Rullende Bevegelse Gjennomsnittet Excel

Innledning Den forrige artikkelen så på hva bevegelige gjennomsnitt er, og hvordan å beregne dem. Denne artikkelen ser nå på hvordan man implementerer disse i Web Intelligence. Formelen som brukes her er kompatibel med XIr3-versjonen av SAP BOE, men noen formler kan fungere i tidligere versjoner hvis tilgjengelig. We8217ll begynner med å se på hvordan du skal beregne et enkelt glidende gjennomsnitt før du ser på vektede og eksponentielle former. Arbeidte eksempler Eksemplene nedenfor bruker alle samme datasett som er av aksjekursdata i en Excel-fil som du kan laste ned. Første kolonne i filen er aksjekursdagen og deretter kolonner med åpningspris, høyeste pris i dag, laveste pris, sluttkurs, volum og justert sluttkurs. We8217ll bruker sluttkurs i analysen nedenfor sammen med Date-objektet. Enkel Flytende Gjennomsnitt Det er et par måter der vi kan beregne enkle bevegelige gjennomsnitt. Et alternativ er å bruke funksjonen Forrige for å få verdien av en tidligere rad. For eksempel beregner følgende formel et flytende gjennomsnitt på vår sluttkurs for et flytende gjennomsnittsdatasett med størrelse 3, Dette er en ganske enkel formel, men det er åpenbart det er ikke praktisk når vi har et stort antall perioder her vi kan lage bruk av RunningSum formel og for et datasett av størrelse N vi har Endelig har vi en tredje teknikk, som, selv om det er mer komplisert, kan det ha bedre ytelse, da det beregner den nye verdien basert på tidligere verdi i stedet for to løpende summer over de fulle dataene sett. Men denne formelen fungerer bare etter Nth-punktet i det generelle datasettet, og siden det refererer til en tidligere verdi, må vi også angi en startverdi. Nedenfor er den fulle formelen brukt til vår aksjekursanalyse hvor vår bevegelige gjennomsnittlige periode er 15 dager. Datoen 1252010 er det 15. datapunktet i vårt datasett, og så beregner vi for dette punkt et normalt gjennomsnitt ved hjelp av RunningSum. For alle datoer utover denne verdien bruker vi vår SMA-formel og vi legger blank alle datoer før denne datoen. Figur 1 nedenfor er et diagram i Web Intelligence som viser våre aksjekursdata med et enkelt glidende gjennomsnitt. Figur 1. Web Intelligence Document viser en enkel, flytende Gjennomsnittlig vektet Flytende Gjennomsnitt En vektet glidende gjennomsnittlig formel med en periode på 3 er, Som med vår første enkle glidende gjennomsnittlige formel over, er dette bare praktisk i et lite antall perioder. Jeg har ennå ikke vært i stand til å finne en enkel formel som kan brukes til større bevegelige gjennomsnittsperioder. Matematisk er det mulig, men begrensninger med Web Intelligence betyr at disse formlene don8217t konverterer. Hvis noen er i stand til å gjøre dette, vil jeg gjerne høre Figuren under er et WMA i periode 6 implementert i Web Intelligence. Figur 2. Web Intelligence-dokument av en vektet Flytende Gjennomsnittlig Eksponentiell Flytende Gjennomsnitt Et eksponentielt glidende gjennomsnitt er ganske rett frem for å implementere i Web Intelligence, og det er et egnet alternativ til et veidende flytende gjennomsnitt. Den grunnleggende formelen er Here we8217ve hardcoded 0.3 som vår verdi for alpha. Vi bruker bare denne formelen for perioder som er større enn vår andre periode, så vi kan bruke en if-setning for å filtrere disse ut. For vår første og andre periode kan vi bruke den forrige verdien og så er vår endelige formel for EMA, Nedenfor er et eksempel på en EMA anvendt på våre lagerdata. Figur 3. Web