Movendo Média Wolfram

Linguagem Wolfram Linguagem revolucionária de programação baseada no conhecimento. Wolfram Cloud Central infra-estrutura para produtos de nuvem Wolframs ampères serviços. Ciência de Wolfram Ciência de habilitação de tecnologia do universo computacional. Formato de Documento Computativo Documentos interativos com computação. Wolfram Engine Engine de software implementando a linguagem Wolfram. Wolfram Sistema de Compreensão da Linguagem Natural Linguagem natural amplamente implantada baseada no conhecimento. Wolfram Data Framework Estrutura semântica para dados do mundo real. Wolfram Universal Deployment System Implantação instantânea em nuvem, desktop, celular e muito mais. Wolfram Knowledgebase Curated conhecimento computacional alimentando WolframAlpha. Fóruns de mensagens Resumo do grupo Estou tentando suavizar um histograma 3D usando a média móvel em matemática. Eu sei que existe uma função chamada smoothhistogram3D, que está perto do que eu quero, no entanto, parece ter apenas a opção de usar funções de distribuição para suavizar a curva. Eu era capaz de criar uma função para suavizar um histograma 2D, modificando esta resposta stackoverflow para incluir um interpolationOrder e o recurso de média móvel. Eu tentei estendê-lo para a terceira dimensão usando o código abaixo, mas não tive sucesso. No entanto, a função 3D produz esta imagem usando meu conjunto de dados: imgurMJeBbwW Eu tentei usar um método semelhante a este primeiro, exceto com uma opção para alisá-lo usando a média móvel: No entanto, ele emitiu uma imagem como esta: Eu quero um conjunto de dados Que se assemelha muito à saída de smoothhistogram3D, mas com a opção de suavização com a média móvel. Qualquer sugestão Existe uma maneira mais simples Im não realizando Desculpe eu percebo que o código, especialmente a segunda peça, é pouco legível. Im novo para mathematica e estava apenas tentando fazê-lo funcionar. Esta é também minha primeira vez que afixa no estouro da pilha assim que por favor desculpa toda a formatação ou erros do guideline. História e fundo que vieram primeiramente acima com médias moventes Os analistas técnicos usaram médias móveis agora por diversas décadas. Eles são tão onipresentes em nosso trabalho que a maioria de nós não sabe de onde eles vieram. Os estatísticos classificam Médias Móveis como parte de uma família de ferramentas para ldquoTime Series Analysisrdquo. Outros naquela família são: ANOVA, média aritmética, coeficiente de correlação, covariância, tabela de diferenças, ajuste de mínimos quadrados, máxima verossimilhança, média móvel, periodograma, teoria de previsão, variável aleatória, caminhada aleatória, residual, variância. Você pode ler mais sobre cada uma dessas e suas definições no Wolfram. Desenvolvimento do ldquomoving averagerdquo remonta a 1901, embora o nome foi aplicado a ele mais tarde. Do historiador de matemática Jeff Miller: MOVING MÉDIA. Esta técnica para suavização de pontos de dados foi utilizada por décadas antes que este, ou qualquer termo geral, entrou em uso. Em 1909, GU Yule descreveu as médias pontuais de RH Hooker, calculadas em 1901, como médias médias. Yule não adotou o termo em seu livro de texto, mas entrou em circulação através de WI Kingrsquos (Journal of the Royal Statistical Society, 72, 721-730) Elementos do Método Estatístico (1912). LdquoMoving averagerdquo referindo-se a um tipo de processo estocástico é uma abreviatura de H. Woldrsquos ldquoprocess of moving averagerdquo (Estudo na Análise de séries temporais estacionárias (1938)). Wold descreveu como casos especiais do processo tinham sido estudados na década de 1920 por Yule (em conexão com as propriedades do método de correlação de diferenças variáveis) e Slutsky John Aldrich. De StatSoft Inc. vem esta descrição de Exponential Smoothing. Que é uma das várias técnicas para a ponderação de dados passados ​​de forma diferente: ldquoExponencial suavização tornou-se muito popular como um método de previsão para uma grande variedade de dados de séries de tempo. Historicamente, o método foi desenvolvido independentemente por Robert Goodell Brown e Charles Holt. Brown trabalhou para a Marinha dos EUA durante a Segunda Guerra Mundial, onde sua missão era projetar um sistema de rastreamento de informações de controle de incêndio para calcular a localização dos submarinos. Posteriormente, aplicou esta técnica à previsão da procura de peças sobressalentes (um problema de controlo de inventário). Ele