Gleitender Mittelwert Qc

Was ist ein gleitendes Durchschnittsdiagramm Eine Art von zeitgewichteten Kontrolldiagrammen, die den ungewichteten gleitenden Durchschnitt über die Zeit für einzelne Beobachtungen darstellen. Dieses Diagramm verwendet Steuergrenzen (UCL und LCL), um zu bestimmen, wann eine Außer-Steuer-Situation aufgetreten ist. Moving Average (MA) - Diagramme sind effektiver als Xbar-Diagramme bei der Erkennung kleiner Prozessverschiebungen und sind besonders nützlich, wenn es nur 1 Beobachtung pro Untergruppe gibt. Jedoch werden EWMA-Diagramme allgemein gegenüber MA-Diagrammen bevorzugt, da sie die Beobachtungen gewichten. Die Beobachtungen können entweder Einzelmessungen oder Untergruppen sein. Bewegungsdurchschnitte werden aus künstlichen Untergruppen berechnet, die aus aufeinanderfolgenden Beobachtungen erstellt werden. Beispiel eines gleitenden Durchschnittsdiagramms Ein Hersteller von Zentrifugenrotoren möchte den Durchmesser aller in einer Woche produzierten Rotoren verfolgen. Die Durchmesser müssen nahe am Ziel liegen, da auch kleine Verschiebungen zu Problemen führen. Die Punkte scheinen zufällig um die Mittellinie zu variieren und sind innerhalb der Kontrollgrenzen aber es gibt einen Punkt, der nahe an die Kontrollgrenze kommt, die Sie untersuchen möchten. Kontakt Info Site-Suche Wissenscenter Moving Average Range Charts Moving Average Range Charts Sind ein Satz von Steuerkarten für Variablendaten (Daten, die sowohl quantitativ als auch kontinuierlich in der Messung sind, wie etwa eine gemessene Dimension oder Zeit). Das Moving Average-Diagramm überwacht den Prozessort über die Zeit basierend auf dem Durchschnitt der aktuellen Untergruppe und einer oder mehreren vorherigen Untergruppen. Das Moving Range-Diagramm überwacht die Variation zwischen den Untergruppen über die Zeit. Die aufgetragenen Punkte für ein Moving Average Range Chart, eine so genannte Zelle, umfassen die aktuelle Untergruppe und eine oder mehrere vorherige Untergruppen. Jede Untergruppe innerhalb einer Zelle kann eine oder mehrere Beobachtungen enthalten, muss aber alle die gleiche Größe haben. Seit 1982: Die Kunstwissenschaft, um Ihr Endergebnis zu verbessern Quality America bietet Software für statistische Prozesskontrolle sowie Schulungsunterlagen für Lean Six Sigma, Quality Management und SPC an. Wir begleiten einen kundenorientierten Ansatz und führen in vielen Software-Innovationen kontinuierlich nach Wegen, unseren Kunden die besten und kostengünstigsten Lösungen zu bieten. Die führenden Unternehmen in ihrem Bereich, Quality America hat Software und Training Produkte und Dienstleistungen für Zehntausende von Unternehmen in über 25 Ländern zur Verfügung gestellt. Copyright copyright 2013 Quality America Inc. Statistische Qualitätskontrolle in Hämatologie-Analysatoren Die statistische Qualitätskontrolle, die in Hämatologie-Analysatoren durchgeführt wird, hat viele wichtige Unterschiede von den entsprechenden Techniken in den klinisch-chemischen Analysatoren. Diese Unterschiede sind auf Gründe wie die hohe Stabilität der Zytometrie-Technologie, die kleine biologische Variation einiger Hämatologie-Parameter, die großen Reagenzfläschchen und die geringe Zeitdauer der Hämatologie-Kontrollen zurückzuführen. Wegen der oben genannten Gründe, die Levey-Jennings Diagramme in Hämatologie-Analysatoren unterscheiden sich von entsprechenden Charts in der klinischen Chemie. Zum Beispiel haben die Hämatologie