Thursday, 3 August 2017

365 moving average


Calculando a média móvel no Excel Neste pequeno tutorial, você aprenderá como calcular rapidamente uma média móvel simples no Excel, quais funções usar para obter a média móvel dos últimos N dias, semanas, meses ou anos e como adicionar um movimento Linha de tendência média para um gráfico do Excel. Em alguns artigos recentes, nós demos uma olhada no cálculo da média no Excel. Se você está seguindo nosso blog, você já sabe como calcular uma média normal e quais funções usar para encontrar a média ponderada. No tutorial de hoje, vamos discutir duas técnicas básicas para calcular a média móvel no Excel. O que é a média móvel De um modo geral, a média móvel (também referida como média móvel, média móvel ou média móvel) pode ser definida como uma série de médias para diferentes subconjuntos do mesmo conjunto de dados. É freqüentemente usado em estatísticas, previsões econômicas e meteorológicas ajustadas sazonalmente para entender as tendências subjacentes. Na negociação de ações, média móvel é um indicador que mostra o valor médio de um título ao longo de um determinado período de tempo. Nos negócios, é uma prática comum para calcular uma média móvel de vendas para os últimos 3 meses para determinar a tendência recente. Por exemplo, a média móvel das temperaturas de três meses pode ser calculada tomando a média das temperaturas de janeiro a março, depois a média das temperaturas de fevereiro a abril, depois de março a maio, e assim por diante. Existem diferentes tipos de média móvel, como simples (também conhecido como aritmética), exponencial, variável, triangular e ponderada. Neste tutorial, estaremos analisando a média móvel mais comumente utilizada. Calculando a média móvel simples no Excel No geral, existem duas maneiras de obter uma média móvel simples no Excel - usando fórmulas e opções de linha de tendência. Os exemplos seguintes demonstram ambas as técnicas. Exemplo 1. Calcular a média móvel para um determinado período de tempo Uma média móvel simples pode ser calculada em nenhum momento com a função MÉDIA. Suponha que você tenha uma lista de temperaturas médias mensais na coluna B e queira encontrar uma média móvel de 3 meses (como mostrado na imagem acima). Escreva uma fórmula média usual para os primeiros 3 valores e insira-a na linha correspondente ao 3º valor da parte superior (célula C4 neste exemplo) e, em seguida, copie a fórmula para outras células da coluna: Coluna com uma referência absoluta (como B2) se você desejar, mas não se esqueça de usar referências de linha relativa (sem o sinal) para que a fórmula ajusta corretamente para outras células. Lembrando que uma média é calculada adicionando valores e dividindo a soma pelo número de valores a serem calculados, você pode verificar o resultado usando a fórmula SUM: Exemplo 2. Obter média móvel para os últimos N dias / semanas / Meses / anos em uma coluna Supondo que você tenha uma lista de dados, por exemplo Venda ou cotações de ações, e você quer saber a média dos últimos 3 meses em qualquer ponto do tempo. Para isso, você precisa de uma fórmula que recalcule a média assim que você digitar um valor para o próximo mês. Qual função do Excel é capaz de fazer isso O bom AVERAGE antigo em combinação com OFFSET e COUNT. MÉDIA (OFFSET (NÚMERO DE COUNT (NÚMERO COMPLETO - N, 0, N, 1)) Onde N é o número dos últimos dias / semanas / meses / anos a incluir na média. Não sei como usar essa fórmula de média móvel em planilhas do Excel O exemplo a seguir tornará as coisas mais claras. Supondo que os valores para a média estão na coluna B começando na linha 2, a fórmula seria a seguinte: E agora, vamos tentar entender o que esta fórmula de média móvel Excel está realmente fazendo. A COUNT função COUNT (B2: B100) conta quantos valores já estão inseridos na coluna B. Começamos a contar em B2 porque a linha 1 é o cabeçalho da coluna. A função OFFSET leva a célula B2 (o primeiro argumento) como ponto de partida e desloca a contagem (o valor retornado pela função COUNT) movendo 3 linhas para cima (-3 no 2º argumento). Como resultado, retorna a soma de valores em um intervalo composto por 3 linhas (3 no 4 º argumento) e 1 coluna (1 no último argumento), que é o mais tardar 3 meses que queremos. Finalmente, a soma retornada é passada para a função MÉDIA para calcular a média móvel. Dica. Se estiver trabalhando com planilhas continuamente atualizáveis ​​onde novas linhas provavelmente serão adicionadas no futuro, forneça um número suficiente de linhas à função COUNT para acomodar novas entradas possíveis. Não é um problema se você incluir mais linhas do que realmente necessário contanto que você tenha a primeira célula direita, a função COUNT irá descartar todas as linhas vazias de qualquer maneira. Como você provavelmente notou, a tabela neste exemplo contém dados para apenas 12 meses, e ainda o intervalo B2: B100 é fornecido para COUNT, apenas para estar no lado de salvar :) Exemplo 3. Obter média móvel para os últimos valores de N em Uma linha Se você deseja calcular uma média móvel para os últimos N dias, meses, anos, etc. na mesma linha, você pode ajustar a fórmula Offset desta maneira: Supondo que B2 é o primeiro número na linha e você quer Para incluir os últimos 3 números na média, a fórmula tem a seguinte forma: Criando um gráfico de média móvel do Excel Se você já criou um gráfico para