আপনি কি একবারে একাধিকবার নির্দিষ্ট পরীক্ষা নিরীক্ষণ করতে পেরেছেন? যদি তা হয় তবে আপনি কি নিজের মাউসকে বিশ্রাম দিতে চান? মিনিতাব দিয়ে আপনি সময় সাশ্রয় করতে সহজেই অপারেশন স্বয়ংক্রিয় করতে পারেন। স্থানীয় ম্যাক্রো ব্যবহার করে দ্রুত এবং সহজ কাটা / পেস্ট পদ্ধতি থেকে আরও শক্তিশালী পদ্ধতি পর্যন্ত এটি করার বিভিন্ন উপায় রয়েছে।
কিভাবে কাজ করে? MINITAB- র প্রায় সমস্ত ক্রিয়াকলাপ কমান্ড সেশন ব্যবহার করে করা যেতে পারে । প্রকৃতপক্ষে, আপনি যখন একটি ডায়লগ বাক্স সম্পূর্ণ করেন এবং ঠিক আছে ক্লিক করেন, মিনিটাব একটি কমান্ড সেশন তৈরি করে যা এতে আপনি নির্বাচিত সমস্ত তথ্য ধারণ করে। আপনি এই কমান্ড সেশনগুলি "যেমন আছে" ব্যবহার করতে পারেন। বা আপনি যদি চান তবে এগুলিকে সংশোধন করুন, এক ধাপে এগুলি লোড করুন এবং MINITAB সম্পূর্ণ বিশ্লেষণ চালাবে।
ধরুন আপনার কাছে একটি সাপ্তাহিক ডেটা সংগ্রহ রয়েছে এবং আপনি সেই ডেটা থেকে তিনটি ভিন্ন গ্রাফ তৈরি করেন। অবশ্যই, প্রতি সপ্তাহে আপনার তিনটি চার্টের জন্য ডায়ালগ বাক্স পূরণ করা উচিত, যার অর্থ প্রচুর মাউস ক্লিক হবে। পরিবর্তে, আপনি স্ক্রিপ্টটি লোড করতে পারেন যা এই চার্টগুলিকে একটি দ্রুত পদক্ষেপে জেনারেট করে।
এই নিবন্ধটিতে মিনিতাবের সময় সিরিজ অপারেশনগুলি কীভাবে স্বয়ংক্রিয় করতে হবে তার কয়েকটি সাধারণ উদাহরণ অন্তর্ভুক্ত রয়েছে।
মিনিটব টাইম সিরিজ।
এই ম্যানুয়ালটিতে সময় সিরিজের বিষয়টির মিনিট্যাব সিস্টেম সংস্করণ 15- এ ধারণা, প্রয়োগ এবং সম্পাদন রয়েছে
টাইম সিরিজের বেসিক কনসপটস
1.1 ভূমিকা
প্রতিটি সংস্থা, সে পরিবার, সংস্থা বা সরকারই হোক, বেঁচে থাকার এবং অগ্রগতির জন্য ভবিষ্যতের পরিকল্পনা করতে হবে plans পরিকল্পনা, পূর্বাভাস বা প্রতিরোধের জন্য আজ বিভিন্ন সংস্থার নির্দিষ্ট ঘটনাগুলির ভবিষ্যতের আচরণ জানতে হবে।
যৌক্তিক পরিকল্পনার জন্য ভবিষ্যতের ঘটনাগুলি হওয়ার সম্ভাবনা প্রত্যাশা করা দরকার। পূর্বে পূর্বাভাস প্রায়শই যা ঘটেছিল তার উপর ভিত্তি করে। সুতরাং পরিসংখ্যানগত অনুমান একটি নতুন ধরনের যে কিছু পরিবর্তনশীল বা যৌগ ভবিষ্যত সম্পর্কে তৈরি হয় ভেরিয়েবল অতীতের ঘটনা উপর ভিত্তি করে। অতীতে যা ঘটেছিল তার ভিত্তিতে ভবিষ্যত সম্পর্কে সূচনা তৈরির জন্য গুরুত্বপূর্ণ কৌশলটি হ'ল সময় সিরিজ বিশ্লেষণ।
জ্ঞানের বিভিন্ন ক্ষেত্রে যেমন অর্থনীতি, পদার্থবিজ্ঞান, জিওফিজিক্স, রসায়ন, বিদ্যুৎ, ডেমোগ্রাফি, বিপণন, টেলিযোগাযোগ, পরিবহন ইত্যাদি ক্ষেত্রে অগণিত প্রয়োগ রয়েছে ited
সময় সিরিজ |
উদাহরণ |
1. অর্থনৈতিক সিরিজ: | - একটি নিবন্ধের দাম - বেকারত্বের হার - মুদ্রাস্ফীতি হার
- মূল্য সূচক, ইত্যাদি |
2. শারীরিক সিরিজ: | - আবহাওয়া - জল পরিমাণ হ্রাস - সর্বোচ্চ দৈনিক তাপমাত্রা
