Hypothesen Gleitender Durchschnitt

Experimentelle Vergleiche von Hypothesentests und gleitenden, durchschnittlich basierten Verbrennungsphasenreglern. Ein neuartiger Hypothesentest-basierter Verbrennungsphasenregler wird vorgeschlagen, um sowohl den Mittelwert als auch die Varianz zu kontrollieren. Zwei Hypothesentests, Z-Test und T-Test werden für statistische Kriteriumsplärze mit gleitender, durchschnittlicher Kontrollstrategie eingesetzt Werden in dieser Studie zur Validierung der vorgeschlagenen Methode implementiert. Für die Motorsteuerung ist die Verbrennungsphase der effektivste und direkteste Parameter, um die Kraftstoffeffizienz zu verbessern. In diesem Papier wird die statistische Kontrollstrategie auf der Grundlage des Hypothesentestkriteriums diskutiert Des Spitzendrucks LPP als Verbrennungsphasenindikator wird zunächst das statistische Modell von LPP vorgeschlagen, und dann wird die Reglerentwurfsmethode auf der Basis von Z - und T-Tests diskutiert. Zum Vergleich wird auch eine gleitende, durchschnittliche Steuerstrategie dargestellt und implementiert Studie Die Experimente an einem Ottomotor der Zündkerze bei verschiedenen Betriebsbedingungen zeigen, dass die Hypothesen-Test-basierte Controller in der Lage ist, LPP in der Nähe des Sollwerts zu regulieren, während die schnelle transiente Reaktion beibehalten wird, und die Varianz von LPP ist auch gut eingeschränkt. Engine Controlbustion Phase Kontrolle. Statistische Kontrolle. Hypothesis test. Variance von LPP. Statistics Zusammenfassung Durchschnittswerte Moving Average. Was ist Statistics. Subjects in modernen Statistiken. Warum sollte ich lernen, Statistiken. Was muss ich wissen, um zu lernen, Statistiken. Different Arten von Data. Primary und Secondary Data. Quantitative und qualitative Daten. Methoden der Datenerhebung. Sample Surveys. Observational Studies. Data Analysis. Data Reinigung. Moving Average. Summary Statistics. Measures of center. Mean, Median und Mode. Geometric Mean. Harmonic Mean. Relationships unter Arithmetik , Geometrische und Harmonische Mean. Geometric Median. Measures der Dispersion. Range der Data. Variance und Standard Deviation. Quartiles und Quartile Range. Displaying Dataparative Bar Charts. Scatter Plotsparative Pie Charts. Line Graphs. Frequency Polygon. Bernoulli Trials. Introductory Bayesian Analyse. Discrete Distributions. Uniform Distribution. Bernoulli Distribution. Binomial Distribution. Poisson Distribution. Geometric Distribution. Negative Binomial Distribution. Hypergeometrische Verteilung. Continuous Distributions. Uniform Distribution. Exponential Distribution. Gamma Distribution. Normal Distribution. Chi-Square Distribution. Student-t Distribution. F Distribution. Beta Distribution. Weibull Distribution. Testing Statistische Hypothese. Punkt der statistischen Tests. Formalismus verwendet. Different Arten von Tests. z Test für eine Single Mean. z Test für zwei Means. t Test für eine einzelne mean. t Test Für zwei Means. paired t Test zum Vergleich von Means. One-Way ANOVA F Test. z Test für einen einzelnen Proportion. z Test für zwei Proportionen. Testing, ob Proportion A größer als Proportion B in Microsoft Excel. Spearman s Rank Coefficient. Pearson ist S Produkt Moment Korrelation Coefficient. Chi-Squared Tests. Chi-Squared Test für mehrere Proportionen. Chi-quadratischen Test für Kontingenz. Approximationen von Distributionen. Point Estimates 12 07, 28. März 2007 UTC. Measures of goodness. Sufficiency und minimale Suffizienz. Practice Problems. Summary Statistics Problems. Data-Display-Probleme. Distributions-Probleme. Data-Testing Problems. Numerical Methods. Basic Lineare Algebra und Gram-Schmidt Orthogonalisierung. Unconstrained Optimierung. Quantile Regression. Numerischen Vergleich von statistischen Software. Numerik in Excel. Statistics NumericalMethods zufällig Number Generation. Multivariate Datenanalyse. Principal Component Analysis. Factor Analyse für metrische Daten. Faktor Analyse für Ordinaldaten. Kanonische Korrelation Analyse. Discriminante Analyse. Analyse von spezifischen Datasets. Analyse von Tuberkulose. Ein gleitender Durchschnitt wird verwendet, wenn Sie wollen, um ein Allgemeines Bild der in einem Datensatz enthaltenen Trends Der Datensatz ist typischerweise eine sogenannte Zeitreihe, dh ein Satz von Beobachtungen, die in der Zeit geordnet sind. Angesichts eines solchen Datensatzes X mit einzelnen Datenpunkten xia 2n 1 Punkt gleitender Durchschnitt ist definiert als Xi 1 2 n 1 kininxk sum x und wird also gegeben, indem man den Durchschnitt der 2n Punkte um xi nimmt. Dies auf allen Datenpunkten im Satz ausführen, außer den zu nahe an den Kanten