ศูนย์กลางการ เคลื่อนไหว ค่าเฉลี่ย

เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ที่ใช้งานอยู่การวางค่าเฉลี่ยในช่วงเวลากลางหมายความว่าในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ยของช่วงเวลา 3 ช่วงแรกและวางไว้ข้างงวด 3 เราสามารถวางค่าเฉลี่ยในช่วงกลางของ ช่วงเวลาสามช่วงคือถัดจากช่วงเวลา 2 ซึ่งทำงานได้ดีกับช่วงเวลาแปลก ๆ แต่ไม่ค่อยดีเท่าช่วงเวลาที่เท่ากัน เราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4 ในทางเทคนิคค่า Moving Average จะลดลงที่ 2.5, 3.5 เพื่อหลีกเลี่ยงปัญหานี้เราจะราบรื่นขึ้นโดยใช้ M 2 ดังนั้นเราจึงเรียบค่าที่ราบเรียบหากเราเฉลี่ยจำนวนแม้แต่ของเงื่อนไขเราต้องเรียบค่าเรียบตารางต่อไปนี้แสดงผลโดยใช้ M 4.David ใช่ MapReduce เป็น ตั้งใจทำงานบนข้อมูลจำนวนมาก และแนวคิดก็คือโดยทั่วไปแล้วแผนที่และฟังก์ชันลดไม่ควรดูแลผู้จัดทำแผนที่หรือลดจำนวนที่มีอยู่นั่นเองการเพิ่มประสิทธิภาพเพียงอย่างเดียวนั่นแหละ ถ้าคุณคิดอย่างรอบคอบเกี่ยวกับอัลกอริทึมที่ฉันโพสต์คุณจะเห็นว่าไม่ใช่เรื่องสำคัญที่ mapper จะได้รับส่วนใดของข้อมูล แต่ละระเบียนอินพุตจะพร้อมใช้งานสำหรับทุกๆการทำงานที่ต้องการ ndash Joe K 18 กันยายน 2012 เวลา 22:30 ในความเข้าใจที่ดีที่สุดของฉันเฉลี่ยเคลื่อนที่ไม่ได้เป็นอย่างดีแผนที่กับกระบวนทัศน์ MapReduce ตั้งแต่การคำนวณของมันเป็นหลักเลื่อนหน้าต่างไปเรียงลำดับข้อมูลในขณะที่ MR คือการประมวลผลของช่วงที่ไม่ใช่ intersected ของข้อมูลที่เรียงลำดับ โซลูชันที่ฉันเห็นมีดังต่อไปนี้ก) การใช้พาร์ติชันที่กำหนดเองเพื่อให้สามารถทำพาร์ติชันที่แตกต่างกันสองแบบในสองรัน ในการทำงานแต่ละครั้ง reducers ของคุณจะได้รับช่วงข้อมูลที่แตกต่างกันและคำนวณค่าเฉลี่ยเคลื่อนที่ที่เหมาะสมที่ฉันจะพยายามแสดงให้เห็น: ในข้อมูลรันครั้งแรกสำหรับ reducers ควรเป็น: R1: Q1, Q2, Q3, Q4 R2: Q5, Q6, Q7, Q8 . ที่นี่คุณจะได้รับค่าเฉลี่ยเคลื่อนที่สำหรับ Qs บางส่วน ในระยะต่อไป reducers ของคุณควรได้รับข้อมูลเช่น: R1: Q1 Q6 R2: Q6 Q10 R3: Q10..Q14 และขจัดส่วนที่เหลือของค่าเฉลี่ยเคลื่อนที่ จากนั้นคุณจะต้องรวมผลการค้นหา ความคิดของพาร์ทิชันแบบกำหนดเองที่จะมีสองโหมดของการทำงาน - แต่ละครั้งแบ่งออกเป็นช่วงที่เท่ากัน แต่มีการเปลี่ยนแปลงบางอย่าง ในเทียมโหนดจะมีลักษณะดังนี้ พาร์ติชัน (keySHIFT) (MAXKEYnumOfPartitions) โดยที่: SHIFT จะถูกนำมาจากการกำหนดค่า MAXKEY ค่าสูงสุดของคีย์ ฉันสันนิษฐานว่าเป็นความเรียบง่ายที่พวกเขาเริ่มต้นด้วยศูนย์ RecordReader, IMHO ไม่ใช่ทางออกเนื่องจากมีข้อ จำกัด ในการแยกเฉพาะและไม่สามารถเลื่อนผ่านขอบเขตการแบ่งแยกได้ อีกวิธีหนึ่งคือการใช้ตรรกะที่กำหนดเองในการแบ่งข้อมูลอินพุท (เป็นส่วนหนึ่งของ InputFormat) สามารถทำได้เพื่อทำ 2 สไลด์ที่แตกต่างกันเช่นเดียวกับการแบ่งพาร์ติชัน ตอบ 17 ก. ย. 12 เวลา 8: 59 ข้อมูลทางกฎหมายที่สำคัญเกี่ยวกับอีเมลที่คุณจะส่ง