Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie fortfahren, die Website zu durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Benutzervereinbarung und Datenschutzbestimmungen. Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie fortfahren, die Website zu durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Datenschutzrichtlinie und Benutzervereinbarung für Details. Entdecken Sie alle Ihre Lieblingsthemen in der SlideShare App Holen Sie sich die SlideShare App zu speichern für später sogar offline Weiter zur mobilen Website Upload Anmelden Signup Doppeltippen Sie zum Verkleinern Verschieben Durchschnittliche Methode Share this SlideShare LinkedIn Corporation Kopie 2017Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern, Und Sie mit relevanter Werbung zu versorgen. Wenn Sie fortfahren, die Website zu durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Benutzervereinbarung und Datenschutzbestimmungen. Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie fortfahren, die Website zu durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Datenschutzrichtlinie und Benutzervereinbarung für Details. Entdecken Sie alle Ihre Lieblingsthemen in der SlideShare App Holen Sie sich die SlideShare App zu speichern für später sogar offline Weiter zur mobilen Website Upload Anmelden Signup Doppeltippen Sie zum Verkleinern Verschieben Durchschnittliche Methode maths ppt Teilen Sie diese SlideShare LinkedIn Corporation copy 2017Moving-average-methods. ppt - Angewandte Geschäftsvorhersage. Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion zu sehen. Einleitung 61550 In diesem Kapitel werden Modelle für Zeitreihendaten mit saisonalen, Trend - oder Saison - und Trendkomponenten und stationären Daten vorgestellt. 61550 Prognosemethoden, die in diesem Kapitel behandelt werden, können klassifiziert werden als: 61550 Mittelungsmethoden. 61550 Gleichgewichtete Beobachtungen 61550 Exponentielle Glättungsmethoden. 61550 Ungleicher Satz von Gewichten an Vergangenheitsdaten, wobei die Gewichte exponentiell von den jüngsten zu den am weitesten entfernten Datenpunkten abnehmen. 61550 Für alle Methoden in dieser Gruppe müssen bestimmte Parameter definiert werden. 61550 Diese Parameter (mit Werten zwischen 0 und 1) bestimmen die ungleichen Gewichte, die auf vergangene Daten anzuwenden sind. Einleitung 61550 Mittelwertbildungsmethoden 61550 Wird eine Zeitreihe durch einen konstanten, zufälligen Fehler erzeugt, so ist Mittel eine nützliche Statistik und kann als Prognose für die nächste Periode verwendet werden. 61550 Mittelwertbildungsverfahren eignen sich für stationäre Zeitreihendaten, bei denen die Reihe im Gleichgewicht um einen konstanten Wert (das darunterliegende Mittel) mit einer konstanten Zeitabweichung steht. Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion zu sehen. Einleitung 61550 Exponentielle Glättungsmethoden 61550 Die einfachste exponentielle Glättungsmethode ist die Single Smoothing (SES) - Methode, bei der nur ein Parameter geschätzt werden muss. 61550 Die Holtrsquos-Methode verwendet zwei verschiedene Parameter und ermöglicht die Prognose von Reihen mit Trend. 61550 Holt-Wintersrsquo-Methode umfasst drei Glättungsparameter, um die Daten, den Trend und den saisonalen Index zu glätten. Mittelungsmethoden 61550 Mittelwert 61550 Verwendet den Durchschnitt aller historischen Daten als Prognose 61550 Wenn neue Daten verfügbar sind. Ist die Prognose für die Zeit t2 der neue Mittelwert einschließlich der zuvor beobachteten Daten zuzüglich dieser neuen Beobachtung. 61550 Diese Methode ist geeignet, wenn keine spürbare Trend - oder Saisonalität vorliegt. 61669 61501 61483 61501 t i i t y t F 1 1 1 61669 61483 61501 61483 61483 61501 1 1 2 1 1 t i i t y t F Diese Vorschau enthält absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion zu sehen. Mittelungsmethoden 61550 Der gleitende Durchschnitt für die Zeitspanne t ist der Mittelwert der letzten Beobachtungen von ldquokrdquo. 61550 Die Konstante k wird zu Beginn spezifiziert. 61550 Je kleiner die Zahl k ist, desto mehr Gewicht wird in den letzten Perioden gegeben. 61550 Je größer die Zahl k ist, desto geringer ist das Gewicht für neuere Perioden. Moving Averages 61550 Ein großes k ist wünschenswert, wenn es große, seltene Schwankungen in der Serie gibt. 61550 Ein kleines k ist höchst wünschenswert, wenn es plötzliche Verschiebungen im Niveau der Reihe gibt. 61550 Für vierteljährliche Daten, ein Vier-Viertel gleitenden Durchschnitt, MA (4), eliminiert oder Mittelwerte saisonale Effekte. Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion zu sehen. Moving Averages 61550 Für monatliche Daten, einen 12-monatigen gleitenden Durchschnitt, MA (12), eliminieren oder Mittelungen aus saisonalen Effekt. 61550 Für jede im Durchschnitt verwendete Beobachtung werden gleiche Gewichte zugeordnet. 61550 Jeder neue Datenpunkt ist im Durchschnitt enthalten, sobald er verfügbar ist, und der älteste Datenpunkt wird verworfen. Bewegungsdurchschnitte 61550 Ein gleitender Durchschnitt der Ordnung k, MA (k) ist der Wert von k aufeinanderfolgenden Beobachtungen. Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion zu sehen. Dies ist das Ende der Vorschau. Melden Sie sich für den Rest des Dokuments.
No comments:
Post a Comment