- বায়ু গতি (বায়ু শক্তি) - সৌর শক্তি ইত্যাদি |
৩. জিওফিজিক্স: | - সিসমোলজি সিরিজ |
৪. ডেমোগ্রাফিক সিরিজ: | - জনসংখ্যা বৃদ্ধির হার - জন্মের হার, মৃত্যুর হার - জনসংখ্যা শুমারির ফলাফল |
৫. বিপণন সিরিজ: | - চাহিদা সিরিজ, ব্যয়, অফার |
6. টেলিযোগাযোগ সিরিজ: | - সংকেত বিশ্লেষণ |
7. পরিবহন সিরিজ: | - ট্র্যাফিক সিরিজ |
সময় সিরিজ যে সমস্যাগুলি সমাধান করার চেষ্টা করে তার মধ্যে একটি হ'ল পূর্বাভাস। এটি একটি সিরিজ দেওয়া হয়েছে {x (টি 1),…, এক্স (টিএন) interest আমাদের আগ্রহের উদ্দেশ্যগুলি হল সিরিজের আচরণ বর্ণনা করা, সময় সিরিজের উত্পন্ন পদ্ধতিটি তদন্ত করা, সম্ভাব্য সময়ের নিদর্শনগুলি অনুসন্ধান করা যা আমাদের ভবিষ্যতের অনিশ্চয়তা কাটিয়ে উঠতে দেয় ।
এখন থেকে আমরা স্ট্রাকচারটি ব্যাখ্যা করার জন্য কীভাবে একটি মডেল তৈরি করব এবং সময়ের সাথে আমরা একটি ভেরিয়েবলের বিবর্তন সম্পর্কে পূর্বাভাস করব study সুদের পরিবর্তনশীলগুলি হ'ল সামষ্টিক অর্থনৈতিক (ভোক্তা মূল্য সূচক, বিদ্যুতের চাহিদা, রফতানি বা আমদানির ধারাবাহিক ইত্যাদি), সামষ্টিক অর্থনৈতিক (কোনও সংস্থার বিক্রয়, একটি গুদামের স্টক, একটি খাতের বিজ্ঞাপন ব্যয়), শারীরিক (বায়ু শক্তি কেন্দ্রের বাতাসের গতি, একটি প্রক্রিয়াতে তাপমাত্রা, নদীর প্রবাহ, দূষণকারী এজেন্টের বায়ুমণ্ডলে ঘনত্ব), বা সামাজিক (কোনও রাজনৈতিক দলের জন্ম, বিবাহ, মৃত্যু বা ভোটের সংখ্যা)।
সময় সিরিজের ১.২ সংজ্ঞা
জ্ঞানের অনেক ক্ষেত্রে, আগ্রহের পর্যবেক্ষণগুলি ক্রমাগত সময়ের সাথে সাথে পাওয়া যায়, উদাহরণস্বরূপ, প্রতি ঘন্টা, 24 ঘন্টা, মাসিক, ত্রৈমাসিক, অর্ধ-বার্ষিক বা কোনও দল কর্তৃক অবিচ্ছিন্নভাবে রেকর্ড করা হয়।
আমরা ক্রমে নির্দিষ্ট সময়ে রেকর্ড করা একটি নির্দিষ্ট ঘটনার পরিমাপের একটি সিরিজ বলি। এই পর্যবেক্ষণগুলিকে t x (t1), x (t2),…, x (tn)} = {x (t): x (ti) সহ t Î T Í R the তাত্ক্ষণিকভাবে ভেরিয়েবল x এর মান দ্বারা চিহ্নিত করা হবে আপনি. যদি টি = জেড সময় সিরিজটি বিচ্ছিন্ন বলে এবং টি = আর সময় সিরিজটি অবিচ্ছিন্ন বলে মনে হয়। যখন টি +1 - টিআই = কে সমস্ত আই = 1,…, এন -1 এর জন্য, সিরিজটি সমতুল্য বলে মনে করা হয়, অন্যথায় এটি অ-সমতুল্য হবে।
এখন থেকে, আমরা স্বতন্ত্র সময় সিরিজ নিয়ে কাজ করব, সমানভাবে ব্যবস্থার ক্ষেত্রে আমরা ধরে নেব এবং সাধারণতার ক্ষতি ছাড়াই যে: {x (t1), x (t2),…, x (tn)} = {x (1), x (2)),…, এক্স (এন)}।
১.৩ প্রথম পদক্ষেপ যখন যে কোনও সময় সিরিজের বিশ্লেষণ করা হয়
টাইম সিরিজ বিশ্লেষণের প্রথম পদক্ষেপটি সিরিজটি প্লট করা। এটি আমাদেরকে সিরিজের প্রয়োজনীয় উপাদানগুলি সনাক্ত করতে সহায়তা করে।
সিরিজের গ্রাফটি অনুমতি দেবে:
ক) আউটলেট সনাক্ত করুন: সিরিজের পয়েন্টগুলি বোঝায় যা সাধারণের বাইরে beyond একজন আউটলিয়ার্স হ'ল ধারাবাহিক পর্যবেক্ষণ যা ঘটনাটির অস্বাভাবিক আচরণের সাথে সামঞ্জস্য করে (ভবিষ্যতের ঘটনা ছাড়া) বা একটি পরিমাপের ত্রুটির সাথে।
প্রদত্ত বিন্দু আউটলেটার কিনা তা বাহ্যিক থেকে নির্ধারণ করতে হবে। যদি এটির সন্ধান পাওয়া যায় তবে সিরিজ বিশ্লেষণের আগে অবশ্যই তা বাদ দিতে হবে বা অন্য মান দিয়ে প্রতিস্থাপন করতে হবে।
উদাহরণস্বরূপ, একটি কারখানায় প্রতিদিনের উত্পাদনের গবেষণায় নিম্নলিখিত পরিস্থিতি ঘটেছে, চিত্র 1.1 দেখুন:
একটি চেনাশোনাতে তৈরি দুটি পয়েন্ট সিরিজের একটি অস্বাভাবিক আচরণের সাথে মিল বলে মনে হচ্ছে। এই দুটি বিষয় অনুসন্ধান করার সময় দেখা গেছে যে তারা দু'দিনের বেকারত্বের সাথে সঙ্গতি রেখেছিল, যা সেই দিনগুলিতে প্রাকৃতিকভাবে উত্পাদনকে প্রভাবিত করে। পর্যবেক্ষণগুলি এবং ইন্টারপোল্টিং দ্বারা সমস্যাটি সমাধান করা হয়েছিল।
খ) এটি প্রবণতা সনাক্তকরণের অনুমতি দেয়: প্রবণতাটি সিরিজের প্রধান আচরণের প্রতিনিধিত্ব করে। এটি একটি পিরিয়ডের মাঝামাঝি সময়ে পরিবর্তন হিসাবে আস্তে সংজ্ঞায়িত করা যেতে পারে (চিত্র 1.2 দেখুন)।
গ) মৌসুমী প্রকরণ: seasonতুভেদ সময় সিরিজের পর্যায়ক্রমিক আন্দোলনের প্রতিনিধিত্ব করে। পিরিয়ডের ইউনিটের দৈর্ঘ্য সাধারণত এক বছরের কম হয়। এটি এক চতুর্থাংশ, এক মাস বা এক দিন ইত্যাদি হতে পারে (চিত্র 1.3 দেখুন)।
গাণিতিকভাবে, আমরা বলতে পারি যে সিরিজটি মৌসুমী প্রকারের প্রতিনিধিত্ব করে যদি এমন কোনও সংখ্যার (x) (টি) = x (টি + কে × গুলি) উপস্থিত থাকে।
Forcesতুগত পরিবর্তনের কারণ হিসাবে প্রধান বাহিনী হ'ল আবহাওয়া, যেমন:
- শীতে আইসক্রিম বিক্রয় গ্রীষ্মে উলের বিক্রয় ফলের রফতানিতে মার্চ মাসে।
এই সমস্ত ঘটনা একটি seasonতু আচরণ (বার্ষিক, সাপ্তাহিক, ইত্যাদি) দেখায়
d) অনিয়মিত বৈচিত্রগুলি (এলোমেলো উপাদান): অনিয়মিত (এলোমেলো) নড়াচড়া প্রবণতা, alতুগত পরিবর্তন এবং চক্রীয় ওঠানামা ব্যতীত একটি সময়ের সিরিজে সমস্ত ধরণের আন্দোলনকে উপস্থাপন করে।
2. ক্লাসিক সময় সিরিজ মডেল
২.১ ডিসেম্পোসিশন মডেল
একটি সময়ের সিরিজের জন্য একটি সর্বোত্তম মডেল, ধরে নেওয়া হয় যে সিরিজ এক্স (1),…, x (এন) তিনটি উপাদানের যোগফল বা পণ্য হিসাবে প্রকাশ করা যেতে পারে: ট্রেন্ড, মৌসুমতা এবং একটি এলোমেলো ত্রুটি শব্দ।
তিনটি টাইম সিরিজের মডেল রয়েছে, যা পর্যবেক্ষণ করা তথ্যের উপাদানগুলির মধ্যে সত্যিকারের সম্পর্কের ভাল অনুমান হিসাবে সাধারণত গৃহীত হয়। এইগুলো:
- সংযোজক: এক্স (টি) = টি (টি) + ই (টি) + এ (টি) গুণক: এক্স (টি) = টি (টি) • ই (টি) • এ (টি) মিশ্রিত: এক্স (টি) = টি (টি) • ই (টি) + এ (টি)
কোথায়:
- টি (টি) ট্রেন্ডের উপাদান E (t) মৌসুমী উপাদান A (t) এলোমেলো (দুর্ঘটনাজনিত) উপাদানটি X (t) সিরিজ পর্যবেক্ষণ করেছে
