Gerador médio móvel

Média móvel Este exemplo ensina como calcular a média móvel de uma série temporal no Excel. Um avearge móvel é usado para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossas séries temporais. 2. Na guia Dados, clique em Análise de dados. Nota: não consigo encontrar o botão Análise de dados Clique aqui para carregar o complemento Analysis ToolPak. 3. Selecione Média móvel e clique em OK. 4. Clique na caixa Intervalo de entrada e selecione o intervalo B2: M2. 5. Clique na caixa Intervalo e digite 6. 6. Clique na caixa Escala de saída e selecione a célula B3. 8. Traçar um gráfico desses valores. Explicação: porque definimos o intervalo para 6, a média móvel é a média dos 5 pontos de dados anteriores e o ponto de dados atual. Como resultado, picos e vales são alisados. O gráfico mostra uma tendência crescente. O Excel não pode calcular a média móvel para os primeiros 5 pontos de dados porque não há suficientes pontos de dados anteriores. 9. Repita os passos 2 a 8 para o intervalo 2 e o intervalo 4. Conclusão: quanto maior o intervalo, mais os picos e os vales são alisados. Quanto menor o intervalo, mais próximas as médias móveis são para os pontos de dados reais. 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 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 dos dados ordenados, uma vez que a mediana não é afetada por valores aberrantes estranhos. O gerador da FFT Moving Average (FFT-MA): um método numérico eficiente para gerar e condicionar simulações gaussianas. Cite este artigo Como: Ravalec, ML Noetinger, B. Hu, L. Y. Geologia matemática (2000) 32: 701. doi: 10.1023A: 1007542406333 Um método de média móvel móvel (FFT-MA) de rápida transformação de Fourier (FFT-MA) para gerar processos estocásticos gaussianos é derivado. Usar transformações discretas de Fourier torna os cálculos fáceis e rápidos para que grandes campos aleatórios possam ser produzidos. Por outro lado, a base média básica permite-nos desacoplar os números aleatórios dos parâmetros estruturais (média, variância, comprimento de correlação), mas também desenhar os componentes de aleatoriedade no domínio espacial. Tais características conferem grande flexibilidade ao gerador FFT-MA. Por exemplo, mudar apenas os números aleatórios dá realizações distintas, todas com a mesma função de covariância. Da mesma forma, várias realizações podem ser construídas a partir do mesmo conjunto de números aleatórios, mas de diferentes parâmetros estruturais. A integração do gerador FFT-MA em um procedimento de otimização fornece uma ferramenta teoricamente capaz de determinar os números aleatórios que identificam o campo gaussiano, bem como os parâmetros estruturais dos dados dinâmicos. Além disso, todos ou apenas alguns dos números aleatórios podem ser perturbados para que as realizações produzidas usando o gerador FFT-MA possam ser atualizadas localmente através de um processo de otimização. Simulação de otimização de condicionamento não-linear FFT perturbação local REFERÊNCIAS Alabert, F. 1987, A prática de simulações condicionais rápidas através da decomposição LU da matriz de covariância: Matemática. Geologia, v. 19, no. 5, p. 369386. Google Scholar Blanc, G. Touati, M. e Hu, L. 1998, Modelagem geoestatística de fluxo de fluido em redes flexíveis: 6º Procedimentos ECMOR, 811 setembro Peebles, Escócia, C30. Bochner, S. 1936, Lectures on Fourier analysis: Princeton University Press, Princeton, NJ. Google Scholar Chils, J. P. 1995, Quelques mthodes de simulação de funções alatoires intrinsques: Cahiers de servicio, 5, p. 97112. Google Scholar Cooley, J. W. e Tukey, J. W. 1965, um algoritmo para a computação da máquina de séries complexas de Fourier: Matemática. Comp. V. 19, p. 297301. Google Scholar Davis, M. W. 1987, Produção de simulações condicionais através da decomposição triangular LU da matriz de covariância: Matemática. Geologia, v. 19, no. 2, p. 9198. Google Scholar Deutsch, C. V. 1992, Técnicas de recozimento aplicadas à modelagem de reservatórios e integração de dados geológicos e de engenharia (teste de poço): dissertação de doutorado não publicada, Stanford University, Stanford, CA, 325 p. Google Scholar Deutsch, C. V. e Cockerham, P. W. 1994, Modelagem geoestatística de permeabilidade com cosimulação de recozimento (ACS): SPE 69th Annual Technical Conference and Exhibition, New Orleans, LA, p. 523532. Deutsch, C. V. e Journel, A. G. 1992, GSLIB: Biblioteca de software geoestatística e guia de usuários: Oxford University Press, Nova York, 340 p. Google Scholar Galli, A. Beucher, H. Le Loh, G. e Doligez, B. 1994, Os