First Order Moving Average Prozess

Autoregressive Moving-Average Simulation First Order. Die Demonstration ist so eingestellt, dass die gleiche zufällige Reihe von Punkten verwendet wird, egal wie die Konstanten und sind vielfältig Wenn jedoch die randomisierte Taste gedrückt wird, wird eine neue zufällige Serie erzeugt und verwendet Zufällige Serien identisch ermöglicht es dem Benutzer, genau die Effekte auf die ARMA-Reihe von Änderungen in den beiden Konstanten zu sehen. Die Konstante ist auf -1,1 begrenzt, da die Divergenz der ARMA-Serie resultiert. Die Demonstration ist nur für einen Prozeß erster Ordnung AR-Begriffe ermöglichen es, komplexere Serien zu generieren, während zusätzliche MA-Begriffe die Glättung erhöhen würden. Für eine detaillierte Beschreibung der ARMA-Prozesse siehe beispielsweise G-Box, GM Jenkins und G Reinsel, Time Series Analysis Forecasting und Control 3rd Ed Englewood Cliffs, NJ Prentice-Hall, 1994.RELATED LINKS.2 1 Moving Average Models MA Modelle. Time Serie Modelle bekannt als ARIMA Modelle können autoregressive Begriffe und gleitende durchschnittliche Begriffe In der 1. Woche haben wir einen autoregressiven Begriff in einem Zeitreihenmodell für die Variable xt gelernt, ist ein verzögerter Wert von xt. Zum Beispiel ist ein autoregressiver Term 1 x t-1 multipliziert mit einem Koeffizienten. Diese Lektion definiert gleitende durchschnittliche Terme Der durchschnittliche Term in einem Zeitreihenmodell ist ein vergangener Fehler, multipliziert mit einem Koeffizienten. Let wt Overset N 0, Sigma 2w, was bedeutet, dass die wt identisch, unabhängig verteilt sind, jeweils mit einer Normalverteilung mit Mittelwert 0 und der gleichen Varianz Ein ordentliches gleitendes Durchschnittsmodell, das mit MA 1 bezeichnet wird. Xt mu wt theta1w. Das 2. geordnete gleitende Durchschnittsmodell, das mit MA 2 bezeichnet wird, ist. Xt mu wt theta1w theta2w. Das gängige gleitende durchschnittliche Modell, das mit MA q bezeichnet wird, ist. Xt mu wt theta1w theta2w punkte thetaq. Note Viele Lehrbücher und Softwareprogramme definieren das Modell mit negativen Vorzeichen vor den Begriffen Dies ändert nicht die allgemeinen theoretischen Eigenschaften des Modells, obwohl es die algebraischen Zeichen der geschätzten Koeffizientenwerte und nicht quittierten Begriffe in Formeln für ACFs und Abweichungen Sie müssen Ihre Software überprüfen, um zu überprüfen, ob negative oder positive Zeichen verwendet wurden, um das geschätzte Modell R korrekt zu schreiben. R verwendet positive Zeichen in seinem zugrunde liegenden Modell, wie wir hier sind. Die theoretischen Eigenschaften einer Zeitreihe mit Ein MA 1 Modell. Hinweis, dass der einzige Wert ungleich Null in der theoretischen ACF ist für lag 1 Alle anderen Autokorrelationen sind 0 Also ein Beispiel ACF mit einer signifikanten Autokorrelation nur bei lag 1 ist ein Indikator für eine mögliche MA 1 Modell. Für interessierte Studenten, Beweise dieser Eigenschaften sind ein Anhang zu diesem Handout. Beispiel 1 Angenommen, dass ein MA 1 - Modell xt 10 wt 7 w t-1 ist, wo wt Overset N 0,1 Somit ist der Koeffizient 1 0 7 Th E theoretische ACF ist gegeben durch eine Handlung dieses ACF folgt. Die eben dargestellte Kurve ist die theoretische ACF für eine MA 1 mit 1 0 7 In der Praxis, eine Probe gewonnen t in der Regel bieten ein solches klares Muster Mit R, simulierten wir n 100 Sample-Werte mit dem Modell xt 10 wt 7 w t-1 wobei w t. iid