Intelligence-dokument viser en eksponentiell Moving Average Input Controls. Siden vår EMA-formel doesn8217t er avhengig av størrelsen på den bevegelige gjennomsnittlige perioden, og vår eneste variabel er alfa, kan vi bruke Input Controls for å la brukeren justere verdien av alfa. For å gjøre dette, opprett en ny variabel som heter 8216alpha8217 og definer it8217s formel som, Oppdater vår EMA-formel til, Opprett ny inngangskontroll, velg vår alfa-variabel som inputkontrollrapportobjektet Bruk en enkel skyvekontroll og angi følgende egenskaper, Når du har gjort det bør kunne flytte glidebryteren og umiddelbart se endringene i trendlinjen i diagrammet. Konklusjon Vi så på hvordan du implementerer tre typer bevegelige gjennomsnitt i Web Intelligence, og selv om alt var mulig, er det eksponensielle flytende gjennomsnittet sannsynligvis den enkleste og mest fleksible . Jeg håper du fant denne artikkelen interessant, og som alltid er noen tilbakemeldinger veldig velkommen. Post navigasjon Legg igjen en kommentar Avbryt svar Du må være logget inn for å skrive en kommentar. Tricket til Weighted Moving Average (WMA) er at du må opprette en variabel som representerer tellerne av WMA (se Wikipedia for referanse.) Dette skal se ut som følgende: Forrige (Selv) (n Lukk) 8211 (Forrige (RunningSum Lukk)) 8211 Forrige (RunningSum (nær) n1) hvor n er antallet perioder da den faktiske WMA8217s formel vil være slik:. Teller (n (n 1) 2) hvor Teller er den variable man opprettet earlier. Image Intensitet behandling lyshet er den visuelle oppfatning av reflektert lys. økt lysstyrke refererer til et bilde økt lystetthet. kontrast er separeringen av de lyseste og mørkeste deler av et bilde. en økning i motsetning mørkere skygger og lysere høydepunkter. øker kontrasten, blir vanligvis brukt for å Gjør objektene i et bilde mer skilleverdige. Juster lysstyrken og kontrasten med Image Adjust BrightnessContrast. For å gjøre visualiseringen av bildet lettere. Trykk på Auto-knappen for å bruke en intelligent kontraststrekning til bildedisplayet. Lysstyrke og kontrast justeres ved å ta hensyn til bildens histogram. Hvis du trykker flere ganger, øker knappen prosentandelen av mettede piksler. Tilbakestill-knappen gjør det maksimale 0 og minimum 255 i 8-biters bilder og maksimum og minimum lik de minste og største pixelverdiene i bildehistogrammet for 16-biters bilder. Hvis den automatiske knappen ikke gir et ønskelig resultat, kan du bruke området av interesse (ROI) til å velge en del av cellen og litt bakgrunn, og deretter trykke på Auto-knappen igjen. Strekningen vil da bli basert på intensiteten i avkastningen. Hvis du trykker på Bruk-knappen, endres de faktiske gråverdiene for bildet permanent. Hvis du bare analyserer bildens intensitet, ikke trykk på denne knappen. Hvis du foretrekker at bildet skal vises som svart på hvitt i stedet for hvitt på svart, bruk deretter omvendt kommando: Bildeoppslagstabeller Inverter LUT. Kommandoen Rediger omvendt omdirigerer pikselverdiene seg permanent. Få intensitetsverdier fra enkelt ROI Hvis du arbeider med en stabel, kan ROI-verdien analyseres med kommandoen: Image Stacks Plot Z Axis Profile. Dette genererer en enkelt kolonne med tall - en skiveintensitet per rad. De øverste 6 radene i kolonnen er detaljer om avkastningen. Dette sikrer at samme avkastning ikke analyseres to ganger, og lar deg lagre interessante ROI. Detaljerne består av område, x-koordinat, y-koordinat, AR, rundhet og soliditet av avkastningen. Hvis avkastningen er en ROI-verdi i