Flytte gjennomsnitt: Slik bruker du dem Noen av de primære funksjonene i et bevegelige gjennomsnitt er å identifisere trender og reverseringer. måle styrken av et aktivum momentum og bestemme potensielle områder der en eiendel vil finne støtte eller motstand. I denne delen vil vi påpeke hvordan ulike tidsperioder kan overvåke momentum og hvordan bevegelige gjennomsnittsverdier kan være gunstige for å sette stoppstopp. Videre vil vi ta opp noen av evner og begrensninger av bevegelige gjennomsnitt som man bør vurdere når de bruker dem som en del av en handelsrutine. Trend Identifiserende trender er en av nøkkelfunksjonene til bevegelige gjennomsnitt, som brukes av de fleste handelsfolk som søker å gjøre trenden til deres venn. Flytte gjennomsnitt er forsinkende indikatorer. noe som betyr at de ikke forutsier nye trender, men bekrefter trender når de er etablert. Som du ser i figur 1, anses en aksje for å være i en opptrinn når prisen er over et bevegelige gjennomsnitt og gjennomsnittet er skråt oppover. Omvendt vil en næringsdrivende bruke en pris under et nedadgående gjennomsnittsnivå for å bekrefte en downtrend. Mange handlende vil bare vurdere å ha en lang posisjon i en eiendel når prisen handler over et glidende gjennomsnitt. Denne enkle regelen kan bidra til at trenden fungerer i handelshandelen. Momentum Mange nybegynnere handler om hvordan det er mulig å måle momentum og hvordan bevegelige gjennomsnitt kan brukes til å takle en slik prestasjon. Det enkle svaret er å være oppmerksom på tidsperioder som brukes til å skape gjennomsnittet, da hver tidsperiode kan gi verdifull innsikt i ulike typer momentum. Generelt kan kortsiktig momentum vurderes ved å se på bevegelige gjennomsnitt som fokuserer på tidsperioder på 20 dager eller mindre. Å se på bevegelige gjennomsnitt som er opprettet med en periode på 20 til 100 dager, regnes generelt som et godt mål på mellomlang sikt. Endelig kan ethvert glidende gjennomsnitt som bruker 100 dager eller mer i beregningen, brukes som et mål for langsiktig momentum. Sunn fornuft burde fortelle deg at et 15-dagers glidende gjennomsnitt er et mer hensiktsmessig mål for kortsiktig momentum enn et 200-dagers glidende gjennomsnitt. En av de beste metodene for å bestemme styrken og retningen av en eiendomsmoment er å plassere tre bevegelige gjennomsnitt på et diagram og deretter være nøye med hvordan de stabler opp i forhold til hverandre. De tre bevegelige gjennomsnittene som vanligvis brukes, har varierende tidsrammer i et forsøk på å representere kortsiktige, mellomlangs og langsiktige prisbevegelser. På figur 2 vises sterk oppadgående fart når kortere gjennomsnitt er plassert over lengre gjennomsnitt og de to gjennomsnittene er divergerende. Omvendt, når de kortere gjennomsnittene ligger under de langsiktige gjennomsnittene, er momentet i nedadgående retning. Støtte En annen vanlig bruk av bevegelige gjennomsnitt er å bestemme potensielle prisstøtte. Det tar ikke mye erfaring med å håndtere bevegelige gjennomsnitt for å legge merke til at fallende pris på en eiendel ofte vil stoppe og reversere retning på samme nivå som et viktig gjennomsnitt. I figur 3 kan du for eksempel se at 200-dagers glidende gjennomsnitt var i stand til å øke prisen på aksjen etter at den falt fra den høye nær 32. Mange forhandlere vil forutse en sprette av store bevegelige gjennomsnitt og vil bruke andre tekniske indikatorer som bekreftelse på forventet trekk. Motstand Når prisen på en eiendel faller under et innflytelsesrik nivå av støtte, som det 200-dagers glidende gjennomsnittet, er det ikke uvanlig å se den gjennomsnittlige handlingen som en sterk barriere som hindrer investorer i å presse prisen tilbake over det gjennomsnittet. Som du ser fra diagrammet nedenfor, brukes denne motstanden ofte av handelsmenn som et tegn for å ta fortjeneste eller å lukke eventuelle eksisterende lange stillinger. Mange korte selgere vil også bruke disse gjennomsnittene som inngangspunkter fordi prisen ofte hopper av motstanden og fortsetter å bevege seg lavere. Hvis du er en investor som holder en lang stilling i en eiendel som handler under store bevegelige gjennomsnitt, kan det være best for deg å se disse nivåene nøye fordi de kan påvirke verdien av investeringen din sterkt. Stopp-tap Støtte - og motstandskarakteristikkene til bevegelige gjennomsnitt gjør dem til et godt verktøy for å håndtere risiko. Evnen til å flytte gjennomsnitt for å identifisere strategiske steder for å sette stoppordreordninger, gjør det mulig for næringsdrivende å kutte bort tapende stillinger før de kan vokse noe større. Som du kan se i figur 5, kan handelsfolk som holder en lang posisjon i en aksje og stiller sine stoppordre under innflytelsesrike gjennomsnitt, spare mye penger. Ved å bruke bevegelige gjennomsnitt for å sette stoppordreordninger er nøkkelen til enhver vellykket handelsstrategi. Gjennomsnittlig gjennomsnittlig indikator Flytende gjennomsnitt gir et objektivt mål for trendretning ved å utjevne prisdata. Normalt beregnet ved hjelp av sluttkurs, kan det glidende gjennomsnittet også brukes med median. typisk. vektet lukking. og høye, lave eller åpne priser samt andre indikatorer. Kortere lengde bevegelige gjennomsnitt er mer følsomme og identifiserer nye trender tidligere, men gir også flere falske alarmer. Lengre bevegelige gjennomsnitt er mer pålitelige, men mindre responsive, bare å plukke opp de store trender. Bruk et glidende gjennomsnitt som er halve lengden på syklusen du sporer. Hvis topp-til-topp sykluslengden er omtrent 30 dager, er et 15-dagers glidende gjennomsnitt passende. Hvis 20 dager, så er et 10 dagers glidende gjennomsnitt riktig. Noen handelsfolk vil imidlertid bruke 14 og 9 dagers glidende gjennomsnitt for de ovennevnte syklusene i håp om å generere signaler litt foran markedet. Andre favoriserer Fibonacci-tallene på 5, 8, 13 og 21. 