«Πρόβλεψη» «Forecasting»

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "«Πρόβλεψη» «Forecasting»"

Transcript

1 «Πρόβλεψη» «Forecasting» Σηµειώσεις για το µάθηµα του 6 ου εξαµήνου «Αρχές ιοίκησης και Οργάνωση Παραγωγής» 2005 Μιχάλης Βαϊδάνης 1

2 I. Πρόβλεψη (Forecasting) Η πρόβλεψη είναι µια από τις σηµαντικότερες λειτουργίες µέσα σε µια επιχείρηση και εν γένει σε έναν οργανισµό, για τη λήψη κάθε κρίσιµης απόφασης: ο έλεγχος του κόστους, ο σχεδιασµός νέων προϊόντων, η πρόσληψη προσωπικού, ο όγκος της παραγωγής, το ύψος των αποθεµάτων, όλα καθορίζονται από την πρόβλεψη. Χωρίς αυτήν, κάθε απόφαση θα λαµβανόταν στην τύχη. Η πρόβλεψη µπορεί να είναι βραχυπρόθεσµη, µεσοπρόθεσµη ή µακροπρόθεσµη ανάλογα µε τον χρονικό ορίζοντα στον οποίο αναφέρεται. Π.χ. η πρόβλεψη των πωλήσεων Βωξίτη για το επόµενο τρίµηνο µπορεί να θεωρηθεί βραχυπρόθεσµη ενώ η πρόβλεψη της τιµής του νικελίου, στη διεθνή αγορά, σε µια τριετία από τώρα µπορεί να θεωρηθεί ως µακροπρόθεσµη. Αρχές της Πρόβλεψης 1. Καµία πρόβλεψη δεν είναι τέλεια: καθώς περιλαµβάνει το στοιχείο της αβεβαιότητας, η πρόβλεψη θα περιέχει κάποιο σφάλµα (δηλ, τη διαφορά µεταξύ της πρόβλεψης και της πραγµατικότητας). Με βάση αυτό, στόχος της διαδικασίας πρόβλεψης είναι η ελαχιστοποίηση του σφάλµατος για την όσο το δυνατόν ακριβέστερη προσέγγιση της πραγµατικότητας. 2. Μια πρόβλεψη είναι περισσότερο ακριβής για οµάδες στοιχείων παρά για µεµονωµένα στοιχεία: π.χ. η πρόβλεψη της συνολικής ζήτησης για βιοµηχανικά ορυκτά (καολίνης, µπεντονίτης, περλίτης κτλ) για το επόµενο έτος θα είναι ακριβέστερη από την ζήτηση για ένα συγκεκριµένο ορυκτό (π.χ. του περλίτη) και η τελευταία θα είναι µε τη σειρά της ακριβέστερη από την πρόβλεψη της ζήτησης για ένα ορυκτό µε ορισµένη ποιότητα (π.χ. περλίτης συγκεκριµένης κοκκοµετρίας). Αυτό συµβαίνει γιατί οι µέγιστες και ελάχιστες τιµές των διαφόρων στοιχείων (π.χ. ορυκτών) αλληλοεξουδετερώνονται µε αποτέλεσµα η οµάδα το στοιχείων να έχει σταθερή συµπεριφορά ακόµα και αν τα µεµονωµένα στοιχεία συµπεριφέρονται µε ασταθή τρόπο. 3. Η πρόβλεψη είναι περισσότερο ακριβής όταν είναι βραχυπρόθεσµη παρά όταν είναι µακροπρόθεσµη: όσο κοντινότερος είναι ο χρονικός ορίζοντας της πρόγνωσης τόσο µικρότερος είναι ο βαθµός αβεβαιότητας και άρα τόσο µικρότερο το σφάλµα που θα περιέχει. Ένα κλασσικό παράδειγµα αφορά στην πρόβλεψη του καιρού: ένα µετεωρολογικό δελτίο για τις επόµενες δύο ή τρεις µέρες είναι πάρα πολύ πιθανό να είναι βγει αληθινό. Αντίθετα, η πρόγνωση για τον καιρό του επόµενου µήνα έχει µεγάλες πιθανότητες να αποδειχτεί λανθασµένη. 2

3 II. Τύποι Μεθόδων Πρόβλεψης Υπάρχουν δύο βασικές κατηγορίες µεθόδων πρόβλεψης: Ποιοτική πρόβλεψη (qualitative ή judgmental forecasting): Στην κατηγορία αυτή περιλαµβάνονται µέθοδοι στις οποίες η πρόβλεψη γίνεται από έναν ή περισσότερους ειδικούς µε βάση την γνώση, την εµπειρία και το ένστικτο τους. Αυτού του είδους η πρόβλεψη είναι υποκειµενική και περιλαµβάνει το στοιχείο της προκατάληψης (bias). Ποσοτική πρόβλεψη (quantitative forecasting): Οι µέθοδοι αυτές βασίζονται στη µαθηµατική µοντελοποίηση και άρα είναι αντικειµενικές και επαναλήψιµες (δηλ, παράγουν το ίδιο αποτέλεσµα κάθε φορά που εισάγουµε τα ίδια δεδοµένα). Οι ποσοτικές µέθοδοι απαιτούν µια σειρά από αριθµητικά δεδοµένα που όµως δεν είναι πάντα διαθέσιµα ή αξιόπιστα. Οι ποσοτικές µέθοδοι µπορούν να διακριθούν σε αυτές που βασίζονται σε µοντέλα χρονοσειρών (time series models) και σε αυτές που βασίζονται σε αιτιακά µοντέλα (causal models). Τα πρώτα προϋποθέτουν ότι η απαραίτητη πληροφορία για την πρόβλεψη περιέχεται στη χρονοσειρά των στοιχείων. Χρονοσειρά είναι µια σειρά παρατηρήσεων που λαµβάνονται σε κανονικά διαστήµατα µέσα σε ένα καθορισµένο χρονικό διάστηµα. Για παράδειγµα, αν καταγράφουµε τις µηνιαίες τιµές του χρυσού στο χρηµατιστήριο µετάλλων του Λονδίνου για χρονικό διάστηµα 5 ετών, τότε έχουµε στη διάθεσή µας µια χρονοσειρά των µηνιαίων τιµών του χρυσού. Η ανάλυση χρονοσειράς κάνει την υπόθεση ότι µπορεί να γίνει πρόβλεψη µε βάση τα µοτίβα (patterns) των διαθέσιµων δεδοµένων. Έτσι, η ανάλυση αυτή αναζητάει τάσεις, κυκλικότητα, περιοδικότητα κτλ στα δεδοµένα προκειµένου να δηµιουργήσει ένα µοντέλο πρόβλεψης. Τα αιτιακά µοντέλα χρησιµοποιούν µια αρκετά διαφορετική προσέγγιση για την δηµιουργία πρόβλεψης: θεωρούν ότι η µεταβλητή για την οποία θέλουµε να κάνουµε πρόβλεψη είναι εξαρτηµένη µε κάποιο τρόπο από µία ή περισσότερες παραµέτρους. Η δυσκολία έγκειται στην εύρεση της µαθηµατικής σχέσης µε την οποία επηρεάζεται η ζητούµενη µεταβλητή από τις παραµέτρους αυτές. Για παράδειγµα, αν θεωρήσουµε ότι η ζήτηση για σίδηρο οπλισµού εξαρτάται: α) από τη χρηµατική αξία των συµβάσεων για δηµόσια έργα που υπογράφονται µεταξύ του ΥΠΕΧΩ Ε και των κατασκευαστικών εταιρειών και β) από τον αριθµό των οικοδοµικών αδειών που εκδίδονται από τις πολεοδοµίες της χώρας, τότε αν βρούµε τη µαθηµατική τους σχέση µπορούµε να κατασκευάσουµε ένα µαθηµατικό µοντέλο πρόβλεψης για την ζήτηση σε σίδηρο οπλισµού. Είναι προφανές ότι τα αιτιακά µοντέλα µπορεί να είναι πολύ περίπλοκα, ειδικά στην περίπτωση που λαµβάνονται υπ όψιν πολλές παράµετροι. 3

4 III. Ποιοτικές Μέθοδοι Πάνελ Η µέθοδος αυτή βασίζεται στο γεγονός ότι µια πολυπληθής οµάδα ανθρώπων από διαφορετικές θέσεις µπορεί να κάνει µια πιο αξιόπιστη πρόβλεψη απ ότι ένας µεµονωµένος ή λίγοι άνθρωποι. Έτσι, διοργανώνονται ανοιχτές συναντήσεις µε ελεύθερη ανταλλαγή απόψεων µεταξύ ανθρώπων από όλο το φάσµα των θέσεων ενός οργανισµού. Ένα µειονέκτηµα της µεθόδου αυτής είναι ότι η άποψη των υφιστάµενων «σκεδάζεται» ή υποβαθµίζεται από την άποψη των ανώτερων στην ιεραρχία. Αυτό το µειονέκτηµα προσπαθεί να διορθώσει η µέθοδος Delphi. Μέθοδος Delphi Η µέθοδος αυτή είναι µια τεχνική πρόβλεψης, στόχος της οποίας είναι η προσέγγιση µιας συµφωνίας µεταξύ µιας οµάδας ειδικών, διατηρώντας την ανωνυµία τους. Η ιδέα πίσω από αυτήν είναι ότι ενώ οι ειδικοί δεν θα συµφωνήσουν σε όλα τα ζητήµατα, εντούτοις σε ότι συµφωνήσουν αυτά κατά πάσα πιθανότητα θα συµβούν. Σύµφωνα µε τη µέθοδο αυτή: 1. γίνεται επιλογή των συµµετεχόντων, συνήθως ειδικών από διαφορετικές θέσεις ή επιστηµονικά υπόβαθρα, 2. µέσω ενός ερωτηµατολογίου συλλέγονται οι απόψεις όλων (χωρίς ο ένας να δει ή να γνωρίζει τους υπόλοιπους συµµετέχοντες), 3. οι απαντήσεις όλων ταξινοµούνται και επανατροφοδοτούνται (feedback) στους συµµετέχοντες µαζί µε ένα καινούργιο ερωτηµατολόγιο, 4. το βήµα 3 επαναλαµβάνεται όσες φορές κρίνεται απαραίτητο προκειµένου να επιτευχθεί µια συµφωνία µεταξύ των συµµετεχόντων. Συνήθως 3 ή 4 «γύροι» είναι αρκετοί. Λόγω της ανωνυµίας του καθενός και της ίδιας βαρύτητας όλων των απόψεων, µε τη µέθοδο Delphi αποφεύγεται το µειονέκτηµα της πρώτης µεθόδου (πάνελ). Από την άλλη, η µέθοδος είναι σχετικά χρονοβόρα. Έρευνα αγοράς Αποτελεί µια προσέγγιση που χρησιµοποιεί ερωτηµατολόγια και συνεντεύξεις για τον καθορισµό των αναγκών, των προτιµήσεων, των επιλογών κτλ, µιας οµάδας στόχου (π.χ. των καταναλωτών). Η µέθοδος χρησιµοποιείται ευρέως για την βελτίωση και την δηµιουργία καινούργιων προϊόντων. Σηµαντικό στοιχείο για την επιτυχία της µεθόδου είναι ο σχεδιασµός των ερωτηµατολογίων (ή των συνεντεύξεων). 4

