यदि आपके पास कालानुक्रमिक डेटा ietime श्रृंखला डेटा है तो "ज्ञात" हैं और खोजे जाने की प्रतीक्षा "अज्ञात" हैं। उदाहरण के लिए यदि आपके पास १० अवधि के लिए १, ९, १, ९, १,५,५, १, ९, १, ९ में डेटा बिंदुओं का क्रम है तो इस नमूने के आधार पर कोई १, ९, १ ९९ की अपेक्षा कर सकता है , ... भविष्य में उत्पन्न होने के लिए। डेटा विश्लेषण से पता चलता है कि पीरियड 6 में एक "असामान्य" रीडिंग है, भले ही यह डीजीएफ -3-सिग्मा सीमा के भीतर अच्छी तरह से यह सुझाव दे रही हो कि डीजीएफ ने पकड़ नहीं बनाई। Inlier / Outlier को अनकमिंग करने से हम डेटा के बारे में चीजों को प्रकट कर सकते हैं। हम यह भी ध्यान देते हैं कि मीन वैल्यू एक्सपेक्टेड वैल्यू नहीं है। यह विचार आसानी से मीन शिफ्ट और / या लोकल टाइम ट्रेंड्स का पता लगाने तक फैला हुआ है जो डेटा के विश्लेषण से पहले अज्ञात हो सकता था (हाइपोथिसिस जेनरेशन)। अब यह बहुत संभव है कि अगले 10 रीडिंग भी 1,9,1,9 हैं, 1,5,1,9,1,9 यह सुझाव देते हैं कि "5" जरूरी नहीं है कि अनहोनी हो। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो यह प्रकट हो सकता है कि सुसंगत / पूर्वानुमेय व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की है। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। 9 का सुझाव है कि "5" जरूरी नहीं है कि अनहोनी हो। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो यह प्रकट हो सकता है कि सुसंगत / पूर्वानुमेय व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की है। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। 9 का सुझाव है कि "5" जरूरी नहीं है कि अनहोनी हो। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो यह प्रकट हो सकता है कि सुसंगत / पूर्वानुमेय व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की है। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। जरूरी नहीं कि अनहोनी हो। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो यह प्रकट हो सकता है कि सुसंगत / पूर्वानुमेय व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की है। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। जरूरी नहीं कि अनहोनी हो। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो हो सकता है कि सुसंगत / पूर्वानुमानित व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की हो। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो हो सकता है कि सुसंगत / पूर्वानुमानित व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की हो। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। यदि हम एक उपयुक्त मॉडल से एक त्रुटि प्रक्रिया का निरीक्षण करते हैं जो कि गैर-निरंतर भिन्नता को प्रदर्शित करता है, तो हम प्रकृति के निम्नलिखित राज्यों में से एक का खुलासा कर सकते हैं: 1) पैरामीटर एक विशेष बिंदु पर समय में बदल सकते हैं; 2. भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो हो सकता है कि सुसंगत / पूर्वानुमानित व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की हो। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो यह प्रकट हो सकता है कि सुसंगत / पूर्वानुमेय व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की है। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। भारित विश्लेषण (जीएलएस) की आवश्यकता हो सकती है; 3. पावर ट्रांसफ़ॉर्म के माध्यम से डेटा को बदलने की आवश्यकता हो सकती है; 4. वास्तव में त्रुटियों के विचरण को मॉडल करने की आवश्यकता हो सकती है। यदि आपके पास दैनिक डेटा अच्छा विश्लेषण है, तो हो सकता है कि सुसंगत / पूर्वानुमानित व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास प्रतिक्रिया (लीड, समकालीन और अंतराल संरचना) की एक खिड़की हो। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। समसामयिक / अनुमानित व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास समसामयिक और अंतराल संरचना)। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है। समसामयिक / अनुमानित व्यवहार को दर्शाते हुए प्रत्येक अवकाश के आसपास समसामयिक और अंतराल संरचना)। आप यह भी प्रकट करने में सक्षम हो सकते हैं कि महीने के कुछ दिनों का महत्वपूर्ण प्रभाव पड़ता है या सोमवार की छुट्टी से पहले शुक्रवार को असाधारण गतिविधि होती है।