Sidan kan inte hittas Sidan du letar efter kan ha tagits bort, hade namnet ändrats eller är tillfälligt otillgängligt. Vänligen försök följande: Kontrollera att webbplatsadressen som visas i adressfältet i din webbläsare är stavad och formaterad korrekt. Om du nått den här sidan genom att klicka på en länk, kontakta webbplatsansvarig för att varna dem om att länken är felaktigt formaterad. Klicka på knappen Tillbaka för att prova en annan länk. HTTP Error 404 - Fil eller katalog hittades inte. Teknisk information för Internet Information (för supportpersonal) Gå till Microsoft Product Support Services och utför en titelsökning för orden HTTP och 404. Öppna IIS Hjälp. som är tillgänglig i IIS Manager (inetmgr), och söka efter ämnen med titeln Webbplatsinställning. Gemensamma administrativa uppgifter. och om anpassade felmeddelanden. Använda FORECAST-funktionen i Excel (och Open Office Calc) kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Låt mig börja med att säga att Excels Forecast Function är inte ett komplett inventeringssystem. Prognoser i lagerhantering innebär i allmänhet att avlägsna ljud från efterfrågan, sedan beräkna och införliva trender, säsongsmässighet och händelser. Prognosfunktionen kommer inte att göra alla dessa saker för dig (tekniskt kan det, men det finns bättre sätt att uppnå några av dessa). Men det är en snygg liten funktion som är lätt att använda, och det kan säkert vara en del av ditt prognossystem. Enligt Microsoft Hjälp på prognosfunktionen. Funktionen FORECAST (x, knownys, knownxs) returnerar det förutspådda värdet av den beroende variabeln (representerad i data av knownys) för det specifika värdet x av den oberoende variabeln (representerad i data enligt knownxs) genom att använda en bästa passform (minsta kvadrater) linjär regression för att förutsäga y-värden från x-värden. Så vad betyder detta linjärt regression är en form av regressionsanalys och kan användas för att beräkna ett matematiskt förhållande mellan två (eller flera) datasatser. I prognoser skulle du använda detta om du trodde att en uppsättning data skulle kunna användas för att förutsäga en annan uppsättning data. Om du till exempel säljer byggmaterial kan du konstatera att ränteförändringar kan användas för att förutsäga försäljningen av dina produkter. Detta är ett klassiskt exempel på att använda regression för att beräkna en relation mellan en extern variabel (räntor) och en intern variabel (din försäljning). Men som vi kommer se senare kan du också använda regression för att beräkna ett förhållande inom samma uppsättning data. En typisk inställning till regressionsanalys innebär att man använder regression för att bestämma det matematiska förhållandet, men också för att ge dig en uppfattning om hur giltigt det förhållandet är (det vill säga analysdelen). Prognosfunktionen hoppar över analysen, och beräknar bara ett förhållande och applicerar det automatiskt på din produktion. Det gör det lättare för användaren, men det förutsätter att ditt förhållande är giltigt. Såsom väsentligen använder prognosfunktionen linjär regression för att förutsäga ett värde baserat på en relation mellan två uppsättningar data. Låt oss se några exempel. I Figur 1A har vi ett kalkylblad som innehåller den genomsnittliga räntan under de föregående 4 åren och enhetsförsäljningen under samma 4-åriga period. Vi visar också en beräknad räntesats för det femte året. Vi kan se i exemplet att försäljningen av våra enheter går upp i takt med att räntorna kommer ner och går ner när räntorna går upp. Om vi bara tittar på exemplet kan vi förmodligen gissa att vår försäljning för år 5 skulle vara någonstans mellan 5000 och 6000 baserat på det observerade sambandet mellan räntor och försäljning under tidigare perioder. Vi kan använda prognosfunktionen för att mer exakt kvantifiera detta förhållande och tillämpa det på 5: e året. I