Średnia ruchoma: co to jest i jak to obliczyć Obejrzyj film lub przeczytaj artykuł poniżej: Średnia ruchoma to technika pozwalająca uzyskać ogólne wyobrażenie o trendach w zbiorze danych, jest to średnia z dowolnego podzbioru liczb. Średnia krocząca jest niezwykle przydatna do prognozowania trendów długoterminowych. Możesz to obliczyć na dowolny okres czasu. Na przykład, jeśli masz dane dotyczące sprzedaży przez okres dwudziestu lat, możesz obliczyć pięcioletnią średnią kroczącą, czteroletnią średnią kroczącą, trzyletnią średnią kroczącą i tak dalej. Analitycy giełdowi często używają średniej kroczącej z 50 lub 200 dni, aby pomóc im dostrzec trendy na giełdzie i (miejmy nadzieję) przewidzieć, dokąd zmierzają akcje. Średnia reprezentuje wartość 8220middling8221 zbioru liczb. Średnia ruchoma jest dokładnie taka sama, ale średnia jest obliczana kilka razy dla kilku podzbiorów danych. Na przykład, jeśli chcesz uzyskać dwuletnią średnią kroczącą dla zestawu danych z 2000, 2001, 2002 i 2003, można znaleźć średnie dla podzestawów 20002001, 20012002 i 20022003. Średnie kroczące są zazwyczaj kreślone i najlepiej wizualizowane. Obliczanie 5-letniej średniej kroczącej Przykładowy problem: obliczyć pięcioletnią średnią kroczącą z następującego zestawu danych: (4M 6M 5M 8M 9M) 5 6,4 M Średnia sprzedaż dla drugiego podzbioru pięciu lat (2004 8211 2008). skoncentruje się około 2006 r., jest 6,6M: (6M 5M 8M 9M 5M) 5 6,6M Średnia sprzedaż dla trzeciego podzbioru pięciu lat (2005 8211 2009). wyśrodkowany około 2007 r., wynosi 6,6M: (5M 8M 9M 5M 4M) 5 6.2M Kontynuuj obliczanie każdej średniej pięcioletniej, aż dojdziesz do końca zestawu (2009-2017). Daje to serię punktów (średnich), które można wykorzystać do wykreślenia wykresu średnich kroczących. Poniższa tabela Excel pokazuje średnie ruchome obliczone dla lat 2003-2017 wraz z wykresem punktowym danych: Obejrzyj wideo lub przeczytaj poniższe kroki: Excel ma potężny dodatek, Data Analysis Toolpak (jak załadować dane Zestaw narzędzi do analizy), który zapewnia wiele dodatkowych opcji, w tym funkcję automatycznego średniej ruchomej. Ta funkcja nie tylko oblicza średnią ruchomą, ale także wykreśla dane pierwotne w tym samym czasie. oszczędność ci wielu klawiszy. Excel 2017: Kroki Krok 1: Kliknij kartę 8220Data8221, a następnie kliknij 8220Data Analysis.8221 Krok 2: Kliknij 8220Moving average8221, a następnie kliknij 8220OK.8221 Krok 3: Kliknij pole 8220Input Range8221, a następnie wybierz swoje dane. Jeśli dodasz nagłówki kolumn, upewnij się, że zaznaczyłeś pole Etykiety w pierwszym wierszu. Krok 4: Wpisz odstęp w polu. Odstęp to liczba poprzednich punktów, które program Excel ma zastosować do obliczenia średniej ruchomej. Na przykład 822058221 użyje poprzednich 5 punktów danych do obliczenia średniej dla każdego kolejnego punktu. Im niższy interwał, tym bardziej zbliża się średnia krocząca do oryginalnego zestawu danych. Krok 5: Kliknij pole 8220Output Range 8221 i wybierz obszar w arkuszu, w którym chcesz wyświetlić wynik. Lub kliknij przycisk opcji 8220Nowy arkusz roboczy 8221. Krok 6: Sprawdź okno 8220Chart Output 8221, jeśli chcesz zobaczyć tabelę z zestawem danych (jeśli zapomnisz to zrobić, zawsze możesz wrócić i dodać ją lub wybrać wykres z 8220Insert8221 tab.8221 Krok 7: Naciśnij 8220OK .8221 Program Excel zwróci wyniki w obszarze określonym w kroku 6. Obejrzyj wideo lub przeczytaj poniższe kroki: Przykładowy problem: obliczyć trzyletnią średnią ruchomą w programie Excel dla następujących danych sprzedaży: 2003 (33M), 2004 (22M), 2005 (36M), 2006 (34M), 2007 (43M), 2008 (39M), 2009 (41M), 2017 (36M), 2017 (45M), 2017 (56M), 2017 (64M). 