การย้าย ค่าเฉลี่ย ค่าเฉลี่ย ส่วนเบี่ยงเบน สัมบูรณ์

วิธีคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย MAD ช่วยกรุณาตั้งแต่เดือนพฤษภาคมปี 2005 ผู้จัดการฝ่ายจัดซื้อที่ห้างสรรพสินค้าได้ใช้ค่าเฉลี่ยเคลื่อนที่ 4 ช่วงเพื่อคาดการณ์ยอดขายในเดือนที่จะถึงนี้ข้อมูลการขายสำหรับการแสดงมากขึ้นตั้งแต่เดือนพฤษภาคมปี 2005 ผู้จัดการฝ่ายจัดซื้อ ที่ห้างสรรพสินค้าใช้ค่าเฉลี่ยเคลื่อนที่ 4 ช่วงเพื่อคาดการณ์ยอดขายในเดือนที่จะถึงนี้ข้อมูลการขายสำหรับเดือนมกราคมถึงเดือนกรกฎาคมแสดงไว้ในตารางด้านล่างค่าเบี่ยงเบนมาตรฐาน MAD เฉลี่ยสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่สี่ช่วงค่าคาดการณ์ ถูกคำนวณด้วยความถูกต้องของเลขทศนิยมสองหลักระบุ MAD เป็นตัวเลขทั้งหมดโดยการปัดเศษมันอาจจะน่าสนใจให้ดูที่ MAD สำหรับข้อมูลเพียงอย่างเดียวและเปรียบเทียบกับ MAD สำหรับค่าเฉลี่ยเคลื่อนที่ไม่ตอบคำถามของคุณ - เพียงแค่เพิ่มสีเล็ก ๆ น้อย ๆ สิ่งที่แสดงให้เห็นนี้คือผลการปรับให้เรียบของค่าเฉลี่ยเคลื่อนที่เมื่อเทียบกับข้อมูลดิบค่ามัธยฐาน 1 nx เฉลี่ย 8 ปีที่แล้วมีการเบี่ยงเบนสัมบูรณ์ ks พยากรณ์โพสต์ในวันศุกร์ที่เราได้กล่าวถึงวิธีการพยากรณ์การเคลื่อนไหวโดยเฉลี่ยทั้งแบบง่ายและแบบถ่วงน้ำหนักเมื่อชุดเวลาเป็นแบบหยุดนิ่งนั่นคือไม่มีแนวโน้มที่ชัดเจนหรือเป็นฤดูกาลและขึ้นอยู่กับความบังเอิญของชีวิตประจำวัน ค่าเฉลี่ยที่เรียบง่ายของทั้งชุดมีประโยชน์สำหรับการคาดการณ์ในอีกสองสามสามช่วงอย่างไรก็ตามชุดเวลาส่วนใหญ่เป็นอะไร แต่การขายปลีกแบบหยุดนิ่งมีแนวโน้มตามฤดูกาลและองค์ประกอบของวัฏจักรในขณะที่สาธารณูปโภคมีแนวโน้มและส่วนประกอบตามฤดูกาลที่ส่งผลกระทบต่อการใช้ไฟฟ้าและความร้อน ดังนั้นการคาดการณ์การคาดการณ์โดยเฉลี่ยอาจให้ผลที่น้อยกว่าผลที่พึงปรารถนานอกจากนี้ตัวเลขยอดขายล่าสุดมักจะแสดงให้เห็นถึงยอดขายในอนาคตดังนั้นจึงมักต้องมีระบบคาดการณ์ที่ให้น้ำหนักมากขึ้นในการสังเกตล่าสุด ซึ่งแตกต่างจากโมเดลเฉลี่ยที่เคลื่อนที่โดยใช้ค่าคงที่ของค่าล่าสุดในชุดเวลาสำหรับ การเรียบและการคาดการณ์การปรับให้เรียบเป็นแบบทวีคูณจะรวมเอาชุดค่าเวลาทั้งหมดออกวางน้ำหนักที่หนักที่สุดในข้อมูลปัจจุบันและน้ำหนักในการสังเกตการณ์ที่มีอายุมากขึ้นซึ่งลดลงอย่างมากเมื่อเวลาผ่านไปเนื่องจากการเน้นย้ำทุกช่วงเวลาก่อนหน้านี้ในชุดข้อมูลแบบจำลองการทำให้เรียบแบบเสวนาเป็น recursive เมื่อชุดเวลาแสดงให้เห็นถึงฤดูกาลหรือแนวโน้มที่ไม่เด่นชัดหรือมีแนวโน้มที่จะใช้รูปแบบที่เรียบง่ายที่สุดของการเรียบแบบเสวนาให้เรียบเพียงสูตรเดียวสำหรับสูตรการเรียบแบบเลขยกกำลังเดี่ยวคือในสมการนี้ t 1 หมายถึงค่าพยากรณ์สำหรับช่วง t 1 Y t คือ ค่าที่แท้จริงของช่วงเวลาปัจจุบันคือ tt คือค่าพยากรณ์ของช่วงเวลาปัจจุบันและ t คือค่าคงที่ที่ราบเรียบหรือ alpha ตัวเลขระหว่าง 0 ถึง 1 Alpha คือน้ำหนักที่คุณกำหนดให้กับการสังเกตการณ์ล่าสุดในชุดเวลาของคุณโดยพื้นฐานแล้ว, คุณคาดการณ์ในช่วงถัดไปของค่าที่แท้จริงสำหรับช่วงเวลานี้และคาดว่าจะเป็นค่าที่คุณคาดการณ์ไว้สำหรับช่วงเวลานี้ n ขึ้นอยู่กับการคาดการณ์สำหรับรอบระยะเวลาก่อน that. Let s สมมติคุณได้รับในธุรกิจเป็นเวลา 10 สัปดาห์และต้องการคาดการณ์ยอดขายสำหรับสัปดาห์ที่ 11 การขายสำหรับบรรดาแรก 10 สัปดาห์ are. From สมการข้างต้นคุณรู้ว่าเพื่อที่จะมา ขึ้นกับการคาดการณ์สำหรับสัปดาห์ที่ 11 คุณต้องคาดการณ์ค่าสำหรับสัปดาห์ที่ 10, 9 และตลอดจนสัปดาห์ที่ 1 คุณทราบด้วยว่าสัปดาห์ที่ 1 ไม่มีช่วงเวลาก่อน ๆ จึงไม่สามารถคาดการณ์ได้และคุณจำเป็นต้องกำหนด ค่าคงที่ที่ราบเรียบหรืออัลฟ่าเพื่อใช้สำหรับการพยากรณ์ของคุณกำหนดขั้นตอนการคาดการณ์ครั้งแรกขั้นตอนแรกในการสร้างแบบจำลองการทำให้เรียบเป็นแบบทวีคูณของคุณคือการสร้างค่าคาดการณ์สำหรับงวดแรกในชุดเวลาของคุณวิธีที่พบมากที่สุดคือการตั้งค่าการคาดการณ์ ค่าของสัปดาห์ที่ 1 เท่ากับค่าจริง 200 ซึ่งเราจะทำในตัวอย่างของเราวิธีการหนึ่งก็คือถ้าคุณมีข้อมูลการขายก่อนหน้านี้ แต่ไม่ได้ใช้ในการสร้างแบบจำลองคุณอาจใช้เวลาเฉลี่ย ของคู่ของ pri ทันที หรือระยะเวลาและใช้เป็นแบบคาดการณ์วิธีที่คุณกำหนดการคาดการณ์เริ่มต้นของคุณเป็นอัตวิสัยวิธีการที่บิ๊กควร Alpha Be นี้เป็นสายการตัดสินและการหาอัลฟาที่เหมาะสมอาจมีการทดลองและข้อผิดพลาดโดยทั่วไปถ้าชุดข้อมูลเวลาของคุณมีเสถียรภาพมาก , ขนาดเล็กที่เหมาะสมการตรวจสอบภาพของยอดขายของคุณบนกราฟยังมีประโยชน์ในการพยายามระบุ alpha เพื่อเริ่มต้นด้วยเหตุใดขนาดที่มีความสำคัญเนื่องจากใกล้ชิดกับ 1 น้ำหนักที่มากขึ้นซึ่งกำหนดให้กับค่าล่าสุดใน การคาดการณ์ของคุณมากขึ้นอย่างรวดเร็วคาดการณ์ของคุณจะปรับเปลี่ยนตามรูปแบบในซีรีส์เวลาของคุณและการให้ความเรียบนวลน้อยลงเกิดขึ้นในทำนองเดียวกันใกล้กว่าคือ 0 ยิ่งมีน้ำหนักมากเท่าใดเมื่อเปรียบเทียบกับการสังเกตก่อนหน้านี้ในการพิจารณาการคาดการณ์ กับรูปแบบในชุดเวลาและการทำให้ราบรื่นมากขึ้นที่เกิดขึ้น Let s ตรวจสอบสายตา 10 สัปดาห์ของการขาย Exponential Smoothing Process. The ยอดขายปรากฏขรุขระค่อนข้างแกว่งระหว่าง 200 และ 2 35 ให้เริ่มต้นด้วย alpha จาก 0 5 