Mudança de média embutida

Como outros já mencionaram, você deve considerar um filtro IIR (resposta de impulso infinito) em vez do filtro FIR (filtro de resposta finito) que você está usando agora. Há mais, mas à primeira vista os filtros FIR são implementados como convoluções explícitas e filtros IIR com equações. O filtro IIR particular que eu uso muito em microcontroladores é um filtro passa-baixa de um único pólo. Este é o equivalente digital de um simples filtro analógico R-C. Para a maioria dos aplicativos, estes terão melhores características do que o filtro de caixa que você está usando. A maioria dos usos de um filtro de caixa que eu encontrei são resultado de alguém que não presta atenção na classe de processamento de sinal digital, não como resultado de precisar de suas características particulares. Se você quiser apenas atenuar as altas freqüências que você conhece são ruídos, um filtro passa-baixa de um único pólo é melhor. A melhor maneira de implementar um digitalmente em um microcontrolador é geralmente: FILT lt-- FILT FF (NEW-FILT) FILT é um pedaço de estado persistente. Esta é a única variável persistente que você precisa para calcular este filtro. NOVO é o novo valor que o filtro está sendo atualizado com esta iteração. FF é a fração do filtro. Que ajusta o peso do filtro. Olhe para este algoritmo e veja que para FF 0 o filtro é infinitamente pesado, já que a saída nunca muda. Para FF 1, realmente não há nenhum filtro, já que a saída apenas segue a entrada. Os valores úteis estão no meio. Em sistemas pequenos, você escolhe FF para ser 12 N, de modo que o multiplica por FF pode ser realizado como uma mudança direta por N bits. Por exemplo, FF pode ser 116 e multiplicar por FF, portanto, uma mudança direta de 4 bits. Caso contrário, este filtro precisa apenas de uma subtração e de um som, embora os números geralmente sejam mais amplos do que o valor de entrada (mais na precisão numérica em uma seção separada abaixo). Normalmente, tomo as leituras do AD significativamente mais rápidas do que são necessárias e aplico dois desses filtros em cascata. Este é o equivalente digital de dois filtros R-C em série e atenua 12 dBoctave acima da frequência de rolagem. No entanto, para as leituras de AD, geralmente é mais relevante olhar para o filtro no domínio do tempo, considerando sua resposta passo a passo. Isso indica o quão rápido o sistema verá uma mudança quando a coisa que você está medindo muda. Para facilitar a concepção desses filtros (o que significa apenas escolher FF e decidir quantos deles entrar em cascata), uso o meu programa FILTBITS. Você especifica o número de bits de mudança para cada FF na série de filtros em cascata, e ele calcula a resposta de passo e outros valores. Na verdade, eu costumo executar isso através do meu script wrapper PLOTFILT. Isso executa FILTBITS, que faz um arquivo CSV e, em seguida, traça o arquivo CSV. Por exemplo, aqui é o resultado do PLOTFILT 4 4: os dois parâmetros para PLOTFILT significam que haverá dois filtros em cascata do tipo descrito acima. Os valores de 4 indicam o número de bits de mudança para realizar o multiplicar pelo FF. Os dois valores FF são, portanto, 116 neste caso. O rastreamento vermelho é a resposta do passo da unidade, e é o principal aspecto a ser observado. Por exemplo, isso indica que, se a entrada muda instantaneamente, a saída do filtro combinado será fixada em 90 do novo valor em 60 iterações. Se você se preocupa com 95 horas de colonização, então você precisa esperar cerca de 73 iterações e por 50 horas de reposição apenas 26 iterações. O traço verde mostra a saída de um único pico de amplitude total. Isso dá uma idéia da supressão de ruído aleatória. Parece que nenhuma amostra única causará mais de 2,5 mudanças na saída. O traço azul é dar uma sensação subjetiva do que este filtro faz com o ruído branco. Este não é um teste rigoroso, uma vez que não há garantia de que exatamente o conteúdo era dos números aleatórios escolhidos como entrada de ruído branco para esta corrida de PLOTFILT. É só dar-lhe uma sensação áspera de