365 gleitender durchschnitt

Berechnen von gleitendem Durchschnitt in Excel In diesem kurzen Tutorial erfahren Sie, wie Sie schnell einen einfachen gleitenden Durchschnitt in Excel berechnen können, welche Funktionen verwendet werden, um einen gleitenden Durchschnitt für die letzten N Tage, Wochen, Monate oder Jahre zu erhalten und wie man eine Bewegung hinzufügt Durchschnittliche Trendlinie zu einem Excel-Diagramm. In ein paar neuere Artikel haben wir einen genauen Blick auf das Berechnen des Durchschnitts in Excel genommen. Wenn Sie unseren Blog verfolgt haben, wissen Sie bereits, wie Sie einen normalen Durchschnitt berechnen und welche Funktionen verwenden, um einen gewichteten Durchschnitt zu finden. In der heutigen Tutorial, werden wir diskutieren zwei grundlegende Techniken, um gleitende Durchschnitt in Excel zu berechnen. Was ist gleitender Durchschnitt Generell kann der gleitende Durchschnitt (auch als gleitender Durchschnitt, laufender Durchschnitt oder beweglicher Mittelwert) als eine Reihe von Durchschnittswerten für verschiedene Teilmengen desselben Datensatzes definiert werden. Es wird häufig in der Statistik verwendet, saisonbereinigte Wirtschafts-und Wettervorhersage zugrunde liegenden Trends zu verstehen. Im Aktienhandel ist der gleitende Durchschnitt ein Indikator, der den Durchschnittswert eines Wertpapiers über einen bestimmten Zeitraum darstellt. Im Geschäft, seine eine gängige Praxis, um einen gleitenden Durchschnitt der Verkäufe für die letzten 3 Monate zu berechnen, um den letzten Trend zu bestimmen. Zum Beispiel kann der gleitende Durchschnitt der dreimonatigen Temperaturen berechnet werden, indem man den Durchschnitt der Temperaturen von Januar bis März, dann den Durchschnitt der Temperaturen von Februar bis April, dann von März bis Mai und so weiter. Es gibt verschiedene Arten von gleitenden Durchschnitt wie einfache (auch als Arithmetik), exponentiell, variabel, dreieckig und gewichtet. In diesem Tutorial werden wir in den am häufigsten verwendeten einfachen gleitenden Durchschnitt suchen. Berechnen einfachen gleitenden Durchschnitt in Excel Insgesamt gibt es zwei Möglichkeiten, um einen einfachen gleitenden Durchschnitt in Excel - mit Formeln und trendline Optionen. Die folgenden Beispiele zeigen beide Techniken. Beispiel 1. Gleitender Durchschnitt für einen bestimmten Zeitraum berechnen Ein einfacher gleitender Durchschnitt kann mit der Funktion AVERAGE im Handumdrehen berechnet werden. Angenommen, Sie haben eine Liste der durchschnittlichen monatlichen Temperaturen in Spalte B, und Sie möchten einen gleitenden Durchschnitt für 3 Monate zu finden (wie in der Abbildung oben). Schreiben Sie eine übliche AVERAGE-Formel für die ersten 3 Werte und geben Sie sie in die Zeile ein, die dem dritten Wert von oben entspricht (Zelle C4 in diesem Beispiel), und kopieren Sie die Formel dann auf andere Zellen in der Spalte: Sie können die Spalte mit einer absoluten Referenz (wie B2), wenn Sie möchten, aber achten Sie darauf, relative Zeilenreferenzen (ohne das Zeichen) zu verwenden, so dass die Formel richtig für andere Zellen passt. Denken Sie daran, dass ein Durchschnitt durch Addition von Werten und dann durch Addition der Summe durch die Anzahl der zu mittelnden Werte berechnet wird, können Sie das Ergebnis anhand der SUM-Formel verifizieren: Beispiel 2. Gleitender Durchschnitt für die letzten N Tage / Wochen / Monate / Jahre in einer Spalte Angenommen, Sie haben eine Liste von Daten, zB Verkauf Zahlen oder Aktienkurse, und Sie wollen wissen, den Durchschnitt der letzten 3 Monate zu einem beliebigen Zeitpunkt. Dazu benötigen Sie eine Formel, die den Durchschnitt neu berechnen