Flytta genomsnitt: Hur man använder dem Några av de främsta funktionerna i ett rörligt medelvärde är att identifiera trender och reverseringar. mäta styrkan i en tillgångs momentum och bestämma potentiella områden där en tillgång kommer att hitta stöd eller motstånd. I det här avsnittet kommer vi att påpeka hur olika tidsperioder kan övervaka momentum och hur glidande medelvärden kan vara fördelaktiga vid inställning av stoppförluster. Dessutom kommer vi att ta itu med några av de möjligheter och begränsningar som gäller för glidande medelvärden som man bör överväga när man använder dem som en del av en handelsrutin. Trend Identifierande trender är en av nyckelfunktionerna för glidande medelvärden, som används av de flesta handlare som försöker göra trenden till sin vän. Flyttande medelvärden är fördröjande indikatorer. vilket innebär att de inte förutsäger nya trender, men bekräftar trenderna när de har blivit etablerade. Som du kan se i figur 1 anses ett lager vara i en uptrend när priset ligger över ett glidande medelvärde och medeltalet är sluttande uppåt. Omvänt kommer en näringsidkare att använda ett pris under ett nedåtgående lutande medel för att bekräfta en nedåtgående trend. Många handlare kommer bara att överväga att hålla en lång position i en tillgång när priset handlas över ett glidande medelvärde. Denna enkla regel kan hjälpa till att se till att trenden fungerar i branschens favor. Momentum Många nybörjare handlar om hur det är möjligt att mäta momentum och hur glidande medelvärden kan användas för att hantera en sådan prestation. Det enkla svaret är att uppmärksamma de tidsperioder som används för att skapa medelvärdet, eftersom varje tidsperiod kan ge värdefull inblick i olika typer av momentum. I allmänhet kan kortsiktiga momentum mätas genom att titta på glidande medelvärden som fokuserar på tidsperioder på 20 dagar eller mindre. Att se på glidande medelvärden som skapas med en period av 20 till 100 dagar anses allmänt som ett bra mått på medellång sikt. Slutligen kan varje glidande medelvärde som använder 100 dagar eller mer i beräkningen användas som ett mått på långsiktigt momentum. Sunt förnuft bör säga att ett 15-dagars glidande medelvärde är en lämpligare åtgärd av kortsiktig moment än ett 200-dagars glidande medelvärde. En av de bästa metoderna för att bestämma styrkan och riktningen för en tillgångsmoment är att placera tre glidande medelvärden på ett diagram och sedan uppmärksamma hur de staplar upp i förhållande till varandra. De tre glidande medelvärdena som brukar användas har olika tidsramar i ett försök att representera kortsiktiga, medellånga och långsiktiga prisrörelser. I Figur 2 ses stark uppåtgående moment när kortare medelvärden ligger över längre siktvärden och de två genomsnittet är divergerande. Omvänt, när de kortare medelvärdena ligger under de längre siktvärdena är momentet i nedåtriktad riktning. Stöd En annan gemensam användning av glidande medelvärden är att bestämma potentiella prisstöd. Det tar inte mycket erfarenhet av att hantera rörliga medelvärden för att märka att det fallande priset på en tillgång ofta kommer att stoppa och vända riktningen på samma nivå som ett viktigt medelvärde. I figur 3 kan man till exempel se att 200-dagars glidande medel kunde förhöja priset på beståndet efter att det föll från dess höga nära 32. Många handlare kommer att förutse en studsning av stora glidande medelvärden och kommer att använda andra tekniska indikatorer som bekräftelse på det förväntade flyget. Motstånd När priset på en tillgång faller under en inflytelserik stödnivå, som det 200-dagars glidande genomsnittet, är det inte ovanligt att se den genomsnittliga lagen som en stark barriär som hindrar investerare från att trycka tillbaka priset över det genomsnittet. Som du kan se från diagrammet nedan används detta motstånd ofta av handlare som ett tecken för att ta vinst eller att stänga av befintliga långa positioner. Många korta säljare kommer också att använda dessa medelvärden som ingångspunkter eftersom priset ofta stöter på motståndet och fortsätter sin flyttning lägre. Om du är en investerare som håller en lång position i en tillgång som handlar under stora glidande medelvärden, kan det vara ditt bästa att titta på dessa nivåer noga, eftersom de kan påverka värdet av din investering väldigt mycket. Stopp-förluster Stöd och resistansegenskaperna hos glidande medelvärden gör dem till ett utmärkt verktyg för hantering av risker. Förmågan att flytta medelvärden för att identifiera strategiska ställen för att fastställa slutförlustorder gör det möjligt för handlare att skära av förlorade positioner innan de kan växa något större. Som du kan se i Figur 5, kan handlare som håller en lång position i ett lager och sätter sina order för förlustförluster under inflytelserika medelvärden