5 IV. Ποσοτικές Μέθοδοι Ανάλυση Χρονοσειράς Για την ανάλυση χρονοσειράς εντοπίζουµε τα µοτίβα των διαθέσιµων δεδοµένων (δηλ, της χρονοσειράς) προκειµένου να καταλάβουµε τον τρόπο µε τον οποίο συµπεριφέρονται. Ακριβώς σε αυτή τη συµπεριφορά βασίζεται η πρόβλεψη. Αυτά τα µοτίβα µπορεί να είναι: 1. επίπεδο (level): ένα τέτοιο µοτίβο υπάρχει όταν τα δεδοµένα κυµαίνονται γύρω από µία µέση τιµή. 2. τάση (trend): είναι η σταδιακή ανοδική ή πτωτική κίνηση των δεδοµένων στο χρόνο. Η κίνηση αυτή µπορεί να είναι γραµµική, εκθετική κτλ. 5

6 3. εποχικότητα (seasonality): είναι η κανονικά επαναλαµβανόµενη κίνηση των δεδοµένων µέσα σε σχετικά µικρό χρονικό διάστηµα (συνήθως µέσα σε ένα χρόνο). Τέτοιο µοτίβο µπορεί να παρουσιάζουν οι µεταβλητές που επηρεάζονται από εποχικούς παράγοντες: π.χ. οι πωλήσεις παγωτών αυξάνουν κατά τους ζεστούς µήνες και µειώνονται κατά τους κρύους. 4. κυκλικότητα (cycle): είναι (όπως και η εποχικότητα) η επαναλαµβανόµενη αυξοµείωση των δεδοµένων, µε µεγαλύτερο όµως χρονικό ορίζοντα (5-10 χρόνια), και είναι συνήθως συνδεδεµένη µε τις διακυµάνσεις στο επίπεδο της συνολικής οικονοµίας (γνωστές ως περίοδοι οικονοµικής ύφεσης και οικονοµικής ανάπτυξης). 5. τυχαιότητα (randomness): είναι η κίνηση των δεδοµένων που δεν παρουσιάζει καµία κανονικότητα. 6

7 Αν εξετάσουµε µια οποιαδήποτε χρονοσειρά, διαπιστώνουµε ότι αποτελεί συνδυασµό ενός ή περισσότερων από τα παραπάνω στοιχεία. Στο παρακάτω διάγραµµα φαίνεται µια χρονοσειρά µε εµφανή την ύπαρξη αυξητικής τάσης και, ταυτόχρονα, εποχικότητας. γραµµική αυξητική τάση εποχικότητα Στην ανάλυση χρονοσειράς χρησιµοποιούνται, κατά περίπτωση, διάφορες τεχνικές. Ορισµένες από τις πιο απλές είναι οι ακόλουθες. Απλός Μέσος Όρος (simple mean) Όταν υποπτευόµαστε ότι η µεταβλητή που θέλουµε να προβλέψουµε παρουσιάζει επίπεδο µοτίβο, τότε η µέθοδος αυτή µπορεί να µας δώσει µια καλή εκτίµηση της µεταβλητής. Η πρόβλεψη γίνεται µε τον υπολογισµό της µέσης τιµής των δεδοµένων: Ati F t + 1= n (σχέση 1) Όπου F t+1 η πρόβλεψη για το επόµενο χρονικό διάστηµα, A ti οι διαθέσιµες τιµές της µεταβλητής και n το πλήθος των διαθέσιµων τιµών της µεταβλητής. Παράδειγµα 1 Ένα λατοµείο θέλει να προβλέψει τις πωλήσεις του για το επόµενο δίµηνο έχοντας στη διάθεσή του τις πραγµατοποιηθείσες (δηλ, τις πραγµατικές) πωλήσεις για τα προηγούµενα πέντε δίµηνα. ίµηνο Πραγµατικές πωλήσεις (σε χιλιάδες τόνους) Πρόβλεψη για επόµενο δίµηνο (σε χιλιάδες τόνους) 1 o Γενάρης-Φλεβάρης o Μάρτης-Απρίλης o Μάης-Ιούνιος o Ιούλιος-Αύγουστος o Σεπτέµβρης-Οκτώβρης o Νοέµβρης- εκέµβρης 2004 ; 50,8 7

8 Η λύση, µε βάση τη σχέση 1, έχει ως εξής: F 6 ου = (Α 1 ου +Α 2 ου +Α 3 ου +Α 4 ου +Α 5 ου )/5 = ( )/5 = 254/5 F 6 ου = 50,8 χιλιάδες τόνοι Όταν παρέλθει το 6 ο δίµηνο και µάθουµε τις πραγµατικές πωλήσεις γι αυτό (έστω ότι ήταν 49 χιλ. τόνοι), επαναλαµβάνουµε την ίδια διαδικασία για την πρόβλεψη του 7 ου δίµηνου αυτή τη φορά µε n=6: F 7 ου = (Α 1 ου +Α 2 ου +Α 3 ου +Α 4 ου +Α 5 ου +Α 6 ου )/6 = ( )/6 = 303/6 F 7 ου = 50,5 χιλιάδες τόνοι Απλός Κινούµενος Μέσος Όρος (simple moving average) Είναι όµοια µέθοδος µε την προηγούµενη µε τη διαφορά ότι δεν βρίσκουµε το µέσο όρο όλων των διαθέσιµων στοιχείων, αλλά λαµβάνουµε υπ όψιν µόνο τα στοιχεία των n πιο πρόσφατων περιόδων. Αυτό πρακτικά σηµαίνει ότι για την πρόβλεψη δίνουµε βαρύτητα µόνο στα n πιο πρόσφατα δεδοµένα και συνεπώς είναι κρίσιµη η επιλογή του n. Όπως και στον απλό µέσο όρο, έτσι και εδώ, η πρόβλεψη είναι καλή µόνο όταν έχουµε επίπεδο µοτίβο στα δεδοµένα. F t + 1= A + At 1 + At At n + n t + 1 (σχέση 2) Όπου στην περίπτωση αυτή: A t, A t-1,, A t-n+1 είναι τα πιο πρόσφατα στοιχεία και n το πλήθος των πιο πρόσφατων περιόδων. Παράδειγµα 2 Αν θέλουµε να υπολογίσουµε τον απλό κινούµενο µέσο όρο τριών περιόδων (δηλ, επιλέγουµε n=3) για τα δεδοµένα του παραδείγµατος 1, θα λάβουµε υπ όψιν µόνο τις πωλήσεις των τριών τελευταίων διµήνων (δηλ, του 3 ου, 4 ου και 5 ου ). Άρα: F 6 ου = (Α 3 ου +Α 4 ου +Α 5 ου )/3 = ( )/3 = 150/3 F 6 ου = 50 χιλιάδες τόνοι, για n=3 (βλέπε σηµείωση) Κάθε φορά που παίρνουµε καινούργια δεδοµένα (π.χ. αν οι πωλήσεις για το 6 ο δίµηνο ήταν 49 χιλ. τόνοι) λαµβάνουµε πλέον αυτά υπ όψιν και δεν συνυπολογίζουµε την Είναι προφανές ότι αν επιθυµούµε την πρόβλεψη για τέσσερις περιόδους (άρα n=4) θα έχουµε: F ου 6 = (Α ου 2 +Α ου 3 +Α ου 4 +Α ου 5 )/4 = ( )/4 = 203/4 F ου 6 = 50,75 χιλιάδες τόνοι, για n=4 8

9 παλαιότερη περίοδο. Έτσι, όταν γίνουν διαθέσιµα τα πραγµατικά στοιχεία για το 6 ο δίµηνο, τότε (πάντα για n=3) θα χρησιµοποιήσουµε τα στοιχεία του 4 ου, 5 ου και 6 ου διµήνου, µη λαµβάνοντας πλέον υπ όψιν το 3 ο κ.ο.κ. Για το λόγο αυτό άλλωστε λέµε ότι ο µέσος όρος είναι «κινούµενος». F 7 ου = (Α 4 ου +Α 5 ου +Α 6 ου )/3 = ( )/3 = 151/3 = 50,3 χιλ. τόνοι. Οµοίως αν η πραγµατικές πωλήσεις για το 7 ο δίµηνο ήταν 51 χιλ. τόνοι, τότε αντίστοιχα για το 8 ο η πρόβλεψη θα είναι: F 8 ου = (Α 5 ου +Α 6 ου +Α 7 ου )/3 = ( )/3 = 150/3 = 50 χιλ. τόνοι. Το 2 ο παράδειγµα συνοψίζεται στον παρακάτω πίνακα και το διάγραµµα: ίµηνο Πραγµατικές πωλήσεις (σε χιλιάδες τόνους) Πρόβλεψη (σε χιλιάδες τόνους) 1 o Γενάρης-Φλεβάρης o Μάρτης-Απρίλης o Μάης-Ιούνιος o Ιούλιος-Αύγουστος o Σεπτέµβρης-Οκτώβρης o Νοέµβρης- εκέµβρης ο Γενάρης-Φλεβάρης ,3 8 ο Μάρτης-Απρίλης πωλήσεις δίµηνο πρόβλεψη µε κιν. µ.ο. τριών περιόδων 9

