Moving Average Dengan Minitab

Was ist ein gleitendes Durchschnittsdiagramm Eine Art von zeitgewichteten Kontrolldiagrammen, die den ungewichteten gleitenden Durchschnitt über die Zeit für einzelne Beobachtungen darstellen. Dieses Diagramm verwendet Steuergrenzen (UCL und LCL), um zu bestimmen, wann eine Außer-Steuer-Situation aufgetreten ist. Moving Average (MA) - Diagramme sind effektiver als Xbar-Diagramme bei der Erkennung kleiner Prozessverschiebungen und sind besonders nützlich, wenn es nur 1 Beobachtung pro Untergruppe gibt. Jedoch werden EWMA-Diagramme allgemein gegenüber MA-Diagrammen bevorzugt, da sie die Beobachtungen gewichten. Die Beobachtungen können entweder Einzelmessungen oder Untergruppen sein. Bewegungsdurchschnitte werden aus künstlichen Untergruppen berechnet, die aus aufeinanderfolgenden Beobachtungen erstellt werden. Beispiel eines gleitenden Durchschnittsdiagramms Ein Hersteller von Zentrifugenrotoren möchte den Durchmesser aller in einer Woche produzierten Rotoren verfolgen. Die Durchmesser müssen nahe am Ziel liegen, da auch kleine Verschiebungen Probleme verursachen. Die Punkte erscheinen zufällig um die Mittellinie zu variieren und liegen innerhalb der Kontrollgrenzen jedoch gibt es einen Punkt, der an der Kontrollgrenze nahe kommt, die Sie vielleicht zu investigate. What ist ein gleitender Durchschnitt der ersten gleitenden Durchschnitt ist 4310, das ist der Wert der ersten Beobachtung. (In der Zeitreihenanalyse wird die erste Zahl in der gleitenden Mittelreihe nicht als fehlender Wert berechnet.) Der nächste gleitende Durchschnitt ist der Durchschnitt der ersten beiden Beobachtungen (4310 4400) 2 4355. Der dritte gleitende Durchschnitt ist der Durchschnitt der Beobachtungen 2 und 3, (4400 4000) 2 4200 und so weiter. Wenn Sie einen gleitenden Durchschnitt der Länge 3 verwenden wollen, werden drei Werte anstelle von zwei gemittelt. Copyright 2016 Minitab Inc. Alle Rechte vorbehalten. Durch die Nutzung dieser Website erklären Sie sich mit der Verwendung von Cookies für Analytik und personalisierte Inhalte. Lesen Sie unsere policyModul Minitab Untuk Peramalan Dengan Metode Arima Dan Doppel Exponential manuelles Buch minitab untuk aplikasi analisis ARIMA MODUL MINITAB Untuk PERAMALAN dengan METODE ARIMA DAN DOUBLE EXPONENTIAL Minitab adalah Programm statistik Yang setiap versinya Terus dikembangkan. Gambar 1 memperlihatkan kepada und ein aspek-aspek utama dari Minitab. Menüleiste adalah tempat und ein memilih perintah-perintah. Symbolleiste menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari fenster Minitab mana yang dibuka. Ada dua fenster berbeda pada layar Minitab: fenster daten tempat und ein memasukkan, mengedit, dan melihat kolom daten dari setiap kertas-kerja dan sesi fenster yang menayangkan ausgang teks seperti misalnya tabel statistik. Pada beberapa bab berikut perintah-perintah khusus akan diberikan agar unda dapat memasukkan daten kedalam lembar kerja Minitab als mengaktifkan prosedur peramalan untuk menghasilkan peramalan yang diperlukan. Gambar 1 Lay. Fakt Fakt Fakt Fakt Fakt Fakt Fakt Fakt Fakt Fakt Fakt Fakt................................................ Pola historis Daten ini bisa dilihat dari plot deret beserta fungsi auto-korelasi sampel. 1 Langkah-langkah mendapatkan plot deret dengen Minitab 14 adalah sebagai berikut: 1. Anmerkung zu den Datensätzen pupuk ke dalam kolom C1. Untuk membentuk plot deret, klik menu-menu berikut seperti pada gambar 2 StatTime SeriesTime Serie Plot Gambar 2 Menü Plot Deret pada Minitab 2. Kotak Dialog Zeitreihe Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan. Lalu klik OK. 2 Gambar 3 Kotak Dialog Zeitreihe Plot 3. Kotak Dialog Zeitreihe Plot-Einfache ditampilkan pada gambar 4 Klik dua kali pada variabel produksi dann Hal ini akan muncul disebelah bawah Serie. Lalu klik OK. Gambar 4 Kotak Dialog Time Series Plot-Einfache 3 Sedangkan Langkah-Langkah untuk mendapatkan pola Auto korelasi adalah sebagai berikut: 1. Untuk membentuk korrelogram, klik Menü-Menü berikut seperti Pada gambar 5 StatTime SeriesAutocorrelation Gambar 5 Menü Auto-korelasi Pada Minitab 2 Kotak-Dialog Autokorrelation Funktion mucul pada gambar 6 a. Sie können das IMDb - Team auf Fehler und Lücken auf dieser Seite hinweisen. B. Masukkan Judul (Titel) Pada Ruang Yang Dikehendaki Dan Klik OK. Hasil korrelogram ditampilkan Pada gambar 7. 4 Gambar 6 Kotak Dialog Autokorrelationsfunktion Gambar 7 Fungsi Auto-korelasi Dari Variabel Produksi Pupuk Autokorrelationsfunktion für produksi (mit 5 Bedeutung Grenzen für die Autokorrelationen) 1,0 0,8 0,6 Autocorrelation 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 0,173246 T 2,73 1,96 1,50 4,97 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 Daten Zeitreihe tersebut perlu dilakukan Proses Unterschiede untuk mendapatkan deret yang stasioner. Langkah-Langkah proses Unterschiede sebagai berikut: 1. Untuk membuat Daten Selisih (Unterschiede), klik Pada Menü-Menü berikut StatTime SeriesDifferences Pilihan Unterschiede berada diatas Pilihan Autocorrelation Yang ditampilkan gambar 2. 2. Kotak Dialog Unterschiede ditampilkan Pada gambar 8. a. Sie können das IMDb - Team auf Fehler und Lücken auf dieser Seite hinweisen. B. Tekan Tab Untuk menyimpan selisih (Unterschiede) dan dimasukkan kedalam C2. Daten selisih (Unterschiede) kini akan muncul dalam Arbeitsblatt di kolom C2. Gambar 8 Kotak Dialog Unterschiede 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA Dan Double Exponential Glättung. Doppel exponentielle Glättung Untuk melakukan pemulusan mengunakan metode Doppel Exponential Pada Daten, lakukan Langkah-Langkah berikut: 1. Melalui Menü klik Menü-Menü berikut seperti Pada gambar 9: StatTime SeriesDouble exponentielle Glättung Gambar 9 Menü Doppel Exponential Pada Minitab 2. Muncul kotak Dialog Doppelte Exponentialglättung seperti pada gambar 10. a. Sie haben soeben einen Artikel in den Warenkorb gelegt. B. Pada Bobot Yang Akan Digunakan sebagai Glättung, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan Pada gambar 11. 7 Gambar 10 Kotak Dialog Doppel Exponential Gambar 11 Pemulusan Eksponensial Linier Daten halten Produksi Pupuk Doppel exponentielle Glättung Parzelle zum produksi 9000000 8000000 7000000 6000000 produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Index 21 24 27 30 Variable A ctual Passt Glättung Konstanten A lpha (Pegel) 0,940976 Gamma (Trend) 0,049417 G enauigkeit Maßnahmen MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan pola Trend, faktor musim dan faktor siklus dengan Lebih Komprehensiv Dämmerung itu-Modell ini mampu meramalkan Daten historis dengan kondisi yang sulit dimengerti pengaruhnya terhadap Daten secara teknis. Salah satu kunci merumuskan Modell ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, Daten Yang dapat dimodelkan dengan Modell ARIMA haruslah stasioner nilai tengah dan stasioner Ragam. Langkah yang dilakukan untuk identifikasi modellieren awal dari ARIMA tanpa musiman adalah: ein. Buat Plot Daten berdasarkan Periode Pengamatan (Serie). Jama Daten berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka Daten tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. B. Jika Serie telah stasioner, buat grafik autokorelasi parsial dari Datenreihe. Lihat pola untuk menentukan vorbildliches ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modellieren awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan vorbildliches yang dihasilkan. D. Lakukan Überbearbeitung, yaitu duga Modell dengan nilai p, d, q lebih besar dari yang ditentukan pada Modell awal. D. h. Tetapkan Modell Yang Paling baik dengan Melihat MSE. Peramalan dilakukan dengan menggunakan Modell Yang terbaik. Untuk Datenreihe musiman, langkah-langkahnya mirip dengan tanpa musiman, dengan menambahkan model untuk musiman. Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Apabila Daten tersimpan dalam Datei, bukalah dengan Menü berikut: Fileopen Arbeitsblatt 2. Untuk menghitung Auto korelasi Variabel produksi, klik Menü sebagai berikut seperti Pada gambar 5: StatTime SeriesAutocorrelation 3. Kotak-Dialog Autokorrelation Funktion (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul di sebelah kanan Serie b. Klik OK Dan muncul gambar 7. 4. Seetai-upaya melakukan selisih pada-Daten, klik Menü berikut seperti pada gambar 8: StatTime SerieDifferenzen 5. Kotak-Dialog Unterschiede seperti pada gambar 9 muncul a. Klik dua kali variabel produksi kanan Reihe b. Tab untuk Store Unterschiede in: dan enter C2 9 c. Tab untuk Lag: dan Geben Sie 1. Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2. 6. Label variabel C2 dengan Diff1prod. Untuk menghitung auto-korelasi variabel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variabel disebelah kanan deret. 7. Untuk menghitung Auto korelasi parsial Dari Variabel Diff1prod klik seperti Pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menüauto korelasi parsial Pada Minitab 8. Kotak Dialog partielle Autokorrelationsfunktion Muncul seperti Pada gambar 13. a. Klik dua kali variabel Artikel weiterempfehlen. B. Klik OK Dan muncul gambar 14. 10 Gambar 13 Kotak Dialog Teilweise Autokorrelation 9. Modell ARIMA (5,1,5) dijalankan dengan klik Menü berikut: StatTime SerieArima 10. Kotak Dialog ARIMA muncul seperti gambar 14 a. Klik dua kali variabel produksi als akan muncul disebelah kanan Reihe. B. Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Verschiedene masukkan 1 dan 5 di kanan Moving Average. C. Karena Daten telah diselisihkan, klik off kotak Fügen Sie konstanten Begriff in Modell. D. Klik-Vorhersage dan kotak dialog ARIMA-Vorhersage muncul. Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Blei: Klik OK. D. h. Klik Speicherung als Kotakdialog ARIMA-Speicher muncul. Klik kotak di kanan Zurück Weiter dan klik OK pada kotak dialog ARIMA dan bagian bawah gambar muncul. H. Untuk menghitung auto-korelasi restliche, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialog ARIMA 12