spara mycket pengar. Med hjälp av glidande medelvärden för att ställa in slutförlustorder är nyckeln till en framgångsrik handelsstrategi. Flyttande medelindikator Flytta genomsnittsvärden ger en objektiv åtgärd av trendriktning genom att utjämna prisdata. Normalt beräknat med slutkurs, kan glidande medelvärdet också användas med median. typisk. viktad stängning. och höga, låga eller öppna priser samt andra indikatorer. Kortare längd glidande medelvärden är känsligare och identifierar nya trender tidigare, men ger också fler falska larm. Längre glidande medelvärden är mer tillförlitliga men mindre mottagliga, bara hämtar de stora trenderna. Använd ett glidande medelvärde som är halva längden på cykeln som du spårar. Om cykelns längd är högst 30 dagar, är ett 15-dagars glidande medel lämpligt. Om 20 dagar, då är ett 10 dagars glidande medel lämpligt. Vissa handlare kommer emellertid att använda 14 och 9 dagars glidande medelvärden för ovanstående cykler i hopp om att generera signaler något framför marknaden. Andra favoriserar Fibonacci-numren på 5, 8, 13 och 21. 100 till 200 dagar (20 till 40 veckor) glidande medelvärden är populära för längre cykler 20 till 65 dagar (4 till 13 veckor) glidande medelvärden är användbara för mellancykler och 5 till 20 dagar för korta cykler. Det enklaste glidande genomsnittssystemet genererar signaler när priset går över det glidande medlet: Gå långt när priset går över det glidande medlet underifrån. Gå kort när priset korsar till under det glidande genomsnittet ovanifrån. Systemet är benäget för spetsar i olika marknader, med prisöverföring fram och tillbaka över det glidande medlet, vilket genererar ett stort antal falska signaler. Av den anledningen använder glidande medelsystem normalt filter för att reducera whipsaws. Fler sofistikerade system använder mer än ett glidande medelvärde. Två rörliga medelvärden använder ett snabbare glidande medelvärde som ersättning för slutkurs. Tre rörliga medelvärden använder ett tredje glidande medelvärde för att identifiera när priset sträcker sig. Flera rörliga medelvärden använder en serie med sex snabbrörande medelvärden och sex långa glidande medelvärden för att bekräfta varandra. Förskjutna rörliga medelvärden är användbara för trend-följande ändamål, vilket minskar antalet whipsaws. Keltner Channels använder band ritade på ett flertal av genomsnittligt sant intervall för att filtrera glidande medelvärdeövergångar. Den populära MACD-indikatorn (Moving Average Convergence Divergence) är en variant av de två glidande medelvärdena, ritad som en oscillator som subtraherar det långsamma glidmedlet från det snabbrörande medeltalet. Det finns flera olika typer av rörliga medelvärden, var och en med sina egna särdrag. Enkla glidande medelvärden är enklaste att konstruera, men också de mest utsatta för snedvridning. Viktiga glidmedel är svåra att konstruera, men pålitliga. Exponentiella glidande medelvärden uppnår fördelarna med viktning kombinerat med enkel konstruktion. Wilder glidande medelvärden används främst i indikatorer utvecklade av J. Welles Wilder. I huvudsak samma formel som exponentiella glidmedel, använder de olika viktningar mdash för vilka användare behöver göra ersättning. Indikatorpanelen visar hur man skapar glidande medelvärden. Standardinställningen är ett 21-dagars exponentiellt rörligt medelvärde. Missuppfattningar om vad som är normalt för atmosfären Norman, OK Senast uppdaterad: 11 augusti 1997 Standardansvarsfriskrivningen gäller här. det här arbetet är enbart Chuck Doswells uppfattning och representerar inte någon form av officiellt uttalande från NSSL, ERL, OAR, NOAA, DoC eller USA: s president nu vet du min kommandokedja (eller åtminstone akronymerna) . Nuvarande anknytning: Cooperative Institute for Mesoscale Meteorological Studies, Norman, OK 1. Introduktion Förmodligen är det vanligaste föremålet för avslappnad diskussion vädret, och i dag finns en hel del diskussioner, bland annat på internet, centra kring vad konstigt väder vi har haft nyligen . Den antagande väderligheten tillskrivs olika strömmar till Jetströmmen, Växthuseffekten, El Nintildeo, Vulkanutbrott, Utländska besökare, Universums övergående ände, och så vidare. Många av detta har sitt ursprung i sådana källor som tidningar, söndagstillägg, populärvetenskapliga tidskrifter, tabloidpapper och självklart tv: n. Inom sistnämnden visas program om vädret inom ganska seriösa presentationer på PBS, i kommentarer och funktioner av dina lokala väderkrigare, i tv-versionerna av tidningar och tabloidtidningar och på Weather Channel. Jag kommer att säga rakt upp att den stora majoriteten av vad du läser och hör i form av förklaringar via de olika medierna är tillverkningar, mytologi, gibberish eller groteska oversimplifications. Oavsett hur många välrenommerade