حاسبة الإحصاء: يعني الانحراف المطلق (ماد) يعني الانحراف المطلق حاسبة التعليمات هذه الآلة الحاسبة بحساب الانحراف المطلق يعني من مجموعة البيانات: أنت لا تحتاج إلى تحديد ما إذا كانت البيانات لسكان بأكملها أو من عينة. فقط اكتب أو الصق جميع القيم الملحوظة في المربع أعلاه. يجب أن تكون القيم رقمية ويمكن فصلها بفواصل أو مسافات أو سطر جديد. اضغط على زر إرسال البيانات لإجراء الحساب. لمسح الآلة الحاسبة، اضغط على إعادة تعيين. ما هو متوسط الانحراف المطلق متوسط الانحراف هو مقياس للتشتت. مقياس لمدى اختلاف القيم في مجموعة البيانات عن متوسطها. يتم استخدام القيمة المطلقة لتجنب الانحرافات مع علامات المعاكس إلغاء بعضها البعض. متوسط صيغة الانحراف المطلق تستخدم هذه الآلة الحاسبة الصيغة التالية لحساب متوسط الانحراف المطلق: حيث n هو عدد القيم الملحوظة، x-بار هو متوسط القيم الملاحظة و x i هي القيم الفردية. كوبي 2009-2016 جيورجيو أرسيدياكونوهو لحساب متوسط الانحراف المطلق (ماد) مساعدة من فضلك. منذ مايو من عام 2005، مدير الشراء في متجر يستخدم المتوسط المتحرك لمدة 4 أيام للتنبؤ بالمبيعات في الأشهر المقبلة. بيانات المبيعات ل. عرض المزيد منذ مايو من عام 2005، مدير الشراء في متجر يستخدم المتوسط المتحرك لمدة 4 أيام للتنبؤ بالمبيعات في الأشهر المقبلة. وترد بيانات المبيعات للأشهر من يناير حتى يوليو في الجدول أدناه. حساب متوسط الانحراف المطلق (ماد) لتوقعات المتوسط المتحرك لمدة أربع سنوات. وتحسب قيم التوقعات بدقة دقيقتين عشريتين. حدد درهم كعدد كله عن طريق التقريب. قد يكون من المثير للاهتمام أن ننظر إلى درهم لمجرد البيانات نفسها ومقارنتها مع درهم للمتوسطات المتحركة. (هذا لا يجيب على سؤالك - يضيف فقط قليلا كوتولور. كوت) ما يدل على ذلك هو تأثير تمهيد المتوسطات المتحركة مقارنة مع البيانات الخام. ماد (1n) x وسيط مارك ميدوت منذ 8 سنوات ضعت مع متوسط الانحراف المطلق في الأسبوع الماضي 8217s توقعات الجمعة الجمعة، ناقشنا المتوسط المتحرك لأساليب التنبؤ، بسيطة وموزونة. عندما تكون السلاسل الزمنية ثابتة، أي أنه لا يظهر أي اتجاه واضح أو موسمية ولا يخضع إلا لعشوائية الحياة اليومية، فإن أساليب المتوسط المتحرك أو حتى المتوسط البسيط للمسلسل بأكمله مفيدة للتنبؤ بالفترات القليلة القادمة. ومع ذلك، فإن معظم السلاسل الزمنية هي أي شيء ولكن ثابت: مبيعات التجزئة لديها الاتجاه، والموسمية، والدورات الدورية، في حين أن المرافق العامة لديها الاتجاه والمكونات الموسمية التي تؤثر على استخدام الكهرباء والحرارة. ومن ثم، فإن مقاربات التنبؤ المتنقل المتوسطة قد توفر نتائج أقل من المرغوب فيه. وعلاوة على ذلك، فإن أرقام المبيعات الأخيرة عادة ما تكون أكثر دلالة على المبيعات في المستقبل، لذلك غالبا ما يكون هناك حاجة إلى وجود