1 Prognoseverfahren F H
|
|
- Jörg Weiner
- vor 6 Jahren
- Abrufe
Transkript
1 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 in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 1
2 Beispielhafte Entwicklung der Nachfrage 250 Ein Unternehmen beobachtete den unten dargestellten Kundenbedarf: 200 Nachfrag ge Zeit (Quartale) Wie lautet die zu produzierende Art und die Menge für die nächsten Quartale? Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 2
3 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 in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 3
4 Bedarfszeitreihe bei regelmäßigem Bedarfsverlauf Na achfrage Zeit (Monate) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 4
5 Bedarfszeitreihe mit einem linearen Trend chfrage Na Zeit (Quartale) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 5
6 Bedarfszeitreihe mit einem saisonalen Einfluss Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 6
7 Bedarfszeitreihe mit einem saisonalen Einfluss e Na achfrag Zeit (Quartale) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 7
8 Bedarfszeitreihe bei sporadischem Bedarfsverlauf 6 5 Verbra auchsme enge Zeit (Tage) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 8
9 Woldsche Zerlegung (Herman Wold 1938) Eine unendlich lange Zeitfolge kann durch eine Linearkombination einer Folge von unkorrelierten Zufallsvariablen und einem zufälligen Summanden dargestellt werden. Koeffizienten dieser Linearkombination: perfekt vorhersagbar Eigenschaft von stationären stochastischen Prozessen. (Stationären stochastischen Prozess: Erwartungswert, Varianz und Autokovarianz sind im Zeitablauf konstant) Linearkombination aus unendlich vielen Zufallsvariablen möglich Kommerziell verfügbaren ERP- und PPS-Systemen: implizit wenige Zufallsvariablen angenommen - beschreiben Trends, primär eines linearen, und eines saisonalen Einflusses. (Trennung von saisonalem Einfluss von stark schwankenden Bedarfen getrennt werden: Unterscheidung zwischen einem regelmäßigen Bedarfsverlauf und einem unregelmäßigen, der neben stark schwankenden Bedarfen auch sporadische Bedarfe umfasst. Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 9
10 Klassifizierung von Verbrauchsfaktoren nach Ihrem Bedarfsverlauf Typen von Zeitreihenverläufen nicht-stationär stationär unregelmäßig g regelmäßig stark schwankend sporadisch konstant trendförmig ohne Saisoneinfluss bzw. mit Saisoneinfluss ohne Saisoneinfluss bzw. mit Saisoneinfluss Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 10
11 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 in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 11
12 1.3 Prognose bei regelmäßigem Bedarf Problemstellung Prognose bei konstantem Niveau Prognose bei trendförmigen Niveau Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 12
13 Beispielhafte Entwicklung der Nachfrage chfrage Na Zeit (Quartale) Aufgabe: Entwicklung eines geeigneten Prognosemodell Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 13
14 Prognosequalität Gründe: Ungeeignetes Prognosemodell Strukturbruch in einer Zeitreihe Analyse der Prognosefehler (e t ) für Periode t, mit y t = Beobachtungswert und p t Prognosewert jeweils für Periode t. e t = y t p t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 14
15 Datenstruktur der Nachfrageprognose Vergangenheit Prognosezeitpunkt Gegenwart t Zukunft Bekannte Vergangenheitsdaten y t-n+2 y t-2 y t-1 y t y t- n+1 ex-ante-prognosewerte t?? p t+1 p t+2 ex-post-prognosewerte p t-n+1 p t-n+2 p t-2 p t-1 p t ex-post-prognosefehler e t-n+2 e t-2 e t- n+1 e t-1 e t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 15
16 Beurteilung der Qualität von Prognoseverfahren Ausgangssituation: Periode t und die letzten n Perioden liegen vor. Mittelwert der Prognosefehler in den Perioden [t n + 1, t n + 2,, t]: t e, t, n 1 e k n k t n 1 Varianz der Prognosefehler am Ende der Periode und bei Betrachtung der letzten n Perioden: t 2 1 e, t, n ek n 1 k t n 1 e, t, n 2 Standardabweichung der Prognosefehler am Ende der Periode und bei Betrachtung der letzten n Perioden: 2 e, t, n e, t, n Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 16