1: Wpisz dane w dwóch kolumnach w Excelu Pierwsza kolumna powinna zawierać rok i drugą kolumnę dane ilościowe (w tym przypadku problem z danymi sprzedaży) Upewnij się, że w komórce nie ma pustych wierszy. : Oblicz pierwszą średnią z trzech lat (2003-2005) dla danych. W tym przykładowym problemie wpisz 8220 (B2B3B4) 38221 do komórki D3 Obliczanie pierwszej średniej Krok 3: Przeciągnij kwadrat w prawym dolnym rogu d własne, aby przenieść formułę do wszystkich komórek w kolumnie. To oblicza średnie dla kolejnych lat (na przykład 2004-2006, 2005-2007). Przeciąganie formuły. Krok 4: (Opcjonalnie) Utwórz wykres. Wybierz wszystkie dane z arkusza roboczego. Kliknij kartę 8220Insert8221, a następnie 8220Scatter, 8221, a następnie 8220Scatter z gładkimi liniami i znacznikami.8221 Wykres średniej ruchomej pojawi się w arkuszu. Sprawdź nasz kanał na YouTube, aby uzyskać więcej statystyk pomocy i wskazówek Średnia ruchoma: co to jest i jak to obliczyć została zmodyfikowana: 8 stycznia 2018 r. Przez Andale 22 myśli na temat ldquo Średnia ruchoma: co to jest i jak to obliczyć rdquo idealny i prosty do przyswojenia. Dzięki za pracę Jest to bardzo jasne i pouczające. Pytanie: Jak obliczyć 4-letnią średnią kroczącą W danym roku czterokrotna średnia ruchoma centrum na niej wyśrodkowałaby pod koniec drugiego roku (tj. 31 grudnia). Czy mogę użyć średniego dochodu do prognozowania przyszłych zarobków, które ktoś zna na środku, proszę uprzejmie powiedz mi, czy ktoś wie. W tym przypadku musimy wziąć pod uwagę 5 lat, aby uzyskać średnią, która jest w centrum. A co z resztą lat, jeśli chcemy uzyskać średnią z roku 20178230, jeśli nie mamy dalszych wartości po roku 2017, to jak byśmy to obliczyć? don8217t mieć więcej informacji nie byłoby możliwe, aby obliczyć 5 lat MA na 2017. Możesz jednak uzyskać średnią ruchomą dwa lata. Cześć, dzięki za wideo. Jedno jest jednak niejasne. Jak zrobić prognozę na najbliższe miesiące Film pokazuje prognozę dla miesięcy, dla których dane są już dostępne. Hi, Raw, I8217m pracuje nad rozszerzeniem artykułu o prognozę. Proces ten jest nieco bardziej skomplikowany niż przy użyciu wcześniejszych danych. Spójrz na ten artykuł Duke University, który wyjaśnia to dogłębnie. Pozdrawiam, Stephanie, dziękuję ci za jasne wyjaśnienie. Cześć Nie można znaleźć linku do sugerowanego artykułu Duke University. Prośba o opublikowanie linku ponownieUnit 1- Wprowadzenie do statystyki: Wprowadzenie do statystyki, znaczenie statystyk we współczesnym środowisku biznesowym. Definicja statystyki, zakresu i zastosowań statystyk Cechy statystyki, funkcje statystyki, ograniczenia statystyki, oprogramowanie statystyczne. Jednostka 2 - Badanie statystyczne. Wprowadzenie, Definicja badania statystycznego, Etapy badania statystycznego - Planowanie badania statystycznego - Wykonywanie badań statystycznych, Podstawowe pojęcia używane w badaniach statystycznych - Jednostki lub osoby - Populacja lub Wszechświat ndashSample - Jakościowe - charakterystyczne - Cecha jakościowa Zmienna ndash, Kolekcja Dane - Dane podstawowe - Dane wtórne - Badanie pilotażowe. Kontrola i edycja jednostki danych 3- Klasyfikacja, tablica i prezentacja danych: Wprowadzenie. Funkcje klasyfikacji - Wymagania dobrej klasyfikacji - Rodzaje klasyfikacji - Metody klasyfikacji, Tabulacja - Podstawowa różnica między klasyfikacją a tabelą - Elementy tabeli - Typy tabeli. Rozkład częstotliwości i częstotliwości - Pochodne rozkłady częstotliwości - Dwuwymiarowy i wielowymiarowy rozkład częstotliwości - Konstrukcja rozkładu częstotliwości. Prezentacja danych ndash