Moving Average Analysis Statistics

Análise Técnica: Médias Móveis A maioria dos padrões gráficos mostram uma grande variação no movimento de preços. Isso pode tornar difícil para os comerciantes ter uma idéia de uma tendência global de segurança. Um método simples comerciantes usar para combater isso é aplicar médias móveis. Uma média móvel é o preço médio de um título em um determinado período de tempo. Ao traçar o preço médio dos títulos, o movimento dos preços é suavizado. Uma vez que as flutuações do dia-a-dia são removidas, os comerciantes são mais capazes de identificar a verdadeira tendência e aumentar a probabilidade de que ele vai trabalhar em seu favor. (Para saber mais, leia o tutorial de Médias Móveis.) Tipos de Médias Móveis Existem vários tipos diferentes de médias móveis que variam no modo como são calculadas, mas como cada média é interpretada permanece a mesma. Os cálculos diferem apenas em relação à ponderação que eles colocam nos dados de preços, passando de uma ponderação igual de cada ponto de preço para mais peso sendo colocado em dados recentes. Os três tipos mais comuns de médias móveis são simples. Linear e exponencial. Média Móvel Simples (SMA) Este é o método mais comum usado para calcular a média móvel dos preços. Ele simplesmente leva a soma de todos os últimos preços de fechamento durante o período de tempo e divide o resultado pelo número de preços utilizados no cálculo. Por exemplo, em uma média móvel de 10 dias, os últimos 10 preços de fechamento são somados e divididos por 10. Como você pode ver na Figura 1, um comerciante é capaz de fazer a média menos responsiva à mudança de preços, aumentando o número Dos períodos utilizados no cálculo. Aumentar o número de períodos de tempo no cálculo é uma das melhores maneiras de medir a força da tendência de longo prazo e a probabilidade de que ele irá reverter. Muitos indivíduos argumentam que a utilidade deste tipo de média é limitada porque cada ponto da série de dados tem o mesmo impacto no resultado, independentemente de onde ele ocorre na seqüência. Os críticos argumentam que os dados mais recentes são mais importantes e, portanto, ele também deve ter uma maior ponderação. Este tipo de crítica tem sido um dos principais fatores que levaram à invenção de outras formas de médias móveis. Média Ponderada Linear Este indicador de média móvel é o menos comum entre os três e é usado para resolver o problema da ponderação igual. A média móvel ponderada linear é calculada pela soma de todos os preços de fechamento ao longo de um determinado período de tempo e multiplicando-os pela posição do ponto de dados e, em seguida, dividindo pela soma do número de períodos. Por exemplo, em uma média linear ponderada de cinco dias, o preço de fechamento de hoje é multiplicado por cinco, ontem por quatro e assim por diante até que o primeiro dia na faixa de período seja alcançado. Esses números são então somados e divididos pela soma dos multiplicadores. Média Móvel Exponencial (EMA) Este cálculo de média móvel utiliza um factor de suavização para colocar um peso mais elevado em pontos de dados recentes e é considerado muito mais eficiente do que a média linear ponderada. Ter uma compreensão do cálculo não é geralmente exigido para a maioria dos comerciantes porque a maioria dos pacotes gráficos fazer o cálculo para você. A coisa mais importante a lembrar sobre a média móvel exponencial é que ele é mais responsivo a novas informações relativas à média móvel simples. Esta responsividade é um dos principais fatores de por que esta é a média móvel de escolha entre muitos comerciantes técnicos. Como você pode ver na Figura 2, um EMA de 15 períodos aumenta e cai mais rapidamente do que um SMA de 15 períodos. Esta pequena diferença não parece muito, mas é um fator importante para estar ciente, pois pode afetar retornos. Principais Usos das Médias Móveis As médias móveis são usadas para identificar tendências atuais e reversões de tendências, bem como para estabelecer níveis de suporte e resistência. As médias móveis podem ser usadas para identificar rapidamente se uma segurança está se movimentando em uma tendência de alta ou em uma tendência de baixa, dependendo da direção da média móvel. Como você pode ver na Figura 3, quando uma média móvel está indo para cima eo preço está acima dela, a segurança