Operador Promedio Móvil

Sé que esto es alcanzable con el alza como por: Pero yo realmente quisiera evitar el uso del alza. He googled y no he encontrado ningún ejemplo adecuado o legible. Básicamente, quiero seguir el promedio móvil de una corriente en curso de una corriente de números de punto flotante utilizando los números 1000 más recientes como una muestra de datos. ¿Cuál es la manera más fácil de lograr esto que experimenté con el uso de una matriz circular, media móvil exponencial y una media móvil más simple y encontró que los resultados de la matriz circular se adapta a mis necesidades mejor. Si sus necesidades son simples, puede intentar usar una media móvil exponencial. Puesto simplemente, usted hace una variable del acumulador, y como su código mira cada muestra, el código actualiza el acumulador con el nuevo valor. Usted escoge un alfa constante que está entre 0 y 1, y calcule esto: Usted apenas necesita encontrar un valor del alfa donde el efecto de una muestra dada dura solamente cerca de 1000 muestras. Hmm, no estoy realmente seguro de que esto es adecuado para usted, ahora que he puesto aquí. El problema es que 1000 es una ventana bastante larga para un promedio móvil exponencial No estoy seguro de que haya un alpha que se extendería el promedio en los últimos 1000 números, sin subflujo en el cálculo de punto flotante. Pero si usted quisiera un promedio más pequeño, como 30 números o tan, esto es una manera muy fácil y rápida de hacerla. Respondió 12 de junio 12 en 4:44 1 en su puesto. El promedio móvil exponencial puede permitir que el alfa sea variable. Así, esto permite que se utilice para calcular promedios de base de tiempo (por ejemplo, bytes por segundo). Si el tiempo transcurrido desde la última actualización del acumulador es de más de 1 segundo, deje que alfa sea 1.0. De lo contrario, puede permitir que alpha be (usecs desde la última actualización / 1000000). Ndash jxh 12 de junio a las 6:21 Básicamente, quiero seguir el promedio móvil de una corriente en curso de una corriente de números de punto flotante usando los números 1000 más recientes como una muestra de datos. Tenga en cuenta que el siguiente actualiza el total como elementos añadidos / reemplazados, evitando costosos recorridos O (N) para calcular la suma - necesaria para el promedio - a la demanda. Total se hace un parámetro diferente de T a soporte, p. Usando un largo largo cuando totalizan 1000 long s, un int para char s, o un doble a total float s. Esto es un poco defectuoso en que numsamples podría ir más allá de INTMAX - si te importa que podría utilizar un unsigned mucho tiempo. O utilice un miembro de datos de bool extra para grabar cuando el contenedor se rellena primero mientras cicla numsamples alrededor de la matriz (mejor entonces cambia el nombre de algo inocuo como pos). Respondió el 12 de Junio ​​12 a las 5:19 se supone que el operador quotvoid (T sample) quot es realmente operador quotvoid (T sample) quot. Ndash oPless Jun 8 14 at 11:52 oPless ahhh. bien descrito. En realidad quería que fuera para ser operador vacío () (T muestra), pero por supuesto, usted podría utilizar cualquier notación que te gustaba. Se arreglará, gracias. Ndash Tony D Jun 8 14 a las 14: 27Creación y uso de promedios móviles con el asistente de investigación ¿Sabía que puede crear y escanear medias móviles con el Asistente de Investigación? Mientras que el Asistente de Investigación es uno de los más importantes programas fundamentales de recolección de valores y backtesting disponibles , Muchos no son conscientes de que el Asistente de Investigación también puede escanear y probar cosas como los promedios móviles y el aumento (o disminución) de volumen y etc. Los promedios móviles son grandes ayudando a determinar si un mercado (stock) está en