profissionais e os contras do método Gaussiano truncado, em Armstrong, M. e Dowd, P. A. eds. Simulações geoestatísticas: Kluwer Academic Publishers, Dordrecht, Holanda, p. 217233. Google Scholar Gomez-Hernandez, J. J. e Journel, A. G. 1992, Simulação sequencial conjunta de campos multiGoussian, em Soares, eds. Procedimentos do 4º Congresso Geoestatístico Internacional: Kluwer Publishers, Troia, p. 8594. Google Scholar Gupta, A. D. 1992, heterogeneidade estocástica, dispersão e resposta do traçador de campo: dissertação de doutorado não publicada, Universidade do Texas, Austin, TX, 248 p. Google Scholar Gutjahr, A. 1989, transformadas rápidas de Fourier para geração de campo aleatório: New Mexico Tech. Relatório do Projeto, NM, 106 p. Gutjahr, A. Bullard, B. e Hatch, S. 1997, simulações de articulação geral usando um método rápido de transformação de Fourier: Matemática. Geologia, v. 29, p. 361389. Google Scholar Hu, L. Y. 2000, Deformação gradual e calibração iterativa de modelos estocásticos relacionados com gaussianos: Matemática. Geologia, v. 32, no. 1, p. 87108. Google Scholar Johnson, M. E. 1987, simulações estatísticas multivariadas: John amp New York, Wiley amp Sons, 230 p. Journel, A. G. 1974, Geoestatística para simulação condicional de minério: Econ. Geologia, v. 69, p. 673687. Google Scholar Journel, A. G. e Huijbregts, C. J. 1978, Geoestatística mineira: Academic, San Diego, CA. Lantujoul, C. 1994, simulação não condicional de funções aleatórias isotrópicas multijugais estacionárias, em M. Armstrong, M. e Dowd, P. A. eds. Simulações geoestatísticas: Kluwer Academic Publishers, Dordrecht, Holanda, p. 147177. Google Scholar Le Ravalec, M. Hu, LY e Noetinger, B. 1999, Modelagem de reservatórios estocásticos restritos a dados dinâmicos: Calibração local e inferência dos parâmetros estruturais: Conferência e Exposição Técnica Anual da SPE, Houston, TX, SPE 56556. Mantoglou, A. 1987, simulação digital de processos estocásticos bidimensionais e tridimensionais com um método de banda de giro espectral: Matemática. Geologia, v. 19, no. 2, p. 129149. Google Scholar Mantoglou, A. e Wilson, J. 1982, O método das bandas de giro para a simulação de campos aleatórios usando a geração de linha por um método espectral: Recursos hídricos Res. V. 18, p. 13791394. Google Scholar Matheron, G. 1973, As funções aleatórias intrínsecas e suas aplicações: Adv. Appl. Prob. V. 5, p. 439468. Google Scholar Oliver, D. S. 1995, Médias móveis para a simulação gaussiana em duas e três dimensões: Matemática. Geologia. V. 27, no. 8, p. 939960. Google Scholar Oliver, D. S. Cunha, L. B. e Reynolds, A. C. 1997, A Markov cadeia Monte Carlo método de simulação condicional: Matemática. Geologia, v. 29, no. 1, p. 6191. Google Scholar Ouenes, A. 1992, Aplicação do recozimento simulado à caracterização do reservatório e ao sistema inverso petrofísico: dissertação de doutorado não publicada, New Mexico Technical, Socorro, NM, 205 p. Google Scholar Pardo-Iguzquiza, E. e Chica-Olmo, M. 1993, O método integral de Fourier: um método espectral eficiente para simulação de campos aleatórios: Matemática. Geologia, v. 25, no. 2, p. 177217. Google Scholar Prez, G. Simulação condicional estocástica para descrição das propriedades do reservatório: dissertação de doutorado não publicada, Universidade de Tulsa, Tulsa, OK, 245 p. Priestley, M. B. 1981, análise espectral e séries temporais: Academic Press, London, GB. Google Scholar RamaRao, B. S. La Venue, A. M. de Marsilly, G. e Marietta, M. G. 1995, metodologia de ponto piloto para calibração automatizada de um conjunto de campo de transmissividade simulado condicionalmente: 1. Teoria e experiências computacionais: recursos hídricos Res. V. 31, no. 3, p. 475493. Google Scholar Roggero, F. e Hu, L. 1998, Deformação gradual de modelos geoestatísticos contínuos para a correspondência da história: Conferência e Exposição Técnica Anual da SPE, Nova Orleans, LA, SPE 49004. Shinozuka, M. e Jan, CM 1972, Simulação digital de processos aleatórios e suas aplicações: Jour. Sounds Vib. 25, não. 1, p. 111128. Google Scholar Yao, T. 1998, Simulação espectral condicional com identificação de fase: Matemática. Geologia, v. 30, no. 3, p. 285308. Google Scholar Informações sobre direitos autorais Associação Internacional de Geologia Matemática 2000 Autores e Afiliações Mickale Le Ravalec 1 Benot Noetinger 2 Lin Y. Hu 2 1. Institut Franais du Ptrole Pau Cedex 9 França 2. Institut Franais du Ptrole Pau Cedex 9 França Sobre este artigo Imprimir ISSN 0882-8121 Online ISSN 1573-8868 Nome do editor Kluwer Academic Publishers-Plenum Publishers