seus dados, adicionar uma linha de tendência de média móvel para esse gráfico é uma questão de segundos. Para isso, vamos usar o recurso Excel Trendline e seguir as etapas detalhadas abaixo. Para este exemplo, criei um gráfico de colunas em 2D (grupo Inserir guia gt Gráficos) para nossos dados de vendas: E agora, queremos visualizar a média móvel por 3 meses. No Excel 2010 e no Excel 2007, vá para Layout gt Trendline gt Mais Opções da Trendline. Dica. Se você não precisa especificar os detalhes, como o intervalo de média móvel ou os nomes, você pode clicar em Design gt Adicionar elemento gráfico gt Trendline gt Média móvel para o resultado imediato. O painel Format Trendline será aberto no lado direito da planilha no Excel 2013 ea caixa de diálogo correspondente será exibida no Excel 2010 e 2007. Para refinar o bate-papo, você pode alternar para a linha Fill amp ou a guia Effects no O painel Format Trendline e jogar com diferentes opções, como tipo de linha, cor, largura, etc. Para análise de dados poderosa, você pode querer adicionar algumas linhas de tendência de média móvel com intervalos de tempo diferentes para ver como a tendência evolui. A seguinte imagem mostra as linhas de tendência de média móvel de 2 meses (verde) e 3 meses (tijolo vermelho): Bem, isso é tudo sobre como calcular a média móvel no Excel. A planilha de exemplo com fórmulas de média móvel e linha de tendência está disponível para download - planilha de Moving Average. Agradeço a leitura e espero vê-lo na próxima semana. Veja a média móvel S038P 5008217s Uma média móvel pode dizer muito. Basta olhar para a Dow Jones Industrial Average. É a estatística financeira mais conhecida, mas não conta toda a história. O índice padrão 038 Poor8217s 500 segue um grupo muito maior e muito mais diverso dos estoques do que o DJIA8217s meros 30 companhias industriais. Ele é considerado um bom sinal para toda a economia dos Estados Unidos. Se você vai para o Yahoo Finance e mexer um pouco com o gráfico para o S038P 500, adicionando uma média móvel simples para os últimos 365 dias (a linha vermelha), here8217s o que you8217ll ver para o período de 1995 até agora: As setas roxas Que eu Photoshopped no gráfico marcar os pontos quando o S038P 500 caiu significativamente abaixo do seu 365-dia SMA. As setas verdes marcam os pontos quando o preço de fechamento apenas mergulhou brevemente abaixo dele. A partir de hoje, o preço de fechamento é um pouco mais de 1 sob a Linha Vermelha de Doomtrade. Olhe atentamente esta semana, porque eu acho que este chart8217s vai ter outra seta roxa. Muito bem, Washington. Um comentário Mais sobre a média móvel S038P 5008217s Lembre-se este gráfico a partir de segunda-feira eu atualizei para mostrar o mais distante o índice caiu abaixo de sua média móvel simples de 365 dias durante os dois 8220close calls8221 marcado por setas verdes. Na segunda-feira, o S038P 5008230Movendo modelos de suavização média e exponencial Como um primeiro passo para ir além dos modelos de média, modelos de caminhada aleatória e modelos de tendência linear, padrões e tendências não sazonais podem ser extrapolados usando um modelo de média móvel ou suavização. A suposição básica por trás dos modelos de média e suavização é que a série temporal é localmente estacionária com uma média lentamente variável. Assim, tomamos uma média móvel (local) para estimar o valor atual da média e então usamos isso como a previsão para o futuro próximo. Isto pode ser considerado como um compromisso entre o modelo médio e o modelo aleatório-andar-sem-deriva. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é muitas vezes chamado de uma versão quotsmoothedquot da série original, porque a média de curto prazo tem o efeito de suavizar os solavancos na série original. Ajustando o grau de suavização (a largura da média móvel), podemos esperar encontrar algum tipo de equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. O tipo mais simples de modelo de média é o. Média Móvel Simples (igualmente ponderada): A previsão para o valor de Y no tempo t1 que é feita no tempo t é igual à média simples das observações m mais recentes: (Aqui e em outro lugar usarei o símbolo 8220Y-hat8221 para ficar Para uma previsão da série temporal Y feita o mais cedo possível antes de um determinado modelo). Esta média é centrada no período t (m1) / 2, o que implica que a estimativa da média local tende a ficar para trás Valor real da média local em cerca de (m1) / 2 períodos. Dessa forma, dizemos que a idade média dos dados na média móvel simples é (m1) / 2 relativa ao período para o qual a previsão é calculada: é a quantidade de tempo em que as previsões tendem a ficar atrás dos pontos de inflexão na dados. Por exemplo, se você estiver calculando a média dos últimos 5 valores, as previsões serão cerca de 3 períodos atrasados ​​em responder a pontos de viragem. Observe que se m1, o modelo de média móvel simples (SMA) é equivalente ao modelo de caminhada aleatória (sem crescimento). Se m é muito grande (comparável ao comprimento do período de estimação), o modelo SMA é equivalente ao modelo médio. Como com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfitquot aos dados, isto é, os erros de previsão mais pequenos em média. Aqui está um exemplo de uma série que parece apresentar flutuações aleatórias em torno de uma média de variação lenta. Primeiro, vamos tentar ajustá-lo