Movendo média filtro span

Médias móveis: quais são eles Entre os mais populares indicadores técnicos, médias móveis são usados ​​para medir a direção da tendência atual. Cada tipo de média móvel (comumente escrito neste tutorial como MA) é um resultado matemático que é calculado pela média de um número de pontos de dados passados. Uma vez determinada, a média resultante é então plotada em um gráfico, a fim de permitir que os comerciantes olhar para os dados suavizados, em vez de se concentrar nas flutuações do preço do dia-a-dia que são inerentes a todos os mercados financeiros. A forma mais simples de uma média móvel, apropriadamente conhecida como média móvel simples (SMA), é calculada tomando-se a média aritmética de um dado conjunto de valores. Por exemplo, para calcular uma média móvel básica de 10 dias, você adicionaria os preços de fechamento dos últimos 10 dias e dividiria o resultado por 10. Na Figura 1, a soma dos preços dos últimos 10 dias (110) é Dividido pelo número de dias (10) para chegar à média de 10 dias. Se um comerciante deseja ver uma média de 50 dias, em vez disso, o mesmo tipo de cálculo seria feito, mas incluiria os preços nos últimos 50 dias. A média resultante abaixo (11) leva em conta os últimos 10 pontos de dados, a fim de dar aos comerciantes uma idéia de como um activo é fixado o preço em relação aos últimos 10 dias. Talvez você está se perguntando por que os comerciantes técnicos chamam essa ferramenta de uma média móvel e não apenas uma média regular. A resposta é que, à medida que novos valores se tornam disponíveis, os pontos de dados mais antigos devem ser eliminados do conjunto e novos pontos de dados devem entrar para substituí-los. Assim, o conjunto de dados está em constante movimento para contabilizar novos dados à medida que fica disponível. Este método de cálculo garante que apenas as informações atuais estão sendo contabilizadas. Na Figura 2, uma vez que o novo valor de 5 é adicionado ao conjunto, a caixa vermelha (representando os últimos 10 pontos de dados) move-se para a direita eo último valor de 15 é eliminado do cálculo. Como o valor relativamente pequeno de 5 substitui o valor alto de 15, você esperaria ver a média da diminuição do conjunto de dados, o que faz, nesse caso de 11 para 10. O que as médias móveis parecem uma vez MA foram calculados, eles são plotados em um gráfico e, em seguida, conectado para criar uma linha média móvel. Estas linhas de curvas são comuns nos gráficos de comerciantes técnicos, mas como eles são usados ​​podem variar drasticamente (mais sobre isso mais tarde). Como você pode ver na Figura 3, é possível adicionar mais de uma média móvel a qualquer gráfico ajustando o número de períodos de tempo usados ​​no cálculo. Essas linhas curvas podem parecer distrativas ou confusas no início, mas você vai crescer acostumado com eles como o tempo passa. A linha vermelha é simplesmente o preço médio nos últimos 50 dias, enquanto a linha azul é o preço médio nos últimos 100 dias. Agora que você entende o que é uma média móvel e o que parece, bem introduzir um tipo diferente de média móvel e analisar como ele difere da mencionada média móvel simples. A média móvel simples é extremamente popular entre os comerciantes, mas como todos os indicadores técnicos, ele tem seus críticos. Muitos indivíduos argumentam que a utilidade do SMA é limitada porque cada ponto na série de dados é ponderado o mesmo, independentemente de onde ele ocorre na seqüência. Os críticos argumentam que os dados mais recentes são mais significativos do que os dados mais antigos e devem ter uma maior influência no resultado final. Em resposta a essa crítica, os comerciantes começaram a dar mais peso aos dados recentes, o que desde então levou à invenção de vários tipos de novas médias, a mais popular das quais é a média móvel exponencial (EMA). Média móvel exponencial A média móvel exponencial é um tipo de média móvel que dá mais peso aos preços recentes, na tentativa de torná-lo mais responsivo (média móvel ponderada, média móvel ponderada e qual é a diferença entre um SMA e um EMA) Novas informações. Aprender a equação um pouco complicada para o cálculo de um EMA pode ser desnecessário