N 0,1 Für diese Simulation folgt ein Zeitreihen-Plot der Sample-Daten. Wir können aus dieser Handlung viel erzählen. Die Probe ACF für die simulierte Daten folgt Wir sehen einen Spike bei Verzögerung 1, gefolgt von allgemein nicht signifikanten Werten für Verzögerungen nach 1. Beachten Sie, dass die Stichprobe ACF nicht mit dem theoretischen Muster des zugrunde liegenden MA 1 übereinstimmt, was bedeutet, dass alle Autokorrelationen für die Verzögerungen nach 1 0 sind Eine andere Probe würde eine etwas andere Probe ACF unten gezeigt haben, würde aber wahrscheinlich die gleichen breiten Features haben. Theroretische Eigenschaften einer Zeitreihe mit einem MA 2 Modell. Für das MA 2 Modell sind die theoretischen Eigenschaften die folgenden. Hinweis, dass die nur ungleich Null Werte in der theoretischen ACF sind für Verzögerungen 1 und 2 Autokorrelat Ionen für höhere Verzögerungen sind 0 Also, eine Stichprobe ACF mit signifikanten Autokorrelationen bei Verzögerungen 1 und 2, aber nicht signifikante Autokorrelationen für höhere Verzögerungen zeigt ein mögliches MA 2 Modell an. ND Die Koeffizienten sind 1 0 5 und 2 0 3 Da es sich hierbei um einen MA 2 handelt, hat der theoretische ACF nur ungleich Null-Werte nur bei Verzögerungen 1 und 2.Values ​​der beiden Nicht-Null-Autokorrelationen sind. Ein Diagramm der theoretischen ACF folgt. Wie fast immer der Fall ist, haben sich die Beispieldaten nicht gut verhalten So perfekt als Theorie Wir simulierten n 150 Sample-Werte für das Modell xt 10 wt 5 w t-1 3 w t-2 wobei w t. iid N 0,1 Die Zeitreihen-Plot der Daten folgt Wie bei der Zeitreihen-Plot für Die MA 1 Beispieldaten, können Sie t viel davon erzählen. Die Probe ACF für die simulierten Daten folgt Das Muster ist typisch für Situationen, in denen ein MA 2 - Modell nützlich sein kann Es gibt zwei statistisch signifikante Spikes bei den Verzögerungen 1 und 2 gefolgt von Nicht - signifikante Werte für andere Verzögerungen Beachten Sie, dass die Stichprobe ACF aufgrund des Stichprobenfehlers nicht übereinstimmt Das theoretische Muster genau. ACF für General MA q Modelle. Eigenschaft von MA q-Modelle im Allgemeinen ist, dass es keine Null-Autokorrelationen für die ersten q Verzögerungen und Autokorrelationen 0 für alle Verzögerungen q. Non-Eindeutigkeit der Verbindung zwischen den Werten von 1 und rho1 In MA 1 Modell Im MA 1 Modell, für jeden Wert von 1 der reziproke 1 1 gibt den gleichen Wert für. Als Beispiel, verwenden Sie 0 5 für 1 und verwenden Sie dann 1 0 5 2 für 1 Sie erhalten rho1 0 4 In beiden Fällen. Um eine theoretische Einschränkung als Invertierbarkeit zu befriedigen, beschränken wir MA 1 - Modelle, um Werte mit einem absoluten Wert kleiner als 1 zu haben. In dem gerade angegebenen Beispiel ist 1 0 5 ein zulässiger Parameterwert, wohingegen 1 1 0 5 2 nicht. Invertierbarkeit von MA-Modellen. Ein MA-Modell soll invertierbar sein, wenn es algebraisch äquivalent zu einem konvergierenden unendlichen Ordnungs-AR-Modell ist. Durch Konvergenz bedeutet das, dass die AR-Koeffizienten auf 0 abnehmen, wenn wir uns in der Zeit zurückziehen. Unverträglichkeit ist eine eingeschränkte Einschränkung Zeitreihen-Software zur Schätzung des Koeffizienten Icients von Modellen mit MA-Begriffen Es ist nicht etwas, das wir in der Datenanalyse überprüfen. Weitere Informationen über die Invertierbarkeitsbeschränkung für MA 1-Modelle finden Sie im Anhang. Advanced Theory Note Für ein MA q - Modell