadística. El rendimiento de este método de detección en dos etapas se ve obstaculizada por el supuesto poco realista de que los datos de entrenamiento son libres de brote. Además, los enfoques existentes son sensibles a los valores extremos, que son comunes en los conjuntos de datos del mundo real. Se consideró que el problema de la identificación de patrones de brotes en una serie de tiempo de recuento síndrome de conmutación utilizando modelos de Markov. Los estados de brotes de enfermedades se modelan como variables de estado ocultos que controlan la serie de tiempo observado. Un componente de salto se introduce para absorber los valores extremos esporádicos que de otro modo podrían debilitar la capacidad de detectar los brotes de enfermedades de movimiento lento. Nuestro enfoque ha superado varios métodos de detección del estado de la técnica en términos de sensibilidad de detección utilizando tanto datos simulados y reales. Índice TermsMarkov conmutación de modelos, la vigilancia sindrómica, muestreo de Gibbs, la detección de brotes. 1 milar al método CUSUM, las puntuaciones más altas de brotes se asocian generalmente con un riesgo mayor de tener un brote. El umbral se puede determinar a partir del análisis teórico o estudios empíricos 43, -44--. Algunos estudios de vigilancia sindrómica utilizan un esquema de media móvil para acumular errores de predicción 8, 9. Sus estudios han demostrado que un aumento de sistemas de ponderación lineales obtuvieron los mejores resultados en. Sonesson por Christian, Christian Sonesson. 2001. Varias versiones del método (ponderado exponencialmente Media Móvil) para el seguimiento de un proceso con el objetivo de detectar un cambio en la media EWMA se estudian tanto para la unilateral y el caso de dos caras. También se estudian los efectos del uso de barreras para la estadística de la alarma de un solo lado. Una importan. Varias versiones del método (ponderado exponencialmente Media Móvil) para el seguimiento de un proceso con el objetivo de detectar un cambio en la media EWMA se estudian tanto para la unilateral y el caso de dos caras. También se estudian los efectos del uso de barreras para la estadística de la alarma de un solo lado. Una cuestión importante es el efecto de diferentes tipos de límites de alarma. Diferentes medidas de evaluación se consideran como el retraso esperado, el ARLI, la probabilidad de éxito de la detección y el valor predictivo de una alarma para dar un panorama amplio de las características de los métodos. Los resultados se presentan tanto para un ARLO fija y una probabilidad fija de una falsa alarma. Las diferencias ponen de relieve el problema esencial de la forma de definir la comparabilidad entre los métodos de vigilancia. Los resultados provienen de un estudio de simulación a gran escala. Se presta especial atención al efecto sobre la confianza en los resultados finales por la variación estocástica en la calibración de los métodos. Parece ser que existen diferencias importantes desde un punto de vista inferir a partir de las versiones de una y dos caras de los métodos. Se demuestra que el método, generalmente se considera como una aproximación conveniente, es preferible a la versión exacta en muchos aspectos. por Michael B. C. Khoo. Resumen El gráfico univariado ponderado exponencialmente Media Móvil (EWMA) de control, que se denominará en adelante el gráfico EWMA es una buena alternativa para el gráfico de control Shewhart cuando uno está interesado en la detección de pequeños cambios rápidamente. El rendimiento del gráfico de control EWMA es comparable a t. Resumen El gráfico univariado ponderado exponencialmente Media Móvil (EWMA) de control, que se denominará en adelante el gráfico EWMA es una buena alternativa para el gráfico de control Shewhart cuando uno está interesado en la detección de pequeños cambios rápidamente. El rendimiento de la carta EWMA es comparable a la de la suma acumulativa (CUSUM) gráfico de control, pero el primero es más fácil de configurar y operar. En este trabajo, se establece un acercamiento por medio de la transformación de la utilización de la carta EWMA en un proceso de monitoreo multivariante. esquema de cartas rol más sensibles a los problemas de puesta en marcha. Otros enfoques de la adición de la función rápida respuesta inicial a la EWMA incluyen las obras de Rhoads, Montgomery y Mastrangelo 5 y Steiner -6--. MacGregor y Harris 7 discuten el uso de estadísticas basadas EWMA para el seguimiento de la desviación estándar del proceso. Borror, Champ y Rigdon 8 describen un procedimiento para utilizar el gráfico EWMA para el monito. por Spencer Graves, Søren Bisgaard, Murat Kulachi, Spencer Graves, Søren Bisgaard, Murat Kulahci. Derivamos un promedio móvil ponderado exponencialmente (EWMA) como la media antes bayesiano para un paseo aleatorio observado con error normal. Esta derivación muestra cómo el peso en la última observación varía con el tiempo. Este peso depende de la tasa de migración del paseo aleatorio y la varianza