com um modelo de caminhada aleatória, o que equivale a uma média móvel simples de um termo: O modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo ele escolhe grande parte do quotnoise no Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se, em vez disso, tentarmos uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suaves: A média móvel simples de 5 períodos produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nessa previsão é de 3 ((51) / 2), de modo que ela tende a ficar atrás de pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não virar até vários períodos mais tarde.) Observe que as previsões de longo prazo do modelo SMA são uma linha reta horizontal, assim como na caminhada aleatória modelo. Assim, o modelo SMA assume que não há tendência nos dados. No entanto, enquanto as previsões do modelo de caminhada aleatória são simplesmente iguais ao último valor observado, as previsões do modelo SMA são iguais a uma média ponderada de valores recentes. Os limites de confiança calculados pela Statgraphics para as previsões de longo prazo da média móvel simples não se alargam à medida que o horizonte de previsão aumenta. Isto obviamente não é correto Infelizmente, não há nenhuma teoria estatística subjacente que nos diga como os intervalos de confiança devem se ampliar para este modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões de longo prazo. Por exemplo, você poderia configurar uma planilha na qual o modelo SMA seria usado para prever 2 passos à frente, 3 passos à frente, etc. dentro da amostra de dados históricos. Você poderia então calcular os desvios-padrão da amostra dos erros em cada horizonte de previsão, e então construir intervalos de confiança para previsões de longo prazo adicionando e subtraindo múltiplos do desvio padrão apropriado. Se tentarmos uma média móvel simples de 9 termos, obtemos previsões ainda mais suaves e mais de um efeito retardado: A idade média é agora de 5 períodos ((91) / 2). Se tomarmos uma média móvel de 19 períodos, a idade média aumenta para 10: Observe que, na verdade, as previsões estão agora atrasadas por pontos de inflexão em cerca de 10 períodos. Qual a quantidade de suavização é melhor para esta série Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3-termo: Modelo C, a média móvel de 5-termo, rende o menor valor de RMSE por uma pequena margem sobre o 3 E médias de 9-termo, e suas outras estatísticas são quase idênticas. Assim, entre os modelos com estatísticas de erro muito semelhantes, podemos escolher se preferiríamos um pouco mais de resposta ou um pouco mais de suavidade nas previsões. O modelo de média móvel simples descrito acima tem a propriedade indesejável de tratar as últimas k observações igualmente e completamente ignora todas as observações anteriores. (Voltar ao início da página.) Marrons Simples Exponencial Suavização (exponencialmente ponderada média móvel) Intuitivamente, os dados passados ​​devem ser descontados de forma mais gradual - por exemplo, a observação mais recente deve ter um pouco mais de peso que a segunda mais recente, ea segunda mais recente deve ter um pouco mais de peso que a 3ª mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Vamos 945 denotar uma constante quotsmoothingquot (um número entre 0 e 1). Uma maneira de escrever o modelo é definir uma série L que represente o nível atual (isto é, o valor médio local) da série, conforme estimado a partir dos dados até o presente. O valor de L no tempo t é calculado recursivamente a partir de seu próprio valor anterior como este: Assim, o valor suavizado atual é uma interpolação entre o valor suavizado anterior e a observação atual, onde 945 controla a proximidade do valor interpolado para o mais recente observação. A previsão para o próximo período é simplesmente o valor suavizado atual: Equivalentemente, podemos expressar a próxima previsão diretamente em termos de previsões anteriores e observações anteriores, em qualquer uma das seguintes versões equivalentes. Na primeira versão, a previsão é uma interpolação entre previsão anterior e observação anterior: Na segunda versão, a próxima previsão é obtida ajustando a previsão anterior na direção do erro anterior por uma fração 945. é o erro feito em Tempo t. Na terceira versão, a previsão é uma média móvel exponencialmente ponderada (ou seja, descontada) com o fator de desconto 1- 945: A versão de interpolação da fórmula de previsão é a mais simples de usar se você estiver implementando o modelo em uma planilha: Célula única e contém referências de células que apontam para a previsão anterior, a observação anterior ea célula onde o valor de 945 é armazenado. Observe que se 945 1, o modelo SES é equivalente a um modelo de caminhada aleatória (sem crescimento). Se 945 0, o modelo SES é equivalente ao modelo médio, assumindo que o primeiro valor suavizado é definido igual à média. A idade média dos dados na previsão de suavização exponencial simples é de 1/945 em relação ao período para o qual a previsão é calculada. (Isso não é suposto ser óbvio, mas pode ser facilmente demonstrado através da avaliação de uma série infinita.) Portanto, a previsão média móvel simples tende a ficar para trás de pontos de viragem em cerca de 1/945 períodos. Por exemplo, quando 945 0,5 o atraso é 2 períodos quando 945 0,2 o atraso é 5 períodos quando 945 0,1 o atraso é de 10 períodos, e assim por