Zeitreihenanalyse Exponentielles Glätten
|
|
- Anna Bauer
- vor 7 Jahren
- Abrufe
Transkript
1 Zeitreihenanalyse Exponentielles Glätten Worum geht es in diesem Lernmodul? Einleitung Prognose mit der Methode des exponentiellen Glättens Die Prognoseformel des exponentiellen Glättens Die Wirkung der Glättungskonstanten Alpha auf das Verhalten der Ein-Schritt-Prognose Die Bestimmung der Glättungskonstanten Alpha Beurteilung der Ein-Schritt-Prognose Weiterführende Links Worum geht es in diesem Lernmodul? Ein vergleichsweise einfaches und effektives Instrument zur kurzfristigen Prognose ist die Methode des exponentiellen Glättens. In diesem Lernmodul können Sie diese Methode kennen lernen. Anhand von Beispielen werden die Stärken und Schwächen der Methode verdeutlicht. In einer detaillierten Animation werden die notwendigen Rechenschritte bei der Anwendung des Verfahrens erläutert. Darüber hinaus wird ausführlich auf die Bestimmung und Wirkung der zu wählenden Parameter eingegangen. Einleitung Nachdem wir uns im vorhergehenden Kapitel insbesondere mit der Glättung von Zeitreihen beschäftigt haben, wenden wir uns nun dem Thema Prognose zu. Ausgangspunkt unserer Betrachtungen sind Zeitreihen ohne Trend und Saison, so dass wir von dem einfachen Modell mit unabhängig identisch verteiltem Restausgehen können. Prognose mit Hilfe des arithmetischen Mittels Auf der Grundlage des einfachen Modells Beobachtungen ist das arithmetische Mittel und unter Einbeziehung von N die beste Schätzung von und damit die beste Prognose für zukünftige Werte. Page 1
2 Beispiel: Jeansverkauf 1: Prognose mit Hilfe des arithmetischen Mittels Die Zeitreihe in der Abb. JEANS 1 () gibt die geschätzte Anzahl (in Tausend) der in Großbritannien verkauften Jeans von Januar 1980 bis Dezember 1985 wieder. Die Frage ist: Wie hoch wird der Verkauf im kommenden Monat, also im Januar 1986 sein? Entsprechend der Modellannahme können wir das arithmetische Mittel () der vergangenen 72 Monate als Prognosewert für die Verkaufszahl im Januar 1986 benutzen. Der orangefarbene Punkt markiert den prognostizierten Wert, der entsprechend dem arithmetischen Mittel bei einer Stückzahl von liegt. Abb. JEANS 1: Verkaufte Jeans in GB und arithmetisches Mittel Quelle: Gareth, Janacek (2001). Practical Time Series. London: Arnold. Prognose mit der Methode des exponentiellen Glättens Das arithmetische Mittel mag zwar auf der Grundlage des theoretischen Modells die beste Prognose eines zukünftigen Wertes sein. Für die praktische Anwendung ist es aber nicht unbedingt sinnvoll, weit zurückliegenden Beobachtungen dasselbe Gewicht zu geben wie neueren Beobachtungen. Möchten wir beispielweise die Entwicklung einer Aktie prognostizieren, hat der Wert der Aktie in den letzten Tagen und Wochen sicherlich eine größere Bedeutung als Jahre oder Jahrzehnte zurückliegende Kurswerte. Es ist daher naheliegend, für Prognosezwecke neueren Beobachtungen mehr Gewicht zu geben als älteren. Beim exponentiellen Glätten wird das einfache arithmetische Mittel durch das gewogene arithmetische Mittel ersetzt. Bei diesem Verfahren wird das Gewicht einer Beobachtung umso kleiner je weiter sie zurückliegt. Beispiel: Jeansverkauf 2: Prognose mit der Methode des exponentiellen Glättens Die Abb. Jeans 2 zeigt die gleiche Ausgangszeitreihe () wie die Abb. JEANS 1. Zur Prognose nutzen wir nun das Verfahren des exponentiellen Glättens(). Der orangefarbene Punkt markiert wieder den prognostizierten Wert. Bei diesem Prognoseverfahren liegt er bei Abb. JEANS 2: Ausgangszeitreihe und exponentiell geglättete Reihe verkaufter Jeans in GB Quelle: Gareth, Janacek (2001). Practical Time Series. London: Arnold. Die Prognoseformel des exponentiellen Glättens Ist eine Zeitreihe gegeben, so sind Prognosen Schätzungen zukünftiger Werte mit. h ist der sogenannte Prognosehorizont. Wir bezeichnen die Prognose des Wertes mit. Legen wir h =1 fest, so erhalten wir die Formel für die sogenannte Ein-Schritt-Prognose: Die Prognose mit dieser Formel wird als exponentielles Glätten bezeichnet. Da wir jeweils um einen Zeitpunkt in die Zukunft prognostizieren, sprechen wir auch von der Ein-Schritt-Prognose. Die Werte der exponentiell geglätteten Zeitreihe werden rekursiv berechnet, d.h. wir Page 2
