Equação Média Móvel Filtro

Uma Média Móvel Simples é uma média de dados calculados ao longo de um período de tempo. A média móvel é o indicador de preços mais utilizado nas análises técnicas. Esta média pode ser usada com qualquer preço incluindo Hi, Low, Open ou Close, e pode ser aplicada a outros indicadores também. Uma média móvel suaviza uma série de dados, que é muito importante em um mercado volátil, pois ajuda a identificar tendências significativas. Dundas Gráfico para ASP tem quatro tipos de médias móveis, incluindo simples, exponencial. Triangular. E ponderada. A diferença mais importante entre as médias móveis acima é como eles pesam seus pontos de dados. Recomendamos que você leia Usando fórmulas financeiras antes de prosseguir. Usando fórmulas financeiras fornece uma explicação detalhada sobre como usar fórmulas e também explica as várias opções disponíveis para você ao aplicar uma fórmula. Um gráfico de linhas é uma boa opção ao exibir uma média móvel simples. Interpretação Financeira: A Média Móvel é usada para comparar os preços dos títulos com sua média móvel. O elemento mais importante utilizado no cálculo da média móvel é um período de tempo, que deve ser igual ao ciclo de mercado observado. A média móvel é um indicador atrasado, e estará sempre atrás do preço. Quando o preço está seguindo uma tendência a média móvel é muito perto do preço de segurança. Quando um preço está subindo, a média móvel provavelmente vai ficar para baixo devido à influência dos dados históricos. Cálculo: A média móvel é calculada usando a seguinte fórmula: Na fórmula anterior o valor n representa um período de tempo. Os períodos de tempo mais comuns são: 10 dias, 50 dias e 200 dias. Uma média móvel se move porque, à medida que cada novo ponto de dados é adicionado, o ponto de dados mais antigo é eliminado. Uma média móvel simples dá igual peso a cada preço de ponto de dados. Este exemplo demonstra como calcular uma média móvel de 20 dias usando o método Formula. Filtros FIR, filtros IIR e equação de diferença de coeficiente constante linear Filtros de média móvel causal (FIR) Nós discutimos sistemas nos quais cada amostra da saída é uma média ponderada Soma de (algumas das) amostras da entrada. Vamos tomar um sistema de soma ponderada causal, onde causal significa que uma dada amostra de saída depende apenas da amostra de entrada atual e outros insumos mais cedo na seqüência. Nem os sistemas lineares em geral, nem os sistemas finitos de resposta ao impulso em particular, precisam ser causais. No entanto, a causalidade é conveniente para um tipo de análise que iria explorar em breve. Se simbolizamos as entradas como valores de um vetor x. E as saídas como valores correspondentes de um vetor y. Então tal sistema pode ser escrito como onde os valores de b são quotweights aplicados às amostras de entrada atuais e anteriores para obter a amostra de saída atual. Podemos pensar na expressão como uma equação, com o sinal de igual signo igual a, ou como uma instrução processual, com o sinal de igual significação atribuição. Vamos escrever a expressão para cada amostra de saída como um loop MATLAB de instruções de atribuição, onde x é um vetor N-comprimento de amostras de entrada, e b é um vetor M-comprimento de pesos. A fim de lidar com o caso especial no início, vamos incorporar x em um vetor mais longo xhat cujas primeiras M-1 amostras são zero. Vamos escrever a soma ponderada para cada y (n) como um produto interno, e faremos algumas manipulações das entradas (como inverter b) para este fim. Esse tipo de sistema é muitas vezes chamado de filtro de média móvel, por razões óbvias. De nossas discussões anteriores, deve ser óbvio que tal sistema é linear e invariante ao deslocamento. Claro, seria muito mais rápido usar a convolução de função MATLAB conv () em vez do nosso mafilt (). Em vez de considerar as primeiras amostras M-1 da entrada como sendo zero, poderíamos considerá-las iguais às últimas amostras M-1. Isso é o mesmo que tratar a entrada como periódica. Bem, use cmafilt () como o nome da função, uma pequena modificação da função mafilt () anterior. Na determinação da resposta de impulso de um