Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signalklassen
|
|
- Nadja Brinkerhoff
- vor 8 Jahren
- Abrufe
Transkript
1 Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signallassen Diplomverteidigung Yongrui Qiao /33
2 Gliederung Motivation und Problemstellung Testverfahren zur Eigenschaftserennung Prognoseverfahren Prognosevefahren für Zeitreihen auf onstantem Niveau, trendbehaftete Zeitreihen und saisonale Zeitreihen Prognose bei Zeitreihen mit Struturbrüchen Zusammenfassung und Ausblic 2/33
3 Motivation und Problemstellung Unsere Gesellschaft interessiert sich heutzutage oft an folgenden Fragestellungen wie: zuünftige Verläufen von Atienursen und Zinsentwiclungen, Bevölerungs-, Alterungs- bzw. Populationsentwiclung Verlaufsdauer und -artvorhersage einer Kranheit in der Medizin, usw.. Zielsetzung: Ein geeignetes Modell zu finden, das die vorliegende Zeitreihe (unterschiedlicher Signallassen) am besten beschreiben und prognostizieren ann. 3/33
4 Motivation und Problemstellung x Testverfahren Modellentwiclung xˆ Prognose ˆ x h Anwendung der Prognose Probleme: Zu welcher Signallasse gehört diese Zeitreihe? Probleme: Was für ein Modell wird gebraucht? Probleme: Gütebewertung der Prognoseergebnisse Fehlermaße Strategie gegenüber der Zuunft entwiceln Aufgabenstellung: - Prognoseverfahren für unterschiedliche Signallassen - Gütebewertung und Performanceanalyse von Prognosealgorithmen 4/33
5 Motivation und Problemstellung Testverfahren zur Eigenschaftserennung Prognoseverfahren Zusammenfassung und Ausblic 5/33
6 Signallassevorstellung Ausgangspunt: lassisches Komponentenmodell Grundsätzlich unterscheidet man folgende Arten von zeitabhängigen Verläufen: Zeitreihen auf onstantem Niveau trendbehaftete Zeitreihen saisonale Zeitreihen (bzw. trendbehaftete und saisonale Zeitreihen) Zeitreihen mit Struturbruch Zeitreihen mit Ausreißer Zeitreihen, die die Eigenschaften von einigen oder allen obengenannten Zeitreihen enthalten 6/33
7 Erennung der Eigenschaften von Zeitreihen Methoden und Verfahren: Graphische Darstellung Autoorrelationsfuntion und die partielle Autoorrelationsfuntion in dieser Arbeit verwendete Testverfahren Von Neumannscher Differenzentest, Trendtest von Cox und Stuart zum Nachweis eines monotonen Trends Phasenverteilungstest von Wallis und Moore, Phasenhäufigeitstest von Wallis und Moore zum Nachweis von Periodizitäten(Saison) Ausreißertest nach Dixon Tests auf Struturbrüche: Chow Breapoint Test, Quandt-Andrews Test usw. 7/33
8 Autoorrelationsfuntion und die partielle Autoorrelationsfuntion Autoorrelogramme für die trendbehaftete Zeitreihe Autoorrelogramme für die saisonale Zeitreihe 8/33
9 Tests auf Struturbrüche 70 x 45 x μ x a b μ 1 μ Ein Struturbruch bedeutet, dass sich die Strutur des Modells über die Zeit ändert. Chow Breapoint Test: ist ein beannter Test auf Struturbrüche. Dieser Test wird häufig angewandt um zu testen, ob zu einem Zeitpunt eine Änderung des Zeitreihenverlaufs eingetreten ist. 9/33
10 H 0 : ein Struturbruch um Testzeitpunt t Bruch Zerlegung der Zeitreihe in zwei Teile: N 1 + N 2 = N Bestimmung der Quadratsumme SSR r : SSR r N 1 ( x xˆ ) 2 Bestimmung der Quadratsumme SSR u = SSR 1 +SSR 2 (getrennte Schätzungen über beide Teil-Zeitreihen) Berechnung des F-Statistiwertes: F F K, N2K ( SSR SSR r u SSRu ) K ( N 2K) Prüfung der Hypothese H 0 : { F > F ritisch (K, N-2K; 1-α)} Ja H 0 wird mit α abgelehnt: Ein Struturbruch existiert Nein H 0 ann nicht mit α abgelehnt werden: Kein Struturbruch 10/33
