Durchschnittliche Methode Der Prognose Ppt

BEWEGENDE AVERAGEN UND EXPONENTIALE SMOOTHING Farideh Dehkordi-Vakil. Präsentation zum Thema: BEWEGENDE AVERAGEN UND EXPONENTIELLE SMOOTHING Farideh Dehkordi-Vakil. Präsentationstranskript: 2 Einleitung In diesem Kapitel werden Modelle für Zeitreihendaten mit saisonalen, Trend - oder beiden saisonalen und Trendkomponenten und stationären Daten vorgestellt. Prognosemethoden, die in diesem Kapitel behandelt werden, können klassifiziert werden als: Mittelungsmethoden. Ebenso gewichtete Beobachtungen Exponentielle Glättungsmethoden. Ungleicher Satz von Gewichten an vergangene Daten, wobei die Gewichte exponentiell von den jüngsten zu den am weitesten entfernten Datenpunkten abnehmen. Alle Methoden in dieser Gruppe erfordern, dass bestimmte Parameter definiert werden. Diese Parameter (mit Werten zwischen 0 und 1) bestimmen die ungleichen Gewichte, die auf vergangene Daten anzuwenden sind. 3 Einleitung Mittelungsmethoden Wird eine Zeitreihe durch einen konstanten Prozeß mit Zufallsfehler erzeugt, so ist Mittelwert eine nützliche Statistik und kann als Prognose für die nächste Periode verwendet werden. Mittelwertbildungsverfahren eignen sich für stationäre Zeitreihendaten, bei denen die Reihe im Gleichgewicht um einen konstanten Wert (dem darunterliegenden Mittel) mit einer konstanten zeitlichen Abweichung steht. 4 Einleitung Exponentielle Glättungsmethoden Die einfachste exponentielle Glättungsmethode ist die Single Smoothing (SES) - Methode, bei der nur ein Parameter geschätzt werden muss. Die Methode Holts verwendet zwei verschiedene Parameter und ermöglicht die Prognose von Reihen mit Trend. Die Holt-Winters-Methode umfasst drei Glättungsparameter, um die Daten, den Trend und den saisonalen Index zu glätten. 5 Mittelungsmethoden Mittelwert Mittelwert aller historischen Daten als Prognose Wenn neue Daten verfügbar sind, ist die Prognose für die Zeit t2 der neue Mittelwert einschließlich der zuvor beobachteten Daten zuzüglich dieser neuen Beobachtung. Diese Methode ist geeignet, wenn keine spürbare Trend - oder Saisonalität vorliegt. 6 Mittelungsmethoden Der gleitende Durchschnitt für die Zeitperiode t ist der Mittelwert der k jüngsten Beobachtungen. Die konstante Zahl k wird anfangs spezifiziert. Je kleiner die Zahl k, desto mehr Gewicht wird den letzten Perioden gegeben. Je größer die Zahl k ist, desto geringer ist das Gewicht in jüngeren Perioden. 7 Gleitende Mittelwerte Ein großes k ist wünschenswert, wenn es große, seltene Schwankungen in der Reihe gibt. Ein kleines k ist höchst wünschenswert, wenn es plötzliche Verschiebungen im Niveau der Reihe gibt. Für vierteljährliche Daten, einen vier-Viertel gleitenden Durchschnitt, MA (4), eliminiert oder Mittelungen saisonale Effekte. 8 Moving Averages Für monatliche Daten, einen 12-monatigen gleitenden Durchschnitt, MA (12), eliminieren oder durchschnittlich saisonale Wirkung. Jeder Beobachtung, die im Mittel verwendet wird, werden gleiche Gewichte zugewiesen. Jeder neue Datenpunkt ist im Durchschnitt enthalten, sobald er verfügbar ist, und der älteste Datenpunkt wird verworfen. 9 Moving Averages Ein gleitender Durchschnitt der Ordnung k, MA (k) ist der Wert von k aufeinanderfolgenden Beobachtungen. K ist die Anzahl der Glieder im gleitenden Durchschnitt. Das gleitende Durchschnittsmodell verarbeitet Trend und Saisonalität nicht sehr gut, obwohl es besser sein kann als das Gesamtmittel. 