wird, sobald Sie einen Wert für den nächsten Monat eingeben. Was Excel-Funktion ist in der Lage, dies zu tun Die gute alte AVERAGE in Kombination mit OFFSET und COUNT. DURCHSCHNITT (OFFSET (erste Zelle COUNT (Gesamtbereich) - N, 0, N, 1)) wobei N die Anzahl der letzten Tage / Wochen / Monate / Jahre ist. Nicht sicher, wie Sie diese gleitende Durchschnittsformel in Ihren Excel-Arbeitsblättern verwenden Das folgende Beispiel wird die Dinge klarer machen. Angenommen, die Werte zum Mittelwert in Spalte B beginnen in Zeile 2, die Formel wäre wie folgt: Und jetzt wollen wir versuchen zu verstehen, was diese Excel-gleitende durchschnittliche Formel tatsächlich tun. Die COUNT-Funktion COUNT (B2: B100) zählt, wie viele Werte bereits in Spalte B eingegeben sind. Wir zählen in B2, da Zeile 1 der Spaltenkopf ist. Die OFFSET-Funktion nimmt die Zelle B2 (das erste Argument) als Ausgangspunkt an und verschiebt die Zählung (den durch die COUNT-Funktion zurückgegebenen Wert) durch Verschieben von 3 Zeilen nach oben (-3 im zweiten Argument). Als Ergebnis gibt er die Summe der Werte in einem Bereich zurück, der aus 3 Zeilen (3 im 4. Argument) und 1 Spalte (1 im letzten Argument) besteht, was die letzten 3 Monate ist, die wir wollen. Schließlich wird die zurückgegebene Summe an die Funktion AVERAGE übergeben, um den gleitenden Durchschnitt zu berechnen. Spitze. Wenn Sie mit kontinuierlich aktualisierbaren Arbeitsblättern arbeiten, in denen neue Zeilen zukünftig wahrscheinlich hinzugefügt werden sollen, müssen Sie eine ausreichende Anzahl von Zeilen an die COUNT-Funktion liefern, um potenzielle neue Einträge zu berücksichtigen. Es ist kein Problem, wenn Sie mehr Zeilen als tatsächlich benötigt, solange Sie die erste Zelle rechts, die COUNT-Funktion werden alle leeren Zeilen sowieso verwerfen gehören. Wie Sie wahrscheinlich bemerkt haben, enthält die Tabelle in diesem Beispiel Daten für nur 12 Monate, und doch wird der Bereich B2: B100 an COUN geliefert, nur um auf der Speicherseite zu sein :) Beispiel 3. Gleitender Durchschnitt für die letzten N Werte in Eine Zeile Wenn Sie einen gleitenden Durchschnitt für die letzten N Tage, Monate, Jahre usw. in der gleichen Zeile berechnen wollen, können Sie die Offset-Formel auf diese Weise anpassen: Angenommen, B2 ist die erste Zahl in der Zeile und Sie wollen Um die letzten 3 Zahlen im Durchschnitt einzuschließen, nimmt die Formel die folgende Form an: Erstellen eines Excel-gleitenden Durchschnittsdiagramms Wenn Sie bereits ein Diagramm für Ihre Daten erstellt haben, ist das Hinzufügen einer gleitenden durchschnittlichen Trendlinie für dieses Diagramm eine Angelegenheit von Sekunden. Dazu verwenden wir die Excel Trendline-Funktion und die detaillierten Schritte folgen unten. Für dieses Beispiel hat Ive ein 2-D Säulendiagramm (Insert tab gt Charts group) für unsere Verkaufsdaten erstellt: Und nun wollen wir den gleitenden Durchschnitt für 3 Monate visualisieren. In Excel 2010 und Excel 2007, gehen Sie zu Layout gt Trendline gt Weitere Trendline-Optionen. Spitze. Wenn Sie die Details wie das gleitende Durchschnittsintervall oder die Namen nicht angeben müssen, können Sie auf Design gt klicken. Diagramm-Element hinzufügen gt Trendline gt Moving Average für das sofortige Ergebnis. Das Fenster "Format Trendline" wird auf der rechten Seite des Arbeitsblatts in Excel 2013 geöffnet und das entsprechende Dialogfeld wird in Excel 2010 und 2007 angezeigt. Um Ihren Chat zu verfeinern, können Sie auf die Registerkarte Fill amp Line oder Effects wechseln Das Format Trendline-Fenster und spielen mit verschiedenen Optionen wie Linientyp, Farbe, Breite, etc. Für eine leistungsstarke