11 Motivation und Problemstellung Testverfahren zur Eigenschaftserennung Prognoseverfahren Zusammenfassung und Ausblic 11/33
12 Prognoseverfahren Prognose bei Zeitreihen auf onstantem Niveau Gleitender Durchschnitt, Exponentielles Glätten erster Ordnung Prognose bei trendbehafteten Zeitreihen Lineare Regressionsanalyse, Exponentielles Glätten zweiter Ordnung, Exponentielles Glätten nach Holt Prognose bei saisonalen Zeitreihen Saisonverfahren nach Winters (Exponentielles Glätten dritter Ordnung) Prognose mit ARIMA-Modellen Prognose bei Zeitreihen mit Struturbrüchen 12/33
13 Vorgehensweise der Prognose Auswahl eines geeigneten Modells (bzw. Auswahl eines geeigneten Prognoseverfahrens) {im Fall der Ablehnung des Modells} Schätzung des gewählten Modells (bzw. Strutur- und Parameterschätzung) xˆ Methode der Kleinsten Quadrate Maximum-Lielihood-Schätzmethode Yule-Waler Schätzung Prüfung des gewählten Modells Fehleranalyse: Residualreihe Prognose: ˆ {im Fall der Annahme des Modells} x h entspricht dem White-Noise-Prozess (Portmanteau-Test von Box/Pierce) Fehlermaße: MSE, MAD, ua. Gütebewertung der Prognose MSE: Mittlere quadratische Fehler Die Prognose wird nach der Erennung der Zeitreihe-Eigenschaften (Trend, Saison, Struturbruch, usw.) in fünf Schritte unterteilt. 13/33
14 Vorgehensweise der Prognose 200 x K x xˆ e ZR x ZR Prognosewerte Prognosefehler /33
15 Prognose bei Zeitreihen auf onstantem Niveau 200 x Zeitreihe auf onstantem Niveau Zeitreihe auf onstantem Niveau: die Zeitreihe schwant um einen bestimmten Wert Prognoseverfahren: Gleitender Durchschnitt, Exponentielles Glätten erster Ordnung 15/33
16 Prognose bei onstanten Zeitreihenmodellen 200 X (Tonnen) Nachfrage Prognose mit Exponentielles Glättung erster Ordnung 0 Prognose mit Gleitendem Durchschnitt (Monat) Anwendungsbeispiel: Nachfrage: die originale Zeitreihe x Prognose mit gleitendem Durchschnitt: Gleitfensterlänge M = 2: MSE = Prognose mit dem Verfahren des einfachen Exponentiellen Glättens mit α = 0.2: MSE = /33
17 Prognose bei onstanten Zeitreihenmodellen Gleitender Durchschnitt Exponentielles Glätten erster Ordnung Grundformel: 1-Schritt-Prognose ~ x xˆ x i i M M ~ 1 x M x i im 1 S xˆ x 1 S ( 1) S 1 zu lösende Probleme Festlegung der Länge des Gleitfensters: M Bestimmung des Reationsparameters α Initialisieren der Startwerte S 0 Vergleich Ergebnisse: MSE = gute Vorhersage Nachteil: gleich gewichteter Durchschnitt von Beobachtungswerten Ergebnisse: MSE = gute Vorhersage Vorteile: Exponentieller gewichteter Durchschnitt von vorhergehenden Beobachtungswerten, einfach und wenig rechenintensiv 17/33
18 Prognose bei trendbehafteten Zeitreihen 250 x Zeitreihe mit Trend trendbehaftete Zeitreihe: Der Mittelwert der Zeitreihe bleibt nicht onstant. Die Zeitreihe steigt bzw. fällt im betrachteten Intervall. 18/33