personer de sträcker sig framför kamerorna för att fånga de oundvikliga ljudbett som tv använder istället för innehåll, 1 vad media närvarande är mestadels fluff och halvsanning. Medierna är inte verksamma för att göra vetenskapen. De är i affärer för att sälja öl, bilar, kosmetika, tandkräm, snabbmat och kanske själva. Om god materiell vetenskap säljer, det är bra, men det finns en tendens att driva mot kontroversiella och sensationella, nästan alltid på bekostnad av substans. Programmeringen är oftast en ursäkt för att lägga sina produkter framför dig, konsumenten. Om de råkar säga något pedagogiskt är det oftast tillfälligt. Låt köparen vara försiktig. Vetenskap tenderar att bära folk eftersom det kräver noggrann tanke och uppmärksamhet. De flesta människor tittar på tv, eller tummar igenom mags på den lokala tidningskiosken, eller ens surfar på Internet blir uttråkad enkelt. De vill inte tänka sig mycket svårt eller mycket länge. Således kan de lätt vilseleda av hype och överdrift, lögner och mytologi de stöter på om vädret. Om jag inte har förolämpat dig så länge, 2 måste du vara intresserad av ämnet åtminstone lite. Låt oss komma efter ämnet, nu. De flesta människor ser världen genom egocentriska ögon, de verkar som om deras egna personliga erfarenheter är representativa för hela planetens upplevelse för hela tiden. För många, om de personligen inte har upplevt någonting tidigare, måste det vara en ovanlig och onormal upplevelse. Det här är så dumt och ytligt, det förtjänar nästan inte att nämna här, förutom att många människor delar denna typ av implicit antagande om deras erfarenhet. När vädret överstiger någons erfarenhet (och folk har en tendens till att ha korta minnen, så deras uppfattning om deras erfarenhet är ofta begränsad till de senaste åren), är det högt proklamerat som något onormalt eller ovanligt, ofta avskräckt av förskräckliga förhoppningar om framtiden. Självklart, när du läser och hör om vädret från media, får du självklart vad som är normalt för den dagen. den normala höga temperaturen, den normala låga temperaturen, och kanske den normala mängden nederbörd för året fram till det datumet. Således får du information som representerar vad som är normalt på ett visst datum för din stad. Har du någonsin tänkt på vad dessa tal betyder? Var kom de från? Vad säger de verkligen om vad du kan förvänta dig den 5 april eller den 23 oktober eller när Vad betyder det för att uppleva normalt väder på en viss dag eller under ett givet år Som jag kommer att hoppas visa, är ordet normalt ett olyckligt ordval som förmedlar något ganska olämpligt när ordet används för att beskriva vädret, särskilt på kvantitativa sätt. 2. Fördelningar för ett visst datum börjar jag med att överväga vad uppgifterna faktiskt kan visa. det vill säga den hypotetiska och teoretiska. Föreställ dig att det finns en rekord av höga temperaturer för Hellmouth, Nevada som är färdig för en period av 100 år. För varje årstid (utom 29 februari) finns det 100 registrerade högtemperaturvärden. Vad antar du att en sådan rekord kan se ut? Anta att alla höga temperaturer varje 16 juni över 100 år är desamma. Det verkar ganska osannolikt. ingen skulle vara så dum att tro på det, rätt Ett bra sätt att visualisera vad de 100 observationerna ser ut skulle vara att visa de 100 höga temperaturobservationerna. Detta kan göras på flera olika sätt, men föreställ dig ett diagram över hur många gånger varje temperatur inträffade den 16 juni. En sådan plot kan se ut som denna 3. från vilken du kanske känner igen den välkända, klockformade kurvan. Kulligt kallas klockkurvan ibland en normal fördelning, till stor del av historiska skäl som är av ringa intresse här. Uppgifterna kan också se ut så här. kanske på ett annat datum på samma plats, eller på en annan plats samma datum. 3. Mätning av central tendens Nu överväga hur man ska gå om att definiera vad som är normalt för ett visst datum, eftersom temperaturen på det datumet varierar från år till år. Kanske är den mest logiska början att säga att det som är normalt är det enkla genomsnittet av data från var och en av de 100 proverna. Det enkla genomsnittet (eller medelvärdet) för en viss variabel, x. samplas 100 gånger definieras vara där x representerar de individuella värdena från var och en av 100 år under periodens rekord och den roliga symbolen läses som summan från 1 till 100 av x i. 4 Det enkla genomsnittet är ett av flera sätt att mäta vad som är tekniskt känt som central tendens. En annan sådan åtgärd kallas medianen. Det är det värdet av x som fördelar fördelningen i två lika halvor med 50 värden över medianen och 50 värden nedan. För de två klockformade kurvorna som just ansågs är medelvärdet och medianen exakt detsamma, det enkla medlet är samlokaliserat med fördelningens topp. Detta är inte alltid sant, som kommer att visas senare. Dessa två första exemplen har valts så att det enkla medlet av data är samma värde i båda, men klart är fördelningarna ganska olika. Det verkar som om värdena är mycket större i det andra exemplet än i det första. Det här är en viktig lektion om vad som menas med normal: det enkla medelvärdet berättar inte hela historien. Eftersom det totala antalet värden måste förbli densamma i båda fallen (t ex i mitt hypotetiska exempel finns det 100 totala högtemperaturvärden för varje datum), uppträder medelvärdet mycket mindre ofta i det andra exemplet än det första. I själva verket, även i det första exemplet, uppträder det genomsnittliga värdet inte större delen av tiden. De flesta värdena i distributionen är inte exakt på medelvärdet. Detta är i allmänhet fallet, så om normalt definieras så att det inte finns någon avvikelse från genomsnittsvärdet, då är normalt normalt något ovanligt. Med andra ord, om vi normalt betyder medelvärdet, är det normala faktiskt bara en gång i ett tag. Siffrorna visar att förekomsten av medelvärdet är ovanligare i det andra exemplet än i det första, men stora avvikelser från medelvärdet är mindre vanliga i det första exemplet jämfört med det andra. 4. Mätvariation Det här illustrerar redan en annan viktig fråga. Om vi i normalfallet väljer att menar vad som är typiskt. då är det som är typiskt typiskt variation. Vädret varierar från år till år, så genomsnittet av sig själv säger inte mycket om vad det riktiga vädret är som medelvärdet är bara ett statistiskt resultat som härrör från en samling händelser som individuellt inte kan se någonting som genomsnittet. För att säga något meningsfullt om vädret måste dess variabilitet beskrivas. Faktum är att något uttalande om vad som är normalt utan någon beskrivning av fördelningen av avgångar från normal är ofullständig och vilseledande. För att uttrycka variationen om medelvärdet använder statistiker ofta provvariationen. s 2. definierad som divisorn är 99 snarare än 100 för några mindre tekniska skäl som inte berör oss. 5 När fördelningen är smal, som i det första exemplet på den klockformade kurvan, är variansen relativt liten när fördelningen är bred, såsom i det andra exemplet är variansen relativt stor. Vissa vädervariabler har mer variation än andra och variansen i vissa variabler på en viss plats kan vara ganska annorlunda än vid någon annan plats. Temperaturer nära polerna eller nära ekvatorn varierar inte lika mycket från dag till år eller år till år som platser däremellan. Vädret i vissa delar av landet är mer varierande från år till år än i andra. Och variationen beror på säsongen. På vintern, i North Dakota (till exempel), varierar temperaturerna inte lika mycket som de gör i, säger Oklahoma. Men på sommaren är situationen omvänd sommartemperaturen i Oklahoma inte lika stor som de i North Dakota. Det finns meteorologiska skäl till detta som inte berörs av denna uppsats. Jag kommer att visa data för både North Dakota och Oklahoma City senare. Provvariationen är inte det enda måttet på variabilitet. Det finns många olika sätt att beskriva variationen via statistik 6, men det är av intresse att överväga intervallet mellan extremiteter. Tänk på några riktiga data för Oklahoma City som visas är ett diagram över skillnaden mellan rekordhög och rekordlåg för varje datum på året. Också visad är skillnaden mellan den genomsnittliga höga och den genomsnittliga låga, där medeltalet är över 30 år 1961-1990 (detta kommer att diskuteras senare). Med tiden går naturligtvis skivor brutna. Det innebär att intervallet av observerade värden gradvis ökar, även om den underliggande distributionen (om vilken ingen solid information är tillgänglig eftersom den inte har observerats) kanske inte ändras. Med andra ord, även om den underliggande fördelningen är konstant (och det inte finns några garantier för att det är), har det observerats vädret i 100 år kanske inte tillräckligt länge för att prova distansens verkliga ytterligheter. Det här är en stor del av dilemmaet när man försöker bestämma om klimatet förändras eller ej. Klimatet är i grunden en statistisk produkt som härrör från varianterna av vädret. För en annan vy, se noten som lagts till i avsnitt 9 Eftersom våra vetenskapliga observationer av vädret endast har samlats i ungefär 200 år i USA är det ganska osannolikt att de sanna klimatologiska extremiteterna har observerats. Det är i grunden omöjligt att vara säker på eventuella klimatförändringar när klimatet är osäkert. Jag återkommer till det här ämnet senare. 