diante. Para uma determinada idade média (isto é, a quantidade de atraso), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão de média móvel simples (SMA) porque coloca relativamente mais peso na observação mais recente - i. e. É ligeiramente mais quotresponsivequot às mudanças que ocorrem no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 têm uma idade média de 5 para os dados nas suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no modelo SMA. Uma outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, de modo que pode ser facilmente otimizado Usando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor óptimo de 945 no modelo SES para esta série revela-se 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é de 1 / 0.2961 3.4 períodos, que é semelhante ao de um 6-termo simples de movimento média. As previsões a longo prazo do modelo SES são uma linha reta horizontal. Como no modelo SMA eo modelo de caminhada aleatória sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma forma razoavelmente aparente, e que eles são substancialmente mais estreitos do que os intervalos de confiança para o modelo de caminhada aleatória. O modelo SES assume que a série é um tanto mais previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. De modo que a teoria estatística dos modelos ARIMA fornece uma base sólida para o cálculo de intervalos de confiança para o modelo SES. Em particular, um modelo SES é um modelo ARIMA com uma diferença não sazonal, um termo MA (1) e nenhum termo constante. Também conhecido como um modelo quimétrico ARIMA (0,1,1) sem constantequot. O coeficiente MA (1) no modelo ARIMA corresponde à quantidade 1-945 no modelo SES. Por exemplo, se você ajustar um modelo ARIMA (0,1,1) sem constante à série aqui analisada, o coeficiente MA estimado (1) resulta ser 0,7029, que é quase exatamente um menos 0,2961. É possível adicionar a hipótese de uma tendência linear constante não-zero para um modelo SES. Para isso, basta especificar um modelo ARIMA com uma diferença não sazonal e um termo MA (1) com uma constante, ou seja, um modelo ARIMA (0,1,1) com constante. As previsões a longo prazo terão então uma tendência que é igual à tendência média observada ao longo de todo o período de estimação. Você não pode fazer isso em conjunto com o ajuste sazonal, porque as opções de ajuste sazonal são desativadas quando o tipo de modelo é definido como ARIMA. No entanto, você pode adicionar uma tendência exponencial de longo prazo constante a um modelo de suavização exponencial simples (com ou sem ajuste sazonal) usando a opção de ajuste de inflação no procedimento de Previsão. A taxa adequada de inflação (crescimento percentual) por período pode ser estimada como o coeficiente de declive num modelo de tendência linear ajustado aos dados em conjunção com uma transformação de logaritmo natural, ou pode basear-se noutras informações independentes relativas às perspectivas de crescimento a longo prazo . (Retornar ao início da página.) Browns Linear (ie double) Suavização exponencial Os modelos SMA e SES assumem que não há nenhuma tendência de qualquer tipo nos dados (que geralmente é OK ou pelo menos não muito ruim para 1- Antecipadamente quando os dados são relativamente ruidosos) e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. O que acontece com as tendências a curto prazo Se uma série exibe uma taxa variável de crescimento ou um padrão cíclico que se destaque claramente contra o ruído, e se houver uma necessidade de prever mais de um período à frente, a estimativa de uma tendência local também pode ser um problema. O modelo de suavização exponencial simples pode ser generalizado para obter um modelo de suavização exponencial linear (LES) que calcula estimativas locais de nível e tendência. O modelo de tendência de variação de tempo mais simples é o modelo de alisamento exponencial linear de Browns, que usa duas séries suavizadas diferentes que são centradas em diferentes pontos no tempo. A fórmula de previsão é baseada em uma extrapolação de uma linha através dos dois centros. (Uma versão mais sofisticada deste modelo, Holt8217s, é discutida abaixo.) A forma algébrica do modelo de suavização exponencial linear de Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em um número de formas diferentes mas equivalentes. A forma quotstandard deste modelo é usualmente expressa da seguinte maneira: Seja S a série de suavização simples obtida pela aplicação de suavização exponencial simples à série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, sob simples Exponencial, esta seria a previsão para Y no período t1.) Então deixe Squot denotar a série duplamente-alisada obtida aplicando a suavização exponencial simples (usando o mesmo 945) à série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dada por: Isto produz e 1 0 (isto é, enganar um pouco e deixar a primeira previsão igual à primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isto produz os mesmos valores ajustados que a fórmula baseada em S e S se estes últimos foram iniciados utilizando S 1 S 1 Y 1. Esta versão do modelo é usada na próxima página que ilustra uma combinação de suavização exponencial com ajuste sazonal. Holt8217s Linear Exponential Smoothing Brown8217s O modelo LES calcula estimativas locais de nível e tendência ao suavizar os dados recentes, mas o fato de que ele faz isso com um único parâmetro de