para muitos comerciantes, uma vez que quase todos os pacotes gráficos fazer os cálculos para você. No entanto, para você geeks matemática lá fora, aqui está a equação EMA: Ao usar a fórmula para calcular o primeiro ponto da EMA, você pode notar que não há valor disponível para usar como o EMA anterior. Este pequeno problema pode ser resolvido iniciando o cálculo com uma média móvel simples e continuando com a fórmula acima a partir daí. Fornecemos uma planilha de exemplo que inclui exemplos reais de como calcular uma média móvel simples e uma média móvel exponencial. A diferença entre a EMA ea SMA Agora que você tem uma melhor compreensão de como a SMA ea EMA são calculadas, vamos dar uma olhada em como essas médias são diferentes. Ao olhar para o cálculo da EMA, você vai notar que mais ênfase é colocada sobre os pontos de dados recentes, tornando-se um tipo de média ponderada. Na Figura 5, o número de períodos utilizados em cada média é idêntico (15), mas a EMA responde mais rapidamente aos preços em mudança. Observe como a EMA tem um valor maior quando o preço está subindo, e cai mais rápido do que o SMA quando o preço está em declínio. Esta responsividade é a principal razão pela qual muitos comerciantes preferem usar o EMA sobre o SMA. O que significam os diferentes dias As médias móveis são um indicador totalmente personalizável, o que significa que o usuário pode escolher livremente o período de tempo que desejar ao criar a média. Os períodos de tempo mais comuns utilizados nas médias móveis são 15, 20, 30, 50, 100 e 200 dias. Quanto menor o intervalo de tempo usado para criar a média, mais sensível será às mudanças de preços. Quanto mais tempo o intervalo de tempo, menos sensível ou mais suavizado, a média será. Não há um frame de tempo certo para usar ao configurar suas médias móveis. A melhor maneira de descobrir qual funciona melhor para você é experimentar com uma série de diferentes períodos de tempo até encontrar um que se enquadra a sua estratégia. Moving médias em R Ao meu melhor conhecimento, R não tem um built-in Função para calcular médias móveis. Usando a função de filtro, no entanto, podemos escrever uma função curta para médias móveis: Podemos então usar a função em qualquer dado: mav (dados), ou mav (dados, 11) se quisermos especificar um número diferente de pontos de dados Do que o padrão 5 plotando obras como esperado: plot (mav (dados)). Além do número de pontos de dados sobre os quais a média, também podemos alterar o argumento de lados das funções de filtro: sides2 usa ambos os lados, sides1 usa apenas valores passados. Compartilhe este: Navegação de posts Comentário navegação Comentário navigationA Closer Look At Advanced Algoritmo média móvel CODAS Versátil média móvel no algoritmo avançado CODAS filtra o ruído de forma de onda, extratos significa, e elimina deriva linha de base. A média móvel é uma técnica matemática simples usada principalmente para eliminar aberrações e revelar a tendência real em uma coleção de pontos de dados. Você pode estar familiarizado com ele a partir da média de dados ruidosos em uma experiência de física de caloiro, ou de rastrear o valor de um investimento. Você pode não saber que a média móvel é também um protótipo do filtro de resposta de impulso finito, o tipo mais comum de filtro usado em instrumentação computadorizada. Nos casos em que uma dada forma de onda está cheia de ruído, onde uma média precisa de ser extraída de um sinal periódico, ou quando uma linha de base lentamente a deriva necessita de ser eliminada a partir de um sinal de frequência mais elevada, um filtro de média móvel pode ser aplicado para atingir o desejado resultado. O algoritmo de média móvel do Advanced CODAS oferece esse tipo de desempenho de filtragem de forma de onda. Advanced CODAS é um pacote de software de análise que opera em arquivos de dados de forma de onda existentes criados pela primeira geração de pacotes de aquisição de dados WinDaq ou de segunda geração do WinDaq. Além do algoritmo de média móvel, o CODAS avançado também inclui um utilitário de geração de relatórios e rotinas de software para integração de formas de onda, diferenciação, captação de picos e