photosdematures.com

Дефиниција ЕВМА (експоненцијално пондерисани покретни просек)

Експоненцијално пондерисани покретни просек (ЕВМА) односи се на просек података који се користи за праћење кретања портфеља провером резултата и резултата узимајући у обзир различите факторе и дајући им пондере, а затим праћење резултата за процену учинка и за направити побољшања

Тежина ЕВМА-е се експоненцијално смањује за сваки период који иде даље у прошлости. Такође, будући да ЕВМА садржи претходно израчунати просек, стога ће резултат експоненцијално пондерисаног покретног просека бити кумулативан. Због тога ће све тачке података доприносити резултату, али фактор доприноса ће опадати како се израчунава ЕВМА за наредни период.

Објашњење

Ова ЕВМА формула приказује вредност покретног просека у тренутку т.

ЕВМА (т) = а * к (т) + (1-а) * ЕВМА (т-1)

Где

• ЕВМА (т) = покретни просек у тренутку т
• а = степен вредности параметра мешања између 0 и 1
• к (т) = вредност сигнала к у тренутку т

Ова формула наводи вредност покретног просека у тренутку т. Овде је параметар који показује брзину којом ће старији подаци доћи у израчун. Вредност а биће између 0 и 1.

Ако је а = 1, то значи да су за мерење ЕВМА коришћени само најновији подаци. Ако се а приближава 0, то значи да се старијим подацима даје већи пондер, а ако је а близу 1, то значи да су новији подаци добили већи пондер.

Примери ЕВМА

Испод су примери експоненцијално пондерисаног покретног просека

Овај ЕВМА Екцел образац можете преузети овде - ЕВМА Екцел предложак

Пример # 1

Узмимо у обзир 5 тачака података према доњој табели:

И параметар а = 30% или 0,3

Дакле, ЕВМА (1) = 40

ЕВМА за време 2 је следећа

• ЕВМА (2) = 0,3 * 45 + (1-0,3) * 40,00
• = 41.5

Слично томе израчунајте експоненцијално пондерисани покретни просек за дато време -

• ЕВМА (3) = 0,3 * 43 + (1-0,3) * 41,5 = 41,95
• ЕВМА (4) = 0,3 * 31 + (1-0,3) * 41,95 = 38,67
• ЕВМА (5) = 0,3 * 20 + (1-0,3) * 38,67 = 33,07

Пример # 2

Од недеље до суботе имамо температуру града у степенима Целзијуса. Користећи = 10%, наћи ћемо покретни просек температуре за сваки дан у недељи.

Користећи а = 10% наћи ћемо експоненцијално пондерисани покретни просек за сваки дан у доњој табели:

Испод је графикон који показује поређење између стварне температуре и ЕВМА:

Као што видимо заглађивање је прилично јако коришћењем = 10%. На исти начин можемо решити експоненцијално пондерисани покретни просек за многе врсте временских серија или секвенцијалних скупова података.

Предности

• Ово се може користити за проналажење просека користећи читаву историју података или резултата. Све остале табеле обично третирају сваки податак на индивидуалан начин.
• Корисник може дати пондер свакој тачки података према својој / њеној погодности. Ова тежина се може променити ради поређења различитих просека.
• ЕВМА приказује податке геометријски. Због тога подаци не утичу много када се појаве одступања.
• Свака тачка података у експоненцијално пондерисаном покретном просеку представља покретни просек тачака.

Ограничења

• Ово се може користити само када су доступни непрекидни подаци током временског периода.
• Ово се може користити само када желимо да детектујемо мали помак у процесу.
• Овом методом се може израчунати просек. Надгледање одступања захтева од корисника да користи неку другу технику.

Важне тачке

• Подаци за које желимо да добијемо експоненцијално пондерисани покретни просек треба да буду временски распоређени.
• Ово је врло корисно за смањење шума у ​​бучним тачкама података временских серија које се могу назвати глатким.
• Сваки излаз има пондер. Што су новији подаци, то ће добити највећи пондер.
• Прилично је добар у откривању мањег помака, али спорији у откривању великог помака.
• Може се користити када је величина узорка подгрупе већа од 1.
• У стварном свету, ова метода се може користити у хемијским процесима и свакодневним рачуноводственим процесима.
• Такође се може користити за приказивање флуктуација посетилаца веб страница данима у недељи.

Закључак

ЕВМА је алат за откривање мањих помака у средњем делу временски ограниченог процеса. Експоненцијално пондерисани покретни просек је такође високо проучаван и коришћен је модел за проналажење покретног просека података. Такође је веома корисно у предвиђању основа догађаја из прошлих података. Експоненцијално пондерисани покретни просек је претпостављена основа да се посматрања нормално дистрибуирају. Разматра претходне податке на основу њихове тежине. Како су подаци више у прошлости, његова тежина за израчунавање ће се експоненцијално спустити.

Корисници такође могу дати тежину прошлим подацима како би сазнали другачији скуп основа ЕВМА различите тежине. Такође због геометријски приказаних података, подаци не утичу много због одступања, стога се овом методом може постићи више изглађених података.