suavização coloca uma restrição nos padrões de dados que é capaz de ajustar: o nível ea tendência Não são permitidos variar em taxas independentes. Holt8217s modelo LES aborda esta questão, incluindo duas constantes de alisamento, um para o nível e um para a tendência. Em qualquer momento t, como no modelo Brown8217s, existe uma estimativa L t do nível local e uma estimativa T t da tendência local. Aqui eles são calculados recursivamente a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam alisamento exponencial para eles separadamente. Se o nível estimado ea tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão para Y tshy que teria sido feita no tempo t-1 é igual a L t-1 T t-1. Quando o valor real é observado, a estimativa atualizada do nível é computada recursivamente pela interpolação entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1-945. A mudança no nível estimado, Nomeadamente L t 8209 L t82091. Pode ser interpretado como uma medida ruidosa da tendência no tempo t. A estimativa actualizada da tendência é então calculada recursivamente pela interpolação entre L t 8209 L t82091 e a estimativa anterior da tendência, T t-1. Usando pesos de 946 e 1-946: A interpretação da constante de alisamento de tendência 946 é análoga à da constante de alisamento de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda apenas muito lentamente ao longo do tempo, enquanto modelos com Maior 946 supor que está mudando mais rapidamente. Um modelo com um 946 grande acredita que o futuro distante é muito incerto, porque os erros na tendência-estimativa tornam-se completamente importantes ao prever mais de um período adiante. As constantes de suavização 945 e 946 podem ser estimadas da maneira usual, minimizando o erro quadrático médio das previsões de 1 passo à frente. Quando isso é feito em Statgraphics, as estimativas se tornam 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume muito pouca mudança na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo. Por analogia com a noção de idade média dos dados que é usada na estimativa do nível local da série, a idade média dos dados que é usada na estimativa da tendência local é proporcional a 1/946, embora não exatamente igual a isto. Neste caso, isto é 1 / 0.006 125. Este número é muito preciso, na medida em que a precisão da estimativa de 946 é realmente de 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100 , Assim que este modelo está calculando a média sobre bastante muita história em estimar a tendência. O gráfico de previsão abaixo mostra que o modelo LES estima uma tendência local ligeiramente maior no final da série do que a tendência constante estimada no modelo SEStrend. Além disso, o valor estimado de 945 é quase idêntico ao obtido pelo ajuste do modelo SES com ou sem tendência, de modo que este é quase o mesmo modelo. Agora, eles parecem previsões razoáveis ​​para um modelo que é suposto estar estimando uma tendência local Se você 8220eyeball8221 esse enredo, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foram estimados minimizando o erro quadrático das previsões de um passo à frente, e não as previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está olhando são 1-passo-frente erros, você não está vendo a imagem maior de tendências sobre (digamos) 10 ou 20 períodos. A fim de obter este modelo mais em sintonia com a nossa extrapolação do globo ocular dos dados, podemos ajustar manualmente a tendência de suavização constante para que ele usa uma linha de base mais curto para a estimativa de tendência. Por exemplo, se escolhemos definir 946 0,1, então a idade média dos dados usados ​​na estimativa da tendência local é de 10 períodos, o que significa que estamos fazendo uma média da tendência ao longo dos últimos 20 períodos aproximadamente. Here8217s o que o lote de previsão parece se ajustarmos 946 0.1 mantendo 945 0.3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso para extrapolar esta tendência mais de 10 períodos no futuro. E sobre as estatísticas de erro Aqui está uma comparação de modelos para os dois modelos mostrados acima, bem como três modelos SES. O valor ótimo de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com ligeiramente mais ou menos responsividade, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alfa 0,3048 e beta 0,008 (B) Holts linear exp. Alisamento com alfa 0,3 e beta 0,1 (C) Alisamento exponencial simples com alfa 0,5 (D) Alisamento exponencial simples com alfa 0,3 (E) Alisamento exponencial simples com alfa 0,2 Suas estatísticas são quase idênticas, então realmente não podemos fazer a escolha com base De erros de previsão de 1 passo à frente dentro da amostra de dados. Temos de recorrer a outras considerações. Se acreditarmos firmemente que faz sentido basear a estimativa da tendência atual sobre o que aconteceu nos últimos 20 períodos, podemos fazer um caso para o modelo LES com 945 0,3 e 946 0,1. Se quisermos ser agnósticos quanto à existência de uma tendência local, então um dos modelos SES pode ser mais fácil de explicar e também fornecerá mais previsões de médio-caminho para os próximos 5 ou 10 períodos. Evidências empíricas sugerem que, se os dados já tiverem sido ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar os resultados lineares de curto prazo Muito para o futuro. As tendências evidentes hoje podem afrouxar no futuro devido às causas variadas tais como