Diagramy, prezentacja graficzna - histogram - wielość częstotliwości - krzywa częstotliwości - Ogody Jednostka 4- Miary centralnej tendencji i dyspersji: wprowadzenie, cele średniej statystycznej, wymagania dobrej średniej, średnie statystyczne - średnia arytmetyczna - właściwości arytmetyki średnia - zasługi i wady średniej arytmetycznej, mediana - zasługi i przewinienia mediany. Tryb - Zasługi i wady trybu. Średnia geometryczna. Harmonic Mean. Odpowiednie sytuacje dla użycia różnych średnich. Średnie pozycyjne. Dyspersja ndash Zasięg - odchylenia kwartylowe, odchylenie średnie, odchylenie standardowe - cechy odchylenia standardowego Współczynnik jednostki wariancji 5- Teoria prawdopodobieństwa: Wprowadzenie - Definicja prawdopodobieństwa - Podstawowa terminologia stosowana w rachunku prawdopodobieństwa, Podejście do prawdopodobieństwa. Reguły prawdopodobieństwa - Reguła dodawania - Reguła mnożenia. Prawdopodobieństwo warunkowe, kroki zaangażowane w rozwiązywanie problemów dotyczących prawdopodobieństwa. Prawdopodobieństwo Bayesrsquo. Losowe zmienne Jednostka 6- Teoretyczne rozkłady prawdopodobieństwa: Wprowadzenie - zmienne losowe. Rozkład prawdopodobieństwa - Dyskretne rozkłady prawdopodobieństwa - Ciągłe rozkłady prawdopodobieństwa. Dystrybucja Bernoulliego - powtórzenie eksperymentu Bernoulliego. Rozkład dwumianowy - Założenia do zastosowania rozkładu dwumianowego - Przykłady zmienności dwumianowej - Wzór cykliczny w przypadku rozkładu dwumianowego - Analiza przypadku rozkładu dwumianowego Dystrybucja Poissona - Założenia do zastosowania rozkładu Poissona - Przykłady życia losowego zmiennej Poissona - Relacja powracająca - Badanie klasyczne w dystrybucji Poissona. Normalny Dystrybucja - Standardowa jednostka dystrybucji normalnej 7- Pobieranie próbek i dystrybucja próbek: Wprowadzenie. Populacja i próbka - wszechświat lub populacja - typy populacji ndash Próbka. Zalety pobierania próbek, teoria pobierania próbek - prawo statystycznej regularności - zasada bezwładności dużych liczb - zasada trwałości małych liczb - zasada ważności - zasada optymalizacji. Terminy używane w teorii pobierania próbek. Błędy w statystykach. Miary błędów statystycznych. Rodzaje próbkowania - próbkowanie prawdopodobieństwa - próbkowanie pozaprobowe, przypadek dopuszczalny typy próbkowania, określanie wielkości próbki, centralne twierdzenie Limitu Jednostka 8- Oszacowanie: Wprowadzenie. Powody dokonywania szacunków. Tworzenie wnioskowania statystycznego, rodzaje oszacowań - szacowanie punktowe - oszacowanie przedziałów czasowych. Kryteria dobrego oszacowania ndash Bezpodstawność ndash Wydajność ndash Spójność ndash Wystarczalność, szacunki punktowe, szacunki przedziałów czasowych, Studium przypadku dotyczące obliczania szacunków - Sporządzanie szacunków przedziałów Szacunki przedziałów i przedziały ufności - Przedziały czasowe średniej wielkości dużych próbek - Przedziały szacunkowe proporcji dużych próbek - szacunki przedziałów przy użyciu rozkładu Studssonos lsquotrsquo. Określanie rozmiaru próbki w jednostce szacunkowej 9- Testowanie hipotezy w przypadku dużych i małych próbek: Wprowadzenie do Ndash Large Samples ndash Założenia. Testowanie hipotez - Hipoteza zerowa i alternatywna - Interpretacja poziomu istotności - Hipotezy są akceptowane, a nie udowodnione. Wybieranie poziomu istotności - preferencja błędu typu I - preferencja błędu typu II - określenie odpowiedniej dystrybucji, podwójne testy ogonowe i jedno badanie ogonowe - dwa testy złożone z drugiego oka - studium przypadku dotyczące dwóch testów nashash i jednostronnych, klasyfikacja testu