نظام التنبؤ الذي يضع وزنا أكبر على الملاحظات الأخيرة. أدخل تمهيد أسي. وخلافا لنماذج المتوسط المتحرك، التي تستخدم عددا ثابتا من أحدث القيم في السلاسل الزمنية للتجانس والتنبؤ، فإن التجانس الأسي يتضمن جميع القيم الزمنية للقيم، مما يضع أثقل وزن على البيانات الحالية، والأوزان على الملاحظات القديمة التي تتضاءل أضعافا مضاعفة أكثر من زمن. وبسبب التركيز على جميع الفترات السابقة في مجموعة البيانات، يكون نموذج التجانس الأسي متكررا. عندما لا تظهر سلسلة زمنية أي موسمية قوية أو ملحوظة أو الاتجاه، أبسط شكل من الأسس تمهيد واحد الأسي تمهيد يمكن تطبيقها. وصيغة التمهيد الأسي المفرد هي: في هذه المعادلة، تمثل t1 قيمة التنبؤ للفترة t t 1 Y هي القيمة الفعلية للفترة الحالية t t هي القيمة المتوقعة للفترة الحالية t وهي ثابت التجانس. أو ألفا، عدد بين 0 و 1. ألفا هو الوزن الذي تعينه لأحدث ملاحظة في سلسلة الوقت الخاص بك. في الأساس، كنت تستند توقعاتك للفترة المقبلة على القيمة الفعلية لهذه الفترة، والقيمة التي توقعت لهذه الفترة، والتي بدورها كانت تقوم على توقعات لفترات قبل ذلك. Let8217s نفترض كنت 8217ve تم في الأعمال التجارية لمدة 10 أسابيع وتريد التنبؤ المبيعات للأسبوع ال 11. المبيعات لتلك الأسابيع العشرة الأولى هي: من المعادلة أعلاه، تعلم أنه من أجل التوصل إلى توقعات للأسبوع 11، تحتاج القيم المتوقعة لأسابيع 10، 9، وعلى طول الطريق إلى الأسبوع 1. أنت تعرف أيضا أن الأسبوع 1 ليس لديه أي فترة سابقة، لذلك لا يمكن التنبؤ. و، تحتاج إلى تحديد ثابت تمهيد، أو ألفا، لاستخدامها للتنبؤات الخاصة بك. تحديد التوقعات الأولية الخطوة الأولى في بناء نموذج التجانس الأسي هي توليد قيمة توقعات للفترة الأولى في سلسلة زمنية. الممارسة الأكثر شيوعا هو تعيين القيمة المتوقعة من الأسبوع 1 يساوي القيمة الفعلية، 200، ونحن سوف نفعل في مثالنا. وهناك نهج آخر هو أنه إذا كان لديك بيانات المبيعات السابقة لهذا، ولكن لا تستخدمه في بناء النموذج الخاص بك، قد تأخذ في المتوسط بضع من فترات سابقة مباشرة واستخدام ذلك كما التوقعات. كيفية تحديد توقعاتك الأولية غير موضوعية. كيف كبيرة ينبغي ألفا يكون هذا هو أيضا دعوة الحكم، والعثور على ألفا المناسب يخضع للمحاكمة والخطأ. عموما، إذا سلسلة الوقت الخاص بك هو مستقر جدا، صغيرة مناسبة. إن الفحص البصري لمبيعاتك على الرسم البياني مفيد أيضا في محاولة تحديد ألفا لتبدأ. لماذا هو حجم المهم لأن أقرب إلى 1، والمزيد من الوزن الذي تم تعيينه إلى أحدث قيمة في تحديد توقعاتك، بسرعة أكبر توقعاتك تتكيف مع أنماط في سلسلة الوقت الخاص بك وأقل تجانس يحدث. وبالمثل، كلما اقتربت من 0، كلما زاد الوزن الذي تم وضعه على الملاحظات السابقة في تحديد التوقعات، كلما عدلت توقعاتك ببطء أكثر إلى الأنماط في السلاسل