Datenanalyse, möchten Sie vielleicht ein paar gleitende durchschnittliche Trendlinien mit unterschiedlichen Zeitintervallen hinzufügen, um zu sehen, wie sich der Trend entwickelt. Der folgende Screenshot zeigt die 2 Monate (grün) und 3 Monate (brickrot) gleitenden Durchschnitt Trendlinien: Nun, das ist alles über die Berechnung der gleitenden Durchschnitt in Excel. Das Beispielarbeitsblatt mit den gleitenden Durchschnittsformeln und der Trendlinie ist zum Download verfügbar - Moving Average Kalkulationstabelle. Ich danke Ihnen für das Lesen und freue mich auf Sie nächste Woche Vielleicht haben Sie auch Interesse an: Watch the S038P 5008217s gleitender Durchschnitt Ein gleitender Durchschnitt kann Ihnen sagen, eine Menge. Don8217t nur Blick auf die Dow Jones Industrial Average. It8217s die bekannteste Finanzstatistik, aber es doesn8217t die ganze Geschichte erzählen. Der Standard 038 Poor8217s 500 Index Spuren eine viel größere und vielfältigere Gruppe von Aktien als die DJIA8217s nur 30 Industrieunternehmen. It8217s betrachtet als ein hübscher guter bellwether für die gesamte Vereinigte Staaten Wirtschaft. Wenn Sie auf Yahoo Finanzen gehen und ein bisschen mit dem Diagramm für den S038P 500 umgehen, indem Sie einen einfachen gleitenden Durchschnitt für die letzten 365 Tage (die rote Linie) hinzufügen, hier8217s, was you8217ll für den Zeitraum von 1995 bis jetzt sehen: Die purpurroten Pfeile Dass ich Photoshopped in die Tabelle markieren die Punkte, wenn die S038P 500 deutlich unter seinem 365-Tage-SMA sank. Die grünen Pfeile markieren die Punkte, wenn der Schlusskurs nur kurz darunter eingetaucht wird. Ab heute ist der Schlusskurs ein wenig mehr als 1 unter der roten Linie von Doomtrade. Achten Sie genau auf diese Woche, denn ich denke, diese Charta wird einen anderen violetten Pfeil bekommen. Weg zu gehen, Washington. Ein Kommentar Mehr zum S038P 5008217s gleitenden Durchschnitt Erinnere dich an dieses Diagramm von Montag, den ich es aktualisiert habe, um zu zeigen, wie weit der Index unter seinem 365-Tage-einfachen gleitenden Durchschnitt fiel, während die beiden 8220close calls8221 durch grüne Pfeile markiert waren. Am Montag die S038P 5008230Moving durchschnittliche und exponentielle Glättungsmodelle Als ein erster Schritt in Übergang über Mittel-Modelle, zufällige gehen Modelle und lineare Trend-Modelle, nicht saisonale Muster und Trends können mit einem gleitenden Durchschnitt oder Glättung Modell extrapoliert werden. Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam verändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-ohne-Drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als "quotsmoothedquot" - Version der ursprünglichen Serie bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird in der Periode t (m1) / 2 zentriert, was bedeutet, daß die Schätzung des lokalen Mittels dazu neigt, hinter dem Wert zu liegen Wahren Wert des lokalen Mittels um etwa (m1) / 2 Perioden. Das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt ist also (m1) / 2 relativ zu der Periode, für die die Prognose berechnet wird: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten in der Region zu liegen Daten. Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Fußmodell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige Wandermodell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt er viel von der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das durchschnittliche Alter der Daten in dieser Prognose beträgt 3 ((51) / 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst nach mehreren Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-term einfachen gleitenden Durchschnitt ausprobieren, erhalten wir sogar noch bessere Prognosen und mehr eine nacheilende Wirkung: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) / 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer kleinen Marge über die 3 - term und 9-Term-Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. Es sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. H. Den lokalen Mittelwert) der Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose durch Anpassung der bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell zu einem zufälligen Weg-Modell (ohne Wachstum) äquivalent ist. Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang) Das Durchschnittsalter der Daten in der Simple-Exponential-Glättungsprognose beträgt 1/945 relativ zu dem Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1/945 Perioden. Wenn beispielsweise 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Serie ergibt sich wie folgt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 1 / 0,2961 3,4 Perioden, was ähnlich wie bei einem 6-Term-Simple Moving ist durchschnittlich. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird nur ein ARIMA-Modell mit einer Nicht-Seasonal-Differenz und einem MA (1) - Term mit einer Konstanten, d. h. einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel in Ordnung ist oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht sind), und sie können modifiziert werden, um einen konstanten linearen Trend, wie oben gezeigt, zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, so würde dies die Prognose für Y in der Periode t1 sein.) Dann sei Squot die doppelt geglättete Folge, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsächlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt8217s Lineares Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die es anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt t, wie in Brown8217s-Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstanten 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Durchschnittsalter der Daten, die für die Schätzung der lokalen Ebene der Serie verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1/946, wenn auch nicht exakt gleich es. In diesem Fall ergibt sich 1 / 0,006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, sondern sie ist von der gleichen Größenordnung wie die Stichprobengröße von 100 , So dass dieses Modell ist im Durchschnitt über eine ganze Menge Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0,2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Spezialfälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Zurück zum Anfang.) Microsoft Office 365: Umzug in die Cloud Die Umstellung auf Office 365 vermittelt einzigartige Vorteile für kleine bis mittelständische Unternehmen, aber es gibt mehrere Übergangsprobleme, die Sie berücksichtigen müssen. Brien M. Posey Es gibt eine Vielzahl von Vorteilen für den Umstieg auf Microsoft Office 365, meist bezogen auf Kosten und Zuverlässigkeit. Es gibt auch mehrere Dinge, die Sie darauf achten sollten, zu vermeiden oder sicherzustellen, dass Sie richtig tun, je nach Ihrer Umgebung. Wenn Sie eine kleine oder Start-Unternehmen haben und noch nicht über ein lokales Netzwerk, theres nichts falsch mit voran gehen und die Registrierung einer Domain und verwenden Sie es, wenn Sie sich für Office 365. Wenn Sie jedoch bereits eine etablierte Netzwerk-Infrastruktur, Kann es ein großer Fehler sein, mit beiden Füßen zu springen und einen vorhandenen Domänennamen zu verwenden, wenn Sie sich zuerst für Office 365 anmelden. Nach der Verwaltung eines lokalen Netzwerks, das aus einer Lab-Domäne und einer Produktionsdomäne seit 1997 besteht, war es an der Zeit Outsource meine Produktionsumgebung zu Microsoft Office 365. Die Entscheidung war nicht so viel über Kosten, wie es um Zuverlässigkeit war. Kontinuität des Geschäfts forderte das Outsourcing meiner Produktionsumgebung. Beim Umstieg auf Microsoft Office 365 traten mehrere Übergangs-Best Practices auf. Der Microsoft Office 365-Übergangsprozess ist mit Gotchas gefüllt. Sie wollen nicht zu riskieren, einen kritischen Geschäftsprozess durch die Begegnung einer dieser gotchas zu unterbrechen. Dies ist der Fall, hier sind einige Empfehlungen für den Umzug: Registrieren Sie einen nagelneuen Domain-Namen können Sie nur für Testzwecke verwenden. Erstellen Sie ein Testlabor, das ähnlich zu Ihrer Produktionsumgebung konfiguriert ist (aber in einem kleineren Maßstab). Holen Sie sich die kostenlose Testversion von Microsoft Office 365. Verwenden Sie Ihre Laborumgebung und Ihre Throwaway-Domain-Namen, um ein Gefühl für das, was der Übergang fühlen wird, bevor Sie sich Ihre Produktion Domain-Namen zu verpflichten. Entscheiden Sie sich für den Übergangstyp Eine der ersten Entscheidungen, die Sie bezüglich des Übergangs zu Microsoft Office 365 treffen müssen, ist die Art des Übergangs, den Sie verwenden möchten. Eine Möglichkeit besteht darin, eine Koexistenz-basierte Migration durchzuführen. Das andere ist es, Koexistenz ganz zu vermeiden. Die Koexistenz-basierte Migration funktioniert, indem die Office 365-Server mit dem vorhandenen lokalen Netzwerk verbunden werden. Dies behandelt die Office 365-Server als Erweiterung Ihres bestehenden Netzwerks. Diese Art von Übergang kann vorübergehend sein, oder Sie können weiterhin in einem Koexistenz-Staat auf unbestimmte Zeit zu betreiben. Sie können auch das Koexistenzszenario vermeiden. In diesem Fall wird Office 365 als eine vollständig getrennte Einheit behandelt. Sie migrieren Ihre vorhandenen Daten ohne Koexistenz zu Office 365. Es gibt Vor-und Nachteile entweder Ansatz. Wenn Sie sich für den Koexistenzansatz entscheiden, wird dringend empfohlen, dass Sie den in Exchange Server 2010 SP2 gefundenen Assistenten nutzen. Dieser Assistent vereinfacht den Migrationsprozess erheblich. Ohne den Assistenten besteht Ihre Migration aus etwa 50 Schritten. Der Assistent konsolidiert den Prozess in sechs Schritten. Obwohl der Migrationsprozess Wizard-basiert und mit weit weniger Schritten als es wäre, wenn Sie es manuell durchführen würden, erhalten Sie nicht die Idee, dass die Einrichtung Koexistenz ist einfach. Die Schaffung Koexistenz erfordert viel Planung und harte Arbeit. Sie sollten vermutlich Ihre Laborumgebung und einen Einwegdomänennamen verwenden, um durch den Übergangsprozess zu arbeiten. Auf diese Weise müssen Sie nicht Ihren Weg durch den Migrationsprozess in einer Produktionsumgebung fühlen. Wenn Sie mit einer Nicht-Koexistenz Migration gehen, ist der Prozess wesentlich einfacher. Die Vermeidung von Koexistenz ist jedoch meist nur für sehr kleine Organisationen geeignet. In größeren Organisationen ist es unpraktisch zu versuchen, manuell neu erstellen Benutzer-Accounts und verschieben Sie dann Daten in die Cloud. Meet the New Mailbox Bei der Umstellung meiner eigenen kleinen Unternehmensorganisation auf Microsoft Office 365, entschied ich mich für die Nicht-Koexistenz-Methode. Der Ansatz war ähnlich wie das Durchführen einer Wähltonwiederherstellung in Exchange Server 2010. Der erste Schritt war, neue Postfächer auf dem Microsoft Office 365-Server zu erstellen und diese Postfächer so zu konfigurieren, dass dieselben E-mail-Adressen wie auf den lokalen Servern verwendet werden. Von dort aus war der nächste Schritt, um den MX-Datensatz für meine Domäne zu ändern, damit