Levey-Jennings Diagramme nur drei Linien (obere und untere Grenzen und zentrale Linie). Der Grund dafür ist, dass diese Levey-Jennings-Diagramme nicht statistisch aus einer normalen Verteilung der bisherigen Qualitätskontrolldaten erstellt werden, was aufgrund der sehr kleinen Variation der hämatologischen Qualitätskontrollwerte nicht möglich ist. In Hämatologie-Analysatoren gelten die oberen und unteren Grenzwerte als Grenzwerte für die industrielle Qualitätskontrolle. Die kleine biologische Variation vieler Hämatologieparameter machte viele Forscher zu etablierten Methoden der Qualitätskontrolle, die nur auf den Ergebnissen der Patienten basierten. Solche geeigneten Parameter sind die Erythrozytenindizes (MCV, MCHC, MCV) mit der kleineren biologischen Variation (nicht nur wegen der Biologie, sondern vor allem der hämatologischen Analysentechnik). Diese Attribute von ihnen inspiriert Brian Bull (ein amerikanischer Hämatologe), um eine neue Qualitätskontrolle Methode weithin als Bulls-Algorithmus bekannt zu etablieren. Bulls-Algorithmus (auch bekannt als Methode) erkennt systematische Fehler in MCV, MCHC und MCV und folglich in HgB, Hct und RBC. Seine Methode ist eine Art gleitender Durchschnitt. Ihre Hauptidee ist es, den Mittelwert der letzten zwanzig Patientenwerte, darunter auch den Mittelwert der Charge der letzten zwanzig Werte, abzuschätzen. Der Algorithmus selbst ist eine ziemlich komplizierte Gleichung, die die Ausreißer eliminiert und den gleitenden Durchschnitt der letzten zwanzig Werte schätzt. Stier-Algorithmus hat sich als sehr effektiv bei der Erkennung kleiner systematischer Fehler (fast 1) nicht nur in Erythrozyten-Indizes, sondern auch in fast allen Hämatologie-Parameter. Es verwendet alle Patienten Daten ohne Ausnahme. Die letzte Tatsache machte Bulls-Algorithmus die billigste Qualitätskontrolle Methode in der Labormedizin. Hämatologie Qualitätskontrolle Proben dauern nur 20 30 Tage und sind sehr teuer, wenn auf der anderen Seite Vollblutproben im Kühlschrank für 24 Stunden stabil sind. Diese Tatsachen führten einige Forscher dazu, Methoden zu finden, die auf der wiederholten Analyse von Patientenproben beruhen. Diese Verfahren sind als zurückbehaltene Patientenproben bekannt. Im Jahr 1988 Cembrowski (kanadische klinische Chemiker) etabliert die effektivsten Patientendaten Patient Methode. Es basierte auf der wiederholten Analyse der gleichen Patientenproben zwischen zwei aufeinanderfolgenden Tagen. Seine Methode ist bekannt als mn lim. - Lim steht für die Qualitätskontrollgrenze. Sie ist gleich dem Doppelten der Standardabweichung der repetitiven Analyse (2 x SD). - n steht für die Anzahl der Patienten, die zweimal analysiert werden. - m steht für den Anteil der n Anzahl der Proben, der außerhalb der Grenzwerte (lim) liegen darf. Statistische Simulationen von Cembrowski bewiesen die Wirksamkeit seiner Methode. Ihm zufolge ist die beste Kombination von m, n und lim 2, 3, 2 oder 23 2s. Abschließend stehen drei verschiedene Methoden zur Verfügung, um die analytischen Fehler im hämatologischen Labor nachzuweisen. Levey-Jennings erkennt systematische und zufällige Fehler. Im Gegenteil, Bulls-Algorithmus und behalten Patientenproben entdecken nur systematische Fehler, aber sie haben den Vorteil der niedrigen Kosten. Labor kann die beste Kombination der drei wählen. T 949955949965964945943945 949957951956941961969963951. 922965961953945954942 921945957959965945961943959965 20, 2013