Mudança Média Jmp

A lista pop-up Intervalos de confiança permite que você defina o nível de confiança para as faixas de confiança de previsão. Os diálogos para modelos de suavização sazonal incluem uma caixa Períodos por Época para definir o número de períodos em uma estação. A lista popup Restrições permite que você especifique o tipo de restrição que deseja aplicar nos pesos de suavização durante o ajuste. As restrições são: expande a caixa de diálogo para permitir estabelecer restrições em pesos individuais de suavização. Cada peso de suavização pode ser Limitada. Fixo. Ou sem restrições conforme determinado pela configuração do menu pop-up ao lado do nome do peso. Ao inserir valores para pesos fixos ou limitados, os valores podem ser números reais positivos ou negativos. O exemplo mostrado aqui tem o nível de peso () fixado em um valor de 0,3 e o peso da tendência () limitado por 0,1 e 0,8. Neste caso, o valor do peso da Tendência pode mover-se dentro do intervalo de 0,1 a 0,8 enquanto o peso do Nível é mantido em 0,3. Note que você pode especificar todos os pesos de suavização com antecedência, usando essas restrições personalizadas. Nesse caso, nenhum dos pesos seria estimado a partir dos dados, embora as previsões e os resíduos ainda fossem computados. Quando você clicar em Estimativa. Os resultados do ajuste aparecem no lugar da caixa de diálogo. A equação de suavização, L t y t (1) L t -1. É definido em termos de um único peso de suavização. Este modelo é equivalente a um modelo ARIMA (0, 1, 1), onde eu posso oferecer algumas estratégias aqui. Eu acho que ambos são mais eficientes que o operador Summation () que você está usando atualmente. Não posso dizer que são os mais eficientes possíveis. 1) Use a função Sum () em uma matriz. Isso aproveita a velocidade da operação da matriz. O subíndice da coluna atual nesta fórmula é uma matriz dos números de linha desde o início da janela da média móvel até o número da linha atual. O meu sub-script da coluna dessa forma JMP retorna uma matriz e a função Sum é relativamente eficiente em uma matriz. Uma maneira ainda mais rápida é calcular esta média móvel em duas colunas. A primeira coluna simplesmente mantém uma soma móvel, adicionando o valor de Corrente em uma linha ao valor da soma de rolamento na linha anterior e subtraindo o valor da Corrente da linha no início da janela. Heres a fórmula para Moving Sum. Então é fácil ter uma coluna que divide Sumário móvel pela janela de média móvel. Estou anexando uma tabela de dados que mostra esses dois métodos. Na tabela de dados, a janela de média móvel é uma variável de tabela de dados. Para ver a eficiência do segundo método nesta tabela de dados, você pode querer suprimir primeiro a avaliação da coluna de média móvel (x). Posso oferecer algumas estratégias aqui. Eu acho que ambos são mais eficientes que o operador Summation () que você está usando atualmente. Não posso dizer que são os mais eficientes possíveis. 1) Use a função Sum () em uma matriz. Isso aproveita a velocidade da operação da matriz. O subíndice da coluna atual nesta fórmula é uma matriz dos números de linha desde o início da janela da média móvel até o número da linha atual. O meu sub-script da coluna dessa forma JMP retorna uma matriz e a função Sum é relativamente eficiente em uma matriz. Uma maneira ainda mais rápida é calcular esta média móvel em duas colunas. A primeira coluna simplesmente mantém uma soma móvel, adicionando o valor de Corrente em uma linha ao valor da soma de rolamento na linha anterior e subtraindo o valor da Corrente da linha no início da janela. Heres a fórmula para Moving Sum. Então é fácil ter uma coluna que divide Sumário móvel pela janela de média móvel. Estou anexando uma tabela de dados que mostra esses dois métodos. Na tabela de dados, a janela de média móvel é uma variável de tabela de dados. Para ver a eficiência do segundo método nesta tabela de dados, você deseja suprimir a avaliação da coluna de média em movimento (x) primeiro. Gráficos da média móvel em movimento para detectar pequenas mudanças no processo significa ou tendências As maravilhas do JMP 1. Apresentação no tema: Gráficos de média móvel ponderada para a detecção de pequenas mudanças no processo significa ou tendências As maravilhas de JMP 1. Transcrição de apresentação: 1 Gráficos de média móvel ponderada para detectar pequenas mudanças no processo significa ou tendências As maravilhas de JMP 1 2 Mudanças no processo Conhecimento médio e de processo O gráfico de barras X foi projetado para detectar mudanças na média do processo. Em um Processo maduro, pode haver um corpo de conhecimento de processo que sugira quais tipos de mudanças na média do processo provavelmente ocorrerão. Isso pode ser importante para encontrar maneiras de detectar mudanças relativamente pequenas na média que as quatro regras não são susceptíveis de detectar. 2 3 Alterações sustentadas na experiência do processo A experiência mostrou que existem dois tipos comuns de mudanças sustentadas na média do processo: uma mudança sustentada na média do processo para um novo valor. Tendências lentas no processo significam para cima ou para baixo. 