Mail anfangen würde, an den Office 365-Postfachserver anstelle des lokalen Postfachservers zu fließen. Zu diesem Zeitpunkt war das einzige, was zu tun war, um meine Outlook-Clients an das neue Postfach umzuleiten und verschieben Sie die alten Nachrichten an den Office 365-Postfachserver. Das Verschieben aller alten Nachrichten bedeutete das Kopieren aller Post von meinem lokalen Postfachserver zu einer Reihe von PST-Dateien (eine separate PST-Datei für jede Mailbox). Nachdem ich Outlook mit den neuen Postfächern verknüpft, verband ich die PST-Dateien und verschob die Nachrichten aus den PST-Dateien in den Cloud-basierten Postfachserver. Dieser Prozess erwies sich als arbeitsintensiv, so wäre es wahrscheinlich nicht geeignet für eine große Organisation. Für ein kleines Netzwerk funktionierte der Prozess jedoch sehr gut. DNS-Aktualisierungen Vor dem Umstieg auf die Office 365-Bereitstellung musste der MX-Datensatz aktualisiert werden. Allerdings ist der MX-Datensatz nur einer von mehreren DNS-Datensätzen, die ich aktualisieren musste, um Microsoft Office 365 zu verwenden. Obwohl DNS-Updates relativ einfach durchzuführen sind, gibt es ein paar wichtige Faktoren, die Sie berücksichtigen müssen. Im ersten Schritt wird festgelegt, wer die Berechtigung hat, Änderungen an Ihren DNS-Datensätzen vorzunehmen. Die meisten Organisationen werden wahrscheinlich in der Lage, ihre eigenen DNS-Änderungen durch einen lokalen DNS-Server oder eine Web-Konsole von einem ISP zur Verfügung gestellt. In diesem Fall habe ich jedoch keinen direkten Zugriff auf meine DNS-Datensätze. Ich musste tatsächlich meine ISP machen die Änderungen für mich. Unabhängig davon, ob youll machen Ihre eigenen DNS-Datensatz Änderungen oder verlassen, die auf Ihrem ISP, nur im Auge behalten youll müssen mehrere Änderungen vornehmen. Youll haben, um eine spezielle DNS-Rekord als eine Möglichkeit zu beweisen, dass Microsoft Sie tatsächlich in der Domäne besitzen. Sobald Sie die Domain mit Office 365 registriert haben, gibt es eine Reihe von anderen DNS-Datensätze youll müssen entweder erstellen oder ändern. Abhängig von der Art des Übergangs youre durchführen, können diese Änderungen alle auf einmal oder separat geschehen. Möglicherweise müssen Sie Ihre DNS-Datensätze einzeln ändern, wenn Sie beginnen, bestimmte Dienste zu ändern. Das einzige DNS-Problem, das ich während dieses Prozesses fand, war, dass mein ISP einen Befehlszeilen-basierten Lenox DNS-Server verwendet. So hatte es keine Ahnung, wie Sie einige der Ressourceneinträge erstellen, die von Microsoft Lync benötigt werden. Letztendlich erwiesen sich diese Aufzeichnungen als unnötig für die Art und Weise, wie ich Office 365 verwende. Es hätte ein großes Problem sein können, wenn ich jedoch stark von Lync abhängig wäre. Active Directory-Synchronisierung Wenn Sie sich für eine Koexistenz-basierte Transition entscheiden, müssen Sie den Active Directory-Synchronisationsprozess berücksichtigen. Wenn Sie eine Koexistenz-Bereitstellung durchführen, haben Sie weiterhin Vor-Ort-Domänencontroller. Es gibt auch Cloud-basierte DCs. Microsoft Office 365 wurde entwickelt, um die erforderliche Active Directory-Synchronisierung zwischen lokalen und Cloud-basierten DCs durchzuführen. Sie können nicht erkennen, bis seine zu spät, dass die Active Directory-Synchronisation eine Einbahnstraße ist. Wenn Sie Änderungen am lokalen Active Directory vornehmen, werden diese Änderungen mit der Cloud synchronisiert. Wenn Sie andererseits Änderungen an der cloudbasierten Kopie Ihres Active Directory vornehmen, werden diese Änderungen nicht mit Ihren lokalen DCs synchronisiert. Tatsächlich werden Ihre Änderungen