está em uma tendência de alta. Por outro lado, uma média móvel em declive com o preço abaixo pode ser usada para sinalizar uma tendência de baixa. Outro método de determinar momentum é olhar para a ordem de um par de médias móveis. Quando uma média de curto prazo está acima de uma média de longo prazo, a tendência é alta. Por outro lado, uma média de longo prazo acima de uma média de curto prazo sinaliza um movimento descendente na tendência. Movendo inversões de tendência média são formados de duas maneiras principais: quando o preço se move através de uma média móvel e quando se move através de cruzamentos de média móvel. O primeiro sinal comum é quando o preço se move através de uma média móvel importante. Por exemplo, quando o preço de um título que estava em uma tendência de alta cai abaixo de uma média móvel de 50 períodos, como na Figura 4, é um sinal de que a tendência de alta pode estar se reverter. O outro sinal de uma inversão de tendência é quando uma média móvel atravessa outra. Por exemplo, como você pode ver na Figura 5, se a média móvel de 15 dias cruza acima da média móvel de 50 dias, é um sinal positivo de que o preço começará a aumentar. Se os períodos utilizados no cálculo forem relativamente curtos, por exemplo, 15 e 35, isso pode indicar uma reversão da tendência de curto prazo. Por outro lado, quando duas médias com intervalos de tempo relativamente longos se cruzam (50 e 200, por exemplo), isso é usado para sugerir uma mudança de tendência em longo prazo. Outra maneira importante de se usar médias móveis é identificar os níveis de suporte e resistência. Não é raro ver um estoque que tem sido queda parar o seu declínio e sentido inverso, uma vez que atinge o apoio de uma grande média móvel. Um movimento através de uma grande média móvel é muitas vezes usado como um sinal por comerciantes técnicos que a tendência é inverter. Por exemplo, se o preço rompe a média móvel de 200 dias em uma direção descendente, é um sinal de que a tendência de alta está se revertindo. As médias móveis são uma ferramenta poderosa para analisar a tendência em uma segurança. Eles fornecem suporte útil e pontos de resistência e são muito fáceis de usar. Os intervalos de tempo mais comuns que são usados ​​ao criar médias móveis são 200 dias, 100 dias, 50 dias, 20 dias e 10 dias. Calcula-se que a média de 200 dias seja uma boa medida de um ano comercial, uma média de 100 dias de meio ano, uma média de 50 dias de um quarto de ano, uma média de 20 dias de um mês e 10 Dia média de duas semanas. As médias móveis ajudam os comerciantes técnicos a suavizar parte do ruído que é encontrado nos movimentos de preços do dia-a-dia, dando aos comerciantes uma visão mais clara da tendência de preços. Até agora temos focado no movimento de preços, através de gráficos e médias. Na próxima seção, olhe bem algumas outras técnicas usadas para confirmar movimento de preços e padrões. Análise Técnica: Indicadores e Osciladores Aprenda como investir assinando o boletim de notícias Investir BásicosMoving Average - MA BREAKING DOWN Média Móvel - MA Como exemplo da SMA, considere um título com os seguintes preços de fechamento em 15 dias: Semana 1 (5 dias) 20 26, 28, 23 Semana 2 (5 dias) 26, 28, 26, 29, 27 Semana 3 (5 dias) 28, 30, 27, 29, 28 Uma MA de 10 dias seria a média dos preços de fechamento para Os primeiros 10 dias como o primeiro ponto de dados. O ponto de dados seguinte iria cair o preço mais antigo, adicionar o preço no dia 11 e tomar a média, e assim por diante, como mostrado abaixo. Conforme mencionado anteriormente, MAs atraso ação preço atual, porque eles são baseados em preços passados ​​quanto maior for o período de tempo para o MA, maior o atraso. Assim, um MA de 200 dias terá um grau muito maior de atraso do que um MA de 20 dias porque contém preços nos últimos 200 dias. A duração da MA a ser utilizada depende dos objetivos de negociação, com MAs mais curtos usados ​​para negociação de curto prazo e MAs de longo prazo mais adequados para investidores de longo prazo. O MA de 200 dias é amplamente seguido por investidores e comerciantes, com quebras acima e abaixo desta média móvel considerada como sinais comerciais importantes. MAs também transmitir sinais comerciais importantes por conta própria, ou quando duas médias se cruzam. Um aumento MA indica que a segurança está em uma tendência de alta. Enquanto um declínio MA indica que ele está em uma tendência de baixa. Da mesma forma, o impulso ascendente é confirmado com um crossover de alta. Que ocorre quando um MA de curto prazo cruza acima de um MA de longo prazo. Momento descendente é confirmado com um crossover de baixa, o que ocorre quando um MA de curto prazo cruza abaixo de um longo prazo MA. Smoothing dados remove variação aleatória e mostra tendências e componentes cíclicos Inerente na coleta de dados ao longo do tempo é alguma forma de aleatória variação. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. Uma técnica freqüentemente usada na indústria é suavizar. Essa técnica, quando corretamente aplicada, revela mais claramente a tendência subjacente, os componentes sazonais e cíclicos. Existem dois grupos distintos de métodos de alisamento Métodos de média Métodos de suavização exponencial Tomar médias é a maneira mais simples de suavizar os dados Vamos primeiro investigar alguns métodos de média, como a média simples de todos os dados passados. Um gerente de um armazém quer saber o quanto um fornecedor típico oferece em unidades de 1000 dólares. Ele / ela toma uma amostra de 12 fornecedores, aleatoriamente, obtendo os seguintes resultados: A média computada ou média dos dados 10. O gerente decide usar isto como a estimativa para despesa de um fornecedor típico. Esta é uma boa ou má estimativa O erro quadrático médio é uma maneira de julgar o quão bom é um modelo Vamos calcular o erro quadrático médio. O valor verdadeiro do erro gasto menos o valor estimado. O erro ao quadrado é o erro acima, ao quadrado. O SSE é a soma dos erros quadrados. O MSE é a média dos erros quadrados. Resultados do MSE por exemplo Os resultados são: Erro e esquadrado Erros A estimativa 10 A questão surge: podemos usar a média para prever a renda se suspeitarmos de uma tendência? Um olhar para o gráfico abaixo mostra claramente que não devemos fazer isso. A média pondera todas as observações passadas igualmente Em resumo, afirmamos que A média simples ou média de todas as observações passadas é apenas uma estimativa útil para previsão quando não há tendências. Se houver tendências, use estimativas diferentes que levem em conta a tendência. A média pesa todas as observações passadas igualmente. Por exemplo, a média dos valores 3, 4, 5 é 4. Sabemos, é claro, que uma média é calculada adicionando todos os valores e dividindo a soma pelo número de valores. Outra forma de calcular a média é adicionando cada valor dividido pelo número de valores, ou 3/3 4/3 5/3 1 1.3333 1.6667 4. O multiplicador 1/3 é chamado de peso. Em geral: barra fração soma esquerda (fratura direita) x1 esquerda (fratura direita) x2,. ,, Esquerda (frac direito) xn. O (esquerda (frac direito)) são os pesos e, claro, eles somam a 1.Moving médias Médias móveis Com conjuntos de dados convencionais o valor médio é muitas vezes o primeiro, e um dos mais úteis, sumário estatísticas para calcular. Quando os dados estão na forma de uma série temporal, a média da série é uma medida útil, mas não reflete a natureza dinâmica dos dados. Os valores médios calculados em períodos em curto, anteriores ao período atual ou centrados no período atual, são freqüentemente mais úteis. Como esses valores médios variam, ou se movem, à medida que o período atual se move a partir do tempo t 2, t 3, etc., eles são conhecidos como médias móveis (Mas). Uma média móvel simples é (tipicamente) a média não ponderada de k valores anteriores. Uma média móvel exponencialmente ponderada é essencialmente a mesma que uma média móvel simples, mas com contribuições para a média ponderada pela sua proximidade ao tempo actual. Como não existe uma, mas toda uma série de médias móveis para uma dada série, o conjunto de Mas pode ser plotado em gráficos, analisado como uma série e usado na modelagem e previsão. Uma série de modelos pode ser construída usando médias móveis, e estes são conhecidos como modelos MA. Se tais modelos forem combinados com modelos autorregressivos (AR), os modelos compostos resultantes são conhecidos como modelos ARMA ou ARIMA (o I é para integrado). Médias móveis simples Uma vez que uma série temporal pode ser considerada como um conjunto de valores, t 1,2,3,4, n a média destes valores pode ser calculada. Se assumimos que n é bastante