a obsolescência do produto, a competição aumentada, e os abrandamentos cíclicos ou as ascensões em uma indústria. Por esta razão, a suavização exponencial simples geralmente desempenha melhor fora da amostra do que seria de esperar, apesar da sua extrapolação de tendência horizontal quotnaivequot. Modificações de tendência amortecida do modelo de suavização exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES com tendência a amortecimento pode ser implementado como um caso especial de um modelo ARIMA, em particular, um modelo ARIMA (1,1,2). É possível calcular intervalos de confiança em torno de previsões de longo prazo produzidas por modelos exponenciais de suavização, considerando-os como casos especiais de modelos ARIMA. A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de suavização (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos que você está prevendo. Em geral, os intervalos se espalham mais rapidamente à medida que o 945 se torna maior no modelo SES e eles se espalham muito mais rápido quando se usa linear ao invés de alisamento simples. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Voltar ao início da página.) Microsoft Office 365: Mover o Office para a nuvem Fazer a mudança para o Office 365 traz vantagens exclusivas para pequenas e médias empresas, mas há vários problemas de transição que você precisa considerar. Brien M. Posey Há uma variedade de benefícios para mover para o Microsoft Office 365, principalmente relacionado ao custo e confiabilidade. Há também várias coisas que você deve tomar cuidado para evitar ou garantir que você faça corretamente, dependendo do seu ambiente. Se você tem um negócio pequeno ou de inicialização e ainda não tem uma rede no local, não há nada errado em ir em frente e registrar um domínio e usá-lo quando você se inscrever no Office 365. No entanto, se você já tem uma infra-estrutura de rede estabelecida, Pode ser um grande erro saltar com ambos os pés e usar um nome de domínio existente quando você primeiro se inscrever para o Office 365. Depois de manter uma rede local consistindo de um domínio de laboratório e um domínio de produção desde 1997, era hora de Terceirizar meu ambiente de produção para o Microsoft Office 365. A decisão não era tanto sobre o custo como era sobre confiabilidade. A continuidade do negócio exigia terceirizar meu ambiente de produção. Ao passar para o Microsoft Office 365, várias práticas recomendadas de transição surgiram. O processo de transição do Microsoft Office 365 está cheio de arranjos. Você não quer correr o risco de interromper um processo crítico de negócios ao encontrar um desses problemas. Sendo assim, aqui estão várias recomendações para fazer o movimento: Registrar um novo nome de domínio que você pode usar exclusivamente para fins de teste. Crie um laboratório de teste configurado de forma semelhante ao seu ambiente de produção (mas em uma escala menor). Obtenha a versão de teste gratuita do Microsoft Office 365. Use o ambiente de laboratório e o nome de domínio descartável para ter uma idéia do que a transição se sentirá antes de se comprometer a usar seu nome de domínio de produção. Decidir sobre o tipo de transição Uma das primeiras decisões que você terá que fazer a respeito da transição para o Microsoft Office 365 é o tipo de transição que você deseja usar. Uma opção é executar uma migração baseada em coexistência. A outra é evitar a coexistência. A migração baseada em coexistência funciona conectando os servidores do Office 365 à sua rede local existente. Isso trata os servidores do Office 365 como uma extensão de sua rede existente. Este tipo de transição pode ser temporária, ou você pode continuar a operar em um estado de coexistência indefinidamente. Você também pode optar por evitar o cenário de coexistência. Neste caso, o Office 365 é tratado como uma entidade completamente separada. Você migrar seus dados existentes para o Office 365 sem usar coexistência. Há prós e contras para qualquer abordagem. Se você decidir adotar a abordagem de coexistência, é altamente recomendável que você aproveite o Assistente encontrado no Exchange Server 2010 SP2. Esse Assistente simplifica muito o processo de migração. Sem o assistente, a migração consistirá de aproximadamente 50 etapas. O assistente consolida o processo em seis etapas. Embora o processo de migração seja baseado em assistente e envolva muito menos etapas do que seria se você fosse executá-lo manualmente, não ter a idéia de que o estabelecimento de coexistência é fácil. Estabelecer a coexistência exige muito planejamento e trabalho árduo. Você provavelmente deve usar seu ambiente de laboratório e um nome de domínio descartável para trabalhar com o processo de transição. Dessa forma, você não terá que sentir seu caminho através do processo de migração em um ambiente de produção. Se você for com uma migração de não-coexistência, o processo é consideravelmente mais fácil. No entanto, evitar a coexistência é geralmente adequado apenas para organizações muito pequenas. Em organizações maiores, é impraticável tentar recriar manualmente contas de usuário e, em seguida, mover dados para a nuvem. Conheça a Nova Caixa de Correio Ao fazer a transição da minha própria organização de pequenas empresas para o Microsoft Office 365, optei pelo método de não-coexistência. A abordagem foi semelhante à realização de uma restauração de tom