Figur 1B kan du se prognosfunktionen appliceras. I detta fall är formeln i cell F4 FORECAST (F2, B3: E3, B2: E2). Vad vi har inom parentes är känt som ett argument. Ett argument är egentligen bara ett sätt att överföra parametrar till den funktion som används (i detta fall prognosfunktionen). Varje parameter är åtskild med ett komma. För att Prognosfunktionen ska kunna fungera måste den veta det värde vi använder för att förutsäga vår produktion (vår 5 års försäljning). I vårt fall är parametern (vårårsräntan) i cell F2, så det första elementet i vårt argument är F2. Därefter behöver den veta var den kan hitta de befintliga värden som den kommer att använda för att bestämma förhållandet som ska tillämpas på F2. Först måste vi ange cellerna som representerar värdena för vår beroende variabel. I vårt fall skulle detta vara våra enheter som sålts under de senaste 4 åren, därför går vi in i B3: E3. Då måste vi ange cellerna som representerar värdena för vår prediktorvariabel. I vårt fall skulle detta vara räntorna under de föregående 4 åren, därför går vi in i B2: E2). Prognosfunktionen kan nu jämföra de enheter som såldes under åren 1 till 4 till räntorna under samma år och sedan tillämpa det förhållandet till vår beräknade år 5-räntesats för att få vår prognostiserade försäljning för år 5 av 5 654 enheter. I det föregående exemplet kan vi titta på diagrammen för att försöka visualisera förhållandet. Vid första anblicken kanske det inte ser så uppenbart ut eftersom vi har ett inverterat förhållande (försäljningen går UP när räntorna går ner), men om du mentalt vända en av graferna ser du ett mycket tydligt förhållande. Det är en av de coola sakerna om prognosfunktionen (och regressionsanalys). Det kan enkelt hantera ett omvänd förhållande. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Nu kan vi titta på ett annat exempel. I Figur 2A ser vi en ny uppsättning data. I det här exemplet har våra räntor stigit upp och ned under de senaste 4 åren, men vår enhetssalvning visade en konsekvent uppåtgående trend. Även om det är möjligt att räntena hade någon inverkan på vår försäljning i det här exemplet är det uppenbart att det finns mycket mer betydande faktorer att spela här. Genom att använda vår prognosfunktion med dessa data returnerar vi en prognos på 7 118 enheter för år 5. Jag tror att de flesta av oss skulle titta på vår försäljningsutveckling och är överens om att det är mycket mer troligt att vår försäljning för år 5 skulle vara 9 000 enheter. Som jag tidigare nämnde förutsätter prognosfunktionen att förhållandet är giltigt, och det ger därför produktionen baserat på den bästa passformen som den kan utgå från data som ges till den. Med andra ord, om vi säger det finns ett förhållande, tror vi på oss och producerar produktionen i enlighet därmed utan att ge oss ett felmeddelande eller någon signal som skulle innebära att förhållandet är mycket dåligt. Så var försiktig med vad du ber om. De tidigare exemplen täckte den klassiska tillämpningen av regression till prognoser. Medan allt detta låter ganska smidigt, är den här klassiska tillämpningen av regression inte lika användbar som du kanske tror (du kan kolla in min bok för mer information om regression och varför det kanske inte är ett bra val för dina prognosbehov). Men nu kan vi använda prognosfunktionen för att enkelt identifiera trenden inom en viss uppsättning data. Låt oss börja med att se på Figur 3A. Här har vi efterfrågan med en mycket uppenbar trend. De flesta av oss borde kunna titta på dessa data och känna sig bekväma och förutsäga att efterfrågan i period 7 sannolikt kommer att bli 60 enheter. Men om du körde dessa data genom de typiska prognostiseringsberäkningarna som används i lagerhanteringen kan du bli förvånad över hur dåliga många av dessa beräkningar är för redovisning av trenden. Eftersom prognosfunktionen kräver att vi matar