17 Betriebliche Praxis Interpretation bereitet in der industriellen Praxis doch einige Schwierigkeiten Mittlere absolute Abweichung der Prognosefehler, MAD t, zur Beurteilung der Streuung der Prognosefehler und damit der Verlässlichkeit einer Prognose: 1 t MADe, t, n ek n k t n 1 Folgt der Prognosefehler einer Normalverteilung, so gilt: e, t, n MADt MAD t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 17
18 1.3 Prognose bei regelmäßigem Bedarf Problemstellung Prognose bei konstantem Niveau Prognose bei trendförmigen Niveau Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 18
19 1.3.2 Prognose bei konstantem Niveau Ausgangssituation Verfahren des gleitenden Durchschnitts Exponentielle Glättung erster Ordnung Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 19
20 Beispiel für gleichbleibenden Bedarf e Nachfrag Zeit (Monate) Konstanter Trend mit irregulärer Schwankung (Komponente) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 20
21 Prognose bei konstantem Niveau des Bedarfs Zeitreihe schwankt unregelmäßig um ein konstantes Niveau Prognosemodell (für Zeitreihe) y t = 0 + t t = 1, 2, 0 : zu schätzender konstanter Koeffizient t : Einfluss der irregulären Komponente Annahme: zufällige Größe t mit dem Mittelwert E( t ) = 0 und der Varianz V( t ) ist normalverteilt. Keine Autokorrelation zwischen den einzelnen Ausprägungen der irregulären Komponente in verschiedenen Perioden; d.h. die Höhe der irregulären Komponente in Periode t ist unabhängig von der Höhe der irregulären Komponente in Periode t-1. Problem: Prognosefunktion durch numerische spezifizierte Beziehung schätzen Parameter 0 durch bestimmten numerischen Wert b 0 approximieren. Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 21
22 1.3.2 Prognose bei konstantem Niveau Ausgangssituation Verfahren des gleitenden Durchschnitts Exponentielle Glättung erster Ordnung Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 22
23 Beispiel: Zeitreihe Na achfrage Zeit (Monate) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 23
24 Beispielrechnung für den gleitenden Durchschnitt Nac chfrage Reihe1 Original Reihe2 n=1 n = 5 n = 10 n = Zeit (Monate) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 24
25 Kennzahlen zur Beispielrechnung Prognose beginnt mit dem 31. Monat Prognosefehler p(t) mit n=1 p(t) mit n=5 p(t) mit n=10 p(t) mit n=30 Mittelwert e,51,21 Standard abweichung e,51,21 Mittlere absolute Abweichung MAD e,51,21 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 25
26 Prognosefehler: Mittelwert e,t,10 Mitte elwert e n = 1 n = 5 n = 10 n = 30 Reihe1 Reihe2 Reihe3 Reihe Zeit t (Monate) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 26
27 Prognosefehler: mittlere absolute Abweichung MAD e,t, n = 1 n = 5 Reihe3 n = 10 Reihe4 n=30 15 Reihe1 Reihe Zeit t (Monate) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 27
28 1.3.2 Prognose bei konstantem Niveau Ausgangssituation Verfahren des gleitenden Durchschnitts Exponentielle Glättung erster Ordnung Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 28
29 Beispiel: Zeitreihe Na achfrag ge Monate Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 29
30 Gleitender Durchschnitt mit = 0.1 und = 0.3 Nac hfrage Monate Reihe1 Original Reihe2 = 0.1 Reihe3 = Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 30
31 Beispielrechnung für den gleitenden Durchschnitt 150 Nachfra age, Pro ognose Reihe1 Original Reihe8 n=10 Reihe20 n = 30 Reihe22 = Reihe23 = Monate Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 31
32 Kennzahlen zur Beispielrechnung Prognose beginnt mit dem 31. Monat Prognosefehler p(t) mit n=1 p(t) mit n=5 p(t) mit n=10 p(t) mit n=30 p(t) mit = 0.1 p(t) mit = 0.3 Mittelwert e,51,21 Standardabweichung e,51,21 Mittlere absolute Abweichung MAD e,51,21 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 32
33 Prognosefehler: Mittelwert e,t,10 Mit ttelwert Zeit t (Monate) n = 10 1 n = 30 n = n = n = 30 Reihe1 Reihe2 Reihe3 Reihe4 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 33
34 Prognosefehler: mittlere absolute Abweichung MAD e,t, n = 10 1 n = 30 n = n = n = 30 Reihe1 Reihe2 Reihe3 Reihe Zeit t (Monate) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 34
