Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Μέθοδοι Εκθετικής Εξομάλυνσης Διάλεξη 6
|
|
- Νίκων Βενιζέλος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Μέθοδοι Εκθετικής Εξομάλυνσης Διάλεξη 6
2 Εκθετική Εξομάλυνση (Exponential Smoothing) 01 Μέθοδος πρόβλεψης η οποία εξομαλύνει τα ιστορικά δεδομένα. Υπολογίζεται ο μέσος όρος των δεδομένων, με την χρήση συντελεστών βαρύτητας. Τα πιο πρόσφατα δεδομένα έχουν μεγαλύτερη βαρύτητα. Οι συντελεστές βαρύτητας μειώνονται με εκθετικό τρόπο, όσο παλαιότερα είναι τα δεδομένα. Στόχος η απομόνωση του προτύπου των δεδομένων από τις τυχαίες διακυμάνσεις. Χρησιμοποιείται ευρέως για βραχυπρόθεσμο σχεδιασμό. Είναι σχετικά εύκολη στην χρήση. Απαιτεί ελάχιστα ιστορικά δεδομένα και χρόνο υπολογισμού. Είναι ικανοποιητικά ακριβής σε σχέση με πολυπλοκότερες μεθόδους πρόβλεψης.
3 Τύποι Μοντέλων Εξομάλυνσης 02 Σταθερού Επιπέδου Για πρόβλεψη ενός βήματος. Για χρονοσειρές που περιέχουν υψηλό θόρυβο ή τυχαιότητα. Γραμμικής τάσης Για σταθερή αύξηση στο μέλλον. Εκθετικής τάσης Για εκθετική αύξηση στο μέλλον (π.χ. στις αρχές του κύκλου ζωής ενός προϊόντος). Είναι υπεραισιόδοξες για μακροπρόθεσμες προβλέψεις. Φθίνουσας τάσης Για μεσοπρόθεσμες προβλέψεις.
4 Μοντέλο Σταθερού Επιπέδου SES 03
5 Μοντέλο Σταθερού Επιπέδου SES (0) 04 Εξίσωση Σφάλματος e = Y t-1 F t-1 Εξίσωση Επιπέδου & Πρόβλεψης F t = F t-1 + αe F t = F t-1 + α(y t-1 F t-1 ) F t = αy t-1 + (1-α)F t-1
6 Μοντέλο Σταθερού Επιπέδου SES (I) 05 Εξίσωση Σφάλματος e = Y t-1 F t-1 F t = αy t-1 + (1-α)F t-1 Εξίσωση Επιπέδου & Πρόβλεψης F t+1 = αy t + (1-α)F t F t+1 = αy t + α(1-α) Y t-1 + (1-α) 2 F t-1 Ομοίως αντικαθιστώντας στην (3) το F t-1, κοκ, προκύπτει: F t+1 = αy t + α(1-α) Y t-1 + α(1-α) 2 Υ t-2 + α(1-α) 3 Υ t-3 α(1-α) 4 Υ t α(1-α) t-1 Υ 1 +(1-α) t F 1
7 Μοντέλο Σταθερού Επιπέδου SES (II) 06 Από την εξίσωση (4) παρατηρούμε Ότι οι συντελεστές (βάρη) των των ιστορικών δεδομένων Υ μειώνονται εκθετικά για αυτό και το όνομα της μεθόδου «εκθετική εξομάλυνση». Ότι ο τελευταίος όρος είναι ο (1-α) t F 1. Αυτό σημαίνει ότι η αρχική πρόβλεψη παίζει ρόλο σε όλες τις επόμενες προβλέψεις. Στο παράδειγμα μας υπολογίζονται τα βάρη για t = 11, ισχύει : (1-α) t = αν α=0.1 (1-α) t = αν α=0.5 (1-α) t = αν α=0.9
8 Μοντέλο Σταθερού Επιπέδου SES (III) 07 Όσο μικρότερη τιμή του α επιλέξουμε τόσο μεγαλύτερο ρόλο παίζει η πρώτη τιμή της πρόβλεψης που θα επιλέξουμε F1. Όσο περισσότερα δεδομένα έχουμε τόσο μεγαλύτερη είναι η τιμή του t, οπότε τόσο μικρότερο είναι το βάρος του F1. Π.χ. για t = 12 και α=0.1 το βάρος ισούται με για t = 24 και α=0.1 το βάρος ισούται με
9 Μοντέλο Σταθερού Επιπέδου (ΙV) 08
10 Μοντέλο Σταθερού Επιπέδου SES (VI) 09 Σαν αρχική πρόβλεψη συνήθως χρησιμοποιούμε: Μέσος όρος των παρατηρήσεων Μέσος όρος των τεσσάρων ή πέντε πρώτων παρατηρήσεων Πρώτη παρατήρηση Σταθερό επίπεδο από μοντέλο γραμμικής παλινδρόμησης
11 Μοντέλο Σταθερού Επιπέδου SES (VII) 10 Εύρεση Βέλτιστου Συντελεστή Εξομάλυνσης Η βέλτιστη τιμή του α καθορίζεται από την ελαχιστοποίηση του σφάλματος (MSE, MAPE, ή άλλων) Το α μπορεί να είναι διαφορετικό όταν στοχεύουμε στην ελαχιστοποίηση του MSE, και άλλο για την ελαχιστοποίηση του MAPE, κλπ Το α κυμαίνεται μεταξύ του διαστήματος [0,1]. Υπολογίζουμε τα σφάλματα για κάθε τιμή του α, για κάθε τιμή του in sample
12 Μοντέλο Σταθερού Επιπέδου SES (VII) 11 Εύρεση Βέλτιστου Συντελεστή Εξομάλυνσης Η βέλτιστη τιμή του α καθορίζεται από την ελαχιστοποίηση του σφάλματος (MSE, MAPE, ή άλλων) Το α μπορεί να είναι διαφορετικό όταν στοχεύουμε στην ελαχιστοποίηση του MSE, και άλλο για την ελαχιστοποίηση του MAPE, κλπ Το α κυμαίνεται μεταξύ του διαστήματος [0,1]. Υπολογίζουμε τα σφάλματα για κάθε τιμή του α, για κάθε τιμή του in sample Ένας τρόπος για τη βελτιστοποίηση του α είναι ο υπολογισμόςτου MSE για κάποιο αριθμό τιμών του α (πχ 0.1, 0.2,..., 0.9) και επιλογή εκείνου που δίνει το μικρότερο σφάλμα MSE. Εναλλακτικός τρόπος είναι η χρήση ενός μη γραμμικού αλγορίθμου βελτιστοποίησης.