quanto ele será esmagado e quão suave é. PLOTFILT, talvez FILTBITS, e muitas outras coisas úteis, especialmente para o desenvolvimento de firmware PIC, estão disponíveis na versão do software PIC Development Tools na minha página de downloads de software. Adicionado sobre a precisão numérica que vejo a partir dos comentários e agora uma nova resposta que tem interesse em discutir o número de bits necessários para implementar este filtro. Observe que o Multiply by FF criará novos bits do Log 2 (FF) abaixo do ponto binário. Em sistemas pequenos, FF é geralmente escolhido para ser 12 N, de modo que esse multiplicação seja efetivamente realizado por uma mudança direta de N bits. FILT é, portanto, geralmente um inteiro de ponto fixo. Observe que isso não altera nenhuma das matemáticas do ponto de vista dos processadores. Por exemplo, se você estiver filtrando as leituras de AD de 10 bit e N 4 (FF 116), então você precisa de 4 bits de fração abaixo das leituras de AD inteiras de 10 bits. A maioria dos processadores, você estará fazendo operações inteiras de 16 bits devido às leituras AD de 10 bits. Nesse caso, você ainda pode fazer exatamente as mesmas operações de inteiro de 16 bits, mas comece com as leituras de AD esquerda deslocadas em 4 bits. O processador não conhece a diferença e não precisa. Fazer matemática em inteiros inteiros de 16 bits funciona se você considera que eles são 12.4 pontos fixos ou verdadeiros inteiros de 16 bits (16.0 ponto fixo). Em geral, você precisa adicionar N bits cada pólo de filtro se você não deseja adicionar ruído devido à representação numérica. No exemplo acima, o segundo filtro de dois teria que ter 1044 18 bits para não perder informações. Na prática, em uma máquina de 8 bits que significa que você use valores de 24 bits. Tecnicamente, apenas o segundo pólo de dois precisaria do valor mais amplo, mas, para a simplicidade do firmware, costumo usar a mesma representação e, assim, o mesmo código, para todos os pólos de um filtro. Geralmente eu escrevo uma sub-rotina ou macro para executar uma operação de polio de filtro, depois aplique isso a cada pólo. Se uma sub-rotina ou macro depende se os ciclos ou a memória do programa são mais importantes nesse projeto específico. De qualquer forma, eu uso algum estado de rascunho para passar NOVO no subroutinemacro, que atualiza FILT, mas também carrega isso no mesmo estado de rascunho NOVO estava dentro. Isso facilita a aplicação de vários pólos desde que o FILT atualizado de um pólo é o NOVO Do próximo. Quando uma sub-rotina, é útil ter um ponteiro apontar para FILT no caminho, que é atualizado logo após FILT no caminho de saída. Dessa forma, a sub-rotina atua automaticamente em filtros consecutivos na memória se for chamado várias vezes. Com uma macro, você não precisa de um ponteiro, pois você passa no endereço para operar em cada iteração. Exemplos de código Aqui está um exemplo de uma macro como descrito acima para um PIC 18: E aqui está uma macro semelhante para um PIC 24 ou dsPIC 30 ou 33: Ambos esses exemplos são implementados como macros usando o meu pré-processador PIC assembler. Que é mais capaz do que qualquer uma das instalações de macro incorporadas. Clabacchio: Outro problema que eu deveria ter mencionado é a implementação do firmware. Você pode escrever uma sub-rotina de filtro passa-baixa de um único pó uma vez, depois aplicá-la várias vezes. Na verdade, geralmente escrevo uma sub-rotina para levar um ponteiro na memória para o estado do filtro, então, avance o ponteiro para que possa ser chamado sucessivamente de forma fácil para realizar filtros multipolar. Ndash Olin Lathrop 20 de abril 12 às 15:03 1. Muito obrigado por suas respostas - todos eles. Eu decidi usar este Filtro IIR, mas este Filtro não é usado como um Filtro LowPass Padrão, pois eu preciso usar os Valores de Contador médios e compará-los para detectar Mudanças em um determinado intervalo. Uma vez que estes valores são de dimensões muito diferentes dependendo do hardware que eu queria tomar uma média para poder reagir automaticamente a essas mudanças