in en beroende variabel och en prediktorvariabel, hur går vi med att använda prognosfunktionen om vi bara har en uppsättning data, men det är tekniskt sant att vi har en enda uppsättning data (vår efterfrågan historia), vi faktiskt har en relation som händer inom denna uppsättning data. I det här fallet är vårt förhållande tidsbaserat. Därför kan vi använda varje perioder efterfrågan som en prediktorvariabel för följande perioder efterfrågan. Så vi behöver bara berätta för prognosfunktionen att använda efterfrågan i period 1 till 5 som existerande data för prediktorvariabeln och använd efterfrågan i period 2 till 6 som existerande data för den beroende variabeln. Berätta sedan för att tillämpa detta förhållande på efterfrågan i period 6 för att beräkna vår prognos för period 7. Du kan se i Figur 3B, vår formel i Cell I3 är FORECAST (H2, C2: H2, B2: G2). och det ger en prognos på 60 enheter. Självklart är detta exempel inte realistiskt eftersom efterfrågan är alltför snygg (inget ljud). Så vi kan se på Figur 3C där vi tillämpar samma beräkning till några mer realistiska data. Jag vill bara återställa, att medan prognosfunktionen är användbar, är det inte ett prognossystem. Jag föredrar oftast att ha lite mer kontroll över exakt hur jag tillämpar och utökar trender till min prognos. Dessutom vill du först ta bort andra element i din efterfrågan som inte är relaterade till din basbehov och trend. Du skulle till exempel vilja ta bort eventuella effekter av säsongsmässiga händelser (t. ex. kampanjer) från din efterfrågan innan du tillämpar prognosfunktionen. Du skulle då tillämpa ditt säsongsindex och eventuella händelsesindex till resultatet av prognosfunktionen. Du kan också spela runt med dina ingångar för att få ett visst önskat resultat. Du kan till exempel försöka att först stryka din efterfrågest History (genom ett glidande medelvärde, viktat glidande medelvärde eller exponentiell utjämning), och med det är prediktorvariabeln istället för den råa efterfrågan. För mer information om prognoser, kolla in min bok Inventory Management Explained. Använda prognosfunktionen i Open Office Calc. För användare av Openoffice. org Calc. Prognosfunktionen fungerar i stort sett densamma som i Excel. Det finns dock en liten skillnad i den syntak som används i Calc. Varhelst du skulle använda ett komma i ett argument i en Excel-funktion, skulle du istället använda en semikolon i Calc. Så istället för Excel-formuläret skulle du gå in Gå till artikelsidan för fler artiklar av Dave Piasecki. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Dave Piasecki. är ägare av Inventory Operations Consulting LLC. ett konsultföretag som tillhandahåller tjänster relaterade till lagerhantering, materialhantering och lagerverksamhet. Han har över 25 års erfarenhet av verksamhetshantering och kan nås via sin hemsida (lager), där han behåller ytterligare relevant information. My Business Inventory Operations Consulting LLC ger snabb, prisvärd, expert hjälp med lagerhantering och lageroperationer. Mina böckerAnvänd falskt ämne rörliga medelvärden kapitel 6 Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se hela versionen. Kapitel 6 Prognoser 5 10. Kvalitativa prognostekniker ska tillämpas i situationer där tidsseriedata finns, men där förutsättningarna förväntas förändras. ANSWER: True ÄMNE: Kvalitativa tillvägagångssätt 11. För en multiplikativ tidsseriemodell bör summan av säsongsindex vara lika med antal årstider. ANSWER: True TOPIC: Multiplikativ modell 12. En tidsseriemodell med en säsongsbetonad komponent kommer alltid att innehålla kvartalsdata. SVAR: Falskt ÄMNE: Säsongskomponent 13. Eventuell återkommande sekvens av punkter över och under trendlinjen som varar mindre än ett år kan hänföras till den cykliska komponenten i tidsserierna. ANSWER: False ÄMNE: Cyklisk komponent 14. Utjämningsmetoder är lämpligare för en stabil