مقدمه

 يک سري زماني دنباله اي مرتب شده ازمشاهدات است.گرچه معمولا برحسب زمان , بويژه در فواصل زماني مساوي مرتب مي شود , ولي مرتب شدن ممکن باتوجه به

ابعادديگري چون فاصله نيزباشد.

يک سري زماني نظير علائم الکتريکي وولتاژ که به طورپيوسته در زمان ثبت ميشوند , يک سري پيوسته است.

يک سري زماني نظير نرخهاي  بهره و حجم فروش را که فقط درفواصل مشخص در نظرگرفته ميشوند , گسسته ميگويند.

براي مطالعه سريهاي زماني , اهداف مختلفي وجود دارد , که اين اهداف درک و مکانيسم توليدي , پيش بيني مقادير آينده و کنترل بهين يک سيستم را شامل ميشود.طبيعت ذاتي يک سري زماني , وابسته يا همبسته بودن مشاهدات آن است و بنابراين روشها و فنون آماري که مبتني برفرض مستقل بودن است , ديگرکاربرد ندارد و روشهاي متفاوتي موردنياز هستند.

به روند تعيين مدل يا مدل شناسي آماري موجود , تحليل سريهاي زماني گفته ميشود.

تحليل سري زماني(الگوسازي)

در تحليل سري زماني مدلهاي مختلفي مورد بحث قرارميگيرند که ازجمله:                             ..,SARIMA,ARIMA,IMA ,ARI ,MA , AR  که در همه اين مدلها توجه به چند نکته بسيار ضروري است.زيرا اين نکات اساس تحليل سريهاي زماني را تشکيل مي دهند .

و درغير اين صورت الگوي بدست آمده, الگوي مناسبي نخواهد بود:

1-ايستايي مدل

2-تثبيت واريانس

بررسي داده ها و هدف از تحليل آنها

داده ها مربوط به ميانگين نمونه اي وزن ترد در هرلاستيک درزمانهاي مختلف است که ازخط توليد نمونه گيري شده اند.هدف از تحليل اين داده ها بدست آوردن الگويي است که بتوان رفتار آينده سيستم را به طور کامل از دانش کنوني و محصول آينده بيان نمود.

تحليل داده ها :

قدم اول در هر تجزيه و تحليل سري زماني بررسي وضعيت ايستايي مدل است.اين بررسي معمولا به وسيله ترسيم گرافهاي pacf,acf, tsplot  صورت ميگيرد.

اين گرافها در تشخيص نوع سري ازنظر ايستايي و ناايستايي , ميانگين و واريانس و نيز تشخيص اينکه داده ها داراي يک روند فصلي است يا نه, بسيار مناسبند.

دستورترسيم اين گرافها در نرم افزار  بصورت زيراست:

بردار مشاهداتx=

Tsplot(x)

Acf(x)

Acf(x,type=“p”,lag=)

 بنظر ميرسد که متوسط وزن ترد در لاستيکهاي نمونه گيري شده در پايان خط توليد کارخانه در حول سطح ثابتي تغيير نمي کند و شاهد روند ضعيفي در مشاهدات هستيم . يعني با افزايش دادهها در طول زمان تمرکز داده ها در حول ميانگين کاهش مي يابد و روند صعودي و گاها نزولي را مشاهده مي کنيم .اين روند را از گراف مربوط به acf در شکل يک ميتوان تشخيص داد .بدين ترتيب که acf دادههاي داراي روند به صورت خيلي ضعيفي به صفر ميل ميکند .در مدلهاي ايستا معمولا پس از مرتبه اول و دوم به صورت خيلي سريع به صفر نزديک ميشود