grande, e selecionamos um inteiro k que é muito menor que n. Podemos calcular um conjunto de médias de blocos, ou médias móveis simples (de ordem k): Cada medida representa a média dos valores de dados ao longo de um intervalo de k observações. Observe que o primeiro MA possível de ordem k gt0 é aquele para t k. De modo mais geral, podemos descartar o subíndice extra nas expressões acima e escrever: Isto indica que a média estimada no tempo t é a média simples do valor observado no instante t e os intervalos de tempo anteriores k-1. Se forem aplicados pesos que diminuam a contribuição das observações que estão mais distantes no tempo, a média móvel é dita ser suavizada exponencialmente. As médias móveis são frequentemente utilizadas como uma forma de previsão, pelo que o valor estimado para uma série no tempo t 1, S t 1. É tomado como MA para o período até e incluindo o tempo t. por exemplo. A estimativa de hoje é baseada em uma média de valores anteriores registrados até e inclusive ontem (para dados diários). As médias móveis simples podem ser vistas como uma forma de suavização. No exemplo ilustrado abaixo, o conjunto de dados de poluição atmosférica mostrado na introdução deste tópico foi aumentado por uma linha de 7 dias de média móvel (MA), mostrada aqui em vermelho. Como pode ser visto, a linha de MA suaviza os picos e depressões nos dados e pode ser muito útil na identificação de tendências. A fórmula padrão de cálculo de forward significa que os primeiros k -1 pontos de dados não têm nenhum valor de MA, mas a partir daí os cálculos se estendem até o ponto de dados final da série. Uma razão para computar médias móveis simples na maneira descrita é que permite que os valores sejam computados para todos os entalhes do tempo do tempo tk até o presente , E como uma nova medição é obtida para o tempo t 1, o MA para o tempo t 1 pode ser adicionado ao conjunto já calculado. Isso fornece um procedimento simples para conjuntos de dados dinâmicos. No entanto, existem alguns problemas com esta abordagem. É razoável argumentar que o valor médio nos últimos 3 períodos, digamos, deve ser localizado no tempo t -1, não no tempo t. E para um MA sobre um número par de períodos, talvez ele deve ser localizado no ponto médio entre dois intervalos de tempo. Uma solução para este problema é usar cálculos centralizados MA, em que o MA no tempo t é a média de um conjunto simétrico de valores em torno de t. Apesar de seus méritos óbvios, esta abordagem não é geralmente utilizada porque exige que os dados estão disponíveis para eventos futuros, o que pode não ser o caso. Nos casos em que a análise é inteiramente de uma série existente, o uso de Mas centralizado pode ser preferível. As médias móveis simples podem ser consideradas como uma forma de suavização, removendo alguns componentes de alta freqüência de uma série de tempo e destacando (mas não removendo) as tendências de forma semelhante à noção geral de filtragem digital. De fato, as médias móveis são uma forma de filtro linear. É possível aplicar um cálculo da média móvel a uma série que já tenha sido suavizada, isto é, suavizar ou filtrar uma série já suavizada. Por exemplo, com uma média móvel de ordem 2, podemos considerá-la como sendo calculada usando pesos, então a MA em x 2 0,5 x 1 0,5 x 2. Da mesma forma, a MA em x 3 0,5 x 2 0,5 x 3. Se nós Aplicar um segundo nível de suavização ou filtragem, temos 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 ou seja, a filtragem de 2 estádios Processo (ou convolução) produziu uma média móvel simétrica ponderada variável, com pesos. Várias circunvoluções podem produzir médias móveis ponderadas bastante complexas, algumas das quais foram encontradas de uso particular em campos especializados, como nos cálculos do seguro de vida. As médias móveis podem ser usadas para remover efeitos periódicos se computado com o comprimento da periodicidade como um conhecido. Por exemplo, com os dados mensais as variações sazonais podem frequentemente ser removidas (se este for o objetivo) aplicando uma média móvel simétrica de 12 meses com todos os meses ponderados igualmente, exceto o primeiro eo último que são ponderados por 1/2. Isto é porque haverá 13 meses no modelo simétrico (tempo atual, t. / - 6 meses). O total é dividido por 12. Procedimentos semelhantes podem ser adotados para