الزمنية، وكلما زادت درجة التمهيد. Let8217s بصريا فحص 10 أسابيع من المبيعات: عملية التمدد الأسي تظهر المبيعات خشنة إلى حد ما، تتأرجح بين 200 و 235. Let8217s تبدأ مع ألفا من 0.5. هذا يعطينا الجدول التالي: لاحظ كيف، على الرغم من أن التنبؤات الخاصة بك aren8217t دقيقة، عندما القيمة الفعلية لأسبوع معين أعلى مما كنت تتوقع (أسابيع 2 إلى 5، على سبيل المثال)، والتوقعات الخاصة بك لكل من الأسابيع اللاحقة ( الأسابيع من 3 إلى 6) تعدل إلى الأعلى عندما تكون قيمك الفعلية أقل من توقعاتك (على سبيل المثال، الأسابيع 6 و 8 و 9 و 10)، فإن توقعاتك للأسبوع التالي تعدل إلى الأسفل. لاحظ أيضا أنه أثناء الانتقال إلى فترات لاحقة، تلعب توقعاتك السابقة دورا أقل وأقل في التنبؤات اللاحقة، حيث يقل وزنها بشكل كبير. فقط من خلال النظر في الجدول أعلاه، كنت أعلم أن توقعات الأسبوع 11 سيكون أقل من 220.8، توقعاتك للأسبوع 10: لذلك، استنادا لدينا ألفا والمبيعات الماضية لدينا، لدينا أفضل تخمين هو أن المبيعات في الأسبوع 11 سيكون 215.4. نلقي نظرة على الرسم البياني للمبيعات الفعلية مقابل المتوقعة لأسابيع 1-10: لاحظ أن المبيعات المتوقعة أكثر سلاسة من الفعلية، ويمكنك أن ترى كيف يتكيف خط المبيعات المتوقعة إلى ارتفاع طفيف والانخفاضات في سلسلة زمنية المبيعات الفعلية. ماذا لو كنا قد استخدمت ألفا أصغر أو أكبر W8217ll تثبت باستخدام كل ألفا من .30 واحد من .70. هذا يعطينا الجدول التالي والرسم البياني: باستخدام ألفا من 0.70، ونحن في نهاية المطاف مع أدنى ماد من الثوابت الثلاثة. نضع في اعتبارنا أن الحكم على موثوقية التوقعات هو 8217t دائما عن التقليل من ماد. ماد، بعد كل شيء، هو متوسط الانحرافات. لاحظ كيف بشكل كبير الانحرافات المطلقة لكل من الفاس تتغير من أسبوع لآخر. قد تكون التنبؤات أكثر موثوقية باستخدام ألفا التي تنتج أعلى درهم، ولكن لديها تباين أقل بين انحرافاتها الفردية. الحدود على التماسك الأسي تمهيد الأسية ليس المقصود للتنبؤ على المدى الطويل. وعادة ما يستخدم للتنبؤ واحد أو اثنين، ولكن نادرا ما أكثر من ثلاث فترات المقبلة. أيضا، إذا كان هناك تغيير جذري مفاجئ في مستوى المبيعات أو القيم، وتستمر السلاسل الزمنية على هذا المستوى الجديد، فإن الخوارزمية ستكون بطيئة للحاق بركب التغيير المفاجئ. وبالتالي، سيكون هناك خطأ أكبر في التنبؤ. في مثل هذه الحالات، سيكون من الأفضل تجاهل الفترات السابقة قبل التغيير، وبدء عملية التمهيد الأسي مع المستوى الجديد. وأخيرا، ناقش هذا المنصب تمهيد أسي واحد، والذي يستخدم عندما لا يكون هناك موسمية ملحوظ أو الاتجاه في البيانات. عندما يكون هناك اتجاه ملحوظ أو النمط الموسمي في البيانات، والتجانس الأسي واحد سوف تسفر عن خطأ كبير في التنبؤ. وهناك حاجة إلى تجانس الأسي مزدوجة هنا لضبط لتلك