del ruido, que. Derivamos un promedio móvil ponderado exponencialmente (EWMA) como la media antes bayesiano para un paseo aleatorio observado con error normal. Esta derivación muestra cómo el peso en la última observación varía con el tiempo. Este peso depende de la tasa de migración del paseo aleatorio y la varianza del ruido, que se puede estimar a partir de datos de fiabilidad y estudios de repetibilidad de calibrador y reproducibilidad, respectivamente. Las variaciones en el peso de la última observación proporcionan una solución al problema de rápida respuesta inicial que creemos que es intuitivamente más satisfactorio que la solución estándar actual. por Shannon Elizabeth Fraker, Jeffrey B. Birch, R. Marion Reynolds, G. Geoffrey Vining. 2007. Con el reciente aumento de la amenaza del terrorismo biológico, así como el continuo riesgo de otras enfermedades, la investigación en vigilancia de la salud pública y el seguimiento de la enfermedad ha crecido enormemente. Hay una gran cantidad de datos disponibles en todo tipo de formas. Hospitales, federales y locales gobiernan. Con el reciente aumento de la amenaza del terrorismo biológico, así como el continuo riesgo de otras enfermedades, la investigación en vigilancia de la salud pública y el seguimiento de la enfermedad ha crecido enormemente. Hay una gran cantidad de datos disponibles en todo tipo de formas. Los hospitales, los gobiernos federales y locales, e industrias están recopilando datos y el desarrollo de nuevos métodos para ser utilizados en la detección de anomalías. Muchos de estos métodos se han elaborado, aplicado a un conjunto de datos reales, y se incorpora en el software. Esta investigación, sin embargo, tiene una opinión diferente de la evaluación de estos métodos. Creemos que es necesario que haya una evaluación estadística sólida de métodos propuestos, sin importar la zona prevista de aplicación. El uso de la prueba por ejemplo, no parece razonable que el único criterio de evaluación especialmente en relación con los métodos que tienen el potencial de tener un gran impacto en nuestras vidas iii. Por esta razón, esta investigación se centra en la determinación de las propiedades de algunos de los métodos más comunes de detección de anomalías. Se hace una distinción entre las métricas utilizadas para el seguimiento histórico retrospectivo y prospectivo que se utilizan para el seguimiento continuo con el ractique. Los detalles de tales cartas se dan en Roberts (1959) y Page (1954), srespectively. Las propiedades de estos gráficos de control han sido estudiados en detalle (véase Reynolds andsStoumbos, 1999 y - Steiner, 1999-- para ejemplos) funcionarios de salud. sPublic también utilizan gráficos de control en el seguimiento de la enfermedad (ver Woodall 2006).sOften, ajustes a la tradicional gráficos de control necesitan ser hecho. Esto es debido al hecho. por Taylor & Francis, con base en, Marianne Frisn, Christian Sonesson. Este documento ha sido revisado por expertos, pero no incluye los editores última correctores correcciones o la paginación del diario. Citación por el trabajo publicado: Frisn, M. y Sonesson, C. vigilancia óptima basada en las medias móviles de forma exponencial. Este documento ha sido revisado por expertos, pero no incluye los editores última correctores correcciones o la paginación del diario. Citación por el trabajo publicado: Frisn, M. y Sonesson, C. vigilancia óptima basada en las medias móviles de forma exponencial. Frisen por Marianne, Marianne Frisen. Diferentes criterios de optimización se utilizan en diferentes subculturas de vigilancia estadística. Uno de los objetivos de esta revisión es cerrar la brecha entre las diferentes áreas. Las deficiencias de algunos criterios de optimalidad se demuestran por sus implicaciones. Algunos métodos comúnmente utilizados i se examinan. Diferentes criterios de optimización se utilizan en diferentes subculturas de vigilancia estadística. Uno de los objetivos de esta revisión es cerrar la brecha entre las diferentes áreas. Las deficiencias de algunos criterios de optimalidad se demuestran por sus implicaciones. Algunos métodos comúnmente utilizados son examinados en detalle, con respecto a la optimalidad. El examen se hace para una situación estándar con el fin de centrarse en los principios de inferencia. Una presentación uniforme de los métodos, por expresiones oflikelihood proporciones, facilita las comparaciones entre los métodos. Se examinan las correspondencias entre los criterios de optimización y métodos. Las situaciones y los valores de los parámetros para los que algunos métodos comúnmente utilizados tienen propiedades de optimalidad son así determinada. Una aproximación lineal del método de razón de verosimilitud completa, que satisface varios criterios de optimización, se presenta. Esta aproximación lineal se utiliza para examinar los métodos lineales cuando son aproximadamente óptima. Los métodos para situaciones complicadas son revisados ​​con respecto a la optimización y robustez.