sistema, não há geralmente nenhuma diferença entre estes dois, desde que todas as amostras não-iniciais da entrada são zero: Uma vez que um sistema deste tipo é linear e invariante de turno, sabemos que seu efeito em qualquer Sinusoid será apenas a escala e deslocá-lo. Aqui é importante que usemos a versão circular A versão circularmente convoluta é deslocada e escalada um pouco, enquanto a versão com convolução ordinária é distorcida no início. Vamos ver o que a escala exata e deslocamento é usando um fft: Tanto a entrada ea saída têm amplitude apenas nas freqüências 1 e -1, que é como deveria ser, uma vez que a entrada era uma sinusoid eo sistema era linear. Os valores de saída são maiores numa razão de 10,62518 1,3281. Este é o ganho do sistema. E quanto à fase Nós só precisamos olhar onde a amplitude é diferente de zero: A entrada tem uma fase de pi2, como nós pedimos. A fase de saída é deslocada por um adicional 1.0594 (com sinal oposto para a freqüência negativa), ou cerca de 16 de um ciclo à direita, como podemos ver no gráfico. Agora vamos tentar uma sinusoid com a mesma freqüência (1), mas em vez de amplitude 1 e fase pi2, vamos tentar amplitude 1,5 e fase 0. Sabemos que apenas a freqüência 1 e -1 terá amplitude não-zero, então vamos apenas olhar Para eles: novamente a relação de amplitude (15.937712.0000) é 1.3281 - e quanto à fase é novamente deslocada por 1.0594 Se esses exemplos são típicos, podemos prever o efeito do nosso sistema (resposta ao impulso .1 .2 .3 .4 .5) em qualquer sinusoide com freqüência 1 - a amplitude será aumentada em um fator de 1,3281 e a fase (freqüência positiva) será deslocada em 1,0594. Poderíamos continuar a calcular o efeito desse sistema sobre sinusóides de outras freqüências pelos mesmos métodos. Mas há uma maneira muito mais simples, e uma que estabelece o ponto geral. Dado que a circunvolução (circular) no domínio do tempo significa a multiplicação no domínio da frequência, daí decorre que, por outras palavras, a DFT da resposta de impulso é a razão da DFT da saída para a DFT da entrada. Nesta relação os coeficientes de DFT são números complexos. Desde abs (c1c2) abs (c1) abs (c2) para todos os números complexos c1, c2, esta equação nos diz que o espectro de amplitude da resposta ao impulso será sempre a relação do espectro de amplitude da saída para a da entrada . No caso do espectro de fase, ângulo (c1c2) ângulo (c1) - ângulo (c2) para todos os c1, c2 (com a condição de que as fases diferentes por n2pi são considerados iguais). Portanto, o espectro de fase da resposta ao impulso será sempre a diferença entre os espectros de fase da saída e da entrada (com quaisquer correções de 2pi são necessárias para manter o resultado entre - pi e pi). Podemos ver os efeitos de fase mais claramente se desempacotarmos a representação da fase, isto é, se adicionarmos vários múltiplos de 2pi conforme necessário para minimizar os saltos que são produzidos pela natureza periódica da função ângulo (). Embora a amplitude e a fase sejam normalmente utilizadas para apresentação gráfica e mesmo tabular, uma vez que são uma forma intuitiva de pensar os efeitos de um sistema sobre os vários componentes de frequência de sua entrada, os coeficientes de Fourier complexos são mais úteis algébricamente, A expressão simples da relação A abordagem geral que acabamos de ver funcionará com filtros arbitrários do tipo esboçado, em que cada amostra de saída é uma soma ponderada de algum conjunto de amostras de entrada. Como mencionado anteriormente, estes são muitas vezes chamados filtros de resposta de impulso finito, porque a resposta ao impulso é de tamanho finito, ou às vezes filtros de média móvel. Podemos determinar as características de resposta de freqüência de tal filtro a partir da FFT de sua resposta de impulso e também podemos projetar novos filtros com características desejadas por IFFT a partir de uma especificação da resposta de freqüência. Filtros Autoregressivos (IIR) Não haveria nenhum ponto em ter nomes para filtros FIR, a menos que houvesse algum outro tipo de distinção, de modo que aqueles que estudaram pragmática não ficarão surpresos ao saber que existe de fato