100 til 200 dagers (20 til 40 uker) glidende gjennomsnitt er populære i lengre sykluser 20 til 65 dager (4 til 13 uker) glidende gjennomsnitt er nyttige for mellomliggende sykluser og 5 til 20 dager for korte sykluser. Det enkleste glidende gjennomsnittssystemet genererer signaler når prisen krysser glidende gjennomsnitt: Gå lenge når prisen krysser over det bevegelige gjennomsnittet underfra. Gå kort når prisen krysser til under glidende gjennomsnittet fra ovenfor. Systemet er utsatt for whipsaws i varierende markeder, med prisovergang frem og tilbake over det bevegelige gjennomsnittet, og genererer et stort antall falske signaler. Av den grunn bruker glidende gjennomsnittlige systemer normalt filtre for å redusere whipsaws. Mer sofistikerte systemer bruker mer enn ett bevegelige gjennomsnitt. To flytende gjennomsnitt bruker et raskere bevegelige gjennomsnitt som en erstatning for sluttkurs. Tre flytende gjennomsnitt bruker et tredje glidende gjennomsnitt for å identifisere når prisen varierer. Flere bevegelige gjennomsnitt bruker en serie på seks hurtige bevegelige gjennomsnitt og seks langsomme bevegelige gjennomsnitt for å bekrefte hverandre. Flyttede flytteverdier er nyttige for trenden etter følgende formål, og reduserer antall piskesager. Keltner Channels bruker bånd som er plottet på et flertall av gjennomsnittlig sann rekkevidde for å filtrere bevegelige gjennomsnittsoverskridelser. Den populære MACD-indikatoren (Moving Average Convergence Divergence) er en variasjon av de to bevegelige gjennomsnittlige systemene, plottet som en oscillator som trekker det langsomme glidende gjennomsnittet fra det raskt bevegelige gjennomsnittet. Det er flere forskjellige typer bevegelige gjennomsnitt, hver med sine egne særegenheter. Enkle bevegelige gjennomsnitt er det enkleste å konstruere, men også de mest utsatt for forvrengning. Veidede glidende gjennomsnitt er vanskelig å konstruere, men pålitelig. Eksponentielle glidende gjennomsnitt oppnår fordelene med vekting kombinert med enkel konstruksjon. Wilder glidende gjennomsnitt brukes hovedsakelig i indikatorer utviklet av J. Welles Wilder. I hovedsak den samme formelen som eksponentielle glidende gjennomsnitt, bruker de forskjellige vektingsmdash som brukerne må ta hensyn til. Indikatorpanel viser hvordan du oppretter glidende gjennomsnitt. Standardinnstillingen er et 21 dagers eksponentielt glidende gjennomsnitt. Misoppfatninger om hva som er normalt for atmosfæren Norman, OK Sist oppdatert: 11. august 1997 Standard ansvarsfraskrivelsen gjelder her. Dette arbeidet er bare Chuck Doswells mening og representerer ikke noen form for offisiell uttalelse fra NSSL, ERL, OAR, NOAA, DoC eller USAs president nå vet du min kommandokjede (eller i det minste akronymer) . Nåværende tilknytning: Cooperative Institute for Mesoscale Meteorological Studies, Norman, OK 1. Innledning Muligens det mest vanlige elementet i uformell diskusjon er været, og i dag er mye diskusjon, inkludert på internett, sentre rundt det rare været vi har hatt på det siste . Den antatte skyggen av været tilskrives forskjellig til Jet Stream, Greenhouse Effect, El Nintildeo, vulkanske utbrudd, fremmede besøkende, den forestående enden av universet og så videre. Mye av dette har sin opprinnelse i slike kilder som aviser, søndagskomplementer, populærvitenskapsmagasiner, tabloidpapir og selvfølgelig fjernsynet. Innenfor sistnevnte vises programmer om været i forholdsvis seriøse presentasjoner på PBS, i kommentarer og funksjoner av dine lokale værmeldere, i TV-versjoner av magasiner og tabloid aviser, og på The Weather Channel. Jeg skal si rett opp at det store flertallet av det du leser og hører når det gjelder forklaringer via de forskjellige media, er fabrikasjoner, mytologi, gibberish eller groteske oversimplifications. Uansett hvor mange velrenommerte folk de trot ut foran kameraene for å fange de uunngåelige lydbittene som fjernsyn bruker i stedet for innhold, 1 hva media er tilstede, er det meste fluff og halv sannheter. Mediene er ikke i virksomhet for å gjøre vitenskapen. De er i virksomhet for å selge øl, biler, kosmetikk, tannkrem, fastmat, og kanskje seg selv. Hvis god materiell vitenskap selger, det er bra, men det er en tendens til å presse mot kontroversielle og oppsiktsvekkende, nesten alltid på bekostning av substans. Programmeringen er for det meste en unnskyldning for å sette sine produkter foran deg, forbrukeren. Hvis de tilfeldigvis sier noe pedagogisk, er det for det meste tilfeldig. La kjøperen passe på. Vitenskap har en tendens til å bære folk fordi det krever forsiktig tanke og oppmerksomhet. De fleste folk ser på TV, eller tommel gjennom mags på den lokale aviskiosk, eller surfing på Internett kjører seg lett. De vil ikke tenke veldig hardt eller veldig lenge. Dermed blir de lett villedet av hype og overdrivelse, løgner og mytologi de møter om været. Hvis jeg ikke har fornærmet