Python De Média Em Movimento Ponderado Exponencialmente

Eu tenho dados amostrados em intervalos essencialmente aleatórios. Gostaria de calcular uma média móvel ponderada usando numpy (ou outro pacote de python). Eu tenho uma implementação grosseira de uma média móvel, mas estou tendo problemas para encontrar uma boa maneira de fazer uma média móvel ponderada, de modo que os valores para o centro da lixeira sejam mais ponderados do que os valores para as bordas. Aqui eu gerar alguns dados de amostra e, em seguida, tomar uma média móvel. Como posso implementar mais facilmente uma média móvel ponderada Obrigado Usando o conselho da crs17 para usar pesos na função np. average, surgi uma função média ponderada, que usa uma função gaussiana para medir os dados: Dada uma série temporal xi, eu Quer calcular uma média móvel ponderada com uma janela média de N pontos, onde as ponderações favorecem valores mais recentes em valores mais antigos. Ao escolher os pesos, estou usando o fato familiar de que uma série geométrica converge para 1, ou seja, soma (frac) k, desde que sejam tomadas infinitamente muitos termos. Para obter um número discreto de pesos que somam a unidade, estou simplesmente tomando os primeiros N termos da série geométrica (frac) k e depois normalizando por sua soma. Quando N4, por exemplo, isso dá os pesos não normalizados que, depois de normalizar por sua soma, dão. A média móvel é então simplesmente a soma do produto dos últimos 4 valores em relação a esses pesos normalizados. Este método é generalizado da maneira óbvia para mover janelas de comprimento N, e também parece computacionalmente fácil. Existe algum motivo para não usar esta maneira simples de calcular uma média móvel ponderada usando pesos exponenciais que eu pergunto porque a entrada da Wikipedia para EWMA parece mais complicada. O que me faz pensar se a definição do livro de texto da EWMA talvez tenha algumas propriedades estatísticas que a definição simples acima não seja ou são de fato equivalentes pediram 28 de novembro às 23:53 Para começar, você está assumindo 1) que não existem valores incomuns E sem mudanças de nível e sem tendências de tempo e sem dummies sazonais 2) que a média ponderada ótima tem pesos que caem em uma curva suave descritível por 1 coeficiente 3) que a variância do erro é constante que não há séries causais conhecidas Por que todos os premissas. Ndash IrishStat 1 de outubro 14 às 21:18 Ravi: No exemplo dado, a soma dos primeiros quatro termos é 0.9375 0.06250.1250.250.5. Assim, os primeiros quatro termos detém 93,8 do peso total (6,2 está na cauda truncada). Use isso para obter pesos normalizados que somam a unidade por meio de uma atualização (dividindo) por 0.9375. Isto dá 0.06667, 0.1333, 0.2667, 0.5333. Ndash Assad Ebrahim 1 de outubro 14 às 22:21 Eu descobri que a computação de médias correntes ponderadas exponetially usando overline leftarrow overline alpha (x-overline), alphalt1 é um método simples de uma linha, que é facilmente, se apenas aproximadamente, interpretável em termos de Um número efetivo de amostras Nalpha (compare esse formulário com o formulário para calcular a média de corrida), requer apenas o datum atual (e o valor médio atual) e é numericamente estável. Tecnicamente, essa abordagem incorpora toda a história na média. As duas principais vantagens para o uso da janela completa (em oposição ao truncado discutido na questão) são que, em alguns casos, pode facilitar a caracterização analítica da filtragem e reduz as flutuações induzidas se um dado muito grande (ou pequeno) O valor é parte do conjunto de dados. Por exemplo, considere o resultado do filtro se os dados forem todos zero exceto para um dado cujo valor é 106. respondido 29 de novembro às 0:33