específicas de hardware. Ndash sensslen 21 de maio 12 às 12:06 Se você pode viver com a restrição de um poder de dois itens a média (ou seja, 2,4,8,16,32 etc.), então a divisão pode ser feita com facilidade e eficiência em uma Micro de baixo desempenho sem divisão dedicada porque pode ser feito como uma mudança de bit. Cada turno para a direita é um poder de dois, por exemplo: O OP pensou que ele tinha dois problemas, dividindo-se em um PIC16 e memória para o buffer de anel. Esta resposta mostra que a divisão não é difícil. É certo que não aborda o problema da memória, mas o sistema SE permite respostas parciais, e os usuários podem tirar algo de cada resposta por si mesmos, ou mesmo editar e combinar as respostas de outros. Uma vez que algumas das outras respostas exigem uma operação de divisão, elas são igualmente incompletas, uma vez que não mostram como conseguir isso eficientemente em um PIC16. Ndash Martin 20 de abril 12 às 13:01 Há uma resposta para um verdadeiro filtro de média móvel (aka filtro de caixa) com menos requisitos de memória, se você não se importa com o downsampling. É chamado de filtro integrador-pente em cascata (CIC). A idéia é que você tenha um integrador que você tome diferenças em um período de tempo, e o dispositivo chave de economia de memória é que, por downsampling, você não precisa armazenar todos os valores do integrador. Ele pode ser implementado usando o seguinte pseudocódigo: seu comprimento médio móvel efetivo é decimationFactorstatesize, mas você só precisa manter em torno de amostras estadisticas. Obviamente, você pode obter um melhor desempenho se o seu estadista e decimationFactor forem poderes de 2, de modo que os operadores de divisão e restante sejam substituídos por turnos e máscaras-es. Postscript: Eu concordo com a Olin que você sempre deve considerar filtros IIR simples antes de um filtro de média móvel. Se você não precisar da freqüência-nulos de um filtro de caixa, um filtro passa-baixa de 1 pólo ou 2 pólos provavelmente funcionará bem. Por outro lado, se você estiver filtrando para fins de decimação (tomando uma entrada de alta taxa de amostragem e avaliando-a para uso por um processo de baixa taxa), um filtro CIC pode ser exatamente o que você está procurando. (Especialmente se você pode usar statesize1 e evitar o buffer de toque completamente com apenas um único valor de integrador anterior) Há uma análise aprofundada da matemática por trás do uso do filtro IIR de primeira ordem que Olin Lathrop já descreveu na troca de pilha de processamento de sinal digital (Inclui muitas imagens bonitas.) A equação para este filtro IIR é: Isto pode ser implementado usando apenas números inteiros e sem divisão usando o seguinte código (pode precisar de alguma depuração como eu estava digitando de memória.) Este filtro se aproxima de uma média móvel de As últimas K amostras, definindo o valor de alfa para 1K. Faça isso no código anterior, definindo BITS para LOG2 (K), ou seja, para K 16, defina BITS para 4, para K 4, defina BITS para 2, etc. (Verifique o código listado aqui assim que eu receber uma mudança e Edite esta resposta, se necessário.) Respondeu 23 de junho 12 às 4:04 Heres um filtro passa-baixa de um único polo (média móvel, com freqüência de corte CutoffFrequency). Muito simples, muito rápido, funciona muito bem e quase sem memória. Nota: Todas as variáveis ​​têm um alcance além da função de filtro, exceto o passado em newInput Note: Este é um filtro de estágio único. Múltiplos estágios podem ser conectados em cascata para aumentar a nitidez do filtro. Se você usar mais de um estágio, você precisará ajustar o DecayFactor (como se relaciona com a frequência de corte) para compensar. E, obviamente, tudo que você precisa é que as duas linhas colocadas em qualquer lugar, eles não precisam de sua própria função. Este filtro possui um tempo de aceleração antes que a média móvel represente a do sinal de entrada. Se você precisar ignorar esse tempo de aceleração, basta inicializar o MovingAverage para o primeiro valor do newInput em vez de 0 e espero que o primeiro