una tendencia alcista o bajista y si Se ha producido un cambio de tendencia. Los promedios móviles actúan como líneas de tendencia (aunque en movimiento y curvadas) en que como las acciones cotizan por encima de la media móvil, su alcista, mientras que si se negocia por debajo de ella, su bajista. Los promedios móviles a corto plazo ayudan a medir la dirección a corto plazo del mercado, mientras que los promedios más largos toman una visión más amplia. Un ejemplo de una media móvil a más corto plazo sería el promedio móvil de 10 días (dos semanas) o el promedio móvil de 20 días (cuatro semanas). (La imagen de abajo muestra una media móvil de 10 días.) La media móvil de 10 días es sólo que el promedio de los últimos 10 días de precios. Cada día el precio promedio cambia según el precio de los días más recientes está incluido y el precio más antiguo cae. A medida que aumenta el precio de las acciones, el aumento de los precios medios móviles también. Si el precio de las acciones disminuye, el precio medio móvil también disminuirá. Un ejemplo de una media móvil a plazo intermedio sería una media móvil de 50 días (o diez semanas). Una vez más, el precio de los días más recientes se incluye mientras que el precio más antiguo ya no está incluido. Por supuesto, un día de precio de un posible 10 días de precios tendrá una mayor influencia en el precio promedio móvil de un día de los 50 días de precios. Así que cuanto más corto sea el número de días incluidos en el promedio móvil, más sensible será su considerado. Un ejemplo de medio móvil a largo plazo sería el promedio móvil de 200 días (o cuarenta semanas). Mientras las acciones cotizan por encima de ella, la tendencia a largo plazo se considera intacta. Si una acción se rompe la media móvil de 200 días en su camino hacia abajo, que generalmente se cree que es bajista, y la tendencia a largo plazo podría ser la inversión. Itll tomar más acción de precios durante un período más largo de tiempo para influir en este promedio móvil. Al igual que las líneas de tendencia, los promedios móviles pueden actuar como soporte y resistencia. Si una acción cae, pero se detiene en o alrededor de la media móvil y luego comienza a moverse más alto desde allí, puede actuar como una base firme de apoyo para el stock. Si una acción se negocia por debajo de la media móvil y se eleva hasta la parte inferior de la misma, pero se rechaza y baja, el promedio móvil ha actuado como resistencia al alza. Nota: Los promedios móviles son menos exigentes que las líneas de tendencia cuando actúan como soporte y resistencia. Y las medias móviles a más corto plazo no son tan robustas como las medias móviles a largo plazo en este sentido. Aunque también debe señalarse que las líneas de tendencia a corto plazo tampoco son tan robustas como las líneas de tendencia a largo plazo. Cómo usar los promedios móviles en el asistente de investigación Proyección para los promedios móviles Para crear un promedio móvil en el Asistente para la investigación, haga esto en la función Expresión de cálculo. En este ejemplo: permite la detección de acciones que coticen por encima de su media móvil de 200 días. 1. En primer lugar, permite cambiar a nuestra base de datos DBDP (Historical Daily Prices), vaya a Archivo en la barra de menús y seleccione Abrir base de datos. 2. A continuación, seleccione la base de datos DBDP - Historical Daily Prices y haga clic en Aceptar. 3. Entonces volverá a la página principal. Desde allí, vaya a la pantalla en la barra de menús y seleccione Pantalla por expresión de cálculo, o haga clic en el botón Pantalla por expresión de cálculo en la barra de herramientas. A continuación, aparecerá la Ventana de expresión de cálculo. 