vales, rectificações e operações aritméticas. Teoria do Filtro de Movimentação Média O algoritmo de média móvel DATAQ Instruments permite uma grande flexibilidade nas aplicações de filtragem de formas de onda. Ele pode ser usado como um filtro passa-baixa para atenuar o ruído inerente em muitos tipos de formas de onda, ou como um filtro passa-alta para eliminar uma linha de base derivada de um sinal de freqüência mais alta. O procedimento usado pelo algoritmo para determinar a quantidade de filtragem envolve o uso de um fator de suavização. Esse fator de suavização, controlado por você através do software, pode ser aumentado ou diminuído para especificar o número de pontos de dados de forma de onda reais ou amostras que a média móvel se espalhará. Qualquer forma de onda periódica pode ser pensada como uma seqüência longa ou coleção de pontos de dados. O algoritmo realiza uma média móvel tomando dois ou mais destes pontos de dados da forma de onda adquirida, somando-os, dividindo sua soma pelo número total de pontos de dados adicionados, substituindo o primeiro ponto de dados da forma de onda pela média apenas calculada e Repetindo os passos com o segundo, terceiro e assim por diante pontos de dados até o final dos dados é atingido. O resultado é uma segunda forma de onda gerada que consiste nos dados médios e que tem o mesmo número de pontos que a forma de onda original. Figura 1 8212 Qualquer forma de onda periódica pode ser considerada como uma seqüência longa ou coleção de pontos de dados. Na ilustração acima, pontos de dados de forma de onda consecutivos são representados por quotyquot para ilustrar como a média móvel é calculada. Neste caso, um fator de suavização de três foi aplicado, o que significa que três pontos de dados consecutivos da forma de onda original são adicionados, sua soma dividida por três, e então este quociente é plotado como o primeiro ponto de dados de uma forma de onda gerada. O processo se repete com o segundo, terceiro e assim por diante pontos de dados da forma de onda original até o final dos dados é atingido. Uma técnica de quotfeatheringquot especial calcula a média dos pontos de dados iniciais e finais da forma de onda original para garantir que a forma de onda gerada contenha o mesmo número de pontos de dados que o original. A Figura 1 ilustra como o algoritmo de média móvel é aplicado a pontos de dados de forma de onda (que são representados por y). A ilustração apresenta um fator de suavização de 3, o que significa que o valor médio (representado por a) será calculado sobre 3 valores de dados de forma de onda consecutivos. Observe a sobreposição que existe nos cálculos da média móvel. É essa técnica de sobreposição, junto com um tratamento especial de início e fim que gera o mesmo número de pontos de dados na forma de onda média, como existia no original. A forma como o algoritmo calcula uma média móvel merece um olhar mais atento e pode ser ilustrado com um exemplo. Digamos que temos sido em uma dieta de duas semanas e queremos calcular o nosso peso médio nos últimos 7 dias. Dividimos nosso peso no dia 7 com o nosso peso nos dias 8, 9, 10, 11, 12 e 13 e multiplicamos por 17. Para formalizar o processo, isso pode ser expresso como: a (7) 17 (y 7) y (8) y (9) y (13)) Esta equação pode ser mais generalizada. A média móvel de uma forma de onda pode ser calculada por: Onde: um valor médio n ponto de dados posição s fator de suavização y valor de ponto de dados real Figura 2 8212 A forma de onda da célula de carga mostrada original e não filtrada no canal superior e como um ponto 11 Movendo a forma de onda média no canal inferior. O ruído que aparece na forma de onda original foi devido às intensas vibrações criadas pela prensa durante a operação de embalagem. A chave para esta flexibilidade de algoritmos é a sua ampla gama de fatores de suavização selecionáveis ​​(de 2 - 1.000). O fator de suavização determina quantos pontos de dados ou amostras reais serão calculados. Especificar qualquer fator de suavização positivo simula um filtro passa-baixa enquanto especifica um fator de suavização negativo simula um filtro passa-alta. Dado o valor absoluto do fator de suavização, valores maiores aplicam