35 1.3 Prognose bei regelmäßigem Bedarf Problemstellung Prognose bei konstantem Niveau Prognose bei trendförmigen Niveau Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 35
36 1.3.3 Prognose bei trendförmigen Niveau Grundlagen Lineare Regressionsrechnung Exponentielle Glättung zweiter Ordnung Verfahren von Holt Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 36
37 Beispielhaft: Trendförmiger Bedarf Na achfrage Zeit (Wochen) Linearer Trend mit irregulärer Schwankung (Komponente) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 37
38 1.3.3 Prognose bei trendförmigen Niveau Grundlagen Lineare Regressionsrechnung Exponentielle Glättung zweiter Ordnung Verfahren von Holt Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 38
39 Realistisches Anwendungsbeispiel 1/7 Bedarfswerte eines Produkts in den Jahren (t=1, 24) 1. ex-post Prognose bis Periode 24 (mit bekannten Daten) 2. ab Periode 24: echte ex-ante Prognose t y t t y t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 39
40 Realistisches Anwendungsbeispiel 2/ Bed darfe [M ME] Zeit [Monate] Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 40
41 Realistisches Anwendungsbeispiel: Ergebnisse der linearen Regressionsrechnung mit n = 3 3/7 700 Bedarfe e / Progn nose [ME E] Bedarfe n = Zeit [Monate] Mittelwert: 1,03 Standardabweichung: 96,84 e,24,21 e,24,21, MAD e,24,21 = 71,79 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 41
42 Realistisches Anwendungsbeispiel: Ergebnisse der linearen Regressionsrechnung mit n = 3 Teil 1 4/7 t y(t) () y b(1,t) b(0,t) p(t) () e(t) () ,33-2, , ,33 46, , , ,67 7, ,33-2,5 329, , ,67 319,33 36, , ,67 70, ,33 27,5 343, , ,33 453,33 40, , ,33-98,33 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 42
43 Realistisches Anwendungsbeispiel: Ergebnisse der linearen Regressionsrechnung mit n = 3 Teil 2 5/7 t y(t) () y b(1,t) b(0,t) p(t) () e(t) () , , ,33-8,5 439,33 421,33-26, , ,67 405,33-13, , ,33 347,67 99, , ,33 463,33-11, ,33 80, ,33 32,5 448, ,33-181, ,33-53,5 548, ,33 244, ,33 31,5 424, ,67-10,5 557,67 550,33 7,67 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 43
44 Realistisches Anwendungsbeispiel: Ergebnisse der linearen Regressionsrechnung mit n = 12 6/7 700 Bedarfe e / Progn nose [ME E] Bedarfe n = Zeit [Monate] Mittelwert: 11,56 Standardabweichung: 74,33 e,24,12 e,24,12, MAD e,24,12 = 58,46 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 44
45 Realistisches Anwendungsbeispiel: Ergebnisse der linearen Regressionsrechnung mit n = 12 7/7 t y(t) () y b(1,t) b(0,t) p(t) () e(t) () ,41 230,32 466,61-6, ,75 13, ,68-100, ,42 11,35 312,62 470,5-78, ,33 10,48 329,2 460,21-13, ,17 9,16 348,62 465,47-13, ,92 12,05 349,58 467,71 103, ,58 10,44 376,74 506,26 10, ,58 418,23 512,42-115, ,5 2,21 432,14 477,77-67, ,5 5,69 423,5 460,86 118, ,75 7,7 408,73 497,5-24, ,92 9,39 409,89 508,77 49,23 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 45
46 1.3.3 Prognose bei trendförmigen Niveau Grundlagen Lineare Regressionsrechnung Exponentielle Glättung zweiter Ordnung Verfahren von Holt Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 46
47 Beispiel einer Zeitreihe mit einem störungsfreien linearen Verlauf 20 Reihe1 y t Nachf frage Monate Reihe2 y (1) t Reihe3 y (2) t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 47
48 Realistisches Anwendungsbeispiel Parameter: = 0.1, Achsenabschnitt 275 und Steigung Be edarfe e [ME] Zeit [Monate] Durchschnitt Durchschnitt 1. Ordnung 2. Ordnung Reihe1 Beobachtung Reihe2 Reihe3 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 48
49 Realistisches Anwendungsbeispiel 1/6 Bedarfswerte eines Produkts in den Jahren (t=1, 24) 1. ex-post Prognose bis Periode 24 (mit bekannten Daten) 2. ab Periode 24: echte ex-ante Prognose t y t t y t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 49
50 Realistisches Anwendungsbeispiel 2/ Bed darfe [M ME] Zeit [Monate] Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 50
51 Realistisches Anwendungsbeispiel 3/6 Parameter: = 0.1, Achsenabschnitt 275 und Steigung Be edarfe e [ME] Zeit [Monate] Durchschnitt Durchschnitt 1. Ordnung 2. Ordnung Reihe1 Beobachtung Reihe2 Reihe3 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 51