นั่นทำให้เรามีตารางต่อไปนี้โดยสรุปว่าแม้ว่าการคาดการณ์ของคุณจะเป็นไปอย่างแม่นยำก็ตามเมื่อค่าที่แท้จริงของคุณในช่วงสัปดาห์ที่เฉพาะเจาะจงสูงกว่าที่คุณคาดการณ์สัปดาห์ที่ 2 ถึง 5 ไว้ตัวอย่างเช่น การคาดการณ์ของคุณสำหรับแต่ละสัปดาห์ที่ผ่านมาสัปดาห์ที่ 3 ถึง 6 จะปรับขึ้นเมื่อค่าที่แท้จริงของคุณต่ำกว่าที่คาดการณ์เช่นสัปดาห์ที่ 6, 8, 9 และ 10 การคาดการณ์ของคุณในสัปดาห์ต่อมาจะปรับลงนอกจากนี้เมื่อคุณย้ายไปที่ การคาดการณ์ก่อนหน้านี้ของคุณมีบทบาทน้อยลงในการคาดการณ์ในภายหลังเนื่องจากน้ำหนักของพวกเขาลดลงอย่างมากเพียงแค่ดูตารางด้านบนคุณจะรู้ว่าการคาดการณ์ในสัปดาห์ที่ 11 จะต่ำกว่า 220 8 การคาดการณ์สำหรับสัปดาห์ 10. เมื่อพิจารณาจากอัลฟาและยอดขายในอดีตของเรายอดขายที่คาดว่าจะดีที่สุดคือยอดขายในสัปดาห์ที่ 11 เท่ากับ 215 4 ดูกราฟของยอดขายจริงที่คาดการณ์ไว้สำหรับสัปดาห์ที่ 1-10 กล่าวว่ายอดขายที่คาดการณ์ไว้จะนุ่มนวล กว่าที่เป็นจริงและคุณสามารถดูวิธีการสำหรับ ecasted สายการขายปรับให้แหลมและ dips ในชุดเวลาการขายที่เกิดขึ้นจริงสิ่งที่ถ้าเราได้ใช้ Alpha ขนาดเล็กหรือใหญ่กว่าเราจะแสดงให้เห็นโดยใช้ทั้งอัลฟาจาก 30 และหนึ่งใน 70 ที่ทำให้เรามีตารางต่อไปนี้และ graph. Using อัลฟาของ 0 70 เราท้ายด้วยต่ำสุด MAD ของทั้งสามค่าคงที่โปรดทราบว่าการตัดสินความน่าเชื่อถือของการคาดการณ์ ISN T เสมอเกี่ยวกับการลด MAD MAD หลังจากทั้งหมดเป็นค่าเฉลี่ยของการเบี่ยงเบนแจ้งให้ทราบว่าอย่างมากเบี่ยงเบนสัมบูรณ์สำหรับแต่ละ ของ alphas เปลี่ยนจากสัปดาห์ที่สัปดาห์การคาดการณ์อาจจะมีความน่าเชื่อถือมากขึ้นโดยใช้ alpha ที่ผลิต MAD สูง แต่มีความแปรปรวนน้อยลงในแต่ละ deviations. Limits เมื่อ Smoothing Exponential การปรับตัว Exponential ไม่ได้มีไว้สำหรับการคาดการณ์ในระยะยาวมักจะมีการใช้ เพื่อทำนายหนึ่งหรือสอง แต่ไม่ค่อยมีเวลาเกินสามรอบข้างนอกจากนี้ถ้ามีการเปลี่ยนแปลงอย่างฉับพลันในระดับของยอดขายหรือค่าและชุดเวลาจะยังคงอยู่ในระดับใหม่นั้นอัลกอริทึมจะเป็น slo w เพื่อให้ทันกับการเปลี่ยนแปลงอย่างกะทันหันดังนั้นจะมีข้อผิดพลาดในการคาดการณ์มากขึ้นในสถานการณ์เช่นนั้นจะเป็นการดีที่จะละเว้นช่วงเวลาก่อนหน้านี้ก่อนการเปลี่ยนแปลงและเริ่มต้นกระบวนการเรียบขึ้นด้วยระดับใหม่ในที่สุดโพสต์นี้พูดถึงเดี่ยว exponential smoothing ซึ่งใช้เมื่อไม่มีฤดูกาลหรือแนวโน้มในข้อมูลที่เห็นได้ชัดเมื่อมีแนวโน้มที่เห็นได้ชัดหรือรูปแบบตามฤดูกาลในข้อมูลการทำให้เรียบอย่างละเอียดที่เป็นเอกหมายเดียวจะส่งผลให้เกิดข้อผิดพลาดในการคาดการณ์อย่างมีนัยสำคัญการปรับความเปรียบเปรยเป็นสองเท่าจำเป็นต่อการปรับรูปแบบเหล่านี้ จะครอบคลุมการเพิ่มขึ้นของเลขคณิตสองครั้งในสัปดาห์ถัดไป s โพสต์วันศุกร์คาดการณ์หนึ่งในง่ายที่สุดเทคนิคการพยากรณ์เวลาทั่วไปที่พบบ่อยที่สุดคือค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยมีประโยชน์ถ้าทุกสิ่งที่คุณมีอยู่หลายช่วงเวลาติดต่อกันเช่นตัวแปรการขาย, บัญชีออมทรัพย์ใหม่เปิดผู้เข้าร่วมการประชุมเชิงปฏิบัติการ ฯลฯ คุณคาดการณ์อีกครั้งและไม่มีข้อมูลอื่น ๆ ที่จะคาดการณ์สิ่งที่ wil ค่าถัดไป s ค่า บ่อยครั้งที่การใช้ยอดขายไม่กี่เดือนที่ผ่านมาเพื่อทำนายยอดขายในเดือนถัดไปให้ดีกว่าการประมาณการโดยไม่ได้ตั้งใจอย่างไรก็ตามวิธีการเฉลี่ยโดยเฉลี่ยสามารถมีข้อผิดพลาดในการคาดการณ์อย่างร้ายแรงได้ถ้าใช้อย่างประมาทค่าเฉลี่ยขั้นต่ำโดยวิธีการ ค่างวดถัดไปของค่าเฉลี่ยของมูลค่าของคู่สุดท้ายของงวดก่อนหน้านี้ทันทีสมมติว่าคุณได้รับในธุรกิจเป็นเวลาสามเดือนมกราคมถึงเดือนมีนาคมและต้องการคาดการณ์ยอดขายเดือนเมษายนยอดขายของคุณสำหรับสามเดือนสุดท้ายมีลักษณะเช่นนี้ วิธีที่ง่ายที่สุดคือใช้เวลาเฉลี่ยในเดือนมกราคมถึงเดือนมีนาคมและใช้ข้อมูลดังกล่าวในการประมาณการยอดขายในเดือนเมษายน 129 134 122 3 128 333 ดังนั้นจากยอดขายในเดือนมกราคมถึงเดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 เมื่อยอดขายจริงในเดือนเมษายนเพิ่มขึ้นคุณจะคำนวณการคาดการณ์สำหรับเดือน พ. ค. โดยใช้กุมภาพันธ์ถึงเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ยจำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยของการเคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายบางครั้งยอดขายเดือนล่าสุดอาจเป็นแรงผลักดันที่แข็งแกร่งขึ้นของยอดขายในเดือนถัดไปดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้เดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณนี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักและเหมือนกับจำนวน ของงวดน้ำหนักที่คุณกำหนดเป็นเพียงคำพูดโดยสิ้นเชิงสมมติว่าคุณต้องการให้ยอดขายของเดือนมีนาคม 50 น้ำหนักกุมภาพันธ์น้ำหนัก 30 และมกราคม 20 ดังนั้นการคาดการณ์ของคุณสำหรับเดือนเมษายนจะเท่ากับ 127,000 122 50 134 30 129 20 127.L การลอกเลียนแบบของ Moving Average Methods การย้ายค่าเฉลี่ยจะถือเป็นเทคนิคการคาดการณ์การปรับให้ราบเรียบเนื่องจากคุณใช้เวลาเฉลี่ยโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนลงหรือทำให้เกิดผลกระทบจากเหตุการณ์ที่เกิดขึ้นไม่สม่ำเสมอภายในข้อมูลผลของฤดูกาลการทำธุรกิจและอื่น