19 19/33 Drei Prognoseverfahren bei trendbehafteten Zeitreihen Lineare Regressionsanalyse Exponentielles Glätten zweiter Ordnung Exponentielles Glätten nach Holt Grundformel Prognose Vorteile ein einfaches Verfahren schnelle Erennung der Trendänderungen höhere Flexibilität Nachteile mehr Rechenaufwand mangelnde Flexibilität, weil nur ein Glättungsparameter Besitmmung zweier Glättungsparameter α, β x x b ) (6 12 ˆ 1) ( ˆ 1 b x a ) ( ˆ ˆ ˆ, b a x (1) 1 (1) ) 1 ( S x S (2) 1 (1) (2) ) 1 ( S S S (2) (1) 2 S S a ) ( 1 (2) (1) S S b b a x 1, ˆ ) ( ) 1 ( 1 1 b a x a 1 1 ) (1 ) ( b a a b b a xˆ
20 Prognose bei saisonalen Zeitreihen x (Tausend ) Beispielzeitreihe mit Saison (Quartal) Prognoseverfahren: Saisonverfahren nach Winters: xˆ, ( a b ) c p Update-Formeln: a x ( 1) ( a1 b 1) b ( a a 1 ) (1 ) b 1 c p c x a ( 1 ) c p wichtige Probleme: Initialisierung der Parameter a, b, c Besitmmung der Glättungsparameter α, β, γ 20/33
21 Prognose bei saisonalen Zeitreihen x (Tausend ) Vergleich verschiedener Prognoseverfahren (Quartal) Nachfrage Lineare R. E.G.2.Ordnung Saisonverfahren nach Winters Prognoseverfahren MSE Lineare Regression Exponentielles Glätten 2. Ordnung Saisonverfahren nach Winters Ergebnisse: Durch die Anwendung der saisonalen Fatoren wird die Prognosequalität wesentlich gesteigert. 21/33
22 Prognose mit ARIMA-Modellen Gleitender Durchschnitt Exponentielles Glätten 1. Ordnung Zeitreihe auf onstantem Niveau ARIMA [p, 0, q] Lineare Regressionsanalyse Exponentielles Glätten 2. Ordnung Exponentielles Glätten nach Holt trendbehaftete Zeitreihe ARIMA [p, d, q] Saisonverfahren nach Winters saisonale Zeitreihe Saisonale ARIMA ARIMA-Modelle: stochastische Autoregressive-Integrierende-Moving-Average-Modelle sind allgemeine und önnen auf jede Verlaufsform angewandt werden Hauptritipunt: Es ist mathematisch sehr anspruchsvoll und im Vergleich zu anderen beschriebenen Verfahren äußerst ompliziert. 22/33
23 Prognose bei Zeitreihen mit Struturbrüchen Ursache oder Problem bei der Prognose Wirung neue Prognosestrategie Auftretten von Struturbrüchen in der Zeitreihe bei der Modellanpassung und anschließender Prognose mittels Regressionsmodellen Verletzung der Stationarität Schlechte Modellanpassung und Prognose-Ergebnissen eine effiziente Lösung Die neue Prognosestrategie wird auf Basis der allgemeinen Prognosestrategie erstellt, geht vom allgemeinen Prognoseprozess aus /33
24 Prognose bei Zeitreihen mit Struturbrüchen ZR1 x Struturbruchtest Ja Nein Zeitreihenzerlegung in Zwei Teil-Zeitreihen Andere Testverfahren (z.b. Trend-, Saison-Test usw.) ZR2 Erennung der Eigenschaften (Trend, Saison, usw.) Modellanpassung Prognose Gütebewertung der Prognose /33
25 Anwendungsbeispiel für Zeitreihe mit einem Struturbruch x Zeitreihe mit Struturbruch t Bruch = Beispiel-Zeitreihe mit einem möchlihen Struturbruch Bei unbeannten Bruchzeitpunten wird der Quandt-Andrews Test im Tool Eviews 6 durchgeführt Testergebnisse: es gibt einen Struturbruch um = 10 25/33
26 Prognose ohne Berücsichtigung des Struturbruchs 120 x Beobachtungswerte Prognosewerte geschätztes Modell: Prognosefehler ˆ x -80 Die Prognosewerte für = 16, 17, 18, 19: xˆ15 h 2.8*( h) Die entsprechenden Fehlermaße: MSE ( x ˆ ) 2 x MAD x xˆ MAPE x xˆ x /33
27 Prognose mit Berücsichtigung des Struturbruchs x Beobachtungswerte ˆ x geschätztes Modell: 6.03* Prognosewerte t Bruch = 10 Prognosefehler Prognosewerte für = 16, 17, 18, 19: xˆ15 h 6.03*( h) Entsprechende Fehlermaße: MSE ( x ˆ ) 2 x 9.89 MAD x xˆ MAPE x ˆ x x /33