3 4 Gráficos de média móvel Existem dois tipos de gráficos de média móvel projetados para serem sensíveis a esses tipos de mudanças de processo médio: o gráfico de média móvel variável uniformemente, o gráfico de UWMA (também conhecido como gráfico de média móvel de aritmética, gráfico de AMA) O Exponencialmente Gráfico de média móvel ponderada, gráfico de EWMA (também conhecido como gráfico de média móvel geométrica, gráfico GMA) 4 5 O que usar Cada um dos dois deve ser usado de acordo com o tipo de mudança de processo que se deseja detectar: ​​para uma mudança sustentada No Processo Médio para um novo valor, use o gráfico de média móvel ponderada uniformemente. Para uma média de processo de tendência lenta, use o gráfico da Média de Mudança Ponderada Exponencialmente. 5 6 Gráficos de média móvel em JMP Cada ponto em um gráfico de média móvel ponderada uniformemente (UWMA), também chamado de gráfico de média móvel, é a média dos meios de sub-grupo mais recentes (chamado span), incluindo o subgrupo atual. Estes são frequentemente referidos como gráficos de média móvel (AMA) da Aritmética. Estes são frequentemente utilizados na detecção de uma mudança consistente na média do processo rapidamente. 6 7 Limites de controle de JMP Se assumirmos que os tamanhos de amostra em cada subgrupo são iguais, então: e assim os limites de três sigma para n subgrupos (ou extensões) serão: 7 9 Nota: No ponto de tempo um, há apenas um ponto para Que os limites são mais amplos aqui. Em todos os outros pontos de tempo, os limites são divididos pela raiz quadrada de 2 e, portanto, são mais estreitos. 9 13 Nota: O gráfico da Média Mover escolheu o subgrupo 4 como fora de controle devido aos limites mais apertados. O Gráfico de indivíduos mostrou que o subgrupo estava no controle (embora perto dos limites). O Gráfico de indivíduos mostrou por que o gráfico de alcance estava fora de controle no momento 14. Um pode especificar diferentes períodos médios móveis. A amplitude média em movimento é a conversa JMP para o número de subgrupos a uma média superior. Vamos ver uma média móvel de três. Observe o que acontece com os limites. 14 17 Propriedades dos intervalos Quanto maior o espaço, mais apertado os limites. Para períodos maiores, a média é feita em mais pontos de tempo, portanto, pequenas ocorrências de causa especial podem ser calculadas de forma média. Espessuras maiores podem levar mais tempo para detectar uma mudança na média, isso depende do tamanho da mudança em relação à causa comum. A experiência é o melhor guia para span size. 17 18 Gráficos de média móvel ponderada exponencialmente em JMP Cada ponto de um gráfico de média móvel ponderada exponencial (EWMA), também conhecido como gráfico de Média de Mudança Geométrica (GMA), é a média ponderada de todos os meios do subgrupo anterior, incluindo a média de A amostra atual do subgrupo. Estes são muito úteis na detecção de tendências, uma vez que os pontos mais recentes recebem o maior peso. 18 19 gráficos EWMA e pesos Os gráficos EWMA são formados escolhendo um parâmetro de peso r, que é um número entre 0 e 1. O valor de r é o peso atribuído ao ponto de dados mais recente. Para o tamanho do subgrupo1, um valor de r1 corresponderia a um Gráfico de indivíduos. 19 21 Ou mais geralmente Para i1, Nota: Os coeficientes são todos inferiores a 1. A soma dos coeficientes para 1. Isso significa que a variância da média ponderada é menor que os valores individuais. 21 1, Nota: Os coeficientes são todos inferiores a 1. A soma dos coeficientes para 1. Isto significa que a variância da média ponderada é l 1, Nota: Os coeficientes são todos inferiores a 1. Os coeficientes soma para 1. Isso significa que o A variação da média ponderada é inferior aos valores individuais. 21 1, Nota: Os coeficientes são todos inferiores a 1. A soma dos coeficientes para 1. Isto significa que a variância da média ponderada é l titleOr mais geralmente Para i1, Nota: Os coeficientes são todos inferiores a 1. Os coeficientes somam para 1 Isto significa que a variância da média ponderada é l 22 Escolha dos valores de peso: Um valor de baixo peso, digamos em torno de 1 a 2, daria um gráfico que se comporta como um gráfico UWMA (ou AMA) com uma grande extensão. Um peso alto próximo de um seria muito parecido com um gráfico individual. Na prática, são utilizados pesos em torno de r.5. 22 24 Qual o melhor gráfico O UWMA (ou AMA) obteve uma mudança média no início do tempo para períodos de dois ou três. O gráfico da EWMA não o escolheu, uma vez que era uma mudança na média do processo, não uma tendência. A experiência com o processo é o melhor guia. 24 25 Outro exemplo Conjunto de dados JMP (há 5 observações por subgrupo, mas os gráficos UWMA e EWMA ainda funcionam). 25 28 Por que o gráfico EWMA funciona Sempre que há tendências, os pontos mais recentes têm mais informações. As tabelas X-bar e R colocam todo o peso cada uma na amostra mais recente. Os gráficos UWMA ponderam cada ponto igualmente no intervalo. O gráfico EWMA pesa os sinais mais recentes com pesos mais altos, o que torna a relação sinal / ruído maior (o maior sinal obtém maior peso). 28 29 Cuidado Se você graficar seus dados de todas as maneiras possíveis, você arrisca obter sinais falsos. As pessoas fazem isso de qualquer maneira, mas não sejam esse cara 29