Aikasarjan ennakointi QM: n käyttäminen Windowsissa. Page 690 continued. Time - sarjan ennustaminen QM: n Windows. QM: n avulla Windowsilla on kyky ennustaa kaikkiin aikaisemmin kuvattuihin aikasarjamenetelmiin mennessä QM for Windowsilla on moduulit keskimääräisten liikkeiden, eksponenttien tasoittamiseen ja säädettyihin eksponenttien tasoittamiseen sekä lineaarisiin regressio. Osoittamalla QM: n ennustuskapasiteettia Windowsille luodaan eksponentiaalinen tasoittaminen 30 ennusteelle, joka lasketaan manuaalisesti PM Computer Servicesille. Taulukko 15 4 Ratkaisulähtö näkyy näytössä 15 6.Exhibit 15 6. Tämä kohta näkyy sivulla Huomaa, että ratkaisun yhteenveto sisältää ennusteet per jakso ja ennuste seuraavan jakson 13 sekä kolme ennusteiden tarkkuusvirheen keskimääräistä virhettä, keskimääräinen absoluuttinen poikkeama MAD ja keskimääräinen neliövirhe MSE. Vähintään neliöiden moduulia tai yksinkertaista lineaarista regressio-moduulia QM Windowsissa voidaan käyttää lineaarisen trendilinjan ennusteen kehittämiseen Käyttämällä pienimmän neliösumman moduulia, solu joka on kehitetty PM Computer Servicesille, esitetään esitys 15 7.Exhibit 15 7. Page 691 continued. Regression Methods. Eksponentiaalisen tasoituksen ja liukuvan keskiarvon aikasarjatekniikat liittyvät yhteen ennustettuun muuttujaan, kuten kysyntä aikaiseksi Sitä vastoin regressio on ennustustekniikka, joka mittaa yhden muuttujan suhdetta yhteen tai useampaan muuhun muuttujaan. Esimerkiksi jos tiedämme, että jotain on aiheuttanut tuotekysyntää käyttäytyäkseen tietyllä tavalla aiemmin, voisimme toivoa tunnistaa tämä suhde Jos sama asia jatkuu tulevaisuudessa, voimme sitten ennustaa, mitä kysyntä on. Esimerkiksi on olemassa hyvin tunnettu suhde uusien asuntojen kysynnän lisääntymisen ja alhaisempien korkojen välillä Vastaavasti lukuisia rakennusalan tuotteita ja palveluiden kysyntä kasvaa, jos uusi asunto alkaa kasvaa Vastaavasti DVD-soittimien myynnin kasvu lisää DVD: n kysynnän kasvua. Yksinkertaisin f regressio on lineaarinen regressio, johon muistutat aiemmin kehitellaksemme lineaarisen trendilinjan ennakoimiseksi Seuraavassa osassa kerromme, kuinka kehitämme regressiomallin muuttujille, jotka liittyvät muuhun kuin time. Linear regression. Simple linear regression tarkoittaa yhtä riippuvaista muuttujaa yhdelle riippumattomalle muuttujalle lineaarisen yhtälön muodossa. Linearinen regressio liittyy kysyntästä riippuvaiseen muuttujan suhteen riippumattomaan muuttujaan. Lineaarisen yhtälön, kaltevuuden, b ja leikkauksen kehittämiseksi täytyy ensin laskea käyttämällä seuraavaa pienimmän neliösumman kaavoja. Tarkastelemme regressiota esimerkkinä. State Universityn urheilualan osasto haluaa kehittää budjettiaan tulevana vuonna käyttäen ennustusta jalkapallon osallistumisesta Jalkapallo osallistuu suurimman osan tuloistaan ja urheilullinen johtaja uskoo osallistuminen liittyy suoraan tiimin voittojen määrään. Liiketoiminnan johtaja on kerännyt yhteensä vuosittaiset läsnäololuvut viimeisten kahdeksan vuoden aikana. Kun otetaan huomioon paluumuuttajien määrä ja aikataulun vahvuus, urheilullinen johtaja uskoo joukkue voittaa vähintään seitsemän peliä ensi vuonna. Hän haluaa kehittää yksinkertaisen regressioyhtälön näiden tietojen ennakoimaan läsnäoloa tämä onnistumistaso. Kaulukot, jotka ovat välttämättömiä a ja b laskemiseksi pienimmän neliösumman kaavojen avulla, on esitetty yhteenvetona taulukossa 15 10 Huomaa, että y: n suuruus on pienentynyt manuaalisen laskennan helpottamiseksi. Taulukko 15 10 Pienimmän neliösumman laskenta. , 1000. Jos nämä arvot korvataan a ja b: ksi lineaariseen yhtälölinjaan, niin on x 7 voittoa varten osallistumisennuste on 18 46 4 06 7 46 88 tai 46 880. Data-pistettä regressiolla linja on esitetty kuviossa 15 6 Kun regressiolinja havaitaan suhteessa datapisteisiin, näyttää siltä, että tieto noudattaa selkeää ylöspäin suuntautuvaa lineaarista suuntausta, mikä viittaa siihen, että ennuste olisi suhteellisen tarkka. Itse asiassa M Tämän ennustamismallin AD-arvo on 1 41, mikä viittaa siihen, että tarkka ennuste on. Lineaarisen regressioyhtälön korrelaatio on riippumattoman ja riippuvaisen muuttujan välisen suhteen vahvuuden mitta. Korrelaatiokertoimen kaava on. Korrelaatio on mitta riippumattomien ja riippuvien muuttujien välisen suhteen vahvuus. R: n arvo vaihtelee välillä 1 00 ja 1 00, ja arvo 1 00 osoittaa voimakasta lineaarista suhdetta muuttujien If r 1 00 mukaan, riippumattoman muuttujan kasvu tulosta vastaava lineaarinen lisäys riippuvaisessa muuttujassa Jos r 1 00, riippuvaisen muuttujan kasvu johtaa lineaariseen vähenemiseen riippuvaisessa muuttujassa. R-arvon lähellä nollaa tarkoittaa sitä, että muuttujien välillä on vain vähän tai ei lainkaan lineaarista suhdetta. 15 6 Lineaarinen regressiolinja. Voimme määrittää korrelaatiokertoimen lineaariselle regressioyhtälölle, joka on määritetty valtionyliopiston esimerkissä suurimman osan kaavasta, joka on laskettu vähiten neliösummalle lukuun ottamatta S y 2: n r-kaavalle. Tämä korrelaatiokertoimen arvo on hyvin lähellä yhtä, mikä osoittaa vahvan lineaarisen suhteen voittojen määrän ja kotikäynnin välillä. Toinen toimenpide lineaarisen regressioyhtälön muuttujien välisen suhteen vahvuus on määrityskerroin. Se lasketaan yksinkertaisesti neliöimällä r: n arvo. Se ilmaisee riippuvuussuhteessa olevan muuttujan prosenttiosuuden, joka on seurausta itsenäisen muuttuja Esimerkiksi r 948 määrityskerroin on. Määrityskerroin on riippumattoman muuttujan tuloksena olevan riippuvaisen muuttujan variaation prosenttiosuus. Tämä määrityskertoimen arvo tarkoittaa, että 89 9: osallistumisen vaihtelu voi johtua joukkueen voittojen määrästä jäljelle jääneillä 10 1 muilla selittämättömillä tekijöillä, kuten sää, hyvä tai huono alku, julkisuus jne. Yhden tai 100 arvon mukaan osallistuminen riippuu täysin voitoista. Koska 10 1 muutoksesta on seurausta muista tekijöistä, voidaan odottaa jonkin verran ennustevirheitä. Management Science Application ennustaa päivittäistä kysyntää kaasuteollisuudessa. Vermont Gas Systems on luonnonkaasun apuohjelma, joka palvelee noin 26 000 yritys-, teollisuus - ja asuinasiakasta 13 kaupunkia Luoteis Vermontissa. Kysyntäennusteet ovat kriittinen osa Vermont Gas Systemsin toimitusketju, joka ulottuu Kanadan kautta Kanadan länsiosista toimittajiin TransCanada-putkistossa sijaitseviin varastotiloihin Vermont Gas Systemsin putkistoon Kaasusopimukset on ilmoitettava toimittajille vähintään 24 tuntia etukäteen Vermont Gas Systemsin varastokapasiteetti on käytettävissä ainoastaan 1 tunti kaasun käyttöä, joten tarkka päivittäinen ennuste kaasun kysynnästä on välttämätöntä. Vermont Gas Systems käyttää regressiota ennusteeseen kaasun kysyntä Ennustemallien mukaan kaasukysyntä on riippuvainen muuttuja ja tekijät kuten säätiedot ja teollisuuden asiakaskysyntä ovat riippumattomia muuttujia Talvella asiakkaat käyttävät enemmän kaasua lämmöntuotantoon ja antavat tarkan sääennusteen erittäin tärkeä tekijä Yksityiskohtainen 3 päivän sääennusteet Vermont Gas Systemsille viisi kertaa päivässä sääennustamispalvelusta Yksittäisiä regressioennusteita kehitetään 24 suurta teollisuus - ja kunta-asiakkaalle, kuten tehtaille, sairaaloille ja kouluille Käytön loppukäyttö on kokonaispotentiaalinen kapasiteetti järjestelmä muuttuu päivittäin, kun uudet asiakkaat siirtyvät uuteen taloon, asuntoon tai liiketoimintaan, lisäävät uusia laitteita tai laitteita järjestelmään. Apuohjelma käyttää vain viimeisintä 30 päivän kysyntätietoja kehittäessään ennustettaan mallit ja se päivittää mallit viikoittain Vermont Gas Systems tulkitsee ennustemallin tulokset ja täydentää niitä sen yksilöllinen tietämys toimitusketjun jakelujärjestelmästä ja asiakkaiden käytöstä, jotta voidaan kehittää yleinen ja tarkka päivittäinen ennuste kaasuntarpeesta. Columbian kaasuyhtiö Ohioon, Virginia-konsernin tytäryhtiö Columbia Energy Group on suurin maakaasualan apuohjelma Ohiossa. 1 3 miljoonaa asiakasta yli 1 000 yhteisössä Kolumbia työllistää kaksi päivittäistä ennusteta suunnittelupäivän ennusteeseen ja päivittäiseen operatiiviseen ennusteeseen. Suunnittelupäivän ennusteiden avulla määritetään, kuinka paljon kaasuntoimitusta, siirtokapasiteettia ja varastointikapasiteettia Columbia tarvitsee täyttää sen asiakkaiden tarpeet On erittäin tärkeää, että suunnittelupäivän ennuste on tarkka, jos se ei ole, Columbia ei voi sopia tarpeeksi kaasua toimittajiltaan, mikä voi aiheuttaa puutteita ja asettaa asiakkailleen vaaran Päivittäinen operatiivinen ennuste varmistetaan, toimitukset ovat tasapainossa ennustettujen vaatimusten kanssa seuraavan 5 päivän ajan. Sitä käytetään tasapainottamaan tarjonnan ja kysynnän päivittäin Th e ennusteprosessi on samanlainen kahden ennustetyypin suhteen Columbia käyttää useita regressioanalyyseja, jotka perustuvat päivittäiseen 2 vuoden kysyntään ja useisiin sääoloihin liittyviin riippumattomiin muuttujiin aikasarjan ennustemallin parametrien kehittämiseksi suunnittelupäivän ennusteeseen ja päivittäiseen päivittäiseen ennusteeseen operatiivinen ennuste. Lähde M Flock, ennuste Winter Taloudellinen kaasuntarve Vermont Gas Systems - lehdessä, Journal of Business Forecasting 13, nro 1 Kevät 1994 2 ja H Catron, päivittäinen kysynnän ennustaminen Columbia Gas - lehdessä, ennuste 19, nro 2 Kesä 2000 105.Regression Analysis with Excel. Exhibit 15 8 esittää laskentataulukkoa, joka on kehitetty lineaarisen regressioennusteen kehittämiseksi valtionyliopiston urheilutapahtumalle Esimerkki Huomaa, että Excel laskee kaltevuuden suoraan kaavalla SLOPE B5 B12, A5 A12 syötetty soluun E7 ja näytetään kaavapalkki laskentataulukon yläosassa Kappaleen E6 leikkauksen kaava on INTERCEPT B5 B12, A5 A12 Kaltevuuden ja leikkauksen arvot ovat osa syötetään vaiheittain soluihin E9 ja G9 lineaarisen regressioyhtälön muodostamiseksi Korrelaatiokerroin solussa E13 lasketaan käyttämällä kaavaa CORREL B5 B12, A5 A12 Vaikka laskentataulukkoa ei ole esitetty, määrityskerroin r2 voitaisiin laskea käyttäen kaavaa RSQ B5 B12, A5 A12.Exhibit 15 8. Tämä kohta näkyy sivulla 696 tulostusversiossa. Sama lineaarinen regressioyhtälö voitaisiin laskea Excelissä, jos olisimme kehittäneet ja syöttäneet matemaattisten kaavojen laskennan ja keskeytys, jota kehitimme edellisessä osassa, vaikkakin se olisi ollut aikaa vievää ja tylsiä. On myös mahdollista kehittää hajotuskaavion esimerkkidatauksistamme, joka on samanlainen kuin kuviossa 15 6 esitetyn kaavion, käyttämällä ohjattua ohjetta Excelissä ensimmäisenä , peitä esimerkkidata soluissa A5 B12 laskentataulukossa esitteessä 15 8 Seuraavaksi napsauta Lisää työkalurivillä laskentataulukon yläosassa Tämä johtaa kohtaan, joka näkyy kuvassa 15 9.Exhibit 15 9.Selec t Kaaviot tästä valikosta, joka avaa Ohjattu karttakirjoitus - ikkunan Ohjattu ohjatun kartan ikkunassa valitsemalla Kaaviotyyppi-valikosta XY-hajontakaavion, kuten kuvassa 15 on esitetty. 10. Näytön 15 10 ikkunassa Seuraava avautuu esikatselu esimerkkidata Jos olet unohtanut peittää esimerkkidatan solut aiemmin, sinua pyydetään tekemään niin tässä vaiheessa tämä alue on A5 B12. Napsauttamalla Seuraava voit lisätä tai poistaa kaavion legendoja, nimeä kaaviota ja akseleita ja muokata karttaa yleisesti. Napsauttamalla Valmis näyttää taulukkosi laskentataulukosta, jotta voit sijoittaa sen, pienentää sitä, laajentaa sen tai muokata sitä vielä lisää. Näyttö 15 11 näyttää laskentataulukkosi esimerkillisen hajotusdiagrammalle data. Exhibit 15 10.Exhibit 15 11. Lineaarinen regressioennuste voidaan myös kehittää suoraan Excelin avulla käyttäen Data-analyysi - vaihtoehtoa Tools-valikosta, jota käytimme aiemmin kehittämällä eksponentiaalisesti tasoitettua ennustetta. Näyttö 15 12 esittää Regr ession-valinta Tietojen analyysi - ikkunasta ja Kuva 15 13 esittää regressio-ikkunan Ensin syötetään solut näytöstä 15 8, jotka sisältävät y-arvot läsnäololle, B5 B12 Seuraavaksi annamme x-arvosolut A5 A12 Lähtöalue on sijainti laskentataulukossa, johon haluat tulostaa tulokset Tämän alueen on oltava suuret 18 solua 9 solua kohden, eivätkä ne saa olla päällekkäisiä muiden laskentataulukon kanssa Napsauttamalla OK tuloksena on taulukossa 15 esitetty laskentataulukko. Huomaa, että yhteenveto Lähtöosaa on hieman muokattu ja sitä siirretään ympäri, että kaikki tulokset voidaan sisällyttää näytölle kuvassa 15 14.Exhibit 15 12.Exhibit 15 13.Exhibit 15 14. Tämä kohta näkyy sivulla 699 tulostetussa versiossa. Lähtöosassa kuvassa 15 14 on suuri määrä tilastotietoja, joiden selitykset ja käyttötarkoitukset ovat tämän tekstin ulkopuolelle. Keskeisiä kohteita, jotka kiinnostavat meitä, ovat leikkaus ja kaltevuus, jotka on merkitty X: n muuttuvalla 1: llä e kerroin sarakkeessa laskentataulukon alareunassa ja Multiple R - tai korrelaatiokerroin-arvolla, joka on esitetty regressiotilastoissa. Huomaa Excel-QM: ssä on myös laskentataulukon makro regressioanalyysille, jota voidaan käyttää samalla tavoin kuin eksponentiaalisesti tasoitettu ennuste kuvassa 15 15. Exhibit 15 15.Regressioanalyysi QM: n kanssa Windows. QM for Windowsilla on kyky suorittaa lineaarinen regressio, kuten aiemmin osoitettiin. Tämän ohjelmamoduulin osoittamiseksi käytämme valtionyliopiston urheiluliiton esimerkkiä. Ohjelman tuotos, mukaan lukien lineaarinen yhtälö ja korrelaatiokerroin , esitetään esityksessä 15 15.Multiple Regression with Excel. On toinen syy-ennuste - menetelmä on moninkertainen regressio voimakkaampi lineaarisen regressioajan laajentaminen Lineaarinen regressio liittyy riippuvaiseen muuttujiin kuten kysyntään toiselle riippumattomalle muuttujalle, kun taas moninkertainen regressio heijastaa riippuvainen muuttuja ja kaksi tai useampia itsenäisiä muuttujia A monen regressiomallin mallilla on seuraava yleinen muoto. Käytämme Data Analysis - option lisäosaa työkalurivin yläosasta, jota käytimme edellisessä osassa kehitämme lineaarisen regressioyhtälömme ja käytämme sitten regressiota vaihtoehto Tietojen analysointi - valikosta Tuloksena oleva laskentataulukko, jossa on useita regressiotilastoja, näkyy näytössä 15 16.Esimerkki 15 16. Tämä kohde näkyy tulostusversion sivulta 701. Huomaa, että tiedot on määritettävä Taulukkolaskenta siten, että x-muuttujat ovat tässä tapauksessa sarakkeen sarakkeissa A ja B. Sitten annamme tulo x - alueen A4 B12: ksi, kuten kuvassa 15 esitetään. 17 Huomaa, että olemme myös sisällyttäneet solut A4, B4 ja C4, jotka sisältävät muuttuvat otsikot eli voitot, edistäminen ja osallistuminen syöttöalueilla Napauttamalla otsikoita otsikot voidaan sijoittaa laskentataulukoille soluihin A27 ja A28.Exhibit 15 17. Tämä kohde näkyy tulostusversiossa sivulla 701. regressiokerroin Esimerkiksi monivaiheinen regressioyhtälö on muotoiltu seuraavasti: 19 094 42 3,560 99 x 1 0368 x 2. Tätä yhtälöä voidaan nyt käyttää ennustamiseen osallistuminen perustuu sekä ennustettuihin jalkapallotuloksiin että myynninedistämismenoihin. Esimerkiksi jos urheilullinen osasto odottaa tiimin voittavan seitsemän peliä ja aikoo viettää 60 000 euroa mainontaa ja mainontaa varten, ennustettu osallistuminen on keskimääräinen ennuste. Siirtyminen tarkastelemalla joitakin alkeellisimpia ennusteita. Toivottavasti nämä ovat ainakin hyödyllisiä johdantona joihinkin laskentataulukoiden ennusteiden toteuttamiseen liittyviin laskentaan liittyviin kysymyksiin. Tällä tavoin jatkamme aloittamalla alusta ja aloittamalla Moving Average - ennusteiden käsittelyä . Siirtyminen keskimäärin ennusteisiin Jokainen tuntee liukuvat keskimääräiset ennusteet riippumatta siitä, uskovatko he ovat? Kaikki opiskelijat tekevät ne kaikki Nimi Ajattele testituloksia kurssiin, jossa sinulla on neljä testia lukukauden aikana. Oletetaan, että sinulla on 85 testissä. Mitä arvioisit toisen testipisteen suhteen. Mitä mieltä olet opettajasi ennustaa seuraavalle testipistemäärällemme. Mitä luulet ystäväsi saattavan ennustaa seuraavan testipisteenne. Mitä mieltä olette vanhemmillenne seuraavan testipistemääränne suhteen. Riippumatta siitä, mitä tuskin voit tehdä ystävillesi ja vanhemmillesi, he ja opettajasi odottaa todennäköisesti, että sait jotain 85: n juuri saamasi alueella. No, nyt luulkaamme, että huolimatta omasta eduistasi ystävillesi, olet ylittänyt itsesi ja luki, että voit opiskella vähemmän että toinen testi ja niin saat 73. Nyt, mitä kaikki ovat huolestuneita ja kiinnostuneita tulevat ennakoimaan saat kolmannella testillä on kaksi todennäköistä lähestymistapaa heille kehittää arvio riippumatta siitä, jakavatko ne voitte sanoa th: lle itsensä, tämä kaveri on aina puhaltaa savua hänen älykkyydestään Hän aikoo saada toisen 73, jos hän on onnekas. Ehkä vanhemmat yrittävät olla tukevampia ja sanoa, No niin, sinä olet saanut 85 ja 73, joten ehkä sinun ei tarvitse ymmärtää 85 73 2 79 En tiedä, ehkä jos teet vähemmän juhlimista ja et wagging the weasel ympäri paikkaa ja jos olet alkanut tehdä paljon enemmän opiskelu voit saada korkeamman score. Both nämä arviot ovat itse asiassa keskimääräisiä ennusteita. Ensimmäinen käyttää vain viimeisintä pistettäsi ennustamaan tulevaa suorituskykyäsi Tätä kutsutaan liikkuvaan keskimääräiseen ennusteeseen käyttäen yhtä tietojaksoa. Toinen on myös liukuva keskimääräinen ennuste, mutta kahden tietojen jaksoa. Olkaamme olettaa, että kaikki nämä ihmiset, jotka rikkoavat teidän mielettömyytenne, ovat jonkinlaisen kuiskuttaneet sinua ja päättävät tehdä hyvin kolmannella testillä omasta syystäsi ja laittaa korkeammat pisteet allianssisi edessä. Otat testiä ja pisteet on todella 89 Jokainen, mukaan lukien itsesi , on vaikuttunut. Nyt sinulla on viimeinen puolivälietesti, joka tulee tavalliseen tapaan ja tunnet tarvetta yllyttää kaikki tekemään ennustuksen siitä, miten teet viimeisen testin aikana. No, toivottavasti näet kuvion. Nyt, toivottavasti näet kuvion Mitkä ovat mielestänne tarkimmat. Whistle, kun työskentelemme Nyt palataan uusiin siivousyrityksiimme, jonka aloitti puolustusvoimasi Whistle While We Work Sinulla on joitain aiempia myyntiä koskevia tietoja, joita edustaa seuraava osio laskentataulukko Esittelemme ensin tiedot kolmelle ajanjakson liukuvalle keskimääräiselle ennustukselle. Solun C6 merkinnän tulisi olla. Nyt voit kopioida tämän soluosan kahteen muuhun soluun C7: stä C11: een. Huomaa, kuinka keskiarvo siirtyy viimeisimmistä