de discagem no Exchange Server 2010. A primeira etapa foi criar caixas de correio brand-new no servidor do Microsoft Office 365 e configurar essas caixas de correio para usar os mesmos endereços de email como meus servidores no local. A partir daí, o próximo passo foi modificar o registro MX do meu domínio para que o email começasse a fluir para o servidor de caixa de correio do Office 365, em vez do servidor de caixa de correio local. Nesse ponto, a única coisa que restava a fazer era redirecionar meus clientes do Outlook para a nova caixa de correio e mover as mensagens antigas para o servidor de caixa de correio do Office 365. Mover todas as mensagens antigas significava copiar todo o correio do meu servidor de caixa de correio no local para uma série de arquivos PST (um arquivo PST separado para cada caixa de correio). Depois de ligar o Outlook às novas caixas de correio, liguei os arquivos PST e movi as mensagens dos arquivos PST para o servidor de caixas de correio baseado em nuvem. Este processo provou ser trabalho intensivo, por isso provavelmente wouldnt ser adequado para uma grande organização. Para uma pequena rede, no entanto, o processo funcionou muito bem. Atualizações do DNS O registro MX precisava ser atualizado antes de mudar para a implantação do Office 365. No entanto, o registro MX é apenas um dos vários registros DNS que eu precisava atualizar para usar o Microsoft Office 365. Embora as atualizações DNS sejam relativamente simples de executar, há alguns fatores importantes que você precisa considerar. O primeiro envolve determinar quem tem a autoridade para fazer modificações em seus registros DNS. A maioria das organizações provavelmente será capaz de fazer suas próprias modificações de DNS através de um servidor DNS local ou um console da Web fornecido por um ISP. Neste caso, no entanto, eu não tenho acesso direto aos meus registros de DNS. Eu realmente tive que ter o meu ISP fazer as modificações para mim. Independentemente de você estará fazendo suas próprias modificações de registro DNS ou deixando isso para o seu ISP, basta ter em mente que você precisa fazer várias modificações. Youll tem que criar um registro DNS especial como uma forma de provar a Microsoft você realmente possui o domínio. Uma vez que você tenha registrado o domínio com o Office 365, haverá um número de outros registros DNS que você precisará criar ou modificar. Dependendo do tipo de transição que estiver realizando, essas modificações podem acontecer de uma só vez ou separadamente. Você pode ter que modificar seus registros de DNS individualmente conforme você inicia a transição de serviços específicos. O único problema de DNS que encontrei durante este processo foi que o meu ISP utiliza um servidor de DNS Lenox baseado na linha de comandos. Como tal, não tinha idéia de como criar alguns dos registros de recurso que são exigidos pelo Microsoft Lync. Em última análise, estes registos revelaram-se desnecessários para a forma como eu uso o Office 365. Poderia ter sido um grande problema, no entanto, se eu dependesse muito do Lync. Sincronização do Active Directory Se você decidir executar uma transição baseada em coexistência, precisará levar em consideração o processo de sincronização do Active Directory. Quando você executa uma implantação de coexistência, continuará a ter controladores de domínio no local. Haverá também DCs baseados na nuvem. O Microsoft Office 365 foi projetado para executar a sincronização do Active Directory necessária entre DCs locais e baseados em nuvem. Talvez você não perceba até que seja tarde demais que o processo de sincronização do Active Directory é uma rua unidirecional. Se você fizer modificações no Active Directory local, essas alterações serão sincronizadas com a nuvem. Por outro lado, se você fizer modificações na cópia baseada em nuvem do seu Active Directory, essas alterações não serão sincronizadas com os DCs locais. Na verdade, suas alterações serão eventualmente substituídas pelo processo de sincronização de diretório. Ferramentas de Terceiros Um dos aspectos frequentemente ignorados da transição para o Microsoft Office 365 é que, dependendo da natureza da transição, quaisquer produtos de terceiros nos quais sua organização já tenha investido podem ser considerados inúteis. Em alguns casos, produtos de software de terceiros podem continuar a funcionar se a sua empresa mantiver uma implantação local além da implantação baseada na nuvem. Isso está longe de ser uma garantia, no entanto. A funcionalidade contínua depende muito do produto individual e da natureza da implantação do Office 365. O problema com o uso de software de terceiros é que a Microsoft não permite que você instale produtos de software em servidores baseados em nuvem. Como tal, se você tiver utilitários que você está executando atualmente em servidores locais Exchange, SharePoint ou Lync, você não será capaz de implantar esses utilitários para servidores baseados na nuvem da Microsoft. Em alguns casos, essa limitação pode ser um grande problema. Antes de fazer a transição para o Office 365, minha rede usou o GFI Mail Essentials para controle de spam. Eu tinha colocado uma quantidade considerável de tempo na construção de uma lista branca para garantir mensagens do cliente nunca foram tratadas como spam. Igualmente importante, o mecanismo de filtragem de spam foi aperfeiçoado para se livrar