qualquer periodicidade bem definida. Médias móveis exponencialmente ponderadas (EWMA) Com a fórmula da média móvel simples: todas as observações são igualmente ponderadas. Se chamássemos esses pesos iguais, alfa t. Cada um dos k pesos seria igual a 1 / k. Então a soma dos pesos seria 1, ea fórmula seria: Já vimos que múltiplas aplicações deste processo resultam em pesos variando. Com médias móveis exponencialmente ponderadas, a contribuição para o valor médio das observações que são mais removidas no tempo é deliberada reduzida, enfatizando os eventos mais recentes (locais). Essencialmente um parâmetro de suavização, 0lt alfa lt1, é introduzido, ea fórmula revisada para: Uma versão simétrica desta fórmula seria da forma: Se os pesos no modelo simétrico são selecionados como os termos dos termos da expansão binomial, (1/21/2) 2q. Eles somarão a 1, e quando q se tornar grande, aproximar-se-á da distribuição Normal. Esta é uma forma de ponderação do kernel, com o binômio agindo como a função do kernel. A convolução de dois estágios descrita na subseção anterior é precisamente esta disposição, com q 1, produzindo os pesos. Em suavização exponencial é necessário usar um conjunto de pesos que somam a 1 e que reduzem em tamanho geometricamente. Os pesos usados ​​são tipicamente da forma: Para mostrar que esses pesos somam 1, considere a expansão de 1 / como uma série. Podemos escrever e expandir a expressão entre parênteses utilizando a fórmula binomial (1-x) p. Onde x (1-) e p -1, o que dá: Isso então fornece uma forma de média móvel ponderada da forma: Esta soma pode ser escrita como uma relação de recorrência: o que simplifica muito a computação e evita o problema de que o regime de ponderação Deve ser rigorosamente infinito para os pesos a somar a 1 (para pequenos valores de alfa, isso normalmente não é o caso). A notação utilizada pelos diferentes autores varia. Alguns usam a letra S para indicar que a fórmula é essencialmente uma variável suavizada e escrevem: enquanto a literatura da teoria de controle usa freqüentemente Z em vez de S para os valores exponencialmente ponderados ou suavizados (ver, por exemplo, Lucas e Saccucci, 1990, LUC1 , Eo site do NIST para mais detalhes e exemplos trabalhados). As fórmulas citadas acima derivam do trabalho de Roberts (1959, ROB1), mas Hunter (1986, HUN1) usa uma expressão da forma: que pode ser mais apropriada para uso em alguns procedimentos de controle. Com alfa 1, a estimativa média é simplesmente o seu valor medido (ou o valor do item de dados anterior). Com 0,5 a estimativa é a média móvel simples das medições atuais e anteriores. Nos modelos de previsão, o valor, S t. É freqüentemente usado como estimativa ou valor de previsão para o próximo período de tempo, ou seja, como a estimativa para x no tempo t 1. Assim, temos: Isto mostra que o valor da previsão no tempo t 1 é uma combinação da média móvel exponencialmente ponderada anterior Mais um componente que representa o erro de previsão ponderado, epsilon. No tempo t. Supondo que uma série de tempo é dada e uma previsão é necessária, um valor para alfa é necessário. Isto pode ser estimado a partir dos dados existentes, avaliando a soma dos erros de predição quadrados obtidos com valores variáveis ​​de alfa para cada t 2,3. Definindo a primeira estimativa como sendo o primeiro valor de dados observado, x 1. Em aplicações de controle o valor de alfa é importante na medida em que é usado na determinação dos limites de controle superior e inferior, e afeta o comprimento de execução médio (ARL) esperado Antes que esses limites de controle sejam quebrados (sob o pressuposto de que as séries temporais representam um conjunto de variáveis ​​independentes aleatoriamente distribuídas, com variância comum). Nestas circunstâncias, a variância da estatística de controlo é (Lucas e Saccucci, 1990): Os limites de controlo são normalmente definidos como múltiplos fixos desta variância assintótica, p. / - 3 vezes o desvio padrão. Se alfa 0,25, por exemplo, e os dados monitorados forem assumidos como tendo uma distribuição Normal, N (0,1), quando em controle, os limites de controle serão de - 1,134 eo processo atingirá um ou outro limite em 500 Passos em média. Lucas e Saccucci (1990 LUC1) derivam as ARLs para uma ampla gama de valores alfa e sob várias suposições usando procedimentos