4. En la ventana Categorías, seleccione Datos de precio y volumen. Y en la ventana Elementos, seleccione Precio diario. (Se muestra a continuación) (Nota al lado del Precio diario, tiene (560 D) entre paréntesis, lo que significa que hay 560 días de puntos de datos para elegir). 5. Haga clic en el botón Añadir elemento y luego en i6 (Precio diario) Se agregará al cuadro de diálogo largo sobre las ventanas Categorías y elementos. (Vea a continuación.) 6. A continuación, en la esquina inferior izquierda, vaya a la ventana Operator Category y seleccione Comparison. En la ventana Operador a la derecha de la misma, seleccione el signo gt. A continuación, haga clic en Agregar operador cuando haya terminado. (Vea a continuación.) El cuadro de diálogo largo lee: i6 gt 7. A continuación, asegurándose de que los precios diarios se resaltan todavía en la ventana Elementos, vaya a la sección Parámetros de función y haga clic en el botón Seleccionar. (A continuación, en la ventana Categoría de funciones, resalte Promedio móvil, luego, en la ventana Nombre de la función, resalte Mover media y, a continuación, en el cuadro Número de períodos, Escriba 200 como se muestra a continuación (esto significa 200 días.) Y luego haga clic en el botón Agregar función seleccionada El cuadro de diálogo largo se lee: i6 gt MovingMean200 (i6) como se muestra a continuación 9. Haga clic en el botón Aceptar en la parte inferior para Complete la Expresión de Cálculo 10. Aparecerá la ventana Pantalla A. Asegúrese de que el operador muestre el signo. A continuación, resalte la selección 1 Verdadero y haga clic en Aceptar. (Si se realiza correctamente, la tabla Definición de Pantalla y el Informe La tabla de definición se verá como la imagen de abajo. Haga clic en el botón Ejecutar consulta y sólo las existencias de comercio por encima de su media móvil de 200 días vendrá a través de la página del informe, seleccione un ticker haciendo clic izquierdo una vez, (Como se muestra a continuación). A continuación, haga clic en los gráficos interactivos y la selección de ZER y se muestra la ventana de gráfico. (Vea a continuación.) La ventana Gráfico le permite desplazarse por todos los tickers seleccionados haciendo clic en el botón Flecha arriba y el botón Flecha abajo. (Por defecto, la media móvil de 200 días se mostrará en rojo.) Cuando esté hecho mirando las poblaciones, asegúrese de volver y guardar la pantalla si no wan a perderlo. Moving Average Crossovers También puede realizar una búsqueda de crossovers promedio móvil. Por ejemplo: usted podría examinar para las poblaciones donde el promedio móvil de 10 días está por encima de la media móvil de 20 días. Esto devolverá acciones como la que se muestra en la imagen de abajo. Cuando la media móvil a más largo plazo está por encima de la media móvil a corto plazo, se considera bajista. En la imagen inferior, la línea púrpura es la media móvil de 10 días más corta (o más rápida) y la línea azul es la media móvil a más largo plazo (o más lenta) de 20 días. (Esto es alcista.) En el ejemplo anterior, fuimos paso a paso en la detección de acciones donde el precio actual era mayor que la media móvil de 200 días. En este próximo ejemplo, vamos a buscar acciones donde el promedio móvil de 50 días es mayor que el promedio móvil de 200 días. Primero, elimine sus criterios haciendo clic en el botón Garbage Can en la barra de herramientas. A continuación, repita los pasos 1 a 3 como se describió anteriormente. 4. En la ventana Categorías, seleccione Datos de precio y volumen. Y en la ventana Elementos, seleccione Precio diario. (Se muestra a continuación.) 5. A continuación, vaya a la sección Función Parámetros y haga clic en el botón Seleccionar. (A continuación, en la ventana Categoría de función, resalte Promedio móvil y, a continuación, en la ventana Nombre de la función, resalte Media móvil, luego en el cuadro Número de períodos, Escriba 50 como se muestra a continuación y luego haga clic en el botón Añadir función seleccionada (Esta es la media móvil de 50 días.) El cuadro de diálogo largo se lee: MovingMean50 (i6) como se muestra a continuación 7. A continuación, en la esquina inferior izquierda, Vaya a la ventana Operator Category (Categoría de operador) y seleccione Comparison (Comparación) En la ventana Operator (Operador) a la derecha de la misma, seleccione el signo gt y luego haga clic en Add Operator cuando termine (Ver más abajo.) El cuadro de diálogo largo leerá: MovingMean50 (i6) gt 8. A continuación, asegurándose de que la ventana Categoría de función aún tiene el valor Promedio móvil resaltado y que la ventana Nombre de función aún tenga la media móvil resaltada, cambie el cuadro Número de períodos a 200 como se muestra a continuación y haga clic en el botón Añadir función seleccionada. Es el promedio móvil de 200 días.) El cuadro de diálogo largo se leerá: MovingMean50 (i6) gt MovingMean200 (i6) como se muestra a continuación. 9. Haga clic en el botón Aceptar en la parte inferior para completar la expresión de cálculo. 10. Aparecerá la ventana Pantalla por. Asegúrese de que el operador muestre el letrero. A continuación, resalte la selección 1 Verdadero y haga clic en Aceptar. Si se realiza correctamente, la tabla de definición de pantalla y la tabla de definición de informe se verán como la imagen de abajo. Haga clic en el botón Ejecutar consulta y sólo las existencias cuyos 50 días de media móvil se encuentra por encima de su media móvil de 200 días vendrá a través. (De nuevo, asegúrese de regresar y guardarlo si desea conservarlo para su uso posterior.) Volver a probar los promedios móviles Si desea volver a probar una pantalla con promedios móviles, asegúrese de crear su promedio móvil en la base de datos DBCMHIST. Las pantallas de media móvil que acabamos de crear en la base de datos DBDP (Base de datos de precios diarios históricos) no se pueden volver a probar. Pero si crea el promedio móvil en la base de datos histórica semanal (DBCMHIST) puede ser. Primero, elimine sus criterios haciendo clic en el botón Garbage Can en la barra de herramientas. En este ejemplo, vamos a buscar acciones donde la media móvil de 50 días (o 10 semanas) es mayor que la media móvil de 200 días (o 40 semanas). 1. En primer lugar, permite cambiar a nuestra base de datos DBCMHIST (semanario histórico), vaya a Archivo en la barra de menús y seleccione Abrir base de datos. 2. A continuación, seleccione DBCMHIST - Weekly Historical Database y haga clic en Aceptar. 3. Entonces volverá a la página principal. Desde allí, vaya a la pantalla en la barra de menús y seleccione Pantalla por expresión de cálculo, o haga clic en el botón Pantalla por expresión de cálculo en la barra de herramientas. A continuación, aparecerá la Ventana de expresión de cálculo. 4. En la ventana Categorías, seleccione Cambios de precios y precios. Y en la ventana Elementos, seleccione Precio actual. (Se muestra a continuación.) 5. A continuación, vaya a la sección Parámetros de Función y haga clic en el botón Seleccionar botón. (A continuación, en la ventana Categoría de función, resalte Promedio móvil y, a continuación, en la ventana Nombre de la función, resalte Mover media, luego en el cuadro Número de períodos, Escriba 10 como se muestra a continuación y, a continuación, haga clic en el botón Añadir función seleccionada (este es el promedio móvil de 10 semanas: el equivalente aproximado al promedio móvil de 50 días.) Nota: el cuadro Número de períodos hace referencia a la periodicidad de los elementos Puntos de datos Si el historial de artículos se almacena como datos diarios puntos 10 significaría 10 días Si el historial de elementos se almacena como puntos de datos semanales 10 significaría 10 semanas) El cuadro de diálogo largo se lee: MovingMean10 (i5) como se muestra a continuación . 7. A continuación, en la esquina inferior izquierda, vaya a la ventana Operator Category y seleccione Comparison. En la ventana Operador a la derecha de la misma, seleccione el signo gt. A continuación, haga clic en Agregar operador cuando haya terminado. (Vea más abajo.) El cuadro de diálogo largo leerá ahora: MovingMean10 (i5) gt 8. A continuación, asegurándose de que la ventana Categoría de función aún tenga resaltada la Promedio móvil y que la ventana Nombre de función tenga todavía Desplazamiento destacado, cambie el Número de Períodos a 40 como se muestra a continuación y, a continuación, haga clic en el botón Añadir función seleccionada. (Este es el promedio móvil de 40 semanas - el equivalente aproximado a la media móvil de 200 días.) El cuadro de diálogo largo se leerá: MovingMean10 (i5) gt MovingMean40 (i5) como se muestra a continuación. 9. Haga clic en el botón Aceptar en la parte inferior para completar la Expresión de cálculo 10. La ventana Pantalla por aparecerá. Asegúrese de que el operador muestre el letrero. A continuación, resalte la selección 1 Verdadero y haga clic en Aceptar. Si se realiza correctamente, la tabla de definición de pantalla y la tabla de definición de informe se verán como la imagen de abajo. Haga clic en el botón Ejecutar la consulta y sólo las poblaciones cuyo promedio móvil de 10 semanas está por encima de su media móvil de 40 semanas vendrá a través. Para promedios móviles a corto plazo, lo haría de la misma manera, pero cambie el cuadro Números de Períodos a 4 por semanas (o el equivalente aproximado de 20 días) o 2 por dos semanas (o el equivalente aproximado de 10 días). Para agregar más elementos a esta pantalla, simplemente regrese a la base de datos principal de DBCM y continúe construyendo sobre esta pantalla. Vaya a Archivo, Abrir base de datos y seleccione Restaurar base de datos. Esto le llevará de nuevo a la base de datos DBCM predeterminada donde puede terminar el resto de su pantalla. A continuación, asegúrese de guardar la pantalla si desea utilizarla para más tarde o si desea volver a probarla. Para backtest esta pantalla, backtest simplemente como usted haría cualquier otra pantalla. Usar un screener para encontrar y probar diferentes promedios móviles puede ser rápido y fácil y potencialmente rentable. Por supuesto, los promedios móviles por sí solos no cuentan toda la historia. Pero una empresa con fundamentos sólidos, mientras que también el comercio por encima de estos indicadores de tendencia, puede ayudarle a encontrar acciones ganadoras. Y también pueden alertar a los cambios de tendencia también. El asistente de investigación ya viene con una pantalla llamada: sow102050200ma. Busca empresas que están negociando por encima de sus 10, 20 50 y 200 días de media móvil junto con algunos otros criterios. Puede acceder a ella accediendo a: Pantalla Abrir definición de pantalla Haga doble clic en la carpeta SoW Seleccione el archivo sow102050200ma. und Haga clic en Abrir También puede acceder a una pantalla backtestable de 2 semanas, 4 semanas, 10 semanas y 40 semanas de media móvil también. Es una pantalla de arranque para que pueda construir sobre él como desee. Ir a: Pantalla Abrir pantalla Definición Haga doble clic en la carpeta SoW Seleccione el archivo btsow2wk4wk10wk40wkma. und Haga clic en Abrir Por favor envíenos sus comentarios y preguntas o lo que le gustaría ver aquí demostrar. Bueno, muéstrelo en la siguiente carta. Envíe sus comentarios a: RWmailbagzacksMEDEROS MOVILIZADOS GENERALIZADOS, MEDIDAS DE DISTANCIA Y OPERADORES DE OWA Recibido: 5 de abril de 2011 Revisado: 7 de marzo de 2013 Se estudia el concepto de media móvil. Analizamos varias extensiones utilizando operadores de agregación generalizados, obteniendo el promedio móvil generalizado. La principal ventaja es que proporciona un marco general que incluye una amplia gama de casos específicos, incluyendo la media móvil geométrica y cuadrática. Este análisis se amplía utilizando el promedio generalizado ordenado ponderado (GOWA) y el inducido GOWA (IGOWA) operador. Así, obtenemos el promedio móvil ponderado ordenado generalizado (GOWMA) y el operador GOWMA (IGOWMA) inducido. Se estudian algunas de sus principales propiedades. Además ampliamos este enfoque mediante el uso de medidas a distancia que sugiere el concepto de distancia media móvil y distancia media generalizada distancia media. También consideramos el caso con el OWA y el operador IOWA, obteniendo la distancia media móvil ponderada ordenada generalizada (GOWMAD) y el operador GOWMAD (IGOWMAD) inducido. El documento termina con una aplicación en la toma de decisiones multi-período. Palabras clave: La distancia media móvil de operador OWA mide los operadores de agregación Fabio Blanco-Mesa. Jos M. Merig. Janusz Kacprzyk. (2016) Bonferroni significa con medidas de distancia y el coeficiente de adecuación en la teoría del grupo empresarial. Sistemas basados ​​en el conocimiento 111. 217-227. Fecha de publicación en línea: 1-Nov-2016. CrossRef Peide Liu. (2016) Operadores de Agregación Basados ​​en la Norma t-Conorm y t-Norm de Archimede para Números Neutrosóficos de Valor Único y su Aplicación a la Toma de Decisiones. International Journal of Fuzzy Systems 18: 5, 849 - 863. Fecha de publicación en línea: 1-Oct-2016. CrossRef Jos M. Merig. Marta Peris-Ortz. Antonio Navarro-Garca. Carlos Rueda-Armengot. (2016) Operadores de agregación en análisis de crecimiento económico y toma de decisiones de grupos empresariales. Aplicada Soft Computing 47. 141-150. Fecha de publicación en línea: 1-Oct-2016. CrossRef Montserrat Casanovas. Agustín Torres Martínez. Jos M. Merig. (2016) Toma de Decisiones en Reaseguro con Operadores de OWA Inducidos y Distancias de Minkowski. Cybernetics and Systems 47: 6, 460 - 477. Fecha de publicación en línea: 17-Ago-2016. CrossRef Huaping Guo. Hongbing Liu. Changan Wu. Weimei Zhi. Yan Xiao. Wei Ella. (2016) Discriminación logística basada en la media G y en la medida F para el problema desequilibrado. Journal of Intelligent amp amp; Fuzzy Systems 31: 3, 1155 - 1166. Fecha de publicación en línea: 13-Ago-2016. CrossRef Ronald R. Yager. Naif Alajlan. (2016) Algunas cuestiones sobre la agregación OWA con argumentos de importancia ponderada. Sistemas basados ​​en el conocimiento 100. 89-96. Fecha de publicación en línea: 1-mayo-2016. CrossRef Jos M. Merig. Jian-Bo Yang. Dong-Ling Xu. (2016) Análisis de demanda con sistemas de agregación. Revista Internacional de Sistemas Inteligentes 31: 5, 425-443. Fecha de publicación en línea: 1-mayo-2016. CrossRef Rajashi Chatterjee. P. Majumdar. S. K. Samanta. (2016) Sobre algunas medidas de similitud y entropía en conjuntos neutrosóficos de un solo valor, cuadriparticionados. Journal of Intelligent amp Fuzzy Systems 30: 4, 2475 - 2485. Fecha de publicación en línea: 10-Mar-2016. CrossRef Jos M. Merig. Daniel Palacios-Marqus. Shouzhen Zeng. (2016) Información subjetiva y objetiva en la toma de decisiones de grupos multicriterios lingüísticos. Revista Europea de Investigación Operacional 248: 2, 522-531. Fecha de publicación en línea: 1-Ene-2016. CrossRef Bo Peng. (2015) Una aproximación a la toma de decisiones de grupo basada en medidas de distancia geométricas difusas intuitivas de intervalo valoradas. 2015 Conferencia Internacional sobre Teoría Difusa y sus Aplicaciones (iFUZZY). 97-104. CrossRef Hongping Wang. Hongming Mo. Rehan Sadiq. Yong Hu. Yong Deng. (2015) Operador de agregación de promedio ponderado del gráfico de visibilidad ordenado: Una metodología basada en el análisis de redes. Computación e Ingeniería Industrial 88. 181 - 190. Fecha de publicación en línea: 1-Oct-2015. CrossRef Emili Vizuete-Luciano. Jos M. Merig. Anna M. Gil-Lafuente. Sefa Boria-Reverter. (2015) La toma de decisiones en el proceso de asignación utilizando el algoritmo húngaro con operadores OWA. Desarrollo Tecnológico y Económico de Economía 21: 5, 684-704. Fecha de publicación en línea: 3-Sep-2015. CrossRef Jos M. Merig. Montserrat Guilln. Jos M. Sarabia. (2015) El promedio ponderado ordenado en la varianza y la covarianza. Revista Internacional de Sistemas Inteligentes 30: 9, 985-1005. Fecha de publicación en línea: 1-Sep-2015. CrossRef Jianwei Gao. Ming Li. Huihui Liu. (2015) Operadores de aversión absoluta hiperbólica generalizada de la utilidad ponderada ordenada-hiperbólica y sus aplicaciones a la toma de decisiones de grupo. Revista Europea de Investigación Operativa 243: 1, 258-270. Fecha de publicación en línea: 1-May-2015. CrossRef Jianwei Gao. Ming Li. Huihui Liu. (2015) Proveedores de aversión absoluta hiperbólica generalizada promediada de utilidad ponderada ordenada y sus aplicaciones a la toma de decisiones de grupo. Matemáticas Aplicadas y Computación 252. 114 - 132. Fecha de publicación en línea: 1-Feb-2015. CrossRef Ligang Zhou. Jingxiang Wu. Huayou Chen. (2014) Medida de distancia ponderada ordenada continua lingüística y su aplicación a la toma de decisiones de grupos de múltiples atributos. Aplicación de Soft Computing 25. 266-276. Fecha de publicación en línea: 1-Dec-2014. CrossRef Jos M. Merig. Marta Peris-Ortiz. (2014) Emprendimiento y toma de decisiones en América Latina. Innovar 24: 1Spe, 101 - 111. Fecha de publicación en línea: 1-Dec-2014. CrossRef Jos M. Merig. Montserrat Casanovas. Daniel Palacios-Marqus. (2014) La toma de decisiones de grupos lingüísticos con operadores de agregación inducidos e información probabilística. Aplicación de Soft Computing 24. 669-678. Fecha de publicación en línea: 1-Nov-2014. CrossRef Hu-Chen Liu. Qing-Lian Lin. Jing Wu. (2014) Operadores de agregación lingüística de 2-Tuples de intervalo dependiente y su aplicación a la toma de decisiones de grupos de atributo múltiple. Revista Internacional de Incertidumbre, Fuzziness y Sistemas Basados ​​en el Conocimiento 22: 05, 717-735. Fecha de publicación en línea: 1-Oct-2014. Resumen PDF (309 KB) PDF Plus (343 KB) Bo Peng. Chunming Ye. Shouzhen Zeng. (2014) Algunas medidas intuitivas de distancia geométrica ponderada difusa y su aplicación a la toma de decisiones en grupo. Revista Internacional de Incertidumbre, Fuzziness y Sistemas Basados ​​en el Conocimiento 22: 05, 699-715. Fecha de publicación en línea: 1-Oct-2014. Resumen PDF (276 KB) PDF Más (325 KB) Jos M. Merig. Montserrat Casanovas. Shouzhen Zeng. (2014) Medidas de distancia con operadores de agregación pesada. Modelado Matemático Aplicado 38: 13, 3142-3153. Fecha de publicación en línea: 1-Jul-2014. CrossRef Jos M. Merig. Montserrat Casanovas. Jian-Bo Yang. (2014) La toma de decisiones en grupo con expertons y operadores de agregación ponderada probabilística generalizada incierta. Revista Europea de Investigación Operativa 235: 1, 215-224. Fecha de publicación en línea: 1-mayo-2014. CrossRef Ding-Hong Peng. Hua Wang. (2014) Operadores de agregación difusa dudosa dinámica en la toma de decisiones multi-período. Kybernetes 43: 5, 715 - 736. Fecha de publicación en línea: 29-abr-2014. CrossRef Dejian Yu. (2014) Evaluación de las Tecnologías de Producción de Hidrógeno Basadas en el Método Intuitionistic Fuzzy Multitributo de Decisión de Intervalo. Revista de Matemáticas Aplicadas 2014. 1-10. Fecha de publicación en línea: 1-Ene-2014. CrossRef