একটি সাধারণ অনুমান হ'ল এ (টি) একটি এলোমেলো উপাদান বা শূন্য শূন্য এবং মধ্যবর্তী ধরণের বৈকল্পিক সহ সাদা শব্দ।
একটি অ্যাডিটিভ মডেল (1) উপযুক্ত, উদাহরণস্বরূপ, যখন E (t) অন্যান্য উপাদানগুলির উপর নির্ভর করে না যেমন টি (টি), যদি বিপরীতে seasonতু প্রবণতার সাথে পরিবর্তিত হয়, সর্বাধিক উপযুক্ত মডেলটি একটি গুণিত মডেল (দুই)। এটি পরিষ্কার যে মডেল 2 লগারিদম গ্রহণ করে একটি সংযোজনে রূপান্তরিত হতে পারে। যে সমস্যাটি দেখা দেয় তা হ'ল সিরিজের উপাদানগুলি সঠিকভাবে মডেল করা।
চিত্র 2.1 সম্ভাব্য নিদর্শনগুলি চিত্রিত করে যা মডেলগুলি (1), (2) এবং (3) দ্বারা প্রতিনিধিত্ব করা সিরিজ অনুসরণ করা যেতে পারে।
২.২ ট্রেন্ডটি নির্ধারণ করা হচ্ছে
আমরা এখানে ধরে নেব যে মৌসুমী উপাদান E (টি) উপস্থিত নেই এবং অ্যাডেটিভ মডেলটি পর্যাপ্ত, তা হ'ল:
এক্স (টি) = টি (টি) + এ (টি), যেখানে এ (টি) সাদা শব্দ রয়েছে।
টি (টি) অনুমান করার বিভিন্ন পদ্ধতি রয়েছে। সর্বাধিক ব্যবহৃত ব্যবহৃত:
- সময়ের একটি ফাংশন যেমন: বহুভুজ, ক্ষতিকারক, বা টিয়ের কোনও মসৃণ ফাংশন Fit
২.২.১ একটি ফাংশন সেট করা হচ্ছে
নিম্নলিখিত গ্রাফগুলি এই রেখাচিত্রগুলির কিছু আকার চিত্রিত করে।
বিঃদ্রঃ:
- দীর্ঘমেয়াদী প্রবণতার একটি ভাল উপস্থাপনা হওয়ার জন্য প্রবণতা বক্ররেখা অবশ্যই তুলনামূলকভাবে দীর্ঘ সময়ের আবরণ অবশ্যই আবশ্যক। সংশোধনী এবং ঘনিষ্ঠতর প্রবণতা স্বল্প মেয়াদে প্রযোজ্য, যেহেতু একটি দীর্ঘমেয়াদী এস বক্ররেখা একটি সীমিত সময়কালে একটি সরলরেখায় প্রদর্শিত হতে পারে সময় (উদাহরণস্বরূপ)।
চিত্র ২.২-এ উভয় বক্ররেখা (স্ট্রেইট এবং গম্পার্টজ) ভাল ফিট করে তবে অনুমানগুলি দীর্ঘকালীন সময়ে আরও বিস্তৃত হয়।
উদাহরণ 1: টেবিল 2.1 মার্কিন যুক্তরাষ্ট্রে 1964 এর তৃতীয় ত্রৈমাসিক থেকে 1972 এর দ্বিতীয় ত্রৈমাসিক পর্যন্ত শুরু হওয়া আবাসন ইউনিটগুলির জন্য ত্রৈমাসিক তথ্য দেখায় data (এটি লক্ষ করা উচিত যে প্রবণতা বিশ্লেষণের জন্য বিবেচিত সময়কাল দীর্ঘ হওয়া উচিত। তবে, যেহেতু মূল উদ্দেশ্যটি পচন পদ্ধতি এবং এইভাবে পচে যাওয়া উপাদানগুলি থেকে অনুমান করার কৌশলগুলি ব্যাখ্যা করা, অপর্যাপ্ততা ডেটাগুলির আগ্রহের দরকার নেই))
সারণী ২.১: যুক্তরাষ্ট্রে নতুন আবাসন ইউনিট ১৯ 19৪ সালের তৃতীয় প্রান্তিকে থেকে ১৯ 197২ এর দ্বিতীয় প্রান্তিকে (হাজার হাজার ইউনিটে) শুরু হয়েছিল।
বছর | আমি | দ্বিতীয় | তৃতীয় | চতুর্থ | মোট বার্ষিক |
1964 | 398 | 352 | |||
1965 | 283 | 454 | 392 | 3. 4. 5 | 1,474 |
1966 | 274 | 392 | 290 | 210 | 1,166 |
1967 | 218 | 382 | 382 | 340 | 1,322 |
1968 | 298 | 452 | 423 | 372 | 1,545 |
1969 | 336 | 468 | 387 | 309 | 1,500 |