28 Bewertung der Ergebnisse Prognose ohne Berücsichtigung des Struturbruchs Prognose mit Berücsichtigung des Struturbruchs MSE MAD MAPE [%] Bewertung schlechte Prognose-Ergebnisse gute Prognose-Ergebnisse Die neue Prognosestrategie für Zeitreihen mit einem Struturbruch eine durchführbare und geeignete Methode erweiterte eigenschaftenorientierte, effiziente Prognosestrategie 28/33
29 Motivation und Problemstellung Testverfahren zur Eigenschaftserennung Prognoseverfahren Zusammenfassung und Ausblic 29/33
30 Zusammenfassung Untersuchung und Illustrieren der Testverfahren zur Erennung der Zeitreiheneigenschaften Untersuchung und Bewertung wichtiger geeigneter Prognoseverfahren für unterschiedliche Signallassen Erennung der Probleme, Schwachpunte, sowie der Vorteile Bestätigung der pratischen Anwendbareit und der Anpassung zu bestimmten Signallassen Entwiclung einer neuen Prognosestrategie für Zeitreihen mit Struturbruch Erstellen einer neuen prototypischen Lösung Bestätigung der pratischen Anwendbareit mit onreten Beispielen 30/33
31 Ausblic weitere Prognoseverfahren hinsichtlich ihrer Güte zu untersuchen Exponentielles Glätten N-ter Ordnung (N > 3) weitere regressionsanalytische Verfahren (z.b. Kalman-Filter), und Prognoseverfahren (z.b. ARCH-, GARCH-Modelle) für nichtlineare Zeitreihen Prognosestrategie für Zeitreihen mit Struturbrüchen ihre Anwendungsmöglicheiten für Zeitreihen mit mehreren Struturbrüchen und für andere Zeitreihenlassen (z.b. saisonale Zeitreihe) müssen weiter untersucht und überprüft werden. 31/33
32 Dansagung Prof. Dr. K. Kabitzsch Dr. H.-D. Ribbece /33
33 Vielen Dan für die Aufmersameit... 33/33
1 Prognoseverfahren F H
1 Prognoseverfahren 1.1 Zielsetzung 1.2 Bedarfsverlauf von Verbrauchsfaktoren 1.3 Prognose bei regelmäßigen Bedarf 1.4 Prognosemodelle in Standard-ERP-Software 1.5 Ausblick Herrmann, Frank: Operative Planung
MehrUntersuchung von Algorithmen zur Fehlerlokalisation und Prognose in Automatisierungsprozessen. Yongrui Qiao Yongrui Qiao
Untersuchung von Algorithmen zur Fehlerloalisation und Prognose in Automatisierungsprozessen Yongrui Qiao Yongrui Qiao Übersicht. Motivation und Problemstellung. Theoretische Grundlagen stochastisch-gestörter
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrKapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrZerlegung von Zeitreihen
Kapitel 7 Zerlegung von Zeitreihen Josef Leydold c 2006 Mathematische Methoden VII Zerlegung von Zeitreihen 1 / 39 Lernziele Klassische Zerlegung von Zeitreihen Saisonbereinigungsverfahren: Gleitende Durchschnitte
MehrNeuronale Netze zur Prognose und Disposition im Handel
Sven F. Crone Neuronale Netze zur Prognose und Disposition im Handel Mit einem Geleitwort von Prof. Dr. Dr. h. c. Dieter B. Preßmar GABLER RESEARCH Inhalt XI Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrOscar A. G. Treyer. Business Forecasting. Anwendungsorientierte Theorie quantitativer Prognoseverfahren. Haupt Verlag Bern Stuttgart - Wien
Oscar A. G. Treyer Business Forecasting Anwendungsorientierte Theorie quantitativer Prognoseverfahren Haupt Verlag Bern Stuttgart - Wien INHALTSVERZEICHNIS Vorwort 5 Abkürzungsverzeichnis 13 Abbildungs-
MehrDynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung 10 p.2/??