descreveu essas idéias em seu livro de 1959 sobre controle de inventário. A pesquisa de Holtrsquos foi patrocinada pelo Escritório de Pesquisa Naval de forma independente, desenvolveu modelos exponenciais de suavização para processos constantes, processos com tendências lineares e para dados sazonais. O Holtrsquos paper, ldquoForecasting Seasonals and Trends by Exponentially Weighted Moving Averagesrdquo foi publicado em 1957 em O. N.R. Research Memorandum 52, Carnegie Institute of Technology. Ele não existe on-line gratuitamente, mas pode ser acessível por aqueles com acesso a recursos de papel acadêmico. Para nosso conhecimento, P. N. (Pete) Haurlan foi o primeiro a usar suavização exponencial para rastrear os preços das ações. Haurlan era um cientista de foguete real que trabalhou para JPL no início dos anos 1960, e assim ele tinha acesso a um computador. Ele não os chamava de médias móveis exponenciais (EMAs), ou as médias móveis com ponderação matemática (EWMAs) rdquo. Em vez disso, ele os chamou de ldquoTrend Valuesrdquo, e referiu-se a eles por suas constantes de suavização. Assim, o que hoje é comumente chamado de EMA de 19 dias, ele chamou um Trendrdquo ldquo10. Uma vez que sua terminologia era o original para tal uso no rastreamento de preço das ações, é por isso que continuamos a usar essa terminologia em nosso trabalho. Haurlan tinha empregado EMAs na concepção dos sistemas de rastreamento de foguetes, o que poderia, por exemplo, necessidade de interceptar um objeto em movimento como um satélite, um planeta, etc Se o caminho para o alvo estava desligado, então algum tipo de entrada teria de ser aplicada Para o mecanismo de direção, mas eles não queriam exagerar ou underdo que entrada e quer tornar-se instável ou não vire. Assim, o tipo certo de suavização de entradas de dados foi útil. Haurlan chamou este controle ldquoProdimensional, significando que o mecanismo de direção não tentaria ajustar para fora todo o erro de seguimento de uma vez. Os EMAs eram mais fáceis de codificar nos circuitos analógicos iniciais do que outros tipos de filtros, porque eles só precisam de duas partes de dados variáveis: o valor atual de entrada (por exemplo, preço, posição, ângulo etc.) eo valor EMA anterior. A constante de suavização seria hard-wired no circuito, de modo que o ldquomemoryrdquo só teria que manter o controle dessas duas variáveis. Uma média móvel simples, por outro lado, requer manter o controle de todos os valores dentro do período de lookback. Assim, um 50-SMA significaria manter o controle de 50 pontos de dados, em seguida, a sua média. Ele amarra muito mais poder de processamento. Veja mais sobre EMAs versus Simple Moving Averages (SMAs) em Exponential Versus Simple. Haurlan fundou o boletim de notícias Trade Levels na década de 1960, deixando JPL para esse trabalho mais lucrativo. Seu boletim de notícias era um patrocinador do programa televisivo de Charting The Market em KWHY-TV em Los Angeles, o primeiro programa de televisão de TA, hospedado por Gene Morgan. O trabalho de Haurlan e Morgan foi uma grande parte da inspiração por trás do desenvolvimento de Sherman e Marian McClellanrsquos do Oscilador McClellan e Summation Index, que envolvem suavização exponencial de dados Advance-Decline. Você pode ler um folheto de 1968 chamado Measuring Trend Values ​​publicado por Haurlan a partir da página 8 do MTA Award Handout. Que nós preparamos para os participantes na conferência MTA 2004, onde Sherman e Marian foram premiados com o MTArsquos Lifetime Achievement Award. Haurlan não lista a origem dessa técnica matemática, mas observa que ele estava em uso na engenharia aeroespacial por muitos anos. Linguagem de Wolfram Idioma de programação baseado no conhecimento revolucionário. Wolfram Cloud Central infra-estrutura para produtos de nuvem Wolframs ampères serviços. Ciência de Wolfram Ciência de habilitação de tecnologia do universo computacional. Formato de Documento Computativo Documentos interativos com computação. Wolfram Engine Engine de software implementando a linguagem Wolfram. Wolfram Sistema de Compreensão da Linguagem Natural Linguagem natural amplamente implantada baseada no conhecimento. Wolfram Data Framework Estrutura semântica para dados do mundo real. Wolfram Universal Deployment System Implantação instantânea em nuvem, desktop, celular e muito mais. Wolfram Knowledgebase Curated conhecimento computacional alimentando WolframAlpha. Grupo de Discussão Grupo Resumo