stedet for en squaregtoval, virker det som om avkastningen er en ovalgtsquare. Den (ovale) avkastningen kan gjenopprettes ved å skrive inn detaljene som blir bedt om ved å velge Edit Selection Restore Selection (hurtigtast: Ctrl Shift E). Resultatene vises i et plottevindu med avkastningsdetaljene i plottvinduets tittel. Plottet inneholder knappene Liste, Lagre, Kopier. Kopier-knappen setter dataene i utklippstavlen slik at den kan limes inn i et Excel-ark. Innstillingene for kopieringsknappen finner du under Rediger alternativer for profilplottalternativer. Anbefalte innstillinger inkluderer: Ikke lagre x-verdier (forhindrer at skive nummerdata blir klistret inn i Excel) og Autoclose slik at du ikke må lukke det analyserte plottet hver gang. Dynamisk intensitet vs tidsanalyse Det plugg Plot Z-akse-Profile (dette er den Z Profiler fra Kevin (Gali) pressen (gliblr på Yahoo) og Wayne Rasband bare endret navn) vil overvåke intensiteten av et bevegelig ROI hjelp av en partikkel sporingsverktøy. Dette verktøyet kan enten være manuell eller automatisk. Bruk kommandoen Image Stacks Plot Z Axis Profile. Få intensitetsverdier fra flere ROIer Du kan analysere flere avkastningene samtidig med Bob Doughertys Multi Measure plugin. Den innfødte ROI-lederfunksjonen gjør en lignende jobb, men ikke genererer resultatene i sorterte kolonner. Sjekk Bobs nettsted for oppdateringer. Multi-plugin-modulen som følger med installasjonen, er v3.2. Åpne konfokalserier og fjern bakgrunnen (Se Bakgrunnskorrigering) Generer en referansestabel for tillegg av avkastning. Bruk Image Stacks Z-prosjektfunksjonen og velg gjennomsnittet. Gi nytt navn til dette bildet noe minneverdig. Åpne plugin for avkastning av avkastningstjener (Analyser verktøylinjeadministrator eller verktøylinjeikon). Velg avkastning og legg til i avkastningshåndteringen. Klikk på Vis alle-knappen for å unngå å analysere den samme cellen to ganger. Etter at du har valgt ROI som skal analyseres i referansebildet, kan du tegne dem til referansebildet ved å klikke på Moregtgt-knappen og velge Tegne. Lagre referansebildet til eksperimentdatamappen, og klikk deretter på stakken som skal analyseres. Klikk på Moregtgt-knappen i avkastningsbehandleren, og velg Multi-måle-knappen for å måle alle avkastningene. Klikk Ok. Dette vil sette verdier fra hver skive inn i en enkelt rad med flere kolonner per skive. Ved å klikke på Mål alle 50 skiver, legger alle verdier fra alle skiver og hver avkastning i en enkelt kolonne. Gå til resultatvinduet og velg menyelementet Rediger velg alt. . Deretter EditCopy. Gå til Excel og lim inn dataene. Kontroller at alt ble limt inn riktig 10. For å kopiere avkastningskoordinater til Excel-regnearket, må det være en tom rad over intensitetsdataene. Bruk dialogboksen Multi Measurement og klikk på Copy List-knappen. 14. I Excel klikker du den tomme cellen over den første datakolonnen og limer inn i avkastningskoordinatene. Lagre avkastningene ved å lagre Multi Measure-knappen. Sett dem i den eksperimentelle datamappen. Avkastningene kan åpnes senere enten individuelt med knappen Åpne eller alt på en gang med knappen Åpen alle. Ovale og rektangulære ROIer kan gjenopprettes individuelt fra x, y, l, h verdier med Plugins ROI Specify ROI. kommando. Ratiometrisk bildebehandling sammenligner opptakene av to forskjellige signaler for å se om det er noen likheter mellom dem. Det gjøres ved å dele en kanal med en annen kanal for å produsere en tredje ratiometrisk kanal. Denne teknikken er nyttig fordi den