10 Εκθετική Εξοµάλυνση Μια άλλη τεχνική για δεδοµένα µε επίπεδο µοτίβο είναι η εκθετική εξοµάλυνση. Το πλεονέκτηµα της µεθόδου αυτής είναι ότι απαιτεί ελάχιστα στοιχεία για τον υπολογισµό της πρόβλεψης. Χρειαζόµαστε: 1. την πρόβλεψη της προηγούµενης περιόδου, 2. την πραγµατική τιµή της προηγούµενης περιόδου και 3. την τιµή της σταθεράς εξοµάλυνσης α (0 α 1). Η εξίσωση υπολογισµού είναι: Πρόβλεψη επόµενης περιόδου = α(πραγµατική τιµή προηγούµενης) + + (1-α)(πρόβλεψη προηγούµενης) Ή µε µαθηµατικούς όρους: F t+1 = αa t + (1-α)F t (σχέση 3) Από την σχέση 3 φαίνεται ότι η σταθερά α είναι ένα µέτρο της βαρύτητας της πιο πρόσφατης πραγµατικής τιµής σε σχέση µε την πιο πρόσφατη πρόβλεψη. Όσο πιο µεγάλο το α, τόσο µεγαλύτερη βαρύτητα θα έχει η πραγµατική τιµή (A t ) και τόσο µικρότερη η προηγούµενη πρόβλεψη (F t ). Η τιµή του α καθορίζεται τόσο από την εµπειρία αυτού που κάνει την πρόβλεψη όσο και από τα χαρακτηριστικά του µεγέθους που θέλουµε να προβλέψουµε: αν εκτιµούµε ότι το µέγεθος έχει σχετική σταθερότητα στο χρόνο τότε θα δώσουµε στο α µικρή τιµή ( ), αν αντίθετα περιµένουµε έντονες µεταβολές τότε τα α θα πάρει µεγαλύτερες τιµές. Όλη η δυσκολία της µεθόδου, λοιπόν, έγκειται στην επιλογή της καταλληλότερης, κάθε φορά, τιµής του α προκειµένου να έχουµε µια ακριβή πρόβλεψη. Τα κυριότερα πλεονεκτήµατα της µεθόδου που την κάνουν ευρέως χρησιµοποιούµενη είναι: 1. η µεγάλη ακρίβεια πρόβλεψης, 2. η ευκολία υπολογισµού, 3. η απαίτηση ελάχιστων δεδοµένων για τον υπολογισµό. Παράδειγµα 3 Ένα λατοµείο χρησιµοποιεί την µέθοδο του κινητού µέσου όρου µε τέσσερις περιόδους για να προβλέψει το κόστος µεταφοράς του επόµενου µήνα. Όµως, λόγω της µεγάλης αύξησης τον τελευταίο καιρό, διαπιστώνει ότι η εκτιµήσεις του δεν έχουν µεγάλη ακρίβεια, όπως φαίνεται και στον παρακάτω πίνακα. Έτσι, αποφασίζει να δώσει µεγαλύτερη βαρύτητα στα δεδοµένα του τελευταίου µήνα και προτιµά τη µέθοδο της εκθετικής εξοµάλυνσης. Με βάση την εµπειρία του, ο υπεύθυνος του λατοµείου αποφασίζει να επιλέξει α = 0,85. 10

11 Μήνας Κόστος µεταφοράς ( /τονοχιλιόµετρο) Πρόβλεψη κόστους µεταφοράς ( /τονοχιλιόµετρο) Γενάρης 0,18 Φλεβάρης 0,19 Μάρτης 0,18 Απρίλης 0,19 Μάης 0,21 0,185 Ιούνιος 0,23 0,193 * Ιούλιος 0,24 0,203 * Αύγουστος ; Για να βρούµε την πρόβλεψη για τον Αύγουστο µε χρήση εκθετικής εξοµάλυνσης θα χρησιµοποιήσουµε τη σχέση 3, µε α = 0,85: F Αύγουστος = 0,85Α Ιουλίου + (1-0,85)F Ιουλίου F Αύγουστος = 0,85(0,24) + (1-0,85)0,203 [κάνουµε χρήση της πρόβλεψης του κινούµενου µ.ο.] F Αύγουστος = 0,235 /τονοχιλίοµετρο Κατά την πρώτη εφαρµογή της εκθετικής εξοµάλυνσης και επειδή µπορεί να µην έχουµε ακόµα στη διάθεσή µας καµία πρόβλεψη για την προηγούµενη περίοδο, µπορούµε να χρησιµοποιήσουµε µια πρόβλεψη από άλλες απλούστερες µεθόδους όπως του απλού µ.ο. ή του κινούµενου µ.ο. Ακριβώς αυτό κάναµε και στο παραπάνω παράδειγµα χρησιµοποιώντας ως F Ιουλίου την πρόβλεψη που είχαµε κάνει µε τη µέθοδο του κινούµενου µ.ο. Με την πάροδο του Αυγούστου, το πραγµατικό κόστος για το µήνα αυτό αποδείχτηκε ότι ήταν 0,25. Αν το λατοµείο εξακολουθούσε να χρησιµοποιεί τη µέθοδο του κινητού µέσου όρου τεσσάρων περιόδων, η πρόβλεψη για τον Αύγουστο θα ήταν 0,218. Είναι φανερό ότι η εκτίµηση µε την µέθοδο της εκθετικής εξοµάλυνσης ήταν στη συγκεκριµένη περίπτωση πολύ πιο κοντά στην πραγµατικότητα από τη µέθοδο του κινούµενο µέσου όρου. Τι θα γινόταν όµως αν είχε επιλεγεί α = 0,1; Τότε, θα είχαµε: F Αύγουστος = 0,1Α Ιουλίου + (1-0,1)F Ιουλίου F Αύγουστος = 0,1(0,24) + (1-0,1). 0,203 F Αύγουστος = 0,207 /τονοχιλίοµετρο ηλαδή, για α = 0,1 η εκτίµηση µε εκθετική εξοµάλυνση ( 0,207) θα ήταν χειρότερη από αυτή µε κινούµενο µ.ο. τεσσάρων περιόδων ( 0,218). Αυτό το παράδειγµα κάνει σαφές ότι η επιλογή του α είναι µια κρίσιµη υποκειµενική διαδικασία που απαιτεί µεγάλη εµπειρία. πρόβλεψη µε χρήση κινητού µέσου όρου τεσσάρων περιόδων 11

12 Τα συγκριτικά αποτελέσµατα για το παραπάνω παράδειγµα φαίνονται στον πίνακα: Μήνας Κόστος µεταφοράς ( /τονοχιλιόµετρο) Πρόβλεψη µε εκθετική εξοµάλυνση ( /τονοχιλιόµετρο) Πρόβλεψη µε κινούµενο µ.ο. 4 περιόδων ( /τονοχιλιόµετρο) α = 0,85 α = 0,1 Γενάρης 0,18 Φλεβάρης 0,19 Μάρτης 0,18 Απρίλης 0,19 Μάης 0,21 0,185 Ιούνιος 0,23 0,193 Ιούλιος 0,24 0,203 Αύγουστος 0,25 0,235 0,207 0,218 Παρατηρούµε ότι στο παραπάνω παράδειγµα τόσο οι προβλέψεις µε εκθετική εξοµάλυνση όσο, ακόµα περισσότερο, µε κινούµενο µ.ο. «υστερούν» των πραγµατικών τιµών. Αυτό συµβαίνει γιατί οι µέθοδοι αυτές είναι κατάλληλες για χρονοσειρές µε επίπεδο µοτίβο. Στην περίπτωση, όπως εδώ, που υπάρχει τάση (στην περίπτωσή µας αυξητική) τότε πρέπει να κάνουµε χρήση άλλων µεθόδων. Μια τέτοια µέθοδος, για γραµµική τάση, περιγράφεται στην παράγραφο: «χρήση γραµµικής παλινδρόµησης για ανάλυση χρονοσειράς». Στην περίπτωση ύπαρξης άλλων µοτίβων (εποχικότητα, κυκλικότητα, µη γραµµική τάση κτλ) χρησιµοποιούνται µέθοδοι που όµως δεν θα εξετάσουµε στα πλαίσια αυτών των σηµειώσεων. 12

13 V. Αιτιακά Μοντέλα Όπως ειπώθηκε, τα µοντέλα αυτά θεωρούν ότι η µεταβλητή που µας ενδιαφέρει να προβλέψουµε (εξαρτηµένη µεταβλητή) είναι συνάρτηση µίας ή περισσότερων άλλων µεταβλητών (ανεξάρτητες µεταβλητές). Η απλούστερη µορφή τέτοιου µοντέλου είναι η απλή γραµµική παλινδρόµηση (linear regression). Γραµµική Παλινδρόµηση Σε αυτήν η σχέση µεταξύ εξαρτηµένης και ανεξάρτητης µεταβλητής είναι γραµµική και µπορεί να παραστεί από τη σχέση: y = a + bx (σχέση 4) Όπου: y η εξαρτηµένη µεταβλητή (το µέγεθος που θέλουµε να προβλέψουµε), x η ανεξάρτητη µεταβλητή (της οποίας τα δεδοµένα γνωρίζουµε), a και b σταθερές της εξίσωσης που πρέπει να υπολογιστούν. Ο υπολογισµός των a και b γίνεται µε τη µέθοδο των ελαχίστων τετραγώνων. Τα τέσσερα βήµατα για τον υπολογισµό της πρόβλεψης είναι τα εξής: Βήµα 1 ο : υπολογίζουµε το b από τη σχέση: b = ( xy) nx y ( x 2 ) nx 2 (σχέση 5) Βήµα 2 ο : υπολογίζουµε το a από τη σχέση: a = y bx (σχέση 6) Βήµα 3 ο : υποκαθιστούµε τα a και b που υπολογίσαµε, στη σχέση 4 Βήµα 4 ο : κάνουµε χρήση της εξίσωσης που κατασκευάσαµε για να βρούµε την πρόβλεψη για το y. Στις παραπάνω σχέσεις είναι: x η µέση τιµή των x, y η µέση τιµή των y. Παράδειγµα 4 Μια ιαπωνική χαλυβουργία καταγράφει τη σχέση µεταξύ των εγχώριων πωλήσεών της σε πλατέα προϊόντα (ρόλλους και ελάσµατα χάλυβα) και της ολικής 13

14 χωρητικότητας των πλοίων που βρίσκονται στο στάδιο του σχεδιασµού στα ιαπωνικά ναυπηγεία. Τα στοιχεία για τα προηγούµενα τέσσερα χρόνια φαίνονται στον πίνακα: Πωλήσεις (σε χιλιάδες τόνους) Ολική χωρητικότητα (σε εκατ. κ.ο.χ. ) Η χαλυβουργία θέλει να χρησιµοποιήσει γραµµική παλινδρόµηση για να κάνει εκτίµηση των πωλήσεών της αν το επίπεδο της ναυπήγησης νέων πλοίων πέσει στους 53 εκατοµµύρια κ.ο.χ. Στην περίπτωση αυτή υποθέτουµε ότι υπάρχει γραµµική σχέση µε εξαρτηµένη µεταβλητή (y) τις πωλήσεις και ανεξάρτητη (x) τη χωρητικότητα. Για τον υπολογισµό της εξίσωσης της γραµµικής παλινδρόµησης κατασκευάζουµε τον παρακάτω πίνακα: x y xy x Σύνολα Υπολογίζουµε και τις µέσες τιµές x και y : x = xi = 205/4 = 51,25 και y = n yi = 589/4 = 147,25 n Τώρα ακολουθούµε τα τέσσερα βήµατα: ( 1. b = ( xy) nx y x 2 ) nx 2 = [ (51,25)(147,25)]/[ (51,25) 2 ] = =(95,75)/(26,75) = 3,6 2. a = y bx = 147,25 (3,6)(51,25) = -37,25 3. y = a + bx y = -37,25 + 3,6x 4. Για να βρούµε την πρόβλεψη πωλήσεων για χωρητικότητα 53 εκατοµµύρια κ.ο.χ. αντικαθιστούµε στην εξίσωση που υπολογίσαµε, όπου x = 53: y = -37,25 + 3,6 (53) = 153,55 χιλιάδες τόνοι ή τόνοι κ.ο.χ. = κόροι ολικής χωρητικότητας 14