NewInput não seja um outlier. (CutoffFrequencySampleRate) tem um intervalo entre 0 e 0,5. DecayFactor é um valor entre 0 e 1, geralmente perto de 1. Os flutuadores de precisão única são bons o suficiente para a maioria das coisas, eu apenas prefiro duplas. Se você precisa ficar com números inteiros, você pode converter DecayFactor e Factor de amplitude em inteiros fracionários, nos quais o numerador é armazenado como inteiro e o denominador é uma potência inteira de 2 (para que você possa mudar de bit para a direita como o Denominador em vez de ter que dividir durante o ciclo do filtro). Por exemplo, se DecayFactor 0.99 e você deseja usar números inteiros, você pode definir o DecayFactor 0.99 65536 64881. E então, sempre que você se multiplicar pelo DecayFactor no loop do filtro, basta mudar o resultado 16. Para obter mais informações sobre isso, um excelente livro é esse Online, capítulo 19 em filtros recursivos: dspguidech19.htm PS Para o paradigma da Média em Movimento, uma abordagem diferente para definir DecayFactor e AmplitudeFactor que pode ser mais relevante para suas necessidades, digamos que você quer o anterior, cerca de 6 itens em média juntos, fazendo isso discretamente, você adicionará 6 itens e dividirá por 6, então Você pode configurar o AmplitudeFactor para 16, e DecayFactor para (1.0 - AmplitudeFactor). Respondeu 12 de maio 12 às 22:55 Todos os outros comentaram detalhadamente sobre a utilidade do IIR vs. FIR e sobre a divisão de poder de dois. Eu gostaria de dar alguns detalhes de implementação. O abaixo funciona bem em pequenos microcontroladores sem FPU. Não há multiplicação, e se você mantém N um poder de dois, toda a divisão é de um único ciclo de mudança de bits. Tampão de anel FIR básico: mantenha um buffer de execução dos últimos valores de N e uma SOM em execução de todos os valores no buffer. Cada vez que uma nova amostra vem, subtrair o valor mais antigo no buffer de SUM, substituí-lo pela nova amostra, adicionar a nova amostra a SUM e SOMN de saída. Tampão de anel IIR modificado: mantenha uma SOM executória dos últimos valores de N. Cada vez que uma nova amostra vem, SUM - SUMN, adicione a nova amostra e saia SUMN. Respondeu 28 de agosto 13 às 13:45 Se eu tiver lido você direito, você descreve um filtro IIR de primeiro ordem, o valor que você está subtraindo não é o valor mais antigo que está caindo, mas sim a média dos valores anteriores. Os filtros IIR de primeiro orden certamente podem ser úteis, mas eu não tenho certeza do que você quer dizer quando você sugere que a saída seja a mesma para todos os sinais periódicos. A uma taxa de amostragem de 10KHz, a alimentação de uma onda quadrada de 100Hz em um filtro de caixa de 20 estágios produzirá um sinal que sobe uniformemente para 20 amostras, fica alto por 30, cai uniformemente para 20 amostras e fica com baixo para 30. Uma ordem de primeira ordem Filtro IIR. Ndash supercat 28 de agosto 13 às 15:31 renderá uma onda que começa a subir bruscamente e gradualmente se nivela perto (mas não em) o máximo de entrada, então começa a cair bruscamente e gradualmente nivela perto (mas não at) o mínimo de entrada. Comportamento muito diferente. Ndash supercat 28 de agosto 13 às 15:32 Uma questão é que uma média móvel simples pode ou não ser útil. Com um filtro IIR, você pode obter um bom filtro com relativamente poucos calcs. O FIR que você descreve só pode dar-lhe um retângulo no tempo - um sinc na freq - e você pode gerenciar os lobos laterais. Pode valer a pena lançar alguns números inteiros para tornar uma boa FIR sintonizada simétrica se você pode poupar os tiques do relógio. Ndash Scott Seidman 29 de agosto 13 às 13:50 ScottSeidman: Não há necessidade de se multiplicar se um simplesmente tiver cada estágio da FIR ou produzir a média da entrada para esse estágio e seu valor armazenado anterior, e depois armazenar a entrada (se tiver O intervalo numérico, pode-se usar a soma em vez da média). Se isso é melhor do que um filtro de caixa depende do aplicativo (a resposta de passo de um filtro de caixa com um atraso total de 1 ms, por