13 t Y , , ??? Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (Ι) Μηνιαία δεδομένα t Αριθμός μηνιαίων φορτώσεων Υ t Ζητείται η πρόβλεψη Δεκεμβρίου. 12
14 Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (IΙ) 13 t Y F e S = F + a*e S = a*y + (1-a)*F S 0 167, ,5 32,5 167, * 32,5 0.2 * * 167,5 174, ,0-39, * * * , ,2 28,8 166, * 28,8 0.2 * * 166,2 172, ,5 172,0 25, * 25,5 0.2 * 197, * , ,1 132,9 177, * 132,9 0.2 * * 177,1 203, ,7-28,7 203, * -28,7 0.2 * * 203,7 197, ,9-42,9 197, * -42,9 0.2 * * 197,9 189, ,3-59,3 189, * -59,3 0.2 * * 189,3 177, ,5 42,5 177, * 42,5 0.2 * * 177,5 186, ,5 186,0 91, * 91,5 0.2 * 277, * , ,3 30,7 204, * 30,7 0.2 * * 204,3 210,4 12??? 210,4
15 Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (IIΙ) 13 t Y F e S = F + a*e S = a*y + (1-a)*F S 0 167, ,5 32,5 167, * 32,5 0.2 * * 167,5 174, ,0-39, * * * , ,2 28,8 166, * 28,8 0.2 * * 166,2 172, ,5 172,0 25, * 25,5 0.2 * 197, * , ,1 132,9 177, * 132,9 0.2 * * 177,1 203, ,7-28,7 203, * -28,7 0.2 * * 203,7 197, ,9-42,9 197, * -42,9 0.2 * * 197,9 189, ,3-59,3 189, * -59,3 0.2 * * 189,3 177, ,5 42,5 177, * 42,5 0.2 * * 177,5 186, ,5 186,0 91, * 91,5 0.2 * 277, * , ,3 30,7 204, * 30,7 0.2 * * 204,3 210,4 12??? 210,4
16 Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (IIΙ) α = 0.5 α = 0.8 t Y F e S 0 167, ,5 32,5 183, ,8-48,8 159, ,4 35,6 177, ,5 177,2 20,3 187, ,3 122,7 248, ,7-73,7 211, ,8-56,8 183, ,4-53,4 156, ,7 63,3 188, ,5 188,4 89,1 232, ,9 2,1 234,0 12??? 234,0 t Y F e S 0 167, ,5 32,5 193, ,5-58,5 146, ,7 48,3 185, ,5 185,3 12,2 195, ,1 114,9 287, ,0-112,0 197, ,4-42,4 163, ,5-33,5 136, ,7 83,3 203, ,5 203,3 74,2 262, ,7-27,7 240,5 12??? 240,5 13
17 Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (IV) 13
18 Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (V) 17 Η μεγαλύτερη τιμή του α = (0.8) εξομαλύνει πολύ λίγο το μοντέλο ενώ η μικρότερη α= (0.2) δίνει την καλύτερη εξομάλυνση.. Αν το α = 1, τότε η εκθετική εξομάλυνση γίνεται Naive, ενώ αν α = 0 τότε η πρόβλεψή μας είναι σταθερή και ίση με την αρχική πρόβλεψη
19 Μοντέλο Σταθερού Επιπέδου 2ο Παράδειγμα (IIΙ) 13 t Y F (α=0.2) Ε ΑΕ APE SAPE ,5 32,50 32,50 0,163 0, ,0-39,00 39,00 0,289 0, ,2 28,80 28,80 0,148 0, ,5 172,0 25,54 25,54 0,129 0, ,1 132,93 132,93 0,429 0, ,7-28,65 28,65 0,164 0, ,9-42,92 42,92 0,277 0, ,3-59,34 59,34 0,456 0, ,5 42,53 42,53 0,193 0, ,5 186,0 91,52 91,52 0,330 0, ,3 30,72 30,72 0,131 0, ,4 α=0.2 19,51 50,41 0,25 0,25 α=0.5 12,08 54,39 0,27 0,27 α=0.8 8,30 58,13 0,29 0,29
20 Τύποι Μοντέλων Εξομάλυνσης 19 Σταθερού Επιπέδου Για πρόβλεψη ενός βήματος. Για χρονοσειρές που περιέχουν υψηλό θόρυβο ή τυχαιότητα. Γραμμικής τάσης Για σταθερή αύξηση στο μέλλον. Εκθετικής τάσης Για εκθετική αύξηση στο μέλλον (π.χ. στις αρχές του κύκλου ζωής ενός προϊόντος). Είναι υπεραισιόδοξες για μακροπρόθεσμες προβλέψεις. Φθίνουσας τάσης Για μεσοπρόθεσμες προβλέψεις.