outro tipo principal Do filtro tempo-invariante linear. Estes filtros são às vezes chamados recursivos porque o valor de saídas anteriores (assim como entradas anteriores) importa, embora os algoritmos sejam geralmente escritos usando construções iterativas. Eles também são chamados filtros Infinite Impulse Response (IIR), porque em geral sua resposta a um impulso continua para sempre. Eles também são chamados de filtros auto-regressivos, porque os coeficientes podem ser considerados como o resultado de fazer a regressão linear para expressar valores de sinal em função de valores de sinal anteriores. A relação dos filtros FIR e IIR pode ser vista claramente numa equação de diferença de coeficiente constante linear, isto é, estabelecendo uma soma ponderada de saídas igual a uma soma ponderada de entradas. Isto é como a equação que damos anteriormente para o filtro FIR causal, exceto que, além da soma ponderada dos insumos, também temos uma soma ponderada de saídas. Se quisermos pensar nisso como um procedimento para gerar amostras de saída, precisamos reorganizar a equação para obter uma expressão para a amostra de saída atual y (n), Adotando a convenção de que a (1) 1 (por exemplo, escalando outros como E bs), podemos nos livrar do termo 1a (1): y (n) b (1) x (n) b (2) x (n-1). B (Nb1) x (n-nb) - a (2) y (n-1) -. - a (Na1) y (n-na) Se todos os a (n) diferentes de a (1) são zero, isso reduz a nosso velho amigo o filtro FIR causal. Este é o caso geral de um filtro (causal) LTI, e é implementado pelo filtro de função MATLAB. Vejamos o caso em que os coeficientes b diferentes de b (1) são zero (em vez do caso FIR, onde a (n) são zero): Neste caso, a amostra de saída corrente y (n) é calculada como um (N-1), y (n-2), etc. Para ter uma idéia do que acontece com esses filtros, vamos começar com o caso em que: Isto é, a amostra de saída atual é a soma da amostra de entrada corrente e metade da amostra de saída anterior. Bem, tome um impulso de entrada através de alguns passos de tempo, um de cada vez. Deve ficar claro neste ponto que podemos facilmente escrever uma expressão para o n-ésimo valor de amostra de saída: é apenas (se MATLAB contado a partir de 0, isso seria simplesmente .5n). Uma vez que o que estamos calculando é a resposta ao impulso do sistema, temos demonstrado por exemplo que a resposta ao impulso pode de fato ter infinitas amostras diferentes de zero. Para implementar esse filtro trivial de primeira ordem no MATLAB, poderíamos usar o filtro. A chamada será assim: eo resultado é: Este negócio é realmente ainda linear Podemos olhar para isto empiricamente: Para uma abordagem mais geral, considere o valor de uma amostra de saída y (n). Por substituição sucessiva poderíamos escrever isto como Isto é exatamente como o nosso velho amigo a forma convolução-soma de um filtro FIR, com a resposta ao impulso fornecida pela expressão .5k. E o comprimento da resposta ao impulso é infinito. Assim, os mesmos argumentos que usamos para mostrar que os filtros FIR eram lineares agora se aplicam aqui. Até agora isso pode parecer um monte de barulho por não muito. O que é toda esta linha de investigação bom para Bem responder esta questão em etapas, começando com um exemplo. Não é uma grande surpresa que possamos calcular uma amostra exponencial por multiplicação recursiva. Vamos olhar para um filtro recursivo que faz algo menos óbvio. Desta vez, torná-lo um filtro de segunda ordem, de modo que a chamada para filtro será da forma Vamos definir o segundo coeficiente de saída a2 para -2cos (2pi40) eo terceiro coeficiente de saída a3 para 1, e olhar para o impulso resposta. Não é muito útil como um filtro, na verdade, mas gera uma onda senoidal amostrada (de um impulso) com três multiplicações por amostra. Para entender como e por que faz isso, e como filtros recursivos podem ser projetados e analisados ​​em O caso mais geral, precisamos dar um passo atrás e dar uma olhada em algumas outras propriedades de números complexos, no caminho para a compreensão z transform. Updated 12 de março de 2013 O que são RC Filtering e Exponential Averaging e como eles diferem A resposta para A segunda parte da questão