de Cadeia de Markov. Eles tabulam os resultados, incluindo o fornecimento de ARLs quando a média do processo de controle foi alterada por algum múltiplo do desvio padrão. Por exemplo, com um deslocamento 0,5 com alfa 0,25 o ARL é menos de 50 etapas de tempo. As abordagens descritas acima são conhecidas como suavização exponencial única. Como os procedimentos são aplicados uma vez para a série de tempo e, em seguida, análises ou processos de controle são realizadas no conjunto de dados suavizado resultante. Se o conjunto de dados incluir uma tendência e / ou componentes sazonais, a suavização exponencial de dois ou três estágios pode ser aplicada como um meio de remover (explicitamente modelar) esses efeitos (consulte a seção sobre Previsão abaixo e o exemplo trabalhado do NIST ). CHA1 Chatfield C (1975) A análise de séries de tempos: teoria e prática. Chapman e Hall, Londres HUN1 Hunter J S (1986) A média móvel exponencialmente ponderada. J of Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Esquemas de Controlo de Média Móvel Ponderados Exponencialmente: Propriedades e Melhoramentos. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Testes de gráficos de controle baseados em médias móveis geométricas. Technometrics, 1, 239-250 Média móvel ponderada no exemplo 1 da previsão de média móvel simples. Os pesos dados aos três valores anteriores eram todos iguais. Consideremos agora o caso em que esses pesos podem ser diferentes. Este tipo de previsão é chamado de média móvel ponderada. Aqui nós atribuímos m pesos w 1. , W m. Onde w 1. W m 1, e definir os valores previstos como se segue Exemplo 1. Refazer o Exemplo 1 da Previsão de Movimento Média Simplificada onde assumimos que observações mais recentes são ponderadas mais do que observações mais antigas, usando os pesos w 1 .6, w 2 .3 e w 3 .1 (como mostrado na faixa G4: G6 da Figura 1 ). Figura 1 Médias Móveis Ponderadas As fórmulas na Figura 1 são as mesmas da Figura 1 da Previsão Média Móvel Simples. Excepto para os valores de y previstos na coluna C. Por exemplo, A fórmula na célula C7 é agora SUMPRODUCT (B4: B6, G4: G6). A previsão para o próximo valor na série de tempo é agora 81.3 (célula C19), usando a fórmula SUMPRODUCT (B16: B18, G4: G6). Ferramenta de Análise de Dados da Estatística Real. O Excel não fornece uma ferramenta ponderada de análise de dados de médias móveis. Em vez disso, você pode usar a ferramenta de análise de dados das médias móveis ponderadas do Real Statistics. Para usar esta ferramenta para o exemplo 1, pressione Ctr-m. Escolha a opção Time Series no menu principal e, em seguida, a opção Basic forecasting methods na caixa de diálogo que aparece. Preencha a caixa de diálogo que aparece como mostrado na Figura 5 da previsão de média móvel simples. Mas desta vez escolha a opção Média Móvel Ponderada e preencha a escala de pesos com G4: G6 (observe que nenhum cabeçalho de coluna está incluído para o intervalo de pesos). Nenhum dos valores de parâmetro são usados ​​(essencialmente de Lags será o número de linhas na faixa de pesos e de Estações e de Previsões será padrão para 1). A saída será parecida com a saída na Figura 2 da previsão de média móvel simples. Exceto que os pesos serão usados ​​no cálculo dos valores de previsão. Exemplo 2. Use o Solver para calcular os pesos que produzem o menor erro quadrático médio MSE. Usando as fórmulas na Figura 1, selecione Data gt AnalysisSolver e preencha a caixa de diálogo como mostrado na Figura 2. Figura 2 Caixa de diálogo Solver Observe que precisamos restringir a soma dos pesos a ser 1, o que fazemos clicando no botão Adicionar botão. Isso abre a caixa de diálogo Adicionar restrição, que preenchemos conforme mostrado na Figura 3 e, em seguida, clique no botão OK. Figura 3 Caixa de diálogo Adicionar restrição Clique em seguida no botão Solve (na Figura 2), que modifica os dados na Figura 1, como mostrado na Figura 4. Figura 4 Otimização do Solver Como pode ser visto na Figura 4, o Solver altera os pesos para 0 223757 e .776243, a fim de minimizar o valor de MSE. Como você pode ver, o valor minimizado de 184.688 (célula E21 da Figura 4) é pelo menos menor do que o valor MSE de 191.366 na célula E21 da Figura 2). Para bloquear esses pesos, você precisa clicar no botão OK da caixa de diálogo Resultados do Solver mostrada na Figura 4.