Dynamische Systeme und Zeitreihenanalyse Saisonbereinigung und Glättung Kapitel 10 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
Mehr6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell
6. Das klassische Komponentenmodell Gegeben sei eine ZR x t für die Zeitpunkte t = 1,..., T. Im additiven klassischen Komponentenmodell wird sie folgendermaßen zerlegt: x t = ˆm t + ŝ t + ε t ˆm t ist
MehrPrognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft
Prognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft Inhaltsverzeichnis I. Allgemeine Aussagen II. Subjektive Planzahlenbestimmung III. Extrapolierende Verfahren 1. Trendanalyse:
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
MehrBestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
MehrProblemstellung und Lernziele
Nachfrageprognose Problemstellung und Lernziele Inwiefern können Serviceunternehmen durch Nachfrageprognosen einen Wettbewerbsvorteil erwirtschaften? Nach dieser Veranstaltung sollten Sie, die wichtigsten
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Regression: 4 eindimensionale Beispiele Berühmte
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Thema: Vergleich verschiedener Prognosestrategien von Tobias Fochtmann Betreuer: Dr. Ribbecke 24.01.2008 Gliederung I. Einleitung II. Prognose allgemein und
MehrAngewandte Statistik mit SPSS
Peter P. Eckstein Angewandte Statistik mit SPSS Praktische Einführung f ü r Wi rtschaftswi^sjenschaftler %%^4m 6. r überarbeitete Auflage GABLER VII 1 SPSS für Windows * 1 1.1 Wofür steht SPSS? 2 1.2 SPSS
MehrRegionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren
Institut für Arbeitsmarkt- und Berufsforschung Folie 1 Regionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren Katharina Hampel Marcus Kunz Norbert Schanne Antje Weyh Dr.
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Zerlegung der Zeitreihe F t Trendkomponente
Mehr11. Zeitreihen mit Trend und Saisonalität
In diesem Abschnitt geht es um ZR, die in eine Trend-, eine Saisonund eine Restkomponente zerlegt werden können. (Das Niveau sei in der Trendkomponente enthalten.) Beispiele für solche ZR sind in Abb.
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und Zeitreihenmodelle Department of Statistics and Mathematics WU Wien c 2008 Statistik 12 Stochastische Prozesse und Zeitreihenmodelle 0 / 53 Inhalt Notation Zusammenhang
MehrAngewandte Statistik mit SPSS
Peter P. Eckstein Angewandte Statistik mit SPSS Praktische Einführung für Wirtschaftswissenschaftler 7., überarbeitete Auflage B 382205 4y Springer Gabler VII 1 SPSS Statistics 1 1.1 Wofür steht SPSS?