deg så langt, må du være minst 25 interessert. Lar komme etter emnet, nå. De fleste ser verden gjennom egocentriske øyne, de fungerer som om deres egen personlige erfaring er representativ for hele planetenes opplevelse for all tid. For mange, hvis de ikke personlig har opplevd noe før, må det være en uvanlig og unormal opplevelse. Dette er så dumt og overfladisk, det fortjener nesten ikke å nevne her, bortsett fra at mange mennesker deler denne typen implicitte antagelser om deres erfaring. Når været overskrider noen opplevelseserfaring (og folk har en tendens til å ha korte minner, så deres oppfatning av deres erfaring er ofte begrenset til de siste årene), blir det høyt proklamert som noe unormalt eller uvanlig, ofte tynt med alvorlige forhindringer om fremtiden. Selvfølgelig, når du leser og hører om været fra media, blir du ofte fortalt hva som er normalt for den dagen. den normale høye temperaturen, den normale lave temperaturen, og kanskje den normale mengden nedbør for året fram til den datoen. Dermed får du informasjon som representerer det som er normalt på en bestemt dato for byen din. Har du noen gang tenkt på hva disse tallene betyr hvor kom de fra? Hva forteller de virkelig å fortelle deg hva du kan forvente den 5. april eller 23. oktober, eller når Hva betyr det å oppleve normalt vær på en bestemt dag eller i løpet av dagen Et gitt år Som jeg vil håpe å vise, er ordet normal kanskje et uheldig ordvalg som formidler noe ganske upassende når ordet brukes til å beskrive været, spesielt på kvantitative måter. 2. Fordeling for en bestemt dato Jeg begynner med å vurdere hva dataene faktisk viser. det vil si den hypotetiske og teoretiske. Tenk deg at det finnes en oversikt over høye temperaturer for Hellmouth, Nevada som er ferdig i en periode på 100 år. For hver dato på året (unntatt 29. februar) er det registrert 100 høye temperaturverdier. Hva antar du at en slik plate kan se ut? Anta at alle de høye temperaturene på hver 16. juni over de 100 årene er de samme. Det virker ganske lite sannsynlig. ingen ville være så dumt som å tro på det, riktig En fin måte å visualisere hva de 100 observasjonene ser ut som ville være å vise de 100 høye temperaturobservasjonene. Dette kan gjøres på en rekke måter, men forestill deg et plott av antall ganger hver temperatur skjedde 16. juni. Et slikt plott kan se slik ut som 3. Du kan gjenkjenne den kjente, klokkeformede kurven. Merkelig nok kalles bellkurven noen ganger som en Normalfordeling, hovedsakelig av historiske årsaker som er av liten interesse her. Dataene kan også se slik ut. kanskje på en annen dato på samme sted, eller på et annet sted på samme dato. 3. Måle sentral tendens Nå vurderer du hvordan du skal definere hva som er normalt for en bestemt dato, da temperaturen på den datoen varierer fra år til år. Kanskje den mest logiske begynnelsen ville være å si at det som er normalt er det enkle gjennomsnittet av dataene fra hver av de 100 prøvene. Det enkle gjennomsnittet (eller gjennomsnittet) for noen variabel, x. samplet 100 ganger er definert for å være hvor x jeg representerer de individuelle verdiene fra hver av 100 år i rekordperioden, og det morsomme symbolet blir lest som summen fra 1 til 100 av x i. 4 Det enkle gjennomsnittet er en av flere måter å måle det som er teknisk kjent som sentral tendens. Et annet slikt mål kalles medianen. Det er den verdien av x som deler fordelingen i to like halvdeler med 50 verdier over medianen og 50 verdier under. For de to klokkeformede kurvene som nettopp er vurdert, er middel og medianen nettopp det samme, det enkle gjennomsnittet ligger sammen med toppens fordeling. Dette er ikke alltid sant, som vil bli vist senere. Disse to første eksemplene er valgt slik at det enkle gjennomsnittet av dataene er den samme verdien i begge deler, men fordelene er ganske forskjellige. Det ser ut til at verdier er mye større i det andre eksemplet enn i det første. Dette er en viktig leksjon om hva som menes med normal: den enkle gjennomsnittsverdien forteller ikke hele historien. Siden det totale antall verdier må forbli det samme i begge tilfeller (for eksempel i mitt hypotetiske eksempel er det 100 totale høytemperaturverdier for hver dato), forekommer gjennomsnittsverdien mye mindre ofte i det andre eksemplet enn det første. Faktisk, selv i det første eksemplet, oppstår ikke gjennomsnittsverdien det meste av tiden. De fleste verdiene i fordelingen er ikke nettopp på gjennomsnittsverdien. Dette er vanligvis tilfellet, så hvis det er vanlig å definere at det ikke er noen avvik fra gjennomsnittet, så er det normalt noe uvanlig. Med andre ord, hvis vi normalt mener gjennomsnittet, er det normalt faktisk bare en gang i en stund. Tallene viser at forekomsten av gjennomsnittsverdien er mer uvanlig i det andre eksemplet enn i det første, men store avvik fra gjennomsnittet er mindre vanlige i det første eksemplet sammenlignet med det andre. 