1970 | 264 | 399 | 408 | 396 | 1.467 |
1971 | 389 | 604 | 579 | 513 | 2.085 |
1972 | 510 | 661 |
1964 থেকে 1972 অবধি 32 টি কোয়ার্টারের প্রতিটি হয়ে উঠুক, অর্থাৎ, 1964 এর তৃতীয় কোয়ার্টারের জন্য টি = 1, চতুর্থ ত্রৈমাসিকের জন্য টি = 2 এবং আরও কিছু। সুতরাং টি এর সংজ্ঞা ডোমেন হ'ল 1 থেকে 32 সহ পূর্ণসংখ্যার সেট। টি (টি) আবাসনটি ত্রৈমাসিক হতে দেওয়া হোক। টি এবং টি (টি) এর মানগুলি সারণী 2.2 এ দেওয়া হয়েছে। ট্রেন্ড লাইনে a এবং b এর মান গণনা করা
টি (টি) = এ + বিটি
নিম্নলিখিত পরিসংখ্যানগুলি সারণী ২.১-এর তথ্য থেকে প্রাপ্ত।
সারণী ২.২: মার্কিন যুক্তরাষ্ট্রে আবাসন প্রবণতার গণনা ১৯ quarter৪ সালের তৃতীয় ত্রৈমাসিক থেকে ১৯ quarter২ এর দ্বিতীয় প্রান্তিকে শুরু হয়েছিল
কোয়ার্টার ইয়ার |
টি |
টি (টি) |
প্রবণতা |
1964: 3 |
এক |
398 |
291,73 |
4 |
দুই |
352 |
298,07 |
1965: 1 |
3 |
283 |
304,41 |
দুই |
4 |
454 |
310,75 |
3 |
5 |
392 |
317,09 |
4 |
6 |
3. 4. 5 |
323,43 |
1966: 1 |
7 |
274 |
329,77 |
দুই |
8 |
392 |
336,11 |
3 |
9 |
290 |
342,45 |
4 |
10 |
210 |
348,79 |
1967: 1 |
এগার |
218 |
355,13 |
দুই |
12 |
382 |
361,47 |
3 |
13 |
382 |
367,81 |
4 |
14 |
340 |
374,15 |
1968: 1 |
পনের |
298 |
380,49 |
দুই |
16 |
452 |
386,83 |
3 |
17 |
423 |
393,17 |
4 |
18 |
372 |
399,51 |
1969: 1 |
19 |
336 |
405,85 |
দুই |
বিশ |
468 |
412,19 |
3 |
একুশ |
387 |
418,53 |
4 |
22 |
309 |
424,87 |
1970: 1 |
2. 3 |
264 |
431,21 |
দুই |
24 |
399 |
437,55 |
3 |
25 |
408 |
443,89 |
4 |
26 |
396 |
450,23 |
1971: 1 |
27 |
389 |
456,57 |
দুই |
28 |
604 |
462,91 |
3 |
29 |
579 |
469,25 |
4 |
30 |
513 |
475,59 |
1972: 1 |
31 |
510 |
481,93 |
দুই |
32 |
661 |
488,27 |
তাই ট্রেন্ড লাইন হয়
টি (টি) = 285.39 + 6.34 × টি
চিত্র ২.৩ গ্রাফিকভাবে সারণী ২.২-এ ত্রৈমাসিক তথ্যের জন্য ট্রেন্ড লাইনটি সামঞ্জস্য করে। 1972 এর পরে ড্যাশড লাইনটি অনুমানগুলি উপস্থাপন করে (বিভাগ 3 পূর্বাভাস দেখুন)।
মিনিতবে উন্নয়ন:
- মিনিটাব খুলুন। মিনিট্যাব ওয়ার্কশিটে ডেটা অনুলিপি করুন Select নির্বাচন করুন: স্ট্যাটাস à টাইম সিরিজ nd ট্রেন্ড বিশ্লেষণ।
- ট্রেন্ড অ্যানালাইসিস উইন্ডোতে আমরা পরিবর্তনশীলটির একটি ক্লিক দিয়ে নির্বাচন করি, আমরা মডেল প্রকারটি লিনিয়ার হিসাবে রেখে ঠিক আছে ক্লিক করি
- মিনিতব নিম্নলিখিত গ্রাফটি প্রদর্শন করে যা আমরা দেখতে পাচ্ছি যে অনুশীলনে উপস্থাপিত হয়েছে তার অনুরূপ।
- যদি আমরা একটি উইন্ডোতে 4 টি গ্রাফ পেতে চাই তবে গ্রাফগুলি বিকল্পটি নির্বাচন করুন…
ফোর একটিতে ক্লিক করুন।
ঠিক আছে ক্লিক করুন
মিনিতাব নিম্নলিখিত গ্রাফটি প্রদর্শন করে।