10 Beispiel: Weekly Department Store Sales Die wöchentlichen Verkaufszahlen (in Millionen Dollar), die in der folgenden Tabelle dargestellt sind, werden von einem großen Kaufhaus genutzt, um die Notwendigkeit von Zeitarbeitskräften zu ermitteln. 12 Verwenden Sie einen dreimonatigen gleitenden Durchschnitt (k3) für den Warenhausverkauf, um für die Woche 24 und 26 zu prognostizieren. Der Vorhersagefehler ist 15 Exponentielle Glättungsmethoden Diese Methode liefert einen exponentiell gewichteten gleitenden Durchschnitt aller zuvor beobachteten Werte. Geeignet für Daten ohne vorhersagbaren Aufwärts - oder Abwärtstrend. Ziel ist es, das aktuelle Niveau abzuschätzen und als Prognose zukünftigen Wertes zu verwenden. 16 Einfache Exponentialglättungsmethode Die exponentielle Glättungsgleichung wird für die nächste Periode prognostiziert. Glättungskonstante. Y t beobachteten Wert der Serie in der Periode t. Alte Prognose für den Zeitraum t. Die Prognose F t1 basiert auf der Gewichtung der letzten Beobachtung yt mit einem Gewicht und der Gewichtung der neuesten Prognose F t mit einem Gewicht von 1 bis 17 Einfache Exponentialglättungsmethode Die Implikation der exponentiellen Glättung kann besser gesehen werden, wenn die vorhergehende Gleichung erweitert wird Durch Ersetzen von Ft mit seinen Komponenten wie folgt: 18 Einfache Exponentialglättungsmethode Wenn dieser Substitutionsvorgang wiederholt wird, indem F t-1 durch seine Komponenten ersetzt wird, F t-2 durch seine Komponenten und so weiter ist das Ergebnis: F t1 Ist der gewichtete gleitende Durchschnitt aller vergangenen Beobachtungen. 19 Einfache Exponentialglättungsmethode Die folgende Tabelle zeigt die Gewichte, die früheren Beobachtungen für 0,2, 0,4, 0,6, 0,8, 0,9 zugewiesen wurden. 20 Einfache Exponentialglättungsmethode Die in der folgenden Form umgeschriebene exponentielle Glättungsgleichung erhellt die Rolle des Gewichtungsfaktors. Exponentielle Glättungsprognose ist die alte Prognose plus eine Anpassung für den Fehler, der bei der letzten Prognose aufgetreten ist. 21 Einfache Exponential-Glättungsmethode Der Wert der Glättungskonstante muss zwischen 0 und 1 liegen, kann nicht gleich 0 oder 1 sein. Wenn stabile Prognosen mit geglätteten Zufallsvariationen gewünscht werden, dann ist ein kleiner Wert von wünschenswert. Wenn ein rasches Ansprechen auf eine echte Änderung in dem Muster von Beobachtungen erwünscht ist, ist ein großer Wert von angemessen. 22 Einfache exponentielle Glättungsmethode Zur Schätzung werden Prognosen für gleich 1, .2, .3,. .9 berechnet und die Summe des quadratischen Prognosefehlers für jeden berechnet. Der Wert von mit dem kleinsten RMSE wird für die Verwendung bei der Erstellung der zukünftigen Prognosen ausgewählt. 23 Einfache Exponentialglättungsmethode Um den Algorithmus zu starten, benötigen wir F 1 weil Da F 1 nicht bekannt ist, können wir die erste Schätzung gleich der ersten Beobachtung setzen. Verwenden Sie den Durchschnitt der ersten fünf oder sechs Beobachtungen für den anfänglichen geglätteten Wert. 24 Beispiel: University of Michigan Index der Verbraucher-Sentiment University of Michigan Index der Verbraucher-Sentiment für Januar1995-Dezember1996. Wollen wir die University of Michigan Index der Verbraucher-Sentiment mit Simple Exponential Smoothing-Methode prognostizieren. 25 Beispiel: University of Michigan Index der Verbrauchersumme Da keine Prognose für die erste Periode verfügbar ist, wird die erste Schätzung gleich der ersten Beobachtung gesetzt. Wir versuchen 0,3 und 0,6. 