4. Målevariasjon Dette illustrerer allerede et annet viktig tema. Hvis vi ved normal velger å bety hva som er typisk. så er det som er veldig typisk variasjon. Været varierer fra år til år, slik at gjennomsnittet i seg selv bare ikke sier veldig mye om hva det virkelige været er som gjennomsnittet er bare et statistisk resultat avledet av en samling hendelser som hver for seg ikke ser noe ut som gjennomsnittet. For å si noe meningsfylt om været må dets variabilitet beskrives. Faktisk er noen uttalelser om hva som er normalt uten noen beskrivelse av fordelingen av avganger fra normal, ufullstendig og villedende. For å uttrykke variasjonen om gjennomsnittet bruker statistikere ofte prøvevarianansen. s 2. definert som hvor divisoren er 99 i stedet for 100 for noen mindre tekniske grunner som ikke angår oss. 5 Når fordelingen er smal, som i det første eksempelet på den klokkeformede kurven, er variansen relativt liten når fordelingen er bred, som i det andre eksempelet, er variansen relativt stor. Noen værvarsler har mer varianse enn andre, og variansen i noen variabler på et bestemt sted kan være ganske annerledes enn på et annet sted. For eksempel varierer temperaturer nær polene eller i nærheten av ekvator ikke like mye fra dag til år eller år til år som steder i mellom. Været i enkelte deler av landet er mer variabelt fra år til år enn i andre. Og variasjonen avhenger av sesongen. Om vinteren, i Nord-Dakota (for eksempel), varierer temperaturene ikke så mye som de gjør i, sier Oklahoma. Men om sommeren er situasjonen omvendt om sommertemperaturen i Oklahoma, ikke så stor som i North Dakota. Det er meteorologiske årsaker til dette som ikke er opptatt av dette essayet. Jeg vil vise data for både North Dakota og Oklahoma City senere. Prøvevariancen er ikke det eneste måleet på variabilitet. Det er mange forskjellige måter å beskrive variabiliteten på via statistikk, men det er av interesse å vurdere rekkevidden mellom ekstremer. Vurdere noen virkelige data for Oklahoma City vist er et plott av forskjellen mellom rekordhøy og rekord lav for hver dato i året. Også vist er forskjellen mellom gjennomsnittlig høy og gjennomsnittlig lav, hvor gjennomsnittet er over 30 år 1961-1990 (dette vil bli diskutert senere). Som tiden går, er selvfølgelig opptegnelsene brutt. Dette betyr at rekkevidden av observerte verdier gradvis vil øke, selv om den underliggende distribusjonen (om hvilken ingen solid informasjon er tilgjengelig fordi den ikke er observert), kan ikke endres. Med andre ord, selv om den underliggende fordelingen er konstant (og det ikke er noen garanti for at det er), har det observert været i 100 år, kanskje ikke lenge nok til å prøve de ekte ekstremer av fordelingen. Dette er en stor del av dilemmaet i å prøve å avgjøre om klimaet endres. Klima er i utgangspunktet et statistisk produkt, avledet av varianter av været. For en annen visning, se notatet lagt til i avsnitt 9 Gitt at våre vitenskapelige observasjoner av været kun er samlet inn i omtrent 200 år i USA, er det ganske lite sannsynlig at de sanne klimatologiske ekstremitetene er observert. Det er i utgangspunktet umulig å være sikker på om mulige endringer i klimaet når klimaet selv er usikkert. Jeg kommer tilbake til dette emnet senere. 5. Andre distribusjonstyper Som om dette ikke er dårlig nok allerede, er det ingen garanti for at de virkelige dataene vil følge en kurve som de to første eksemplene. De kan godt se slik ut. hvor fordelingen sies å være skjevt. For skjeve fordelinger, bør det være klart at det enkle gjennomsnittet ikke nødvendigvis er et godt mål for sentral tendens, fordi det vil bli påvirket av noen store avganger, langt fra toppen i distribusjonen. For skjev fordeling er medianen et bedre mål hva som er typisk, er ønsket. I et ekstremt tilfelle, som med de fleste utbredelser av nedbør, som ser noe ut som dette, er toppen ved en av de ytterste endene av observasjonene, og fordelingen svinger ut når de observerte verdiene blir store. I et slikt tilfelle er det typisk en null nedbør. Medianen kan være svært nær null og gjennomsnittet kan påvirkes uvanlig av noen ekstreme verdier. For en slik fordeling blir hele begrepet sentral tendens tvilsom. For en bimodal distribusjon. det er en reell utfordring. verken medianen eller middelverdien vil vise hva som er typisk siden det er to versjoner av det som er typisk, ikke bare en. Ingen enkelt mål for sentral tendens kan beskrive denne typen distribusjon. Når observasjonene viser en bimodalfordeling (eller enda mer enn bare to forskjellige topper), betyr det at været vanligvis har en tendens til å falle i to (eller flere) forskjellige mønstre. Slike fordelinger kan faktisk oppstå, selv om de virkelige fordelingene kanskje ikke er så klart bimodale som eksemplet de kanskje bare har noen støt som indikerer mulig tilstedeværelse av separate topper. 6. Variabilitet fra dag til dag Så langt har jeg vurdert det meste distribusjonen av variabelen på en enkelt dato, over 100 år med et hypotetisk eksempel. Vurder hvordan dataene kan se ut når de vurderes over hele året. Det er av interesse å se nå på ekte data. Vurder denne plottet av omfanget av daglige rekordtemperaturer som avledet fra postene til Oklahoma City for uansett periode med rekord er på det stedet. I tillegg til de vanlige høy - og lavtemperaturregistrene for hver dato, er det også en laveste maksimumstemperatur og en høyeste minimumstemperatur for hver dato, som vist i eksemplet. Vær oppmerksom på at det ikke finnes noen informasjon i dette diagrammet om hva fordelingen for hver dato kan se ut. Bare intervallet mellom rekordhøyt og lavt for hver dato. Du kan se at det er en ganske jevn bakgrunnsvariasjon av fordelingen i løpet av året. Dette gjenspeiler at temperaturen er varmere om sommeren enn om vinteren generelt. Men ikke hver dag om vinteren er det kaldt, og ikke hver dag om sommeren er det varmt. Rekordenes lave maksimumstemperaturer ligner faktisk rekordløyper og rekordhøye minimumstemperaturer ser mer ut som rekordhøyde. Leseren vil kanskje tenke på hva dette sier om meteorologien. Det er vanlig å finne den gjennomsnittlige temperaturen for dagen, som det enkle gjennomsnittet mellom den observerte høye temperaturen og den observerte lave temperaturen som er, jeg håper på dette tidspunktet at det blir lett å forstå det som definerer gjennomsnittstemperaturen for dagen På denne måten kan det ikke være veldig representativt for det enkle gjennomsnittet av alle temperaturene observert i løpet av dagen. Det kan for eksempel være at maksimumstemperaturen på en bestemt dato oppstår kort etter midnatt, med en kald front som fører til fallende temperaturer gjennom dagen. I så fall er dagens høyeste temperatur ikke veldig representativ for temperaturer gjennom den dagen. Fordelen med denne metoden for å beregne dagens gjennomsnittstemperatur er imidlertid at det kun er to verdier: dagene maksimale og dagene minimum. Åpenbart, gjort på den mer komplekse måten, vil gjennomsnittet avhenge av hva fordelingen av temperaturer i løpet av dagen faktisk var. For mange av observasjonene som brukes i bestemmelsen av klima, samler observatørene ikke timertemperaturer (som gjøres ved National Weather Service observing sites). I stedet måler de bare de høye og lave temperaturene daglig. Denne praksisen er derfor bare en refleksjon av de tilgjengelige dataene. En mer nøyaktig prosedyre kan ikke brukes fordi dataene som trengs for en mer nøyaktig representasjon ganske enkelt ikke er der på mange nettsteder. Gitt alt dette, vurder nå gjennomsnittet av, si en 30-års periode med rekord for temperaturer, den 30-årige gjennomsnittlige maksimumstemperaturen. 30-års gjennomsnittlig minimumstemperatur. og 30-års gjennomsnittet av gjennomsnittstemperaturen for dagen. Hvis disse verdiene er plottet i løpet av et år, vises resultatet på plottet vist her. Dette er en mye jevnere versjon av den årlige variasjonen av temperaturer enn plottet vist tidligere (for rekordtemperaturene på en gitt dato), men det har fortsatt noen uregelmessigheter. 7. Utvikle normaler Hvis bare plottet av gjennomsnittlig daglig temperatur blir vurdert, kan de daglige verdiene av denne statistiske beregningen brukes til å definere hva som er normalt for hver dato. Vær imidlertid oppmerksom på at det er noen støt og wiggles på denne plottet, gjennomsnittet endres ikke jevnt fra en dag til den neste over hele året. Derfor kan det gjøres å beregne en teoretisk kurve som passer nøye med observasjonene, men som varierer jevnt fra hver dag til den neste. Forskjellige tekniske ordninger eksisterer for å gjøre dette, men detaljene spiller ingen rolle her. Verdiene fra denne glatte kurven kan også kalles de normale temperaturene. Det samme kan gjøres separat til de daglige høye temperaturene og til de daglige lave temperaturene. Dette ville gi jevne kurver av gjennomsnittlig høy og lav temperatur for hver dato. Jeg håper du kan se hvor kunstig en slik normal verdi er, det er sluttproduktet av en rekke antagelser og statistiske manipulasjoner. Det ville være typisk bare i svært begrenset forstand. Likevel er denne prosessen (eller noe som den) i utgangspunktet det som er gjort for å gi deg de vanlige høye og lave temperaturene du ser i mediepresentasjonene. Selvfølgelig er det ikke noe magisk eller hellig om hvordan dette ble gjort. På hvert trinn underveis er det tatt beslutninger om hvordan man kan manipulere observasjonene. Blant disse avgjørelsene er perioden brukt til å definere hva som er normalt. Det som vanligvis gjøres, er ikke å bruke hele perioden over hvilke data som eksisterer, men å velge en 30-års periode med rekord og ringe til det normale vanndyret. For National Weather Service-normaler er den nåværende perioden av rekord 1961-1990. På slutten av hvert tiår blir 30-års gjennomsnittsperioden flyttet fremover ytterligere 10 år. Når dataene er samlet inn i 2000, vil normalitetsperioden skifte til 1971-2000 i 2001, og bli der til 2011, og så videre. Resultatet ser slik ut når det brukes til årlige nedbørsdata for Oklahoma City. Legg merke til at nivålinjene, som representerer 30-års gjennomsnittet for forskjellige 30-årige gjennomsnittsperioder, endres fra ett tiår til det neste. I noen tilfeller er forskjellen ganske viktig for de viste dataene, den årlige vanlige nedgangen for Oklahoma City har forandret seg med så mye som 3 tommer. Det som ble kalt normalt for 30 år siden, er det ikke det som kalles normalt i dag. Hvem bestemmer hvor lenge en gjennomsnittlig periode å bruke Hvem bestemmer hvilke år å bruke Hvem bestemmer hvilke statistiske manipulasjoner av dataene som skal ansettes For USA er slike avgjørelser truffet av National Weather Service og National Climate Data Center. Formentlig, hvis de blir spurt, kan de gi detaljer om hvordan de beregner det som er normalt, men alle slike beslutninger er på en eller annen måte tilfeldig. De kunne ha gjort dem på en annen måte, og resultatet kan ha vært noe annerledes, men like forsvarlig. Så hvor forlater dette oss Som jeg har vist, er avganger fra normale ikke uvanlige. Faktisk er avganger fra vanlig ganske typisk. Avhengig av hva som blir observert og hvor nøyaktig det måles, kan vi ikke engang ha mye solid informasjon om hva som egentlig er normalt for noen begivenhet. Det er sannsynlig at det vil være ganske normalt for bemerkelsesverdige hendelser (i forhold til avviket fra gjennomsnittet) som skal skje innen 30 år, større (større avganger fra gjennomsnitt) hendelser som skjer i hvert århundre, og enda større hendelser skjer i 1000 år. Gitt det faktum at de fleste har den egocentriske oppfatningen av klimatologi som er beskrevet i introduksjonen, vil hver viktig begivenhet som avviker vesentlig fra gjennomsnittet virke vildt unormal for de fleste, selv om det i en veldig reell forstand kan anses som ganske typisk når den lange utsikten er tatt. 8. Nedbørshendelser og tilbakevendingsintervaller Dette bringer opp det ofte misforståtte emnet for gjentagelsesintervaller. Den mest vanlige applikasjonen er regnfall som fører til flomoversvømmelser, men metoden kan brukes til å estimere gjenværende intervaller for nesten alle hendelser. For nedbørsmessige regnskader kan observasjonene av nedbør over noen dreneringsbassenger (eller avløp) brukes til å bestemme frekvensen av toppmengder i vannet. Anta at nedbørsmålingene er delt inn i kategorier (si intervaller på 0,01 tommer eller 0,05 tommer eller uansett) og de observerte hendelsene i hvert intervall teller. Dette resulterer i en frekvensplot (histogram) som vil se ut som den som ble vist tidligere. med topp ved laveste verdier og en hale med svært lave frekvenser som strekker seg mot høye verdier. Frekvensen av hendelser reduseres ettersom mengden av observert nedbør øker, og det viser seg at slike plott ofte kan tilnærmet seg godt ved det som kalles en lognormal distribusjon. Faktisk er den hypotetiske plottet vist en lognormal fordeling. Selvfølgelig er virkelig store mengder observert nedbør svært sjeldne og kan ikke ha blitt observert i rekordperioden. Hvis det antas at nedbørsfordelingen som er funnet ved bruk av kort periode, kan brukes i svært lange perioder, kan den teoretiske fordelingen utvides (slik utvidelse kalles ekstrapolering) for å finne ut den hypotetiske forekomstfrekvensen for svært stor (lavfrekvens ) nedbørshendelser. Jeg observerer at prosessen med ekstrapolering er en risikofylt virksomhet. Forutsatt at en enkelt prøve på 100 år verdt data (eller hva som faktisk er tilgjengelig) er en tilstrekkelig database for å observere den virkelige fordeling av hendelser er ikke nødvendigvis en god. men i fravær av informasjon, kan det være alt vi har. Det som kalles normalt nedbør på en gitt dag, er vanligvis sett til å bety gjennomsnittet av alle observerte nedbørshendelser på en bestemt dato. Mange nullverdier blir lagt inn, og så er det gjennomsnittlige nedbør et lite beløp. En observasjon av daglige nedbørsmessige observasjoner i to forskjellige år sammenlignet med de normale verdiene er vist her for Oklahoma City. Vær oppmerksom på at den normale situasjonen synes å være at det regner en liten mengde hver dag. I virkeligheten er det selvfølgelig mange dager uten regn. På dager når det regner, overstiger beløpet ofte det som er normalt for den dagen. Rekordverdiene for hver dag på året i Oklahoma City sammenlignet med normalerne (som det jeg tidligere viste for Bismarck) vises her Selvfølgelig, hva media vanligvis rapporterer, er ikke gjennomsnittlig nedbør for en bestemt dato, men total akkumulering for året til den datoen. Som vist her. måten nedbør oppsamler i et gitt år, ser ikke så mye ut som det ser ut til i gjennomsnitt. Legg merke til i dette diagrammet at det i årlige totalt ikke samsvarer nøyaktig hva som er normalt (30-års gjennomsnittet fra 1961-1990), og tilbakekall årets variasjon i nedbør. Forestill deg alle de forskjellige typene av grafer av daglig akkumulert nedbør som kan gjøres fra alle de forskjellige årene av data. Nedbør er spesielt vanskelig å karakterisere ved ordet normalt på en hvilken som helst virkelig meningsfylt måte. Merk at frekvensen av observerte forekomster er funnet fra disse dataene ved å dividere det observerte antallet hendelser etter rekordperioden. Hvis en hendelse som overskrider noen terskelstørrelse oppsto 10 ganger på 100 år, er det en gjennomsnittlig frekvens på en gang hvert tiende år. det vil nesten ikke sikkert vært 10 jevnt fordelte hendelser, skjønt. Når fordelingen av hendelser av den størrelsen som en funksjon av tiden vurderes, vil en ting være veldig åpenbar: de forekommer ikke med jevne mellomrom på ti år. Faktisk for nedbørsmålinger er det en tydelig tendens til hendelser av en bestemt Størrelse skal forekomme i klynger, med lange perioder mellom hvor ingenting av den størrelsen oppstår. Merk lagt til i august 1997): Forresten blir forekomstfrekvenser avledet for bestemte bestemte steder. Det er ganske mulig at mange 100 års hendelser kan forekomme innen kort tid i forskjellige, men nærliggende, steder. Hvis vi vurderer flomoversvømmelser, kan for eksempel flere tilstøtende bassenger oppleve 100 års flom over et tidsrom på 20 år. Dette ville ikke nødvendigvis bety at 100 års beregninger i hvert basseng er feil. Videre er verdiene typisk forskjellige for hvert sted. en 100-års-begivenhet i det fjellrike vestlige USA vil nesten helt sikkert innebære mindre nedbørsmengder enn en 100-års-begivenhet langs Gulf Coast. Frekvensverdiene for lavfrekvente hendelser som har blitt estimert ved ekstrapolering av fordelingen utover de faktiske observasjonene, er alle mindre enn en hendelse per perioden av den faktiske platen. Det er i rekordperioden (si 100 år), en slik begivenhet ble aldri observert. Gitt en rekordlengde på Y år, er den laveste frekvensen som kan ses Y -1. For Y 100 år gir dette en laveste frekvens på en per 100 år. Ved å utvide grafen kan estimerte verdier for frekvensen som er mindre enn en, oppnås, som allerede nevnt. Hvis den hypotetiske frekvensen er 0,1 per 100 år, er dette det samme som en gang per 1000 år, eller en såkalt tusenårs-begivenhet. En 500-yearevent ville være 0,2 per 100 år, og så videre. Det er ganske vanskelig å observere 0,1 hendelser Gitt at i USA er en 200-årig kontinuerlig rekord ganske uvanlig, det er klart at 500- eller 1000-årige gjentagelsesintervaller er resultatet av slike ekstrapoleringer. Sjansene for en hendelse med en gitt størrelse øker med tiden, men passeringen av ett gjentagelsesintervall garanterer ikke at du vil ha sett en og bare en slik begivenhet. Jo lengre perioden av rekord, jo mer sannsynlig vil en hendelse av den størrelsen oppstå. Hvis hendelsesstørrelsen er liten (si en 10 års hendelse), vil den oppstå relativt ofte, og hvis hver 100-årig periode ble vurdert separat, ville frekvensen av en slik hendelse se omtrent like ut over hvert 100 års intervall (10 hendelser pr. 100 år). For svært store hendelser (si en 500 års begivenhet), vil frekvensen innen hvert 100 års intervall svinge betydelig. I noen århundrer ville det ikke oppstå noe slikt. I andre århundrer kan det være flere slike hendelser. Men hvis vi på en eller annen måte kan se på 10.000 års intervaller (kanskje ved hjelp av teknikkene for paleoklimatologi), vil frekvensen av en hendelse med et gjennomsnittlig gjentakelsesintervall på 500 år være omtrent det samme (20 hendelser i hver slik 10.000 år). På dette punktet i menneskets historie er disse ganske abstrakte begreper, åpenbart 9. Klimaendringer Som en del av en nedbrytning, anta at hyppigheten av 10 års hendelser blir observert på en eller annen måte å forandre seg fra ett århundre til det neste. Enhver slik endring kan ses som en forandring av klimaet, selv om det kan være en argumenterbar konklusjon. På den annen side vil det være svært vanskelig å utlede mye om endringer i frekvensen av 500 års hendelser når det gjelder klimaendringer, for i tiden fra ett århundre til det neste er det ganske mulig at alt som er observert er en naturlig fluktuasjon i frekvensen av 500 års hendelser. Jorden her blir ganske rystet. En del av problemet er å bestemme hva som egentlig er ment med ordet klima. Ordklimaet er generelt sett å bety en slags gjennomsnitt av været. Så mye er greit, men hva er gjennomsnittsperioden og hvor mye data er det å være sikker på (i hard og statistisk forstand) at gjennomsnittet endrer seg Som allerede nevnt er solide meteorologiske observasjoner omtrent to århundrer i det meste av USA og noen viktige observasjoner (spesielt de over overflaten) har kortere tidsperioder enn det. Selvfølgelig kan man finne bevis på hva klimaet kunne ha vært for lenge siden (istid, etc.), så klimaet fra den fjerne fortiden var nesten helt annerledes enn dagens klima, men det er veldig vanskelig å være sikker på detaljene i det skiftende klimaet. Og hvis klimaet forandrer seg hele tiden (som sannsynligvis er tilfelle), så er det som kalles klimaet i utgangspunktet bare en bestemt (og egentlig vilkårlig) måte å manipulere dataene statistisk på. Når dataene blir sett med andre valg, har det blitt gjort, kanskje vil klimaet virke stabilere enn det som gjøres når valgene blir gjort på en annen måte. Det er mange gode folk (så vel som uvitende folk i media og andre steder) snakker om hvordan vi mennesker kan (eller kanskje ikke) endrer klimaet. og jeg har ingen informasjon som sier at vi er (eller ikke) endrer klimaet fra hva det ville vært uten menneskelige aktiviteter. Men hvis klimaet forandrer seg hele tiden, hvordan kan endringene som introduseres av mennesker skille seg fra endringene som ville ha skjedd uten mennesker. Det er veldig vanskelig å gjøre dette skillet. Selv eksperter er uenige om slike ting. 7 Hvordan kan vi ha tillit til at medierapporterne har gjort jobben sin med å utdanne oss til å være klar over den sanne situasjonen min tro er at vi ikke kan stole på media for å holde oss informert om slike ting Merk (lagt til i august 1997): Nylig , Skrev Reid Bryson et meget interessant essay i mars 1997-utgaven av Bulletin of the American Meteorological Society. Vol. 78. pp. 449-455 hvor han foreslår følgende definisjon: Klima (klimatestatus) er den termodynamikrodynamiske statusen til de globale grensevilkårene som bestemmer gjeldende utvalg av værmønstre. Hans idé er at de globale grensevilkårene bestemmer hva slags tillatte værmønstre som er tillatt. Derfor, hvis grenseforholdene endrer seg, så er klimaet. Han noterer seg at denne statusen endres med tid og sesong, og at klimaet inneholder værmønstre knyttet til den aktuelle statusen. Like interessant som denne ideen er, er det ikke klart for meg at det virkelig har forandret noe. Vi vet ikke nøyaktig grenseforholdene. bruken av dette begrepet er knyttet til å behandle problemet som et grenseværdighetsproblem, et matematisk begrep. og så måtte vi fortsatt gjøre noen form for gjennomsnitt for å behandle problemet på noen praktiske vilkår. Det har heller ikke blitt påvist at problemet er et rent grenseværdighetsproblem. Det