korrigerer for fargelekkasje, ulik fargestoffbelastning og fotobleging. Et eksempel på søknad ville være å måle intracellulær ion, pH og spenningsdynamikk i sanntid. Bakgrunnsuttraksjon er nødvendig før analyse av tokanalsforholdsbilder. Se også bakgrunnskorrigeringsseksjonen. RatioProfiler-pluginet vil utføre ratiometrisk analyse av en enkelt avkastning på en dobbeltkanals interleaved stabell. Odd-skiver er kanal 1-bilder, og de samme skivene er kanal 2-bilder. Hvis de to kanalene dine åpnes som separate stabler, som Zeiss, kan de to kanalene blandes (blandes sammen ved å skifte mellom dem) med menykommandoen Plugins Stacks - Shuffling Stack Interleaver. Pluggen vil generere et grønt-plott av forholdsverdiene. Ch1Ch2 er standard og du kan få Ch2Ch1 hvis plugin kjøres med Alt-tasten nede. Det vil også generere et andre plott av intensiteten til de enkelte kanalene, Ch1 og Ch2, samt en resultattabell. Den første raden i resultattabellen inneholder verdier for x, y, bredde og høyde av avkastningen. Fra den andre raden nedover er den første kolonnen tiden (skive nummer), den andre kolonnen er Ch1-intensiteten, og den tredje kanalen er Ch2-intensiteten og forholdsverdien. Stakken må ha sitt rammeintervall kalibrert for at Time-verdien skal være i sekunder. Ellers er det skiver. Rammeintervallet kan settes for stabelen via menykommandoen Bildeegenskaper. Denne tabellen kan kopieres til utklippstavlen og lime inn andre steder med menyen Edit Edit All. Ratio Analyse Bruke avkastningsbehandler 1.Trekk bakgrunnen fra bildet. 2. Åpne ROI-leder (Analyser Verktøy avkastningsadministrator.) Og klikk Vis alle-knappen. 3. Velg cellene som skal analyseres, og legg dem til avkastningsbehandleren (Legg til-knapp eller tastatur T-tasten). 4. Kjør plugin. Resultatvinduet inneholder gjennomsnittet av ch1 og ch2 og deres forhold. Hver rad er et tidspunkt (skive). Den første raden inneholder avkastningsdetaljene. For å generere et referansebilde: Flat stakken med menykommandoen (Image Stacks Z-prosjektet med Projeksjonstype: Maksimum), Juster lysstyrken og kontrasten om nødvendig. Velg det nye bildet og klikk på knappen Mer i avkastningsbehandleren. Deretter velger du Etikett. Oppnå tidsstempeldata LSM-verktøykassen er et prosjekt som tar sikte på å integrere felles nyttige funksjoner rundt Zeiss LSM-filformatet, som skal øke brukervennligheten for konfokale LSM-filer som er lagret i sitt eget format, og dermed bevare alle tilgjengelige metadata. I Fiji er tilsvarende kommandoer: Fil Importer Vis LSMToolbox som viser verktøykassen, hvorfra alle kommandoer kan bli kalt og Hjelp Om Plugins LSMToolbox. som viser informasjon om plugin. Denne lesningen kan bli funnet ved å bruke menykommandoen Image Show Info. . Rull ned for å få den tiden hvert stykke ble kjøpt. Velg denne gangen, kopier den til Excel, og finn klokkeslettnummeret som ble oppnådd ved å bruke Excel-menykommandoen Rediger Erstatt. Dette vil bare etterlate tidsdataene. Den forløpte tiden kan da beregnes ved å subtrahere rad 1 fra alle etterfølgende rader. Linjeskanning innebærer å anskaffe en enkelt linje, en piksel i bredde, fra et felles konfokalmikroskop i stedet for et standard 2D-bilde. Dette er vanligvis en raskere måte å ta et bilde på. Alle de enkelte pikselbrede bildene blir deretter stablet for å gjenskape 2D-bildet. En pseudo-linescan generasjon av et 3-D (x, y, t) bilde. Det er nyttig for visning av 3-D data i 2 dimensjoner. En linje av interesse trekkes etterfulgt av kommandoen: Image Stacks Reslice eller med tastaturknappen. Det vil spørre deg om linjebredden du ønsker å bli gjennomsnittlig. Det vil generere en pseudo-linescan stabel med hver skisse som representerer pseudo-linjeskan av en enkeltpiksel bred linje langs linjen av interesse. Gjennomsnittlig pseudo-linescan stable ved å velge Image Stacks Z-Project. og bruk kommandoen Gjennomsnitt. En poly-linje kan benyttes, men dette vil bare generere en enkelt pikselskive. Fijis standardinnstillinger forutsetter at stabler er z-serier i stedet for t-serier. Dette betyr at mange funksjoner knyttet til tredje dimensjonen av en bildestabel refereres til med en z-. Bare hold dette i bakhodet. FRAP (Fluorescens Recovery etter Photobleaching) Analyse FRAP profiler plugin vil analysere intensiteten av et bleket ROI over tid og normalisere det mot intensiteten av hele cellen. Deretter finner du minimumsintensiteten i den bleke avkastningen og passer til utvinningen med dette punktet i tankene. Åpne avkastningsbehandleren. Tegn rundt den bleke avkastningen og legg den til avkastningsbehandleren. Tegn rundt hele cellen og legg til det til avkastningsbehandleren. Normaliseringen korrigerer for bleking som oppstår under bildeoppkjøpet, og antar at hele cellen er i synsfeltet. Pluginet utgjør den største av de to avkastningene i avkastningsbehandleren er hele celleavkastningen, og at den mindre avkastningen er den blekede delen. Kjør FRAP profiler plugin. Pluggen vil returnere intensiteten vs tidsplanen, den normaliserte intensiteten vs tidsplottet av det bleke området, og kurven passer. Ikke-lineær kontraststrekning Equalization Du kan ha mer kontroll over lysstyrke og kontrastjusteringer med kommandoen Prosessforbedre kontrast meny. Med en stabel analyserer den hvert skiverhistogram for å gjøre justeringen. Kommandoen Equalize Contrast anvender en ikke-lineær strekk av histogrammet basert på kvadratroten av intensiteten. Gamma utfører en ikke-lineær histogramjustering. Svake objekter blir mer intense mens lyse gjenstander ikke gjør det (gamma lt1). Også medium-intensitetsobjekter blir svakere mens lyse gjenstander ikke (gamma gt 1). Intensiteten til hver piksel heves til kraften til gammaverdien og deretter skaleres til 8-bits eller min og maksimalt 16-biters bilder. For 8-biters bilder Ny intensitet 255 (old intensity255) gamma Gamma kan justeres via kommandoen Process Math Gamma. Det vil tillate deg å justere gammaen med rullefeltet. Klikk på Ok når du er ferdig. Du kan bruke rullegardinmenyen til å bestemme ønsket gammaverdi på ett stykke av stabelen din. Det er også et alternativ for å forhåndsvise resultatene. Se online referanse for en forklaring på digitale filtre og hvordan de fungerer. Filtre kan bli funnet ved hjelp av menykommandoen Prosessfiltre. . Gjennomsnittlig filter. pikselet erstattes med gjennomsnittet av seg selv og naboene innenfor den angitte radius. Menyelementet Process Smooth er et 33 gjennomsnittlig filter. Gaussisk filter. Dette ligner et utjevningsfilter, men erstatter i stedet pikselverdien med en verdi proporsjonal med en normal fordeling av naboene. Median filter. Pikselverdien erstattes med medianen av seg selv og nabostillingene. Dette fjerner støy og opprettholder grenser bedre enn enkel gjennomsnittlig filtrering. Menyelementet Process Noise Despeckle er et 33-medianfilter. Convolve filter: Dette gjør det mulig å multiplisere to tallrike tall sammen. Arrays kan være forskjellige størrelser, men må ha samme dimensjon. I bildeanalyse er denne prosessen vanligvis brukt til å produsere et utgangsbilde der pikselverdiene er lineære kombinasjoner av bestemte inngangsverdier. Minimum: Dette filteret, også kjent som et erosjonsfilter, er et morfologisk filter som vurderer nabolaget rundt hver piksel, og fra denne listen av naboer bestemmer minimumsverdien. Hver piksel i bildet blir da erstattet med den resulterende verdien generert av hvert nabolag. Maksimum: Dette filteret, også kjent som et dilatasjonsfilter, er et morfologisk filter som vurderer nabolaget rundt hver piksel, og fra denne listen av naboer bestemmer maksimumsverdien. Hver piksel i bildet blir da erstattet med den resulterende verdien generert av hvert nabolag. Kalman filter. Dette filteret, også kjent som den lineære kvadratiske estimeringen, opererer rekursivt på støyende innganger for å beregne et statistisk optimalt estimat av den underliggende systemtilstanden. Bakgrunnskorrigering kan gjøres på flere måter. En enkel metode er å bruke Image Lookup Tables HiLo LUT til å vise nullverdier som blå og hvite verdier (pikselverdi 255) som rød. Med en bakgrunn som er relativt jevn over bildet, fjerner du den med kommandoen BrightnessContrast ved å øke minimumsverdien sakte til det meste av bakgrunnen vises blå. Trykk på Bruk-knappen for å gjøre en permanent endring. Rolling-Ball bakgrunnskorreksjon For å fikse en ujevn bakgrunn, bruk menykommandoen Process Subtract Background. Dette vil bruke en rullende ballalgoritme på den ujevne bakgrunnen. Radien skal settes til minst størrelsen på det største objektet som ikke er en del av bakgrunnen. Det kan også brukes til å fjerne bakgrunnen fra geler der bakgrunnen er hvit. Kjører kommandoen flere ganger kan gi bedre resultater. Brukeren kan velge om den skal ha en lys bakgrunn, lage en bakgrunn uten subtraksjon, ha en glidende paraboloid, deaktiver utjevning eller forhåndsvisning av resultatene. Standardverdien for rullende kulediameter er 50 piksler. Prosess trekker bakgrunn. Hvordan beregne et rullende gjennomsnitt Slik følger du med hvordan du beregner et rullende gjennomsnitt, kan du laste ned Eksempel på grunnleggende rullende gjennomsnittprognose. som det vil bli brukt til å forklare beregningene i denne delen. Den første avgjørelsen et selskap må gjøre når man beregner et rullende gjennomsnitt er hvor mange perioder som vil bli gjennomsnittet kjent som n. I eksemplet, n 4 perioder. Det vil si at fire perioder med historiske data vil bli brukt til å utvikle rullende gjennomsnitt. Et selskap må velge antall perioder de vil gjennomsnittlig basert på hvor reaktive de vil at rullende gjennomsnitt skal være med registrerte dataendringer. Jo flere perioder som er, desto mindre reaktive vil de rullende gjennomsnittene være, som betyr at du bruker bare noen få perioder, som en eller to, vil gi svært reaktiv rullende gjennomsnitt, men da, med de små dataene, kan du også bare bruke et standard gjennomsnitt. Beregning av rullende gjennomsnitt krever data registrert over flere sammenhengende tidsperioder. Vanligvis brukes historiske data, som historisk salg, produksjon, eller til og med fortjeneste. Dette rullende gjennomsnittet gir en fremtidig verdi, kjent som en prognose. En prognose er en beregnet prognose for alle typer fremtidige data for neste forretningsperiode, inkludert daglige, ukentlige eller månedlige prognoser basert på det siste antall perioder, n, av historisk registrerte data som brukes i beregningen. Nærmere bestemt kan et rullende gjennomsnitt defineres som et kontinuerlig bevegelig, beregnet gjennomsnitt av det siste antall perioder n, definert av selskapet. La oss se på eksemplet for å se hvordan denne beregningen fungerer. I tabell 1 i eksemplet er den første prognosen beregnet for periode fem som er 775. Dette ble beregnet ved å gjennomsnittlig de fire siste historiske databrikkene rett før periode fem angitt med røde merker, siden n 4 perioder for dette eksempelet. De detaljerte beregningene for perioden fives prognose er forklart i Tabell 2. Når de faktiske dataene for perioden fem er samlet og registrert i tabellen, kan prognosen for periode seks beregnes. Den rullende gjennomsnittlige prognosen for periode seks beregnes basert på de fire siste historiske dataene før den sjette perioden, et gjennomsnitt av de historiske dataene for perioder to til fem, indikert med blå markeringer. Prognosen er da dokumentert i tabellen, som er den blå 825-prognosen for periode seks i tabell 1 i eksemplet. For å se detaljerte beregninger for sjette perioder prognose, se den andre rad i tabell 2 i eksemplet. For å finne ut hvordan du beregner en rullende gjennomsnittlig prognose ved hjelp av to variabler, fortsett å lese på side 2. Bruke et rullende gjennomsnitt med flere variabler Når man forstår hvordan man beregner rullende gjennomsnittlige beregninger med en variabel for å finne en enkelt prognose, for eksempel salg eller antall enheter som selges, er det neste trinnet å lære å beregne mer avansert statistikk med rullende gjennomsnittsteknikk av bruker to variabler. For å følge med resten av denne delen, last ned det avanserte rullende gjennomsnittseksemplet som er en Microsoft Excel-fil, inneholder et eksempel på å bruke den rullende gjennomsnittlige metoden med to sett med variabler. I dette eksemplet presenteres to sett med historiske data, som er summen av salget i dollar som er oppført i kolonne B og antall salg i kolonne C. Ved å bruke disse to datasettene, tjener en gjennomsnittlig sum penger per salg kan beregnes som sett i kolonne F. Lets ta en titt på hvordan å utføre beregningene. Først, ta en titt på ligningen for å beregne et rullende gjennomsnitt ved å bruke to variabler. Legg merke til at hver variabel må legges opp før delingen mellom de to variablene forekommer. Beregn aldri gjennomsnittet av hver periode separat og deretter gjennomsnittsresultatene, da dette vil gi en feil prognose. Den første prognosen i eksemplet er for periode 5. For å beregne rullende gjennomsnitt for periode 5, må de første fire brikkene Salgsdata fra kolonne B legges opp siden n4 perioder i dette eksemplet. Deretter må de første fire brikkene Salgsdata fra kolonne C legges opp. Til slutt skal summen fra de første fire periodene i kolonne B divideres med summen beregnet fra kolonne C, noe som resulterer i et beregnet rullende gjennomsnittlig salg som vil bli funnet i periode 5. For å se en detaljert forklaring av den nøyaktige beregningen som brukes til finn prognosen for periode 5, se tabell 2. Når perioden 5 er brukt, kan gjennomsnittet bevege seg ned for å beregne det rullende gjennomsnittlige salg for periode 6, basert på de fire siste dataene i hver av de historiske datakolonnene. Prosessen fortsetter deretter for hver periode. Forskjellen mellom standard gjennomsnittsforsterkende rullende gjennomsnitt For å visuelt se forskjellen mellom standard gjennomsnitt og rullende gjennomsnittlige beregninger, last ned Standard Standard vs. Rulle Gjennomsnitt Eksempel en Microsoft Excel-fil som forklarer forskjellen mellom et gjennomsnitt for vanlig arbeidstaker og rullende gjennomsnittlig