ๆ เหตุการณ์สุ่มสามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมากลองดูข้อมูลมูลค่าเต็มของปีและเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงซึ่งคำเตือนดังกล่าวไม่ได้สร้างการคาดการณ์ แต่เน้นที่ศูนย์กลาง ค่าเฉลี่ยเคลื่อนที่เฉลี่ยย้อนหลัง 3 เดือนแรกเป็นเดือนกุมภาพันธ์และเป็นค่าเฉลี่ยของเดือนมกราคมกุมภาพันธ์และเดือนมีนาคมที่ผ่านมานอกจากนี้ยังมีค่าเฉลี่ยใกล้เคียงกับค่าเฉลี่ย 5 เดือนแล้วดูที่กราฟต่อไปสิ่งที่คุณเห็นคือ ไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ในรอบ 5 เดือนจะยิ่งเพิ่มขึ้นเรื่อย ๆ ดังนั้นยิ่งช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้นเท่าไร ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจไม่ใช่วิธีที่ถูกต้องที่สุดวิธีการเฉลี่ยโดยเฉลี่ยจะมีค่ามากเมื่อคุณลองดึงองค์ประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้นเช่นการถดถอย และ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการกล่าวถึงในซีรีส์ต่อไปการกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ มาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation MAD ในวิธีนี้สำหรับแต่ละช่วงเวลาของชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและค่าที่คาดการณ์ไว้ คุณเฉลี่ยเบี่ยงเบนที่แน่นอนและคุณได้รับการวัด MAD MAD จะเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนรอบระยะเวลาที่คุณเฉลี่ยและหรือจำนวน โดยทั่วไปคุณเลือกหนึ่งที่มีผลในต่ำสุด MAD นี่คือตัวอย่างของวิธี MAD คำนวณ. MADเป็นเพียงค่าเฉลี่ยของ 8, 1 และ 3.Moving เฉลี่ย Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์ , remember. Moving ค่าเฉลี่ยได้ง่ายหรือ weighted จำนวนรอบระยะเวลาที่คุณใช้สำหรับค่าเฉลี่ยของคุณและน้ำหนักใด ๆ ที่คุณกำหนดให้แต่ละอย่างเคร่งครัดโดยเคร่งครัดค่าเฉลี่ยที่เรียบออกรูปแบบที่ไม่สม่ำเสมอในข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนของระยะเวลาที่ใช้สำหรับ แต่ละจุดข้อมูลมากขึ้นผลการทำให้ราบเรียบเนื่องจากการเรียบคาดการณ์การขายในเดือนถัดไปขึ้นอยู่กับการขายไม่กี่เดือนล่าสุดของอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากฤดูกาลตามฤดูกาลและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการราบเรียบ ของวิธีการเฉลี่ยเคลื่อนที่จะมีประโยชน์ในการสลายตัวชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้นสัปดาห์ถัดไป Exponential Smoothing ในสัปดาห์ถัดไป s Forecast