liegenden Punkten erzeugt eine neue Zeitreihe, die etwas geglättet ist Nur die allgemeinen Tendenzen der ersten Zeitreihe. Der gleitende Durchschnitt für viele zeitbasierte Beobachtungen ist oft verzögert Das heißt, wir nehmen den 10-tägigen gleitenden Durchschnitt, indem wir uns den Durchschnitt der letzten 10 Tage ansehen. Wir können das aufregender machen Wusste, dass die Statistik aufregend war, indem man verschiedene Gewichte an den 10 Tagen betrachtete. Vielleicht sollte der jüngste Tag das wichtigste in unserer Schätzung sein und der Wert von 10 Tagen wäre am wenigsten wichtig Solange wir eine Menge von Gewichten haben, die auf 1 summieren , Das ist ein akzeptabler gleitender Durchschnitt Manchmal werden die Gewichte entlang einer exponentiellen Kurve gewählt, um den exponentiellen gleitenden Durchschnitt zu machen. Ein Bowler ist prahlen, dass sein Durchschnitt mindestens 180 ist. Wir beobachten ihn spielen drei Spiele, seine Noten sind 125, 155, 140, S 15 Sollten wir seinen Anspruch akzeptieren oder ablehnen, sollten wir ihn ablehnen Warum Weil ein Beispiel Durchschnitt so niedrig wie 140 ist von einem 180 Bowler unwahrscheinlich Wie unwahrscheinlich Ein 180-Bowler wird ein 3-Spiel-Durchschnitt von 140 oder weniger nur 2 Prozent von Die Zeit ist 2 Prozent der Zeit unwahrscheinlich In der Statistik, ja 5 Prozent oder weniger heißt statistisch signifikant. Die Entscheidungsfindung oben wird als ein Test von Bedeutung bezeichnet Hier ist die Art und Weise ein statistischer Bericht würde formell präsentieren die Prüfung in nummerierten Stufen. 1 Hypothesen gegen 2 Teststatistik 3 P-Wert Angenommen, H 0 ist wahr, die Wahrscheinlichkeit einer zufälligen Variation, die bei - statistisch so niedrig wie -4 62 ist, ist 02 Berechnungsdetails später.4 Schlussfolgerung Seit dem P-Wert wird der beobachtete Samplewert deklariert Signifikant unwahrscheinlich unter Also, wir lehnen H 0 ab und schlussfolgern Die Probe liefert Beweise, um den Anspruch des Bowlers zu verweigern. Hier ist eine detailliertere Beschreibung jeder Komponente des Tests von Bedeutung über 1 Die Null - und Alternativhypothesen. H 0 und H 1 sind Nannte die Nullhypothese und die alternative Hypothese bzw. Die beiden Hypothesen beschreiben die beiden Möglichkeiten, die der Anspruch wahr ist, oder die Behauptung ist falsch. Wenn die beiden Hypothesen Aussagen über die Population sind, sind die beiden Hypothesen komplementär, wenn man das andere auftritt, ist die Hypothese mit dem Gleichheitszeichen nicht die Nullhypothese Ein Test der Signifikanz lehnt die Bevölkerungsaussage H 0 ab und schließt H 1, wenn die Stichprobenwerte sind Sind deutlich weit von H 0 und innerhalb von H 1. Daher lehnen wir ab und schließen, wenn ein gewisser Abstand unterhalb von 180 ist. Wie weit unter 180 ist signifikant Die Teststatistik hilft uns zu bestimmen, wo die Linie in den Sand zu ziehen ist.2 Die Teststatistik Für Tests Von Hypothesen auf, die t-test-Statistik ist ein Verhältnis der Form. Für die Null-Hypothese, die t-test-Statistik ist. H 0 wird abgelehnt, wenn und nur wenn wird ein erheblicher Abstand unter 180, was passiert, wenn und nur Wenn t eine beträchtliche Distanz unter 0 ist. Auf der Grundlage der beobachteten Stichproben ist der beobachtete t-Wert. Ist t -4 62 deutlich unter 0 Um dies zu beantworten, benötigen wir die Hilfe der t-Kurve mit n -1 Freiheitsgraden. Bei der t-Kurve mit n -1 2 Freiheitsgraden ergibt sich die Wahrscheinlichkeit einer zufälligen Veränderung Bei - value so niedrig wie -4 62 ist 02.Seit dieser Wahrscheinlichkeit ist weniger als 05 der Standard für statistische Signifikanz, erklären wir, dass t -4 62 deutlich unter 0 liegt, oder das ist deutlich unter 180 und lehnt im Allgemeinen die P-Wert ist die Gesamtfläche unter der Kurve extremer als t zur Unterstützung von H 1 Wenn t im H 1 - Gebiet tief ist, dann ist der P-Wert klein. Wenn P-Wert 05, weisen wir H 0 mit statistischer Signifikanz If P ab - Wert 01, weisen wir H 0 mit hoher statistischer Signifikanz zurück Wenn der P-Wert größer als 05 ist, nehmen wir H an. 0 Schlussfolgerung Wenn H 0 abgelehnt wird, wird die Schlussfolgerung in der Regel angegeben, da genügend Beweise für statistisch signifikante Unterschiede vorliegen H 0 wird akzeptiert, die Schlussfolgerung wird in der Regel angegeben, da es nicht genügend Beweise gibt, oder es gibt keine statistisch signifikanten Unterschiede Seit P-Wert 02 in unserem Beispiel, so schließen wir, dass die Stichprobe genügend Beweise liefert, um die Beifahrer zu behaupten 180 Durchschnitt oder seine Leistung war viel niedriger als sein behaupteten Durchschnitt, und der Unterschied ist statistisch signifikant.