الأنماط. ونحن سوف تغطي تجانس الأسي مزدوجة في الأسبوع المقبل 8217s توقعات الجمعة الجمعة. واحدة من أسهل وأساليب التنبؤ السلاسل الزمنية الأكثر شيوعا هو أن المتوسط المتحرك. تتحرك طرق المتوسط المتحرك إذا كان كل ما عليك هو عدة فترات متتالية للمتغير (مثل المبيعات وحسابات التوفير الجديدة التي تم فتحها وحضور ورش العمل وما إلى ذلك)، وتوقع you8217re، ولا توجد بيانات أخرى للتنبؤ بما ستكون عليه الفترة التالية 8217s. في كثير من الأحيان، وذلك باستخدام الأشهر القليلة الماضية من المبيعات للتنبؤ مبيعات شهر 8217s القادمة هو الأفضل لتقديرات غير المشروطة. ومع ذلك، يمكن أن يكون لأساليب المتوسط المتحرك أخطاء تنبؤ خطيرة إذا تم تطبيقها دون إهمال. المتوسطات المتحركة: الطريقة في الأساس، تحاول المتوسطات المتحركة تقدير قيمة الفترة التالية 8217s عن طريق حساب متوسط الفترتين الأخيرتين من الفترات السابقة مباشرة. Let8217s يقول أنك كنت في الأعمال التجارية لمدة ثلاثة أشهر، يناير حتى مارس، وأراد أن يتوقع المبيعات أبريل 8217s. وتبدو مبيعاتك للأشهر الثلاثة الأخيرة كما يلي: أبسط طريقة هي أن تأخذ متوسط كانون الثاني / يناير حتى آذار / مارس وتستخدم ذلك لتقدير مبيعات نيسان / أبريل 8217: (129 134 122) 3 128.333 وبالتالي، واستنادا إلى مبيعات كانون الثاني / يناير إلى آذار / مارس، تتوقع أن المبيعات في أبريل سيكون 128،333. مرة واحدة أبريل 8217s المبيعات الفعلية تأتي في، وكنت ثم حساب توقعات لشهر مايو، وهذه المرة باستخدام فبراير حتى أبريل. يجب أن تكون متسقة مع عدد الفترات التي تستخدمها لنقل متوسط التنبؤ. عدد الفترات التي تستخدمها في توقعات المتوسط المتحرك الخاص بك تعسفي قد تستخدم فقط فترتين، أو خمس أو ست فترات ما تريده لتوليد توقعاتك. النهج أعلاه هو متوسط متحرك بسيط. في بعض الأحيان، قد تكون الأشهر الأخيرة 8217 المبيعات المؤثرين أقوى من المبيعات شهر 8217s القادمة، لذلك كنت تريد أن تعطي تلك الأشهر أقرب إلى مزيد من الوزن في نموذج التوقعات الخاصة بك. هذا هو المتوسط المتحرك المرجح. ومثل عدد الفترات، فإن الأوزان التي تعينها تعسفية بحتة. Let8217s يقول كنت تريد أن تعطي المبيعات مارس 8217s 50 الوزن، فبراير 8217s 30 الوزن، و يناير 8217s 20. ثم توقعاتك لشهر أبريل سيكون 127،000 (122.50) (134.30) (129.20) 127. حدود متوسطات الحركة المتحركة تعتبر المتوسطات المتحركة 8220 سمعة 8221 تقنية التنبؤ. لأنك 8217re أخذ المتوسط مع مرور الوقت، كنت تليين (أو تمهيد) آثار حدوثات غير منتظمة داخل البيانات. ونتيجة لذلك، فإن آثار الموسمية، ودورات الأعمال، وغيرها من الأحداث العشوائية يمكن أن تزيد بشكل كبير من الخطأ التنبؤ. ألق نظرة على قيمة بيانات 8217 ثانية كاملة، وقارن متوسط متحرك لمدة 3 أيام ومتوسط متحرك لخمسة فترات: لاحظ أنه في هذه