da grande maioria dos milhares de mensagens de spam que chegam todos os dias. Depois de fazer a troca para o Office 365, eu tive que parar de usar GFI Mail Essentials. A Microsoft fornece o Forefront for Exchange como um meio de controlar o spam, mas ainda levou a melhor parte de um mês para aprimorar o Forefront até o ponto em que consegui filtrar a maior parte do spam de entrada. No meu caso, o controle de spam foi o único serviço afetado pela incapacidade de executar utilitários de terceiros em servidores do Microsoft Office 365. Organizações maiores podem encontrar-se tendo que desistir de outros serviços. Estes podem incluir ferramentas para tarefas comuns, como software de monitoramento ou conformidade de mensagens. Considerações sobre Outlook A incapacidade de usar produtos de nível de servidor de terceiros com o Microsoft Office 365 pode não ser um problema para algumas organizações. No entanto, existem também algumas limitações do lado do cliente que você precisa considerar. For starters, older versions of Microsoft Outlook dont work with Microsoft Office 365. Office 365 requires the minimum of Outlook 2007. This means organizations running Office 2003 or even older versions of Office will have to upgrade before moving to Office 365. Its worth noting that some of the Office 365 subscription packages include Microsoft Office 2010 on-premises licensing. Of course, Outlook Web App is included with all Microsoft Office 365 subscriptions, which can be used as an alternative to Outlook. Another important consideration for Outlook is that some third-party Outlook add-ons wont work with Office 365. Many of the Outlook add-ons (such as antivirus software, message archiving software and so on) are based on Messaging Application Programming Interface (MAPI), and Office 365 doesnt support using the MAPI stack. As such, MAPI-based utilities wont work with Office 365. Clearly, there are some substantial factors to consider prior to migrating to Office 365. Even so, the switch to Office 365 is worthwhile. The service is invariably more reliable than on-premises networks, and less time spent on patch management and other maintenance tasks equates to an increased value. Brien M. Posey , MVP, is a freelance technical author with thousands of articles and dozens of books to his credit. You can visit Poseys Web site at brienposey . Related ContentHow to Calculate Moving Averages in Excel Excel Data Analysis For Dummies, 2nd Edition The Data Analysis command provides a tool for calculating moving and exponentially smoothed averages in Excel. Suponha, por uma questão de ilustração, que você tenha coletado informações diárias sobre temperatura. Você quer calcular a média móvel de três dias 8212 a média dos últimos três dias 8212 como parte de algumas previsões meteorológicas simples. Para calcular médias móveis para este conjunto de dados, execute as seguintes etapas. Para calcular uma média móvel, clique primeiro no botão de comando Dados da análise de dados tab8217s. When Excel displays the Data Analysis dialog box, select the Moving Average item from the list and then click OK. O Excel exibe a caixa de diálogo Média móvel. Identifique os dados que você deseja usar para calcular a média móvel. Clique na caixa de texto Intervalo de Entrada da caixa de diálogo Média Móvel. Em seguida, identifique o intervalo de entrada, digitando um endereço de intervalo de planilha ou usando o mouse para selecionar o intervalo de planilha. Sua referência de intervalo deve usar endereços de célula absolutos. Um endereço de célula absoluto precede a letra da coluna eo número da linha com sinais, como em A1: A10. Se a primeira célula do intervalo de entrada incluir um rótulo de texto para identificar ou descrever os dados, marque a caixa de seleção Etiquetas na primeira linha. In the Interval text box, tell Excel how many values to include in the moving average calculation. Você pode calcular uma média móvel usando qualquer número de valores. Por padrão, o Excel usa os três valores mais recentes para calcular a média móvel. Para especificar que algum outro número de valores seja usado para calcular a média móvel, insira esse valor na caixa de texto Intervalo. Diga ao Excel onde colocar os dados da média móvel. Use a caixa de texto Range de saída para identificar o intervalo de planilha na qual você deseja inserir os dados de média móvel. No exemplo da folha de cálculo, os dados da média móvel foram colocados no intervalo B2: B10 da folha de cálculo. (Opcional) Especifique se você deseja um gráfico. Se você desejar um gráfico que traça as informações de média móvel, marque a caixa de seleção Saída do gráfico. (Opcional) Indique se deseja que as informações de erro padrão sejam calculadas. Se você deseja calcular erros padrão para os dados, marque a caixa de seleção Erros padrão. O Excel coloca valores de erro padrão ao lado dos valores da média móvel. (As informações de erro padrão passam para C2: C10.) Depois que você terminar de especificar quais informações de média móvel você deseja calcular e onde deseja colocá-las, clique em OK. O Excel calcula as informações da média móvel. Nota: Se o Excel não possui informações suficientes para calcular uma média móvel para um erro padrão, ele coloca a mensagem de erro na célula. You can see several cells that show this error message as a value.

No comments:

Post a Comment