Statystyka - Statystyka używana do testowania hipotezy - Procedura testu - Jak określić odpowiednie statystyki dla testu. Testowanie hipotezy w przypadku małych próbek - wprowadzenie małych próbek, dystrybucja lsquotrsquo. Zastosowania testu lsquotrsquo Unit 10- Chi ndash Square Test: Wprowadzenie. Chi-Square jako test niezależności - cechy 2 testu - stopnie swobody - ograniczenia w stosowaniu 2 testu - praktyczne zastosowania 2 testu - poziomy istotności - kroki w rozwiązywaniu problemów związanych z testem chi-kwadrat - interpretacja chi-kwadrat wartości. Rozkład chi-kwadrat - właściwości rozkładu 2 - warunki zastosowania testu chi-kwadrat - zastosowanie testu 2. Zastosowania testu Chi-Square - Testy na niezależność atrybutów - Test dobroci dopasowania - Test dla określonej wariancji Jednostka 11-F ndash Dystrybucja i analiza wariancji (ANOVA): Wprowadzenie, Analiza wariancji (ANOVA), Założenia dla F - test - Cele ANOVA - tabela ANOVA - Założenia do badania ANOVA, Klasyfikacja ANOVA - tabela ANOVA w jednokierunkowej ANOVA - Dwukierunkowe klasyfikacje Jednostka 12 - Prosta korelacja i regresja: Wprowadzenie. Korelacja - przyczynowość i korelacja - rodzaje korelacji - miary korelacji - diagram rozproszenia - współczynnik korelacji Karla Pearsonrsquosa - właściwości współczynnika korelacji Karla Pearsonrsquosa - czynniki wpływające na wielkość współczynnika korelacji. Prawdopodobny błąd - warunki, w których można użyć prawdopodobnego błędu. Współczynnik korelacji rang Spearmanrsquos. Częściowe korelacje. Wiele korelacji. Regresja - Analiza regresji - Linie regresji - Współczynnik regresji. Standardowy błąd oszacowania. Wielokrotna analiza regresji. Wiarygodność szacunków. Zastosowanie jednostki wielokrotnej regresji 13 - Prognozy biznesowe: Wprowadzenie, Prognozy biznesowe - Cele prognozowania w biznesie - Prognozy, prognozy i prognozy - Charakterystyka prognozowania biznesowego - Kroki w prognozowaniu. Metody prognozowania biznesu - Barometry biznesowe - Analiza szeregu czasowego ndash Ekstrapolacja - Analiza regresji - Nowoczesne metody ekonometryczne - Metoda wygładzania wykładniczego, Teorie prognozowania biznesu - Teoria prognozowania lub opóźnienia w czasie - Teoria działań i reakcji - Ekonomiczna teoria rytmu - Specyficzna analogia historyczna - Przekrojowa teoria analizy. Narzędzie prognozy biznesowej - Zalety prognozowania biznesowego - Ograniczenia prognozowania działalności Jednostka 14 - Analiza szeregu czasowego: Wprowadzenie, analiza szeregów czasowych. Użyteczność szeregów czasowych. Składniki szeregów czasowych - trend długoterminowy lub trend sekularny - zmiany sezonowe - zmiany cykliczne - warianty losowe, metody pomiaru trendu - dowolna metoda ręczna lub graficzna - metoda półpośrednia - metoda średnich kroczących - metoda najmniejszych kwadratów, modele matematyczne dla Szeregi czasowe - model addytywny - model multiplikatywny, edycja serii czasowych, pomiar zmienności sezonowej - metoda sezonowa średnia - zmienność sezonowa za pomocą średnich kroczących - metoda względna łańcucha lub łącza - stosunek do metody trendu, metody prognozowania z wykorzystaniem szeregów czasowych - średnia prognoza - naiwność prognoza - Prognoza trendu liniowego - Prognoza trendu nieliniowego - Prognozowanie z wykładniczym wygładzaniem Jednostka 15 - Numery indeksów: Wprowadzenie, Definicja numeru indeksu ndash Względny - Klasyfikacja numerów indeksów. Rok bazowy i rok bieżący - Główne cechy numerów indeksów - Główne etapy budowy numerów indeksów, Metody obliczania numerów indeksu ndash Nieważone numery indeksów - Ważone numery indeksów, Testy