วันศุกร์เราจะพูดถึงวิธีการเรียบเรียงเป็นทวีคูณ และคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ยยังไม่ทราบว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาออกมาบทความใหม่มาให้คุณต่อไปนี้คุณสามารถดูวิธี C ของฉันในการคำนวณ Bollinger วงสำหรับค่าเฉลี่ยเคลื่อนที่แต่ละจุดขึ้นแถบวงขึ้นลงแถบคุณสามารถดูวิธีนี้ใช้ 2 สำหรับลูปในการคำนวณส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่โดยใช้ค่าเฉลี่ยเคลื่อนที่โดยใช้วงรอบอื่นเพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ในช่วง n ครั้งที่แล้ว หนึ่งนี้ฉันจะลบโดยการเพิ่มค่าจุดใหม่เพื่อ totalaverage ที่จุดเริ่มต้นของห่วงและลบค่าจุด n ในตอนท้ายของ loop. My คำถามตอนนี้เป็นพื้นฉันสามารถลบห่วงภายในที่เหลือในทางเดียวกัน ฉันจัดการกับ average. asked เคลื่อนไหว 31 มกราคม 13 ที่ 21 45 คำตอบคือใช่คุณสามารถในช่วงกลาง 80 s ฉันพัฒนาเพียงเช่นอัลกอริทึมอาจไม่เดิมใน FORTRAN สำหรับการตรวจสอบกระบวนการและการประยุกต์ใช้การควบคุม แต่ที่ถูก กว่า 25 ท่าน ars ที่ผ่านมาและฉันไม่จำสูตรที่แน่นอน แต่เทคนิคเป็นส่วนขยายของหนึ่งสำหรับค่าเฉลี่ยเคลื่อนที่โดยมีการคำนวณคำสั่งที่สองแทนเพียงคนเชิงเส้นหลังจากมองรหัสของคุณบางฉันคิดว่าฉันสามารถ suss ออกอย่างไร ฉันได้กลับมาแล้วสังเกตว่าห่วงภายในของคุณคือการทำให้ Sum of Squares. in มากเช่นเดียวกับที่ค่าเฉลี่ยของคุณต้องมีค่าเริ่มต้นเพียงค่าเดียวเท่านั้นค่าความแตกต่างเพียงอย่างเดียวคือลำดับอำนาจของ 2 แทน 1 และคุณเป็นอย่างไร ลบค่าเฉลี่ยแต่ละค่าก่อนที่คุณจะสแควร์ตอนนี้ที่อาจดูแยกออกไม่ได้ แต่ในความเป็นจริงพวกเขาสามารถแยกออกได้ตอนแรกระยะเป็นเพียงผลรวมของสี่เหลี่ยมคุณจัดการว่าในลักษณะเดียวกับที่คุณทำผลรวมของค่าสำหรับ โดยเฉลี่ยแล้วระยะ k 2 n เป็นค่าเฉลี่ยของกำลังสองเท่าของรอบระยะเวลาเนื่องจากคุณแบ่งผลลัพธ์ตามช่วงเวลาต่อไปคุณสามารถเพิ่มค่าเฉลี่ยใหม่โดยไม่ต้องเพิ่มลูปโดยไม่ต้องเพิ่มลูปในที่สุดในระยะที่สอง SUM -2 vik ตั้งแต่ SUM ทั้งหมด kn แล้วคุณสามารถเปลี่ยนเป็น th คือ -2 k 2 n ซึ่งเป็น -2 เท่าของค่าเฉลี่ยของกำลังสองเมื่อช่วง n ถูกแบ่งออกอีกครั้งดังนั้นสูตรรวมสุดท้ายคือ ตรวจสอบเพื่อตรวจสอบความถูกต้องของการนี้เนื่องจากฉัน deriving มันปิดด้านบนของหัวของฉันและ incorporating ลงในรหัสของคุณควรมีลักษณะเช่นนี้ปัญหากับวิธีการที่คำนวณผลรวมของสี่เหลี่ยมคือว่าและตารางผลรวม จะได้รับค่อนข้างใหญ่และการคำนวณความแตกต่างของพวกเขาอาจทำให้เกิดข้อผิดพลาดที่มีขนาดใหญ่มากดังนั้นลองคิดถึงบางสิ่งบางอย่างที่ดีกว่าด้วยเหตุนี้จึงเป็นสิ่งจำเป็นโปรดดูบทความ Wikipedia เกี่ยวกับอัลกอริทึมสำหรับการคำนวณความแปรปรวนและ John Cook ในคำอธิบายทางทฤษฎีสำหรับผลลัพธ์ที่เป็นตัวเลข First แทนการคำนวณ stddev ให้ s เน้นความแปรปรวนเมื่อเรามีความแปรปรวน stddev เป็นเพียงรากที่สองของความแปรปรวนสมมติว่าข้อมูลอยู่ในอาร์เรย์ที่เรียกว่า x กลิ้งหน้าต่าง n โดยหนึ่งสามารถคิดเป็น ลบค่าของ x 0 และเพิ่มค่าของ xn Let s หมายถึงค่าเฉลี่ยของ x 0 x n-1 และ x 1 xn ตามและตามลำดับความแตกต่างระหว่างความผันแปรของ x 0 x n-1 และ x 1 xn คือหลังจาก ยกเลิกเงื่อนไขและข้อตกลง ga - ab ab ดังนั้นความแปรปรวนจะถูกรบกวนโดยสิ่งที่ doesn t คุณต้องรักษาผลรวมของสี่เหลี่ยมซึ่งจะดีกว่าสำหรับ accuracy. You ตัวเลขสามารถคำนวณค่าเฉลี่ยและความแปรปรวนครั้งในการเริ่มต้นด้วยวิธีที่เหมาะสม Welford วิธีหลัง ว่าทุกครั้งที่คุณต้องเปลี่ยนค่าในหน้าต่าง x 0 โดย xn อื่นคุณอัปเดตค่าเฉลี่ยและความแปรปรวนเช่น this. Thanks นี้ฉันใช้เป็นพื้นฐานของการดำเนินการใน C สำหรับ CLR ฉันพบว่าในทางปฏิบัติ คุณอาจปรับปรุงเช่นว่า newVar เป็นจำนวนลบมากขนาดเล็กและ sqrt ล้มเหลวฉันแนะนำถ้าจะ จำกัด ค่าศูนย์สำหรับกรณีนี้ไม่คิด แต่มั่นคงนี้เกิดขึ้นเมื่อทุกค่าในหน้าต่างของฉันมีค่าเดียวกันฉันใช้ ขนาดของหน้าต่าง 20 และค่าในคำถามเป็น 0 5 ในกรณีที่มีคนต้องการที่จะลองและทำซ้ำ Drew Noakes นี้ 26 กรกฎาคมที่ 15 25. ฉันเคยใช้คอมมอนส์คณิตศาสตร์และสนับสนุนการที่ห้องสมุดสำหรับบางสิ่งบางอย่างที่คล้ายกับนี้ s open-source, porting ไปยัง C ควร b e ง่ายเป็นพายเก็บซื้อได้คุณพยายามทำวงกลมตั้งแต่เริ่มต้นตรวจสอบออกพวกเขามีชั้น StandardDeviation ไป town. answered 31 มกราคม 13 ที่ 21 48.You ยินดีต้อนรับฉัน didn t มีคำตอบที่คุณกำลังมองหาฉัน แน่นอน didn t หมายถึงการแนะนำ porting ห้องสมุดทั้งหมดเพียงรหัสที่จำเป็นขั้นต่ำซึ่งควรจะไม่กี่ร้อยบรรทัดหรือดังนั้นโปรดทราบว่าฉันมีความคิดว่ากฎหมายข้อ จำกัด ลิขสิทธิ์ apache มีในรหัสที่ไม่ดังนั้นคุณต้องมีการตรวจสอบว่าใน กรณีที่คุณติดตามมันนี่คือลิงค์เพื่อให้ Variance FastMath Jason 31 มกราคม 13 ที่ 22 36 ข้อมูลที่สำคัญที่สุดได้รับแล้วให้เหนือ - แต่อาจจะยังคงเป็นที่น่าสนใจทั่วไปห้องสมุด Java ขนาดเล็กในการคำนวณค่าเฉลี่ยเคลื่อนที่และ ส่วนเบี่ยงเบนมาตรฐานมีอยู่ที่นี่การใช้งานขึ้นอยู่กับรูปแบบวิธี Welford ที่กล่าวมาข้างต้นวิธีการลบและแทนที่ค่าที่ได้รับมาซึ่งสามารถใช้สำหรับการย้ายหน้าต่างค่าได้