종말론자로서 당신은 항상 자신의 지구 종말 이론을 뒷받침할 새로운 데이터를 찾고 있습니다. 흔히 사용되는 데이터 형식은 시간에 따른 일련의 스칼라 표본입니다. 예를 들어, 하루 종일 1초 간격으로 측정한 실외 온도, 또는 한 달 동안 1분마다 측정한 조수 높이 등이 있습니다.
이러한 표본 추출 데이터가 주어졌을 때, 당신은 최대 표본과 최소 표본 간의 차이가 큰지 확인하고 싶습니다. 그럴 경우, 세상이 심각한 변화를 겪고 있으며 곧 끝날 것이라고 소리치고 외칠 수 있기 때문입니다.
문제는 이러한 데이터 세트가 모니터링 장비의 일시적인 오류로 인해 스칼라 값이 너무 크거나 너무 작은 오류 표본을 종종 포함한다는 것입니다. 당신의 주장을 더욱 신뢰성 있게 만들기 위해, 당신은 이동 평균을 계산하여 이러한 오류 값들을 보정하려고 합니다.
n개의 표본 s1, s2, ..., sn과 w <= n인 윈도우 크기 w가 주어졌을 때, 이동 평균은 n - w + 1개의 요소로 구성됩니다.
이동 평균의 첫 번째 요소는 처음 w개의 표본 s1, s2, ..., sw의 평균입니다.
이동 평균의 두 번째 요소는 동일한 윈도우가 한 요소 앞으로 이동한 표본 s2, s3, ..., sw+1의 평균입니다.
이러한 방식으로 계속 진행됩니다.
간단함을 위해, 이동 평균의 각 요소는 가장 가까운 같거나 작은 정수로 버림 처리됩니다.
첫 번째 줄은 입력 데이터 세트의 수 K이며, 그 뒤에 K개의 데이터 세트가 다음 형식으로 이어집니다.
각 데이터 세트의 첫 번째 줄은 정수 n과 w를 포함하며, 각각 표본의 수와 윈도우 크기입니다 (1 <= n <= 100이고 1 <= w <= n).
다음 줄은 n개의 음수가 아닌 정수를 포함하며, 이는 표본을 나타냅니다. 각 표본은 최대 1000입니다.
각 데이터 세트에 대해, 한 줄에 Data Set x:를 출력합니다. 여기서 x는 해당 데이터 세트의 번호입니다.
blackbee4 1년 전 2
종말론자로서 당신은 항상 자신의 지구 종말 이론을 뒷받침할 새로운 데이터를 찾고 있습니다. 흔히 사용되는 데이터 형식은 시간에 따른 일련의 스칼라 표본입니다. 예를 들어, 하루 종일 1초 간격으로 측정한 실외 온도, 또는 한 달 동안 1분마다 측정한 조수 높이 등이 있습니다.
이러한 표본 추출 데이터가 주어졌을 때, 당신은 최대 표본과 최소 표본 간의 차이가 큰지 확인하고 싶습니다. 그럴 경우, 세상이 심각한 변화를 겪고 있으며 곧 끝날 것이라고 소리치고 외칠 수 있기 때문입니다.
문제는 이러한 데이터 세트가 모니터링 장비의 일시적인 오류로 인해 스칼라 값이 너무 크거나 너무 작은 오류 표본을 종종 포함한다는 것입니다. 당신의 주장을 더욱 신뢰성 있게 만들기 위해, 당신은 이동 평균을 계산하여 이러한 오류 값들을 보정하려고 합니다.
n개의 표본 s1, s2, ..., sn과 w <= n인 윈도우 크기 w가 주어졌을 때, 이동 평균은 n - w + 1개의 요소로 구성됩니다.
이동 평균의 첫 번째 요소는 처음 w개의 표본 s1, s2, ..., sw의 평균입니다.
이동 평균의 두 번째 요소는 동일한 윈도우가 한 요소 앞으로 이동한 표본 s2, s3, ..., sw+1의 평균입니다.
이러한 방식으로 계속 진행됩니다.
간단함을 위해, 이동 평균의 각 요소는 가장 가까운 같거나 작은 정수로 버림 처리됩니다.
첫 번째 줄은 입력 데이터 세트의 수 K이며, 그 뒤에 K개의 데이터 세트가 다음 형식으로 이어집니다.
각 데이터 세트의 첫 번째 줄은 정수 n과 w를 포함하며, 각각 표본의 수와 윈도우 크기입니다 (1 <= n <= 100이고 1 <= w <= n).
다음 줄은 n개의 음수가 아닌 정수를 포함하며, 이는 표본을 나타냅니다. 각 표본은 최대 1000입니다.
각 데이터 세트에 대해, 한 줄에 Data Set x:를 출력합니다. 여기서 x는 해당 데이터 세트의 번호입니다.
다음 줄에는 이동 평균의 최대 요소와 최소 요소 간의 절댓값 차이를 출력합니다.
각 데이터 세트 뒤에는 빈 줄 하나가 이어져야 합니다.