Calculadora Média Mínima Dada uma lista de dados seqüenciais, você pode construir a média móvel n-ponto (ou a média móvel) ao encontrar a média de cada conjunto de n pontos consecutivos. Por exemplo, se você tiver o conjunto de dados ordenados 10, 11, 11, 15, 13, 14, 12, 10, 11, a média móvel de 4 pontos é 11,75, 12,5, 13,25, 13,5, 12,25, 11,75. As médias móveis são usadas Para alisar os dados seqüenciais eles fazem picos afiados e mergulhos menos pronunciados porque cada ponto de dados brutos é dado apenas um peso fracionado na média móvel. Quanto maior o valor de n. Mais suave o gráfico da média móvel em comparação com o gráfico dos dados originais. Os analistas de ações muitas vezes olham as médias móveis de dados de preço de ações para prever tendências e ver padrões com mais clareza. Você pode usar a calculadora abaixo para encontrar uma média móvel de um conjunto de dados. Número de termos em uma média móvel simple n - Point Se o número de termos no conjunto original for d e o número de termos usados em cada média é n. Então, o número de termos na sequência da média móvel será, por exemplo, se você tiver uma seqüência de 90 preços das ações e tomar a média móvel de 14 dias dos preços, a seqüência média rolante terá 90 - 14 1 77 pontos. Esta calculadora calcula as médias móveis onde todos os termos são ponderados igualmente. Você também pode criar médias móveis ponderadas em que alguns termos recebem maior peso do que outros. Por exemplo, dando mais peso a dados mais recentes, ou criando um meio ponderado centralmente, onde os termos do meio são contados mais. Veja o artigo e calculadora de médias móveis ponderadas para obter mais informações. Juntamente com as médias aritméticas em movimento, alguns analistas também observam a mediana móvel de dados ordenados, uma vez que a mediana não é afetada por outliers estranhos. Calculadora Média Mover Alternativa Dada uma lista de dados seqüenciais, você pode construir a média móvel ponderada do ponto n (ou ponderada Média móvel) ao encontrar a média ponderada de cada conjunto de n pontos consecutivos. Por exemplo, suponha que você tenha o conjunto de dados ordenados 10, 11, 15, 16, 14, 12, 10, 11 e o vetor de ponderação é 1, 2, 5, onde 1 é aplicado ao termo mais antigo, 2 é aplicado a O termo intermediário e 5 é aplicado ao termo mais recente. Em seguida, a média móvel ponderada de 3 pontos é 13.375, 15.125, 14.625, 13, 11, 10.875 As médias móveis ponderadas são usadas para alisar os dados seqüenciais, ao mesmo tempo em que dão mais significância a certos termos. Algumas médias ponderadas colocam mais valor em termos centrais, enquanto outras favorecem termos mais recentes. Os analistas de ações costumam usar uma média móvel n-pontual linearmente ponderada na qual o vetor de ponderação é 1, 2. n-1. N. Você pode usar a calculadora abaixo para calcular a média ponderada contínua de um conjunto de dados com um determinado vetor de pesos. (Para a calculadora, insira pesos como uma lista separada por vírgulas de números sem o e parênteses.) Número de termos em uma média móvel ponderada de ponto n Se o número de termos no conjunto original for d e o número de termos usados em Cada média é n (ou seja, o comprimento do vetor de peso é n), então o número de termos na seqüência da média móvel será, por exemplo, se você tiver uma seqüência de 120 preços das ações e tomar uma média móvel ponderada de 21 dias Dos preços, então a sequência média de rolamento ponderada terá 120 - 21 1 100 pontos de dados. Exemplo de Suavização Média Mínima Este exemplo ilustra como usar a técnica XLMiners Moving Average Smoothing para descobrir tendências em uma série temporal que contém sazonalidade. Na faixa XLMiner, na guia Aplicar seu modelo, selecione Ajuda - Exemplos. Então ForecastingData Mining Examples. E abra o conjunto de dados de exemplo, Airpass. xlsx. Este conjunto de dados contém os totais mensais dos passageiros das companhias aéreas internacionais de 1949 a 1960. Depois que o conjunto de dados de exemplo for aberto, clique em uma célula no conjunto de dados e, na faixa XLMiner, na guia Time Series, selecione Partition para abrir a caixa de diálogo Time Series Partition Data. Selecione o mês como a variável de tempo e os passageiros como variáveis nos dados da partição. Clique em OK para particionar os dados em Conjuntos de treinamento e validação. (O particionamento é opcional). As técnicas de suavização podem ser executadas em conjuntos de dados não particionados completos.) Clique na planilha DataPartitionTS e, na faixa XLMiner, na guia Série de tempo, selecione Suavização - Média móvel para abrir a caixa de diálogo Suavização média móvel. O mês já foi selecionado como a variável de tempo. Selecione Passageiros como variável selecionada. Uma vez que este conjunto de dados deve incluir alguma sazonalidade (ou seja, o número de passageiros das companhias aéreas aumenta durante os feriados e meses de verão), o valor para o parâmetro Intervalo - peso deve ser o comprimento de um ciclo sazonal (ou seja, 12 meses). Como resultado, digite 12 para Intervalo e selecione Produzir previsão em validação. Clique em OK para aplicar a técnica de suavização ao conjunto de dados particionado. Duas planilhas, MASmoothingOutput e MASmoothingStored. São inseridos imediatamente à direita da planilha DataPartitionTS. Para obter mais informações sobre a planilha MASmoothingStored, consulte a seção Aplicando seu modelo - marcação de novos dados. Clique na planilha MASmoothingOutput. O Time Plot de Vs real. Os gráficos de Previsão (Dados de Treinamento) e (Dados de Validação) mostram que a técnica de Suavização de Mover Motivo não resulta em um bom ajuste, pois o modelo não captura efetivamente a sazonalidade no conjunto de dados. Os meses de verão - onde o número de passageiros da linha aérea são tipicamente altos - parecem estar previstos, e os meses em que o número de passageiros da linha aérea é baixo, o modelo resulta em uma previsão muito alta. Uma previsão média móvel nunca deve ser usada quando o conjunto de dados inclui sazonalidade. Uma alternativa seria realizar uma regressão no modelo e depois aplicar essa técnica aos resíduos. O próximo exemplo não inclui a sazonalidade. Na faixa XLMiner, na guia Aplicar seu modelo, selecione Ajuda - Exemplos. Em seguida, selecione ForecastingData Mining Examples. E abra o conjunto de dados de exemplo Income. xlsx. Este conjunto de dados contém a renda média dos contribuintes por estado. Primeiro, particione o conjunto de dados em Conjuntos de treinamento e validação usando o Ano como a variável de tempo e CA como variáveis nos dados de partição. Clique em OK para aceitar os padrões de particionamento e criar os Conjuntos de Treinamento e Validação. A planilha DataPartitionTS é inserida imediatamente à direita da planilha de Renda. Clique na folha de cálculo DataPartitionTS e, na faixa XLMiner, na guia Time Series, selecione Smoothing - Moving Average para abrir a caixa de diálogo Smoothing média móvel. O ano foi automaticamente selecionado como a variável Time. Selecione CA como a variável Selecionada e, em Opções de saída, selecione Produzir previsão. Clique em OK para executar a técnica de Suavização média móvel. Duas planilhas, MASmoothingOutput e MASmoothingStored. São inseridos à direita da planilha DataPartitionTS. Para obter mais informações sobre a planilha MASmoothingStored, consulte a seção Aplicando seu modelo - marcação de novos dados. Os resultados da técnica de Suavização média móvel neste conjunto de dados indicam um ajuste muito melhor.
No comments:
Post a Comment