maiores restrições de suavização na forma de onda resultante e, inversamente, valores menores aplicam menos suavização. Com a aplicação do fator de suavização apropriado, o algoritmo também pode ser usado para extrair o valor médio de uma dada forma de onda periódica. Um fator de alisamento positivo mais alto é tipicamente aplicado para gerar valores de forma de onda média. Aplicando o Algoritmo de Média Móvel Uma característica saliente do algoritmo de média móvel é que ele pode ser aplicado muitas vezes à mesma forma de onda se necessário para obter o resultado de filtragem desejado. A filtragem de formas de onda é um exercício muito subjetivo. O que pode ser uma forma de onda devidamente filtrada para um usuário pode ser inaceitavelmente ruidoso para outro. Só você pode avaliar se o número de pontos médios selecionados foi muito alto, muito baixo ou apenas correto. A flexibilidade do algoritmo permite ajustar o fator de suavização e fazer outra passagem através do algoritmo quando resultados satisfatórios não são alcançados com a tentativa inicial. A aplicação e as capacidades do algoritmo de média móvel podem ser melhor ilustradas pelos exemplos seguintes. Figura 3 8212 A forma de onda de ECG mostrada original e não filtrada no canal superior e como uma forma de onda média movimentada de 97 pontos no canal inferior. Observe a ausência de deriva de linha de base no canal inferior. Ambas as formas de onda são mostradas em uma condição comprimida para fins de apresentação. Uma Aplicação de Redução de Ruído Nos casos em que uma dada forma de onda está cheia de ruído, o filtro de média móvel pode ser aplicado para suprimir o ruído e produzir uma imagem mais clara da forma de onda. Por exemplo, um cliente CODAS avançado estava usando uma prensa e uma célula de carga em uma operação de empacotamento. O seu produto era para ser comprimido até um nível predeterminado (monitorizado pela célula de carga) para reduzir o tamanho da embalagem necessária para conter o produto. Por razões de controle de qualidade, eles decidiram monitorar a operação da prensa com instrumentação. Um problema inesperado apareceu quando eles começaram a ver a saída de células de carga em tempo real. Uma vez que a máquina de prensa vibrou consideravelmente durante a operação, a forma de onda de saída das células de carga era difícil de discernir porque continha uma grande quantidade de ruído devido à vibração como mostrado no canal superior da Figura 2. Este ruído foi eliminado gerando um canal com média móvel de 11 pontos como mostrado no canal inferior da Figura 2. O resultado foi uma imagem muito mais clara da saída das células de carga. Uma aplicação na eliminação da deriva da linha de base Nos casos em que uma linha de base lentamente derivada precisa ser removida de um sinal de freqüência mais alta, o filtro da média móvel pode ser aplicado para eliminar a linha de base da derivação. Por exemplo, uma forma de onda ECG tipicamente exibe algum grau de desvio de linha de base como pode ser visto no canal superior da Figura 3. Esta deriva de linha de base pode ser eliminada sem alterar ou perturbar as características da forma de onda como mostrado no canal inferior da Figura 3. Isto é conseguido aplicando um factor de suavização de valor negativo apropriado durante o cálculo da média móvel. O fator de suavização apropriado é determinado dividindo um período de forma de onda (em segundos) pelo intervalo de amostra de canais. O intervalo de amostra dos canais é simplesmente o recíproco da taxa de amostragem dos canais e é exibido convenientemente no menu de utilitário de média móvel. O período de forma de onda é facilmente determinado a partir da tela de exibição, posicionando o cursor em um ponto conveniente na forma de onda, definindo um marcador de tempo e, em seguida, movendo o cursor um ciclo completo longe do marcador de tempo exibido. A diferença de tempo entre cursor e marcador de tempo é um período de forma de onda e é exibido na parte inferior da tela em segundos. Em nosso exemplo de ECG, a forma de onda possuía um intervalo de amostra de canal de 0,004 segundos (obtido a partir do menu de utilidade de média móvel) e um período de forma de onda foi medido para espaçar 0,388 segundos. Dividindo o período de forma de onda pelo intervalo de amostra de canais nos deu um fator de suavização de 97. Como é a deriva de linha de base que estamos interessados ​​em eliminar, aplicamos um fator de suavização negativo (-97) ao algoritmo de média móvel. Isto, com efeito, subtraiu o resultado médio móvel do sinal original da forma de onda, que eliminou a deriva da linha de base sem alterar a informação da forma de onda. Quaisquer que sejam as aplicações, a razão universal para a aplicação de um filtro de média móvel é quotsmooth outquot as aberrações alta e baixa e revelam um valor de forma de onda intermediário mais representativo. Ao fazer isso, o software não deve comprometer outros recursos da forma de onda original no processo de geração de uma forma de onda média movimentada. Por exemplo, o software deve ajustar automaticamente as informações de calibração associadas ao arquivo de dados original, de modo que a forma de onda média móvel esteja nas unidades de engenharia apropriadas quando geradas. Todas as leituras nas figuras foram tiradas usando o software WinDaq Data AcquisitionMoving médias Médias móveis Com datasets convencionais o valor médio é muitas vezes o primeiro, e um dos mais úteis, sumário estatísticas para calcular. Quando os dados estão na forma de uma série temporal, a média da série é uma medida útil, mas não reflete a natureza dinâmica dos dados. Os valores médios calculados em períodos em curto, anteriores ao período atual ou centrados no período atual, são freqüentemente mais úteis. Como esses valores médios variam ou se movem, à medida que o período atual se move a partir do tempo t 2, t 3, etc., eles são conhecidos como médias móveis (Mas). Uma média móvel simples é (tipicamente) a média não ponderada de k valores anteriores. Uma média móvel exponencialmente ponderada é essencialmente a mesma que uma média móvel simples, mas com contribuições para a média ponderada pela sua proximidade com o tempo atual. Como não existe uma, mas toda uma série de médias móveis para qualquer série, o conjunto de Mas pode ser plotado em gráficos, analisado como uma série e usado na modelagem e previsão. Uma gama de modelos pode ser construída usando médias móveis, e estes são conhecidos como modelos MA. Se tais modelos forem combinados com modelos autorregressivos (AR), os modelos compostos resultantes são conhecidos como modelos ARMA ou ARIMA (o I é para integrado). Médias móveis simples Uma vez que uma série temporal pode ser considerada como um conjunto de valores, t 1,2,3,4, n a média destes valores pode ser calculada. Se assumimos que n é bastante grande, e selecionamos um inteiro k que é muito menor que n. Podemos calcular um conjunto de médias de bloco, ou médias móveis simples (de ordem k): Cada medida representa a média dos valores de dados sobre um intervalo de k observações. Observe que a primeira MA possível de ordem k gt0 é aquela para t k. De forma mais geral, podemos descartar o subíndice extra nas expressões acima e escrever: Isto indica que a média estimada no tempo t é a média simples do valor observado no instante t e os intervalos de tempo anteriores k-1. Se forem aplicados pesos que diminuam a contribuição de observações que estão mais distantes no tempo, a média móvel é dita ser suavizada exponencialmente. As médias móveis são frequentemente utilizadas como uma forma de previsão, pelo que o valor estimado para uma série no tempo t 1, S t 1. É tomado como o MA para o período até e incluindo o tempo t. por exemplo. A estimativa de hoje é baseada em uma média de valores anteriores registrados até e inclusive ontem (para dados diários). As médias móveis simples podem ser vistas como uma forma de suavização. No exemplo ilustrado abaixo, o conjunto de dados sobre poluição atmosférica mostrado na introdução deste tópico foi aumentado por uma linha de média móvel de 7 dias, mostrada aqui em vermelho. Como pode ser visto, a linha de MA suaviza os picos e depressões nos dados e pode ser muito útil na identificação de tendências. A fórmula padrão de cálculo de forward significa que os primeiros k -1 pontos de dados não têm nenhum valor de MA, mas depois os cálculos se estendem até o ponto de dados final da série. Uma razão para calcular médias móveis simples da maneira descrita é que ela permite que os valores sejam calculados para todos os intervalos de tempo desde o tempo tk até o presente, e Como uma nova medição é obtida para o tempo t 1, o MA para o tempo t 1 pode ser adicionado ao conjunto já calculado. Isso fornece um procedimento simples para conjuntos de dados dinâmicos. No entanto, existem alguns problemas com esta abordagem. É razoável argumentar que o valor médio nos últimos 3 períodos, digamos, deve ser localizado no tempo t -1, não no tempo t. E para um MA sobre um número par de períodos, talvez ele deve ser localizado no ponto médio entre dois intervalos de tempo. Uma solução para esse problema é usar cálculos centralizados de MA, nos quais o MA no tempo t é a média de um conjunto simétrico de valores em torno de t. Apesar de seus méritos óbvios, esta abordagem não é geralmente usada porque exige que os dados estejam disponíveis para eventos futuros, o que pode não ser o caso. Em casos onde a análise é inteiramente de uma série existente, o uso de Mas centralizado pode ser preferível. As médias móveis simples podem ser consideradas como uma forma de suavização, removendo alguns componentes de alta freqüência de uma série de tempo e destacando (mas não removendo) as tendências de forma semelhante à noção geral de filtragem digital. De fato, as médias móveis são uma forma de filtro linear. É possível aplicar um cálculo da média móvel a uma série que já tenha sido suavizada, isto é, suavizar ou filtrar uma série já suavizada. Por exemplo, com uma média móvel de ordem 2, podemos considerá-la como sendo calculada usando pesos, então a MA em x 2 0,5 x 1 0,5 x 2. Da mesma forma, a MA em x 3 0,5 x 2 0,5 x 3. Se nós Aplicar um segundo nível de suavização ou filtragem, temos 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 ou seja, a filtragem de 2 estádios Processo (ou convolução) produziu uma média móvel simétrica ponderada variável, com pesos. Várias circunvoluções podem produzir médias móveis ponderadas bastante complexas, algumas das quais foram encontradas de uso particular em campos especializados, como nos cálculos de seguros de vida. As médias móveis podem ser usadas para remover efeitos periódicos se computadas com o comprimento da periodicidade como um conhecido. Por exemplo, com os dados mensais as variações sazonais podem frequentemente ser removidas (se este for o objetivo) por aplicar uma média móvel simétrica de 12 meses com todos os meses ponderados igualmente, exceto o primeiro e o último que são ponderados por 12. Isto é porque haverá Ser de 13 meses no modelo simétrico (tempo atual, t. - 6 meses). O total é dividido por 12. Procedimentos semelhantes podem ser adotados para qualquer periodicidade bem definida. Médias móveis exponencialmente ponderadas (EWMA) Com a fórmula da média móvel simples: todas as observações são igualmente ponderadas. Se chamássemos esses pesos iguais, alfa t. Cada um dos k pesos seria igual a 1 k. Então a soma dos pesos seria 1, ea fórmula seria: Já vimos que múltiplas aplicações desse processo resultam em pesos variando. Com médias móveis ponderadas exponencialmente, a contribuição para o valor médio das observações que são mais removidas no tempo é deliberada reduzida, enfatizando os eventos mais recentes (locais). Essencialmente um parâmetro de suavização, 0lt alfa lt1, é introduzido, ea fórmula revisada para: Uma versão simétrica desta fórmula seria da forma: Se os pesos no modelo simétrico são selecionados como os termos dos termos da expansão binomial, (1212) 2q. Eles somarão a 1, e quando q se tornar grande, aproximar-se-á da distribuição Normal. Esta é uma forma de ponderação do kernel, com o Binomial agindo como a função do kernel. A convolução de dois estágios descrita na subseção anterior é precisamente esta disposição, com q 1, produzindo os pesos. Em suavização exponencial é necessário usar um conjunto de pesos que somam 1 e que reduzem em tamanho geometricamente. Os pesos usados ​​são tipicamente da forma: Para mostrar que esses pesos somam 1, considere a expansão de 1 como uma série. Podemos escrever e expandir a expressão entre parênteses usando a fórmula binomial (1-x) p. Onde x (1-) e p -1, o que dá: Isso então fornece uma forma de média móvel ponderada da forma: Esta soma pode ser escrita como uma relação de recorrência: o que simplifica muito a computação e evita o problema de que o regime de ponderação Deve ser estritamente infinito para os pesos a somar a 1 (para pequenos valores de alfa, isso normalmente não é o caso). A notação utilizada por diferentes autores varia. Alguns usam a letra S para indicar que a fórmula é essencialmente uma variável suavizada e escrevem: enquanto a literatura da teoria de controle usa freqüentemente Z em vez de S para os valores exponencialmente ponderados ou suavizados (ver, por exemplo, Lucas e Saccucci, 1990, LUC1 , Eo site do NIST para mais detalhes e exemplos trabalhados). As fórmulas citadas acima derivam do trabalho de Roberts (1959, ROB1), mas Hunter (1986, HUN1) usa uma expressão da forma: que pode ser mais apropriada para uso em alguns procedimentos de controle. Com alfa 1, a estimativa média é simplesmente o seu valor medido (ou o valor do item de dados anterior). Com 0,5 a estimativa é a média móvel simples das medições atuais e anteriores. Nos modelos de previsão, o valor, S t. É freqüentemente usado como estimativa ou valor de previsão para o próximo período de tempo, ou seja, como a estimativa para x no tempo t 1. Assim, temos: Isto mostra que o valor da previsão no tempo t 1 é uma combinação da média móvel exponencial ponderada anterior Mais um componente que representa o erro de previsão ponderado, epsilon. No tempo t. Supondo que uma série temporal é dada e uma previsão é necessária, um valor para alfa é necessário. Isto pode ser estimado a partir dos dados existentes, avaliando a soma dos erros de predição quadrados obtidos com valores variáveis ​​de alfa para cada t 2,3. Definindo a primeira estimativa como sendo o primeiro valor de dados observado, x 1. Em aplicações de controle, o valor de alfa é importante na medida em que é usado na determinação dos limites de controle superior e inferior e afeta o comprimento médio de execução (ARL) esperado Antes que esses limites de controle sejam quebrados (sob o pressuposto de que as séries temporais representam um conjunto de variáveis ​​independentes, aleatoriamente distribuídas, com variância comum). Nestas circunstâncias, a variância da estatística de controlo é (Lucas e Saccucci, 1990): Os limites de controlo são usualmente definidos como múltiplos fixos desta variância assintótica, e. - 3 vezes o desvio padrão. Se alfa 0,25, por exemplo, e os dados sendo monitorados forem assumidos como tendo uma distribuição Normal, N (0,1), quando em controle, os limites de controle serão - 1,134 e o processo atingirá um ou outro limite em 500 passos na média. Lucas e Saccucci (1990 LUC1) derivam os ARLs para uma ampla gama de valores alfa e sob várias suposições usando procedimentos de Cadeia de Markov. Eles tabulam os resultados, incluindo o fornecimento de ARLs quando a média do processo de controle foi deslocada por algum múltiplo do desvio padrão. Por exemplo, com um deslocamento 0,5 com alfa 0,25 o ARL é menos de 50 etapas de tempo. As abordagens descritas acima são conhecidas como suavização exponencial única. Uma vez que os procedimentos são aplicados uma vez à série temporal e, em seguida, análises ou processos de controlo são realizados no conjunto de dados suavizado resultante. Se o conjunto de dados incluir uma tendência e / ou componentes sazonais, o alisamento exponencial de dois ou três estágios pode ser aplicado como um meio de remover (explicitamente modelar) esses efeitos (veja a seção sobre Previsão abaixo e o exemplo trabalhado pelo NIST). CHA1 Chatfield C (1975) A Análise da Série de Tempos: Teoria e Prática. Chapman e Hall, Londres HUN1 Hunter J S (1986) A média móvel exponencialmente ponderada. J of Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Esquemas de controlo da média móvel ponderada exponencialmente: propriedades e melhoramentos. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Testes de gráficos de controle baseados em médias móveis geométricas. Technometrics, 1, 239-250