MehrChangePoint-Analysen - ein Überblick
ChangePoint-Analysen - ein Überblick Gliederung Motivation Anwendungsgebiete Chow Test Quandt-Andrews Test Fluktuations-Tests Binary Segmentation Recursive circular and binary segmentation algorithm Bayesscher
Mehr9.1. Lineare und nichtlineare Trends. 9. Zeitreihen mit Trend Lineare und nichtlineare Trends Transformation der Daten
9. Zeitreihen mit Trend 9.1. Lineare und nichtlineare Trends In diesem Abschnitt beschäftigen wir uns mit ZR, die einen langfristigen linearen Trend, aber keine saisonalen Schwankungen, enthalten. Das
MehrEmpirische Wirtschaftsforschung und Ökonometrie
Peter Winker Empirische Wirtschaftsforschung und Ökonometrie 2., vollständig überarbeitete Auflage Mit 99 Abbildungen und 13 Tabellen Springer Inhaltsverzeichnis Vorwort V Teill Einleitung 1 Aufgabe und
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
MehrStatistische Methoden der VWL und BWL Theorie und Praxis ST?
Statistische Methoden der VWL und BWL Theorie und Praxis ST? Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
Inhalt SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Einleitung 1. Einführung in das Modellieren von
MehrZeitreihenanalyse in den Wirtschafts Wissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschafts Wissenschaften 2., aktualisierte Auflage STUDIUM VIEWEG+ TEUBNER Abbildungsverzeichnis Tabellenverzeichnis Zeichenerklärung XI XIII XV I Univariate Zeitreihenanalyse
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Residualanalyse zur Fehlerlokalisierung und prädikativen Steuerung Vortragender: Betreuer: Tobias Fechter Dr.-Ing. Heinz-Dieter Ribbecke, Dipl.-Inf. Jakob Krause
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 1: Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 12., vollständig überarbeitete Auflage nwb STUDIUM Inhaltsverzeichnis
MehrExplorative Zeitreihenanalyse
Einheit 11 Explorative Zeitreihenanalyse Department of Statistics and Mathematics WU Wien c 2007 Statistik 11 Explorative Zeitreihenanalyse 0 / 53 Inhalt Beschreiben von Zeitreihen Klassische Zeitreihenzerlegung
MehrBeispiel in R: ZR mit Trend
Beispiel in R: ZR mit Trend Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Holt Verfahren für die Hotel-Daten : Die Daten hotelts-annual.rda werden geladen. Sie müssen sich dafür im working directory
MehrFachhochschule Aachen, Abteilung Jülich Seminararbeit Thema: Prognose von Zeitreihen
Fachhochschule Aachen, Abteilung Jülich Seminararbeit Thema: Prognose von Zeitreihen Vorgelegt von: Hans Nübel Matrikel-Nr.: 827052 Studiengang: Scientific Programming Datum: 14.12.2010 1. Betreuer: Prof.
MehrMath. II, Statistik, Uebung2, Termin (AI), (BI) 1-Logistischer Trend, 2-Faktoren, 3-Expon. Glätten, 4-Häufigkeit
Math. II, Statistik, Uebung2, Termin 11.04.2013 (AI), 15.04.2013 (BI) 1-Logistischer Trend, 2-Faktoren, 3-Expon. Glätten, 4-Häufigkeit ALLGEMEINES 1d) 94,2% der Zunahme der Sättigung mit Smartphones ist
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrInhaltsverzeichnis 1 SPSS Statistics 2 SPSS Datenmanagement 3 Verteilungsanalyse
VII 1 SPSS Statistics... 1 1.1 Wofür steht SPSS?... 2 1.2 SPSS starten und beenden... 3 1.3 SPSS Editoren und SPSS Viewer... 5 SPSS Dateneditor... 5 SPSS Viewer... 6 SPSS Pivot-Tabellen-Editor... 7 SPSS
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
MehrGERECHT IT-GESTÜTZTES ARBEITEN IN DER FACHABTEILUNG ABTEILUNGS. Entscheidungsgrundlagen für Auswahl, Installation und Betrieb von SAP*-Lösungen
Entscheidungsgrundlagen für Auswahl, Installation und Betrieb von SAP*-Lösungen Sonderdruck aus Heft 11/2010 vom 09.11.2010 www.sap-port.de IT-GESTÜTZTES ARBEITEN IN DER FACHABTEILUNG ABTEILUNGS GERECHT
MehrBasiswerkzeuge. Kapitel 6. Lernziele. Zeitreihen-Plot. Beschreiben von Zeitreihen. Graphische Darstellungen. Univariate und bivariate Maßzahlen