tidsserie än när betydande trend och årsäsongsvariation föreligger. ANSWER: True ÄMNE: Använda utjämningsmetoder vid prognoser 15. Den exponentiella utjämningsprognosen för en viss period är ett vägt genomsnitt av alla tidigare faktiska värden för tidsserien. ANSWER: True TOPIC: Exponentiell utjämning 16. Det genomsnittliga kvadratfelet påverkas mycket mer av stora prognosfel än småfel. ANSWER: True TOPIC: Prognosnoggrannhet 17. Om en tidsserie har en signifikant trendkomponent, ska man inte använda ett glidande medelvärde för att prognostisera. ANSWER: True ÄMNE: Använda utjämningsmetoder i prognoser 18. Om den slumpmässiga variabiliteten i en tidsserie är stor och exponentiell utjämning används för att prognostisera, bör ett högt alfa (61537) värde användas. ANSWER: False ÄMNE: Exponentiell utjämning 19. Ett alpha () - värde av .2 kommer att medföra en exponentiell utjämningsprognos för att reagera snabbare mot en plötslig minskning av efterfrågan än vad som motsvarar .4. ANSWER: False ÄMNE: Exponentiell utjämning 20. Exponentiell utjämning med 614726150161472 .2 och ett glidande medelvärde med n 5 satte samma vikt på det faktiska värdet för den aktuella perioden. ANSWER: True ÄMNE: Använda utjämningsmetoder i prognoser 6 Kapitel 6 Prognoser KORT SVAR 1. Förklara vilka villkor som gör det möjligt att bestämma kvantitativa prognosmetoder. ÄMNE: Introduktion 2. Vad är en stabil tidsserie och vilka prognosmetoder som är lämpliga för en TOPIC: Utjämningsmetoder 3. Hur kan felåtgärder användas för att bestämma antalet perioder som ska användas i ett glidande medelvärde. Vad antar du om framtid när du gör det här valet ÄMNE: Flytta medeltal 4. Förklara hur du använder säsongsindexvärden för att skapa en prognos. ÄMNE: Utjämningsmetoder 5. Förklara hur kvalitativa metoder ofta innehåller åsikter från flera analytiker. ÄMNE: Inledning PROBLEMER 1. Antalet burkar av läsk som säljs i en maskin varje vecka registreras nedan. Utveckla prognoser med hjälp av ett treårs glidande medelvärde. 338, 219, 278, 265, 314, 323, 299, 259, 287, 302 ÄMNE: Flytta medelvärden 2. Använd ett fyraårs glidande medelvärde för att prognostisera närvaro vid basebollspel. Historiska dokument visar 5346, 7812, 6513, 5783, 5982, 6519, 6283, 5577, 6712, 7345 ÄMNE: Flyttande medelvärden 3. Ett sjukhus registrerar antalet blomleveranser som patienterna mottar varje dag. I en tvåveckorsperiod visar dokumenten Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se den fullständiga versionen. Behörighet, simulering, efterfrågan, provrummet, beslut 18. Medarbetare i ett lokalt företag klassificeras enligt kön och jobbtyp. Följande tabell sammanfattar antalet personer i varje arbetsgrupp. Manlig (M) Kvinna (F) Arbetsförmedling (AD) 110 10 Säkerställd personal (SS) 30 50 Personal per timme 60 40 Om en anställd väljas slumpmässigt, vad är sannolikheten för att arbetstagaren är kvinnlig med tanke på att arbetstagaren är en tjänsteman anställd. a) .1667 b) .5 c) .6 d) .625 e) .7 19. I uppsättningen av alla förfallna konton, låt händelsen A innebära att kontot är mellan 31 och 60 dagar förfallna och händelsen B betyder att kontot är det för en ny kund. Komplementet till A är a) alla nya kunder. b) Alla konton är färre än 31 eller mer än 60 dagar förfallna. c) Alla konton från nya kunder och alla konton som är från 31 till 60 dagar förfallna. d) Alla nya kunder vars konton är mellan 31 och 60 dagar förfallna. 41. Antalet bilar som anlänt till Joe Kellys oljebyte och inställningsplats under de senaste 200 timmars drift observeras vara följande: Antal bilar som kommer Frekvens 3 eller mindre 0 4 10 0 30 6 70 7 50 8 40 9 eller mer 0 Baserat på ovanstående frekvenser, använd tvåsiffriga slumpmässiga nummer, börja med slumpmässigt nummer 00 och bestämma slumpmässiga talintervall för datasatsen som angivits ovan. 39. En forskare vill simulera soliga och regniga dagar i hennes stad under en 3-veckorsperiod. Vilket minsta antal siffror ska studenten få från ett slumpmässigt talbord för varje observation om det regnade på två femtedelar av dagarna under de senaste åren vid den här tiden av året Antag att dagarna kan klassificeras historiskt som antingen soligt eller regnigt. a) 1 b) 2 c) 3 d) alla ovanstående. 