21 Μοντέλο Γραμμικής Τάσης (Holt) 20 e t = Y t F t S t = S t 1 + T t 1 + a e t T t = T t 1 + a b e t F t+m = S t + mt t Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Χρειάζεται προσοχή στην αρχικοποίηση του μοντέλου. Πρέπει να εκτελείται μία γραμμική παλινδρόμηση, με το χρόνο ως ανεξάρτητη μεταβλητή. Ως αρχικό επίπεδο συνήθως ορίζεται η σταθερά A της παλινδρόμησης. Ως αρχική τάση συνήθως ορίζεται η κλίση B της παλινδρόμησης.
22 Μοντέλο Γραμμικής Τάσης (Holt) 21 e t = Y t F t S t = S t 1 + T t 1 + a e t T t = T t 1 + a b e t F t+m = S t + mt t Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Η αρχικοποίηση του επιπέδου και της τάσης θα μπορούσε να γίνει εναλλακτικά: Αρχικό Επίπεδο oπρώτη Παρατήρηση oμέσος Όρος N πρώτων παρατηρήσεων Αρχική Τάση oδιαφορά δεύτερης και πρώτης παρατήρησης:(χ2-χ1) oδιαφορά ν-στής και πρώτης παρατήρησης διαιρεμένης με ν-1: (X4-X1)/3
23 Μοντέλο Γραμμικής Τάσης (Holt) 22
24 Μοντέλο Μη Γραμμικής Τάσης (Damped) 23 e t = Y t F t S t = S t 1 + φt t 1 + a e t T t = φt t 1 + a b e t F t+m = S t + m i=1 φ i T t Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Χρειάζεται προσοχή στην αρχικοποίηση του μοντέλου. Πρέπει να εκτελείται μία γραμμική παλινδρόμηση, με το χρόνο ως ανεξάρτητη μεταβλητή. Ως αρχικό επίπεδο ορίζεται η σταθερά A της παλινδρόμησης. Ως αρχική τάση ορίζεται η κλίση b της παλινδρόμησης.
25 Μοντέλο Μη Γραμμικής Τάσης (Damped) 24 e t = Y t F t S t = S t 1 + φt t 1 + a e t T t = φt t 1 + a b e t F t+m = S t + m i=1 φ i T t Οι συντελεστές α και β πρέπει να υπολογίζονται, ώστε να ελαχιστοποιείται συνήθως το μέσο τετραγωνικό σφάλμα (MSE), όπου 0<α<1, 0<β<a Το μοντέλο Μη Γραμμικής Τάσης μπορεί να χρησιμοποιηθεί σαν ένα αυτόματο μοντέλο πρόβλεψης για κάθε μη εποχιακή χρονοσειρά, ανάλογα με τον damping factor που θα επιλέξουμε: 0,σταθερού επιπέδου 1,φθίνουσας τάσης 1,γραμμικής τάσης 1,εκθετικής τάσης
26 Μοντέλο Μη Γραμμικής Τάσης (Damped) 25
27 Σύγκριση Μοντέλων Γραμμικής & Μη Γραμμικής Τάσης 26
28 Εποχιακή Εξομάλυνση 27 Αν τα δεδομένα έχουν εποχιακό πρότυπο, τότε στα μη εποχιακά μοντέλα προστίθεται ένας εποχιακός παράγοντας (index) για κάθε περίοδο του έτους. Αφαίρεση Προσθετικής Εποχιακότητας actual data - index = deseasonalized data Αφαίρεση Πολλαπλασιαστικής Εποχιακότητας actual data / index = deseasonalized data Προσθετική Εποχιακότητα actual data + index = deseasonalized data Πολλαπλασιαστική Εποχιακότητα actual data * index = deseasonalized data
29 Μοντέλο Σταθερού Επιπέδου με Πολ/κή Εποχιακότητα 28 Αρχικοποίηση μοντέλου 1. Υπολογισμός αρχικών εποχιακών συντελεστών. Χρήση μοντέλου αποσύνθεσης. 2. Υπολογισμός S o και Τ ο 3. Υπολογισμός των παραμέτρων εξομάλυνσης. Χρήση γραμμικής μεθόδου αναζήτησης βέλτιστων παραμέτρων εξομάλυνσης ή της μεθόδου grid search.
30 Μοντέλο Σταθερού Επιπέδου με Πολ/κή Εποχιακότητα 29
31 Επιλογή Μοντέλου 28 Gardner & McKenzie (1988) Περίπτωση Χρονοσειρές Προτεινόμενο Μοντέλο Α Αρχικά δεδομένα SES Β Διαφορές 1 ου βαθμού Damped C Διαφορές 2 ου βαθμού Holt D Εποχιακές διαφορές 1 ου βαθμού Seasonal SES E Διαφορές 1 ου βαθμού της D Seasonal Damped F Διαφορές 2 ου βαθμού της D Seasonal Holt
32 Επιλογή Μοντέλου 31
33 Ταξινόμηση των μεθόδων Εκθετικής Εξομάλυνσης 28 (N,N) = simple exponential smoothing (A,N) = Holts linear method (M,N) = Exponential trend method Seasonal Component Trend N A M Component (None) (Additive) (Multiplicative) (A d,n) = (M d,n) = additive damped trend method multiplicative damped trend method N (None) (N,N) (N,A) (N,M) A (Additive) (A,N) (A,A) (A,M) A d (Additive damped) (A d,n) (A d,a) (A d,m) (A,A) = (A,M) = (A d,m) = additive Holt-Winters method multiplicative Holt-Winters method Holt-Winters damped method M (Multiplicative) M d (Multiplicativ e damped) (M,N) (M,A) (M,M) (M d,n) (M d,a) (M d,m)
34 Καινοτόμα state space μοντέλων Εκθετική Εξομάλυνση 33 This is a example for a subtitle State space models Κάθε μοντέλο περιλαμβάνει μία ποσοτική εξίσωση η οποία περιγράφει πως οι παρατηρήσεις και κάποιες εξισώσεις μετάβασης (οι οποίες περιγράφουν τα μη παρατηρούμενα στοιχεία των χρονοσειρών όπως τάση επίπεδο κα εποχιακότητα) αλλάζουν διαχρονικά. Για κάθε μέθοδο υπάρχουν δύο μοντέλα: o Προσθετικά σφάλματα o Πολλαπλασιαστικά σφάλματα Παράγουν ίδιες σημειακές προβλέψεις αλλά αλλάζουν τα διαστήματα εμπιστοσύνης αυτών. ETS (Error, Trend, Seasonal) όπου οι πιθανές τιμές που λαμβάνουν είναι: Error: {A,M} Trend:{N,A,A d,m,m d } Seasonal:{N,A,M} Οπότε υπάρχουν 30 state space models.
35 Exponential Smoothing Using R 34 ses(x, h=10, level=c(80,95), fan=false, initial=c("optimal","s imple"), alpha=null,...) holt(x, h=10, damped=false, level=c(80,95), fan=false, initial=c("optimal", "simple"), exponential=false, alpha=null, beta=null,...) x h dampe d season al level fan initial expone ntial alpha beta gamma a numeric vector or time series Number of periods for forecasting. If TRUE, use a damped trend. Type of seasonality in hw model. "additive" or "multiplicative" Confidence level for prediction intervals. If TRUE, level is set to seq(50,99,by=1). This is suitable for fan plots. Method used for selecting initial state values. If optimal, the initial values are optimized along with the smoothing parameters using ets. If simple, the initial values are set to values obtained using simple calculations on the first few observations. See Hyndman & Athanasopoulos (2012) for details. If TRUE, an exponential trend is fitted. Otherwise, the trend is (locally) linear. Value of smoothing parameter for the level. If NULL, it will be estimated. Value of smoothing parameter for the trend. If NULL, it will be estimated. Value of smoothing parameter for the seasonal component. If NULL, it will be estimated.... Other arguments passed to forecast.ets.
36 Exponential Smoothing Using R 35 ses(x, h=10, level=c(80,95), fan=false, initial=c("optimal","s imple"), alpha=null,...) holt(x, h=10, damped=false, level=c(80,95), fan=false, initial=c("optimal", "simple"), exponential=false, alpha=null, beta=null,...) An object of class "forecast" is a list containing at least the following elements: model method mean lower upper level x residuals A list containing information about the fitted model The name of the forecasting method as a character string Point forecasts as a time series Lower limits for prediction intervals Upper limits for prediction intervals The confidence values associated with the prediction intervals The original time series (either object itself or the time series used to create the model stored as object). Residuals from the fitted model. That is x minus fitted values. fitted Fitted values (one-step forecasts)
37 Exponential Smoothing Using R 36
38 Exponential Smoothing Using R 37 air <- window(ausair,start=1990,end=2004) fit1 <- holt(air, alpha=0.8, beta=0.2, initial="simple", h=5) fit2 <- holt(air, alpha=0.8, beta=0.2, initial="simple", exponential=true, h=5) # Results for first model: fit1$model$state fitted(fit1) fit1$mean
39 Exponential Smoothing Using R 38 fit3 <- holt(air, alpha=0.8, beta=0.2, damped=true, initial="simple", h=5) plot(fit2, type="o", ylab="air passengers in Australia (millions)", xlab="year", fcol="white", plot.conf=false) lines(fitted(fit1), col="blue") lines(fitted(fit2), col="red") lines(fitted(fit3), col="green") lines(fit1$mean, col="blue", type="o") lines(fit2$mean, col="red", type="o") lines(fit3$mean, col="green", type="o") legend("topleft", lty=1, col=c("black","blue","red","green"), c("data","holt's linear trend","exponential trend","additive damped trend"))
40 Παράδειγμα Using R 39 Χρησιμοποιείστε το dataset livestock με ετήσια δεδομένα από το 1970 έως το Εφαρμόστε σε αυτό τις εξής μεθόδους Εκθετικής εξομάλυνσης: ses, holt, damped. Συγκρίνεται τις τιμές των παραμέτρων εξομάλυνσης που έχουν χρησιμοποιηθεί και αποφανθείτε σχετικά με την ακρίβεια του μοντέλου στο δείγμα. Έπειτα σχεδιάστε τα δεδομένα όπως και τις παραχθείσες προβλέψεις.
41 Άσκηση (1/2) 40 Χρησιμοποιείστε το dataset books το οποίο περιλαμβάνει ημερήσιες πωλήσεις paperback και hardcover βιβλίων. Σκοπός είναι να παράξετε ημερήσιες προβλέψεις για τις επόμενες 4 ημέρες και για τις δύο χρονοσειρές. Σχεδιάστε τις χρονοσειρές και αναφέρατε τα ποιοτικά χαρακτηριστικά που παρατηρείτε Χρησιμοποιήστε την εκθετική εξομάλυνση σταθερού επιπέδου (ses, initial="simple") με διαφορετικές τιμές της σταθεράς α και σημειώστε ποια τιμή της παραμέτρου έχει το μικρότερο SSE. Χρησιμοποιήστε την βέλτιστη τιμή της παραμέτρου που διαλέγου αυτόματα η μέθοδος ses, και παράγετε προβλέψεις για τις επόμενες 4 ημέρες για τη χρονοσειρά των paperbacks. Κάντε την ίδια διαδικασία χρησιμοποιώντας τη μέθοδο ses, initial= optimal. Ποια είναι η επίδραση της διαφορετικής αρχικοποίησης του επιπέδου? Επαναλάβατε τα τρία τελευταία ερωτήματα και για την χρονοσειρά των hardcopies.
42 Άσκηση (2/2) 41 Εφαρμόστε τη μέθοδο εκθετικής εξομάλυνσης γραμμικής τάσης (Holt s) για να παράγετε ημερήσιες προβλέψεις για τις επόμενες 4 ημέρες, για τις χρονοσειρές paperback και hardcovers, από το dataset books, αντίστοιχα. Συγκρίνετε τις τιμές του SSE που προκύπτουν από της εφαρμογή της μεθόσου holt με τις τις τιμές που προέκυψαν από την εφαρμογή της μεθόδου ses στην προηγούμενη άσκηση. Έπειτα συγκρίνετε τις παραχθείσες προβλέψεις από της εφαρμογή των δύο μεθόδων σε κάθε μία από τις χρονοσειρές (paperback, hardcovers). Ποια μέθοδο θεωρείτε καλύτερη; Αιτιολογείστε.
43 Further Reading 39 Επιχειρησιακές Προβλέψεις, Πετρόπουλος Φ., Ασημακόπουλος Β., Αθήνα 2012 Gardner Jr, E. S. (1985). Exponential smoothing: The state of the art. Journal of Forecasting 4(1), Gardner Jr, E. S. (2006). Exponential smoothing: The state of the art Part II.International Journal of Forecasting 22(4), Hyndman, R. J., A. B. Koehler, J. K. Ord and R. D. Snyder (2008). Forecasting with exponential smoothing: the state space approach. Berlin: Springer-Verlag.
44 Εγγραφές στο Εξαμηνιαίο Project 39 Οι εγγραφές για το προαιρετικό project του μαθήματος «Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές» για το χειμερινό εξάμηνο 2015 θα διεξαχθούν ηλεκτρονικά μέσω της φόρμας που θα βρείτε: το διάστημα 25 Νοεμβρίου έως 9 Δεκεμβρίου H ημερομηνία εγγραφής είναι αυστηρή και εκπρόθεσμες εγγραφές δεν θα γίνουν δεκτές. Μετά τη συμπλήρωση της φόρμας και εντός μίας εβδομάδας θα σας σταλούν αναλυτικές οδηγίες σχετικά με το project.
45 Fell free to say hi! We are friendly and social Ηρώων Πολυτεχνείου 9, Ζωγράφος Αττική, 15780, Ελλάδα info(at)fsu.gr Τηλέφωνο: Fax: Κτίριο της Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών 2ος όροφος NTUA Μονάδα Προβλέψεων και Στρατηγικής ΕΜΠ lesson@fsu.gr
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 περισσότεραΑποσύνθεση και Μέθοδοι Προβλέψεων Διάλεξη 2
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Αποσύνθεση και Μέθοδοι Προβλέψεων Διάλεξη 2 Αποσύνθεση (Decomposition)
Διαβάστε περισσότεραΑποσύνθεση και Μέθοδοι Προβλέψεων Διάλεξη 2
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Αποσύνθεση και Μέθοδοι Προβλέψεων Διάλεξη 2 Αποσύνθεση (Decomposition)
Διαβάστε περισσότεραΕπιχειρηματικές 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 περισσότερα2η 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 περισσότεραΕισαγωγή στις Μεθόδους Προβλέψεων
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Εισαγωγή στις Μεθόδους Προβλέψεων Πρόβλεψη 02 Η μεγαλύτερη
Διαβάστε περισσότεραΕπιχειρηματικές 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 περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Αποσύνθεση Χρονοσειράς Διάλεξη 3
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Αποσύνθεση Χρονοσειράς Διάλεξη 3 Αποσύνθεση (Decomposition)
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΤεχνικές Προβλέψεων. 3η Ενότητα Προβλέψεις (Μέρος 2 ο )
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & StrategyUnit Τεχνικές Προβλέψεων 3η Ενότητα Προβλέψεις (Μέρος 2 ο ) http://www.fsu.gr
Διαβάστε περισσότερα1 η Ενότητα Εισαγωγικά στοιχεία προβλέψεων. -
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 1 η Ενότητα Εισαγωγικά στοιχεία προβλέψεων
Διαβάστε περισσότεραΣυστήματα Λήψης Αποφάσεων
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Συστήματα Λήψης Αποφάσεων 3η Ενότητα Προβλέψεις http://www.fsu.gr
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Παρακολούθηση Χρονοσειράς Διάλεξη 11
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Παρακολούθηση Χρονοσειράς Διάλεξη 11 Παρακολούθηση (1 από
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Ενημερωτικό Μαθήματος Διάλεξη 1
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Ενημερωτικό Μαθήματος Διάλεξη 1 Γενικά Στοιχεία Διάλεξη 1
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Data and Adjustments Διάλεξη 5
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Data and Adjustments Διάλεξη 5 Περιεχόμενα Example for the
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Εισαγωγή στις Μεθόδους Προβλέψεων Διάλεξη 5
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Εισαγωγή στις Μεθόδους Προβλέψεων Διάλεξη 5 Περιεχόμενα Ορισμοί
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Ενημερωτικό Μαθήματος Διάλεξη 1
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Ενημερωτικό Μαθήματος Διάλεξη 1 Γενικά Στοιχεία Διάλεξη 1
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Intermittent Demand Διάλεξη 7η
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Intermittent Demand Διάλεξη 7η Αίτια Δημιουργίας 01 Η διακοπτόμενη
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Intermittent Demand Διάλεξη 8
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Intermittent Demand Διάλεξη 8 Αίτια Δημιουργίας 01 Η διακοπτόμενη
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Ενημερωτικό Μαθήματος Διάλεξη 1
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Ενημερωτικό Μαθήματος Διάλεξη 1 Γενικά Στοιχεία Διάλεξη 1
Διαβάστε περισσότεραΕΘΝΙΚΟ 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 περισσότεραΤεχνικές 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 περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Μέθοδος Theta Διαγωνισμοί Προβλέψεων Διάλεξη 9
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Μέθοδος Theta Διαγωνισμοί Προβλέψεων Διάλεξη 9 Το Μοντέλο
Διαβάστε περισσότεραΤεχνικές Προβλέψεων. Ενημερωτικό Μαθήματος
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Ενημερωτικό Μαθήματος http://www.fsu.gr
Διαβάστε περισσότερα7. 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 περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Μακροπρόθεσμη Πρόβλεψη Διάλεξη 11
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Μακροπρόθεσμη Πρόβλεψη Διάλεξη 11 Μηνιαίες τιμές χαλκού για
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΤεχνικές 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 περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές Προετοιμασία & Ανάλυση Χρονοσειράς Διάλεξη 2
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Προετοιμασία & Ανάλυση Χρονοσειράς Διάλεξη 2 Απεικόνιση δεδομένων
Διαβάστε περισσότερα5. ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΚΙΝΗΤΟΥΣ ΜΕΣΟΥΣ
5. ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΚΙΝΗΤΟΥΣ ΜΕΣΟΥΣ Κατά την επιλογή της μεθόδου πρόβλεψης, μια καλή στρατηγική αξιολόγησής της περιλαμβάνει το εξής βήματα: (α) Επιλογή της μεθόδου πρόβλεψης με βάση τη διαίσθηση του αρμόδιου
Διαβάστε περισσότεραΧρονικές 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 περισσότεραΤεχνικές Προβλέψεων. 3η Ενότητα
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 3η Ενότητα http://www.fsu.gr - lesson@fsu.gr
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραAnalyze/Forecasting/Create Models
(εκδ 11) (εκδ 11) Σχολή Κοινωνικών Επιστημών Τμήμα Οικονομικών Επιστημών 24 Οκτωβρίου 2014 1 / 12 Εισαγωγή (εκδ 11) 1 2 2 / 12 ΧΣ (εκδ 11) ΧΣ μέσω υποδειγμάτων ARIM A/SARIM A Αϕου δημιουργήσουμε τον χώρο
Διαβάστε περισσότεραΧΡΟΝΟΣΕΙΡΕΣ. 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 περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΡΩΤΟ-ΔΕΥΤΕΡΟ-ΣΤΑΣΙΜΟΤΗΤΑ- ΕΠΟΧΙΚΟΤΗΤΑ-ΚΥΚΛΙΚΗ ΤΑΣΗ ΧΡΗΣΙΜΟΙΟΡΙΣΜΟΙ Χρονολογική Σειρά (χρονοσειρά)
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΣτατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Μέθοδοι Εξομάλυνσης ΙΙΙ-Εφαρμογές)
Στατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Μέθοδοι Εξομάλυνσης ΙΙΙ-Εφαρμογές) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική ΙΙΙ(ΣΤΑΟ 230) Περιγραφή
Διαβάστε περισσότεραΤεχνικές Προβλέψεων. Παράδειγμα Αποσύνθεσης
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Παράδειγμα Αποσύνθεσης http://www.fsu.gr
Διαβάστε περισσότεραΧρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
Διαβάστε περισσότερα1.2 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 περισσότεραΣτατιστική ΙΙΙ(ΣΤΑΟ 230) Χρονολογικές Σειρες-Κινητοι Μέσοι, Αφελείς Μέθοδοι και Αποσύνθεση (εκδ. 2η)
Στατιστική ΙΙΙ-(ΣΤΑΟ 230) Χρονολογικές Σειρες-Κινητοι Μέσοι, Αφελείς Μέθοδοι και Αποσύνθεση (εκδ. 2η) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο
Διαβάστε περισσότεραΕπιλογή Χαρτοφυλακίου Επενδύσεων με Χρήση Μεθόδων Προβλέψεων μη Σταθερού Επιπέδου
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Επιλογή Χαρτοφυλακίου Επενδύσεων με Χρήση Μεθόδων Προβλέψεων
Διαβάστε περισσότεραΠρογραμματισμός 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 περισσότεραΤεχνικές Προβλέψεων Προετοιμασία Χρονοσειράς Data and Adjustments
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Προετοιμασία Χρονοσειράς Data and Adjustments
Διαβάστε περισσότεραΠΟΣΟΤΙΚΕΣ 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 περισσότεραΔΙΑΧΕΙΡΙΣΗ 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 περισσότερα6.3 Forecasting ARMA processes
122 CHAPTER 6. ARMA MODELS 6.3 Forecasting ARMA processes The purpose of forecasting is to predict future values of a TS based on the data collected to the present. In this section we will discuss a linear
Διαβάστε περισσότεραΠΩΣ ΕΠΗΡΕΑΖΕΙ Η ΜΕΡΑ ΤΗΣ ΕΒΔΟΜΑΔΑΣ ΤΙΣ ΑΠΟΔΟΣΕΙΣ ΤΩΝ ΜΕΤΟΧΩΝ ΠΡΙΝ ΚΑΙ ΜΕΤΑ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΚΡΙΣΗ
Σχολή Διοίκησης και Οικονομίας Κρίστια Κυριάκου ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΕΜΠΟΡΙΟΥ,ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΝΑΥΤΙΛΙΑΣ Της Κρίστιας Κυριάκου ii Έντυπο έγκρισης Παρουσιάστηκε
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΕΘΝΙΚΟ 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 περισσότεραΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ Θ ΜΕ ΧΡΗΣΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΚΑΙ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ
Διαβάστε περισσότεραΒραχυπρόθεσμη πρόβλεψη ζήτησης φορτίου ηλεκτρικής ενέργειας και εξέταση της επίδρασης των ειδικών ημερών ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Ειρήνη-Ελισάβετ Θεοδώρου
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων Βραχυπρόθεσμη πρόβλεψη ζήτησης φορτίου ηλεκτρικής ενέργειας
Διαβάστε περισσότεραΜελέτη Εναλλακτικών Προσεγγίσεων της Μεθοδολογίας Croston μέσω Εμπειρικής Αξιολόγησης
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΗΣ Μελέτη Εναλλακτικών Προσεγγίσεων της Μεθοδολογίας Croston
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
Διαβάστε περισσότεραΑνάπτυξη Διαδικτυακής Εφαρμογής Προβλέψεων Μεθόδων Χρονοσειρών
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Ανάπτυξη Διαδικτυακής Εφαρμογής Προβλέψεων Μεθόδων Χρονοσειρών Αθανάσιος Ι. Κουμεντάκος Γεωργακάκος Επιβλέπων:
Διαβάστε περισσότεραΒασικές 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 περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Διαβάστε περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
Διαβάστε περισσότεραΕπιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές [Εισαγωγικά Στοιχεία και Ποιοτικά Χαρακτηριστικά Χρονοσειρών] Διάλεξη 1
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Επιχειρηματικές Προβλέψεις: Μέθοδοι & Τεχνικές [Εισαγωγικά
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΜΕΘΟΔΟΙ ΑΕΡΟΔΥΝΑΜΙΚΗΣ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Εργαστήριο Θερμικών Στροβιλομηχανών Μονάδα Παράλληλης ης Υπολογιστικής Ρευστοδυναμικής & Βελτιστοποίησης ΜΕΘΟΔΟΙ ΑΕΡΟΔΥΝΑΜΙΚΗΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ (7 ο Εξάμηνο Σχολής Μηχ.Μηχ. ΕΜΠ)
Διαβάστε περισσότεραΔιαχείριση 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 περισσότεραΜΟΝΤΕΛΟΠΟΙΗΣΗ ΕΒΔΟΜΑΔΙΑΙΑΣ ΠΡΟΒΛΕΨΗΣ ΩΡΙΑΙΑΣ ΕΝΕΡΓΕΙΑΚΗΣ ΚΑΤΑΝΑΛΩΣΗΣ ΚΤΙΡΙΩΝ ΜΕΣΗΣ ΤΑΣΗΣ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ Η/Υ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΒΙΟΜΗΧΑΝΙΚΗΣ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΔΠΜΣ: «ΤΕΧΝΟ-ΟΙΚΟΝΟΜΙΚΑ ΣΥΣΤΗΜΑΤΑ» ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΕΒΔΟΜΑΔΙΑΙΑΣ ΠΡΟΒΛΕΨΗΣ
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΑΝΑΛΥΣΗ ΥΔΡΟΛΟΓΙΚΩΝ ΧΡΟΝΙΚΩΝ ΣΕΙΡΩΝ
Διατμηματικό πρόγραμμα μεταπτυχιακών σπουδών ΥΔΡΑΥΛΙΚΗ ΜΗΧΑΝΙΚΗ Δρ Βασίλειος Κιτσικούδης και Δρ Σπηλιώτης Μιχάλης ΕΦΑΡΜΟΣΜΕΝΗ ΑΝΑΛΥΣΗ ΥΔΡΟΛΟΓΙΚΩΝ ΧΡΟΝΙΚΩΝ ΣΕΙΡΩΝ ΞΑΝΘΗ, 2015 Παραδείγματα από Τριβέλλα Θ.
Διαβάστε περισσότερα2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ
1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραAPPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Διαβάστε περισσότερα2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
Διαβάστε περισσότεραOther Test Constructions: Likelihood Ratio & Bayes Tests
Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :
Διαβάστε περισσότεραΗΡΑΚΛΕΙΟ 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 περισσότεραΑνάλυση 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 περισσότεραΤεχνικές Προβλέψεων. Εισαγωγικά στοιχεία προβλέψεων
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Εισαγωγικά στοιχεία προβλέψεων http://www.fsu.gr
Διαβάστε περισσότεραΠΥΘΙΑ 2η ΕΚΔΟΣΗ. Μονάδα Προβλέψεων και Στρατηγικής Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών
ΠΥΘΙΑ 2η ΕΚΔΟΣΗ Επιχειρησιακές Προβλέψεις Σύστημα Υποστήριξης Μονάδα Προβλέψεων και Στρατηγικής Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών http://www.fsu.gr
Διαβάστε περισσότερα1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]
212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis
Διαβάστε περισσότεραΠροβλέψεις. Γιώργος Λυμπερόπουλος. Γ. Λυμπερόπουλος - Διοίκηση Παραγωγής
Προβλέψεις Γιώργος Λυμπερόπουλος 1 Προβλέψεις: Εισαγωγή Γιατί προβλέψεις; Έγκαιρος προγραμματισμός και λήψη αποφάσεων Προβλέψεις τίνος; Τμήμα πωλήσεων (μάρκετινγκ) Ζήτηση νέων και υφιστάμενων σειρών προϊόντων
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΕΣ ΠΡΟΒΛΕΨΕΙΣ
ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ Ι - ΠΡΟΒΛΕΨΕΙΣ ΚΑΙ ΣΥΓΧΡΟΝΗ ΔΙΟΙΚΗΣΗ....................................17 1.1 Προβλέψεις - Τεχνικές προβλέψεων και διοίκηση................................17 1.2 Τεχνικές προβλέψεων
Διαβάστε περισσότερα3η Ενότητα Προβλέψεις
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 3η Ενότητα Προβλέψεις (Μέρος 4 ο ) http://www.fsu.gr
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ 133: ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΕΦΗΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΑΣΤΗΡΙΟ 3 Javadoc Tutorial
ΕΡΓΑΣΤΗΡΙΟ 3 Javadoc Tutorial Introduction Το Javadoc είναι ένα εργαλείο που παράγει αρχεία html (παρόμοιο με τις σελίδες στη διεύθυνση http://docs.oracle.com/javase/8/docs/api/index.html) από τα σχόλια
Διαβάστε περισσότεραΛογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS
Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Ο παρακάτω πίνακας παρουσιάζει θανάτους από καρδιακή ανεπάρκεια ανάμεσα σε άνδρες γιατρούς οι οποίοι έχουν κατηγοριοποιηθεί κατά ηλικία
Διαβάστε περισσότεραΆσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:
Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΕΜΠΤΟ-ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p))
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΕΜΠΤΟ-ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p)) ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p)) O όρος αυτοπαλίνδρομο
Διαβάστε περισσότεραΠρόβλεψη Ζήτησης Φυσικού Αερίου: Ανάλυση και Μοντελοποίηση ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Πρόβλεψη Ζήτησης Φυσικού Αερίου: Ανάλυση και Μοντελοποίηση
Διαβάστε περισσότεραEE512: Error Control Coding
EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3
Διαβάστε περισσότεραΤεχνικές 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 περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών
ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Εισαγωγή Οικονοµετρία (Econometrics) είναι ο τοµέας της Οικονοµικής επιστήµης που περιγράφει και αναλύει
Διαβάστε περισσότεραΕισαγωγικά Στοιχεία Ποιοτικά Χαρακτηριστικά Χρονοσειρών Προετοιμασία Χρονοσειρών Διάλεξη 1
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Εισαγωγικά Στοιχεία Ποιοτικά Χαρακτηριστικά Χρονοσειρών Προετοιμασία
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 13: Επανάληψη Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Γιατί μελετούμε την Οικονομετρία;
Διαβάστε περισσότεραΧΡΟΝΟΛΟΓΙΚΕΣ 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 περισσότεραΕργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων. Εξάμηνο 7 ο
Εργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων Εξάμηνο 7 ο Procedures and Functions Stored procedures and functions are named blocks of code that enable you to group and organize a series of SQL and PL/SQL
Διαβάστε περισσότεραΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ
A εξάμηνο 2009-2010 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ Μεθοδολογία Έρευνας και Στατιστική ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Χειμερινό Εξάμηνο 2009-2010 Ποιοτικές και Ποσοτικές
Διαβάστε περισσότεραΔιπλωματική Εργασία «Τεχνικές Πρόβλεψης Ζήτησης και Αποθεματική Πολιτική»
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΣΧΟΛΗ ΑΝΡΩΠΙΣΤΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΟΙΚΟΝΟΜΙΚΗ Διπλωματική Εργασία «Τεχνικές Πρόβλεψης Ζήτησης
Διαβάστε περισσότεραΧρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA
Χρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραHW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1)
HW 3 Solutions a) I use the autoarima R function to search over models using AIC and decide on an ARMA3,) b) I compare the ARMA3,) to ARMA,0) ARMA3,) does better in all three criteria c) The plot of the
Διαβάστε περισσότεραΣύγχρονα συστήµατα προβλέψεων και µοντελοποίησης
Σύγχρονα συστήµατα προβλέψεων και µοντελοποίησης ηµήτρης Λέκκας Τµήµα Στατιστικής και Αναλογιστικών Χρηµατοοικονοµικών Μαθηµατικών Περιγραφή Μοντελοποίηση - Περιγραφή Συστήµατος Πρόγνωση Μέθοδοι Πρόγνωση
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο
Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική
Διαβάστε περισσότερα