2.2.2 সফটওয়্যার। লাইন ফিল্টারস
প্রবণতাটি দেখার জন্য একটি উপায় হল সিরিজটি মসৃণ করা। কেন্দ্রীয় ধারণাটি পর্যবেক্ষণ করা সিরিজ থেকে একটি নতুন সিরিজ সংজ্ঞায়িত করা হবে যা অ-প্রবণতা প্রভাবগুলি (seasonতুবিত্ততা, এলোমেলো প্রভাবগুলি) কে গতিময় করে তোলে, যাতে আমরা প্রবণতার দিক নির্ধারণ করতে পারি (চিত্র ২.৪ দেখুন)।
আমরা যা করি তা লিনিয়ার এক্সপ্রেশন ব্যবহার করে যা এক্স (টি) সিরিজটিকে স্মুথড সিরিজ জেড (টি) এ রূপান্তর করে: জেড (টি) = এফ (এক্স (টি)), টি = 1,…, এন
যেমন এফ (এক্স (টি)) = টি (টি)। ফাংশন এফকে লিনিয়ার ফিল্টার বলা হয়। সর্বাধিক ব্যবহৃত লিনিয়ার ফিল্টারটি মুভিং এভারেজ।
২.২.২.১ চলমান গড়গুলি
সিরিজটি থেকে মৌসুমী এবং দুর্ঘটনাজনিত উপাদানগুলি সরিয়ে ফেলার লক্ষ্য। বার্ষিক seasonতু (s = 12) সহ একটি মাসিক সিরিজের জন্য, স্মুটেড সিরিজটি প্রাপ্ত হয়,
একটি ত্রৈমাসিক সিরিজের জন্য, বার্ষিক seasonতু (s = 4) সহ, স্মুথড সিরিজটি দেওয়া হয়
এই পদ্ধতিটি বলা হয়: সসীম প্রতিসাম্য ফিল্টার।
দ্রষ্টব্য: অনেকগুলি হঠাৎ পরিবর্তন, অনিয়মিত চলাফেরা হলে এটি নরম হয়।
উদাহরণ 2: উদাহরণস্বরূপ 1 এর ডেটা থেকে, একটি চলমান গড়কে গণনা করা হয় একটি নির্দিষ্ট ক্রমাগত সময়কালের জন্য মানগুলি যোগ করে এবং তারপরে পর্যায়ক্রমিক সংখ্যার দ্বারা প্রাপ্ত সমষ্টিকে বিভাজন করে। এই ক্ষেত্রে এটি একটি ত্রৈমাসিক সিরিজ এবং সূত্র (2) এর জন্য ব্যবহৃত হয়।
সারণী ২.৩: মার্কিন যুক্তরাষ্ট্রে আবাসন সংস্থাগুলির চার কোয়ার্টার কেন্দ্রিক চলমান গড় গণনা, তৃতীয় কোয়ার্টার ১৯64৪ থেকে দ্বিতীয় কোয়ার্টার ১৯ 197২ (হাজার হাজার ইউনিটে)
বছর ত্রৈমাসিক |
আসল ডেটা এবং |
মোবাইল মোট চার কোয়ার্টারে |
চার কোয়ার্টার মুভিং এভারেজ |
চার কোয়ার্টার কেন্দ্রিক চলন গড় verage |
(এক) |
(দুই) |
(3) |
(4) |
(5) |
1964: 3 |
398 |
|||
4 |
352 |
|||
1965: 1 |
283 |
1,487 |
372 |
371 |
দুই |
454 |
1,481 |
370 |
369 |
3 |
392 |
1,474 |
369 |
367 |
4 |
3. 4. 5 |
1,465 |
366 |
359 |
1966: 1 |
274 |
1,403 |
351 |
338 |
দুই |
392 |
1,301 |
325 |
308 |
3 |
290 |
1,166 |
292 |
285 |
4 |
210 |
1,110 |
278 |
276 |
1967: 1 |
218 |
1100 |
275 |
287 |
দুই |
382 |
1,192 |
298 |
314 |
3 |
382 |
1,322 |
331 |
341 |
4 |
340 |
1,402 |
351 |
359 |
1968: 1 |
298 |
1,472 |
368 |
373 |
দুই |
452 |
1,513 |
378 |
382 |
3 |
423 |
1,545 |
386 |
391 |
4 |
372 |
1,583 |
396 |
398 |
1969: 1 |
336 |
1,599 |
400 |
395 |
দুই |
468 |
1,563 |
391 |
383 |
3 |
387 |
1,500 |
375 |
366 |
4 |
309 |
1,428 |
357 |
348 |
1970: 1 |
264 |
1,359 |
340 |
342 |
দুই |
399 |
