AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Διδακτορικές διατριβές / PhD Theses

Title :	Self-starting methods in Bayesian statistical process control and monitoring

Alternative Title :	Αυτο-εκκινούμενες μέθοδοι στον κατά Bayes στατιστικό έλεγχο και εποπτεία διεργασιών

Creator :	Bourazas, Konstantinos Μπουραζάς, Κωνσταντίνος

Contributor :	Tsiamyrtzis, Panagiotis (Επιβλέπων καθηγητής) Ntzoufras, Ioannis (Εξεταστής) Demiris, Nikolaos (Εξεταστής) Psarakis, Stelios (Εξεταστής) Capizzi, Giovanna (Εξεταστής) Colosimo, Bianca Maria (Εξεταστής) Chakraborti, Subhabrata (Εξεταστής)

Type :	Text

Extent :	258p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=8887

Abstract :	In this dissertation, the center of attention is in the research area of Bayesian Statistical Process Control and Monitoring (SPC/M) with emphasis in developing self-starting methods for short horizon data. The aim is in detecting a process disorder as soon as it occurs, controlling the false alarm rate, and providing reliable posterior inference for the unknown parameters. Initially, we will present two general classes of methods for detecting parameter shifts for data that belong to the regular exponential family. The first, named Predictive Control Chart (PCC), focuses on transient shifts (outliers) and the second, named Predictive Ratio CUSUM (PRC), in persistent shifts. In addition, we present an online change point scheme available for both univariate or multivariate data, named Self-starting Shiryaev (3S). It is a generalization of the well-known Shiryaev’s procedure, which will utilize the cumulative posterior probability that a change point has been occurred. An extensive simulation study along with a sensitivity analysis evaluate the performance of the proposed methods and compare them against standard alternatives. Technical details, algorithms and general guidelines for all methods are provided to assist in their implementation, while applications to real data illustrate them in practice. Σε αυτή τη διατριβή, το κέντρο της προσοχής βρίσκεται στην ερευνητική περιοχή του Μπεϋζιανού Στατιστικού Ελέγχου Διεργασιών και Παρακολούθησης με έμφαση στην ανάπτυξη αυτοεκκινούμενων μεθόδων για δεδομένα βραχέος ορίζοντα. Ο στόχος είναι η ανίχνευση μιας διαταραχής στη διαδικασία μόλις αυτή συμβεί, ελέγχοντας το ποσοστό ψευδών συναγερμών, καθώς και η παροχή αξιόπιστης εκ των υστέρων συμπερασματολογίας για τις άγνωστες παραμέτρους. Αρχικά θα παρουσιάσουμε δύο γενικές κατηγορίες μεθόδων για τον εντοπισμό διαταραχών στις παραμέτρους για δεδομένα που ανήκουν στην κανονική εκθετική οικογένεια. Η πρώτη, που ονομάζεται Predictive Control Chart (PCC), εστιάζει σε παροδικές μετατοπίσεις (ακραίες τιμές) και η δεύτερη, που ονομάζεται Predictive Ratio CUSUM (PRC), σε επίμονες αλλαγές. Επιπλέον, παρουσιάζουμε ένα σχήμα για την ακολουθιακή εύρεση σημείων αλλαγής, διαθέσιμο τόσο για μονομεταβλητά όσο και για πολυμεταβλητά δεδομένα, που ονομάζεται Self-starting Shiryaev (3S). Είναι μια γενίκευση της γνωστής διαδικασίας του Shiryaev, η οποία χρησιμοποιεί τη σωρευτική εκ των υστέρων πιθανότητα να έχει συμβεί ένα σημείο αλλαγής. Μια εκτεταμένη μελέτη προσομοίωσης μαζί με ανάλυση ευαισθησίας αξιολογούν την απόδοση των προτεινόμενων μεθόδων και τις συγκρίνουν με εναλλακτικές. Παρέχονται οι τεχνικές λεπτομέρειες, αλγόριθμοι και γενικές οδηγίες για όλες τις μεθόδους, ενώ αυτές απεικονίζονται στην πράξη μέσα από εφαρμογές σε πραγματικά δεδομένα.