kan være at med et gitt sett av grenseforhold, kan settet av tillatte værmønstre også avhenge av de opprinnelige forholdene (et innledende verdi problem, i matematiske termer). Imidlertid liker jeg tanken om at klimaet nødvendigvis inkluderer fluktuasjonene knyttet til værmønstre tillatt av et bestemt sett av grensevilkår. Reids essay is certainly an interesting proposal that at least makes an effort to avoid the logical conundrums of climate as the average of the weather. Im inclined to be supportive of its direction, if not the practicality and appropriateness of all its abstractions. One particularly severe winter, or one notably long drought, or some spectacular series of devastating storms does not signal that the climate has changed. Not even all of those taken together are sufficient to foretell the Apocalypse. Nor should it be considered automatically as something unusual or particularly abnormal, as I have been trying to show. As I look at the data showing the variation of rainfall in Oklahoma City over a period of 91 years. I have a lot of trouble being confident in saying that climate change is or is not occurring. Yes, there recently does appear to be more precipitation than in the past. However, if I dug back into the record another 91 years, I might find find a period that looked very much like, say, the last 10 years. Given all the year-to-year variability, a true climate change (however we might want to define such a thing) is pretty hard to detect. Even using sophisticated statistical techniques, it is hard to be completely sure There are a lot of things that can affect the record, including the exposure of the raingauge, how the readings are taken, the design of the raingauge, the character of the surrounding region. many of these things have changed over the years, even at a single site. Assessing climate change is pretty doggoned difficult. Weather (and its average, the climate) changes on many time and space scales, and we can be certain that during the 200 years (or less) of observations here in the U. S. we have sampled only a tiny fraction of those time and space variations in the weather (and climate). 10. Discussion So where does this leave us Well, there are several conclusions that I want to you to consider: The weathers most predominant characteristic is variability . What is average is not necessarily what is typical . In most instances, having weather that corresponds precisely to the average is rather unusual. Knowing the average is not enough information to know what is typical. What is needed is a knowledge of the variability about the average. The variability of weather depends on the time and location being considered. What is considered normal may not even correspond precisely to the average. Normality is a matter of definition. In order to understand what normal means, you have to know what was done to the data. When the period of observation is less than a given recurrence interval, the actual knowledge of that recurrence interval is subject to uncertainty it depends on the validity of the assumptions used to find it. When recurrence intervals are used to describe events, they do not imply that events of that magnitude will occur at regular intervals. Any particular event or even a series of events does not necessarily show that the climate (i. e. the average of the weather) has changed. The use of statistics to develop quantitative knowledge of atmospheric behavior is not some sort of black art, but popular presentations of that knowledge frequently are misleading because they ignore the statistics. Statistics is an important tool for development of an understanding of what is normal and what the climate is, simply because with a knowledge of statistics, the limitations of our understanding can be known . Typically, in the media, all of the warnings about the limitations of the procedures (often called caveats, a Latin word meaning beware ) are ignored. Many of these limitations are technical and difficult for the public to grasp, so the media usually do not present the caveats. Oversimplification is an understandable, if lamentable, tendency of media presentations. I would hope that most people would seek more information about such things, but folks willing to seek more information are rather exceptional, I fear. Most people do not want to be bothered with technical issues because they feel they are irrelevant to their lives. Unfortunately, ignorance of this sort can lead the majority of the public to adopt inappropriate positions regarding decisions about our environment an important example of an inappropriate position is one of apathy (If there is so much disagreement about what to, then who cares). I believe it to be in every persons self-interest to know more about the environmental issues that confront us. The environment can be very unforgiving when we make mistakes, and makes no distinction when those mistakes are attributable to ignorance. Like the law, the atmosphere does not recognize ignorance as an excuse. Acknowledgments . I have been assisted in this process by Dr. David Schultz, Mr. Dave Andra, Dr. Jeff Trapp, Dr. Harold Brooks, and Ms. Beverly Reese. These kind folks have helped me get the data used in the examples I have shown andor engaged in helpful discussions about this topic.
No comments:
Post a Comment