الحالة لم أتمكن من إنشاء توقعات، بل ركزت على المتوسطات المتحركة. المتوسط المتحرك الأول لمدة 3 أشهر هو لشهر فبراير، و 8217 ثانية متوسط يناير وفبراير ومارس. كما فعلت مماثلة لمتوسط 5 أشهر. الآن نلقي نظرة على الرسم البياني التالي: ماذا ترى ليس سلسلة المتوسط المتحرك لمدة ثلاثة أشهر أكثر سلاسة بكثير من سلسلة المبيعات الفعلية وكيف حول المتوسط المتحرك لمدة خمسة أشهر IT8217s حتى أكثر سلاسة. وبالتالي، والمزيد من الفترات التي تستخدمها في المتوسط المتحرك الخاص بك، وسلاسة سلسلة الوقت الخاص بك. وبالتالي، للتنبؤ، قد لا يكون المتوسط المتحرك البسيط أكثر الطرق دقة. إن أساليب المتوسط المتحرك تثبت قيمة كبيرة عندما تحاول 8217 محاولة استخراج المكونات الموسمية وغير المنتظمة والدورية من السلاسل الزمنية لطرق التنبؤ المتقدمة مثل الانحدار و أريما، وسيتم استخدام المتوسطات المتحركة في تحليل سلسلة زمنية في وقت لاحق في السلسلة. تحديد دقة نموذج المتوسط المتحرك بشكل عام، تريد طريقة التنبؤ التي تحتوي على أقل خطأ بين النتائج الفعلية والمتوقعة. ومن أكثر المقاييس شيوعا لدقة التنبؤ هو الانحراف المطلق المتوسط (د. م). في هذا النهج، لكل فترة في السلسلة الزمنية التي قمت بإنشاء توقعات، كنت تأخذ القيمة المطلقة للفرق بين تلك الفترة 8217s القيم الفعلية والمتوقعة (الانحراف). ثم يمكنك متوسط هذه الانحرافات المطلقة وتحصل على مقياس من درهم. ماد يمكن أن يكون مفيدا في اتخاذ قرار بشأن عدد الفترات التي متوسط، و أن كمية الوزن الذي تضعه على كل فترة. عموما، يمكنك اختيار واحد أن يؤدي إلى أدنى درهم. هنا 8217s مثال على كيفية حساب ماد: درهم هو ببساطة المتوسط 8، 1، 3. المتوسطات المتحركة: خلاصة عند استخدام المتوسطات المتحركة للتنبؤ، تذكر: المتوسطات المتحركة يمكن أن تكون بسيطة أو مرجحة عدد الفترات التي تستخدمها ل متوسط، وأي الأوزان التي تعين لكل منها التعسفي التعسفي المتوسطات المتحركة على نحو سلس خارج أنماط غير منتظمة في البيانات سلسلة زمنية أكبر عدد الفترات المستخدمة لكل نقطة البيانات، وزيادة تأثير تمهيد بسبب تجانس، والتنبؤ الشهر المقبل مبيعات 8217s على أساس فإن معظم المبيعات الأخيرة في الشهر 8217s يمكن أن تؤدي إلى انحرافات كبيرة بسبب الأنماط الموسمية والدورية وغير المنتظمة في البيانات، وقدرات التمهيد لطريقة المتوسط المتحرك يمكن أن تكون مفيدة في تحلل سلسلة زمنية لطرق التنبؤ أكثر تقدما. الأسبوع المقبل: تجانس الأسي في الأسبوع القادم 8217s توقعات الجمعة. سوف نناقش أساليب التمهيد الأسي، وسترى أنها يمكن أن تكون أعلى بكثير من المتوسط المتحرك أساليب التنبؤ. لا تزال don8217t تعرف لماذا لدينا توقعات الجمعة المشاركات تظهر يوم الخميس معرفة في: tinyurl26cm6ma السماح مشاركات جديدة تأتي لك فئات
No comments:
Post a Comment