Лучший индикатор тренда. Что такое индикатор разворота тренда? Как автоматически спрогнозировать движение тренда? Индикаторы прогноза тренда

Привет Всем!

Все трейдеры рынка Форекс четко осознают, что правильное прогнозирование рынка может практически, со 100% вероятностью, обеспечить прибыль от проведенной сделки на основе такого анализа. Что же такое прогноз тренда, какие способы его осуществления и какие технические инструменты могут в этом помочь, подробнее об этом мы разберем в этом посте.

Прогноз тренда — это умение спрогнозировать движение цены на ценовом графике в течение конкретного периода времени. Это чрезвычайно хлопотливое дело, требующее немалого опыта и натренированного ощущения рынка, и как ни крути, достижение этого умения является основной задачей для любого участника рынка, поскольку именно от его успешной реализации зависит размер полученной прибыли.

Кроме обычных методов технического и фундаментального анализа, для прогнозирования были разработаны специальные индикаторы прогноза тренда. Парочку самых точных и проверенных, мы и разберем ниже.

Итак, первый индикатор прогноза движения цены, который пользуется наибольшей популярностью среди трейдеров, это — Xprofuter . Данный индикатор состоит из двух компонентов:

#1 . Первый компонент — XprofuterDD — это собственно окно визуального прогноза, которое находится ниже основного графика и отображает общую с его кратковременным прогнозом.

#2 . Второй компонент — XprofuterOverlay — это визуальное построение прогнозной линии на главном ценовом графике на максимальное расстояние двенадцать (12) . Это позволяет трейдеру провести соответствующий анализ и опираясь на (которой он оперирует), выставить ордера для входа в позицию.

Более наглядно как полноценно должен отображаться данный индикатор прогноза тренда в :

Что можно сказать о его преимуществах, больше всего он подходит для (для «пипсовки»), соответственно на коротких временных промежутках, и не более, для долговременного трейдинга он к сожалению не подходит. Относительно недостатков, в большинстве случаев некорректно показывает ситуации , хотя для исправления этого можно дополнительно использовать любой проверенный трендовый индикатор.

Скачать индикатор прогноза тренда Xprofuter можете по ссылке

Еще один не менее популярный пример индикатора прогноза тренда, который построен на теории Фурье и является более динамичным в применении, чем его вышеописанный «коллега», это — Fourier Extrapolator .

Данный индикатор прогноза тренда дает трейдеру уже больший диапазон анализа рынка, но не более одного торгового дня. Этот индикатор будет вполне благоприятен для внутридневной торговли на рынке Форекс.

На графике, как видите на рисунке выше, данный технический инструмент не имеет дополнительного окна, и отображается только в виде визуальной линии, которая прогнозирует движение цены на определенный период в будущем.

При торговле индикатор прогноза тренда Fourier Extrapolator некорректно реагирует на непредвиденные резкие движения цены, которые как вариант, могут быть спровоцированы выходом важных событий (изменением ). При этом желательно, не входить в рынок по сигналам от индикатора в период выхода таких новостей. Для этого, чтобы быстро реагировать на такие ситуации можно дополнительно использовать . Кроме этого для отсеивания некоторых неточностей прогноза тренда, также желательно использовать другие трендовые инструменты для выявления не только текущего направления движения цены, но и его силы.

Скачать индикатор прогноза тренда Fourier Extrapolator и инструкцию с подробным описанием его параметров можно по ссылке

Итак, друзья трейдеры, мы рассмотрели технические инструменты прогноза тренда, Вы можете загрузить их, протестировать собственноручно на результативность и использовать в дальнейшем в своей торговле. Возможно вы знаете другие методы или индикаторы прогноза тренда, которые являются более эффективными, чем вышеописанные, тогда оставьте свой отзыв, и при желании, поделитесь результатами их работы в комментариях, буду благодарен за Ваши ответы;-).

Всем удачи и до встречи в следующих статьях!

С уважением, Александр Сивер

Задание 4.1. Спрогнозировать объем результативного показателя на 13-18-ый месяцы статистическими методами (с помощью среднего абсолютного прироста, среднегодового темпа роста) и по уравнению линейного тренда.

Проанализировать полученные результаты, представив их в виде табл. 5, и выбрать наилучшую модель, при прогнозировании по которой получены минимальные ошибки прогноза. Сделать выводы.