exemplo, terá um pico d2dt desagradável quando a entrada muda, e novamente 1 ms depois, mas terá o mínimo Possível ddt para um filtro com um atraso total de 1ms). Ndash supercat 29 de agosto às 15:25 Como disse mikeselectricstuff, se você realmente precisa reduzir suas necessidades de memória e você não se importa que sua resposta de impulso seja exponencial (em vez de um pulso retangular), eu iria por um filtro exponencial de média móvel . Eu os uso extensivamente. Com esse tipo de filtro, você não precisa de nenhum buffer. Você não precisa armazenar N amostras passadas. Apenas um. Então, seus requisitos de memória são reduzidos por um fator de N. Além disso, você não precisa de nenhuma divisão para isso. Somente multiplicações. Se você tem acesso à aritmética de ponto flutuante, use as multiplicações de ponto flutuante. Caso contrário, faça multiplicações inteiras e mude para a direita. No entanto, estamos em 2017 e eu recomendaria que você usasse compiladores (e MCUs) que permitem que você trabalhe com números de ponto flutuante. Além de ser mais eficiente e mais eficiente em memória (você não precisa atualizar itens em qualquer buffer circular), eu diria que também é mais natural. Porque uma resposta exponencial de impulso corresponde melhor à maneira como a natureza se comporta, na maioria dos casos. Respondeu 20 de abril 12 às 9:59 Um problema com o filtro IIR como quase tocado por olin e supercat, mas aparentemente desconsiderado por outros é que o arredondamento apresenta alguma imprecisão (e potencialmente biastruncação). Assumindo que N é um poder de dois, e apenas uma aritmética inteira é usada, a direita de mudança elimina sistematicamente os LSBs da nova amostra. Isso significa que, quanto tempo a série possa ser, a média nunca levará em consideração essa série. Por exemplo, suponha uma série que diminua lentamente (8,8,8. 8,7,7,7. 7,6,6) e assume que a média é de fato 8 no início. A amostra do punho 7 trará a média para 7, independentemente da força do filtro. Apenas para uma amostra. A mesma história para 6, etc. Agora pense no contrário. A série sobe. A média permanecerá em 7 para sempre, até que a amostra seja grande o suficiente para fazê-la mudar. Claro, você pode corrigir o viés, adicionando 12N2, mas isso realmente não resolverá o problema de precisão. Nesse caso a série decrescente permanecerá para sempre em 8 até a amostra ser 8-12 (N2). Para N4, por exemplo, qualquer amostra acima de zero manterá a média inalterada. Eu acredito que uma solução para isso implicaria manter um acumulador de LSBs perdidos. Mas eu não consegui o suficiente para ter o código pronto, e não tenho certeza de que isso não prejudicaria o poder do IIR em alguns outros casos de séries (por exemplo, se 7,9,7,9 seria médio para 8). Olin, sua cascata de dois estágios também precisaria de alguma explicação. Você quer dizer segurar dois valores médios com o resultado do primeiro alimentado no segundo em cada iteração. Qual é o benefício desta. Esta funcionalidade é experimental e pode ser alterada ou removida completamente em uma versão futura. A Elastic terá uma abordagem de melhor esforço para corrigir quaisquer problemas, mas os recursos experimentais não estão sujeitos ao SLA de suporte de recursos oficiais da GA. Dada uma série ordenada de dados, a agregação de média móvel desliza uma janela através dos dados e emite o valor médio dessa janela. Por exemplo, dados os dados 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. podemos calcular uma média móvel simples com o tamanho de 5 janelas da seguinte maneira: as médias móveis são um método simples para alisar sequencial dados. As médias móveis geralmente são aplicadas em dados baseados no tempo, como preços de ações ou métricas do servidor. O alisamento pode ser usado para eliminar flutuações de alta freqüência ou ruído aleatório, o que permite que as tendências de baixa freqüência sejam mais facilmente visualizadas, como a sazonalidade. Syntaxedit Linearedit O modelo linear atribui uma ponderação linear aos pontos da série, de modo que os datapoints mais