na adekwatność wzorów liczb indeksu. Wskaźnik wskaźnika kosztów utrzymania Liczby indeksu cen konsumpcyjnych - Użyteczność liczb indeksu cen konsumpcyjnych - Założenia wskaźnika indeksu kosztu utrzymania - Kroki w budowie wskaźnika indeksu kosztów utrzymania. Metody budowania wskaźnika cen konsumpcyjnych - Metoda wydatków zbiorczych - Metoda budżetu rodzinnego - Średnia waga krewnych cenowych, Ograniczenia numerów indeksowych. Użyteczność i znaczenie liczb indeksu Narzędzia obliczeniowe Analogicznie, DataFrame ma metodę cov do obliczania kowariancji parami w serii w DataFrame, również z wyłączeniem wartości NAnull. Zakładając, że brakujące dane nie są losowe, powoduje to oszacowanie macierzy kowariancji, która jest bezstronna. Jednak w wielu zastosowaniach oszacowanie to może nie być do przyjęcia, ponieważ nie można zagwarantować, że oszacowana macierz kowariancji będzie dodatnią pół-określoną. Może to prowadzić do estymacji korelacji, których wartości bezwzględne są większe niż jeden, oraz nieodwracalnej macierzy kowariancji. Zobacz Estymacja macierzy kowariancji, aby uzyskać więcej szczegółów. DataFrame. cov obsługuje także opcjonalne słowo kluczowe minperiods, które określa wymaganą minimalną liczbę obserwacji dla każdej pary kolumn, aby uzyskać prawidłowy wynik. Wagi używane w oknie są określone przez słowo kluczowe wintype. Lista uznanych typów to: boxcar triang blackman hamming bartlett parzen bohman blackmanharris nuttall barthann kaiser (needs beta) gaussian (needs std) generalgaussian (needs power, width) slepian (needs width). Zauważ, że okno wagonu jest równoważne średniemu (). W przypadku niektórych funkcji okienkowych należy określić dodatkowe parametry: Dla. sum () z typem wintype. nie ma normalizacji dla wag dla okna. Przekazywanie niestandardowych wag o wartości 1, 1, 1 przyniesie inny wynik niż podanie masy 2, 2, 2. Na przykład. Podczas przechodzenia przez typ wintype zamiast jawnego określania wag, wagi są już znormalizowane, tak że największa waga wynosi 1. W przeciwieństwie do tego, charakter obliczania. mean () jest taki, że wagi są znormalizowane względem siebie. Ciężary 1, 1, 1 i 2, 2, 2 dają ten sam wynik. Śledzenie czasu Nowość w wersji 0.19.0. Nowością w wersji 0.19.0 jest możliwość przekazania przesunięcia (lub konwersji) do metody. rolling () i umożliwienia tworzenia okien o zmiennym rozmiarze w oparciu o okno czasu. Dla każdego punktu czasowego obejmuje to wszystkie poprzednie wartości występujące we wskazanej przedziale czasowym. Może to być szczególnie przydatne w przypadku nieregularnego wskaźnika częstotliwości czasowej. Jest to regularny indeks częstotliwości. Użycie parametru okna całkowitoliczbowego powoduje ruch wzdłuż częstotliwości okna. Określenie przesunięcia umożliwia bardziej intuicyjne określenie częstotliwości obrotu. Używając nieregularnego, ale wciąż monotonicznego indeksu, walcowanie z oknem całkowitym nie daje specjalnych obliczeń. Użycie specyfikacji czasu generuje zmienne okna dla tych rozrzedzonych danych. Ponadto teraz zezwalamy na opcjonalny parametr, który określa kolumnę (a nie domyślną wartość indeksu) w DataFrame. Świadomość czasu Przetaczanie a ponowne próbkowanie Używanie. rolling () z indeksem opartym na czasie jest podobne do resamplingu. Obaj operują i wykonują operacje redukcyjne na obiektach z pandami indeksowanych czasowo. Podczas korzystania z. rolling () z offsetem. Przesunięcie jest przesunięciem czasowym. Wyświetl okno czasu do tyłu i zagreguj wszystkie wartości w tym oknie (w tym punkt końcowy, ale nie punkt początkowy). Jest to nowa wartość w tym punkcie wyniku. Są