3 benutzen zur Berechnung des aktuellen Wertes die im vorhergehenden Schritt berechneten Werte. Die Glättungskonstante Die sogenannte Glättungskonstante realisiert die unterschiedliche Gewichtung der Beobachtungen. Wir wählen zwischen Null und Eins. Der Startwert Für die Berechnung eines Prognosewertes mit Hilfe der Formel des einfachen exponentiellen Glättens müssen wir einen Startwert für bestimmen. Für die Wahl des Startwertes gibt es verschiedene Varianten. Wir werden als Startwert setzen. Die Wahl des Startwertes ist allerdings nur bei kurzfristigen Betrachtungen von Bedeutung und verliert mit zunehmender Länge der Zeitreihe an Einfluss. Beispiel: Prognose des Tabellenplatzes für den HSV Seit 1964 ist die Platzierung des Hamburger Sportvereins in der Fußballbundesliga ein Auf und Ab. Für den Fußballunkundigen bietet die Methode des exponentiellen Glättens eine Möglichkeit, den Tabellenplatz der nächsten Saison zu prognostizieren. In der folgenden Animation werden die einzelnen Rechenschritte erklärt und das Ergebnis grafisch dargestellt. Online-Version : Flashanimation ' Animation Berechnung der Ein-Schritt-Prognose ' siehe Die Firma Hutmacher möchte an Hand ihres Verbrauchs von Imbusschrauben in den letzten 48 Monate ihren Bedarf für den kommenden Monat planen. Prognostizieren Sie die benötigte Stückzahl! Labordatei öffnen ( aba.spf ) Die Wirkung der Glättungskonstanten Alpha auf das Verhalten der Ein-Schritt-Prognose Wie bereits erwähnt, realisiert die unterschiedliche Gewichtung der Beobachtungen. Wenn wir z.b. 0.2 wählen, so geht die aktuellste Beobachtung mit 20% in die Berechnung des arithmetischen Mittels ein. Der vorherige, um einen Zeitpunkt ältere Wert, geht nur noch mit einem Gewicht von 0.16 also mit 16% in die Berechnung ein. Der einen Zeitpunkt davor liegende Wert wiederum hat nur noch ein Gewicht von 0.128, usw.. D.h. das Gewicht eines Wertes nimmt mit steigendem Alter ab, im Fall 0.2 von Schritt zu Schritt um 20%. Dies hat zur Folge, dass die Ein-Schritt-Prognose bei einem großen Wert von stark auf den jeweils letzten Wert der Ausgangszeitreihe reagiert. D.h. die Prognose passt sich bei Veränderungen im Verlauf der Ausgangszeitreihe relativ schnell an. Wählen wir hingegen ein kleines, so wird die Prognose recht unempfindlich gegen den jeweils aktuellen Wert der Ausgangszeitreihe. Die Ein-Schritt-Prognose reagiert dann sehr Page 3
4 sehr träge auf Änderungen im Verlauf der Ausgangszeitreihe. In der folgenden Simulation können Sie für die exponentielle Glättung einen Startwert vorgeben und die Glättungskonstante wählen. Sie haben die Möglichkeit, experimentell die Auswirkung des gewählten Startwertes auf den Verlauf der Ein-Schritt-Prognose zu erkunden. Am Beispiel sehen Sie die Wirkung der Glättungskonstanten. Simulation Die Ein-Schritt-Prognose (ae4.jar) Die Bestimmung der Glättungskonstanten Alpha Wir bestimmen eine geeignete Glättungskonstante indem wir für verschiedene die Ein-Schritt-Prognose mit den Werten der Ausgangsreihe vergleichen und dasjenige wählen, für welches die Summe der Abstandsquadrate minimal wird: Die untere Summationsgrenze m wählen wir so, dass der Einfluss des Startwertes vernachlässigbar wird. Bestimmen Sie für die im Statistiklabor vorgegebene Zeitreihe die Glättungskonstante so, dass die Summe der Fehlerquadrate minimal wird. Labordatei öffnen ( b14.spf ) Beurteilung der Ein-Schritt-Prognose Von der Vergangenheit auf die Zukunft schließen Beim exponentiellen Glätten wird aus dem Verlauf der Reihe in der Vergangenheit auf den zukünftigen Verlauf geschlossen. Die Methode ist vergleichbar mit einem Autofahrer, der zwar vorwärts fährt, aber durch die Heckscheibe schaut und von der zurückgelegten Strecke auf den weiteren Verlauf der Straße