15 Χρήση της γραµµικής παλινδρόµησης στην ανάλυση χρονοσειράς Όταν σε µια χρονοσειρά υπάρχει µια γραµµική τάση (ανοδική ή καθοδική), τότε µπορούµε να κάνουµε χρήση της γραµµικής παλινδρόµησης για να ποσοτικοποιήσουµε την τάση αυτή και να τη χρησιµοποιήσουµε για την πρόβλεψη. Αυτό µπορεί να γίνει θεωρώντας ως ανεξάρτητη µεταβλητή (x) τον χρόνο. Παράδειγµα 5 Η ετήσια ζήτηση για παλαιοσίδηρο (scrap) τα τελευταία τέσσερα χρόνια φαίνεται στον πίνακα: Έτος Ζήτηση scrap (χιλιάδες τόνοι) Θα χρησιµοποιήσουµε γραµµική παλινδρόµηση για να προβλέψουµε τη ζήτηση για το Όπως και πρoηγούµενα, φτιάχνουµε τον ακόλουθο πίνακα: Έτος Ζήτηση x y xy x Σύνολα x = 2.5 και y = ( 1. b = ( xy) nx y x 2 ) nx 2 = [ (2,5)(2.375)]/[30 4(2,5) 2 ] = 250/5 = a = y bx = (50)(2,5) = y = a + bx = x 4. Για τον πέµπτο χρόνο (x = 5) η ζήτηση θα είναι: y = (5) = χιλιάδες τόνοι. 15

16 VI. Ακρίβεια Πρόβλεψης Σφάλµα Πρόβλεψης Είναι η διαφορά µεταξύ πρόβλεψης και πραγµατικής τιµής για µια δεδοµένη περίοδο: Όπου: E t το σφάλµα για την περίοδο t, A t η πραγµατική τιµή για την περίοδο t, F t η πρόβλεψη για την περίοδο t. MAD και MSE E t = A t - F t (σχέση 7) Για να έχουµε µια πληρέστερη εικόνα του σφάλµατος σε βάθος χρόνου χρησιµοποιούµε τα µεγέθη της Μέσης Απόλυτης Απόκλισης (mean absolute deviation, MAD) ή/και του Μέσου Τετραγωνισµένου Σφάλµατος (mean squared error, MSE). Όσο µικρότερη είναι η τιµή των µεγεθών αυτόν, τόσο µεγαλύτερη η ακρίβεια. Με τα µεγέθη αυτά µπορούµε να ελέγξουµε την ακρίβεια των µεθόδων πρόβλεψης και να επιλέξουµε τη βελτιστότερη. MAD = MSE = E t (σχέση 8) n 2 E t (σχέση 9) n 1 Όπου: E t το σφάλµα για την περίοδο t, n το πλήθος των περιόδων που χρησιµοποιούµε για τον υπολογισµό. Παράδειγµα 6 Ο µηχανικός ασφαλείας ενός εργοστάσιου θέλει να συγκρίνει την ακρίβεια δύο µεθόδων (Α και Β) που χρησιµοποίησε για την πρόβλεψη του αριθµού ελαφρών τραυµατισµών του προσωπικού κατά τα πέντε προηγούµενα δίµηνα (άρα n = 5). Τα στοιχεία φαίνονται στον πίνακα: 16

17 ίµηνο Τραυµατισµοί Μέθοδος Α Μέθοδος Β (πλήθος) Πρόβλεψη Σφάλµα Et 2 E t Πρόβλεψη Σφάλµα Et 2 E t A t F t E t (A t -F t ) F t E t (A t -F t ) 1 ο ο ο ο ο Σύνολα Ακρίβεια για τη µέθοδο Α: MAD = MSE = E t = 5/5 = 1 n 2 E t = 7/4 = 1,75 n 1 Ακρίβεια για τη µέθοδο Β: MAD = MSE = E t = 10/5 = 2 n 2 E t = 30/4 = 7,5 n 1 Είναι προφανές ότι η ακρίβεια της µεθόδου Α είναι καλύτερη τόσο µε τη µορφή του MAD όσο και του MSE αφού έχουν και τα δύο µικρότερη τιµή από τα αντίστοιχα της µεθόδου Β. 17

18 VII. Βιβλιογραφία Chase, R., Aquilano, N., Jacobs, R. (1998). Production and Operations Management: Manufacturing and Services, 8 th edition, Irwin McGraw-Hill. Heizer, J., Render, B. (1991). Production and Operations Management, 2 nd edition, Allyn & Bacon publishers. Reid, D, Sanders, N. (2002). Operations Management, 1 st edition, John Wiley & Sons.! Τα δύο πρώτα βιβλία, καθώς και πολλά άλλα βιβλία σχετικά µε την επιστήµη της πρόβλεψης και εν γένει το operations management είναι διαθέσιµα από την Κεντρική Βιβλιοθήκη του Ε.Μ.Π. 18

ΧΡΟΝΟΣΕΙΡΕΣ. Διαχείριση Πληροφοριών

ΧΡΟΝΟΣΕΙΡΕΣ. Διαχείριση Πληροφοριών ΧΡΟΝΟΣΕΙΡΕΣ Μία χρονοσειρά είναι ένα σύνολο παρατηρήσεων πάνω σε μία ποσοτική μεταβλητή που συγκεντρώνονται με το πέρασμα του χρόνου. Πρόκειται για δεδομένα πάνω στη συμπεριφορά μιας ή πολλών μεταβλητών

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων. Προβλέψεις

Τεχνικές Προβλέψεων. Προβλέψεις ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & StrategyUnit Τεχνικές Προβλέψεων Προβλέψεις http://www.fsu.gr - lesson@fsu.gr

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων. Προβλέψεις

Τεχνικές Προβλέψεων. Προβλέψεις ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Προβλέψεις http://www.fsu.gr - lesson@fsu.gr

Διαβάστε περισσότερα

ΤΙ ΕIΝΑΙ ΠΡΟΒΛΕΨΕΙΣ; Διαδικασία εκτίμησης μελλοντικών καταστάσεων βασιζόμενη συνήθως σε ιστορικά στοιχεία

ΤΙ ΕIΝΑΙ ΠΡΟΒΛΕΨΕΙΣ; Διαδικασία εκτίμησης μελλοντικών καταστάσεων βασιζόμενη συνήθως σε ιστορικά στοιχεία ΤΙ ΕIΝΑΙ ΠΡΟΒΛΕΨΕΙΣ; Διαδικασία εκτίμησης μελλοντικών καταστάσεων βασιζόμενη συνήθως σε ιστορικά στοιχεία Πρόβλεψη μελλοντικών γεγονότων για: Σχεδιασμό, Οργάνωση και Έλεγχο των πόρων Λήψη επιχειρηματικών

Διαβάστε περισσότερα

ΗΡΑΚΛΕΙΟ 2007 ΙΩΑΝΝΑ ΚΑΠΕΤΑΝΟΥ

ΗΡΑΚΛΕΙΟ 2007 ΙΩΑΝΝΑ ΚΑΠΕΤΑΝΟΥ ΙΩΑΝΝΑ ΚΑΠΕΤΑΝΟΥ ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΗ 1.1 Γιατί οι επιχειρήσεις έχουν ανάγκη την πρόβλεψη σελ.1 1.2 Μέθοδοι πρόβλεψης....σελ.2 ΑΝΑΛΥΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ 2.1 Υπόδειγμα του Κινητού μέσου όρου.σελ.5 2.2 Υπόδειγμα

Διαβάστε περισσότερα

Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Επιλογή Μεθόδου Συνδυασμός Μεθόδου Διάλεξη 10

Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Επιλογή Μεθόδου Συνδυασμός Μεθόδου Διάλεξη 10 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Επιλογή Μεθόδου Συνδυασμός Μεθόδου Διάλεξη 10 Επιλογή κατάλληλης

Διαβάστε περισσότερα

Διαχείριση Εφοδιαστικής Αλυσίδας

Διαχείριση Εφοδιαστικής Αλυσίδας Διαχείριση Εφοδιαστικής Αλυσίδας 3 η Διάλεξη: Μέθοδοι & Τεχνικές πρόβλεψης ζήτησης (demand forecasting) 2017 Τμήμα Μηχανικών Οικονομίας & Διοίκησης Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών

Διαβάστε περισσότερα

Μεθοδολογίες παρεµβολής σε DTM.

Μεθοδολογίες παρεµβολής σε DTM. Μάθηµα : Αλγοριθµικές Βάσεις στη Γεωπληροφορική ιδάσκων : Συµεών Κατσουγιαννόπουλος Μεθοδολογίες παρεµβολής σε DTM.. Μέθοδοι παρεµβολής. Η παρεµβολή σε ψηφιακό µοντέλο εδάφους (DTM) είναι η διαδικασία

Διαβάστε περισσότερα

Εθνικό Μετσόβιο Πολυτεχνείο Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών. Μάθημα: Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών

Εθνικό Μετσόβιο Πολυτεχνείο Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών. Μάθημα: Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών Μάθημα: Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών 4. Διαχείριση Αλυσίδας Προμηθειών Μέθοδοι Προβλέψεων Μάθημα: Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών Περιεχόμενα 4.1 Διαχείριση Αλυσίδας Προμηθειών Στοιχεία

Διαβάστε περισσότερα

ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ

ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΔΙΑΧΕΙΡΙΣΗ ΚΑΙ ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα

Διαβάστε περισσότερα

Μεταπτυχιακό Πρόγραμμα : Τεχνο-οικονομικά Συστήματα

Μεταπτυχιακό Πρόγραμμα : Τεχνο-οικονομικά Συστήματα Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών 1 1 8. Προβλέψεις & Ζήτηση Εισηγητής : Επικ. Καθ. Δ. Ασκούνης Περιεχόμενα 2 Στοιχεία και Διαχείριση Ζήτησης Ποιοτικές Μέθοδοι Προβλέψεων Μέθοδος Delphi Ποσοτικές

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ. ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΕΝΟΤΗΤΑ 4η ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ ΓΙΑΝΝΗΣ ΦΑΝΟΥΡΓΙΑΚΗΣ ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΣΥΝΕΡΓΑΤΗΣ ΤΕΙ ΚΡΗΤΗΣ ΔΟΜΗ ΠΑΡΟΥΣΙΑΣΗΣ 1. Εισαγωγή

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ιαφάνειες για το µάθηµα Information Management ΑθανάσιοςΝ. Σταµούλης 1 ΠΗΓΗ Κονδύλης Ε. (1999) Στατιστικές τεχνικές διοίκησης επιχειρήσεων, Interbooks 2 1 Γραµµική παλινδρόµηση Είναι

Διαβάστε περισσότερα

ΔΙΑΛΕΞΗ8 η : Μέθοδοι και τεχνικές πρόβλεψης ζήτησης

ΔΙΑΛΕΞΗ8 η : Μέθοδοι και τεχνικές πρόβλεψης ζήτησης Διοίκηση Λειτουργιών ΔΙΑΛΕΞΗ8 η : Μέθοδοι και τεχνικές πρόβλεψης ζήτησης Δρ. Β. Ζεϊμπέκης (vzeimp@fme.aegean.gr) Τμήμα Μηχανικών Οικονομίας & Διοίκησης Πολυτεχνική Σχολή, Πανεπιστήμιο Αιγαίου Copyright

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ Ενότητα 6

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ Ενότητα 6 Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ Ενότητα 6: Διαχείριση και Πρόβλεψη Ζήτησης Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται

Διαβάστε περισσότερα

Forecasting Εισαγωγή στην Πρόγνωση

Forecasting Εισαγωγή στην Πρόγνωση Forecasting Εισαγωγή στην Πρόγνωση Πρόγνωση Ορισμός Αντί προλόγου Εφαρμογές Εφοδιαστική Ορισμός: [

Διαβάστε περισσότερα

ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ

ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ απόκλιση από την κανονικότητα µπορεί να σηµαίνει Ύπαρξη θετικής ή αρνητικής ασυµµετρίας Ύπαρξη λεπτοκύρτωσης, δηλαδή παρουσία ακραίων τιµών που δεν είναι συµβατές

Διαβάστε περισσότερα

ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΖΗΤΗΣΗΣ

ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΖΗΤΗΣΗΣ ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΖΗΤΗΣΗΣ Η δυνατότητα μιας επιχείρησης να προβλέπει με ακρίβεια τη ζήτηση των πελατών είναι εξαιρετικά σημαντική και συχνά χαρακτηρίζεται ως συγκριτικό πλεονέκτημα.