é que eles são o mesmo processo Se um vem de um fundo eletrônico, em seguida, RC Filtering (ou RC Smoothing) é a expressão usual. Por outro lado uma abordagem baseada em estatísticas de séries temporais tem o nome de média exponencial, ou usar o nome completo ponderada exponencial média móvel. Isso também é conhecido como EWMA ou EMA. Uma vantagem chave do método é a simplicidade da fórmula para calcular a próxima saída. É preciso uma fração da saída anterior e uma menos essa fração vezes a entrada atual. Algebricamente no tempo k a saída suavizada y k é dada por Como mostrado mais adiante esta fórmula simples enfatiza eventos recentes, suaviza as variações de alta freqüência e revela tendências de longo prazo. Observe que há duas formas da equação de média exponencial, a acima e uma variante Ambos estão corretos. Consulte as notas no final do artigo para obter mais detalhes. Nesta discussão, usaremos apenas a equação (1). A fórmula acima é por vezes escrita de forma mais limitada. Como é derivada esta fórmula e qual é a sua interpretação Um ponto chave é como podemos selecionar. Para olhar para esta uma maneira simples é considerar um filtro de baixa passagem RC. Agora, um filtro passa-baixo RC é simplesmente uma resistência em série R e um condensador paralelo C como ilustrado abaixo. A equação da série de tempo para este circuito é O produto RC tem unidades de tempo e é conhecido como a constante de tempo, T. Para o circuito. Suponha que representamos a equação acima em sua forma digital para uma série de tempo que tem dados tomados a cada h segundos. Esta é exatamente a mesma forma que a equação anterior. Comparando os dois relacionamentos para um temos que reduz à relação muito simples. Daí a escolha de N é guiada por qual constante de tempo escolhemos. Agora a equação (1) pode ser reconhecida como um filtro passa-baixa ea constante de tempo tipifica o comportamento do filtro. Para ver o significado da Constante de Tempo, precisamos olhar para a característica de freqüência deste filtro RC de passa baixa. Em sua forma geral isto é Expressando em módulo e forma de fase temos onde o ângulo de fase é. A freqüência é chamada freqüência de corte nominal. Fisicamente pode ser mostrado que a esta frequência a potência no sinal foi reduzida em metade e a amplitude é reduzida pelo factor. Em termos de dB esta frequência é onde a amplitude foi reduzida em 3dB. Claramente, à medida que a constante de tempo T aumenta, então a freqüência de corte diminui e aplicamos mais suavização aos dados, ou seja, eliminamos as freqüências mais altas. É importante notar que a resposta de freqüência é expressa em radianssegundo. Isso é há um fator de envolvido. Por exemplo, escolher uma constante de tempo de 5 segundos dá uma freqüência de corte efetiva de. Um uso popular do alisamento de RC é simular a ação de um medidor tal como usado em um Medidor de Nível de Som. Geralmente são tipificados por sua constante de tempo, como 1 segundo para tipos S e 0,125 segundos para tipos F. Para estes 2 casos, as frequências de corte efectivas são 0,16 Hz e 1,27 Hz, respectivamente. Na verdade, não é a constante de tempo que normalmente desejamos selecionar, mas aqueles períodos que desejamos incluir. Suponha que temos um sinal onde queremos incluir recursos com um P segundo período. Agora um período P é uma freqüência. Poderíamos então escolher uma constante de tempo T dada por. No entanto, sabemos que perdemos cerca de 30 da saída (-3dB) em. Assim, escolher uma constante de tempo que corresponde exatamente às periodicidades que desejamos manter não é o melhor esquema. Geralmente, é melhor escolher uma freqüência de corte ligeiramente maior, digamos. A constante de tempo é então que, em termos práticos, é semelhante a. Isso reduz a perda para cerca de 15 nesta periodicidade. Portanto, em termos práticos para reter eventos com uma periodicidade de ou maior, em seguida, escolher uma constante de tempo de. Isso inclui os efeitos das periodicidades de até cerca de. Por exemplo, se quisermos incluir os efeitos de eventos acontecendo com dizer um período de 8 segundos (0,125Hz), então escolha uma constante de tempo de 0,8 