schließlich durch den Verzeichnissynchronisierungsvorgang überschrieben. Tools von Drittanbietern Einer der oft übersehenen Aspekte des Übergangs zu Microsoft Office 365 besteht darin, dass je nach Art des Übergangs alle Drittanbieterprodukte, in die Ihr Unternehmen bereits investiert hat, nutzlos gemacht werden können. In einigen Fällen können Drittanbieter-Softwareprodukte weiterhin funktionieren, wenn Ihr Unternehmen neben der Cloud-basierten Bereitstellung eine lokale Bereitstellung unterhält. Das ist aber keine Garantie. Die fortgesetzte Funktionalität hängt stark von dem einzelnen Produkt und der Art Ihrer Office 365-Bereitstellung ab. Das Problem bei der Verwendung von Drittanbietersoftware ist, dass Microsoft Ihnen nicht erlaubt, Softwareprodukte auf Cloud-basierten Servern zu installieren. Wenn Sie über Dienstprogramme verfügen, die derzeit auf lokalen Exchange-, SharePoint - oder Lync-Servern ausgeführt werden, können Sie diese Dienstprogramme nicht auf Microsoft Cloud-basierten Servern bereitstellen. In einigen Fällen kann diese Beschränkung eine große Sache sein. Vor dem Übergang zu Office 365 verwendete mein Netzwerk GFI Mail Essentials für die Spam-Kontrolle. Ich hatte eine beträchtliche Menge an Zeit in den Aufbau einer weißen Liste gesetzt, um sicherzustellen, dass Client-Nachrichten nie als Spam behandelt wurden. Ebenso wichtig war die Spam-Filterung Mechanismus fein abgestimmt, um loszuwerden, die überwiegende Mehrheit der Tausende von Spam-Nachrichten kommen jeden Tag. Nach dem Umstieg auf Office 365 musste ich aufhören, GFI Mail Essentials zu benutzen. Microsoft bietet Forefront für Exchange als ein Mittel zur Kontrolle von Spam, aber es dauerte immer noch den besseren Teil eines Monats zur Feinabstimmung von Forefront bis zu dem Punkt, wo ich in der Lage, Filter die meisten der eingehenden Spam. In meinem Fall war die Spam-Kontrolle der einzige Dienst, der von der Unfähigkeit betroffen war, Dienstprogramme von Drittanbietern auf Microsoft Office 365-Servern auszuführen. Größere Organisationen könnten sich mit anderen Diensten aufgeben. Diese können Werkzeuge für allgemeine Aufgaben wie Monitoring-Software oder Messaging-Compliance enthalten. Outlook-Überlegungen Die Unfähigkeit, Serverprodukte von Drittanbietern mit Microsoft Office 365 zu verwenden, ist kein Problem für einige Organisationen. Allerdings gibt es auch einige clientseitige Einschränkungen, die Sie beachten müssen. Für ältere Versionen von Microsoft Outlook arbeiten nicht mit Microsoft Office 365. Office 365 erfordert das Minimum von Outlook 2007. Dies bedeutet, dass Organisationen, die Office 2003 oder sogar ältere Versionen von Office ausführen, ein Upgrade durchführen müssen, bevor sie zu Office 365 wechseln Enthält einige der Office 365-Abonnement-Pakete Microsoft Office 2010-On-Premise-Lizenzierung. Natürlich ist Outlook Web App in allen Abonnements von Microsoft Office 365 enthalten, die als Alternative zu Outlook verwendet werden können. Eine weitere wichtige Überlegung für Outlook ist, dass einige Drittanbieter-Outlook-Add-Ons nicht mit Office 365 arbeiten. Viele der Outlook-Add-ons (wie Antivirensoftware, Nachrichtenarchivierungssoftware usw.) basieren auf der Messaging Application Programming Interface (MAPI ) Und Office 365 unterstützt nicht die Verwendung des MAPI-Stacks. MAPI-basierte Dienstprogramme funktionieren nicht mit Office 365. Offensichtlich gibt es einige wesentliche Faktoren zu berücksichtigen, vor der Migration zu Office 365. Trotzdem lohnt sich der Wechsel zu Office 365. Der Service ist immer zuverlässiger als die lokalen Netzwerke, und weniger Zeit für das Patch-Management und andere Wartungsaufgaben entspricht einem erhöhten Wert. Brien M. Posey, MVP, ist ein freiberuflicher technischer Autor mit Tausenden von Artikeln und Dutzenden von Büchern zu seinem Kredit. Sie können Poseys Web site bei brienposey besuchen. In Verbindung stehende InhalteHow, zum der beweglichen Durchschnitte in Excel zu berechnen Excel-Datenanalyse für Dummies, 2. Ausgabe Der Datenanalyse-Befehl liefert ein Werkzeug für die Berechnung der beweglichen und exponentiell geglätteten Durchschnitte in Excel. Nehmen Sie an, um zu veranschaulichen, dass Sie tägliche Temperaturinformationen gesammelt haben. Sie wollen den dreitägigen gleitenden Durchschnitt 8212 den Durchschnitt der letzten drei Tage 8212 als Teil einer einfachen Wettervorhersage berechnen. Gehen Sie folgendermaßen vor, um die gleitenden Mittelwerte für diesen Datensatz zu berechnen. Um einen gleitenden Durchschnitt zu berechnen, klicken Sie zuerst auf die Schaltfläche Data tab8217s Data Analysis. Wenn Excel das Dialogfeld Datenanalyse anzeigt, wählen Sie aus der Liste den Eintrag Moving Average aus, und klicken Sie dann auf OK. Excel zeigt das Dialogfeld "Gleitender Durchschnitt" an. Identifizieren Sie die Daten, die Sie verwenden möchten, um den gleitenden Durchschnitt zu berechnen. Klicken Sie im Dialogfeld "Gleitender Durchschnitt" in das Eingabebereichsfeld. Identifizieren Sie dann den Eingabebereich, indem Sie entweder eine Arbeitsbereichsadresse eingeben oder mit der Maus den Arbeitsbereich auswählen. Ihre Bereichsreferenz sollte absolute Zellenadressen verwenden. Eine absolute Zellenadresse ist dem Spaltennamen und der Zeilennummer mit Vorzeichen vorangestellt, wie in A1: A10. Wenn die erste Zelle in Ihrem Eingabebereich eine Textbeschriftung enthält, um Ihre Daten zu identifizieren oder zu beschreiben, aktivieren Sie das Kontrollkästchen Labels in First Row. In dem Textfeld Interval sagen Sie Excel, wie viele Werte in die gleitende Durchschnittsberechnung einzubeziehen sind. Sie können einen gleitenden Durchschnitt mit einer beliebigen Anzahl von Werten berechnen. Standardmäßig verwendet Excel die letzten drei Werte, um den gleitenden Durchschnitt zu berechnen. Um festzulegen, dass eine andere Anzahl von Werten zur Berechnung des gleitenden Durchschnitts verwendet werden soll, geben Sie diesen Wert in das Textfeld Intervall ein. Sagen Sie Excel, wo die gleitenden Durchschnittsdaten platziert werden sollen. Verwenden Sie das Textfeld Ausgabebereich, um den Arbeitsblattbereich zu identifizieren, in dem Sie die gleitenden Durchschnittsdaten platzieren möchten. In dem Arbeitsblattbeispiel wurden die gleitenden Durchschnittsdaten in den Arbeitsblattbereich B2: B10 platziert. (Optional) Geben Sie an, ob ein Diagramm gewünscht wird. Wenn Sie ein Diagramm möchten, das die gleitenden Durchschnittsinformationen darstellt, aktivieren Sie das Kontrollkästchen "Diagrammausgabe". (Optional) Geben Sie an, ob Standardfehlerinformationen berechnet werden sollen. Wenn Sie Standardfehler für die Daten berechnen möchten, aktivieren Sie das Kontrollkästchen Standardfehler. Excel legt Standardfehlerwerte neben den gleitenden Mittelwerten fest. (Die Standardfehlerinformationen gehen zu C2: C10.) Nachdem Sie die Angabe, welche gleitenden durchschnittlichen Informationen Sie berechnen lassen möchten und wo Sie sie platzieren möchten, klicken Sie auf OK. Excel berechnet gleitende Durchschnittsinformationen. Hinweis: Wenn Excel doesn8217t über genügend Informationen verfügt, um einen gleitenden Durchschnitt für einen Standardfehler zu berechnen, legt er die Fehlermeldung in die Zelle. Sie können mehrere Zellen sehen, die diese Fehlermeldung als einen Wert anzeigen.