1,380 |
3. 4. 5 |
356 |
3 |
408 |
1.467 |
367 |
382 |
4 |
396 |
1,592 |
398 |
424 |
1971: 1 |
389 |
1,797 |
449 |
471 |
দুই |
604 |
1,968 |
492 |
507 |
3 |
579 |
2.085 |
521 |
536 |
4 |
513 |
2,206 |
552 |
559 |
1972: 1 |
510 |
2,263 |
566 |
|
দুই |
661 |
সারণী ২.৩-এ, উদাহরণস্বরূপ, ১৯6565 সালের প্রথম প্রান্তিকে চতুর্থাংশের চলমান গড় ১৯ 1964 এর তৃতীয় এবং চতুর্থ ত্রৈমাসিকের মান এবং ১৯65৫ এর প্রথম এবং দ্বিতীয় প্রান্তিকের মান যোগ করে এবং পরে যোগফলকে ৪ দ্বারা ভাগ করে প্রাপ্ত হয় 1965 এর দ্বিতীয় ত্রৈমাসিকের জন্য এটি 1965 এর প্রথম, দ্বিতীয় এবং তৃতীয় কোয়ার্টারের সাথে 1965 এর চতুর্থ ত্রৈমাসিকের মানগুলি যোগ করে এবং পরে যোগফলকে 4 দিয়ে ভাগ করে প্রাপ্ত করা হয়, সুতরাং, প্রতিটি ক্রমাগত গড়ের জন্য, প্রথম যে প্রান্তিকে প্রথম আসে তা বিয়োগ করা হয় এবং শেষটি যোগ করা হয়েছে।
সারণি ২.৩ এর কলাম ৪ য় ১৯.৪ থেকে ১৯ 197২ সাল পর্যন্ত আবাসন সম্পর্কিত তথ্যের ভিত্তিতে প্রাপ্ত চারটি চতুর্থাংশের চলমান গড় দেখায় The চলমান গড় এই সিরিজের খুব চিহ্নিত ওঠানামা দূর করে না, তবে এটি যথেষ্ট পরিমাণে তারতম্যের প্রশস্ততা হ্রাস করে। মূল তথ্য।
যদি চলমান গড়ের গণনায় একটি বেজোড় পিরিয়ড প্রবেশ করানো হয়, গড় নির্ধারিত সময়কালের আগে এবং পরে পিরিয়ডগুলির সংখ্যা একই হওয়ায় প্রক্রিয়াটি আরও সহজ হবে। যদি পিরিয়ডের সংখ্যা সমান হয় তবে এই উদাহরণ হিসাবে, আপনি নির্দিষ্ট সময়ের আগে এবং পরে একই সংখ্যক পিরিয়ড ব্যবহার করতে পারবেন না। সুতরাং, চলমান গড়টি অবশ্যই পরপর দুটি পিরিয়ডের মানগুলির মাঝখানে হওয়া উচিত এবং এটি কোনও সময়ের সাথে সম্পর্কিত নয়। এই সমস্যাটি সিরিজ কেন্দ্রিক চলমান গড় গণনা করে সমাধান করা যেতে পারে, যা ইতিমধ্যে প্রাপ্ত চলন গড়ের দুই-চতুর্থাংশ কেন্দ্রিক চলমান গড় অর্জনের মাধ্যমে সম্পন্ন হয়। প্রথম কেন্দ্রিক চলমান গড় প্রথম দুই চতুর্থাংশ চলমান গড়ের গড়,দ্বিতীয় কেন্দ্রিক চলমান গড় চারটি দ্বিতীয় এবং তৃতীয় কোয়ার্টার ইত্যাদির চলমান গড়ের গড় is এইভাবে, নির্দিষ্ট সময়কালের পরে এবং তার আগে কেন্দ্রিক চলমান গড় গণনা করা হচ্ছে তার আগে এবং পরে সমান সংখ্যক পিরিয়ড থাকবে। কেন্দ্রিক চলমান গড় সারণী 2.3 এর 5 কলামে দেখা যায়।
সূত্র 2 অনুসারে গণনাটি নিম্নরূপ হবে:
এই মানটি কলাম 5-এ প্রদর্শিত সেন্টার মুভিং এভারেজের সাথে সমান।
চিত্র 2.5 গ্রাফিকভাবে টেবিল 2.3 অনুযায়ী চলন্ত গড়ের মধ্য দিয়ে সামঞ্জস্যতা দেখায়, যেখানে কালো বিভাগটি মূল সিরিজ এবং নীল বিভাগটিকে স্মুটেড সিরিজ উপস্থাপন করে।
মিনিতবে উন্নয়ন:
- মিনিতাব খুলুন মিনিতাব ওয়ার্কশিটে ডেটা অনুলিপি করুন:
- নির্বাচন করুন: স্ট্যাটাস à টাইম সিরিজ A সরানো গড়…