Задание 4.2. На основе данных за 1-12 месяцы по результативному показателю рассчитать коэффициенты автокорреляции 1-го и 2-го порядка.

Проанализировать полученные результаты. Сделать выводы.

Таблица 5

Результаты прогнозирования на основе трендовых моделей

4.2. Методические указания к практическим занятиям

Статистические методы прогнозирования.

Наиболее простой метод статистического прогнозирования предполагает использование средних характеристик ряда динамики: среднего абсолютного прироста и среднего темпа роста.

1. С помощью среднего абсолютного прироста.

Скорость изменения уровней временного ряда за определенный отрезок времени характеризуется средним абсолютным приростом. Предполагая его стабильным, прогноз можно дать в виде следующей экстраполяции:

,

где
- прогнозируемый уровень,

k - период экстраполяций (год, два,....),

у n - последний уровень динамического ряда,

- средний абсолютный прирост,
.

2. С помощью среднего темпа роста.

Прогнозное значение уровня, исходя из среднего коэффициента роста, можно получить по формуле:

где
- средний темп роста в коэффициентах,
.

Прогнозирование по уравнению тренда в случае линейной зависимости осуществляется по уравнению:

y = a + b * t ,

где y - зависимая переменная, показатель, который прогнозируется;

a - отрезок, начальное значение зависимой переменной, экономической интерпретации чаще всего не имеет;

b - наклон, показывает, на сколько единиц изменится прогнозируемый показатель y при изменении фактора времени на единицу; наклон является статистическим нормативом;

t - фактор времени (если время измеряется месяцами, то для прогнозирования надо подставить месяц, следующий за отчетным).

Для этого необходимо:

1. Определить параметры уравнения тренда:

В этой статье мы на примере рассмотрим один из статистических методов прогнозирования продаж. Мы будем прогнозировать прибыль, а точнее размер месячной прибыли. Совершенно аналогично можно делать прогнозы и других показателей продаж: выручка, объем продаж в натуральных единицах, количество сделок, количество новых клиентов и т.д.

Описанный в статье метод прост (относительно, конечно) и не привязан к специализированным программам. В принципе, для составления прогноза достаточно было бы бумаги, карандаша, калькулятора и линейки. Однако, это очень трудоемкий способ, поскольку в процессе возникает много рутинных вычислений. Поэтому мы будем использовать Microsoft Excel (версии 2000).

Помимо простоты у метода есть еще один важный плюс: для прогноза требуется небольшая статистика. Сделать прогноз на 2-3 месяца вперед можно, если есть статистика хотя бы за 13-14 месяцев. Ну а большая статистика дает возможность и прогноз делать на больший период.

Сбор и подготовка статистики продаж

Прогнозирование начинается, конечно, со сбора статистики продаж. Здесь нужно обращать внимание на то, чтобы все сделки были более-менее одного «масштаба», и чтобы количество сделок в месяц было достаточно большое.

Например, розничный магазин. Даже в небольшом магазине в месяц могут делаться тысячи и даже десятки тысяч покупок. Сумма каждой покупки, по сравнению с месячной выручкой, весьма мала — 0,0..01% от выручки. Это хорошая ситуация для прогнозирования.

Если прогноз делается для компании, работающей на корпоративном рынке, то нужно следить, чтобы количество сделок в месяц было хотя бы не менее 100, иначе для прогнозирования нужно применять другие методы. Также, если в статистике продаж встречаются крупные сделки, с суммой, например, около 10% от месячной выручки, то такие сделки надо исключать из статистики и рассматривать отдельно (опять же другими методами). Если крупные сделки не исключить, то они создадут в динамике «выбросы», которые могут сильно ухудшить точность прогноза.

По этим данным мы будем составлять прогноз на 12 месяцев вперед.

Рис. 1. График помесячной прибыли, данные из таблицы .

Существуют две основные модели временного ряда: аддитивная и мультипликативная. Формула аддитивной модели: Y t = T t + S t + e t Формула мультипликативной модели: Y t = T t x St + e t Обозначения: t - время (месяц или другой период детализации); Y - значение величины; Т — тренд; S — сезонные изменения; е - шум. Разница между моделями хорошо видна на рисунке , где приведены два ряда, с одинаковыми трендами, один ряд — по мультипликативной модели, другой — по аддитивной.