5. Andra fördelningstyper Som om det inte är tillräckligt dåligt finns det ingen garanti för att de reella data kommer att följa en kurva som de två första exemplen. De kanske ser så här ut. där fördelningen sägs vara skevad. För skevade fördelningar bör det vara tydligt att det enkla medelvärdet inte nödvändigtvis är ett bra mått på den centrala tendensen, eftersom det kommer att påverkas av några stora avgångar, långt ifrån toppen i fördelningen. För skevade fördelningar är medianen en bättre åtgärd vad typiskt är önskvärt. I ett extrema fall, som med de flesta utbredningar av nederbörd, som ser något ut så här, ligger toppen vid en av observationernas yttersta ändar och fördelningen avtar eftersom de observerade värdena blir stora. I ett sådant fall är det typiska nollfallet. Medianen kan vara mycket nära noll och medelvärdet kan påverkas oerhört av några extrema värden. För en sådan fördelning blir hela begreppet central tendens tvivelaktig. För en bimodal distribution. det finns en riktig utmaning. varken medianen eller medelvärdet kommer att visa vad som är typiskt eftersom det finns två versioner av det som är typiskt, inte bara en. Inget enda mått på central tendens kan beskriva denna typ av distribution. När observationerna visar en bimodalfördelning (eller till och med mer än bara två distinkta toppar), innebär det att vädret vanligtvis brukar falla i två (eller flera) distinkta mönster. Sådana fördelningar kan faktiskt uppstå, även om de verkliga fördelningarna kanske inte är lika tydliga bimodala som exemplet kan de helt enkelt ha några stötar som indikerar eventuell närvaro av separata toppar. 6. Variabilitet från dag till dag Hittills har jag övervägt mestadels fördelningen av variabeln på ett enda datum, över 100 år av ett hypotetiskt exempel. Tänk på hur uppgifterna kan se ut när de övervägs över hela året. Det är intressant att titta nu på några riktiga data. Tänk på denna plot av intervallet av dagliga rekordtemperaturer som härrör från posterna för Oklahoma City, oavsett tidpunkten för rekordet är på den platsen. Förutom de vanliga höga och låga temperaturrecordsna för varje datum, finns det också en lägsta max temperatur och en högsta minsta temperatur för varje datum, som visas i exemplet. Observera att det inte finns någon information i detta diagram om hur distributionen för varje datum kan se ut. Bara intervallet mellan rekordhögt och lågt för varje datum. Du kan se att det finns en ganska jämn bakgrundsvariation av fördelningen under året. Detta återspeglar det faktum att temperaturen är varmare på sommaren än på vintern, i allmänhet. Men inte varje dag på vintern är det kallt och inte varje dag på sommaren är het. De rekordlåga maximala temperaturerna, i själva verket, liknar rekordlågorna och rekordhöga minsta temperaturer ser mer ut som rekordhöjderna. Läsaren kanske vill tänka på vad detta säger om meteorologin. Det är vanligt att hitta den genomsnittliga temperaturen för dagen, som det enkla genomsnittet mellan den observerade höga temperaturen och den observerade låga temperaturen som det är, hoppas jag på den här tiden att det blir lätt att förstå att definiera den genomsnittliga temperaturen för dagen På detta sätt kan det inte vara mycket representativt för det enkla genomsnittet av alla temperaturer som observerats under dagen. Det kan till exempel vara att den maximala temperaturen vid ett visst datum inträffar strax efter midnatt, med en kall front som medger fallande temperaturer under hela dagen. I så fall är dagens högsta temperatur inte mycket representativ för temperaturer under hela dagen. Fördelen med denna metod för att beräkna dagens genomsnittliga temperatur är emellertid att endast två värden krävs: dagarna maximala och dagarna minsta. Självklart gjort på det mer komplexa sättet skulle medlet bero på vad temperaturfördelningen faktiskt var. För många av observationerna som används vid bestämning av klimat samlar observatörerna inte timtemperaturer (vilket görs vid National Weather Service observatory sites). I stället mäter de bara de dagliga höga och låga temperaturerna. Denna praxis är därför bara en återspegling av de tillgängliga uppgifterna. En mer noggrann procedur kan inte användas eftersom data som behövs för en mer korrekt representation helt enkelt inte finns på många webbplatser. Med tanke på allt detta, nu överväga genomsnittet av, säg en 30-årig rekord för temperaturer, den 30-åriga genomsnittliga maximitemperaturen. 30-års genomsnittlig minimitemperatur. och 30-årsmedlet av den genomsnittliga temperaturen för dagen. Om dessa värden är planerade under ett år visas resultatet på det diagram som visas här. Det här är en mycket mjukare version av den årliga temperaturvariationen än det diagram som visats tidigare (för rekordtemperaturerna vid ett visst datum), men det har fortfarande vissa oegentligheter. 7. Utveckla normaler Om bara diagrammet av den genomsnittliga dagstemperaturen övervägs kan de dagliga värdena för denna statistiska beräkning användas för att definiera vad som är normalt för varje datum. Observera dock att det finns några stötar och wiggles på denna plot, medeltalet förändras inte smidigt från en dag till nästa under hela året. Därför kan vad som kan göras att beräkna en teoretisk kurva som passar observationerna nära men som varierar smidigt från varje dag till nästa. Olika tekniska system finns för att göra detta, men detaljerna spelar ingen roll här. Värdena från denna släta kurva kan också kallas normala temperaturer. Samma sak kan göras separat för de dagliga höga temperaturerna och de dagliga låga temperaturerna. Detta skulle ge jämna kurvor av de genomsnittliga höga och låga temperaturerna för varje datum. Jag hoppas att du kan se hur artificiellt ett normalt värde är det är slutprodukten av ett antal antaganden och statistiska manipuleringar. Det skulle vara typiskt endast i mycket begränsad bemärkelse. Ändå är denna process (eller något liknande) i grund och botten vad som har gjorts för att förse dig med de normala höga och låga temperaturer som du ser i mediepresentationerna. Naturligtvis finns det inget magiskt eller heligt om hur detta gjordes. Vid varje steg under vägen har beslut fattats om hur man manipulerar observationerna. Bland dessa beslut är perioden som används för att definiera vad som är normalt. Vad som vanligtvis görs är att inte använda hela perioden över vilka data som finns, men att välja en 30-årig rekordperiod och ringa till det normala vädret. För National Weather Service-normalerna är den aktuella perioden av rekord 1961-1990. I slutet av varje årtionde flyttas den 30-åriga medeltiden framåt ytterligare 10 år. När uppgifterna har samlats in år 2000 kommer normalitetsperioden att övergå till 1971-2000 år 2001 och stanna där fram till 2011 och så vidare. Resultatet ser ut så här när det tillämpas på de årliga nederbördsdata för Oklahoma City. Observera att nivån linjerna, som representerar 30-årsgenomsnittet för olika 30-års medelvärden, ändras från ett årtionde till nästa. I vissa fall är skillnaden ganska signifikant för de uppgifter som visas, den årliga normala nederbörden för Oklahoma City har förändrats med så mycket som 3 tum. Således kallades det normalt för 30 år sedan är det inte vad som kallas normalt idag. Vem bestämmer hur länge en genomsnittlig period att använda Vem bestämmer vilka år att använda Vem bestämmer vilka statistiska manipuleringar av data som ska användas För USA fattas sådana beslut av National Weather Service och National Climate Data Center. Förmodligen, om de ställs, kan de ge detaljer om hur de beräknar vad som är normalt, men alla sådana beslut är i någon mening godtyckliga. De kunde ha gjort dem på något annat sätt och resultatet kan ha varit något annorlunda men lika motiverat. Så var lämnar vi oss Som jag har visat är avvikelser från normala inte ovanliga. Faktum är att avgångar från normala är ganska typiska. Beroende på vad som observeras och hur noggrant det mäts, kanske vi inte ens har mycket solid information om vad som är normalt för en händelse. Det är troligt att det är ganska normalt för anmärkningsvärda händelser (vad gäller deras avvikelse från medeltalet) att ske inom 30 år, större (större avvikelser från de genomsnittliga) händelserna som inträffar i varje sekel och ännu större händelser händer i 1000 år. Med tanke på det faktum att de flesta människor har den egocentriska utsikten över klimatologi som beskrivs i introduktionen, kommer varje viktig händelse som avviker väsentligt från genomsnittet att tyckas vildt onormalt för de flesta, även om det i en verklig mening kan anses vara ganska typisk när den långa vyn är tagen. 8. Nedfallshändelser och återkommande intervaller Detta ger upphov till det ofta missförståde ämnet för återkommande intervaller. Den vanligaste användningen är regnfall som leder till översvämningar, men metoden kan användas för att uppskatta återkommande intervaller för praktiskt taget alla händelser. För regnskur som medger översvämningsflöden kan observationerna av nedbörd över vissa avrinningsområden (eller avrinningsområden) användas för att bestämma frekvensen av toppmängder i bassängen. Antag att nedbördsmätningarna är uppdelade i kategorier (säg intervall på 0,01 tum eller 0,05 tum eller vad som helst) och de observerade förekomsterna inom varje intervall räknas. Detta resulterar i en frekvensplot (histogram) som skulle se ut som den som visades tidigare. med en topp vid lägsta värden och en svans med mycket låga frekvenser som sträcker sig mot höga värden. Frekvensen av händelser minskar när mängden observerat nederbörd ökar och det visar sig att sådana tomter ofta kan approximeras mycket bra med det som kallas en Lognormal Distribution. Faktum är att den hypotetiska plot som visas är en lognormal fördelning. Naturligtvis är stora mängder observerat nederbörd mycket sällsynta och kan inte ha observerats under periodens