Abstract :

In this dissertation, the center of attention is in the research area of Bayesian Statistical Process Control and Monitoring (SPC/M) with emphasis in developing self-starting methods for short horizon data. The aim is in detecting a process disorder as soon as it occurs, controlling the false alarm rate, and providing reliable posterior inference for the unknown parameters. Initially, we will present two general classes of methods for detecting parameter shifts for data that belong to the regular exponential family. The first, named Predictive Control Chart (PCC), focuses on transient shifts (outliers) and the second, named Predictive Ratio CUSUM (PRC), in persistent shifts. In addition, we present an online change point scheme available for both univariate or multivariate data, named Self-starting Shiryaev (3S). It is a generalization of the well-known Shiryaev’s procedure, which will utilize the cumulative posterior probability that a change point has been occurred. An extensive simulation study along with a sensitivity analysis evaluate the performance of the proposed methods and compare them against standard alternatives. Technical details, algorithms and general guidelines for all methods are provided to assist in their implementation, while applications to real data illustrate them in practice.
Σε αυτή τη διατριβή, το κέντρο της προσοχής βρίσκεται στην ερευνητική περιοχή του Μπεϋζιανού Στατιστικού Ελέγχου Διεργασιών και Παρακολούθησης με έμφαση στην ανάπτυξη αυτοεκκινούμενων μεθόδων για δεδομένα βραχέος ορίζοντα. Ο στόχος είναι η ανίχνευση μιας διαταραχής στη διαδικασία μόλις αυτή συμβεί, ελέγχοντας το ποσοστό ψευδών συναγερμών, καθώς και η παροχή αξιόπιστης εκ των υστέρων συμπερασματολογίας για τις άγνωστες παραμέτρους. Αρχικά θα παρουσιάσουμε δύο γενικές κατηγορίες μεθόδων για τον εντοπισμό διαταραχών στις παραμέτρους για δεδομένα που ανήκουν στην κανονική εκθετική οικογένεια. Η πρώτη, που ονομάζεται Predictive Control Chart (PCC), εστιάζει σε παροδικές μετατοπίσεις (ακραίες τιμές) και η δεύτερη, που ονομάζεται Predictive Ratio CUSUM (PRC), σε επίμονες αλλαγές. Επιπλέον, παρουσιάζουμε ένα σχήμα για την ακολουθιακή εύρεση σημείων αλλαγής, διαθέσιμο τόσο για μονομεταβλητά όσο και για πολυμεταβλητά δεδομένα, που ονομάζεται Self-starting Shiryaev (3S). Είναι μια γενίκευση της γνωστής διαδικασίας του Shiryaev, η οποία χρησιμοποιεί τη σωρευτική εκ των υστέρων πιθανότητα να έχει συμβεί ένα σημείο αλλαγής. Μια εκτεταμένη μελέτη προσομοίωσης μαζί με ανάλυση ευαισθησίας αξιολογούν την απόδοση των προτεινόμενων μεθόδων και τις συγκρίνουν με εναλλακτικές. Παρέχονται οι τεχνικές λεπτομέρειες, αλγόριθμοι και γενικές οδηγίες για όλες τις μεθόδους, ενώ αυτές απεικονίζονται στην πράξη μέσα από εφαρμογές σε πραγματικά δεδομένα.

Subject :	Statistical Process Control and Monitoring (SPC/M) Bayesian statistics Change point Sequential detection Στατιστικός έλεγχος διεργασιών και παρακολούθηση Μπεϋζιανή στατιστική Σημείο αλλαγής Ακολουθιακή διάγνωση

Date Available :	2021-11-02 20:30:17

Date Issued :	10/26/2021

Date Submitted :	2021-11-02 20:30:17

Access Rights :	Free access

Licence :

File: Bourazas_2021.pdf

Type: application/pdf

Login