schließt. So lange die Fahrt geradeaus geht oder die Strecke nur langsam die Richtung ändert, bleibt das Auto auf der Straße. Kommt aber plötzlich eine scharfe Kurve, findet sich unser Fahrer abseits der Piste wieder! "Nachhinken" Die nachfolgende Abbildung zeigt die Zeitreihe der jährlichen Erdbebenanzahl mit Stärke sieben oder größer weltweit. Vergleichen wir die Ausgangsreihe (blauer Linienzug) mit der Ein-Schritt-Prognose bei Verwendung von (roter Linienzug), erkennen wir, dass die Mini- und Maxima nicht nur abgeflacht werden sondern auch "nachhinken". Abb. ERDBEBEN: Zahl der Beben weltweit mit Stärke größer, gleich sieben Quelle: Hyndman Die Ein-Schritt-Prognose folgt der Ausgangszeitreihe stets zeitlich verzögert. Anwendungsbereich Die Methode des exponentiellen Glättens ist für saisonfreie Zeitreihen ohne Trend Page 4
5 konzipiert. Trotzdem ist durch die Art der Berechnung die Anwendung auf Reihen mit nur leichtem Trend möglich, erst bei einem deutlichen Trend kommt es zu systematischen Fehlprognosen. Machen Sie anhand der Schneefallhöhe von 1910 bis 1972 in Buffalo eine Prognose für das Jahr 1973! Labordatei öffnen ( b34.spf ) Weiterführende Links Zeitreihen zum Üben und Ausprobieren: vergleiche: Chatfield, Christopher (1982). Analyse von Zeitreihen. München, Hanser. Janacek, Gareth (2001). Practical Time Series. London, Arnold. Maser, Torsten M. (2002): Exponentielles Glätten saisonaler Zeitreihen. Internet: Schlittgen, Rainer (2001). Angewandte Zeitreihenanalyse. München; Wien, Oldenbourg. Schlittgen, R.; Streitberg, B.H.J. (2001).Zeitreihenanalyse. München; Wien, Oldenbourg. (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 5
Zeitreihenanalyse 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
MehrZeitreihenanalyse Differenzenbildung
Zeitreihenanalyse Differenzenbildung Worum geht es in diesem Lernmodul? Einleitung Verfahren der einfachen Differenzenbildung Verfahren der saisonalen Differenzenbildung Kombination einfacher und saisonaler
MehrZeitreihenanalyse Der einfache gleitende Durchschnitt
Zeitreihenanalyse Der einfache gleitende Durchschnitt Worum geht es in diesem Lernmodul? Einleitung Erläuterung der Methode Berechnung des einfachen gleitenden Durchschnitts Der einfache gleitende Durchschnitt
MehrZeitreihenanalyse Saisonbereinigung
Zeitreihenanalyse Saisonbereinigung Worum geht es in diesem Lernmodul? Einleitung Die starre Saisonfigur Saisonbereinigung für Zeitreihen ohne Trend Saisonbereinigung für Zeitreihen mit Trend Warum müssen
MehrZeitreihenanalyse Das klassische Komponentenmodell
Zeitreihenanalyse Das klassische Komponentenmodell Worum geht es in diesem Lernmodul? Zeitreihen mit unterschiedlichen Charakteristika Zeitreihen mit regelmäßigen Schwankungen Mittel und Niveau einer Zeitreihe
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
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
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
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
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
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 Residualanalyse zur Fehlerlokalisierung und prädikativen Steuerung Vortragender: Betreuer: Tobias Fechter Dr.-Ing. Heinz-Dieter Ribbecke, Dipl.-Inf. Jakob Krause
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:
MehrZeitreihen/Skalen. Homogenität, Inhomogenität, Datenlücken, Plausibilität. vorgetragen von Nico Beez
Zeitreihen/Skalen Homogenität, Inhomogenität, Datenlücken, Plausibilität vorgetragen von Nico Beez 28.04.2009 Gliederung 1 Charakterisierung von Zeitreihen 1.1 Was sind Zeitreihen? 1.2 Graphische Darstellung
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
MehrProf. Dr. Reinhold Kosfeld Zeitreihenanalyse
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse 1. Einführung 2. Zeitreihenzerlegung und Komponentenmodell (Trend, Saisonbereinigung, Exponentielle Glättung, Korrelogramm, Test auf Autokorrelation) 3. Stochastische
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.