52 Realistisches Anwendungsbeispiel 4/6 Parameter: = 0,1, Achsenabschnitt 275 und Steigung 10,88 [ME] Be edarfe e/prog gnose Mittelwert: Datenreihen1 Beobachtung e,24,24 1, 67 Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 52 Zeit [Monate] Standardabweichung: Datenreihen2 Prognose e,24,24 59,33
53 Realistisches Anwendungsbeispiel 5/6 Ergebnisse der exponentiellen Glättung 2. Ordnung Teil 1 Periode Nachfrage Prognose t y t (1) y t (2) y t (1) b t (1) a t p t e t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 53
54 Realistisches Anwendungsbeispiel 6/6 Ergebnisse der exponentiellen Glättung 2. Ordnung Teil 2 Periode Nachfrage (1) t y t y t y t (2) Prognose b t (1) a t (1) p t e t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 54
55 1.3.3 Prognose bei trendförmigen Niveau Grundlagen Lineare Regressionsrechnung Exponentielle Glättung zweiter Ordnung Verfahren von Holt Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 55
56 Realistisches Anwendungsbeispiel 1/4 Bedarfswerte eines Produkts in den Jahren (t=1, 24) 1. ex-post Prognose bis Periode 24 (mit bekannten Daten) 2. ab Periode 24: echte ex-ante Prognose t y t t y t Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 56
57 Realistisches Anwendungsbeispiel 2/ Bed darfe [M ME] Zeit [Monate] Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 57
58 Realistisches Anwendungsbeispiel 3/4 Parameter: =01 0,1, = 0,01, 01 Achsenabschnitt 275 und Steigung 10, rognose [ME] Bed darfe / P Bedarfe von Holt 0 Mittelwert: e,24,24 0,9 Beobachtung Zeit [Monate] Standardabweichung: Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 58 Prognose e,24,24 56,93
59 t Vergleich mit exponentieller Glättung 2. Ordnung 4/4 yt Exponentielle Glättung 2. Ordnung mit a t bt 0,1 p t Verfahren von Holt 0,01 0,1 und 0,1 und 0,1 a t ,79 11, , ,99 10,91 285, ,99 11, , ,28 10,1 302,98 289,31 10,81 299,9 289,56 10,13 300, ,11 10,3 292,38 301,31 10,82 300,12 300,92 10,25 299, ,23 10,39 306,4 312,51 10,82 312,12 311,66 10,3 311, ,26 10,43 318,62 323,2 10,82 323,33 321,96 10,3 321, ,51 10,47 329,69 334,02 10,82 334,02 332,44 10,32 332, ,42 10,23 340,98 342,05 10,79 344,84 340,18 10,06 342, ,43 10,32 346,65 353,16 10,79 352,84 350,82 10,12 350, ,91 11,02 358,75 370,36 10,86 363,95 367,64 10,79 360, ,26 11,3 382,93 384,2 10,89 381,22 381,69 11,11 378,43 bt p t a t bt pt Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 59
60 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 in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 60
61 Methodik in PPS-Systemen Kopieren der alten Verbrauche mit Multiplikator (49%) Einfacher Mittelwert (53%) Gleitender Mittelwert (47%) Exponentielle Glättung erster Ordnung (51%) Exponentielle Glättung zweiter Ordnung (36%) Lineare Regression (25 %) Verfahren nach Winters (17%) Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 61
62 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 in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 62
63 Effekt von Preisaktionen Standardnachfrage Stück Gesamtnachfrage Stück Zeit Woche + Aktionsnachfrage Stück Zeit Woche Zeit Woche Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 63
64 Auswahl und laufender Einsatz eines quantitativen Prognoseverfahrens 1. Untersuchung der charakteristischen Merkmale der Zeitreihe 2. Entwicklung eines formalen Prognosemodells 3. Schätzung der Koeffizienten des Prognosemodelle (einschließlich Bestimmung von Startwerten) 4. Berechnung der Prognosewerte (für zukünftige Perioden) evtl. unter Rückgriff auf qualitative Urteile, die nicht im formalen Prognosemodell erfasst sind. 5. Beobachtung des Prognosemodells und ggf. Änderung des Prognosemodells. Herrmann, Frank: Operative Planung in IT-Systemen für die Produktionsplanung 1 Prognoseverfahren / 64
65
Bestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
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
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
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
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
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
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:
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