Kapitel 6 Basiswerkzeuge Josef Leydold c 2006 Mathematische Methoden VI Basiswerkzeuge 1 / 29 Lernziele Beschreiben von Zeitreihen Graphische Darstellungen Univariate und bivariate Maßzahlen Transformationen
MehrBPL II Ü bung. Aufgabe 1. Aufgabe 2. Andreas Schwab
BPL II Ü bung Andreas Schwab Andreas.schwab1@uni-wuerzburg.de 24.4.213 Aufgabe 1 a) Einfacher gleitender Durchschnitt Prognosewert der Periode t+1 in t gleitender Durchschnitt in Periode t unter Berücksichtigung
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrDatenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum
GMF-Tagung Zukunft der Lehre in Statistik und Stochastik Zürich, 21. Oktober 2017 Datenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum Andreas Ruckstuhl Dozent für Statistische
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrStatistik I. Hinweise zur Bearbeitung. Aufgabe 1
Statistik I, WS 2002/03, Seite 1 von 7 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
MehrBeispiel in R: Verfahren zur Modellierung von ZR mit Saison und Trend
Beispiel in R: Verfahren zur Modellierung von ZR mit Saison und Trend Regina Tüchler November 2, 2009 Beispiel: Zeitreihenanalyse der Übernachtungs-Daten: Wir haben Daten mit monatlichen Übernachtungszahlen
MehrBeispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten
Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Einfacher Gleitender Durchschnitt der Nil-Daten: Wir haben Daten über
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrSkriptteufel Klausurvorbereitung
Skriptteufel Klausurvorbereitung Workshop Produktion Was haben wir vor? Möglichst zielgenaue Klausurvorbereitung Erklären der Aufgabentypen und zugehöriger Lösungswege Aufteilung in fünf große Blöcke:
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrBestandsplanung und -steuerung: Die Bedarfsermittlung
Bestandsplanung und -steuerung: Die Bedarfsermittlung Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966,
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
MehrDynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle und Kalman Filter 15 p.2/??
Dynamische Systeme und Zeitreihenanalyse Zustandsraummodelle und Kalman Filter Kapitel 15 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle
MehrQUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013
QUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013 ZEITREIHEN 1 Viele Beobachtungen in den Wirtschaftswissenschaften
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrTechnische Universität München. Prognoseverfahren. Mit PC-Unterstützung Tendenzen und Prognose in der Forstwirtschaft erkennen
Prognoseverfahren Mit PC-Unterstützung Tendenzen und Prognose in der Forstwirtschaft erkennen Definition und Fragen Was ist eine Prognose, was ein Trend Wo werden sie angewandt und zu welchem Zweck Relevanz
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrWirtschaftliche Trendbetrachtung und Prognosemodelle im Rahmen des kommunalen Objektmanagements
Wirtschaftliche Trendbetrachtung und Prognosemodelle im Rahmen des kommunalen Objektmanagements Alexander Haß, Denny Megallis, Maik Moser Gliederung 1. Theoretische Einführung in Trendanalysen 2. Beispielhafte
MehrINGENIEUR-STATISTIK DR. JOSEF HEINHOLD DR. KARL-WALTER GAEDE R. OLDENBOURG VERLAG MÜNCHEN WIEN 1979
INGENIEUR-STATISTIK DR. JOSEF HEINHOLD o. Professor für Angewandte Mathematik und Mathematische Statistik an der Technischen Universität München DR. KARL-WALTER GAEDE o. Professor für Mathematische Statistik
MehrDynamische Systeme und Zeitreihenanalyse // Beschreiben von Zeitreihen 9 p.2/??
Dynamische Systeme und Zeitreihenanalyse Beschreiben von Zeitreihen Kapitel 9 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Beschreiben von Zeitreihen 9 p.0/??