42. Relationen d 5000 - 25p beskriver vad som händer med efterfrågan (d) som pris (p) varierar. Här kan priset variera mellan 10 och 50. a. Hur många enheter kan säljas till 10 pris Hur många kan säljas till 50 pris b. Modell uttrycket för totala intäkter. c. Tänk på priserna 20, 30 och 40. Vilket prisalternativ kommer maximera totala intäkter Vad är värdena för efterfrågan och intäkter till detta pris 43. Ett paket med godis innehåller 12 bruna, 5 röda och 8 gröna godis. Du tar tre stycken från paketet. Ge provet utrymme för färger du kan få. Beställningen är inte viktig. 44. Det finns ytterligare två uppdrag i en klass före slutet, och om du får ett A på minst en av dem får du en A för termin. Din subjektiva bedömning av din prestation är Event Probability A på papper och A på examen .25 A på papper bara .10 A endast på examen .30 A på varken .35 a. Vad är sannolikheten för att få ett A på papperet b. Vad är sannolikheten för att få ett A på tentamen c. Vad är sannolikheten för att få ett A i kursen d. Är betyg på uppgiften oberoende 45. Högskolans GPA för sökande för antagning till ett högskoleprogram registreras och relativa frekvenser beräknas för kategorierna. GPA F (x) x lt 2,0 .08 2,0 x lt 2,5,12 2,5 x lt 3,0,35 3,0 x lt 3,5,30 3,5 x a. Fyll i tabellen för att göra detta till en giltig sannolikhetsfördelning. b. Vilken är sannolikheten att en sökandes GPA kommer att vara under 3,0 c. Vilken är sannolikheten att en sökandes GPA blir 2,5 eller över 46. En kalkylinstruktör använder datorstödd instruktion och gör det möjligt för eleverna att ta halvtidsexamen så många gånger som behövs tills en godkänd kurs erhålls. Följande är en rekord av antalet studenter i en klass av 20 som tog provet varje antal gånger. Studenter Antal tester 10 1 7 2 2 3 1 4 a. Använd den relativa frekvensinriktningen för att konstruera en sannolikhetsfördelning och visa att den uppfyller erforderliga tillstånd. b. Hitta det förväntade värdet av antalet tagna tester. c. Beräkna variansen. d. Beräkna standardavvikelsen. 47. Lakewood Fashions måste bestämma hur många massor av olika skidkläder som ska beställas för sina tre butiker. Information om prissättning, försäljning och lagerkostnader har lett till följande utbetalningsbord, i tusentals. Efterfrågan Beställning Storlek Låg Medel Hög 1 Lot 12 15 15 2 Partier 9 25 35 3 Partier 6 35 60 a. Vilket beslut bör fattas av optimisten b. Vilket beslut bör fattas av den konservativa c. Vilket beslut bör fattas med minimax ånger 48. Tabellen visar både framtida vinster och förluster för ett företag, beroende på vilket beslut som fattas och vilken naturtillstånd som uppstår. Använd informationen för att bestämma vad företaget ska göra. s1 s2 s3 d1 30 80 -30 d2 100 30 -40 d3 -80 -10 120 d4 20 20 20 a. om en optimistisk strategi används. b. om en konservativ strategi används. c. om minimax ångrar är strategin. 49. Torkhastigheten i en industriprocess är beroende av många faktorer och varierar beroende på följande fördelning. Minuter Relativ frekvens 3 0,22 4 0,36 5 0,28 6 0,10 7 0,04 Använd dessa slumptal, simulera torktiden för 5 processer: 0,53 0,95 0,97 0,96 och 0,07. 50. Använd ett fyraårs glidande medelvärde för att prognostisera närvaro vid basebollspel. Historiska dokument visar närvaro vid tio i följd basebollspel som 5346, 7812, 6513, 5783, 5982, 6519, 6283, 5577, 6712, 7345. Bilagor Lösningsöversikt Frågor om sannolikhet, simulering, efterfrågan funktion, provrummet, beslutet har besvarats .
No comments:
Post a Comment