mit einem angegebenen ACF gibt es nur Ein invertierbares Modell Die notwendige Bedingung für die Invertierbarkeit ist, dass die Koeffizienten Werte haben, so dass die Gleichung 1- 1 y - - qyq 0 Lösungen für y hat, die außerhalb des Einheitskreises liegen. R Code für die Beispiele In Beispiel 1 haben wir die Theoretische ACF des Modells xt 10 wt 7w t-1 und dann simuliert n 150 Werte aus diesem Modell und plotten die Probe Zeitreihen und die Probe ACF für die simulierten Daten Die R-Befehle verwendet, um die theoretische ACF wurden. acfma1 ARMAacf ma c 0 7, 10 Verzögerungen von ACF für MA 1 mit theta1 0 7 Verzögerungen 0 10 erzeugt eine Variable namens Lags, die von 0 bis 10 Plot Lags, acfma1, xlim c 1,10, ylab r, Typ h, main ACF für MA 1 reicht Mit theta1 0 7 abline h 0 fügt eine horizontale Achse zum Plot hinzu E erster Befehl bestimmt die ACF und speichert sie in einem Objekt namens acfma1 unsere Wahl des Namens. Der Handlungsbefehl der 3. Befehls-Plots verzögert gegenüber den ACF-Werten für die Verzögerungen 1 bis 10 Der ylab-Parameter markiert die y-Achse und der Hauptparameter setzt einen Titel auf dem Plot. Um die numerischen Werte des ACF zu sehen, benutzen Sie einfach den Befehl acfma1. Die Simulation und Plots wurden mit den folgenden Befehlen durchgeführt. List ma c 0 7 Simuliert n 150 Werte aus MA 1 x xc 10 fügt 10 hinzu, um Mittel zu machen 10 Simulationsvorgaben bedeuten 0 Plot x, Typ b, Haupt Simuliert MA 1 Daten acf x, xlim c 1,10, Haupt-ACF für simuliert Beispieldaten In Beispiel 2 haben wir die theoretische ACF des Modells xt 10 wt 5 w t-1 3 w t-2 aufgetragen und dann n 150 Werte aus diesem Modell simuliert und die Sample-Zeitreihen und die Probe ACF für die simulierten aufgetragen Daten Die verwendeten R-Befehle waren. acfma2 ARMAacf ma c 0 5,0 3, acfma2-Verzögerungen 0 10 Plot-Verzögerungen, acfma2, xlim c 1,10, ylab r, Typ h, Haupt-ACF für MA 2 mit theta1 0 5, theta2 0 3 abline h 0 list ma c 0 5, 0 3 x xc 10 plot x, Typ b, main Simuliert MA 2 Serie acf x, xlim c 1,10, Haupt-ACF für simulierte MA 2 Daten. Appendix Nachweis der Eigenschaften von MA 1 Für interessierte Schüler sind hier Beweise für die theoretischen Eigenschaften des MA 1 Modells. Variante Text xt Text mu wt theta1 w 0 text wt text theta1w sigma 2w theta 21 sigma 2w 1 theta 21 sigma 2w. Wenn h 1, der vorherige ausdruck 1 W 2 Für jedes h 2 , Der vorhergehende Ausdruck 0 Der Grund dafür ist, dass durch die Definition der Unabhängigkeit der wt E wkwj 0 für irgendwelche kj Weiter, weil die wt haben Mittelwert 0, E wjwj E wj 2 w 2.For eine Zeitreihe. Apply dieses Ergebnis zu bekommen Die ACF, die oben gegeben wurde. Ein invertierbares MA-Modell ist eines, das als ein unendliches Auftrags-AR-Modell geschrieben werden kann, das konvergiert, so dass die AR-Koeffizienten zu 0 konvergieren, wenn wir uns unendlich zurück in der Zeit bewegen. Wir zeigen die Invertierbarkeit für das MA 1-Modell Ersatzbeziehung 2 für wt-1 in Gleichung 1. 