Διαβάστε περισσότερα

Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις

Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο

Διαβάστε περισσότερα

ΣΥΝΘΕΤΑ ΜΟΝΤΕΛΑ. Αριθμητικός Μέσος Εξομάλυνση Μοντελοποίηση. Συνδυασμός κάποιου μοντέλου και εξομάλυνσης. Διαχείριση Πληροφοριών 10.

ΣΥΝΘΕΤΑ ΜΟΝΤΕΛΑ. Αριθμητικός Μέσος Εξομάλυνση Μοντελοποίηση. Συνδυασμός κάποιου μοντέλου και εξομάλυνσης. Διαχείριση Πληροφοριών 10. ΣΥΝΘΕΤΑ ΜΟΝΤΕΛΑ Αριθμητικός Μέσος Εξομάλυνση Μοντελοποίηση Συνδυασμός κάποιου μοντέλου και εξομάλυνσης 10.1 ΑΡΙΘΜΗΤΙΚΟΣ ΜΕΣΟΣ Βασική έννοια στη Στατιστική Σημαντική για την κατανόηση προβλέψεων που βασίζονται

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit Τεχνικές Προβλέψεων 2 η Ενότητα http://www.fsu.gr -

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων. Προετοιμασία & Ανάλυση Χρονοσειράς

Τεχνικές Προβλέψεων. Προετοιμασία & Ανάλυση Χρονοσειράς ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Προετοιμασία & Ανάλυση Χρονοσειράς http://www.fsu.gr

Διαβάστε περισσότερα

Γραµµικός Προγραµµατισµός - Μέθοδος Simplex

Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Η πλέον γνωστή και περισσότερο χρησιµοποιηµένη µέθοδος για την επίλυση ενός γενικού προβλήµατος γραµµικού προγραµµατισµού, είναι η µέθοδος Simplex η οποία αναπτύχθηκε

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΡΩΤΟ-ΔΕΥΤΕΡΟ-ΣΤΑΣΙΜΟΤΗΤΑ- ΕΠΟΧΙΚΟΤΗΤΑ-ΚΥΚΛΙΚΗ ΤΑΣΗ ΧΡΗΣΙΜΟΙΟΡΙΣΜΟΙ Χρονολογική Σειρά (χρονοσειρά)

Διαβάστε περισσότερα

Ανάλυση και Πρόβλεψη Χρονοσειρών

Ανάλυση και Πρόβλεψη Χρονοσειρών ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΥΠΟΛΟΓΙΣΤΙΚΗ ΦΥΣΙΚΗ Ανάλυση και Πρόβλεψη Χρονοσειρών Διπλωματική εργασία της Γεωργίας Μαργιά

Διαβάστε περισσότερα

Ανάλυση χρονοσειρών ΚΕΦΑΛΑΙΟ 8. Εισαγωγή

Ανάλυση χρονοσειρών ΚΕΦΑΛΑΙΟ 8. Εισαγωγή ΚΕΦΑΛΑΙΟ 8 Ανάλυση χρονοσειρών Εισαγωγή Η ανάλυση χρονοσειρών αποσκοπεί στην ανεύρεση των χαρακτηριστικών εκείνων που συµβάλουν στην κατανόηση της ιστορικής συµπεριφοράς µιας µεταβλητής και επιτρέπουν

Διαβάστε περισσότερα

Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Αποσύνθεση Χρονοσειράς Διάλεξη 2

Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Αποσύνθεση Χρονοσειράς Διάλεξη 2 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Αποσύνθεση Χρονοσειράς Διάλεξη 2 Αποσύνθεση (Decomposition)

Διαβάστε περισσότερα

ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓΗ Άσκηση 1. Λύση

ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓΗ Άσκηση 1. Λύση ΣΥΣΤΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓΗ Άσκηση 1 Η εταιρεία Ζ εξετάζει την πιθανότητα κατασκευής ενός νέου, πρόσθετου εργοστασίου για την παραγωγή ενός νέου προϊόντος. Έτσι έχει δυο επιλογές: Η πρώτη αφορά στην

Διαβάστε περισσότερα

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 9 ο 9.1 ηµιουργία µοντέλων πρόβλεψης 9.2 Απλή Γραµµική Παλινδρόµηση 9.3 Αναλυτικά για το ιάγραµµα ιασποράς

Διαβάστε περισσότερα

Βασικές Έννοιες Στατιστικής & Μέθοδοι Πρόβλεψης

Βασικές Έννοιες Στατιστικής & Μέθοδοι Πρόβλεψης ΜΕΡΟΣ Βασικές Έννοιες Στατιστικής & Μέθοδοι Πρόβλεψης Εισαγωγή Περιγραφή μεθόδων πρόβλεψης Οι μέθοδοι προβλέψεων χωρίζονται σε 3 μεγάλες κατηγορίες Α. Με βάση τον ορίζοντα προγραμματισμού. βραχυπρόθεσμες.

Διαβάστε περισσότερα

Προγραμματισμός Ζήτησης και Προμηθειών της ΕΑ. Δημοκρίτειο Πανεπιστήμιο, Τμήμα Μηχανικών Παραγωγής & Διοίκησης 1

Προγραμματισμός Ζήτησης και Προμηθειών της ΕΑ. Δημοκρίτειο Πανεπιστήμιο, Τμήμα Μηχανικών Παραγωγής & Διοίκησης 1 Προγραμματισμός Ζήτησης και Προμηθειών της ΕΑ Δημοκρίτειο Πανεπιστήμιο, Τμήμα Μηχανικών Παραγωγής & Διοίκησης 1 4. Πρόβλεψη Ζήτησης στην ΕΑ Δημοκρίτειο Πανεπιστήμιο, Τμήμα Μηχανικών Παραγωγής & Διοίκησης

Διαβάστε περισσότερα

Οι θεµελιώδεις έννοιες που απαιτούνται στη Επαγωγική Στατιστική (Εκτιµητική, ιαστήµατα Εµπιστοσύνης και Έλεγχοι Υποθέσεων) είναι:

Οι θεµελιώδεις έννοιες που απαιτούνται στη Επαγωγική Στατιστική (Εκτιµητική, ιαστήµατα Εµπιστοσύνης και Έλεγχοι Υποθέσεων) είναι: Κατανοµές ειγµατοληψίας 1.Εισαγωγή Οι θεµελιώδεις έννοιες που απαιτούνται στη Επαγωγική Στατιστική (Εκτιµητική, ιαστήµατα Εµπιστοσύνης και Έλεγχοι Υποθέσεων) είναι: 1. Στατιστικής και 2. Κατανοµής ειγµατοληψίας

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων. 2η Ενότητα Προετοιμασία & Ανάλυση Χρονοσειράς

Τεχνικές Προβλέψεων. 2η Ενότητα Προετοιμασία & Ανάλυση Χρονοσειράς ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 2η Ενότητα Προετοιμασία & Ανάλυση Χρονοσειράς

Διαβάστε περισσότερα

T (K) m 2 /m

T (K) m 2 /m Ορθοί και λανθασµένοι τρόποι απεικονίσεως δεδοµένων σε διάγραµµα Από µετρήσεις σηµείου ζέσεως σειράς διαλυµάτων προκύπτουν τα εξής δεδοµένα: m /m.5..5..5.55.. Σύµφωνα µε την θεωρία τα δεδοµένα πρέπει να

Διαβάστε περισσότερα

Στατιστική για Πολιτικούς Μηχανικούς Λυμένες ασκήσεις μέρους Β

Στατιστική για Πολιτικούς Μηχανικούς Λυμένες ασκήσεις μέρους Β Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Στατιστική για Πολιτικούς Μηχανικούς Λυμένες ασκήσεις μέρους Β Κουγιουμτζής Δημήτρης Τμήμα Πολιτικών Μηχανικών Α.Π.Θ. Θεσσαλονίκη, Μάρτιος 4 Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

ΕΛΕΓΧΟΙ ΠΡΟΣΑΡΜΟΓΗΣ & ΥΠΟΘΕΣΕΩΝ

ΕΛΕΓΧΟΙ ΠΡΟΣΑΡΜΟΓΗΣ & ΥΠΟΘΕΣΕΩΝ ΕΛΕΓΧΟΙ ΠΡΟΣΑΡΜΟΓΗΣ & ΥΠΟΘΕΣΕΩΝ Μετά από την εκτίµηση των παραµέτρων ενός προσοµοιώµατος, πρέπει να ελέγχουµε την αλήθεια της υποθέσεως που κάναµε. Είναι ορθή η υπόθεση που κάναµε? Βεβαίως συνήθως υπάρχουν

Διαβάστε περισσότερα

1.2 Απλός Κινητός Μέσος (Simple -equally-weighted- Moving Average)

1.2 Απλός Κινητός Μέσος (Simple -equally-weighted- Moving Average) Μέθοδοι Εξομάλυνσης Οι διαδικασίες της εξομάλυνσης (smoohig και της παρεμβολής (ierpolaio αποτελούν ένα περίπλοκο πεδίο έρευνας και γνώσης και έχουν άμεση πρακτική εφαρμογή στις οικονομικές επιστήμες..