MehrIndexrechnung. Worum geht es in diesem Modul?
Indexrechnung Worum geht es in diesem Modul? Verhältniszahlen Messzahlen Indexzahlen Preisindizes Mengen- und Umsatzindizes Worum geht es in diesem Modul? In diesem Modul beschäftigen wir uns mit der Bildung
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
Mehr1 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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
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
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
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
MehrBerechnungen mit der Tabellenkalkulation. Die Daten stammen vom Statistischem Bundesamt Deutschland (http://www.destatis.de) Stand
1.3 Bevölkerungswachstum Titel V2 1-Z1 Bevölkerungswachstum Version Dezember 2010 Themenbereich Vorbereitung des Änderungsbegriffes Themen Durchschnittliche Wachstumsraten Rolle des CAS Methoden Hinweise
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrKapitel 2. Mittelwerte
Kapitel 2. Mittelwerte Im Zusammenhang mit dem Begriff der Verteilung, der im ersten Kapitel eingeführt wurde, taucht häufig die Frage auf, wie man die vorliegenden Daten durch eine geeignete Größe repräsentieren
MehrKapitel XII - Einführung in die Zeitreihenanalyse
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Einführung in die Zeitreihenanalyse Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrApproximationsverfahren
Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Approimationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
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
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
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
Mehrswiss marketing academy GmbH Seite 1 von 11
AUFGABE 1a Nennen Sie 3 fallbezogene Gliederungszahlen und beschreiben Sie pro Gliederungszahl die Aussagekraft. 6 Punkte Gliederungszahl = Verhältnis eines Teiles zum gleichartigen Ganzen. Nennung Beschreibung
MehrMehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
MehrTechnische Universität München SS 2006 Zentrum Mathematik Blatt 1 Prof. Dr. J. Hartl
Technische Universität München SS 006 Zentrum Mathematik Blatt Prof. Dr. J. Hartl Höhere Mathematik (Weihenstephan). Die Gemeinde Fronhausen besteht aus drei Ortsteilen: Neudorf, Wulling und Marking. Neudorf
MehrInhaltsverzeichnis. Inhaltsverzeichnis. 3
Inhaltsverzeichnis Inhaltsverzeichnis Vorwort 4 1 Der Taschenrechner 5 1.1 Erste Rechnungen.................................. 5 1.2 Bearbeiten und Löschen der Eingaben....................... 7 1.3 Mehrere
MehrKurvenanpassung mit dem SOLVER
1 Iterative Verfahren (SOLVER) Bei einem iterativen Verfahren wird eine Lösung durch schrittweise Annäherung gefunden. Der Vorteil liegt in der Verwendung einfacher Rechenoperationen und darin, dass der
MehrKapitel 40 Zeitreihen: Autokorrelation und Kreuzkorrelation
Kapitel 40 Zeitreihen: Autokorrelation und Kreuzkorrelation Bei Zeitreihendaten ist häufig das Phänomen zu beobachten, daß die Werte der Zeitreihe zeitverzögert mit sich selbst korreliert sind. Dies bedeutet,
MehrBewegungssimulation mit CATIA V5
Bewegungssimulation mit CATIA V5 Grundlagen und praktische Anwendung der kinematischen Simulation von Jan Meeth, Michael Schuth 1. Auflage Bewegungssimulation mit CATIA V5 Meeth / Schuth schnell und portofrei
MehrVon x 2 zu 2x. Ausgangspunkt unserer Überlegungen ist eine lineare Funktion der Form y=kx+d, welche zunächst in Abbildung 1 grafisch dargestellt wird.