เมื่อใช้บริการนี้ถือว่าคุณยอมรับที่อยู่อีเมลที่แท้จริงของคุณและส่งเฉพาะคนที่คุณรู้จักเท่านั้น เป็นการละเมิดกฎหมายในบางเขตอำนาจศาลในการระบุตัวตนด้วยอีเมล ข้อมูลทั้งหมดที่คุณให้ไว้จะถูกใช้โดย Fidelity เพียงเพื่อวัตถุประสงค์ในการส่งอีเมลในนามของคุณ บรรทัดหัวเรื่องของอีเมลที่คุณส่งจะเป็น Fidelity: อีเมลของคุณได้รับการส่งแล้ว กองทุนรวมและการลงทุนในกองทุนรวม - การลงทุนใน Fidelity คลิกที่ลิงค์จะเปิดหน้าต่างใหม่ เทรดดิ้งเคลื่อนไหวด้วยค่าเฉลี่ยเคลื่อนที่ปลดปล่อยเครื่องมือที่เรียบง่ายและทรงพลังเพื่อปลดล็อกความมั่งคั่งของข้อมูลภายในแผนภูมิของคุณ Fidelity Active Trader News ndash 11212016 การวิเคราะห์ด้านเทคนิคหุ้นผู้ค้าหลักทรัพย์ที่เป็นนายหน้าซื้อขายหลักทรัพย์ Pro ในบรรดาเครื่องมือวิเคราะห์ทางเทคนิคทั้งหมดที่คุณต้องการทฤษฎีการคำนวณ MACD ดัชนีความสัมพันธ์สัมพัทธ์ เชิงเทียนของญี่ปุ่นและค่าเฉลี่ยการไถกลวกเป็นหนึ่งในวิธีที่ง่ายที่สุดในการทำความเข้าใจและใช้กลยุทธ์ของคุณ ถึงกระนั้นก็ยังเป็นตัวชี้วัดที่สำคัญที่สุดของแนวโน้มตลาดซึ่งเป็นประโยชน์อย่างยิ่งในตลาดที่มีแนวโน้มสูงขึ้น (upward downward) เช่นแนวโน้มขาขึ้นในระยะยาวที่เราได้รับตั้งแต่ปีพ. ศ. 2552 เป็นต้นมาว่าคุณสามารถนำค่าเฉลี่ยเคลื่อนที่ที่จะช่วยเพิ่มประสิทธิภาพในการซื้อขายของคุณได้อย่างไร ความชำนาญ ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของชุดตัวเลข ค่าเฉลี่ยเคลื่อนที่หมายถึง (ค่าเฉลี่ย)) หมายถึงค่าเฉลี่ยเคลื่อนที่เนื่องจากเป็นราคาใหม่ข้อมูลเก่าถูกทิ้งและข้อมูลใหม่ล่าสุดจะแทนที่ หุ้นหรือการรักษาความปลอดภัยทางการเงินอื่น ๆ การเคลื่อนไหวปกติบางครั้งสามารถระเหย, gyrating ขึ้นหรือลงซึ่งอาจทำให้ยากที่จะประเมินทิศทางทั่วไป จุดประสงค์หลักของการย้ายค่าเฉลี่ยคือการทำให้ข้อมูลที่คุณได้รับการตรวจสอบมีความเรียบขึ้นเพื่อช่วยให้ได้รับแนวโน้มที่ชัดเจนขึ้น (ดูแผนภูมิด้านล่าง) ค่าเฉลี่ยเคลื่อนที่จะคลี่คลายออกจากราคา ที่มา: ผู้ค้าหลักทรัพย์ที่ใช้งานอยู่ ณ วันที่ 15 พฤศจิกายน 2016 มีค่าเฉลี่ยเคลื่อนที่ไม่กี่แบบที่นักลงทุนมักใช้ ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) SMA คำนวณโดยการเพิ่มข้อมูลทั้งหมดในช่วงเวลาที่ระบุและหารจำนวนทั้งหมดตามจำนวนวัน หากหุ้นของ XYZ ปิดที่ 30, 31, 30, 29 และ 30 ในช่วง 5 วันที่ผ่านมาค่าเฉลี่ยเคลื่อนที่ 5 วันจะอยู่ที่ 30 ค่าเฉลี่ยถ่วงน้ำหนัก (Exponential Movient Average - EMA) หรือที่เรียกว่าค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนัก EMA กำหนดน้ำหนักให้กับข้อมูลล่าสุดมากที่สุด ผู้ค้าจำนวนมากต้องการใช้ EMA เพื่อให้ความสำคัญกับการพัฒนาล่าสุด ค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง หรือที่เรียกว่าค่าเฉลี่ยเคลื่อนที่สามเหลี่ยมค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยจะคำนึงถึงราคาและเวลาโดยการวางน้ำหนักไว้ที่ตรงกลางชุดมากที่สุด นี่คือค่าเฉลี่ยเคลื่อนที่ที่ใช้กันอย่างแพร่หลาย ค่าเฉลี่ยเคลื่อนที่สามารถใช้กับแผนภูมิราคาทุกประเภท (เช่นเส้นแถบและเชิงเทียน) นอกจากนี้ยังเป็นส่วนประกอบสำคัญของตัวชี้วัดอื่น ๆ เช่นกลุ่ม Bollinger Bands การตั้งค่าค่าเฉลี่ยเคลื่อนที่เมื่อตั้งค่าแผนภูมิของคุณการเพิ่มค่าเฉลี่ยเคลื่อนที่จะง่ายมาก ใน Fidelitys Active Trader Pro ตัวอย่างเช่นเพียงแค่เปิดแผนภูมิและเลือกตัวชี้วัดจากเมนูหลัก ค้นหาหรือเลื่อนไปยังค่าเฉลี่ยเคลื่อนที่โดยเลือกเส้นที่คุณต้องการเพิ่มลงในแผนภูมิ คุณสามารถเลือกระหว่างตัวบ่งชี้ค่าเฉลี่ยเคลื่อนที่ที่แตกต่างกันซึ่งรวมถึงค่าเฉลี่ยเคลื่อนที่แบบง่ายหรือแบบเสวนา คุณยังสามารถเลือกระยะเวลาสำหรับค่าเฉลี่ยเคลื่อนที่ การตั้งค่าที่ใช้กันโดยทั่วไปคือการใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนา 50 วันและค่าเฉลี่ยเคลื่อนที่แบบเสวนา 200 วันไปเป็นกราฟราคา ค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ด้วย Moving averages ด้วยเฟรมเวลาต่างกันสามารถให้ข้อมูลหลากหลายได้อย่างไร ค่าเฉลี่ยเคลื่อนที่อีกต่อไป (เช่น EMA 200 วัน) สามารถทำหน้าที่เป็นอุปกรณ์ปรับความสมดุลที่มีค่าเมื่อคุณพยายามประเมินแนวโน้มในระยะยาว ค่าเฉลี่ยเคลื่อนที่ที่สั้นลงเช่นค่าเฉลี่ยเคลื่อนที่ 50 วันจะติดตามการดำเนินการด้านราคาอย่างใกล้ชิดมากขึ้นดังนั้นจึงมักใช้เพื่อประเมินรูปแบบระยะสั้น ค่าเฉลี่ยเคลื่อนที่แต่ละค่าสามารถใช้เป็นตัวบ่งชี้การสนับสนุนและความต้านทานและมักใช้เป็นเป้าหมายราคาในระยะสั้นหรือระดับคีย์ การเคลื่อนไหวค่าเฉลี่ยสร้างสัญญาณการซื้อขายค่าเฉลี่ยเคลื่อนที่เป็นที่รู้จักกันอย่างแพร่หลายจากผู้ค้าหลายรายในฐานะที่เป็นปัจจัยสนับสนุนและระดับราคาต้านทานที่สำคัญ หากราคาสูงกว่าค่าเฉลี่ยเคลื่อนที่อาจเป็นระดับการสนับสนุนที่แข็งแกร่งหากหุ้นลดลงราคาอาจมีช่วงเวลาที่ยากลำบากกว่าซึ่งอยู่ต่ำกว่าระดับราคาเฉลี่ยที่เคลื่อนที่ได้ อีกทางเลือกหนึ่งหากราคาต่ำกว่าค่าเฉลี่ยเคลื่อนที่อาจเป็นเส้นค่าเฉลี่ยที่แข็งแกร่งได้หากสต๊อกเพิ่มขึ้นราคาอาจไต่ระดับสูงกว่าค่าเฉลี่ยเคลื่อนที่ เครื่องหมายกากบาทสีทองและเครื่องหมายกากบาทความตาย 2 ค่าเฉลี่ยเคลื่อนที่ 2 ตัวสามารถใช้ร่วมกันเพื่อสร้างสัญญาณการซื้อขายครอสโอเวอร์ที่มีประสิทธิภาพ วิธีการครอสโอเวอร์เกี่ยวข้องกับการซื้อหรือขายเมื่อค่าเฉลี่ยเคลื่อนที่ที่สั้นลงจะเคลื่อนที่ข้ามค่าเฉลี่ยเคลื่อนที่ที่ยาวขึ้น สัญญาณการซื้อสร้างขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่เร็วเหนือค่าเฉลี่ยเคลื่อนที่ช้า ตัวอย่างเช่นเครื่องหมายกากบาทสีทองเกิดขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่เช่น EMA 50 วันอยู่เหนือเส้นค่าเฉลี่ยเคลื่อนที่ 200 วัน สัญญาณนี้สามารถสร้างขึ้นในแต่ละสต็อกหรือดัชนีตลาดกว้างเช่น SP 500 โดยใช้แผนภูมิของ SP 500 ข้างต้นการท่องไขว้ล่าสุดเป็นรูปกางเขนทองคำในเดือนเมษายนปีพ. ศ. 2519 (ดูแผนภูมิด้านบน) SP 500 ได้รับประมาณ 7 ตั้งแต่นั้นกลางเดือนพฤศจิกายน อีกทางเลือกหนึ่งสัญญาณการขายจะถูกสร้างขึ้นเมื่อค่าเฉลี่ยเคลื่อนที่เร็วต่ำกว่าค่าเฉลี่ยเคลื่อนที่ที่ต่ำ เครื่องหมายการเสียชีวิตนี้จะเกิดขึ้นหากค่าเฉลี่ยเคลื่อนที่ 50 วันเช่นต่ำกว่าค่าเฉลี่ยเคลื่อนที่ 200 วัน การเสียชีวิตครั้งสุดท้ายเกิดขึ้นในช่วงต้นปี 2016 สัญญาณครอสโอเวอร์ที่เป็นไปได้ครั้งต่อไปเนื่องจากว่าคนสุดท้ายเป็นกากบาทสีทองคือความตาย การเคลื่อนที่โดยเฉลี่ยอยู่ในระหว่างดำเนินการและเคล็ดลับสุดท้ายโดยทั่วไปโปรดระลึกไว้ว่าค่าเฉลี่ยเคลื่อนที่โดยทั่วไปมีประโยชน์มากที่สุดเมื่อใช้ในช่วงขาขึ้นหรือขาลงและมักมีประโยชน์น้อยที่สุดเมื่อใช้ในตลาดด้านข้าง โดยทั่วไปแล้วหุ้นก็เข้าสู่ช่วงขาขึ้นเช่นเดียวกับบันไดสำหรับการชุมนุมที่มากที่สุดในรอบ 7 ปีดังนั้นทฤษฎีที่แสดงให้เห็นว่าค่าเฉลี่ยเคลื่อนที่สามารถเป็นเครื่องมือที่ทรงพลังมากในสภาพตลาดปัจจุบัน มองอีกครั้งที่แผนภูมิ SP 500 (ด้านบน) คุณจะเห็นว่าแนวโน้มในระยะยาวมีมากขึ้น นอกจากนี้ราคายังอยู่เหนือเส้นค่าเฉลี่ยระยะสั้นและค่าเฉลี่ยเคลื่อนที่ระยะยาว หากราคาลดลงจากระดับปัจจุบันค่าเฉลี่ยทั้งสองจะถูกมองว่าเป็นระดับสนับสนุนที่สำคัญ ตามแผนภูมิแสดงให้เห็นว่าเป็นไปได้ที่ราคาจะยังคงอยู่เหนือ (หรือต่ำกว่า) ค่าเฉลี่ยเคลื่อนที่เป็นระยะเวลานาน แน่นอนว่าคุณไม่ต้องการซื้อขาย แต่เพียงอย่างเดียวกับสัญญาณที่สร้างโดยค่าเฉลี่ยเคลื่อนที่ อย่างไรก็ตามสามารถใช้ร่วมกับจุดข้อมูลทางเทคนิคและพื้นฐานอื่น ๆ เพื่อช่วยในการจัดทำมุมมองของคุณ เรียนรู้เพิ่มเติมการวิเคราะห์ทางเทคนิคมุ่งเน้นไปที่การดำเนินการด้านตลาดโดยเฉพาะปริมาณและราคา การวิเคราะห์ทางเทคนิคเป็นเพียงแนวทางเดียวในการวิเคราะห์หุ้น เมื่อพิจารณาว่าต้องการซื้อหรือขายหุ้นใดคุณควรใช้แนวทางที่คุณพึงพอใจมากที่สุด เช่นเดียวกับการลงทุนทั้งหมดของคุณคุณจะต้องตัดสินใจเองว่าการลงทุนในหลักทรัพย์หรือหลักทรัพย์ใด ๆ ที่เหมาะสมกับคุณนั้นขึ้นอยู่กับวัตถุประสงค์ในการลงทุนความทนทานต่อความเสี่ยงและสถานการณ์ทางการเงินของคุณ ผลการดำเนินงานที่ผ่านมาไม่มีการรับประกันผลการดำเนินงานในอนาคต ตลาดหุ้นมีความผันผวนและอาจลดลงอย่างมากในการตอบสนองต่อผู้ออกตราสารหนี้การเปลี่ยนแปลงทางการเมืองการกำกับดูแลการตลาดหรือด้านเศรษฐกิจ โหวตจะถูกส่งโดยสมัครใจโดยบุคคลและแสดงความเห็นของตัวเองของบทความที่เป็นประโยชน์ ค่าเปอร์เซ็นต์สำหรับความเป็นประโยชน์จะแสดงขึ้นเมื่อมีการส่งคะแนนเสียงที่เพียงพอ Fidelity Brokerage Services LLC, สมาชิก NYSE, SIPC 900 Salem Street, Smithfield, RI 02917 ข้อมูลทางกฎหมายที่สำคัญเกี่ยวกับอีเมลที่คุณจะส่ง เมื่อใช้บริการนี้ถือว่าคุณยอมรับที่อยู่อีเมลที่แท้จริงของคุณและส่งเฉพาะคนที่คุณรู้จักเท่านั้น เป็นการละเมิดกฎหมายในบางเขตอำนาจศาลในการระบุตัวคุณเองในอีเมล ข้อมูลทั้งหมดที่คุณให้ไว้จะถูกใช้โดย Fidelity เพียงเพื่อวัตถุประสงค์ในการส่งอีเมลในนามของคุณบรรทัดหัวเรื่องของอีเมลที่คุณส่งจะเป็น Fidelity: อีเมลของคุณได้รับการส่งแล้วค่าเฉลี่ยค่าเฉลี่ยเคลื่อนที่ด้วย ชุดข้อมูลแบบเดิมค่าเฉลี่ยหมายถึงมักจะเป็นครั้งแรกและเป็นหนึ่งในสถิติสรุปที่มีประโยชน์มากที่สุดในการคำนวณ เมื่อข้อมูลอยู่ในรูปแบบของชุดเวลาซีรี่ส์หมายถึงการวัดที่เป็นประโยชน์ แต่ไม่ได้สะท้อนถึงลักษณะพลวัตของข้อมูล ค่าเฉลี่ยที่คำนวณจากช่วงสั้น ๆ ก่อนหน้าช่วงเวลาปัจจุบันหรือตรงกลางของช่วงเวลาปัจจุบันมักมีประโยชน์มากกว่า เนื่องจากค่าเฉลี่ยดังกล่าวจะแปรผันหรือเคลื่อนย้ายเนื่องจากระยะเวลาปัจจุบันจะเคลื่อนที่จากเวลา t 2, t 3 เป็นต้นเรียกว่าค่าเฉลี่ยเคลื่อนที่ (Mas) ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยคือ (โดยปกติ) ค่าเฉลี่ยที่ไม่มีการถัวเฉลี่ยของค่าก่อนหน้า k ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลังเป็นหลักเหมือนกับค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย แต่มีส่วนร่วมกับค่าเฉลี่ยที่ถ่วงน้ำหนักโดยความใกล้ชิดกับเวลาปัจจุบัน เนื่องจากไม่มีตัวอักษร แต่เป็นชุดค่าเฉลี่ยเคลื่อนที่ทั้งหมดสำหรับชุดใดก็ตามชุดของ Mas สามารถถูกจัดวางลงบนกราฟวิเคราะห์เป็นชุดและใช้ในการสร้างแบบจำลองและการคาดการณ์ ช่วงของแบบจำลองสามารถสร้างโดยใช้ค่าเฉลี่ยเคลื่อนที่และเป็นที่รู้จักในรูปแบบ MA ถ้าโมเดลดังกล่าวรวมกับโมเดลอัตถิภาวนิยม (AR) รูปแบบคอมโพสิตที่เป็นที่รู้จักกันในชื่อ ARMA หรือ ARIMA (แบบบูรณาการ) ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเนื่องจากชุดเวลาสามารถถือได้ว่าเป็นชุดของค่า, t 1,2,3,4, n ค่าเฉลี่ยของค่าเหล่านี้สามารถคำนวณได้ ถ้าเราคิดว่า n มีขนาดค่อนข้างใหญ่และเราเลือกจำนวนเต็ม k ซึ่งน้อยกว่า n เราสามารถคำนวณชุดค่าเฉลี่ยบล็อกหรือค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ (ของคำสั่ง k): แต่ละค่าเป็นค่าเฉลี่ยของค่าข้อมูลในช่วงเวลาสังเกตการณ์ k โปรดทราบว่า MA ที่เป็นไปได้ครั้งแรกของคำสั่ง k GT0 คือสำหรับ t k โดยทั่วไปเราสามารถลด subscript พิเศษในนิพจน์ด้านบนและเขียนได้: ค่านี้ระบุว่าค่าเฉลี่ยที่เวลา t เป็นค่าเฉลี่ยที่ง่ายของค่าที่สังเกตได้ ณ เวลา t และขั้นตอน k-1 ก่อนหน้า ถ้าใช้น้ำหนักที่ลดการมีส่วนร่วมของการสังเกตที่ไกลออกไปในเวลาค่าเฉลี่ยเคลื่อนที่จะกล่าวได้ว่าเป็นแบบเรียบ ค่าเฉลี่ยเคลื่อนที่มักใช้เป็นรูปแบบของการคาดการณ์โดยที่ค่าประมาณสำหรับชุดในเวลา t 1, S t1 ถูกนำมาเป็น MA สำหรับระยะเวลาถึงและรวมถึงเวลา t เช่น. การประมาณในปัจจุบันคำนวณจากค่าเฉลี่ยที่บันทึกไว้ก่อนหน้านี้และรวมถึงวันวาน (สำหรับข้อมูลรายวัน) ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายสามารถเห็นได้ว่าเป็นรูปแบบการทำให้เรียบ ในตัวอย่างที่แสดงด้านล่างชุดข้อมูลมลพิษทางอากาศที่แสดงในบทนำสู่หัวข้อนี้ได้รับการเพิ่มขึ้นโดยเส้นค่าเฉลี่ยเคลื่อนที่ 7 วัน (MA) ซึ่งแสดงเป็นสีแดง ที่สามารถมองเห็นได้สาย MA ช่วยให้จุดสูงสุดและร่องในข้อมูลเป็นไปอย่างราบรื่นและเป็นประโยชน์ในการระบุแนวโน้ม สูตรคำนวณการคำนวณล่วงหน้าหมายถึงจุดข้อมูล k -1 จุดแรกไม่มีค่า MA แต่หลังจากนั้นการคำนวณจะขยายไปยังจุดข้อมูลสุดท้ายในชุดข้อมูล ค่าเฉลี่ยของวัน PM10 แหล่งที่มาของ Greenwich: London Air Quality Network, londonair. org. uk เหตุผลหนึ่งในการคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆในลักษณะที่อธิบายไว้คือค่าที่คำนวณได้สำหรับช่วงเวลาทั้งหมดตั้งแต่เวลา tk ขึ้นไปจนถึงปัจจุบันและ เป็นวัดใหม่ที่ได้รับสำหรับเวลา t 1, MA สำหรับเวลา t 1 สามารถเพิ่มไปยังชุดที่คำนวณแล้ว นี่เป็นขั้นตอนง่ายๆสำหรับชุดข้อมูลแบบไดนามิก อย่างไรก็ตามมีบางประเด็นเกี่ยวกับแนวทางนี้ มีเหตุผลที่จะยืนยันว่าค่าเฉลี่ยในช่วง 3 ช่วงสุดท้ายกล่าวคือควรตั้งอยู่ที่เวลา t -1 ไม่ใช่เวลา t และสำหรับ MA มากกว่าจำนวนคู่ของระยะเวลาบางทีมันควรจะอยู่ที่จุดกึ่งกลางระหว่างสองช่วงเวลา วิธีแก้ปัญหานี้คือการใช้การคำนวณ MA ซึ่งอยู่ตรงกลางซึ่ง MA ในเวลา t เป็นค่าเฉลี่ยของชุดสมมาตรของค่ารอบ t แม้จะมีประโยชน์อย่างเห็นได้ชัด แต่วิธีนี้ใช้ไม่ได้โดยทั่วไปเนื่องจากต้องการข้อมูลที่พร้อมใช้งานสำหรับเหตุการณ์ในอนาคตซึ่งอาจจะไม่ใช่กรณีนี้ ในกรณีที่การวิเคราะห์ทั้งหมดเป็นชุดที่มีอยู่การใช้ Mas ไว้ตรงกลางอาจเป็นที่นิยมกว่า ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจถือได้ว่าเป็นรูปแบบหนึ่งของการปรับให้เรียบลบองค์ประกอบความถี่สูงบางส่วนของชุดเวลาและเน้นแนวโน้ม (แต่ไม่ลบ) ในลักษณะเดียวกันกับแนวคิดทั่วไปของการกรองแบบดิจิทัล แท้จริงค่าเฉลี่ยเคลื่อนที่คือรูปแบบของตัวกรองเชิงเส้น คุณสามารถใช้การคำนวณค่าเฉลี่ยเคลื่อนที่เป็นชุดที่ได้รับการปรับให้เรียบขึ้นแล้วเช่นการทำให้เรียบหรือกรองชุดที่เรียบขึ้นไปแล้ว ตัวอย่างเช่นมีค่าเฉลี่ยเคลื่อนที่ของลำดับที่ 2 เราสามารถพิจารณาว่าคำนวณโดยใช้น้ำหนักดังนั้น MA ที่ x 2 0.5 x 1 0.5 x 2 ในทำนองเดียวกัน MA ที่ x 3 0.5 x 2 0.5 x 3 ถ้าเรา เราใช้ 0.5 x 2 0.5 x 3 0.5 (0.5 x 1 0.5 x 2) 0.5 (0.5 x 2 0.5 x 3) 0.25 x 1 0.5 x 2 0.25 x 3 เช่นการกรองแบบ 2 ขั้นตอน กระบวนการ (หรือ convolution) ได้สร้างค่าเฉลี่ยเคลื่อนที่แบบสมมาตรที่มีการถ่วงน้ำหนักที่มีการเปลี่ยนแปลงโดยมีน้ำหนัก หลาย convolutions สามารถผลิตค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักค่อนข้างซับซ้อนซึ่งบางส่วนมีการใช้งานเฉพาะในสาขาพิเศษเช่นในการคำนวณการประกันชีวิต ค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการลบเอฟเฟ็กต์เป็นระยะ ๆ หากคำนวณด้วยระยะเวลาเป็นระยะ ๆ ตามที่ทราบ ตัวอย่างเช่นเมื่อมีข้อมูลรายเดือนข้อมูลตามฤดูกาลสามารถเปลี่ยนแปลงได้โดยการใช้ค่าเฉลี่ยเคลื่อนที่ 12 เดือนที่สมมาตรกับทุกเดือนที่มีการถ่วงน้ำหนักอย่างเท่าเทียมกันยกเว้นกรณีที่ 1 และครั้งสุดท้ายที่มีการถ่วงน้ำหนักด้วย 12 เนื่องจากมี เป็นเวลา 13 เดือนในรูปแบบสมมาตร (ปัจจุบัน, t. - 6 เดือน) ทั้งหมดถูกแบ่งโดย 12 ขั้นตอนที่คล้ายกันสามารถนำมาใช้สำหรับระยะเวลาที่กำหนดไว้อย่างชัดเจน ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก (Expedential Weighted Moving Average - EWMA) โดยใช้สูตรค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ: การสังเกตทั้งหมดมีการถ่วงน้ำหนักอย่างเท่าเทียมกัน ถ้าเราเรียกว่าน้ำหนักเท่ากันนี้อัลฟา t แต่ละ k น้ำหนักจะเท่ากับ 1 k ดังนั้นผลรวมของน้ำหนักจะเป็น 1 และสูตรจะเป็น: เราได้เห็นแล้วว่าการใช้งานหลายขั้นตอนนี้ส่งผลให้น้ำหนักที่แตกต่างกัน ด้วยค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกกำลังให้ความสำคัญกับค่าเฉลี่ยจากการสังเกตการณ์ที่ถูกลบออกไปในเวลามากขึ้นจะลดลงด้วยเหตุนี้จึงเน้นเหตุการณ์ที่เกิดขึ้นเมื่อเร็ว ๆ นี้ โดยทั่วไปจะมีการปรับค่าพารามิเตอร์การทำให้ราบเรียบ alpha lt1 เป็น 0lt และสูตรจะได้รับการแก้ไขเพื่อให้: สูตรสมมาตรของสูตรนี้จะมีรูปแบบดังนี้: ถ้าน้ำหนักในรูปแบบสมมาตรถูกเลือกให้เป็นเงื่อนไขของข้อกำหนดของการขยายตัวแบบสองส่วน (1212) 2q พวกเขาจะรวมกันเป็น 1 และเมื่อ q กลายเป็นขนาดใหญ่จะใกล้เคียงกับการแจกแจงแบบปกติ นี่คือรูปแบบของการถ่วงน้ำหนักของเคอร์เนลโดยมีฟังก์ชัน Binomial ทำหน้าที่เป็นฟังก์ชันเคอร์เนล การแกว่งสองขั้นตอนที่อธิบายไว้ในหมวดย่อยก่อนหน้านี้คือการจัดเรียงนี้อย่างแม่นยำด้วย q 1 ซึ่งให้น้ำหนัก ในการทำให้เรียบเรียบขึ้นจำเป็นต้องใช้ชุดของน้ำหนักที่รวมกันเป็น 1 และลดขนาดทางเรขาคณิต น้ำหนักที่ใช้มีรูปแบบดังนี้: เพื่อแสดงให้เห็นว่าน้ำหนักเหล่านี้รวมกันเป็น 1 ให้พิจารณาการขยายตัวเป็น 1 เป็นชุด เราสามารถเขียนและขยายนิพจน์ในวงเล็บโดยใช้สูตรทวินาม (1- x) p. โดยที่ x (1-) และ p -1 ซึ่งจะให้: ค่านี้จะให้รูปแบบของค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักของแบบฟอร์ม: ผลรวมนี้สามารถเขียนเป็นความสัมพันธ์ที่เกิดซ้ำได้ซึ่งช่วยลดความซับซ้อนในการคำนวณและหลีกเลี่ยงปัญหาที่ระบบการถ่วงน้ำหนัก ควรมีความยาวไม่ จำกัด สำหรับน้ำหนักที่จะรวมกันเป็น 1 (สำหรับค่าอัลฟ่าเล็กน้อยนี่ไม่ใช่กรณีปกติ) สัญกรณ์ที่ใช้โดยผู้เขียนที่แตกต่างกันจะแตกต่างกันออกไป บางคนใช้ตัวอักษร S เพื่อบ่งชี้ว่าสูตรเป็นตัวแปรที่ราบเรียบและเขียนว่า: ในขณะที่ทฤษฎีวรรณคดีควบคุมมักใช้ Z แทนที่จะเป็น S สำหรับค่าที่ถ่วงน้ำหนักหรือเรียบเรียงเป็นพหุคูณ (ดูตัวอย่างเช่น Lucas and Saccucci, 1990, LUC1 , และเว็บไซต์ NIST สำหรับรายละเอียดเพิ่มเติมและตัวอย่างการทำงาน) สูตรที่อ้างถึงข้างต้นมาจากผลงานของ Roberts (1959, ROB1) แต่ Hunter (1986, HUN1) ใช้การแสดงออกของรูปแบบ: ซึ่งอาจเหมาะสมกว่าสำหรับการใช้ในขั้นตอนการควบคุมบางอย่าง ด้วยค่า alpha 1 ค่าประมาณเฉลี่ยคือค่าที่วัดได้ (หรือมูลค่าของรายการข้อมูลก่อนหน้า) ด้วยค่าประมาณ 0.5 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ของการวัดในปัจจุบันและก่อนหน้า ในรูปแบบการคาดการณ์ S t. มักใช้เป็นประมาณการหรือค่าพยากรณ์ในช่วงเวลาต่อไปนั่นคือค่าประมาณสำหรับ x ณ เวลา t ดังนั้นเราจึงได้แสดงให้เห็นว่าค่าพยากรณ์ที่ t 1 เป็นค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบ บวกกับส่วนประกอบที่แสดงถึงข้อผิดพลาดในการทำนายถ่วงน้ำหนักเอปไซลอน เวลา t สมมติว่ามีชุดเวลาและต้องมีการคาดการณ์ค่าอัลฟาต้อง นี้สามารถประมาณจากข้อมูลที่มีอยู่โดยการประเมินผลรวมของข้อผิดพลาดการทำนายกำลังสองได้รับกับค่าที่แตกต่างของ alpha สำหรับแต่ละ t 2,3 การตั้งค่าการประมาณครั้งแรกเป็นค่าข้อมูลที่สังเกตครั้งแรก x 1. ในแอ็พพลิเคชันควบคุมค่าของอัลฟามีความสำคัญในการใช้ในการกำหนดขีด จำกัด การควบคุมด้านบนและด้านล่างและมีผลต่อระยะเวลาในการทำงานโดยเฉลี่ย (ARL) ก่อนที่ข้อ จำกัด ในการควบคุมเหล่านี้จะเสีย (ภายใต้สมมติฐานว่าชุดข้อมูลเวลาเป็นชุดของตัวแปรอิสระแบบสุ่มที่แจกแจงแบบเดียวกันโดยมีความแปรปรวนร่วมกัน) ภายใต้สถานการณ์เช่นนี้ความแปรปรวนของสถิติการควบคุม: คือ (ลูคัสและ Saccucci, 1990): ขีด จำกัด ของการควบคุมมักจะตั้งค่าเป็นทวีคูณที่คงที่ของความแปรปรวนของการไม่ทำงานนี้เช่น - ค่าเบี่ยงเบนมาตรฐาน 3 เท่า ถ้าตัวอย่างเช่น alpha 0.25 และข้อมูลที่ได้รับการตรวจสอบจะถือว่ามีการแจกแจงแบบปกติ N (0,1) เมื่ออยู่ในการควบคุมขีด จำกัด ของการควบคุมจะเป็น - 1.134 และกระบวนการนี้จะถึงหนึ่งหรือขีด จำกัด อื่น ๆ ใน 500 ขั้นตอน โดยเฉลี่ย. Lucas และ Saccucci (1990 LUC1) ได้รับค่า ARLs สำหรับค่า alpha และภายใต้สมมติฐานต่างๆโดยใช้กระบวนการ Markov Chain พวกเขาจัดทำเป็นตารางผลลัพธ์รวมถึงการให้ ARLs เมื่อค่าเฉลี่ยของกระบวนการควบคุมได้รับการเปลี่ยนแปลงโดยค่าเบี่ยงเบนมาตรฐานหลายค่าหลายค่า ตัวอย่างเช่นเมื่อมีการเปลี่ยนแปลง 0.5 กับ alpha 0.25 ARL น้อยกว่า 50 ขั้นตอนเวลา วิธีการที่อธิบายข้างต้นเป็นที่รู้จักกันในชื่อเดียวเรียบ เป็นขั้นตอนที่ใช้ครั้งเดียวกับชุดเวลาและจากนั้นการวิเคราะห์หรือควบคุมกระบวนการจะดำเนินการในชุดข้อมูลที่เกิดเรียบ หากชุดข้อมูลมีส่วนประกอบของเทรนด์ตามฤดูกาลหรืออาจใช้การทำให้เรียบแบบทวีคูณแบบสองขั้นตอนหรือสามขั้นตอนเพื่อลบลักษณะเหล่านี้ (ดูเพิ่มเติมส่วนของการพยากรณ์อากาศด้านล่างและตัวอย่างการทำงานของ NIST) CHA1 Chatfield C (1975) การวิเคราะห์ไทม์ซีรี่ส์: ทฤษฎีและการปฏิบัติ แชปแมนและฮอลล์, ลอนดอน HUN1 เธ่อเจเอส (1986) ค่าเฉลี่ยถ่วงน้ำหนักแบบเลขยกกำลัง J ของ Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) แผนการควบคุมค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณ: คุณสมบัติและการปรับปรุง Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) การควบคุมแผนภูมิการทดสอบขึ้นอยู่กับค่าเฉลี่ยเคลื่อนที่ทางเรขาคณิต Technometrics, 1, 239-250