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. Die Zeit t-2 Gleichung 2 wird. Wir ersetzen dann die Beziehung 4 für w t-2 in Gleichung 3. zt wt Theta1z - theta1w wt theta1z - theta1w wt theta1z - theta1 2z theta 31.Wenn wir unendlich weitergehen wollten, würden wir das unendliche AR-Modell bekommen. Zt wt theta1 z - theta 21z theta 31z - theta 41z dots. Hinweis jedoch, dass wenn 1 1 die Koeffizienten, die die Verzögerungen von z multiplizieren, unendlich an Größe zunehmen werden, wenn wir uns in der Zeit zurückziehen Um dies zu verhindern, brauchen wir 1 1 Dies ist Die Bedingung für ein invertierbares MA 1 Modell. Unendliche Ordnung MA Modell. In Woche 3 sehen wir, dass ein AR 1 Modell in ein unendliches Auftrag MA Modell umgewandelt werden kann. Xt - mu wt phi1w phi 21w punkte phi k1 w punkte sum phi j1w. Diese Summierung der vergangenen weißen Rauschbegriffe ist als die kausale Darstellung eines AR 1 bekannt. Mit anderen Worten, xt ist ein spezieller Typ von MA mit unendlich vielen Terme Rückkehr in der Zeit Dies ist eine unendliche Ordnung MA oder MA Eine endliche Ordnung MA ist eine unendliche Ordnung AR und jede endliche Ordnung AR ist eine unendliche Ordnung MA. Recall in Woche 1, stellten wir fest, dass eine Voraussetzung für eine stationäre AR 1 ist, dass 1 1 Sei s berechnen die Var xt mit der Kausaldarstellung. Dieser letzte Schritt verwendet eine grundlegende Tatsache über geometrische Serien, die Phi1 erfordert 1 sonst die Serie divergiert. Double Sampling Overline Control Chart für eine erste Ordnung autoregressive gleitenden durchschnittlichen Prozess model. Cite this Artikel als Costa, AFB Claro, FAE Int J Adv Manuf Technol 2008 39 521 doi 10 1007 s00170-007-1230-6In diesem Papier betrachten wir die doppelte Stichproben-DS-Overline-Kontrollkarte für die Überwachung von Prozessen, in denen die Beobachtungen dargestellt werden können Als erster autor Oregressive gleitende durchschnittliche ARMA 1, 1-Modell Die Eigenschaften des DS-Overline-Kontrollschemas mit den von dem rationalen Untergruppenkonzept angetriebenen Abtastintervallen werden untersucht und mit dem Shewhart-Diagramm und dem variablen Sample-Größen-VSS-Diagramm verglichen, die beide ordnungsgemäß modifiziert wurden Korrelation Numerische Ergebnisse zeigen, dass die Korrelation innerhalb der Untergruppen einen signifikanten Einfluss auf die Eigenschaften der Diagramme hat. Für Prozesse mit niedrigen bis mäßigen Korrelationsniveaus ist das DS-Overline-Diagramm wesentlich effizienter bei der Erkennung von Prozessmittelverschiebungen. Autokorrelation Durchschnittliche Lauflänge Kontrolldiagramm Doppelte Probenahme Erster Ordnung autoregressiver gleitender Durchschnittsprozess Statistische Prozesskontrolle. Montgomery DC 2001 Einführung in die statistische Qualitätskontrolle, 4. Ed Wiley, New York Google Scholar. Tagaras G 1998 Eine Übersicht über die jüngsten Entwicklungen bei der Gestaltung adaptiver Kontrollkarten J Qual Technol 30 212 231 Google Scholar. Reynolds MR Jr, Amin RW, Arnold JC, Nachlas JA 1988 überl Ine-Charts mit variablen Stichprobenintervallen Technometrics 30 181 192 CrossRef MathSciNet Google Scholar. Reynolds MR Jr 1989 Optimale Variable Sampling Intervall-Kontrollkarten Seq Anal 8 361 379 MATH CrossRef MathSciNet Google Scholar. Reynolds MR Jr 1996 Shewhart und EWMA Variable Probenahme Intervall-Kontrollkarten mit Stichproben Zu festen Zeiten J Qual Technol 28 199 212 Google Scholar. Reynolds MR Jr 1996 Variable-Sampling-Intervall-Kontrollkarten mit Stichproben zu festen Zeiten IIE Trans 28 497 510 CrossRef Google Scholar. Runger GC, Pignatiello Jr JJ 1991 Adaptive Probenahme für Prozesskontrolle J Qual Technol 23 135 155 Google Scholar. Amin RW, Miller RW 1993 Eine Robustheitsstudie von Overline-Charts mit variablen Stichproben-Intervallen J Qual Technol 25 36 44 Google Scholar. Runger GC, Montgomery DC 1993 Adaptive Stichprobenerweiterungen