多元控制图的若干分析概率论与数理统计专业论文.docxVIP

摘要摘要 摘要 摘要 统计过程控制(SPC)己被广泛应用于各种生产过程．在现代统计过程控制中， 同时监控一个生产过程的多个质量特征已经变得非常常见．这样随之产生了几种 多元的控制图，例如Hotelling的铲控制图(Hotelling，1947)，由Crosier(1988)提出 的多元累积和控制[](MCUSUM)和由Lowry(1992)提出的多元指数滑动平均控 制图(MEWMA)．已有研究表明，Shewhart{空制图对检测大漂移非常有效而累积和 控制图和指数滑动平均控制图对检测中小漂移有非常好的效果(Wadsworth et a1． 1986，Ryan 1989，Montgomery 2001)．WoodaU and Montgomery(1999)和Stoumbos et a1．(2000)表明多元控制图是新世纪一个非常重要的研究领域．本论文的目的就 是试图研究多元控制图．在本论文里，我们集中讨论以下问题：为进行初始分析 的基于似然比的多元累积和控制图；为进行初始分析的基于数据深度的多元累积 和控制图；带有可变抽样区间的多元自适应累积和控制图：和基于经验似然的多 元指数滑动平均控制图．下面我们给出简要介绍． 在文献里，我们需要区分控制图的第一阶段和第二阶段．在第二阶段，过程 分布假设是完全已知的．大多数的控制图应用还假设监控的过程服从多元正态分 布．然而，在实际应用中，过程的分布或分布参数常常是未知的．因此，有必要构 造一个统计上受控的过程，然后来估计过程参数，这称为“初始分析”，“回忆分析” 或“第一阶段分析”．在第一阶段分析分析里，我们用历史数据来确定过程是否统 计受控，然后估计过程参数．第1章的目的就是研究第一阶段分析．在文献中，已经 有很多多元控制图来对单个或成组观测值进行第一阶段分析，例如俨控制图(参 考Wierda 1994，Lowry and Montgomery 1995，Mason et a1．1997)，发展的铲控 制图(T2D)(参考Holmes and Mergen 1993)，基于似然比检验的控制图(M+D)(参 考Sullivan and Woodall 2000)和S＆Ⅳ控制图(Srivastava and Worsley 1986)．Sullivan and WoodaU(2000)指出在检测或者均值向量或者协方差矩阵或者两者同时发生的 过程时，M+D控制图比铲和铲D控制图更有效．S＆w控制图在检测过程均值 时更有效，但它不能检测协方差矩阵的变化．Sullivan and WoodaU(2000)指出， 当样本容量m，m1和m2=仇一m1都充分大时，似然比统计量lr(m1，m)近似服 从x2白p+a)／2)分布．然而，当m1或m2固定时，这个结果却是不成立的．在这 摘要一章里，我们给出了当m1或m2固定时lr(m1，m)的计算期望和方差的公式以及极 摘要 一章里，我们给出了当m1或m2固定时lr(m1，m)的计算期望和方差的公式以及极 限分布的特征函数．另外，基于极大似然比统计量我们给出了两种累积和控制 图(记为CUSUM-M和CUSUM．MS)．其中CUSUM-M控制图监测单个观测值的过 程均值漂移，而CUSUM．MS控制图可以用来监测过程均值或者方差．模拟结果表 明，在检测过程均值漂移时，CUSUM-M控制图优于S＆Ⅳ控制图，除了非常大的 漂移，CUSIJl垤-MS控制图一致显著优于M+D控制图． 在很多应用里，正态性的假设并不成立，尤其是多元观测情形．Stoumbos and Sullivan(2002)研究了多元指数滑动平均控制图对非正态的稳健性．结果表明，如 果真实的分布与假设的分布差别很大时，控制图的性质就会有很大的差别．从另 外一个角度来看，即使过程服从多元正态分布，过程均值向量和协方差矩阵都是 由受控样本来估计的．然而，运用带有估计的参数会使得控制图表现有大幅度的 降低．有兴趣的读者可以参考一篇优秀的综述文章Jensen ct a1．(2006)和其中的参 考文献．在这样的情形下，我们就有必要考虑非参数的控制图，因为它们几乎不 受分布的影响．相对于参数控制图，非参数控制图有很多优势，主要体现在不依赖 于受控分布，简单和具有更好的稳健性．有些学者已经提出了一些非参数多元控 制图．基于单形数据深度，Uu(1995)提出了三种非参数控制图，R0r图，Q图和S图． 这三种控制图可以看成是基于单形深度的一元X控制图，叉控制图和累积和控制 图的多元推广．Qiu and Hawkins(2001，2003)和Qiu(2008)研究了基于反秩的非参 数累积和控制图．然而，所有的这些控制图都依赖于大量第一阶段的数据．在过程 第一阶段，由于数据缺乏，在实际中过程分布