Von 2 zu 2 Ausgangspunkt unserer Überlegungen ist eine lineare Funktion der Form =k+d, welche zunächst in Abbildung 1 grafisch dargestellt wird. Abbildung 1 7 6 4 1 2 3 4 6 7 8 9 11 Stellen wir uns nun
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
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
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
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
MehrDemographie und Fußball
Demographie und Fußball Eike Emrich 1, Werner Pitsch & Christian Rullang Einleitung Die Bevölkerung Deutschlands wird sich in den kommenden Jahrzehnten nach der 12. koordinierten Bevölkerungsvorausberechnung
MehrA38 O1 ma4 GK-Math - Protokoll vom Mi., den
A38 O1 ma4 GK-Math - Protokoll vom Mi., den 23.9.2009 Protokollantin: Wioletta Lazik, Kursleiter: Herr Manthey Themen der Stunde 1. Grafische Geschwindigkeitsbestimmung 2. Kontrolle der Hausaufgabe 3.
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-
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
MehrTestentscheidungen. Worum geht es in diesem Modul? Kritische Werte p-wert
Testentscheidungen Worum geht es in diesem Modul? Kritische Werte p-wert Worum geht es in diesem Modul? Testentscheidungen: Annahme- und Ablehnbereich Bei der Durchführung eines statistischen Tests kommen
MehrGütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signalklassen
Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signallassen Diplomverteidigung Yongrui Qiao 25. 06. 2009 1/33 Gliederung Motivation und Problemstellung Testverfahren
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrWir begrüßen dich zum LEIFI-Quiz "Zeit-Ort-Diagramme"
Wir begrüßen dich zum LEIFI-Quiz "Zeit-Ort-Diagramme" Zeit-Ort-Diagramme Welche Kurve im Diagramm verdeutlicht die Bewegung des Wagens? Die rote Kurve. Die blaue Kurve. Die grüne Kurve. Welche Kurve im
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
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
MehrRene Rose Enzyklopädie der Technischen Indikatoren
Rene Rose Enzyklopädie der Technischen Indikatoren FinanzBuch Verlag 18 Kapitel 1 Marktbreite Indikatoren Advance Decline Line Grundlagen In vielen meiner Beiträge bilden Kursdaten, Volumendaten und Kombinationen
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
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
MehrWeitere Eigenschaften von Punktschätzern
Weitere Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Ein zweiter Schätzer für p bei Binomialverteilung Vergleich der Schätzer anhand einer Simulation Erwartungstreue Bias Asymptotische
MehrDidaktisches Seminar über Stochastik. Themen: ffl Korrelation von zwei Zufallsvariablen
Didaktisches Seminar über Stochastik Themen: ffl Gemeinsame Verteilung von zwei Zufallsvariablen ffl Lineare Regression ffl Korrelation von zwei Zufallsvariablen Michael Ralph Pape Mai 1998 1 1 GEMEINSAME
MehrD-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. In dieser Aufgabe wollen wir die Parameter einer gewissen Modellfunktion aus ein paar gemessenen Werten bestimmen. Das Modell
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
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrDefinition des Begriffs Funktion
Definition des Begriffs Funktion In der Mathematik ist eine Funktion (lateinisch functio) oder Abbildung eine Beziehung (Relation) zwischen zwei Mengen, die jedem Element der Definitionsmenge (Funktionsargument,
MehrMicrosoft Excel 2016 Automatisches Ausfüllen
Hochschulrechenzentrum Justus-Liebig-Universität Gießen Microsoft Excel 2016 Automatisches Ausfüllen Automatisches Ausfüllen in Excel 2016 Seite 1 von 11 Inhaltsverzeichnis Einleitung... 2 Lineare Reihe
MehrHISTALP LANGZEITKLIMAREIHEN ÖSTERREICH SOMMERBERICHT 2013
HISTALP LANGZEITKLIMAREIHEN ÖSTERREICH SOMMERBERICHT 2013 Der vergangene Sommer machte mit Lufttemperaturen von erstmals über 40 Grad Celsius Schlagzeilen, die ZAMG berichtete ausführlich dazu. Neben den
MehrStreuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand
Streuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand Berechnung der mittleren quadratischen Abweichung und der Varianz aus einer Urliste Standardabweichung
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Juni 2015 Mathematik Kompensationsprüfung 15 Angabe für Prüfer/innen Hinweise zur
MehrÜber den Autor 7. Einführung 21
Inhaltsverzeichnis Über den Autor 7 Einführung 21 Über dieses Buch oder:» für Dummies«verpflichtet! 21 Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil
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.