für Shewhart-Kontrollkarten IIE Trans 25 41 51 CrossRef Google Scholar. Prabhu SS, Runger GC, Keats JB 1993 Overline Chart mit adaptiven Stichprobengrößen Int J Prod Res 31 2895 2 909 CrossRef Google Scholar. Costa AFB 1994 Overline Charts mit variabler Stichprobengröße J Qual Technol 26 155 163 Google Scholar. Stoumbos ZG, Reynolds MR Jr 1996 Kontrollkarten, die bei jedem Stichprobenplan einen sequenziellen Sequenzproben anwenden Seq Anal 15 159 183 MATH CrossRef MathSciNet Google Scholar. Stoumbos ZG, Reynolds MR Jr 1997 Kontrollkarten, die einen sequentiellen Test in festen Stichprobenintervallen anwenden J Qual Technol 29 21 40 Google Scholar. Costa AFB, Rahim MA 2004 Gemeinsame Overline - und R-Charts mit zweistufigen Stichproben Qual Reliab Eng Int 20 699 708 CrossRef Google Scholar. Prabhu SS, Montgomery DC, Runger GC 1994 Eine kombinierte adaptive Stichprobengröße und Stichprobenintervall Overline Kontrollschema J Qual Technol 26 164 176 Google Scholar. Costa AFB 1997 Overline Charts mit variablen Stichprobengrößen und Stichprobenintervallen J Qual Technol 29 197 204 Google Scholar. Costa AFB 1998 VSSI Overline Charts mit Stichproben zu festen Zeiten Commun Stat Theory Methoden 27 2853 2869 MATH CrossRef Google Scholar. Costa AFB 19 99 Gemeinsame Overline - und R-Charts mit variablen Stichprobengrößen und Sampling-Intervallen J Qual Technol 31 387 397 Google Scholar. Costa AFB 1998 Gemeinsame Overline - und R-Charts mit variablen Parametern IIE Trans 30 505 514 Google Scholar. Costa AFB 1999 Overline-Charts mit variablen Parametern J Qual Technol 31 408 416 Google Scholar. Costa AFB 1999 AATS für das Overline-Diagramm mit variablen Parametern J Qual Technol 31 455 458 Google Scholar. Carot V, Jabaloyes JM, Carot T 2002 Kombinierte Doppelabtastung und variables Stichprobenintervall Overline-Diagramm Int J Prod Res 40 2175 2186 MATH CrossRef Google Scholar. De Magalhes MS, Epprecht EK, Costa AFB 2001 Ökonomisches Design eines VP Overline Chart Int J Prod Econ 74 191 200 CrossRef Google Scholar. De Magalhes MS, Epprecht EK, Costa AFB 2002 Optimiertes Modell für Die Gestaltung eines adaptiven Overline-Diagramms Int J Prod Res 40 3199 3218 MATH CrossRef Google Scholar. Croasdale P 1974 Kontrollkarten für ein Doppel-Sampling-Schema auf der Grundlage des durchschnittlichen Produktionslaufs Längen Int J Prod Res 12 585 592 CrossRef Google Scholar. Daudin JJ 1992 Double Sampling Overline Charts J Qual Technol 24 78 87 Google Scholar. Irianto D, Shinozaki N 1998 Eine optimale doppelte Stichprobe Overline Control Chart Int J Ind Eng 5 226 234 Google Scholar. He D, Grigoryan A 2006 Gemeinsames statistisches Design der doppelten Stichproben-Overline und s Charts Eur J Oper Res 168 122 142 MATH CrossRef MathSciNet Google Scholar. He D, Grigoryan A 2005 Multivariate Mehrfach-Stichproben-Charts IIE Trans 37 509 521 CrossRef Google Scholar. Amin RW, Lee SJ 1999 Die Auswirkungen von Autokorrelation und Ausreißer auf zweiseitige Toleranzgrenzen J Qual Technol 31 286 300 Google Scholar. Vander Wiel SA 1996 Überwachung von Prozessen, die mit integrierten gleitenden Durchschnittsmodellen wandern Technometrics 38 139 151 MATH CrossRef Google Scholar. Reynolds MR Jr, Lu CW 1997 Kontrollkarten zur Überwachung von Prozessen mit autokorrelierten Daten Nichtlineare Anal-Theorie Methoden Appl 30 4059 4067 MATH CrossRef MathSciNet Google Scholar. Van Brackle II I LN, Reynolds MR Jr 