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,
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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
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
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
MehrZeit Umsatz. t U=U(t) BS - 13 BS Modul : Analyse zeitabhängiger Daten z.b. Prof. Dr. W. Laufner Beschreibende Statistik
BS - 1 1 Modul 1 : Analyse zeitabhängiger Daten z.b. Zeit Umsatz t UU(t) BS - 1 2 Modul 1: Zeitreihenanalyse 0 70 60 Zeitreihenanalyse Umsatz (Mio ) 0 40 0 0 Q1 Q2 Q Q4 Q1 Q2 Q Q4 Q1 Q2 Q Q4 Q1 Q2 Q Q4
MehrProblemstellung und Lernziele
Nachfrageprognose Problemstellung und Lernziele Inwiefern können Serviceunternehmen durch Nachfrageprognosen einen Wettbewerbsvorteil erwirtschaften? Nach dieser Veranstaltung sollten Sie, die wichtigsten
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
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
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
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
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
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
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
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
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
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
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/??
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
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
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
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
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
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
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
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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
MehrJohann Wolfgang Goethe-Universität Frankfurt am Main
Johann Wolfgang Goethe-Universität Frankfurt am Main Fachbereich Wirtschaftswissenschaften Professur für Statistik und Ökonometrie (Empirische Wirtschaftsforschung) Prof. Dr. Reinhard Hujer Mertonstraße
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
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
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. 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
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
MehrMarktforschung. Methoden - Anwendungen - Praxisbeispiele. Lucius & Lucius Stuttgart. mit 176 Abbildungen. von Claudia Fantapie Altobelli
Marktforschung Methoden - Anwendungen - Praxisbeispiele mit 176 Abbildungen von Claudia Fantapie Altobelli Lucius & Lucius Stuttgart VIM Inhaltsverzeichnis Inhaltsverzeichnis Teil 1: Grundlagen 1 1. Der
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrInhaltsverzeichnis DESKRIPTIVE STATISTIK. 1 Grundlagen Grundbegriffe Skalen... 15
Inhaltsverzeichnis 1 Grundlagen... 13 1.1 Grundbegriffe...13 1.2 Skalen... 15 DESKRIPTIVE STATISTIK 2 Eindimensionale Häufigkeitsverteilungen...16 2.1 Häufigkeiten... 16 2.1.1 Grundbegriffe... 16 2.1.2
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrMaterialwirtschaft 2. Semester
Wirtschaft Niko Mahle Materialwirtschaft 2. Semester Skript ZIELE UND AUFGABEN DES MATERIALMANAGEMENTS 3 Das Ziel: Hohe Lieferbereitschaft und Flexibilität 3 Das Ziel: Qualitätssicherung 4 Das Ziel: Günstige
MehrStatistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
Mehr1 GRUNDLAGEN Grundbegriffe Skalen...15
Inhaltsverzeichnis 1 GRUNDLAGEN...13 1.1 Grundbegriffe...13 1.2 Skalen...15 DESKRIPTIVE STATISTIK 2 EINDIMENSIONALE HÄUFIGKEITSVERTEILUNGEN...16 2.1 Häufigkeiten...16 2.1.1 Grundbegriffe...16 2.1.2 Klassieren
MehrStochastik-Praktikum
Stochastik-Praktikum Zeitreihenanalyse Peter Frentrup Humboldt-Universität zu Berlin 19. Dezember 2017 (Humboldt-Universität zu Berlin) Zeitreihenanalyse 19. Dezember 2017 1 / 13 Übersicht 1 Zeitreihen
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
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
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
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...