Примечание. Могут встречаться такие показатели продаж, у которых сезонные колебания практически отсутствуют.

Рис. 2. Примеры рядов: слева — по аддитивной модели; справа — по мультипликативной.

В нашем примере мы будем использовать мультипликативную модель.

Для каких-либо других данных, возможно лучше подошла бы аддитивная модель. Узнать на практике, какая модель подходит лучше, можно либо интуитивно, либо методом проб и ошибок.

Выделение тренда

В формулах моделей рядов динамики (Y t = T t + S t + e t и Y t = T t S t + e t ) фигурирует тренд T t , такой тренд мы будем называть «точным».

В практических задачах выделить точный (вернее, «почти точный») тренд T t может оказаться технически очень сложно (см. например, пункт в списке литературы).

Поэтому мы будем рассматривать приближенные тренды. Самый простой способ получения приближенного тренда — сглаживание ряда методом скользящего среднего с периодом сглаживания равным максимальному периоду сезонных колебаний. Сглаживание почти полностью устранит сезонные колебания и шум.

В рядах с детализацией по месяцам сглаживание нужно делать по 12-ти точкам (то есть по 12-ти месяцам). Формула скользящего среднего с периодом сглаживания 12 месяцев:

Где M t — значение скользящего среднего в точке t ; Y t — значение величины временного ряда в точке t .

Примечание. Очень редко, но все-же бывают динамики продаж, где длина полного период не только не равна году, но и «плавает». В таких случаях колебания, видимо, вызваны не сезонными изменениями, а какими-то другими, более мощными факторами.

Обратите внимание: поскольку мы вычисляем некоторый средний тренд за последние 12 месяцев, то в поведении приближенного тренда по сравнению с точным, происходит как бы запаздывание на 6 месяцев. Не смотря на то, что тренд, полученный методом скользящего среднего — это не точный, а приближенный (да еще и с запаздыванием), он вполне подходит для нашей задачи.

Прологарифмируем уравнение мультипликативной модели, и если шум e t не очень большой, то получим аддитивную модель.

Здесь ε 1;t также обозначает шум. Тренд мы выделим (скользящим средним за 12 месяцев) именно для такой преобразованной модели. На рисунке 3 — графики и показателя и тренда M t .

Рис. 3. График прологарифмированной величины показателя и тренда М и скользящего среднего по 12-ти месяцам. Слева на одном графике и величина и тренд. Справа — тренд в увеличенном масштабе. По оси X — номера периодов.

Примечание. Если темпы динамики небольшие, скажем, 10-15% в год, то и с мультипликативной моделью можно работать как с аддитивной (не логарифмирую).

Прогноз тренда

Тренд мы получили, теперь нужно его спрогнозировать. Прогноз можно бы было получить, например, методом экспоненциального сглаживания (см. ), но поскольку мы хотим прогнозировать максимально простым методом, то остановимся на обычной параметрической аппроксимации. В качестве функций приближения используем следующий набор:

Линейная функция: y = a + b × t.

Логарифмическая функция: y = a + b × ln(t)

Полином второй степени: y = a + b × t + c × t 2

Степенная функция: y = a × t b

Экспоненциальная функция: y = a × e b × t

Хорошо бы было дополнить набор и другими функциями, но для этого возможностей Excel недостаточно, нужно использовать специализированные программы: Maple, Matlab, MathCad и т.д.

Качество приближения мы будем оценивать по величине достоверности аппроксимации R 2 . Чем ближе эта величина к 1 — тем лучше функция приближает тренд. Это верно не всегда, но в Excel нет других критериев оценки качества аппроксимации. Впрочем, критерия R 2 нам будет достаточно.

На рисунках 4, 5, 6, 7 и 8и мы сделали аппроксимацию нашего тренда различными функциями и каждая функция аппроксимации продолжена на 12 точек вперед. И еще одна аппроксимация — на рисунке 9, полиномом 5-той степени.

Обратите внимание: если некоторая функция хорошо приближает тренд, то это не всегда означает, что данная функция хорошо тренд прогнозирует. В нашем примере полином 5-той степени делает самое лучшее приближение по сравнению с другими функциями (R 2 = 1) и, одновременно, дает самый нереальный прогноз.

По рисункам мы видим, что значение R 2 ближе всего к единице у параболы (полином 5-той степени уже не рассматриваем). Следующая по качеству аппроксимация — прямая линия. Хотя формально парабола аппроксимирует лучше всех, но ее поведение, особенно перевал в отдаленных точках, представляется не очень правдоподобным. Тогда можно взять аппроксимацию прямой, но мы найдем компромисс: среднее арифметическое между параболой и прямой.

Рис. 10. Тренд M t и его прогноз. По оси X — номер периода.

Результат прогноза тренда M t — на рисунке 10. Итак, мы получили прогноз тренда.

Прогноз показателя

Прогноз тренда у нас есть. Теперь можно сделать прогноз самого показателя. Формула очевидна:

Ln(Y t+1) = 12 × M t+1 - Ln(Y t) - Ln(Y t-1) - ... - Ln(Y t-10)

Y t+1 = exp(Ln(Y t+1))

До периода t = 19 у нас есть фактические данные. Для t = 20..31 у нас есть спрогнозированный тренд M t , а значения показателя мы будем считать последовательно, сначала для t = 20, потом для t = 21 и т.д.

Результаты прогноза — на рисунке 11 и в таблице 2.

Рис. 11. Прогноз показателя. По оси X — номер периода.

Сравнение прогноза и реальных данных

На рисунке 12 — графики прогноза и фактических данных.

В таблице 3 приведено сравнение реальных данных и спрогнозированных. Посчитаны ошибки прогноза, абсолютные: Прогноз-Факт; и относительные: 100%*(Прогноз-Факт)/Факт.

Обратите внимание, что ошибки прогноза смещены в положительную сторону. Причина этого может быть как в несовершенстве метода, так и в каких-то объективных обстоятельствах, например, в изменении ситуации на рынке в прогнозируемом периоде.

Точность прогноза

Рис. 12. Фактические данные и спрогнозированные. По оси X — номер периода.

Даже если модель очень хорошо описывает динамику реальных данных, что в общем-то большая редкость, то остаются еще шумы, которые вносят свою ошибку. Например, если уровень шума составляет 10% от значения показателя, то и ошибка прогноза будет не меньше 10%. Плюс, как минимум, еще несколько процентов ошибки добавятся из-за несоответствия модели и динамики реальных данных.

А вообще, лучший способ определить точность — это многократно делать прогнозы для одного и того же процесса и на основании такого опыта определять точность эмпирически.

Заключение и список литературы

В этой статье мы рассмотрели сильно упрощенный метод прогнозирования. Тем не менее, при отсутствии резких изменений на рынке и внутри компании, даже такой простой метод дает удовлетворительную точность прогноза месяцев на 10 вперед.

Литература

1. Крамер Г. «Математические методы статистики».— М.: «Мир», 1975.

2. Кендэл М. «Временные ряды».— М.: «Финансы и статистика», 1981.

3. Андерсон Т. «Статистический анализ временных рядов».— М.: «Мир», 1976.

4. Бокс Дж., Дженкис Г. «Анализ временных рядов. Прогноз и управление».— М.: «Мир», 1976

5. Губанов В.А., Ковальджи А.К. «Выделение сезонных колебаний на основе вариационных принципов. Экономика и математические методы». 2001. т. 37. № 1. С. 91-102.

Самые точные результаты выравнивания ряда динамики дает аналитическое выравнивание, с помощью которого строят математическое уравнение, наилучшим образом описывающее тенденцию изменения показателя.

Понятие об уравнении тенденции динамики ввел в 1902 году английский ученый Р.Гукер. Он предложил называть такое уравнение трендом (the trend).

Под трендом понимают уравнение линии во времени, вдоль которой расположена ломаная ряда динамики.

Этапы построения тренда:

1. Выявляют этапы развития явления (спады, подъемы, однородные участки и т.д.).

2. Анализируют показатели ряда динамики на этих этапах и выбирают вид уравнения (вид тренда).

3. Вычисляют параметры тренда, используя метод наименьших квадратов.

4. Оценивают адекватность уравнения развитию анализируемого показателя, оценивая колеблемость фактических уровней ряда вокруг теоретических, т.е. вычисленных по тренду.

Рассмотрим 3-ий этап на простейшем примере, когда трендом является уравнение прямой линии. Будем искать уравнение в виде:

где t – параметр времени; Y t – соответствующие времени уровни ряда, Ŷ t – выровненные уровни ряда, т.е. вычисленные по тренду.

Исходную информацию и расчетные показатели представим в виде таблицы 7.9.

Используя метод наименьших квадратов, построим систему уравнений:

(7.12)

Таблица 7.9. Схема таблицы для расчета параметров тренда

Решение этой системы позволит найти значения параметров уравнения. Если уравнение построено качественно, то åY i = Σ Ŷ t .

Эти расчеты можно упростить, если иначе производить номерацию параметра t. Ее нужно произвести следующим образом: начало отсчета должно находиться в середине анализируемого ряда. Если количество точек нечетное, то в середине ряда t ставим 0; если количество точек четное, то нуль выбрасывается. К началу ряда счет идет со знаком «–», к концу – со знаком «+», тогда åt становиться равной 0 (т.е. åt=0).

Таблица 7.10. Схема номерации уровней ряда от середины ряда

Тогда в системе нормальных уравнений (7.12) исчезнут слагаемые, в которые входит сумма t (Σt=0), т.е. мы получим упрощенную систему

(7.13)

где n – количество точек анализируемого ряда.

Отсюда: (7.14)

Параметр а 1 соответствует абсолютному приросту за единицу периода времени.

Тенденции или тренды могут быть выражены в виде кривых. Это могут быть: парабола, ветка гиперболы, экспонента или показательная кривая, логарифмическая линия и т.д. Виды трендов в виде кривых и их построение рассмотрим ниже.

Прогноз по тренду . Используя уравнение можно построить точечный прогноз на последующие периоды времени, подставляя в уравнение тренда (7.11) номера t, следующие за последним фактическим номером, используемым при построении тренда. Например:

Таблица 7.11. Схема расчета прогноза при различной номерации показателей ряда динамики

Параметры а 0 и а 1 в уравнении тренда, построенных различным способом нумерации t, будут отличаться, а прогнозы будут совпадать.

Оценка точности тренда. В экономическом анализе необходимо оценить силу разброса фактических точек вокруг расчетных (трендовых). Это оценивается по величине остаточного среднеквадратического отклонения и коэффициенту вариации:

Доверительный интервал или предельная ошибка прогноза равна средней ошибке умноженной на коэффициент доверия t-Стьюдента, при доверительных вероятностях p=0,90; 0,95; 0,99. Строчку в таблицах находим по числу степеней свободы тренда n – m .

Прогнозирование – это очень важный элемент практически любой сферы деятельности, начиная от экономики и заканчивая инженерией. Существует большое количество программного обеспечения, специализирующегося именно на этом направлении. К сожалению, далеко не все пользователи знают, что обычный табличный процессор Excel имеет в своем арсенале инструменты для выполнения прогнозирования, которые по своей эффективности мало чем уступают профессиональным программам. Давайте выясним, что это за инструменты, и как сделать прогноз на практике.

Целью любого прогнозирования является выявление текущей тенденции, и определение предполагаемого результата в отношении изучаемого объекта на определенный момент времени в будущем.

Способ 1: линия тренда

Одним из самых популярных видов графического прогнозирования в Экселе является экстраполяция выполненная построением линии тренда.

Попробуем предсказать сумму прибыли предприятия через 3 года на основе данных по этому показателю за предыдущие 12 лет.

Способ 2: оператор ПРЕДСКАЗ

Экстраполяцию для табличных данных можно произвести через стандартную функцию Эксель ПРЕДСКАЗ . Этот аргумент относится к категории статистических инструментов и имеет следующий синтаксис:

ПРЕДСКАЗ(X;известные_значения_y;известные значения_x)

«X» – это аргумент, значение функции для которого нужно определить. В нашем случае в качестве аргумента будет выступать год, на который следует произвести прогнозирование.

«Известные значения y» — база известных значений функции. В нашем случае в её роли выступает величина прибыли за предыдущие периоды.

«Известные значения x» — это аргументы, которым соответствуют известные значения функции. В их роли у нас выступает нумерация годов, за которые была собрана информация о прибыли предыдущих лет.

Естественно, что в качестве аргумента не обязательно должен выступать временной отрезок. Например, им может являться температура, а значением функции может выступать уровень расширения воды при нагревании.

При вычислении данным способом используется метод линейной регрессии.

Давайте разберем нюансы применения оператора ПРЕДСКАЗ на конкретном примере. Возьмем всю ту же таблицу. Нам нужно будет узнать прогноз прибыли на 2018 год.

Но не стоит забывать, что, как и при построении линии тренда, отрезок времени до прогнозируемого периода не должен превышать 30% от всего срока, за который накапливалась база данных.

Способ 3: оператор ТЕНДЕНЦИЯ

Для прогнозирования можно использовать ещё одну функцию – ТЕНДЕНЦИЯ . Она также относится к категории статистических операторов. Её синтаксис во многом напоминает синтаксис инструмента ПРЕДСКАЗ и выглядит следующим образом:

ТЕНДЕНЦИЯ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы «Известные значения y» и «Известные значения x» полностью соответствуют аналогичным элементам оператора ПРЕДСКАЗ , а аргумент «Новые значения x» соответствует аргументу «X» предыдущего инструмента. Кроме того, у ТЕНДЕНЦИЯ имеется дополнительный аргумент «Константа» , но он не является обязательным и используется только при наличии постоянных факторов.

Данный оператор наиболее эффективно используется при наличии линейной зависимости функции.

Посмотрим, как этот инструмент будет работать все с тем же массивом данных. Чтобы сравнить полученные результаты, точкой прогнозирования определим 2019 год.

Способ 4: оператор РОСТ

Ещё одной функцией, с помощью которой можно производить прогнозирование в Экселе, является оператор РОСТ. Он тоже относится к статистической группе инструментов, но, в отличие от предыдущих, при расчете применяет не метод линейной зависимости, а экспоненциальной. Синтаксис этого инструмента выглядит таким образом:

РОСТ(Известные значения_y;известные значения_x; новые_значения_x;[конст])

Как видим, аргументы у данной функции в точности повторяют аргументы оператора ТЕНДЕНЦИЯ , так что второй раз на их описании останавливаться не будем, а сразу перейдем к применению этого инструмента на практике.

Способ 5: оператор ЛИНЕЙН

Оператор ЛИНЕЙН при вычислении использует метод линейного приближения. Его не стоит путать с методом линейной зависимости, используемым инструментом ТЕНДЕНЦИЯ . Его синтаксис имеет такой вид:

ЛИНЕЙН(Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Последние два аргумента являются необязательными. С первыми же двумя мы знакомы по предыдущим способам. Но вы, наверное, заметили, что в этой функции отсутствует аргумент, указывающий на новые значения. Дело в том, что данный инструмент определяет только изменение величины выручки за единицу периода, который в нашем случае равен одному году, а вот общий итог нам предстоит подсчитать отдельно, прибавив к последнему фактическому значению прибыли результат вычисления оператора ЛИНЕЙН , умноженный на количество лет.

Как видим, прогнозируемая величина прибыли, рассчитанная методом линейного приближения, в 2019 году составит 4614,9 тыс. рублей.

Способ 6: оператор ЛГРФПРИБЛ

Последний инструмент, который мы рассмотрим, будет ЛГРФПРИБЛ . Этот оператор производит расчеты на основе метода экспоненциального приближения. Его синтаксис имеет следующую структуру:

ЛГРФПРИБЛ (Известные значения_y;известные значения_x; новые_значения_x;[конст];[статистика])

Как видим, все аргументы полностью повторяют соответствующие элементы предыдущей функции. Алгоритм расчета прогноза немного изменится. Функция рассчитает экспоненциальный тренд, который покажет, во сколько раз поменяется сумма выручки за один период, то есть, за год. Нам нужно будет найти разницу в прибыли между последним фактическим периодом и первым плановым, умножить её на число плановых периодов (3) и прибавить к результату сумму последнего фактического периода.

Прогнозируемая сумма прибыли в 2019 году, которая была рассчитана методом экспоненциального приближения, составит 4639,2 тыс. рублей, что опять не сильно отличается от результатов, полученных при вычислении предыдущими способами.

Мы выяснили, какими способами можно произвести прогнозирование в программе Эксель. Графическим путем это можно сделать через применение линии тренда, а аналитическим – используя целый ряд встроенных статистических функций. В результате обработки идентичных данных этими операторами может получиться разный итог. Но это не удивительно, так как все они используют разные методы расчета. Если колебание небольшое, то все эти варианты, применимые к конкретному случаю, можно считать относительно достоверными.