rekord. Om det antas att nedbördsfördelningen som upptäcks med den korta perioden av rekord är tillämplig under mycket långa perioder, kan den teoretiska fördelningen förlängas (en sådan förlängning kallas extrapolering) för att ta reda på den hypotetiska förekomstfrekvensen för mycket stor (lågfrekvens ) regnhändelser. Jag observerar att processen med extrapolering är en riskabel verksamhet. Antag att ett enda prov på 100 års värde av data (eller vad som faktiskt är tillgängligt) är en tillräcklig databas för att observera den verkliga fördelningen av händelser är inte nödvändigtvis en bra. men i avsaknad av information kan det vara allt vi har. Det som kallas normalt nederbörd på vilken dag som helst är vanligen menat genomsnittet av alla observerade nedfallshändelser vid ett visst datum. Många nollvärden läggs till, och så är det genomsnittliga nederbördet lite. En förteckning över dagliga regnbågsobservationer i två olika år jämfört med normala värden visas här för Oklahoma City. Observera att den normala situationen verkar vara att det regnar en liten mängd varje dag. I själva verket är det naturligtvis många dagar utan regn. På dagar då det gör regn, överskrider beloppet ofta vad som är normalt för den dagen. Rekordvärdena för varje dag på året i Oklahoma City jämfört med normalerna (som det jag visade tidigare för Bismarck) visas här Naturligtvis är det som media rapporterar vanligtvis inte det genomsnittliga nederbördet för ett visst datum, men den totala ackumuleringen för året till det datumet. Som visas här. Det sätt som utfällningen ackumulerar under ett visst år ser inte så mycket ut som det ser ut som i genomsnitt. Observera i denna plot att i årets årliga sammanlagda matchning exakt vad som är normalt (30-årsgenomsnittet 1961-1990), och återkalla årets variation i nederbörd. Föreställ dig alla olika typer av grafer av daglig ackumulerad nederbörd som kan göras från alla dessa olika år av data. Nedfall är särskilt svår att karakterisera med ordet normalt på något meningsfullt sätt Observera att frekvensen av observerad förekomst återfinns från dessa data genom att dividera det observerade antalet förekomster under periodens rekord. Om en händelse som överskrider viss tröskelvärde uppstod 10 gånger på 100 år, är det en genomsnittlig frekvens på en gång vart tionde år. det kommer nästan säkert inte ha varit 10 jämnt fördelade händelser. När fördelningen av händelser av den storleken som en funktion av tiden övervägs kommer en sak att vara uppenbart: de förekommer inte med regelbundna intervall om tio år. För regnmätningar är det en tydlig tendens för händelser av en viss storlek som förekommer i kluster, med långa perioder i mellan där inget av den storleken uppstår. Anm. Adderad i augusti 1997): Förresten erhålls frekvenser för förekomst för specifika specifika platser. Det är ganska möjligt att många 100-åriga händelser inträffar inom en kort tidsperiod på olika, men närliggande platser. Om vi funderar på översvämningar, kan till exempel flera intilliggande bassänger uppleva 100 års översvämningar över en period på 20 år. Det betyder inte nödvändigtvis att 100-åriga beräkningar i varje bassäng är felaktiga. Dessutom är värdena vanligtvis olika för varje plats. en 100-årig händelse i den bergiga västra USA skulle nästan säkert innebära mindre regnmängder än en 100-årig händelse längs Gulf Coast. Frekvensvärdena för lågfrekventa händelser som har beräknats genom att extrapolera fördelningen utöver de faktiska observationerna är alla mindre än en händelse per period av den aktuella posten. Det vill säga under rekordperioden (säg 100 år), en sådan händelse var aldrig faktiskt observerad. Med en rekordlängd på Y år är den lägsta frekvensen som kan ses Y -1. För Y 100 år ger detta en lägsta frekvens på en per 100 år. Genom att förlänga grafen kan beräknade värden för frekvensen som är mindre än en, som redan noterats, erhållas. Om den hypotetiska frekvensen är 0,1 per 100 år är detta detsamma som en gång per 1000 år eller en så kallad tusenårig händelse. En 500-yearevent skulle vara 0,2 per 100 år och så vidare. Det är ganska svårt att observera 0,1 händelser Med tanke på att i USA är en 200 års kontinuerlig rekord ganska ovanlig, är det uppenbart att 500 eller 1000 års återkommande intervaller är resultatet av sådana extrapoleringar. Chanserna för en händelse med en viss given storlek ökar med tiden, men genomgången av ett återkommande intervall garanterar inte att du kommer att ha sett en och bara en sådan händelse. Ju längre period av rekord desto sannolikt kommer en händelse av den här storleken att uppstå. Om händelsernas storlek är liten (säg en 10-årig händelse) kommer det att förekomma relativt ofta och om varje 100-årig period ansågs separat skulle frekvensen för en sådan händelse se ut ungefär densamma