1997 EWMA und CUSUM Kontrollkarten in Gegenwart von Korrelation Commun Stat Simul Comput 26 979 1008 CrossRef Google Scholar. Lu CW, Reynolds MR Jr 1999 Kontrollkarten zur Überwachung des Mittels und der Abweichung von autokorrelierten Prozessen J Qual Technol 31 259 274 Google Scholar. Alwan LC, Radson D 1992 Zeitreihenuntersuchung von Teilproben-Mitteldiagrammen IIE Trans 24 66 80 CrossRef Google Scholar. Runger CG, Willemain TR 1995 Modellbasierte und modellfreie Kontrolle von autokorrelierten Prozessen J Qual Technol 27 283 292 Google Scholar. Runger CG, Willemain TR 1996 Batch-Mittel-Kontrollkarten für autokorrelierte Daten IIE Trans 28 483 487 CrossRef Google Scholar. Alwan LC 1992 Auswirkungen der Autokorrelation auf die Kontrolle der Chart-Leistung Commun Stat Theory Methoden 21 1025 1049 MATH CrossRef Google Scholar. Vasilopoulos AV, Stamboulis AP 1978 Änderung der Kontrollkartengrenzen in Gegenwart von Datenkorrelation J Qual Technol 10 20 30 Google Scholar. Alwan LC, Roberts HV 1988 Zeitreihe mo Für die statistische Prozesskontrolle J Bus Econ Stat 6 87 95 CrossRef Google Scholar. Montgomery DC, Mastrangelo CM 1991 Einige statistische Prozesskontrollmethoden für autokorrelierte Daten J Qual Technol 23 179 193 Google Scholar. Box GEP, Kramer T 1992 Statistische Prozessüberwachung und Feedback Anpassung einer Diskussion Technometrics 34 251 267 CrossRef MathSciNet Google Scholar. Superville CR, Adams BM 1994 Eine Bewertung der prognostizierten Qualitätskontrollsysteme Commun Stat Simul Comput 23 645 661 MATH CrossRef MathSciNet Google Scholar. Zhang NF 1997 Erkennungsfähigkeit der Restkontrollkarte für Stationäre Prozessdaten J Appl Stat 24 475 492 CrossRef Google Scholar. Wardell DG, Moskau H, Plante RD 1992 Kontrollkarten in Gegenwart von Datenkorrelation Manage Sci 38 1084 1105 MATH CrossRef Google Scholar. Yashchin E 1993 Leistung von CUSUM-Kontrollsystemen für seriell Korrelierte Beobachtungen Technometrics 35 37 52 MATH CrossRef MathSciNet Google Scholar. Faltin FW, Mastrangelo CM, Runger GC, Ryan TP 1997 Überlegungen zur Überwachung autokorrelierter und unabhängiger Daten J Qual Technol 29 131 133 Google Scholar. Reynolds MR Jr, Arnold JC, Baik JW 1996 Variables Stichprobenintervall Overline Charts in Gegenwart von Korrelation J Qual Technol 28 12 30 Google Scholar. Wardell DG, Moskau H, Plante RD 1994 Run-Längen-Distributionen von Spezial-Ursachen-Kontrollkarten für korrelierte Prozesse Technometrics 36 3 17 MATH CrossRef MathSciNet Google Scholar. Aley DW, Lee HC 2003 Design von exponentiell gewichteten gleitenden durchschnittlichen Kontrollkarten für Autokorrelierte Prozesse mit Modellunsicherheit Technometrics 45 187 198 CrossRef MathSciNet Google Scholar. Aley DW, Tsung F 2002 Das autoregressive T 2 Diagramm zur Überwachung von univariaten autokorrelierten Prozessen J Qual Technol 34 80 96 Google Scholar. Jiang W, Tsui KL, Woodall WH 2000 Ein neues SPC-Monitoring-Methode der ARMA-Chart Technometrics 42 399 410 CrossRef Google Scholar. Box GEP, Jenkins GM, Reinsel GC 1994 Zeitreihenanalyse für Neufassung und Kontrolle, 3. Edn Prentice Hall, Englewood Cliffs, New Jersey MATH Google Scholar. Copyright Informationen. Springer-Verlag London Limited 2007.Autoren und Affiliations. Antonio F B Costa. Email Autor. Fernando A E Claro.1 Department of Production Departmento de Produco UNESP Sao Paulo State University Guaratinguet Brasilien. About diesen Artikel.