Mehr2. Beispiel: n-armiger Bandit
2. Beispiel: n-armiger Bandit 1. Das Problem des n-armigen Banditen 2. Methoden zur Berechung von Wert-Funktionen 3. Softmax-Auswahl von Aktionen 4. Inkrementelle Schätzverfahren 5. Nichtstationärer n-armiger
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
MehrControlling mit Excel Jan Götzelmann. 1. Ausgabe, 1. Aktualisierung, März Themen-Special W-EX2010C
Jan Götzelmann 1. Ausgabe, 1. Aktualisierung, März 2014 Controlling mit Excel 2010 Themen-Special W-EX2010C 3 Controlling mit Excel 2010 - Themen-Special 3 Trendberechnungen durchführen In diesem Kapitel
MehrHackenbusch und Spieltheorie
Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)
MehrAllgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
Mehra) Nennen Sie die verschiedenen Ebenen der amtlichen Statistik in Deutschland und die dafür zuständigen Behörden.
Statistik I, SS 2005, Seite 1 von 9 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - selbst erstellte Formelsammlung für
MehrARBEITSBLATT 6-5. Kurvendiskussion
ARBEITSBLATT 6-5 Kurvendiskussion Die mathematische Untersuchung des Graphen einer Funktion heißt Kurvendiskussion. Die Differentialrechnung liefert dabei wichtige Dienste. Intuitive Erfassung der Begriffe
MehrInformationen zur Auswertung des Energiebezugs mit dem Progamm EBA
Informationen zur Auswertung des Energiebezugs mit dem Progamm EBA 31. Juli 2014 Inhaltsverzeichnis 1 Einleitung 1 2 Auswertungen in EBA 2 3 Rechengrößen 2 3.1 Lastgang...................................
MehrDie Kettenregel Seite 1
Die Kettenregel Seite 1 Kapitel mit 124 Aufgaben Seite WIKI Regeln und Formeln 03 Level 1 Grundlagen Aufgabenblatt 1 (26 Aufgaben) 07 Lösungen zum Aufgabenblatt 1 09 Aufgabenblatt 2 (34 Aufgaben) 11 Lösungen
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
MehrInfos: Lukrativ und tödlich
Mathematik- Unterrichts- Einheiten- Datei e. V. Sek II 0/2018 Infos: www.mued.de Lukrativ und tödlich 1. Wird bei den "derzeitigen Trends" eher mit einer Abnahme oder eher mit einer Zunahme der Raucherzahlen
MehrVon der Pyramide zum Pilz: Die Bevölkerungsentwicklung als soziales Dilemma?
2 Von der Pyramide zum Pilz: Die Bevölkerungsentwicklung als soziales Dilemma? Wie wird Deutschland im Jahr 235 oder gar im Jahr 26 aussehen? Wie Abb. 2.1 zeigt, hat sich der Altersaufbau von einer Pyramidenform
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
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
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,
MehrOnline-Algorithmen. Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01
Online-Algorithmen Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01 Vortrag Bin Packing von Thilo Geertzen 25. Oktober 2000 Online Algorithmen
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
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrDynamik von Planetensystemen I Übung. Protokoll. Resonanzen im Sonnensystem, Standard-Map. Christoph Saulder Mat.Nr.:
Dynamik von Planetensystemen I Übung Protokoll Resonanzen im Sonnensystem, Standard-Map Christoph Saulder Mat.Nr.: 0400944 Venus-Erde Ein Sonnensystem bestehend aus Sonne, Venus, Erde, Mars, Jupiter und
MehrZufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 2013 Bergische Universität Wuppertal Autor: Prof. Dr.
Zufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 23 Bergische Universität Wuppertal Autor: Prof. Dr. Roland Pulch Aufgabe: Konstruiere Zufallszahlen aus der Menge {,, 2, 3, 4, 5, 6, 7,
MehrPerformance der Devisentermingeschäfte
September 2016 NEWSLETTER der Devisentermingeschäfte Wir haben in einem früheren Newsletter gesehen, wie Devisentermingeschäfte (DTG) am besten gebucht werden sollten. Diese Verbuchung ist auch im Dokument
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
Mehr2.2 Funktionen 1.Grades
. Funktionen.Grades (Thema aus dem Bereich Analysis) Inhaltsverzeichnis Was ist eine Funktion.Grades? Die Steigung einer Geraden. Die Definition der Steigung.................................... Die Berechnung
Mehr