historiallisista tiedoista, mutta käyttää täsmälleen kolme viimeistä jaksoa jokaiselle ennustukselle. Sinun on myös huomattava, että emme todellakaan tarvitse tehdä ennusteita aiempina aikoina, jotta voimme kehittää viimeisimmän ennustamme. Tämä on ehdottomasti d eksponentiaalisen tasausmallin kanssa, johon olen sisällyttänyt aikaisemmat ennusteet, koska käytämme niitä seuraavalla verkkosivulla mittaamaan ennusteiden pätevyyttä. Nyt haluan esittää samankaltaiset tulokset kahdelle ajanjaksolle liukuvalle keskimääräiselle ennusteelle. Solun C5 merkinnän tulisi olla . Nyt voit kopioida tämän solukehyksen alas muille soluille C6-C11. Huomaa, kuinka kullekin ennusteelle käytetään vain kahta viimeisintä historiatietoa. Jälleen otin aiemmat ennusteet havainnollistamistarkoituksiin ja myöhempää käyttöä varten ennusteessa validation. Some muuta asiaa, jotka ovat tärkeitä huomata. M-ajan liikkuva keskiarvo ennuste vain viimeisin data arvot käytetään tekemään ennuste Mitään muuta ei ole välttämätöntä. M-ajan liikkuva keskiarvoennuste, ennusteita, huomata, että ensimmäinen ennuste tapahtuu ajanjaksolla m 1. Näistä ongelmista tulee olemaan hyvin merkittäviä, kun kehitämme koodimme. Liikkuvan keskiarvotoiminnon kehittäminen Nyt meidän on kehitettävä koodia liikkuvaan keskimääräiseen ennusteeseen, jota voidaan käyttää joustavammin. Koodi seuraa Huomaa, että panokset ovat ennusteiden ja historiallisten arvojen joukossa käytettävien kausien lukumäärää varten. Voit tallentaa sen haluamaasi työkirjaan. Historical, NumberOfPeriods yhtenäisenä ilmoituksena ja alustettaessa muuttujat Dim elementti versioksi Dim Counter kuin kokonaisluku Dim kertyminen kuin yksi Dim HistoricalSize kuin kokonaisluku. Muuttujien alustus Counter 1 Accumulation 0. Historiallisen taulukon HistoricalSize. forin määrittäminen Counter 1: lle NumberOfPeriods: lle. Keräämällä sopiva määrä viimeisimpiä aiemmin havaittuja arvoja. Kerääntymisen kertyminen Historiallinen HistoricalSize - NumberOfPeriods Counter. MovingYleinen keskimääräinen kertymänumeroPeridit. Koodi selitetään luokassa Haluat sijoittaa toiminnon laskentataulukkoon siten, että laskutoimitus näkyy missä se pitäisi kuten seuraavassa. Slideshare käyttää evästeitä parantamaan toimintoja ja suorituskykyä sekä tarjoamaan sinulle mainontaa. Jos jatkat sivustoa selaamassa, hyväksyt evästeiden käytön tällä verkkosivustolla. Katso käyttöehdot ja tietosuojakäytäntö. Slideshare käyttää evästeitä parantamaan toiminnallisuutta ja suorituskykyä sekä tarjota sinulle asianmukaista mainontaa Jos jatkat sivuston selaamista, hyväksyt evästeiden käytön tällä verkkosivustolla. Yksityiskohtaiset tiedot löytyvät tietosuojakäytännöstä ja käyttöoikeussopimuksesta. Tutustu kaikkiin SlideShare-sovelluksen suosikkiin liittyviin aiheisiin. Hanki SlideShare sovellus Tallenna myöhempää käyttöä varten myös offline-tilassa. Jatka mobiilisivustolle. Kaksoisnapautus zoomaamaan ulos. Bba 3274 qm viikolla 6 osa 2 forecasting. Share this SlideShare. LinkedIn Corporation 2017.
Comments
Post a Comment