كيف إلى تحديد - متوسط - مطلق - الانحراف من واحد متوسط الحركة ،

كيفية حساب الانحراف المطلق يعني الإجابة من قبل موستكوريوسويل يتم حساب متوسط ​​الانحراف المطلق في ثلاث خطوات بسيطة. 1) تحديد المتوسط: إضافة جميع الأرقام والقسمة حسب المثال العد: الأوزان من الأشخاص الثلاثة التالية، يرمز إلى الحروف هي A - 56 كلغ B - 78 كلغ C - 90 كلغ متوسط ​​(567890) 3 74.6 2) تحديد الانحراف من كل متغير من المتوسط ​​أي 56-74.6 -18.67 78-74.6 3.33 90-74.6 15.33 3) جعل الانحراف المطلق عن طريق تربيع وتحديد الجذور أي القضاء على الجانب السلبي وبالتالي فإن الانحراف المطلق المتوسط ​​هو (18.67 3.3315.33) 3 12.44 بدلا من ذلك. يمكنك استخدام صيغة أفيديف أفيديف (56،78،90) للحصول على النتيجة. طرق مختلفة هناك صيغ مختلفة لحساب الانحراف المطلق المتوسط. على سبيل المثال يعني الانحراف المطلق عن المتوسط ​​ويعني الانحراف المطلق عن الوسيط. وبالمثل، فإن صيغ البيانات المجمعة وغير المجمعة مختلفة أيضا. وللاطلاع على حساب الانحراف المطلق المتوسط ​​عن المتوسط ​​ومتوسط ​​الانحراف المطلق عن الوسيط لكل من البيانات المجمعة وغير المجمعة، يرجى زيارة الرابط الوارد أدناه. يتيح النظر في العينة. أولا وقبل كل شيء يجب عليك أن تقرر، ما أنا حساب متوسط ​​الانحراف المطلق من هل سيكون المتوسط، والوضع أو الوسيط (يمكن أن يكون أي مقياس لما يسميه الإحصائيون الموقع أو الاتجاه المركزي). لسبب وجيه إلا أن مألوفة لمعظم الناس اسمحوا لي أن اختيار متوسط ​​العينة. يثبت أن يكون 5. الآن نحن بحاجة إلى الانحراف المطلق لكل عنصر عينة من المتوسط. لاحظ أن هذه هي المسافات بين متوسط ​​وعينة العناصر. مجموع هذه هي 18 ثم متوسطها هو 185 3.6. وبالتالي فإن متوسط ​​الانحراف المطلق (من المتوسط) هو 3.6. وبعبارة أخرى، فإن نقاط العينة هي في المتوسط ​​3.6 وحدة من المتوسط. لمزيد من المعلومات، يرجى زيارة الرابط ذي الصلة. 267 وجدوا هذا مفيدا أولا، تحتاج إلى تحديد المتوسط. متوسط ​​قائمة الأرقام هو مجموع تلك الأرقام مقسوما على كمية العناصر الموجودة في القائمة (اقرأ: أضف كل الأرقام هيليب لأعلى وقم بالتقسيم على عدد العناصر الموجودة في القائمة). ثم طرح المتوسط ​​من كل رقم للحصول على قائمة الانحرافات. إنشاء قائمة من هذه الأرقام. موافق للحصول على أرقام سلبية هنا. بعد ذلك، سرد قائمة الناتجة من الأرقام (اقرأ: مضاعفة لهم مع أنفسهم). إضافة ما يصل كل المربعات الناتجة للحصول على مجموع المبلغ. قسمة النتيجة بمقدار واحد أقل من عدد العناصر في القائمة. للحصول على الانحراف المعياري، فقط تأخذ الجذر التربيعي للعدد الناتج مثال: قائمة الأرقام: 1، 3، 4، 6، 9، 19 تعني: (1346919) 6 42 6 7 قائمة الانحرافات: -6، - 4، -3، -1، 2، 12 مربعات الانحرافات: 36، 16، 9، 1، 4، 144 مجموع الانحرافات: 3616914144 210 مقسوما على واحد أقل من عدد العناصر في القائمة: 210 5 42 جذر مربعة من هذا العدد: الجذر التربيعي (42) أبوت 6.48 (مور) وجد 30 شخصا هذا مفيداملاحظ مع الانحراف المطلق يعني في الأسبوع الماضي 8217s توقعات 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 تكون 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)، توقعاتك 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)، وتوقعات 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 احتساب 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 يزال دون 8217t تعرف لماذا تظهر توقعاتنا الجمعة الجمعة يوم الخميس معرفة في: tinyurl26cm6ma السماح مشاركات جديدة تأتي لك الفئاتالاستنتاج: متوسط ​​المسافة بين كل قيمة البيانات والمتوسط ​​هو 2.875. منذ ماد هو كووتسمالكوت، فإنه يعني أن متوسط ​​89 يدل على القيم الأخرى داخل مجموعة البيانات. 83، 85، 88، 89، 90، 91، 92، 94 مين 89 إذا كنت تخمين متوسط ​​درجة هذه المجموعة لتكون 89، سيكون لديك النتيجة التي هي مؤشر موثوق من الدرجات الأخرى في هذه المجموعة. حقيقة أن درهم صغير يعني أيضا أن البيانات في مجموعة قريبة من بعضها البعض (متجمعة). الخلاصة: متوسط ​​المسافة بين كل قيمة بيانات والمتوسط ​​هو 18.5. وبما أن الدرهم هو كوتلوركوت، فإنه يعني أن متوسط ​​79 ليس مؤشرا موثوقا للقيم الأخرى ضمن مجموعة البيانات. 5، 85، 86، 88، 90، 91، 93، 94 مين 79 إذا كنت تخمين متوسط ​​درجة هذه المجموعة لتكون 79، لن يكون لديك درجة التي هي مؤشر يمكن الاعتماد عليه من عشرات أخرى في هذه المجموعة . المتوسط ​​في هذه المجموعة يتأثر بالنتيجة الخارجة من 5. قيمة كبيرة ماد يخبرك أن البيانات متناثرة على نطاق واسع بسبب أوتلير. في ملاحظة الجمع: