Déménagement Moyenne Dengan Minitab

Qu'est-ce qu'un graphique de la moyenne mobile? Un type de graphique de contrôle pondéré en fonction du temps qui trace la moyenne mobile non pondérée dans le temps pour les observations individuelles. Ce graphique utilise les limites de contrôle (UCL et LCL) pour déterminer quand une situation hors contrôle s'est produite. Les diagrammes de moyenne mobile (MA) sont plus efficaces que les diagrammes Xbar pour détecter de petits déplacements de processus et sont particulièrement utiles lorsqu'il n'y a qu'une observation par sous-groupe. Cependant, les cartes EWMA sont généralement préférées aux cartes MA parce qu'elles pondent les observations. Les observations peuvent être des mesures individuelles ou des moyens de sous-groupes. Les moyennes mobiles sont calculées à partir de sous-groupes artificiels créés à partir d'observations consécutives. Exemple d'un graphique de la moyenne mobile Un fabricant de rotors de centrifugeuse veut suivre le diamètre de tous les rotors produits au cours d'une semaine. Les diamètres doivent être proches de la cible, car même les petits changements causent des problèmes. Les points semblent varier aléatoirement autour de la ligne médiane et sont dans les limites de contrôle cependant, il ya un point qui se rapproche de la limite de contrôle que vous pouvez vouloir enquêter. Qu'est-ce qu'une moyenne mobile La première moyenne mobile est 4310, qui est La valeur de la première observation. La moyenne mobile suivante est la moyenne des deux premières observations (4310 4400) 2 4355. La troisième moyenne mobile est la moyenne des deux premières observations (4310 4400) 2 4355. La troisième moyenne mobile est la moyenne des deux premières observations, Moyenne des observations 2 et 3, (4400 4000) 2 4200, et ainsi de suite. Si vous voulez utiliser une moyenne mobile de longueur 3, trois valeurs sont calculées au lieu de deux. Copyright 2016 Minitab Inc. Tous droits réservés. En utilisant ce site, vous acceptez l'utilisation de cookies pour l'analyse et le contenu personnalisé. Lisez notre politiqueModul Minitab Untuk Peramalan Dengan Métrique Arima Dan Double Exponentiel manuel minitab de manuel minutie analytique ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN MÉTODE ARIMA DAN DOUBLE EXPONENTIEL Minitab adalah programme statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada et un aspek-aspek utama dari Minitab. Barre de menu adalah tempat anda memilih perintah-perintah. Barre d'outils menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombeau tersebut berubah tergantung dari fenêtre Minitab mana yang dibuka. Ada dua window berbeda pada layar Minitab: données de fenêtres données et un memasukkan, mengedit, dan melihat kolom données dari setiap kertas-kerja dan sesi fenêtre yang menayangkan sortie teks seperti misalnya tabel statistik. Pada beberapa bab berekut perintah-perintah khusus akan diberikan agar anda dapat memasukkan données kedalam lembar kerja Minitab dan mengaktifkan prosedur peramalan untuk menghasilkan peramalan yang diperlukan. Gambar 1 Layar Minitab Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan pemahaman pola historis données. Pola historis data ini bisa dilihat dari parcelle deret beserta fungsi auto-korelasi sampel. 1 Langkah-langkah mendapatkan plot deret dengan Minitab 14 adalah sebagai berikut: 1. Les données de l'article peuvent être téléchargées ou non. Untuk membentuk plot deret, klik menu-menu Ajouter un commentaire 2 StatTime SeriesTime Series Plot Gambar 2 Menu Plot Deret pada Minitab 2. Dialogue de Kotak Série de temps Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan. Lalu klik OK. 2 Gambar 3 Dialogue de Kotak Série de temps Plot 3. Dialogue de Kotak Séries de temps Plot-Simple ditampilkan pada gambar 4 Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah bawah Série. Lalu klik OK. Gambar 4 Séries de temps de dialogue de Kotak Plot-Simple 3 Langage de langage de langage de langage de langage de langage de langage de langage de langage de langage de langage de langage de mot de passe de mot de passe de mot de passe de mot de passe Dialogue Kotak Autocorrélation Fonction mucul pada gambar 6 a. Klik dua kali pada variabel produksi dan inik akan muncul disebelah kanan Série. B. Masukkan judul (Titre) pada ruang yang dikehendaki dan klik OK. (Avec 5 limites de signification pour les autocorrélations) 1,0 0,8 0,6 Autocorrélation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 2 3 4 Lag 5 6 7 8 5 Lag 1 2 3 4 5 6 7 8 ACF 0,891749 0,788301 0,688238 0,587191 0,503758 0,414150 0,308888 0,173146 T 4,97 2,73 1,96 1,50 1,20 0,94 0,68 0,38 LBQ 27,12 49,04 66,34 79,41 89,39 96,41 100,48 101,81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi (non-stasioner) maka données séries temporelles tersebut perlu dilakukan proses différences untuk mendapatkan deret yang stasioner. Langkah-langkah proses différences entre les deux: 1. Untuk membuat données selisih (différences), klik pada menu-menu berikut StatTime SeriesDifferences Différences Pilihan berada diatas pilihan Autocorrélation yang ditampilkan gambar 2. 2. Kotak dialog Différences ditampilkan pada gambar 8. a. Klik dua kali pada variabel produksi pupuk dan inik akan muncul disebelah kanan Série. B. Tekan Tab untuk menyimpan selisih (différences) dan dimasukkan kedalam C2. Données selisih (différences) kini akan muncul dalam feuille de travail de kolom C2. Gambar 8 Différences de Dialogue Kotak 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA dan Double Exponential Smoothing. Double Exponential Smoothing Le Double Exponential Smoothing Le Double Exponential Pada Data, le langage de langkah et le berikut: 1. Le menu de Melalui, le menu de menu et la barre de menu 9: Le mode StatTime Le Double Exponential Smoothing Gambar 9 Menu Le Double Exponential pada Minitab 2. Le dialogue de Muncul kotak Double lissage exponentiel seperti pada gambar 10. a. Klik dua kali variebel produksi dan akan muncul sebagai variabel. B. Pada bobot yang akan digunakan sebagai lissage, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog Double Exponentielle Gambar 11 Pemulusan Eksponensial Linier Hold Data Produksi Pupuk Double lissage exponentiel Plot for produksi 9000000 8000000 7000000 6000000 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Index 21 24 27 30 Variable A ctual Fits Smoothing Constantes A lpha (niveau) 0.940976 Gamma (tendance) 0.049417 A ccuracy Mesures MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Méthode ARIMA sangata bakim digunakan untuk mengkombinasikan pola tendance, faktor musim dan faktor siklus dengan lebih Komprehensif. Désamorçage itu model ini mampu meramalkan données historiens dengan kondisi yang sulit dimengerti pengaruhnya données terhadap secara teknis. Salah satu kunci merumuskan modèle ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Désamorçage itu, données yang dapat dimodelkan dengan modèle ARIMA haruslah stasioner nilai tenanth dan stasioner ragam. Langkah yang dilakukan untuk identifikasi modèle awal dari ARIMA tanpa musiman adalah: a. Données sur les parcelles Buks berdasarkan periode pengamatan (séries). Les données de Jika sont fournies par les données de taaa de sudah. Jika tidak stasioner lakukan différensiasi. B. Jika série de stasioner toileh, de grafik autokorelasi parsial dari série de données. Lihat pola untuk menentukan modèle ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modèle awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan modèle yang dihasilkan. ré. Lakukan overfitting, yaitu duga modèle dengan nilai p, d, q lebih besar dari yang ditentukan pada modèle awal. E. Tetapkan modèle yang paling baik dengan melihat MSE. Peramalan dilakukan dengan menggunakan modèle yang terbaik. Untuk données série musiman, langkah-langkahnya mirip dengan silhouette muslim, dengan menambahkan modèle untuk musiman. Fichier de données d'Apatible: Fichier de données d'Apatia, Fichier de menu de denier: Fichier de FileOpen, Fichier de document de travail de FileOpen, Fichier de sélection de document, Fichier de commande de menu, Dialogue Kotak Fonction Autocorrélation (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul de sebelah kanan série b. Klik OK dan muncul gambar 7. 4. Sebagai upaya melakukan des données de pseudo, des informations sur le menu et les informations sur le thème 8: StatTime SeriesDifferences 5. Kotak dialog Différences seperti pada gambar 9 muncul a. Klik dua kali variabel produksi dan akan muncul disebelah kanan série b. Tab untuk Différences de magasin dans: dan entrer C2 9 c. Tab untuk Lag: dan entrer 1. Klik OK dan selisih pertama akan muncul de kolom 2 mulai baris 2. 6. Etiquette variabel C2 dengan Diff1prod. Untuk menghitung auto-korelasi variabel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variable disebelah kanan deret. 7. Untitk menghitung auto-korelasi parsial dari variabel Diff1prod klik seperti pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menu auto-korelasi parsial pada Minitab 8. Dialogue Kotak Fonction d'autocorrélation partielle muncul seperti pada gambar 13. a. Klik dua kali variabel Diff1prod akan muncul disebelah kanan Série. B. Klik OK dan muncul gambar 14. 10 Gambar 13 Kotak Dialog Autocorrélation partielle 9. Modèle ARIMA (5,1,5) dijalankan dengan klik menu berikut: StatTime SérieArima 10. Dialogue de Kotak ARIMA muncul seperti gambar 14 a. Klik dua kali variebel produksi akan muncul disebelah kanan série. B. Di bawah Non-saisonnier di kanan Autoregressive masukkan 5 di kanan Différence masukkan 1 dan 5 di kanan Moyenne mobile. C. Les données de Karena comprennent le terme constant, le klik de kotak Inclut le terme constant dans le modèle. ré. Prévision de Klik kotak dialogue ARIMA-Forecast muncul. Un peu de meramalkan dua période ke depan tempatkan 2 di kanan Plomb: Klik OK. E. Klik Storage dan kotak dialog ARIMA-Stockage muncul. Klik kotak di kanan Résiduel de klik OK pada kotak dialog ARIMA de danse bagian bawah gambar muncul. H. Untuk menghitung auto-korelasi résiduel, langue étrangère 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialogue ARIMA 12