- টাইম সিরিজের সাথে ভেরিয়েবল ক্লিক করে নির্বাচন করুন এবং এমএ দৈর্ঘ্য রাখুন।
এই ক্ষেত্রে এটি 4 (প্রতি বছর 4 চতুর্থাংশ) এর সমান। ঠিক আছে ক্লিক করুন
- মিনিট্যাব চলমান গড়ের সাথে গ্রাফটি প্রদর্শন করে।
সারসংক্ষেপ
টাইম সিরিজকে নির্দিষ্ট ঘটনা অনুসারে পরিমাপের একটি সেট বলা হয় বা পরীক্ষায় ধারাবাহিকভাবে রেকর্ড করা হয়, উদাহরণস্বরূপ, প্রতি ঘন্টা, মাসিক, ত্রৈমাসিক, আধা-বার্ষিক ইত্যাদি this এই নোটটিতে আমরা পৃথক সময় সিরিজের সাথে সমানভাবে ব্যবধানে কাজ করেছি এই ক্ষেত্রে ধরে নেওয়া হয় যে:: {x (টি 1), এক্স (টি 2),…, এক্স (টিএন)} = {এক্স (1), এক্স (2),…, এক্স (এন)} প্রবর্তক প্রকৃতির কারণে এটি অবিচ্ছিন্ন সময় সিরিজের ক্ষেত্রে সীমাবদ্ধ ছিল।
কোনও সময় সিরিজ বিশ্লেষণ করার সময়, প্রথমে করণীয় হ'ল সিরিজটি গ্রাফ করা। এটি আমাদেরকে সিরিজের প্রয়োজনীয় উপাদানগুলি সনাক্ত করতে সহায়তা করে। সিরিজের গ্রাফটি এটিকে অনুমতি দেবে: আউটিলার সনাক্তকরণ, প্রবণতা সনাক্তকরণ, মৌসুমী প্রকরণ, অনিয়মিত প্রকরণ (বা এলোমেলো উপাদান) সনাক্ত করুন।
একটি ক্লাসিক টাইম সিরিজের মডেল তিনটি উপাদানের যোগফল বা পণ্য হিসাবে প্রকাশ করা যেতে পারে: প্রবণতা, মৌসুমী এবং একটি এলোমেলো ত্রুটি শব্দ। তিনটি টাইম সিরিজের মডেল রয়েছে। এইগুলো:
- সংযোজক: এক্স (টি) = টি (টি) + ই (টি) + এ (টি) গুণক: এক্স (টি) = টি (টি) • ই (টি) • এ (টি) মিশ্রিত: এক্স (টি) = টি (টি) • ই (টি) + এ (টি)
কোনও মডেল পাওয়ার জন্য, এটির প্রবণতা এবং seasonতুভেদে অনুমান করা প্রয়োজন। প্রবণতাটি অনুমান করতে, এটি ধরে নেওয়া হয় যে মরসুমী উপাদান উপস্থিত নেই। চলমান গড়ের মধ্য দিয়ে সময়ের কোনও ক্রিয়ায় বহুতোষ বা সিরিজের স্মুথ ফিটিংয়ের মাধ্যমে অনুমানটি অর্জন করা হয়। মরসুমতা অনুমান করার জন্য, মডেলটি ব্যবহার করার (মিশ্র বা যুক্ত) সিদ্ধান্ত নেওয়ার প্রয়োজন decided প্রবণতা এবং মৌসুমতা একবার অনুমান করা হয়, আমরা পূর্বাভাস করতে সক্ষম।
এই নোটটিতে পর্যালোচনা করা পদ্ধতিগুলি প্রকৃতির বর্ণনামূলক, সুতরাং রায় এবং ঘটনাটির জ্ঞান মডেল নির্বাচনের ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করে।
ক্লাসিক পদ্ধতিগুলির অসুবিধাগুলি তারা সময়ের সাথে মানিয়ে নেয়, যা বোঝায় যে একটি নতুন ডেটার জ্ঞানের মুখোমুখি অনুমান প্রক্রিয়াটি আবার শুরু করা উচিত be
দল নিয়ে গঠিত:
ইন। জেরার্ডো ভালডেস ফুয়েন্তেস
রোজ ইয়েলা মেলান্ডেজ ল্যাপেজ
লিস। হোসে লুইস শেভেজ ডিভিলা
ইনগ। রেনাটো এলমার ভেজকেজ গার্সিয়া
প্রশাসন ও নেতৃত্বের স্নাতকোত্তর।
উত্তর-পূর্ব স্বায়ত্তশাসিত বিশ্ববিদ্যালয়।
বিবলিওগ্রাফি:
প্রশাসকদের পরিসংখ্যান, রিচার্ড আই লেভিন এবং ডেভিড এস রুবিন।
সম্পাদকীয় প্রেন্টাইস হল