প্রথম বন্ধ, সর্বদা মনে রাখবেন যে আবর্জনা in = আবর্জনা বাইরে; সুতরাং যদি আপনার ডেটা আবর্জনা হয় তবে আপনার পরিসংখ্যানগুলি আবর্জনা হবে।
এই পরিস্থিতিতে আপনার অনুকূল ডেটা ব্যর্থ হওয়া অবধি রান আওয়ারের মতো কিছু হবে এবং আপনার সম্পূর্ণ ডেটাসেট ইতিমধ্যে ব্যর্থ হয়ে গেছে। এটি মাথায় রেখে আপনি যে পরিসংখ্যান গণনা করেন তা থেকে আপনি রক্ষণশীল নম্বর চয়ন করতে চাইতে পারেন।
যেহেতু আপনি কেবল বিক্রয় তারিখ থেকে ব্যর্থ হয়েছেন এটি উচ্চতর এমটিটিএফের দিকে ঝুঁকতে পারে।
যেহেতু আপনার সমস্ত পণ্য ব্যর্থ হয়নি এখনও আপনি আপনার জনসংখ্যার একটি ছোট উপসেটটি দেখতে পারেন, প্রথম ছয় মাসের উত্পাদন বলুন। এর একটি উচ্চ শতাংশ সম্ভবত সম্ভবত ব্যর্থ হয়েছে (যেহেতু আপনি গত সপ্তাহে বিক্রি হওয়া পণ্যটি এই সপ্তাহে ব্যর্থ হওয়া উচিত নয়, আশা করি)।
যদি আপনার ব্যর্থতার অনুপাতটি এখনও খুব কম থাকে তবে আপনার কেবল বিতরণের কম অনুপাত রয়েছে তা মনে রেখে আপনাকে ডেটাটিকে কোনও বিভ্রান্তির সাথে ফিট করার চেষ্টা করতে হবে, আপনাকে অবশ্যই ডেটাসেট থেকে কোনও লাগানো বক্ররেখাতে এক্সট্রোপোলেট করতে হবে।
উদাহরণস্বরূপ, ওয়েইবুল বিতরণ এখানে ভাল কাজ করবে এবং সাধারণত এমটিটিএফ ডেটার জন্য ব্যবহৃত হয়। এখানে ধারণাটি আপনার ডেটাসেটের অনুপাতের সাথে খাপ খায় যা কোনও বিতরণের সাথে সম্পর্কিত অনুপাতে ব্যর্থ হয়েছে। যদি আপনার ডেটাসেটে পণ্যগুলির অনুপাতটি ব্যর্থ হয়েছে যা 48.66% ছিল তবে আপনি নিম্নলিখিত অনুমানের ছায়াযুক্ত অঞ্চলটি দেখানো হিসাবে আপনার অনুমানিত বিতরণে সেই সম্ভাবনার সাথে এটি ফিট করে রাখবেন।
এটি তাত্পর্যপূর্ণ বিতরণ ছাড়াও যে কোনও কিছুর জন্য বরং তীব্র হতে পারে।
এক্সট্রাপোলেশনের আরেকটি পদ্ধতি হ'ল অবক্ষয় বিশ্লেষণ