Διαβάστε περισσότερα

Κεφάλαιο 1: Στρατηγική Παραγωγικής Διαδικασίας

Κεφάλαιο 1: Στρατηγική Παραγωγικής Διαδικασίας Κ1.1: Αναμενόμενες Χρηματικές Αξίες (ΑΧΑ) Οι ΑΧΑ ορίζονται ως η πιθανότητα ενός ενδεχόμενου επί το καθαρό ή μεικτό κέρδος (ή κόστος) του ενδεχόμενου συν η πιθανότητα του άλλου ενδεχόμενου επί το καθαρό

Διαβάστε περισσότερα

Kεφάλαιο 10. Πόσα υποπαίγνια υπάρχουν εδώ πέρα; 2 υποπαίγνια.

Kεφάλαιο 10. Πόσα υποπαίγνια υπάρχουν εδώ πέρα; 2 υποπαίγνια. Kεφάλαιο 10 Θα δούµε ένα δύο παραδείγµατα να ορίσουµε/ µετρήσουµε τα υποπαίγνια και µετά θα λύσουµε και να βρούµε αυτό που λέγεται τέλεια κατά Nash ισορροπία. Εδώ θα δούµε ένα παίγνιο όπου έχουµε µια επιχείρηση

Διαβάστε περισσότερα

Γραµµική Άλγεβρα. Εισαγωγικά. Μέθοδος Απαλοιφής του Gauss

Γραµµική Άλγεβρα. Εισαγωγικά. Μέθοδος Απαλοιφής του Gauss Γραµµική Άλγεβρα Εισαγωγικά Υπάρχουν δύο βασικά αριθµητικά προβλήµατα στη Γραµµική Άλγεβρα. Το πρώτο είναι η λύση γραµµικών συστηµάτων Aλγεβρικών εξισώσεων και το δεύτερο είναι η εύρεση των ιδιοτιµών και

Διαβάστε περισσότερα

Διαχείριση Εφοδιαστικής Αλυσίδας II

Διαχείριση Εφοδιαστικής Αλυσίδας II Διαχείριση Εφοδιαστικής Αλυσίδας II 10 η Διάλεξη: Ποσοτικές μέθοδοι πρόβλεψης ζήτησης 2019 Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών Αναφορές Οι σημειώσεις έχουν βασιστεί σε 1. Διπλωματική

Διαβάστε περισσότερα

Διοίκηση Λειτουργιών. τετράδιο 8

Διοίκηση Λειτουργιών. τετράδιο 8 Λορέντζος Χαζάπης Γιάννης Ζάραγκας Διοίκηση Λειτουργιών τα τετράδια μιας Οδύσσειας τετράδιο 8 Η πρόβλεψη της ζήτησης Αθήνα 2012 τετράδιο 8 Η πρόβλεψη της ζήτησης ΠΕΡΙΛΗΨΗ Ο Γιάννης έχει πρόβλημα καθορισμού

Διαβάστε περισσότερα

2η Ενότητα Προετοιμασία & Ανάλυση Χρονοσειράς. -

2η Ενότητα Προετοιμασία & Ανάλυση Χρονοσειράς.  - ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 2η Ενότητα Προετοιμασία & Ανάλυση Χρονοσειράς

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΒΛΕΨΕΙΣ ΠΩΛΗΣΕΩΝ ΤΩΝ Ι.Χ. ΑΥΤΟΚΙΝΗΤΩΝ ΣΕ ΔΕΚΑΠΕΝΤΕ ΧΩΡΕΣ ΜΕΛΗ ΤΗΣ ΕΥΡΩΠΑΪΚΗΣ

Διαβάστε περισσότερα

Κεφάλαιο 7 Βασικά Θεωρήµατα του ιαφορικού Λογισµού

Κεφάλαιο 7 Βασικά Θεωρήµατα του ιαφορικού Λογισµού Σελίδα 1 από Κεφάλαιο 7 Βασικά Θεωρήµατα του ιαφορικού Λογισµού Στο κεφάλαιο αυτό θα ασχοληθούµε µε τα βασικά θεωρήµατα του διαφορικού λογισµού καθώς και µε προβλήµατα που µπορούν να επιλυθούν χρησιµοποιώντας

Διαβάστε περισσότερα

x y max(x))

x y max(x)) ΚΕΦΑΛΑΙΟ 0 Απλή Γραµµική Παλινδρόµηση Μωυσιάδης Χρόνης 6 o Εξάµηνο Μαθηµατικών Ένα Πρόβληµα εδοµένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 y 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Έχει σχέση το yµε το ; Ειδικότερα

Διαβάστε περισσότερα

Κεφάλαιο 1: Στρατηγική Παραγωγικής Διαδικασίας

Κεφάλαιο 1: Στρατηγική Παραγωγικής Διαδικασίας Κεφάλαιο 1: Στρατηγική Παραγωγικής Διαδικασίας Κ1.1: Αναμενόμενες Χρηματικές Αξίες (ΑΧΑ) Οι ΑΧΑ ορίζονται ως η πιθανότητα ενός ενδεχόμενου επί το καθαρό ή μεικτό κέρδος (ή κόστος) του ενδεχόμενου συν η

Διαβάστε περισσότερα

Περίληψη ιπλωµατικής Εργασίας

Περίληψη ιπλωµατικής Εργασίας Περίληψη ιπλωµατικής Εργασίας Θέµα: Εναλλακτικές Τεχνικές Εντοπισµού Θέσης Όνοµα: Κατερίνα Σπόντου Επιβλέπων: Ιωάννης Βασιλείου Συν-επιβλέπων: Σπύρος Αθανασίου 1. Αντικείµενο της διπλωµατικής Ο εντοπισµός

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit Τεχνικές Προβλέψεων 1 η Ενότητα http://fsu.ece.ntua.gr

Διαβάστε περισσότερα

) = a ο αριθµός των µηχανών n ο αριθµός των δειγµάτων που παίρνω από κάθε µηχανή

) = a ο αριθµός των µηχανών n ο αριθµός των δειγµάτων που παίρνω από κάθε µηχανή Ανάλυση Συνδιακύµανσης Alsis of Covrice Η ανάλυση συνδιακύµανσης είναι µία άλλη τεχνική για να βελτιώσουµε την ακρίβεια της προσέγγισης του µοντέλου µας στο πείραµα. Ας υποθέσουµε ότι σ ένα πείραµα εκτός

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΧΡΟΝΟΣΕΙΡΩΝ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΑΝΑΛΥΣΗ ΧΡΟΝΟΣΕΙΡΩΝ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΝΑΛΥΣΗ ΧΡΟΝΟΣΕΙΡΩΝ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΣΠΟΥΔΑΣΤΡΙΑ : ΖΙΟΥΑΛΜΑ ΜΑΡΙΑ ΕΠΟΠΤΕΥΩΝ

Διαβάστε περισσότερα

Είδαµε στο προηγούµενο κεφάλαιο ότι, όταν τα δεδοµένα που χρησιµοποιούνται σε ένα υπόδειγµα, δεν προέρχονται από στάσιµες χρονικές σειρές έχουµε το

Είδαµε στο προηγούµενο κεφάλαιο ότι, όταν τα δεδοµένα που χρησιµοποιούνται σε ένα υπόδειγµα, δεν προέρχονται από στάσιµες χρονικές σειρές έχουµε το ΜΑΘΗΜΑ 9ο ΣΥΝΟΛΟΚΛΗΡΩΣΗ (Έννοιες, Ορισµοί) Είδαµε στο προηγούµενο κεφάλαιο ότι, όταν τα δεδοµένα που χρησιµοποιούνται σε ένα υπόδειγµα, δεν προέρχονται από στάσιµες χρονικές σειρές έχουµε το πρόβληµα της

Διαβάστε περισσότερα

ΣΥΝΙΣΤΩΣΕΣ ΜΙΑΣ ΧΡΟΝΟΣΕΙΡΑΣ

ΣΥΝΙΣΤΩΣΕΣ ΜΙΑΣ ΧΡΟΝΟΣΕΙΡΑΣ 9-1 ΣΥΝΙΣΤΩΣΕΣ ΜΙΑΣ ΧΡΟΝΟΣΕΙΡΑΣ Χρονοσειρά (Time Series) είναι η καταγραφή δεδομένων κατά τη διάρκεια μιας χρονικής περιόδου. Η καταγραφή αυτή μπορεί να είναι ημερήσια, εβδομαδιαία, μηνιαία, τριμηνιαία,

Διαβάστε περισσότερα

ΘΕΑΝΩ ΕΡΙΦΥΛΗ ΜΟΣΧΟΝΑ ΣΥΜΠΛΗΡΩΜΑΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ

ΘΕΑΝΩ ΕΡΙΦΥΛΗ ΜΟΣΧΟΝΑ ΣΥΜΠΛΗΡΩΜΑΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΑΝΩ ΕΡΙΦΥΛΗ ΜΟΣΧΟΝΑ ΣΥΜΠΛΗΡΩΜΑΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ Πρόβληµα µεταφοράς Η ανάπτυξη και διαµόρφωση του προβλήµατος µεταφοράς αναπτύσσεται στις σελίδες 40-45 του βιβλίου των

Διαβάστε περισσότερα

ΕΠΙΤΑΧΥΝΣΗ- ΕΠΙΤΑΧΥΝΟΜΕΝΗ ΚΙΝΗΣΗ

ΕΠΙΤΑΧΥΝΣΗ- ΕΠΙΤΑΧΥΝΟΜΕΝΗ ΚΙΝΗΣΗ ΕΠΙΤΑΧΥΝΣΗ- ΕΠΙΤΑΧΥΝΟΜΕΝΗ ΚΙΝΗΣΗ Η ταχύτητα συνήθως δεν παραµένει σταθερή Ας υποθέσουµε ότι ένα αυτοκίνητο κινείται σε ευθύγραµµο δρόµο µε ταχύτητα k 36. Ο δρόµος είναι ανοιχτός και ο οδηγός αποφασίζει

Διαβάστε περισσότερα

ΣΕΙΡΕΣ TAYLOR. Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων. Πολυώνυµο είναι κάθε συνάρτηση της µορφής:

ΣΕΙΡΕΣ TAYLOR. Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων. Πολυώνυµο είναι κάθε συνάρτηση της µορφής: ΣΕΙΡΕΣ TAYLOR Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων Πολυώνυµο είναι κάθε συνάρτηση της µορφής: p( ) = a + a + a + a + + a, όπου οι συντελεστές α i θα θεωρούνται

Διαβάστε περισσότερα

Γενικές Παρατηρήσεις για τις Εργαστηριακές Ασκήσεις Φυσικοχηµείας

Γενικές Παρατηρήσεις για τις Εργαστηριακές Ασκήσεις Φυσικοχηµείας Γενικές Παρατηρήσεις για τις Εργαστηριακές Ασκήσεις Φυσικοχηµείας Σκοπός των ασκήσεων είναι η κατανόηση φυσικών φαινοµένων και µεγεθών και η µέτρησή τους. Η κατανόηση αρχίζει µε την µελέτη των σηµειώσεων,