eksempel . Som vist i eksemplet beregnes en rullende gjennomsnittlig prognose med et enkelt standard gjennomsnitt. Det første beregnede gjennomsnittet for hvert selskap er en enkel standard gjennomsnittlig beregning. Imidlertid vurderes hver prognose etter den første standardprognosen som en rullende gjennomsnittlig prognose. En rullende gjennomsnittlig beregning har ett konsept som er veldig forskjellig fra en enkel standard gjennomsnittlig beregning. For det første beregnes et standard gjennomsnitt ved å ta et bestemt antall datatyper, legge dem sammen, og dele summen med antall brikker data som brukes, referert til som n. Ja, dette er en del av den rullende gjennomsnittsteknikken. Hovedkonceptet med en rullende gjennomsnittlig prognose er hvordan standardgruppen kontinuerlig ruller til neste sett av siste antall perioder, n. Prosessen med å kontinuerlig flytte gjennomsnittet til det neste settet av siste sett av n-perioder er det som skiller et standard gjennomsnitt fra en rullende gjennomsnittlig prognose. Vennligst fortsett på side 3 for å lære å beregne rullende gjennomsnittlige produksjons - og salgsprognoser. Lær hvordan du beregner et rullende gjennomsnitt for å utvikle en prognose. Denne delen inneholder en veiledning om hvordan du kan beregne en rullende gjennomsnittlig produksjonsprognose og hvordan du kan beregne en rullende gjennomsnittlig salgsutsikt med arbeidseksempler for begge avdelinger av en bedrift. Produksjonsprognoser for beregning av produksjonsprosess Produksjonsprognosen kan beregne hvor mange elementer som skal produseres for å møte etterspørselen fra selskapets kjøpere, kjent som produksjonsplanlegging eller å beregne hvor mange varer som skal lagres i en butikk, kjent som etterspørselsplanlegging. For å følge med hvordan du beregner rullende gjennomsnittlige produksjonsprognoser, last ned Computing Rolling Average Manufacturing Forecasts en Microsoft Excel-fil som inneholder to arbeidseksempler på en rullende gjennomsnittlig produksjonsprognoseberegning. Produksjonsplanleggingsprognosen - (Side 1) Produksjonsplanlegging i et produksjonsanlegg avhenger av hvor mye enheter forventes å bli krevd av kjøpere i fremtiden. Som vist på side 1. å beregne en rullende gjennomsnittlig produksjonsplanleggingsprognose for å forutsi hvor mange enheter som skal produsere et selskap, må vite hvor mange enheter som ble krevd i de siste nene perioder. Det siste antall n perioder er i gjennomsnitt for å skape en prognose. Etter hvert som en måned er ferdig, ruller antall n perioder til gjennomsnittet de siste n perioder. Dette kan ses i eksemplet. Antall perioder som brukes er fire perioder, som angitt av n4 perioder. Periode fem er prognostisert i gjennomsnitt perioder en til fire periode seks er prognostisert av gjennomsnittlig perioder to til fem og så videre. Hvis flere perioder brukes til å beregne en rullende gjennomsnittlig prognose, vil prognosen være mindre responsiv. Bruk av bare to til fire perioder er vanligvis det vanlige antall perioder som produserer selskaper, som bruker for å beregne prognoser for produksjonsplanlegging. Etterspørselsplaneringsprognosen - (Side 2) Etter nøye analyse av Page 1. Forespørselsplanleggingsprognosen på Page 2 kan få en svært nær likhet. Eksemplene på begge sider er praktisk talt de samme, men i etterspørselsplanlegging vil historiske data om antall enheter som selges til kjøpere eller kunder, være den beste metriske for å beregne en rullende gjennomsnittlig etterspørselsplanleggingsprognose mer nøyaktig.