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
MehrMATHEMATISCHE STATISTIK
EINFÜHRUNG IN DIE MATHEMATISCHE STATISTIK UND IHRE ANWENDUNG VON MARTIN HENGST a. o. Professor an der PH Berlin BIBLIOGRAPHISCHES INSTITUT MANNHEIM HOCHSCHULTASCHENBÜCHER-VERLAG INHALTSVERZEICHNIS Vorwort
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrVorlesungsskript. Deskriptive Statistik. Prof. Dr. Günter Hellmig
Vorlesungsskript Deskriptive Statistik Prof. Dr. Günter Hellmig Prof. Dr. Günter Hellmig Vorlesungsskript Deskriptive Statistik Erstes Kapitel Die Feingliederung des ersten Kapitels, welches sich mit einigen
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
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:
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrStatistik. Einführendes Lehrbuch für Wirtschafts- und Sozialwissenschaftler. Von Dr. Peter Bohley. Professor an der Universität Zürich
Statistik Einführendes Lehrbuch für Wirtschafts- und Sozialwissenschaftler Von Dr. Peter Bohley Professor an der Universität Zürich 7., gründlich überarbeitete und aktualisierte Auflage R. Oldenbourg Verlag
MehrGünther Bourier. Beschreibende Statistik. Praxisorientierte Einführung - Mit. Aufgaben und Lösungen. 12., überarbeitete und aktualisierte Auflage
i Günther Bourier Beschreibende Statistik Praxisorientierte Einführung - Mit Aufgaben und Lösungen 12., überarbeitete und aktualisierte Auflage 4^ Springer Gabler Inhaltsverzeichnis Vorwort V 1 Einführung
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrStatistik am PC Lösungen mit Excel
Michael Monka, Werner Voß, Nadine M. Schöneck Statistik am PC Lösungen mit Excel ISBN-10: 3-446-41555-6 ISBN-13: 978-3-446-41555-3 Inhaltsverzeichnis Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41555-3
MehrStichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
MehrBetriebswirtschaftslehre 1
Arbeitsberichte aus dem Fachbereich Wirtschaft 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Band 31/96 Hermann
MehrHorst Tempelmeier. Supply Chain Management. und Produktion. Übungen und Mini-Fallstudien. 5., überarbeitete Auflage
Horst Tempelmeier Supply Chain Management und Produktion Übungen und Mini-Fallstudien 5., überarbeitete Auflage Teil A: Gestaltung der Infrastruktur von Supply Networks 1 1 Standortentscheidungen 1 Verständnis-
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
MehrA. Die Grundlagen. B. Die Methoden der Datengewinnung. C. Erhebungsverfahren. Vorwort Inhaltsverzeichnis. 1. Gegenstand der Marktforschung
Vorwort Inhaltsverzeichnis A. Die Grundlagen 1. Gegenstand der Marktforschung 2. Arten der Marktforschung 3. Arten der Marktuntersuchung 4. Bedeutung von Informationen im Marketing-Entscheidungsprozess
MehrWirtschaftsstatistik für Studienanfänger
Günter Deweß / Helga Hartwig Wirtschaftsstatistik für Studienanfänger Begriffe - Aufgaben - Lösungen EAG. LE Edition am Gutenbergplatz Leipzig Inhalt Beschreibende Statistik: Daten und Maßzahlen 1 Grundgesamtheiten,
Mehr1. Grundbegri e. T n i=1 A i = A 1 \ A 2 \ : : : \ A n alle A i treten ein. na = A das zu A komplementäre Ereignis; tritt ein, wenn A nicht eintritt.
. Grundbegri e Menge der Ereignisse. Die Elemente! der Menge heißen Elementarereignisse und sind unzerlegbare Ereignisse. Das Ereignis A tritt ein, wenn ein! A eintritt. ist auch das sichere Ereignis,
MehrStatistik 2 für SoziologInnen. Normalverteilung. Univ.Prof. Dr. Marcus Hudec. Themen dieses Kapitels sind:
Statistik 2 für SoziologInnen Normalverteilung Univ.Prof. Dr. Marcus Hudec Statistik 2 für SoziologInnen 1 Normalverteilung Inhalte Themen dieses Kapitels sind: Das Konzept stetiger Zufallsvariablen Die
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr