ΠΛΗΡΟΦΟΡΙΑ & ΔΙΑΙΣΘΗΣΗ
|
|
- Γώργος Θεοδωρίδης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΠΛΗΡΟΦΟΡΙΑ & ΔΙΑΙΣΘΗΣΗ Η διαίσθησή μας (ικανότητα να αναγνωρίζουμε πρότυπα σχήματα) μόνο δεν επαρκεί αν δεν υπάρχει επιπλέον πληροφορία για τα δεδομένα. Επιπλέον πληροφορία: Τα δεδομένα που ακολουθούν είναι μηνιαίες πωλήσεις του κόκκινου Αυστραλέζικου κρασιού Υπάρχουν δεδομένα αρκετών ετών
2 Μηνιαίες πωλήσεις Αυστραλέζικού κρασιού Πωλήσεις($ Μήνας
3 ΠΑΡΑΤΗΡΟΥΜΕ ΟΤΙ: Η χρονοσειρά περιλαμβάνει Εποχική συμπεριφορά Ανοδική τάση Αυξανόμενο πλάτος κύκλου καθώς αυξάνει το επίπεδο
4 Η ΑΞΙΑ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Από τα δεδομένα αυτά μπορούμε να προβλέψουμε ικανοποιητικά τη χρονοσειρά. Υποθέτουμε ότι η χρονοσειρά έχει ευσταθή συμπεριφορά Απαιτούνται τουλάχιστον 4-5 εποχές στα δεδομένα. Για τη μηνιαία ζήτηση απαιτούνται τουλάχιστον 4 to 5 έτη παρατηρήσεων Με παρατηρήσεις 2 ετών, οι προβλέψεις βασίζονται ουσιαστικά σε δύο χρονικά σημεία εάν υπάρχει εποχική συμπεριφορά
5 1 ος ΝΟΜΟΣ ΠΡΟΒΛΕΨΕΩΝ: ΠΑΡΕΛΘΟΝ & ΜΕΛΛΟΝΤΙΚΗ ΣΥΜΠΕΡΙΦΟΡΑ Υποθέτουμε ότι το μέλλον συμπεριφέρεται με τον ίδιο τρόπο όπως το παρελθόν Εάν η συμπεριφορά της χρονοσειράς αλλάξει, τότε οι προβλέψεις δεν είναι ακριβείς
6 ΣΤΗΝ ΑΡΧΗ Η ΠΡΟΒΛΕΨΗ ΕΙΝΑΙ ΕΥΚΟΛΗ Τιμή προϊόντος Τιμή ($/Uni 4 3,5 3 2,5 2 1,5 1 0,5 Price Περίοδος
7 ΚΑΜΜΙΑ ΜΕΘΟΔΟΣ ΒΑΣΙΖΟΜΕΝΗ ΣΤΗ ΣΥΜΠΕΡΙΦΟΡΑ ΤΟΥ ΠΑΡΕΛΘΟΝΤΟΣ ΔΕΝ ΜΠΟΡΕΙ ΝΑ ΠΡΟΒΛΕΨΕΙ ΤΗ ΣΥΝΕΧΕΙΑ Τιμή προϊόντος 4 3,5 3 Τιμή ($/Uni 2,5 2 1,5 1 0,5 Price Περίοδος
8 ΠΟΡΙΣΜΑ 1 ου ΝΟΜΟΥ ΠΡΟΒΛΕΨΕΩΝ Στην πραγματικότητα το μέλλον συχνά δεν συμπεριφέρεται όπως το παρελθόν. Η συμπεριφορά πολλών χρονοσειρών συχνά μεταβάλλεται.
9 2 ος ΝΟΜΟΣ ΠΡΟΒΛΕΨΕΩΝ ΠΕΡΙΟΡΙΣΜΕΝΗ ΑΚΡΙΒΕΙΑ ΠΡΟΒΛΕΨΗΣ Ακόμη και όταν η μελλοντική συμπεριφορά της χρονοσειράς είναι όπως στο παρελθόν, οι προβλέψεις δεν μπορούν να γίνουν με απόλυτη ακρίβεια. Οι χρονοσειρές αποτελούνται από μία προσδιοριστική συνιστώσα και μία συνιστώσα τυχαίου θορύβου Η ακρίβεια που επιτυγχάνεται εξαρτάται από το μέγεθος της συνιστώσας τυχαίου θορύβου
10 ΠΟΡΙΣΜΑ 2 ου ΝΟΜΟΥ ΠΡΟΒΛΕΨΕΩΝ Όλες οι προβλέψεις έχουν σφάλματα Το ζητούμενο είναι: Πόσο κοντά μπορεί να πλησιάσει η πρόβλεψη την πραγματική τιμή; Είναι σημαντικό να μπορέσουμε να ποσοτικοποοήσουμε την αναμενόμενη ακρίβεια της πρόβλεψης
11 ΔΙΑΣΤΗΜΑΤΑ ΠΡΟΒΛΕΨΗΣ Μπορούμε να κατασκευάσουμε διαστήματα πρόβλεψης της μορφής: Υπάρχει xx% πιθανότητα ότι η πραγματική τιμή θα βρίσκεται στο διάστημα Παράδειγμα Πρόβλεψη K
12 Ιστορικά δεδομένα και μελλοντικές προβλέψεις Παρόν Ζήτησηn Ιστορικά δεδομένα Μελλοντικές προβλέψεις Περίοδος
13 Προβλέψεις με 50% διαστήματα πρόβλεψης Ζήτησηn Περίοδος
14 Προβλέψεις με 95% διαστήματα πρόβλεψης Ζήτησηn Περίοδος
15 ΔΙΑΣΤΗΜΑΤΑ ΠΡΟΒΛΕΨΗΣ Τα διαστήματα πρόβλεψης βασίζονται στις υποθέσεις Το μέλλον συμπεριφέρεται όπως το παρελθόν Το μοντέλο που χρησιμοποιείται για τον υπολογισμό του διαστήματος πρόβλεψης περιγράφει με ακρίβεια τα δεδομένα Τα διαστήματα πρόβλεψης δίνουν αισιόδοξες προβλέψεις (εξ αιτίας των υποθέσεων) Προσέξτε όμως πόσο εύρος έχουν!
16 3 ος ΝΟΜΟΣ ΠΡΟΒΛΕΨΗΣ Όσο μακρύτερα στο μέλλον προσπαθούμε να προβλέψουμε, τόσο μεγαλώνει το σφάλμα της πρόβλεψης. Αυτό συμβαίνει ακόμη και όταν το μέλλον συμπεριφέρεται όπως το παρελθόν. (όπως προκύπτει από διαστήματα πρόβλεψης)
17 ΠΟΡΙΣΜΑ 3 ου ΝΟΜΟΥ ΠΡΟΒΛΕΨΕΩΝ Οι περισσότερες σημαντικές αποφάσεις συχνά βασίζονται σε μακροπρόθεσμες προβλέψεις. π.χ. το κτίσιμο ενός κτιρίου Αν και ο κίνδυνος είναι πιο σημαντικός στις περιπτώσεις αυτές Παράδειγμα: Πρόβλεψη για την παραγωγή οπτικών ινών
18 ΑΠΟΦΑΣΕΙΣ ΚΑΙ Ο 2 ος ΝΟΜΟΣ ΤΩΝ ΠΡΟΒΛΕΨΕΩΝ Οι αποφάσεις βασίζονται στις προβλέψεις (Διαφορετικά δεν θα κάναμε προβλέψεις!) Θα πρέπει να λαμβάνουμε υπ όψη τις συνέπειες της απόφασης σε σχέση με το εύρος των δυνατών αποτελεσμάτων Δηλαδή: Επειδή οι προβλέψεις διακατέχονται από ένα εγγενές σφάλμα, οι αποφάσεις που βασίζονται στις προβλέψεις διακατέχονται από εγγενή κίνδυνο Οι ορθολογικές αποφάσεις περιλαμβάνουν ανάλυση του κινδύνου Δεν αγοράζουμε μετοχές αποκλειστικά με βάση την αναμενόμενη απόδοση
19 Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi Decision 1 Decision Πωλήσεις(x1000)
20 Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi Decision 1 Decision Πωλήσεις (x1000) Πρόβλεψη Πωλήσεων
21 Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi Decision 1 Decision Πωλήσεις (x1000) Διάστημα πρόβλεψης
22 Κέρδος από δύο Αποφάσεις ως προς τις Πωλήσεις Κέρδοςi Decision 1 Decision Πωλήσεις (x1000) Διάστημα Πρόβλεψης
23 ΠΡΟΒΛΕΨΕΙΣ & ΑΠΟΦΑΣΕΙΣ Η πρόβλεψη αποτελεί μέρος της διαδικασίας λήψης απόφασης Είναι σημαντικό να διαχωρίζουμε τις αποφάσεις που βασίζονται σε προβλέψεις Έχοντας αυτά υπ όψη μπορούμε να ξέρουμε Πότε και πόσο συχνά να κάνουμε προβλέψεις Σε τι επίπεδο συγκέντρωσης να γίνονται οι προβλέψεις
24 ΣΥΓΚΕΝΤΡΩΤΙΚΕΣ ΠΡΟΒΛΕΨΕΙΣ Υποθέτουμε ότι προβλέπουμε τη ζήτηση ενός προϊόντος X σε επίπεδο ενός μεμονωμένου πελάτη. Υποθέτουμε επίσης ότι χρειαζόμαστε την πρόβλεψη της συνολικής ζήτησης του προϊόντος X για το σχεδιασμό της παραγωγής: Προσθέτουμε όλες τις επιμέρους προβλέψεις για να πάρουμε την πρόβλεψη της συνολικής ζήτησης του προϊόντος X; Ή υπολογίζουμε την πρόβλεψη της συνολικής ζήτησης του προϊόντος X από τα δεδομένα της συνολικής ζήτησης;
25 ΔΥΟ ΔΙΑΦΟΡΕΤΙΚΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ Μεμονωμένη πρόβλεψη: Πρόβλεψη για κάθε μεμονωμένο πελάτη Άθροιση των προβλέψεων για την πρόβλεψη της συνολικής ζήτησης Απ ευθείας πρόβλεψη: Πρόβλεψη από τα μηνιαία δεδομένα της συνολικής ζήτησης
26 ΕΠΙΧΕΙΡΗΜΑΤΑ ΓΙΑ ΜΕΜΟΝΩΜΕΝΕΣ ΠΡΟΒΛΕΨΕΙΣ Αθροίζοντας τη συνολική ζήτηση, έχουμε απώλεια πληροφορίας Πληροφορίες σχετικές με τους επιμέρους πελάτες χάνονται ή/και εμποδίζονται να αποκαλυφθούν λόγω της άθροισης Κάτω από ορισμένες προϋποθέσεις αποδεικνύεται ότι οι μεμονωμένες προβλέψεις είναι εξ ίσου καλές όπως και η απ ευθείας πρόβλεψη
27 ΕΠΙΧΕΙΡΗΜΑΤΑ ΓΙΑ ΑΠ ΕΥΘΕΙΑΣ ΠΡΟΒΛΕΨΕΙΣ Εξειδικευμένες συνθήκες που σπάνια ικανοποιούνται στην πράξη Κάθε μεμονωμένη πρόβλεψη απαιτεί την εκτίμηση των παραμέτρων ενός μοντέλου, οι εκτιμητές του οποίου διέπονται από το σφάλμα της εκτίμησης Τα σφάλματα αυτά συντίθενται στις μεμονωμένες προβλέψεις Η απ ευθείας πρόβλεψη δεν πάσχει από αυτό το πρόβλημα.
28 ΕΜΠΕΙΡΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΥΠΟΣΤΗΡΙΖΟΥΝ ΚΑΙ ΤΙΣ ΔΥΟ ΑΠΟΨΕΙΣ Η απ ευθείας μέθοδος είναι καλύτερη όταν: Οι μεμονωμένες χρονοσειρές είναι θετικά συσχετισμένες (τείνουν να μεταβάλλονται μαζί π.χ. όλοι οι πελάτες επηρεάζονται από τις οικονομικές συγκυρίες Οι προβλέψεις χαμηλού επιπέδου δεν αξιοποιούν όλη τη διαθέσιμη πληροφορία
29 Η ψηφιοποίηση του εκπαιδευτικού υλικού έγινε στο πλαίσιο υλοποίησης της πράξης με τίτλο «ΕΝΙΣΧΥΣΗ ΣΠΟΥΔΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ στο ΤΕΙ ΚΑΒΑΛΑΣ», του Μέτρου 2.2 «Αναμόρφωση Προγραμμάτων Σπουδών - Διεύρυνση Τριτοβάθμιας Εκπαίδευσης» του ΕΠΕΑΕΚ ΙΙ, που συγχρηματοδοτείται από το Ευρωπαϊκό Κοινωνικό Ταμείο (Ε.Κ.Τ.) κατά 80% και Εθνικούς πόρους κατά 20%.
ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΑΠΛΑ ΜΟΝΤΕΛΑ
ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΑΠΛΑ ΜΟΝΤΕΛΑ Η τέχνη του να χρησιμοποιούμε την πληροφορία για να προβλέψουμε τη μελλοντική συμπεριφορά μιας χρονοσειράς Δεν υπάρχουν Μαγικά Μαθηματικά που μας δίνουν μαντικές ικανότητες Παράδειγμα
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,
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
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
ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ
ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ Το ενδιαφέρον επικεντρώνεται πάντα στον πληθυσμό Το δείγμα χρησιμεύει για εξαγωγή συμπερασμάτων για τον πληθυσμό π.χ. το ετήσιο εισόδημα των κατοίκων μιας περιοχής Τα στατιστικά
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
ΚΕΦΑΛΑΙΟ 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
ΚΑΤΑΝΟΜΗ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ
ΚΑΤΑΝΟΜΗ ΠΥΚΝΟΤΗΤΑΣ ΠΙΘΑΝΟΤΗΤΑΣ Σε αντίθεση με την διακριτή τυχαία μεταβλητή, μία συνεχής τυχαία μεταβλητή παίρνει μη-αριθμήσιμο (συνεχές) πλήθος τιμών. Δεν μπορούμε να καταγράψουμε το σύνολο των τιμών
Τυχαία μεταβλητή είναι μία συνάρτηση ή ένας κανόνας που αντιστοιχίζει ένα αριθμό σε κάθε αποτέλεσμα ενός πειράματος.
ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ Τυχαία μεταβλητή είναι μία συνάρτηση ή ένας κανόνας που αντιστοιχίζει ένα αριθμό σε κάθε αποτέλεσμα ενός πειράματος. Εναλλακτικά η τιμή της τυχαίας μεταβλητής είναι ένα αριθμητικό γεγονός.
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
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
ΤΙ ΕΙΝΑΙ ΣΤΑΤΙΣΤΙΚΗ; Στατιστική είναι η διαδικασία εξαγωγής πληροφορίας από τα δεδομένα. Διαχείριση Πληροφοριών 1.1
ΤΙ ΕΙΝΑΙ ΣΤΑΤΙΣΤΙΚΗ; Στατιστική είναι η διαδικασία εξαγωγής πληροφορίας από τα δεδομένα Διαχείριση Πληροφοριών 1.1 ΤΙ ΕΙΝΑΙ ΣΤΑΤΙΣΤΙΚΗ; Στατιστική είναι η διαδικασία εξαγωγής πληροφορίας από τα δεδομένα
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 14 Μαρτίου 018 1/34 Διαστήματα Εμπιστοσύνης. Εχουμε δει εκτενώς μέχρι τώρα τρόπους εκτίμησης
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
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
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..
Επιχειρηματικές 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
Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν
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
Αγορές: Αγορά είναι οτιδήποτε φέρνει σε επικοινωνία αγοραστές και πωλητές. Η αγορά έχει δύο πλευρές: αγοραστές (Ζήτηση) και πωλητές (Προσφορά).
Ζήτηση και Προσφορά ΚΕΦΑΛΑΙΟ 3 Αγορές: Αγορά είναι οτιδήποτε φέρνει σε επικοινωνία αγοραστές και πωλητές. Η αγορά έχει δύο πλευρές: αγοραστές (Ζήτηση) και πωλητές (Προσφορά). Ανταγωνιστικές Αγορές: Είναιοιαγορές,
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Αναπλ. Καθηγήτρια, Ελένη Κανδηλώρου. Αθήνα Σημειώσεις. Εκτίμηση των Παραμέτρων β 0 & β 1. Απλό γραμμικό υπόδειγμα: (1)
Σημειώσεις Αναπλ. Καθηγήτρια, Ελένη Κανδηλώρου Αθήνα -3-7 Εκτίμηση των Παραμέτρων β & β Απλό γραμμικό υπόδειγμα: Y X () Η αναμενόμενη τιμή του Υ, δηλαδή, μέση τιμή του Υ, δίνεται παρακάτω: EY ( ) X EY
8. Η ζήτηση ενός αγαθού µεταβάλλεται προς την αντίθετη κατεύθυνση µε τη µεταβολή της τιµής του υποκατάστατου αγαθού.
ΚΕΦΑΛΑΙΟ 2 : Η ΖΗΤΗΣΗ Να σηµειώσετε το σωστό ή το λάθος στο τέλος των προτάσεων: 1. Η επιδίωξη της µέγιστης χρησιµότητας αποτελεί βασικό χαρακτηριστικό της συµπεριφοράς του καταναλωτή στη ζήτηση αγαθών.
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
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
ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ Εισαγωγή
1 ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ Εισαγωγή Η ανάλυση ευαισθησίας μιάς οικονομικής πρότασης είναι η μελέτη της επιρροής των μεταβολών των τιμών των παραμέτρων της πρότασης στη διαμόρφωση της τελικής απόφασης. Η ανάλυση
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
Διαστήματα Εμπιστοσύνης
Διαστήματα Εμπιστοσύνης 00 % Διαστήματα Εμπιστοσύνης για τη μέση τιμή ενός πληθυσμού Κατανομή Διασπορά Μέγεθος δείγματος Διάστημα Εμπιστοσύνης Κανονική Γνωστή Οποιοδήποτε Οποιαδήποτε Γνωστή Μεγάλο 30 Z
cv = κατάλληλη κριτική (κρίσιμη) τιμή από τους πίνακες της Ζ ή t κατανομής
ΕΚΤΙΜΗΣΗ ΔΙΑΣΤΗΜΑΤΟΣ Δ.Ε. της παραμέτρου θ: ˆ θ cv σ < θ < ˆ θ + cv σ ˆ θ ˆ θ θ = η παράμετρος που θέλουμε να εκτιμήσουμε, ˆ θ = η εκτίμηση της θ που προκύπτει από το τ.δ. cv = κατάλληλη κριτική (κρίσιμη)
10. Η επιδίωξη της μέγιστης χρησιμότητας αποτελεί βασικό χαρακτηριστικό της συμπεριφοράς του καταναλωτή στη ζήτηση αγαθών.
ΚΕΦΑΛΑΙΟ 2 : Η ΖΗΤΗΣΗ Να σημειώσετε το σωστό ή το λάθος στο τέλος των προτάσεων: 1. Όταν η ζήτηση ενός αγαθού είναι ελαστική, η συνολική δαπάνη των καταναλωτών για το αγαθό αυτό μειώνεται καθώς αυξάνεται
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
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Εκεί που είμαστε Κεφάλαια 7 και 8: Οι διωνυμικές,κανονικές, εκθετικές κατανομές και κατανομές Poisson μας επιτρέπουν να κάνουμε διατυπώσεις πιθανοτήτων γύρω από το Χ
Αριθμητικές Προσομοιώσεις του πρότυπου ISING στις Τρεις Διαστάσεις
Αριθμητικές Προσομοιώσεις του πρότυπου ISING στις Τρεις Διαστάσεις Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών Εθνικό Μετσόβιο Πολυτεχνείο ΚΟΡΝΑΡΟΣ ΕΥΑΓΓΕΛΟΣ Εισαγωγή ό ή ί ί μ έ ά μ έ Ising μ
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
Επιχειρησιακός Σχεδιασμός & Επιχειρηματικότητα
ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Επιχειρησιακός Σχεδιασμός & Επιχειρηματικότητα Ενότητα 6: Η Αγορά Νικόλαος Καρανάσιος Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ
4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ Πριν από την επιλογή της κατάλληλης μεθόδου πρόβλεψης είναι σκόπιμο να λάβουμε υπ όψη τα παρακάτω ερωτήματα: (α) (β) (γ) (δ) (ε) (ζ) (η) Γιατί χρειαζόμαστε την πρόβλεψη;
Τεχνικές 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
ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων
ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων α) Σημειοεκτιμητική β) Εκτιμήσεις Διαστήματος ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Παράδειγμα
Ποσοτική Ανάλυση Κινδύνων
27 Ποσοτική Ανάλυση Κινδύνων Αναμενόμενη τιμή Δένδρα σφαλμάτων Δένδρα γεγονότων Προσομοίωση Monte Carlo Ανάλυση Ευαισθησίας Τεχνική PERT 28 Αναμενόμενη Τιμή 29 Παράδειγμα υπολογισμού Αναμενόμενης Τιμής
Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης
1 Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης Όπως γνωρίζουμε από προηγούμενα κεφάλαια, στόχος των περισσότερων στατιστικών αναλύσεων, είναι η έγκυρη γενίκευση των συμπερασμάτων, που προέρχονται από
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
Οι παραγγελίες ακολουθούν την κατανομή Poisson. Σύμφωνα με τα δεδομένα ο
ΘΕΜΑ 1 ο (ΜΟΝΑΔΕΣ 10) Μια βιοτεχνία καθαρισμού ρούχων λειτουργεί καθημερινά 8 ώρες. Η βιοτεχνία δέχεται κατά μέσο όρο 4 παραγγελίες την ημέρα για καθαρισμό ενδυμάτων. (ι). Να υπολογισθεί η πιθανότητα να
Γενικός Δείκτης. Εικόνα Αγοράς ΗΜΕΡΗΣΙΟ ΔΕΛΤΙΟ 6/10/2017
Γενικός Δείκτης Εικόνα Αγοράς Πτώση στο Χ.Α. Ο Γενικός Δείκτης έκλεισε στις 744,80 μονάδες, σημειώνοντας απώλειες 0,79%. Η αξία των συναλλαγών διαμορφώθηκε στα 31,85 εκατ. εκ των οποίων 5,56 εκατ. αποτελούσαν
Διαστήματα εμπιστοσύνης. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς
Διαστήματα εμπιστοσύνης Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Το διάστημα εμπιστοσύνης είναι ένα διάστημα αριθμών
ΛΟΓΙΣΤΙΚΟ ΣΧΕΔΙΟ. Διδάσκων: Δρ. Ναούμ Βασίλης. Κωδικός Μαθήματος ΔΕΛΟΓ41-2. Εξάμηνο Μαθήματος 6 ο ή 8 ο. Τύπος Μαθήματος Επιλογής
ΛΟΓΙΣΤΙΚΟ ΣΧΕΔΙΟ Διδάσκων: Δρ. Ναούμ Βασίλης Κωδικός Μαθήματος ΔΕΛΟΓ41-2 Εξάμηνο Μαθήματος 6 ο ή 8 ο Τύπος Μαθήματος Επιλογής Τομέας Λογιστικής & Χρηματοοικονομικής 2 1 Στόχος Μαθήματος Εξετάζει το Ελληνικό
ΛΟΓΙΣΤΙΚΟ ΣΧΕΔΙΟ. Διδάσκων: Δρ. Ναούμ Βασίλης
ΛΟΓΙΣΤΙΚΟ ΣΧΕΔΙΟ Διδάσκων: Δρ. Ναούμ Βασίλης 1 Κωδικός Μαθήματος ΔΕΛΟΓ41-2 Εξάμηνο Μαθήματος 6 ο ή 8 ο Τύπος Μαθήματος Επιλογής Τομέας Λογιστικής & Χρηματοοικονομικής 2 2 Στόχος Μαθήματος Εξετάζει το Ελληνικό
ΑΡΘΡΟ: Επισκεφθείτε το Management Portal της Specisoft:
Specisoft ΑΡΘΡΟ: Επισκεφθείτε το Management Portal της Specisoft: NPV & IRR: Αξιολόγηση & Ιεράρχηση Επενδυτικών Αποφάσεων Από Αβραάμ Σεκέρογλου, Οικονομολόγo, Συνεργάτη της Specisoft Επισκεφθείτε το Management
Επιβλέπων καθηγητής : Βιδάλης Μιχάλης
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΟΙ ΠΡΟΒΛΕΨΕΙΣ ΩΣ ΕΡΓΑΛΕΙΟ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΖΗΤΗΣΗΣ (DEMAND PLANNING) Εισηγήτρια : Πρώη Μαρία (Α.Μ. 20205) Επιβλέπων καθηγητής : Βιδάλης Μιχάλης Συνβαθμολογητής : Βαλλίρης Γιώργος Χίος
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 08-09 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Η θεωρία Weber Προσέγγιση του ελάχιστου κόστους
Η θεωρία Weber Προσέγγιση του ελάχιστου κόστους Ο θεμελιωτής της θεωρίας χωροθέτησης της βιομηχανίας ήταν ο Alfred Weber, την οποία αρχικά παρουσίασε ο μαθηματικός Laundhart (1885). Ο A. Weber (1868-1958)
Η ΑΓΟΡΑ. Νικόλαος Καρανάσιος Επίκουρος Καθηγητής
Η ΑΓΟΡΑ Νικόλαος Καρανάσιος Επίκουρος Καθηγητής Εφικτότητα Τεχνική Τεχνολογική Νομοθετική Χρηματοδοτική Στελεχειακή Περιβαλλοντολογική Κοινωνική Δυνητικοί Καταναλωτές. Άμεσοι ανταγωνιστές Έμμεσοι Ανταγωνιστές
3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ
3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων
Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»
Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Αργυροπούλου Αιμιλία
ΤΡΙΜΗΝΟ ,0% +30,6% +17,3% 21 η ΕΡΕΥΝΑ. 1ο TΡΙΜΗΝΟ 2019
1 +24, +3,6 +17,3 1ο TΡΙΜΗΝΟ 21 η ΕΡΕΥΝΑ 2 ME THN ΥΠΟΣΤΗΡΙΞΗ ΤΩΝ ΕΤΑΙΡΕΙΩΝ ΜΕΛΩΝ ΤΟΥ ΣΕΣΜΑ 3 Α ΕΙΣΑΓΩΓΗ Ο ΣΕΣΜΑ δημιούργησε το «Βαρόμετρο του ΣΕΣΜΑ για την Οικονομία» μέσω του οποίου καταγράφονται ανά
Πρόγραμμα Η/Υ F O R C. Χρονολογικές Σειρές. Προβλέψεις Οικονομικών Μεγεθών Υπολογισμός προβλέψεων χρονοσειρών με διάφορες μεθόδους
Specisoft www.specisoft.gr Πρόγραμμα Η/Υ F O R C 1800 Χρονολογικές Σειρές 1600 1400 K1 K2 Προβλέψεις 1200 1000 800 600 0 10 20 30 40 50 60 70 80 Περίοδοι Προβλέψεις Οικονομικών Μεγεθών Υπολογισμός προβλέψεων
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
Λειτουργικά Συστήματα (ΗΥ321)
Λειτουργικά Συστήματα (ΗΥ321) Διάλεξη 8: Σελιδοποίηση & Swapping Από τα Προηγούμενα 2 Φυσική μνήμη Έλλειψη προστασίας Περιορισμένο μέγεθος Συνεχείς ή κατά κανόνα συνεχείς περιοχές Διαμοίραση ορατή στα
10. Η επιδίωξη της μέγιστης χρησιμότητας αποτελεί βασικό χαρακτηριστικό της συμπεριφοράς του καταναλωτή στη ζήτηση αγαθών.
ΚΕΦΑΛΑΙΟ 2 : Η ΖΗΤΗΣΗ Να σημειώσετε το σωστό ή το λάθος στο τέλος των προτάσεων: 1. Όταν η ζήτηση ενός αγαθού είναι ελαστική, η συνολική δαπάνη των καταναλωτών για το αγαθό αυτό μειώνεται καθώς αυξάνεται
(i) Νόμος Ζήτησης. Μικροοικονομία Εξετάζει τη συμπεριφορά του οικονομούντος ατόμου (καταναλωτή, παραγωγού επιχείρησης)
ΕΙΣΑΩΗ Μικροοικονομία Εξετάζει τη συμπεριφορά του οικονομούντος ατόμου (καταναλωτή, παραγωγού επιχείρησης) Μικροοικονομία ή Θεωρία Τιμών Σημείο αναφοράς είναι ο προσδιορισμός της τιμής ενός αγαθού. Ν Ο
Operations Management Διοίκηση Λειτουργιών
Operations Management Διοίκηση Λειτουργιών Διδάσκων: Δρ. Χρήστος Ε. Γεωργίου xgr@otenet.gr 3 η εβδομάδα μαθημάτων 1 Το περιεχόμενο της σημερινής ημέρας Συστήµατα προγραµµατισµού, ελέγχου και διαχείρισης
5.1 Δραστηριότητα: Εισαγωγή στο ορισμένο ολοκλήρωμα
5.1 Δραστηριότητα: Εισαγωγή στο ορισμένο ολοκλήρωμα Θέμα της δραστηριότητας Η δραστηριότητα εισάγει τους μαθητές στο ολοκλήρωμα Riemann μέσω του υπολογισμού του εμβαδού ενός παραβολικού χωρίου. Στόχοι
Κατανομή συνάρτησης τυχαίας μεταβλητής Y=g(X) Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ13 ( 1 )
Κατανομή συνάρτησης τυχαίας μεταβλητής =() Πιθανότητες & Στατιστική 07 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ3 ( ) Κατανομή συνάρτησης τυχαίας μεταβλητής Έστω τ.μ. Χ με γνωστή κατανομή. Δηλαδή
ΗΜΕΡΗΣΙΟ ΕΛΤΙΟ 29/12/2014
Γενικός είκτης Εικόνα Αγοράς Απώλειες στο Χ.Α. Ο Γενικός είκτης έκλεισε στις 853,20 µονάδες, σηµειώνοντας πτώση 1,69%. Η αξία των συναλλαγών διαµορφώθηκε στα 61,95 εκατ. εκ των οποίων 7,20 αποτελούσαν
ΤΡΙΜΗΝΟ ,3% +43,8% +38,7% 22 η ΕΡΕΥΝΑ. 2ο TΡΙΜΗΝΟ 2019
II 1 +41,3 +43,8 +38,7 2ο TΡΙΜΗΝΟ 22 η ΕΡΕΥΝΑ II 2 ME THN ΥΠΟΣΤΗΡΙΞΗ ΤΩΝ ΕΤΑΙΡΕΙΩΝ ΜΕΛΩΝ ΤΟΥ ΣΕΣΜΑ 3 Α ΕΙΣΑΓΩΓΗ Ο ΣΕΣΜΑ δημιούργησε το «Βαρόμετρο του ΣΕΣΜΑ για την Οικονομία» μέσω του οποίου καταγράφονται
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων Γρεβενά Μάθημα: Οικονομετρία Διάλεξη 3η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Ιδιότητες εκτιμώμενης ευθείας παλινδρόμησης με τη μέθοδο των ελαχίστων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Αξιολόγηση Επενδυτικών Σχεδίων
Αξιολόγηση Επενδυτικών Σχεδίων Ενότητα 2: Πίνακας Ταμειακών Ροών Δ. Δαμίγος Μ. Μενεγάκη Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαχείριση Εφοδιαστικής Αλυσίδας Μέρος 5 Αξιολόγηση Εναλλακτικών Σεναρίων ΔΡ. ΙΩΑΝΝΗΣ ΡΟΜΠΟΓΙΑΝΝΑΚΗΣ
2018 Διαχείριση Εφοδιαστικής Αλυσίδας Μέρος 5 Αξιολόγηση Εναλλακτικών Σεναρίων ΔΡ. ΙΩΑΝΝΗΣ ΡΟΜΠΟΓΙΑΝΝΑΚΗΣ Για την ανάλυση και αξιολόγησης των εναλλακτικών σχεδίων εξέλιξης της ζήτησης σε μια ΕΑ, που θα
X = = 81 9 = 9
Πιθανότητες και Αρχές Στατιστικής (11η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 35 Σύνοψη
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης
Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων
Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Με τον όρο μη γραμμικές εξισώσεις εννοούμε εξισώσεις της μορφής: f( ) 0 που προέρχονται από συναρτήσεις f () που είναι μη γραμμικές ως προς. Περιέχουν δηλαδή
Στατιστική για Οικονομολόγους ΙΙ ΛΥΜΕΝΑ ΘΕΜΑΤΑ παλαιοτέρων ετών από «ανώνυμο φοιτητή» (Στις ΛΥΣΕΙΣ ενδεχομένως να υπάρχουν λάθη. )
Στατιστική για Οικονομολόγους ΙΙ ΛΥΜΕΝΑ ΘΕΜΑΤΑ παλαιοτέρων ετών από «ανώνυμο φοιτητή» (Στις ΛΥΣΕΙΣ ενδεχομένως να υπάρχουν λάθη. ) Πίνακας Περιεχομένων Εργασία η... Θέμα ο :... Θέμα ο :... 4 Θέμα 3 ο :...
E[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
ΧΡΟΝΙΚΗ ΟΛΟΚΛΗΡΩΣΗ. Για την επίλυση χρονομεταβαλλόμενων προβλημάτων η διακριτοποίηση στο χώρο γίνεται με πεπερασμένα στοιχεία και είναι της μορφής:
ΧΡΟΝΙΚΗ ΟΛΟΚΛΗΡΩΣΗ Για την επίλυση χρονομεταβαλλόμενων προβλημάτων η διακριτοποίηση στο χώρο γίνεται με πεπερασμένα στοιχεία και είναι της μορφής: (,)(,)()() h 1 u x t u x t u t x (1) e Η διαφορά με τα
Θεωρία επιλογών του καταναλωτή
Καθηγήτρια: Β. ΠΕΚΚΑ- ΟΙΚΟΝΟΜΟΥ Υποψήφια Διδάκτωρ: Σ. ΤΑΚΑΟΓΛΟΥ Θεωρία επιλογών του καταναλωτή Θα Εξετάσαμε: Χρησιμότητα Συνολική και Οριακή Χρησιμότητα Ισορροπία Καταναλωτή και Νόμος Ζήτησης Εισοδηματικός
ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ
ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ Ορισμός Επιχειρηματικός Σχεδιασμός είναι η διαδικασία εκπόνησης ενός σχεδίου που υλοποιεί μια επιχειρηματική ιδέα από έναν ή περισσότερους επιχειρηματίες και τους συνεργάτες
TEI Ανατολικής Μακεδονίας & Θράκης Τμήμα Λογιστικής & Χρηματοοικονομικής
TEI Ανατολικής Μακεδονίας & Θράκης Τμήμα Λογιστικής & ρηματοοικονομικής Μάθημα: ρηματοοικονομική Λογιστική Ι 7 η Εισήγηση Διδάσκων: Αθανάσιος Μανδήλας Λογιστικό Σφάλμα Τι είναι; Κάθε σφάλμα το οποίο γίνεται
Εισαγωγή στην Εκτιμητική
Εισαγωγή στην Εκτιμητική Πληθυσμός Εκτίμηση παραμέτρου πληθυσμού μ, σ 2, σ, p Δείγμα Υπολογισμός στατιστικού Ερώτηματα: Πόσο κοντά στην πραγματική τιμή της παραμέτρου του πληθυσμού βρίσκεται η εκτίμηση
Πανεπιστήμιο Μακεδονίας ΟΔΗΓΟΣ ΓΙΑ ΤΗΝ ΣΥΝΤΑΞΗ ΕΝΟΣ ΠΕΤΥΧΗΜΕΝΟΥ BUSINESS PLAN
ΟΔΗΓΟΣ ΓΙΑ ΤΗΝ ΣΥΝΤΑΞΗ ΕΝΟΣ ΠΕΤΥΧΗΜΕΝΟΥ BUSINESS PLAN Business Plan Ένα Business Plan αποτελεί την παρουσίαση μιας επιχειρηματικής ιδέας την οποία πρέπει να περιγράφει και να προβάλλει, περιεκτικά και
Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
ΣΧΕΔΙΑΣΜΟΣ ΔΥΝΑΜΙΚΟΤΗΤΑΣ
ΣΧΕΔΙΑΣΜΟΣ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ ΣΧΕΔΙΑΣΜΟΣ Ι. ΓΙΑΝΝΑΤΣΗΣ ΣΧΕΔΙΑΣΜΟΣ Δυναμικότητα ήπαραγωγική ικανότητα: η οριακή ικανότητα ενός παραγωγικού συστήματος να παράγει προϊόντα ή υπηρεσίες σε μια χρονική περίοδο
ΑΠΟΤΥΠΩΣΕΙΣ - ΧΑΡΑΞΕΙΣ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΣΦΑΛΜΑΤΩΝ
ΑΠΟΤΥΠΩΣΕΙΣ - ΧΑΡΑΞΕΙΣ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΣΦΑΛΜΑΤΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις, Ασκήσεις,
Πίνακας 1: Απασχολούμενοι, άνεργοι, οικονομικά μη ενεργοί και ποσοστό ανεργίας, Ιανουάριος
Πίνακας 1: Απασχολούμενοι, άνεργοι, οικονομικά μη ενεργοί και ποσοστό ανεργίας, Ιανουάριος 2012-2017 Ιανουάριος 2012 201 2014 2015 2017 Α π α σ χολού μ ενο ι.849.108.545.885.504.987.55.774.61.801.69.126
. Τι πρακτική αξία έχουν αυτές οι πιθανότητες; (5 Μονάδες)
Εργαστήριο Μαθηματικών & Στατιστικής Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ η Πρόοδος στο Μάθημα Στατιστική //7 ο Θέμα α) Περιγράψτε τη σχέση Θεωρίας Πιθανοτήτων και Στατιστικής. β) Αν Α, Β ενδεχόμενα του δειγματικού χώρου Ω
11/5/2015. Οι επιχειρήσεις
Οι επιχειρήσεις 1 Oι επιχειρήσεις την σύγχρονη εποχή εξαρτώνται κατά πολύ από την τεχνολογία. Οι επιχειρήσεις επενδύουν σε ποικίλα πληροφοριακά συστήματα στον χώρο της παραγωγής, στον χώρο της διοίκησης,
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Ε. ΔΗΜΗΤΡΙΑΔΟΥ ΕΕΔΙΠ ΙΙ
Ε. ΔΗΜΗΤΡΙΑΔΟΥ ΕΕΔΙΠ ΙΙ . Χρηματοοικονομικό εργαλείο. Τεχνική για τη μελέτη, έρευνα και απόκτηση συμπερασμάτων γύρω από τη σχέση των: σταθερών δαπανών μεταβλητών δαπανών εισπράξεων κερδών οποιασδήποτε
Εισαγωγή στο Παίγνιο Διοίκησης Επιχειρήσεων (business game)
Γιώργος Μαυρωτάς Επικ. Καθηγητής Εργαστήριο Βιομηχανικής & Ενεργειακής Οικονομίας Σχολή Χημικών Μηχανικών, Ε.Μ.Π. Εισαγωγή στο Παίγνιο Διοίκησης Επιχειρήσεων (business game) 2o Θερινό Σχολείο Νεανικής
[Υπόδειξη: Τα αγαθά που χάνουν την υλική τους υπόσταση και τις ιδιότητες τους μετά την πρώτη χρήση τους ονομάζονται καταναλωτά.]
ΕΡΓΑΣΙΕΣ 1 ου ΚΕΦΑΛΑΙΟΥ 1 η Ομάδα: Ερωτήσεις πολλαπλής επιλογής 1. Η χρησιμότητα της Πολιτικής Οικονομίας είναι κυρίως: α) Η δυνατότητα που μας παρέχει να επεμβαίνουμε στο οικονομικό σύστημα για να βελτιώνουμε
Εκτίμηση μη-γραμμικών χαρακτηριστικών
Εκτίμηση μη-γραμμικών χαρακτηριστικών Μη-γραμμικά χαρακτηριστικά ή αναλλοίωτα μέτρα Διάσταση. Ευκλείδια. Τοπολογική 3. Μορφοκλασματική (συσχέτισης, πληροφορίας, μέτρησης κουτιών, ) Εκθέτες Lypunov (μεγαλύτερος,
ΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...
ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα
ΙV. Πρόβλεψης της Ζήτησης Η Σημασία της Πρόβλεψης της Ζήτησης
Η Σημασία της Πρόβλεψης της Ζήτησης 150 Η πρόβλεψη της μελλοντικής ζήτησης είναι ιδιαίτερα σημαντική: Είναι απαραίτητη για τον προγραμματισμό του ανάλογου ανθρώπινου δυναμικού έτσι ώστε η επιχείρηση να
ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΚΕΦΑΛΑΙΟ 9. Κατανομές Δειγματοληψίας
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα
Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα - Ανακατασκευή του χώρου καταστάσεων παρατήρηση της πολυπλοκότητας / στοχαστικότητας / δομής του συστήματος - Εκτίμηση χαρακτηριστικών
Εισαγωγή στο Παίγνιο Διοίκησης Επιχειρήσεων (business game)
Εισαγωγή στο Παίγνιο Διοίκησης Επιχειρήσεων (business game) Εργαστήριο Βιομηχανικής & Ενεργειακής Οικονομίας Σχολή Χημικών Μηχανικών Εθνικό Μετσόβιο Πολυτεχνείο Γιώργος Μαυρωτάς Επ. Καθηγητής, Ε.Μ.Π. Σκοπός
Διαχείριση Πληροφοριών στο Διαδίκτυο. Εργαστήριο 1
Διαχείριση Πληροφοριών στο Διαδίκτυο Εργαστήριο 1 Τεχνολογικό Εκπαιδευτικό Ίδρυμα Καβάλας Σχολή Διοίκησης & Οικονομίας Τμήμα Διαχείρισης Πληροφοριών Διδάσκων Μαρδύρης Βασίλειος, Διπλ. Ηλ. Μηχανικός & Μηχ.
Αξιοποίηση της συσχέτισης μεταξύ λέξεων για τη βελτίωση του προσεγγιστικού φιλτραρίσματος πληροφορίας
Αξιοποίηση της συσχέτισης μεταξύ λέξεων για τη βελτίωση του προσεγγιστικού φιλτραρίσματος πληροφορίας Σε ένα σύστημα φιλτραρίσματος πληροφορίας, ή αλλιώς σύστημα έκδοσης/συνδρομής, οι χρήστες εγγράφονται