to okna o zmiennej wielkości w przestrzeni czasowej dla każdego punktu wejścia. Otrzymasz taki sam wynik jak dane wejściowe. Podczas korzystania z. resample () z offsetem. Zbuduj nowy indeks, który jest częstotliwością offsetu. Dla każdego przedziału częstotliwości agreguj punkty z danych wejściowych w oknie do wyświetlania w czasie, które mieszczą się w tym przedziale. Wynikiem tej agregacji jest wynik dla tego punktu częstotliwości. Okna mają stały rozmiar w przestrzeni częstotliwości. Twój wynik będzie miał regularną częstotliwość między minimalnym a maksymalnym początkowym obiektem wejściowym. Podsumowując. rolling () jest oparta na czasie operacją okna, podczas gdy. resample () jest operacją okna opartą na częstotliwości. Centrowanie systemu Windows Domyślnie etykiety są ustawione na prawą krawędź okna, ale dostępne jest słowo kluczowe centrum, aby etykiety mogły być ustawione pośrodku. Binarne funkcje okienne cov () i corr () mogą obliczać statystykę ruchomego okna dla dwóch Serii lub dowolnej kombinacji DataFrameSeries lub DataFrameDataFrame. Oto zachowanie w każdym przypadku: dwie serie. obliczyć statystykę parowania. DataFrameSeries. obliczyć statystyki dla każdej kolumny DataFrame z przekazanymi Seriami, zwracając w ten sposób DataFrame. DataFrameDataFrame. domyślnie oblicz statystyki dla dopasowywania nazw kolumn, zwracając DataFrame. Jeśli argument argumentu paramiTrue zostanie przekazany, oblicza statystyki dla każdej pary kolumn, zwracając panel, którego elementami są podane daty (patrz następna sekcja). Obliczanie kowariancji i korelacji kołysania parami W analizie danych finansowych i innych dziedzinach wspólne jest obliczanie macierzy kowariancji i korelacji dla zbioru szeregów czasowych. Często interesuje się również kowariancją i macierzą korelacji ruchomych okien. Można to zrobić, przekazując par kluczowy argument słowa kluczowego, który w przypadku danych wejściowych DataFrame da panel, którego pozycje są datami, o których mowa. W przypadku pojedynczego argumentu DataFrame argument parowania można nawet pominąć: Brakujące wartości są ignorowane, a każdy wpis jest obliczany przy użyciu pełnych obserwacji parami. Proszę zapoznać się z sekcją kowariancji dla zastrzeżeń związanych z tą metodą obliczania macierzy kowariancji i korelacji. Oprócz braku parametru window funkcje te mają te same interfejsy co ich odpowiedniki. rolling. Podobnie jak powyżej, parametry, które wszyscy akceptują to: minperiods. próg niezerowych punktów danych wymagających. Domyślne minimum wymagane do obliczenia statystyki. Żadne NaN nie będą wyprowadzane, gdy minperiod pojawią się nie-puste punkty danych. centrum. boolean, czy ustawić etykiety w środku (domyślnie jest Fałsz) Dane wyjściowe metod. rolling i. expanding nie zwracają wartości NaN, jeśli w bieżącym oknie są co najmniej wartości minimalne w miniodiodach. Różni się to od kumulacji. cumprod. cummax. i cummin. które zwracają NaN na wyjściu, gdy na wejściu napotkamy NaN. Rozszerzająca się statystyka okna będzie bardziej stabilna (i mniej responsywna) niż jej odpowiednik w oknie toczenia, ponieważ powiększający się rozmiar okna zmniejsza względny wpływ pojedynczego punktu danych. Jako przykład, tutaj jest wynik mean () dla poprzedniego zestawu danych szeregów czasowych: Exponentowo ważony Windows Powiązany zestaw funkcji to wykładniczo ważone wersje kilku z powyższych statystyk. Podobny interfejs do. rolling i. expanding jest dostępny za pośrednictwem metody. ewm do odbioru obiektu EWM. Dostarczono kilka rozszerzających się metod EW (wykładniczo ważonych):
No comments:
Post a Comment