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ & ΣΥΣΤΗΜΑΤΩΝ ΥΠΗΡΕΣΙΩΝ

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ & ΣΥΣΤΗΜΑΤΩΝ ΥΠΗΡΕΣΙΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ & ΣΥΣΤΗΜΑΤΩΝ ΥΠΗΡΕΣΙΩΝ Ασκήσεις Αθήνα, Ιανουάριος 2010 Εργαστήριο Συστημάτων Αποφάσεων & Διοίκησης ΣΥΣΤΗΜΑΤΑ

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)

Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA) ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου

Διαβάστε περισσότερα

Αριθµητική Ανάλυση. Ενότητα 5 Προσέγγιση Συναρτήσεων. Ν. Μ. Μισυρλής. Τµήµα Πληροφορικής και Τηλεπικοινωνιών,

Αριθµητική Ανάλυση. Ενότητα 5 Προσέγγιση Συναρτήσεων. Ν. Μ. Μισυρλής. Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Αριθµητική Ανάλυση Ενότητα 5 Προσέγγιση Συναρτήσεων Ν. Μ. Μισυρλής Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Καθηγητής: Ν. Μ. Μισυρλής Αριθµητική Ανάλυση - Ενότητα 5 1 / 55 Παρεµβολή Ας υποθέσουµε ότι δίνονται

Διαβάστε περισσότερα

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

Αριθµητική Ανάλυση 1 εκεµβρίου / 43 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι

Διαβάστε περισσότερα

Διοίκηση Παραγωγής και Υπηρεσιών

Διοίκηση Παραγωγής και Υπηρεσιών Διοίκηση Παραγωγής και Υπηρεσιών Παρουσίαση Μαθήματος Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Στόχος του μαθήματος Το μάθημα αποσκοπεί στην εισαγωγή του φοιτητή σε θέματα που αφορούν στο σχεδιασμό,

Διαβάστε περισσότερα

11ο Πανελλήνιο Συνέδριο της ΕΕΦ, Λάρισα 30-31/03, 1-2/04/2006. Πρακτικά Συνεδρίου

11ο Πανελλήνιο Συνέδριο της ΕΕΦ, Λάρισα 30-31/03, 1-2/04/2006. Πρακτικά Συνεδρίου ο Πανελλήνιο Συνέδριο της ΕΕΦ, Λάρισα 30-3/03, -/04/006. Πρακτικά Συνεδρίου Έµµεσες µετρήσεις φυσικών µεγεθών. Παράδειγµα: Ο πειραµατικός υπολογισµός του g µέσω της µέτρησης του χρόνου των αιωρήσεων απλού

Διαβάστε περισσότερα

1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος

1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος Έλεγχοι Υποθέσεων 1. Εισαγωγή Ο έλεγχος υποθέσεων αναφέρεται στις ιδιότητες µιας άγνωστης παραµέτρους του πληθυσµού: Ο κατηγορούµενος είναι αθώος µ = 100 Κάθε υπόθεση συνοδεύεται από µια εναλλακτική: Ο

Διαβάστε περισσότερα

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) Σελίδα 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΑΘΗΜΑ: ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙΙ (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) ΠΑΝΕΠΙΣΤΗΜΙΑΚΟΣ ΥΠΟΤΡΟΦΟΣ ΠΑΝΑΓΙΩΤΗΣ

Διαβάστε περισσότερα

2. Missing Data mechanisms

2. Missing Data mechanisms Κεφάλαιο 2 ο 2. Missing Data mechanisms 2.1 Εισαγωγή Στην προηγούµενη ενότητα περιγράψαµε κάποια από τα βασικά µοτίβα εµφάνισης των χαµένων τιµών σε σύνολα δεδοµένων. Ένα άλλο ζήτηµα που µας απασχολεί

Διαβάστε περισσότερα

Αριθµητική Ανάλυση. ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ. 16 Ιανουαρίου 2015

Αριθµητική Ανάλυση. ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ. 16 Ιανουαρίου 2015 Αριθµητική Ανάλυση ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 16 Ιανουαρίου 2015 ιδάσκοντες:καθηγητής Ν. Μισυρλής,Επίκ. Καθηγητής Φ.Τζαφέρης Αριθµητική (ΕΚΠΑ) Ανάλυση 16 Ιανουαρίου

Διαβάστε περισσότερα

MEΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΗΣ ΜΟΡΦΗΣ Y= g( X1, X2,..., Xn)

MEΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΗΣ ΜΟΡΦΗΣ Y= g( X1, X2,..., Xn) MEΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΗΣ ΜΟΡΦΗΣ g( Έστω τυχαίες µεταβλητές οι οποίες έχουν κάποια από κοινού κατανοµή Ας υποθέσουµε ότι επιθυµούµε να προσδιορίσουµε την κατανοµή της τυχαίας µεταβλητής g( Η θεωρία των ένα-προς-ένα

Διαβάστε περισσότερα

Παράδειγµα (Risky Business 1)

Παράδειγµα (Risky Business 1) Πληροφοριακά Συστήµατα ιοίκησης Τµήµα Χρηµατοοικονοµικής και Ελεγκτικής Management Information Systems Εργαστήριο 3 ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας) ΑΝΤΙΚΕΙΜΕΝΟ: Συµπεράσµατα για την αβεβαιότητα Θέµατα

Διαβάστε περισσότερα

2.3. Ασκήσεις σχ. βιβλίου σελίδας 100 104 Α ΟΜΑ ΑΣ

2.3. Ασκήσεις σχ. βιβλίου σελίδας 100 104 Α ΟΜΑ ΑΣ .3 Ασκήσεις σχ. βιβλίου σελίδας 00 04 Α ΟΜΑ ΑΣ. Έξι διαδοχικοί άρτιοι αριθµοί έχουν µέση τιµή. Να βρείτε τους αριθµούς και τη διάµεσό τους. Αν είναι ο ποιο µικρός άρτιος τότε οι ζητούµενοι αριθµοί θα είναι

Διαβάστε περισσότερα

7. Ταλαντώσεις σε συστήµατα µε πολλούς βαθµούς ελευθερίας

7. Ταλαντώσεις σε συστήµατα µε πολλούς βαθµούς ελευθερίας 7 Ταλαντώσεις σε συστήµατα µε πολλούς βαθµούς ελευθερίας Συζευγµένες ταλαντώσεις Βιβλιογραφία F S Crawford Jr Κυµατική (Σειρά Μαθηµάτων Φυσικής Berkeley, Τόµος 3 Αθήνα 979) Κεφ H J Pai Φυσική των ταλαντώσεων

Διαβάστε περισσότερα

Κεφάλαιο 4 ΣΥΣΧΕΤΙΣΗ ΚΑΙ ΠΑΛΙΝ ΡΟΜΗΣΗ. 4.1 Συσχέτιση δύο τ.µ.

Κεφάλαιο 4 ΣΥΣΧΕΤΙΣΗ ΚΑΙ ΠΑΛΙΝ ΡΟΜΗΣΗ. 4.1 Συσχέτιση δύο τ.µ. Κεφάλαιο 4 ΣΥΣΧΕΤΙΣΗ ΚΑΙ ΠΑΛΙΝ ΡΟΜΗΣΗ Στα προηγούµενα κεφάλαια ορίσαµε και µελετήσαµε την τ.µ. µε τη ϐοήθεια της πιθανο- ϑεωρίας (κατανοµή, ϱοπές) και της στατιστικής (εκτίµηση, στατιστική υπόθεση). Σ

Διαβάστε περισσότερα

Επαναληπτικές Ερωτήσεις για Οικονοµετρία 2

Επαναληπτικές Ερωτήσεις για Οικονοµετρία 2 Επαναληπτικές Ερωτήσεις για Οικονοµετρία 2 Κεφάλαιο 8 1) Τι είναι ετεροσκεδαστικότητα και τι είδους προβλήµατα παρουσιάζονται; ( 2, 4, σελίδες 370-372). 2) Γράψτε τον τύπο της διακύµανσης της κλίσης όταν

Διαβάστε περισσότερα

ΕΠΙΧΕΙΡΗΣΙΑΚΕΣ ΠΡΟΒΛΕΨΕΙΣ

ΕΠΙΧΕΙΡΗΣΙΑΚΕΣ ΠΡΟΒΛΕΨΕΙΣ ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ Ι - ΠΡΟΒΛΕΨΕΙΣ ΚΑΙ ΣΥΓΧΡΟΝΗ ΔΙΟΙΚΗΣΗ....................................17 1.1 Προβλέψεις - Τεχνικές προβλέψεων και διοίκηση................................17 1.2 Τεχνικές προβλέψεων

Διαβάστε περισσότερα

7. ΧΡΟΝΟΣΕΙΡΕΣ ΚΑΙ ΟΙ ΣΥΝΙΣΤΩΣΕΣ ΤΟΥΣ

7. ΧΡΟΝΟΣΕΙΡΕΣ ΚΑΙ ΟΙ ΣΥΝΙΣΤΩΣΕΣ ΤΟΥΣ 7. ΧΡΟΝΟΣΕΙΡΕΣ ΚΑΙ ΟΙ ΣΥΝΙΣΤΩΣΕΣ ΤΟΥΣ Πολλές οικονομικές χρονοσειρές αποτελούνται από συνιστώσες οι οποίες όταν μελετηθούν μεμονωμένα μας παρέχουν χρήσιμες πληροφορίες για την κατανόηση της συμπεριφοράς

Διαβάστε περισσότερα

squared error, Mean absolute error, Root mean squared error) µεγάλωσαν,

squared error, Mean absolute error, Root mean squared error) µεγάλωσαν, ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣ ΣΤΙΣ ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΈΤΟΣ 2009 ΌΝΟΜΑ : ΚΑΤΣΑΒΡΙΑΣ ΕΥΑΓΓΕΛΟΣ Α.Μ. : 09480014 ΕΞΑΜΗΝΟ

Διαβάστε περισσότερα

Αριθµητική Ανάλυση. ιδάσκοντες: Τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής, Τµήµα Β (Περιττοί) : Επίκ. Καθηγητής Φ.Τζαφέρης. 21 εκεµβρίου 2015 ΕΚΠΑ

Αριθµητική Ανάλυση. ιδάσκοντες: Τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής, Τµήµα Β (Περιττοί) : Επίκ. Καθηγητής Φ.Τζαφέρης. 21 εκεµβρίου 2015 ΕΚΠΑ Αριθµητική Ανάλυση Κεφάλαιο 9. Αριθµητική Παραγώγιση ιδάσκοντες: Τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής, Τµήµα Β (Περιττοί) : Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 21 εκεµβρίου 2015 ιδάσκοντες:τµήµα Α ( Αρτιοι)

Διαβάστε περισσότερα

R T ενώ σε ολοκληρωµένη, αν θεωρήσουµε ότι οι ενθαλπίες αλλαγής φάσεως είναι σταθερές στο διάστηµα θερµοκρασιών που εξετάζουµε, είναι

R T ενώ σε ολοκληρωµένη, αν θεωρήσουµε ότι οι ενθαλπίες αλλαγής φάσεως είναι σταθερές στο διάστηµα θερµοκρασιών που εξετάζουµε, είναι Τµήµα Χηµείας Μάθηµα: Φυσικοχηµεία Ι Εξετάσεις: Περίοδος Σεπτεµβρίου 007-0 (.9.00) Θέµα. Η τάση ατµών του στερεού µονοξειδίου του άνθρακα σε 60 K είναι.6 kpa και σε 65 K είναι. kpa. Η τάση ατµών του υγρού

Διαβάστε περισσότερα

Σύγχρονα συστήµατα προβλέψεων και µοντελοποίησης. Τµήµα Στατιστικής και Αναλογιστικών Χρηµατοοικονοµικών Μαθηµατικών

Σύγχρονα συστήµατα προβλέψεων και µοντελοποίησης. Τµήµα Στατιστικής και Αναλογιστικών Χρηµατοοικονοµικών Μαθηµατικών Σύγχρονα συστήµατα προβλέψεων και µοντελοποίησης Τµήµα Στατιστικής και Αναλογιστικών Χρηµατοοικονοµικών Μαθηµατικών 2 Εργαλεία διαχείρισης Για κάθε µελλοντική εξέλιξη και απόφαση, η πρόβλεψη αποτελεί το

Διαβάστε περισσότερα

ΠΕΙΡΑΜΑ III Μελέτη Ελευθερης Πτώσης

ΠΕΙΡΑΜΑ III Μελέτη Ελευθερης Πτώσης ΠΕΙΡΑΜΑ III Μελέτη Ελευθερης Πτώσης Σκοπός πειράµατος Στο πείραµα αυτό θα µελετήσουµε την κίνηση ενός σώµατος καθώς πέφτει ελεύθερα υπό την επίδραση του βάρους του. Πιο συγκεκριµένα θα επαληθεύσουµε τις

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΑΠΟΘΕΜΑΤΩΝ. Ι. Προσδιοριστικά Μοντέλα αποθεµάτων

ΘΕΩΡΙΑ ΑΠΟΘΕΜΑΤΩΝ. Ι. Προσδιοριστικά Μοντέλα αποθεµάτων ΘΕΩΡΙΑ ΑΠΟΘΕΜΑΤΩΝ Οι αποφάσεις σχετικά µε την διαχείριση ή «πολιτική» των αποθεµάτων που πρέπει να πάρει κάποιος, ασχολείται µε το «πόσο» πρέπει να παραγγείλει (ή να παράγει) και «πότε» να παραγγείλει

Διαβάστε περισσότερα

Ελεγκτικής. ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας)

Ελεγκτικής. ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας) Πληροφοριακά Συστήµατα ιοίκησης Management Information Systems Εργαστήριο 2 Τµήµα Χρηµατοοικονοµικής και Ελεγκτικής ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας) ΑΝΤΙΚΕΙΜΕΝΟ: Προσοµοίωση (Simulation) και τυχαίες µεταβλητές

Διαβάστε περισσότερα

Συνήθεις ιαφορικές Εξισώσεις, Απαντήσεις-Παρατηρήσεις στην Εξέταση Περιόδου Σεπτεµβρίου.

Συνήθεις ιαφορικές Εξισώσεις, Απαντήσεις-Παρατηρήσεις στην Εξέταση Περιόδου Σεπτεµβρίου. Συνήθεις ιαφορικές Εξισώσεις, Απαντήσεις-Παρατηρήσεις στην Εξέταση Περιόδου Σεπτεµβρίου. Ανδρέας Ζούπας 22 Ιανουαρίου 203 Οι λύσεις απλώς προτείνονται και σαφώς οποιαδήποτε σωστή λύση είναι αποδεκτή! Θέµα-

Διαβάστε περισσότερα

Τεχνικές Προβλέψεων. Προβλέψεις

Τεχνικές Προβλέψεων. Προβλέψεις ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Προβλέψεις http://www.fsu.gr - lesson@fsu.gr

Διαβάστε περισσότερα

Διοίκηση Ολικής Ποιότητας ΔΙΑΛΕΞΗ 8 η : Στατιστικός Έλεγχος Ποιότητας. Δρ. Α. Στεφανή Τμήμα Διοίκησης Επιχειρήσεων ΤΕΙ Δυτικής Ελλάδας - Μεσολόγγι

Διοίκηση Ολικής Ποιότητας ΔΙΑΛΕΞΗ 8 η : Στατιστικός Έλεγχος Ποιότητας. Δρ. Α. Στεφανή Τμήμα Διοίκησης Επιχειρήσεων ΤΕΙ Δυτικής Ελλάδας - Μεσολόγγι Διοίκηση Ολικής Ποιότητας ΔΙΑΛΕΞΗ 8 η : Στατιστικός Έλεγχος Ποιότητας Δρ. Α. Στεφανή Τμήμα Διοίκησης Επιχειρήσεων ΤΕΙ Δυτικής Ελλάδας - Μεσολόγγι Πρόληψη - Επιθεώρησης Τεχνικές ελέγχου: Δειγματοληψία:

Διαβάστε περισσότερα

Πανεπιστήμιο Πειραιά Διατμηματικό Μεταπτυχιακό Πρόγραμμα Σπουδών στη Βιομηχανική Διοίκηση & Τεχνολογία

Πανεπιστήμιο Πειραιά Διατμηματικό Μεταπτυχιακό Πρόγραμμα Σπουδών στη Βιομηχανική Διοίκηση & Τεχνολογία Πανεπιστήμιο Πειραιά Διατμηματικό Μεταπτυχιακό Πρόγραμμα Σπουδών στη Βιομηχανική Διοίκηση & Τεχνολογία Κατεύθυνση Logistics ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «Μέθοδοι πρόβλεψης της ζήτησης Εφαρμογή σε δεδομένα ζήτησης

Διαβάστε περισσότερα

4. Αναδροµικός τύπος Είναι ο τύπος που συσχετίζει δύο ή περισσότερους γενικούς όρους µιας ακολουθίας

4. Αναδροµικός τύπος Είναι ο τύπος που συσχετίζει δύο ή περισσότερους γενικούς όρους µιας ακολουθίας 5. ΑΚΟΛΟΥΘΙΕΣ ΘΕΩΡΙΑ. Ορισµός Ονοµάζουµε ακολουθία πραγµατικών αριθµών κάθε συνάρτηση µε πεδίο ορισµού το το σύνολο N * = {,, 3, 4.} και σύνολο αφίξεως το R Η ακολουθία συµβολίζεται (α ν ) ή (β ν ) κ.λ.π.

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION)

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION) ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION) Μέθοδοςεκθετικήςεξομάλυνσης Μια άλλη τεχνική για δεδομένα με

Διαβάστε περισσότερα

Στατιστική. 2. Να κατασκευάσετε το κυκλικό διάγραµµα των. x i. ν i Σε ένα κυκλικό διάγραµµα παριστάνεται η.

Στατιστική. 2. Να κατασκευάσετε το κυκλικό διάγραµµα των. x i. ν i Σε ένα κυκλικό διάγραµµα παριστάνεται η. Στατιστική 1. Σε µια εταιρεία εργάζονται 10 εργάτες, 30 διοικητικοί υπάλληλοι και 60 επιστήµονες. Να κατασκευάσετε πίνακα συχνοτήτων, σχετικών συχνοτήτων, επί % πίνακα σχετικών συχνοτήτων, ραβδόγραµµα

Διαβάστε περισσότερα

Γ ΤΑΞΗ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β )

Γ ΤΑΞΗ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β ) ΑΡΧΗ ΗΣ ΣΕΛΙ ΑΣ Γ ΤΑΞΗ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β ) ΚΥΡΙΑΚΗ /0/0 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ ΣΥΝΟΛΟ ΣΕΛΙ ΩΝ:ΕΝΝΕΑ (9) ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑΤΩΝ ΘΕΜΑ

Διαβάστε περισσότερα

Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και2015 Ιδιοδιανυσµάτων 1 / 50

Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και2015 Ιδιοδιανυσµάτων 1 / 50 Αριθµητική Γραµµική Αλγεβρα Κεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ΕΚΠΑ 2 Απριλίου 205 Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και205

Διαβάστε περισσότερα

Πολλαπλή παλινδρόµηση. Μάθηµα 3 ο

Πολλαπλή παλινδρόµηση. Μάθηµα 3 ο Πολλαπλή παλινδρόµηση Μάθηµα 3 ο Πολλαπλή παλινδρόµηση (Multivariate regression ) Η συµπεριφορά των περισσότερων οικονοµικών µεταβλητών είναι συνάρτηση όχι µιας αλλά πολλών µεταβλητών Y = f ( X, X 2, X

Διαβάστε περισσότερα

ιατµηµατικό Μεταπτυχιακό Πρόγραµµα Σπουδών ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ

ιατµηµατικό Μεταπτυχιακό Πρόγραµµα Σπουδών ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ιατµηµατικό Μεταπτυχιακό Πρόγραµµα Σπουδών ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ Τελική Εργασία στο µάθηµα Αλγόριθµοι Εξόρυξης

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΤΡΙΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης

Διαβάστε περισσότερα

ιοίκηση Παραγωγής και Υπηρεσιών

ιοίκηση Παραγωγής και Υπηρεσιών ιοίκηση Παραγωγής και Υπηρεσιών Το Πρόβληµα Μεταφοράς Άλλες µέθοδοι επιλογής τοποθεσίας Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Ορισµός του προβλήµατος µεταφοράς συσχέτιση µε πρόβληµα

Διαβάστε περισσότερα

1 Πολυωνυµική Παρεµβολή

1 Πολυωνυµική Παρεµβολή 1 Πολυωνυµική Παρεµβολή εδοµένων n + 1 ανά δύο διαφορετικών σηµείων x o, x 1, x,..., x n και των αντίστοιχων συναρτησιακών τιµών y o = f(x o ), y 1 = f(x 1 ), y = f(x ),...,y n (x n ) επιθυµούµε να προσεγγίσουµε

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΉ Ι (ΠΛΗ ) ΛΥΣΕΙΣ ΕΡΓΑΣΙΑΣ 4 Άσκηση. (8 µον.) (α) ίνεται παραγωγίσιµη συνάρτηση f για την οποία ισχύει f /

Διαβάστε περισσότερα

Παλαιότερες ασκήσεις

Παλαιότερες ασκήσεις Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY6 - Συστήµατα Ανάκτησης Πληροφοριών Παλαιότερες ασκήσεις η Σειρά Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Άσκηση ( η σειρά ασκήσεων

Διαβάστε περισσότερα

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11 ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 34 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: 17 Οικονομετρικά Εργαστήριο 15/5/11 ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΜΑΘΗΜΑ 7 ΕΡΓΑΣΤΗΡΙΟ ΜΗ ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ Σκοπός του παρόντος µαθήµατος είναι η

Διαβάστε περισσότερα