MehrMaterial- Logistik. Horst Tempelmeier. Grundlagen der Bedarfsund Losgrößenplanung in PPS-Systemen. Springer-Verlag
Horst Tempelmeier Material- Logistik Grundlagen der Bedarfsund Losgrößenplanung in PPS-Systemen Zweite, neubearbeitete und erweiterte Auflage Mit 132 Abbildungen und 110 Tabellen TECHNISCHE HOCHSCHULE
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Dezember 2010 1 Allgemeine Hypothesentests Signifianzniveaus 2 Einseitiger oberer Binomialtest Effetive Fehlerwahrscheinlicheit
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
MehrTeilklausur des Moduls Kurs 42221: Vertiefung der Statistik
Name, Vorname Matrikelnummer Teilklausur des Moduls 32741 Kurs 42221: Vertiefung der Statistik Datum Termin: 21. März 2014, 14.00-16.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Vertiefung der Statistik 21.3.2014
MehrStatistik. Einführung in die com putergestützte Daten an alyse. Oldenbourg Verlag München B , überarbeitete Auflage
Statistik Einführung in die com putergestützte Daten an alyse von Prof. Dr. Karlheinz Zwerenz 4., überarbeitete Auflage B 366740 Oldenbourg Verlag München Inhalt Vorwort XI Hinweise zu EXCEL und SPSS XII
MehrPrüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)
2 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik Name, Vorname:... verteilung Teil 1: Beschreibende Statistik Aufgaben
MehrGründe. Es besteht der Bedarf der Prognose. Es besteht ein Bedarf an Prognosemethoden
Prognosemethoden Gründe Es besteht der Bedarf der Prognose des Zahlungszeitpunktes, hinsichtlich der Höhe der Einzahlungen, und des Risikos. Es besteht ein Bedarf an Prognosemethoden Prognose der Zeitpunkte
MehrPraxis der Regressionsanalyse
Praxis der Regressionsanalyse Von Samprit Chatterjee New York University und Bertram Price Price Associates, Inc., Washington, D. C. Aus dem Amerikanischen übertragen von Prof. Dr. Gunter Lorenzen Universität
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
MehrStatistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrExplorative Zeitreihenanalyse
Kapitel 11 Explorative reihenanalyse Department of Statistics and Mathematics WU Wien c 2008 Statistik 11 Explorative reihenanalyse 0 / 66 Inhalt Beschreiben von reihen Klassische reihenzerlegung Trend,
Mehr1 EINLEITUNG Allgemeines Kapitelübersicht Gebrauch dieses Buches Verwenden zusätzlicher Literatur...
Inhaltsverzeichnis 1 EINLEITUNG... 1 1.1 Allgemeines... 1 1.2 Kapitelübersicht... 2 1.3 Gebrauch dieses Buches... 3 1.4 Verwenden zusätzlicher Literatur... 4 DESKRIPTIVE STATISTIK 2 GRUNDLAGEN... 5 2.1
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 22. Dezember 2010 1 Binomialtests Einseitiger unterer Binomialtest Zweiseitiger Binomialtest Beispiel BSE Normalapproximation
MehrAngewandte Statistik mit SPSS
Angewandte Statistik mit SPSS Praktische Einführung für Wirtschaftswissenschaftler Bearbeitet von Prof. Dr. Peter P. Eckstein 8., überarbeitete und erweiterte Auflage 2016. Buch. X, 378 S. Softcover ISBN
MehrResidualanalyse. Fehlerlokalisierung und prädikative Steuerung. Proseminar - Robert Lorenz
Fakultät für Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme Residualanalyse Fehlerlokalisierung und prädikative Steuerung Proseminar - Robert Lorenz Gliederung
MehrPrognosemethoden angewandt auf Besucherzahlen ausgewählter Ausflugsziele in Niederösterreich: Stift Geras und Kunsthalle Krems
Wirtschaftsuniversität Wien Institut für Tourismus und Freizeitwirtschaft Course 2 WS 2002/03 Andreas Zins Prognosemethoden angewandt auf Besucherzahlen ausgewählter Ausflugsziele in Niederösterreich:
Mehr