segundos. Isto dá uma frequência de corte de aproximadamente 0,2Hz de modo que o nosso período de 8 segundos está bem na faixa de passagem principal do filtro. Se estivéssemos a amostragem dos dados a 20 timesecond (h 0,05) então o valor de N é (0,80.05) 16 e. Isso dá algumas dicas sobre como definir. Basicamente, para uma taxa de amostragem conhecida, ela tipifica o período de média e seleciona quais flutuações de alta freqüência serão ignoradas. Observando a expansão do algoritmo podemos ver que ele favorece os valores mais recentes, e também por que é referido como ponderação exponencial. Nós temos Substituindo por y k-1 dá Repetindo este processo várias vezes leva a Porque está no intervalo, então, claramente os termos para a direita tornam-se menores e se comportam como uma decrescente exponencial. Essa é a saída atual é tendenciosa para os eventos mais recentes, mas quanto maior nós escolhemos T, então o viés menos. Em resumo vemos que a fórmula simples enfatiza eventos recentes suaviza eventos de alta freqüência (curto período) que revelam tendências de longo prazo Precaução Existem duas formas da equação de média exponencial que aparecem na literatura. Ambos são corretos e equivalentes. A primeira forma como mostrado acima é (A1) A forma alternativa é 8230 (A2) Observe o uso de na primeira equação e na segunda equação. Em ambas as equações e são valores entre zero e unidade. Em termos físicos, significa que a escolha da forma que se usa depende de como se quer pensar em tomar como a equação da fração de alimentação (A1) ou Como a fração da equação de entrada (A2). A primeira forma é ligeiramente menos complicada em mostrar a relação de filtro RC, e leva a uma compreensão mais simples em termos de filtro. Analista Principal de Processamento de Sinais do Prosig Dr. Colin Mercer foi anteriormente no Instituto de Pesquisas de Som e Vibração (ISVR) da Universidade de Southampton, onde fundou o Data Analysis Center. Em seguida, ele prosseguiu com a fundação de Prosig em 1977. Colin se aposentou como Analista de Processamento de Sinais em Prosig em dezembro de 2016. Ele é Engenheiro Agrónomo e Membro da British Computer Society. Eu acho que você quer mudar o 8216p8217 para o símbolo de pi. Marco, obrigado por apontar isso. Acho que este é um dos nossos artigos mais antigos que foi transferido de um antigo documento de processamento de texto. Obviamente, o editor (eu) não conseguiu detectar que o pi não tinha sido transcrita corretamente. Ele será corrigido em breve. Eu acho que existe um erro na fórmula para T. Deve ser T h (N-1), não T (N-1) h. Mike, obrigado por perceber isso. Acabei de verificar novamente para Dr. Mercer8217s nota técnica original em nosso arquivo e parece que houve erro feito ao transferir as equações para o blog. Vamos corrigir o post. Obrigado por nos deixar saber Obrigado obrigado obrigado. Você pode ler 100 textos DSP sem encontrar nada dizendo que um filtro de média exponencial é o equivalente a um filtro R-C. Hmm, você tem a equação para um filtro EMA correto não é Yk aXk (1-a) Yk-1 em vez de Yk aYk-1 (1-a) Xk Alan, Ambas as formas da equação aparecem na literatura e Ambos os formulários estão corretos como mostrarei abaixo. O ponto que você faz é importante porque usar a forma alternativa significa que a relação física com um filtro RC é menos aparente, além disso a interpretação do significado de um mostrado no artigo não é apropriado para a forma alternativa. Primeiro vamos mostrar que ambas as formas estão corretas. A forma da equação que eu usei é ea forma alternativa que aparece em muitos textos é Note no acima Eu usei latex 1latex na primeira equação e latex 2latex na segunda equação. A igualdade de ambas as formas da equação é demonstrada matematicamente abaixo de passos simples de cada vez. O que não é o mesmo é o valor usado para latex latex em cada equação. Em ambas as formas latex latex é um valor entre zero e unidade. Primeiro reescreva a equação (1) substituindo o latex 1latex pelo látex látex. Isto dá latexy y (1 - beta) xklatex 8230 (1A) Agora defina latexbeta (1 - 2) látex e por isso também temos latex 2 (1 - beta) de látex. Substituindo estes na equação (1A) dá latexyk (1 - 2) y 2xklatex 8230 (1B) E finalmente re-arranjar dá Esta equação é idêntica à forma alternativa dada na equação (2). Coloque mais simplesmente látex 2 (1 - 1) de látex. Em termos físicos, isso significa que a escolha da forma que se usa depende de como se quer pensar em tomar o latexalphalatex como a equação da fração de feed back (1) ou como a fração da equação de entrada (2). Como mencionado acima eu usei a primeira forma, pois é um pouco menos pesado em mostrar a relação de filtro RC, e leva a uma compreensão mais simples em termos de filtro. No entanto omitindo o acima é, na minha opinião, uma deficiência no artigo como outras pessoas poderiam fazer uma inferência incorreta para uma versão revista aparecerá em breve. Sempre me perguntei sobre isso, obrigado por descrevê-lo tão claramente. Eu acho que outra razão a primeira formulação é agradável é mapas alfa para 8216smoothness8217: uma maior escolha de alfa significa uma saída 8216more smooth8217. Michael Obrigado pela observação 8211 Vou acrescentar ao artigo algo nessas linhas, pois é sempre melhor, em minha opinião, relacionar-se com aspectos físicos. Dr. Mercer, excelente artigo, obrigado. Tenho uma pergunta sobre a constante de tempo quando usado com um detector rms como em um medidor de nível de som que você se refere no artigo. Se eu usar suas equações para modelar um filtro exponencial com Constante de Tempo 125ms e usar um sinal de passo de entrada, eu realmente obter uma saída que, após 125ms, é 63.2 do valor final. No entanto, se eu quadrado o sinal de entrada e colocar isso através do filtro, então eu vejo que eu preciso dobrar a constante de tempo para que o sinal de chegar a 63,2 do seu valor final em 125ms. Você pode me informar se isso é esperado. Muito Obrigado. Ian Ian, Se você quadrado um sinal como uma onda senoidal, em seguida, basicamente, você está duplicando a freqüência de sua fundamental, bem como a introdução de lotes de outras freqüências. Como a frequência foi, com efeito, dobrada, então está sendo reduzida 8217 por uma quantidade maior pelo filtro passa-baixo. Em consequência, leva mais tempo para atingir a mesma amplitude. A operação de quadratura é uma operação não linear, então eu não acho que ela sempre dobrará precisamente em todos os casos, mas tenderá a dobrar se tivermos uma freqüência baixa dominante. Observe também que o diferencial de um sinal quadrado é o dobro do diferencial do sinal 8220un-squared8221. Eu suspeito que você pode estar tentando obter uma forma de quadrado médio suavização, que é perfeitamente bem e válido. Pode ser melhor aplicar o filtro e, em seguida, quadrado como você sabe o corte eficaz. Mas se tudo o que você tem é o sinal quadrado, em seguida, usando um fator de 2 para modificar o seu filtro de valor alfa irá aproximá-lo de volta para a freqüência de corte original, ou colocá-lo um pouco mais simples definir sua freqüência de corte em duas vezes o original. Obrigado pela sua resposta Dr. Mercer. Minha pergunta era realmente tentar obter o que é realmente feito em um rms detector de um medidor de nível de som. Se a constante de tempo for definida para 8216fast8217 (125 ms) eu teria pensado que intuitivamente você esperaria um sinal de entrada sinusoidal para produzir uma saída de 63,2 do seu valor final após 125ms, mas desde que o sinal está sendo quadrado antes de chegar ao 8216mean8217 Detecção, ele vai realmente ter duas vezes o tempo que você explicou. O objetivo principal do artigo é mostrar a equivalência da filtragem RC e da média exponencial. Se estamos discutindo o tempo de integração equivalente a um verdadeiro integrador retangular, então você está correto que há um fator de dois envolvidos. Basicamente, se temos um verdadeiro integrador retangular que integra para Ti segundos o tempo equivalente RC integator para alcançar o mesmo resultado é 2RC segundos. Ti é diferente do constante RC 8216 constante 8217 T que é RC. Assim, se temos uma constante de tempo 8216Fast8217 de 125 ms, que é RC 125 ms, então isso é equivalente a um verdadeiro tempo de integração de 250 msec Obrigado pelo artigo, foi muito útil. Existem alguns trabalhos recentes em neurociência que usam uma combinação de filtros EMA (EMA de curta janela EMI 8211 de longa janela EMA) como um filtro passa-banda para análises de sinal em tempo real. Eu gostaria de aplicá-los, mas eu estou lutando com os tamanhos de janela diferentes grupos de pesquisa têm utilizado e sua correspondência com a freqüência de corte. Let8217s dizer que eu quero manter todas as freqüências abaixo de 0,5Hz (aprox) e que eu adquiro 10 amostras em segundo. Isso significa que fp 0.5Hz P 2s T P100.2 h 1fs0.1 Portanto, o tamanho da janela I deve estar usando deve ser N3. É este raciocínio correto Antes de responder à sua pergunta eu tenho que comentar sobre o uso de dois filtros de alta passagem para formar um filtro passa banda. Presumivelmente, eles funcionam como dois fluxos separados, então um resultado é o conteúdo de látex latexf para meia taxa de amostragem eo outro é o conteúdo de látex latexf dizer a metade taxa de amostragem. Se tudo o que está sendo feito é a diferença nos níveis quadrados médios como indicando a potência na faixa de látex latex para latex latex, então pode ser razoável se as duas freqüências de corte são suficientemente distantes, mas eu espero que as pessoas que usam esta técnica Estão tentando simular um filtro de banda mais estreito. Na minha opinião, isso não seria confiável para um trabalho sério e seria motivo de preocupação. Apenas para referência um filtro passa banda é uma combinação de um filtro passa-alta de baixa freqüência para remover as baixas freqüências e um filtro passa-baixa de alta freqüência para remover as altas freqüências. Existe naturalmente uma forma de passagem baixa de um filtro RC e, consequentemente, uma EMA correspondente. Talvez, embora o meu julgamento seja excessivamente crítico sem conhecer todos os fatos. Então, por favor, me envie algumas referências aos estudos que você mencionou para que eu critique como apropriado. Talvez eles estão usando um passe baixo, bem como um filtro de alta passagem. Agora voltando-se para a sua pergunta real sobre como determinar N para uma dada freqüência de corte de alvo, eu acho que é melhor usar a equação básica T (N-1) h. A discussão sobre os períodos foi destinada a dar às pessoas uma sensação do que estava acontecendo. Então veja a derivação abaixo. Temos os relacionamentos latexT (N-1) hlatex e latexT12 latex onde latexfclatex é a freqüência de corte nocional e h é o tempo entre amostras, claramente latexh 1 látex onde latexfslatex é a taxa de amostragem em samplessec. A reorganização de T (N-1) h numa forma adequada para incluir a frequência de corte, o latexfclatex e a taxa de amostragem, latexfslatex, é mostrada abaixo. Assim, usando latexfc 0.5Hzlatex e latexfs 10latex samplessec para que latex (fcfs) 0.05latex dá Então, o valor inteiro mais próximo é 4. Re-organizar o acima temos Então, com N4 temos latexfc 0.5307 Hzlatex. Utilizando N3 dá-se um latexfclatex de 0,318 Hz. Nota com N1 temos uma cópia completa sem filtragem. Média de Muda Este exemplo ensina como calcular a média móvel de uma série de tempo no Excel. Uma média móvel é usada para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossa série de tempo. 2. No separador Dados, clique em Análise de dados. Nota: não é possível encontrar o botão Análise de dados Clique aqui para carregar o suplemento do Analysis ToolPak. 3. Selecione Média móvel e clique em OK. 4. Clique na caixa Input Range e selecione o intervalo B2: M2. 5. Clique na caixa Intervalo e escreva 6. 6. Clique na caixa Output Range e seleccione a célula B3. 8. Faça um gráfico destes valores. Explicação: porque definimos o intervalo como 6, a média móvel é a média dos 5 pontos de dados anteriores eo ponto de dados atual. Como resultado, os picos e vales são suavizados. O gráfico mostra uma tendência crescente. O Excel não consegue calcular a média móvel para os primeiros 5 pontos de dados porque não existem pontos de dados anteriores suficientes. 9. Repita os passos 2 a 8 para o intervalo 2 eo intervalo 4. Conclusão: Quanto maior o intervalo, mais os picos e vales são suavizados. Quanto menor o intervalo, mais próximas as médias móveis são para os pontos de dados reais.