antigos (por exemplo, aqueles no início da janela) contribuem com uma quantidade linearmente menor para a média total. A ponderação linear ajuda a reduzir o atraso por trás da média dos dados, uma vez que os pontos mais antigos têm menos influência. Um modelo linear não tem configurações especiais para configurar Como o modelo simples, o tamanho da janela pode alterar o comportamento da média móvel. Por exemplo, uma pequena janela (janela: 10) acompanhará de perto os dados e apenas suaviza as flutuações da pequena escala: Figura 3. Média móvel linear com janela de tamanho 10 Em contraste, uma média móvel linear com janela maior (janela: 100) Irá suavizar todas as flutuações de alta freqüência, deixando apenas tendências de baixa freqüência e longo prazo. Também tende a atrasar os dados reais por uma quantidade substancial, embora tipicamente inferior ao modelo simples: Figura 4. Média linear linear com janela de tamanho 100 Multiplicativo Holt-Wintersedit Multiplicativo é especificado pelo tipo de configuração: mult. Esta variedade é preferida quando o efeito sazonal é multiplicado em relação aos seus dados. Por exemplo. Se a influência sazonal for x5 os dados, em vez de simplesmente adicionar a ele. Os valores padrão de alfa e gama são 0,3, enquanto o beta é 0,1. As configurações aceitam qualquer flutuador de 0-1 inclusive. O valor padrão do período é 1. O modelo multiplicativo de Holt-Winters pode ser minimizado O Holt-Invernos Multiplicativo funciona dividindo cada ponto de dados pelo valor sazonal. Isso é problemático se algum de seus dados for zero, ou se houver lacunas nos dados (uma vez que isso resulta em um divid-by-zero). Para combater isso, o mult Holt-Winters pads todos os valores por uma quantidade muito pequena (110 -10) para que todos os valores sejam diferentes de zero. Isso afeta o resultado, mas apenas minimamente. Se o seu dado não for zero, ou você prefere ver o NaN quando os zeros são encontrados, você pode desativar esse comportamento com o pad: false Predictionedit Todo o modelo de média móvel suporta um modo de previsão, que tentará extrapolar para o futuro dado o atual Suavizada, média móvel. Dependendo do modelo e parâmetro, essas previsões podem ou não ser precisas. As previsões são ativadas adicionando um parâmetro de previsão a qualquer agregação média móvel, especificando o número de previsões que você deseja anexar ao final da série. Essas previsões serão espaçadas no mesmo intervalo que seus baldes: o simples. Os modelos linear e ewma produzem previsões planas: eles convergem essencialmente na média do último valor da série, produzindo um plano: Figura 11. Média móvel simples com janela de tamanho 10, prever 50 Em contraste, o modelo holt pode extrapolar com base Em tendências constantes locais ou globais. Se estabelecemos um alto valor beta, podemos extrapolar com base em tendências constantes locais (neste caso, as previsões para baixo, porque os dados no final da série estavam indo em direção descendente): Figura 12. Média móvel Holt-Linear Com janela de tamanho 100, prever 20, alfa 0.5, beta 0.8 Em contraste, se escolhermos uma pequena versão beta. As previsões são baseadas na tendência constante global. Nesta série, a tendência global é ligeiramente positiva, então a previsão faz uma u-turno acentuada e começa uma inclinação positiva: Figura 13. Média móvel exponencial dupla com janela de tamanho 100, predição 20, alfa 0.5, beta 0.1 O modelo holtwinters Tem o potencial de fornecer as melhores previsões, uma vez que também incorpora flutuações sazonais no modelo: Figura 14. Média móvel Holt-Winters com janela de tamanho 120, predição 25, alfa 0.8, beta 0.2, gama 0.7, período 30Home gtgt Inventory Accounting Tópicos Método de inventário médio em movimento Visão geral do método de inventário médio em movimento No método de estoque médio móvel, o custo médio de cada item de inventário em estoque é calculado novamente após cada compra de inventário. Este método tende a renderizar as avaliações de inventário e o custo dos produtos vendidos, os quais são intermediários entre os