över varje 100 års intervall (10 händelser per 100 år). För mycket stora händelser (säg en 500 års händelse), skulle frekvensen inom ett 100-årigt intervall fluktueras betydligt. Under några århundraden skulle inget sådant händelse inträffa. Under andra århundraden kan det finnas flera sådana händelser. Men om vi på något sätt skulle kunna titta på 10 000 årsintervaller (kanske med hjälp av tekniken för paleoklimatologi), skulle frekvensen av en händelse med ett genomsnittligt återkommande intervall på 500 år vara ungefär samma (20 händelser i varje sådan 10 000 årsperiod). På denna punkt i mänsklig historia är dessa ganska abstrakta begrepp, uppenbarligen 9. Klimatförändringar Som en del av en utjämning, anta att frekvensen av 10 års händelser observeras på något sätt att förändras från ett sekel till nästa. En sådan förändring kan ses som ett klimatförändring, även om det kan vara en argumenterbar slutsats. Å andra sidan skulle det vara mycket svårt att dra slutsatsen om förändringar i frekvensen av 500 års händelser när det gäller klimatförändringar, för det är över tiden från ett sekel till nästa, det är ganska möjligt att allt som har observerats är en naturlig fluktuation i frekvensen av 500 års händelser. Marken här blir ganska skakig. En del av problemet är att bestämma vad som verkligen menas med ordet klimat. Ordet klimat anses allmänt vara en slags genomsnitt av vädret. Så mycket är bra, men vad är medelfristen och hur mycket data finns det för att vara säker (i en hård statistisk mening) att medeltalet ändras? Som redan noterat är fasta meteorologiska observationer ungefär tvåhundra år gamla i de flesta USA och några viktiga observationer (framför allt de ovanstående) har kortare tidsperioder än det. Naturligtvis finns det bevis för vad klimatet kan ha varit för länge sedan (istid, etc.), så klimatet i det avlägsna förflutet var nästan säkert väldigt annorlunda än dagens klimat, men det är verkligen svårt att vara säker på detaljerna i det förändrade klimatet. Och om klimatet förändras hela tiden (som det är troligt fallet), så är det som kallas klimatet i princip bara ett visst (och i grunden godtyckligt) sätt att manipulera data statistiskt. När uppgifterna ses med andra val som har gjorts, kanske klimatet blir stabilt än vad som görs när valen görs på ett annat sätt. Det finns många bra människor (såväl som okunniga människor i media och på andra ställen) som pratar om hur vi människor kan (eller kanske inte) förändrar klimatet. och jag har ingen information som säger att vi (eller inte) förändrar klimatet från vad det skulle ha varit utan mänsklig verksamhet. Men om klimat förändras hela tiden, hur kan förändringar som införs av människor skilja sig från de förändringar som skulle ha inträffat utan människor. Det är mycket svårt att göra denna skillnad. Även experter är oense om sådana saker. 7 Hur kan vi vara säkra på att medierapporterna har gjort sitt jobb för att utbilda oss för att vara medveten om den sanna situationen Min tro är att vi inte kan lita på media för att hålla oss informerade om sådana saker Not (tillagd i augusti 1997): Nyligen Reid Bryson skrev en mycket intressant uppsats i mars 1997-numret av Bulletin of the American Meteorological Society. Vol. 78. s. 449-455, där han föreslår följande definition: Klimat (Klimatstatus) är den termodynamikrodynamiska statusen för de globala gränsvillkorna som bestämmer den nuvarande uppsättningen av vädermönster. Hans idé är att de globala gränsvillkorna bestämmer de olika tillåtna vädermönstren. Om gränsvillkoren förändras, så är klimatet. Han noterar att denna status ändras med tiden och säsongen, och att klimatet innehåller de vädermönster som är associerade med den statusen. Så intressant som den här tanken är, det är inte klart för mig att det verkligen har förändrats någonting. Vi vet inte exakta gränsvillkor. användningen av denna term är associerad med att behandla problemet som ett gränsvärdesproblem, en matematisk term. och så skulle vi fortfarande behöva göra någon form av medelvärde för att behandla problemet i praktiska termer. Det har inte visat sig att problemet är ett rent gränsvärdeproblem. Det kan vara att med en given uppsättning gränsvillkor kan uppsättningen tillåtna vädermönster också bero på de ursprungliga förhållandena (ett initialvärdesproblem, i matematiska termer). Jag tycker emellertid om att klimatet nödvändigtvis innefattar fluktuationerna i samband med de vädermönster som tillåts av en viss uppsättning gränsvillkor. Reids essay är verkligen ett intressant förslag som åtminstone gör ett försök att undvika de logiska klimatförhållandena som genomsnittet av vädret. Jag är benägen att stödja sin riktning, om inte praktiken och lämpligheten av alla dess abstraktioner. 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