derivados do primeiro método de entrada, primeira saída (FIFO) e o método do último em primeiro término (LIFO). Esta abordagem de média é considerada uma abordagem segura e conservadora para reportar resultados financeiros. O cálculo é o custo total dos itens comprados divididos pelo número de itens em estoque. O custo do inventário final e o custo dos produtos vendidos são então definidos a este custo médio. Nenhuma camada de custo é necessária, como é exigido para os métodos FIFO e LIFO. Uma vez que o custo médio móvel muda sempre que há uma nova compra, o método só pode ser usado com um sistema de rastreamento de estoque perpétuo, de modo que um sistema mantém registros atualizados dos saldos de inventário. Você não pode usar o método de inventário médio móvel se você estiver usando apenas um sistema de inventário periódico. Uma vez que esse sistema apenas acumula informações no final de cada período contábil e não mantém registros no nível da unidade individual. Além disso, quando as avaliações de estoque são derivadas usando um sistema de computador, o computador torna relativamente fácil ajustar continuamente avaliações de inventário com este método. Por outro lado, pode ser bastante difícil usar o método da média móvel quando os registros de inventário são mantidos manualmente, pois o pessoal do escritório ficaria sobrecarregado com o volume de cálculos necessários. Exemplo de método de inventário médio em movimento Exemplo 1. A ABC International possui 1.000 widgets verdes em estoque no início de abril, com um custo por unidade de 5. Assim, o saldo de inventário inicial de widgets verdes em abril é de 5.000. A ABC então compra 250 greeen widgets adicionais em 10 de abril para 6 cada (compra total de 1.500), e outros 750 widgets verdes em 20 de abril por 7 cada (compra total de 5.250). Na ausência de qualquer venda, isso significa que o custo médio móvel por unidade no final de abril seria de 5,88, que é calculado como um custo total de 11,750 (5,000 pontos de partida 1.500 compras 5,250 compras), dividido pelo total de on - Contagem de unidade de mão de 2.000 widgets verdes (1.000 saldo inicial 250 unidades compradas 750 unidades compradas). Assim, o custo médio móvel dos widgets verdes foi de 5 por unidade no início do mês e de 5,88 no final do mês. Vamos repetir o exemplo, mas agora incluem várias vendas. Lembre-se de que recalculamos a média móvel após cada transação. Exemplo 2. A ABC International possui 1.000 widgets verdes em estoque no início de abril, a um custo por unidade de 5. Ele vende 250 dessas unidades em 5 de abril e registra uma carga no custo de mercadorias vendidas de 1.250, o que É calculado como 250 unidades x 5 por unidade. Isso significa que agora existem 750 unidades em estoque, a um custo por unidade de 5 e um custo total de 3.750. A ABC então compra 250 widgets verdes adicionais em 10 de abril por 6 cada (compra total de 1.500). O custo médio móvel é agora de 5,25, que é calculado como um custo total de 5 250, dividido pelas 1.000 unidades ainda disponíveis. A ABC vende 200 unidades no dia 12 de abril e registra uma cobrança do custo dos bens vendidos de 1.050, que é calculado como 200 unidades x 5,25 por unidade. Isso significa que existem agora 800 unidades restantes em estoque, a um custo por unidade de 5,25 e um custo total de 4,200. Finalmente, a ABC compra mais 750 widgets verdes em 20 de abril por 7 cada (compra total de 5.250). No final do mês, o custo médio móvel por unidade é de 6,10, que é calculado como custos totais de 4200 5 250, dividido pelo total de unidades remanescentes de 800 750. Assim, no segundo exemplo, a ABC International começa o mês com 5.000 Saldo inicial de widgets verdes a um custo de 5 cada, vende 250 unidades ao custo de 5 em 5 de abril, revisa seu custo unitário para 5,25 após uma compra no dia 10 de abril, vende 200 unidades ao custo de 5,25 em 12 de abril e Finalmente, revisa seu custo unitário para 6.10 após uma compra em 20 de abril. Você pode ver que o custo por unidade muda após uma compra de estoque, mas não após uma venda de estoque.