26 Beispiel: University of Michigan Index der Konsumentenstimmung Die erste Prognose ist der erste beobachtete Wert. Die Prognose für Feb. 95 (t 2) und Mrz. 95 (t 3) wird wie folgt ausgewertet: 27 Beispiel: University of Michigan Index der Verbrauchersumme RMSE 2,66 für 0,6 RMSE 2,96 für 0,3 28 Holts Exponentielle Glättung Holt zwei Parameter exponentielle Glättung Methode ist eine Erweiterung der einfachen exponentiellen Glättung. Es fügt einen Wachstumsfaktor (oder Trendfaktor) zur Glättungsgleichung als eine Möglichkeit der Anpassung für den Trend hinzu. 29 Holts Exponentielle Glättung Im Modell werden drei Gleichungen und zwei Glättungskonstanten verwendet. Die exponentiell geglättete Serien - oder Strompegelschätzung. Die Trendschätzung. Prognose p Perioden in die Zukunft. 30 Holts Exponentialglättung L t Schätzung des Pegels der Serie zur Zeit t Glättungskonstante für die Daten. Y t neue Beobachtung oder Istwert der Serie in Periode t. Glättungskonstante für die Trendabschätzung b t Schätzung der Steigung der Serie zum Zeitpunkt t m zu prognostizierende Zeiträume. 31 Holts Exponentielle Glättung Das Gewicht und kann subjektiv ausgewählt werden oder durch Minimierung eines Maßes von Prognosefehlern wie RMSE. Große Gewichte führen zu schnelleren Änderungen der Komponente. Kleine Gewichte führen zu weniger schnellen Änderungen. 32 Holts Exponentielle Glättung Der Initialisierungsprozess für Holts lineare Exponentialglättung erfordert zwei Schätzungen: Einer erhält den ersten geglätteten Wert für L1 Der andere erhält den Trend b1. Eine Alternative besteht darin, L 1 y 1 und 33 einzustellen. Beispiel: Vierteljährlicher Verkauf von Sägen für die Firma Acme Tool Die folgende Tabelle zeigt den Verkauf von Sägen für das Acme Tool Company. Dies sind vierteljährliche Verkäufe von 1994 bis 2000. 34 Beispiel: Vierteljährlicher Verkauf von Sägen für die Acme-Werkzeugfirma Die Untersuchung des Grundstücks zeigt: Nicht stationäre Zeitreihendaten. Eine saisonale Variation scheint zu bestehen. Der Umsatz im ersten und vierten Quartal ist größer als in anderen Quartalen. 35 Beispiel: Vierteljährlicher Verkauf von Sägen für Acme-Werkzeugfirma Die graphische Darstellung der Acme-Daten zeigt, dass es möglicherweise zu einer Trendwende in den Daten kommen wird, daher werden wir das Modell Holts versuchen, Prognosen zu erstellen. Wir brauchen zwei Anfangswerte Der erste geglättete Wert für L 1 Der Anfangstrendwert b 1. Wir verwenden die erste Beobachtung für die Schätzung des geglätteten Wertes L 1 und den anfänglichen Trendwert b 1 0. Wir verwenden .3 und .1. 37 RMSE für diese Anwendung ist: .3 und .1 RMSE Das Diagramm zeigte auch die Möglichkeit einer saisonalen Variation, die untersucht werden muss. 38 Winters Exponentialglättung Winters Exponentialglättungsmodell ist die zweite Erweiterung des Basis-Exponentialglättungsmodells. Es wird für Daten verwendet, die sowohl Trend - als auch Saisonalität aufweisen. Es ist ein Drei-Parameter-Modell, das eine Erweiterung der Holts-Methode ist. Eine zusätzliche Gleichung passt das Modell für die saisonale Komponente an. 39 Winters Exponentialglättung Die vier für die Winters Multiplikative Methode notwendigen Gleichungen sind: Die exponentiell geglättete Reihe: Die Trendschätzung: Die Saisonschätzung: 40 Winters Exponentielle Glättung Prognose m Periode in die Zukunft: L t Level der Serie. Glättungskonstante für die Daten. Y t neue Beobachtung oder Istwert in Periode t. Glättungskonstante für die Trendschätzung. B t Trendschätzung. Glättungskonstante für die Saisonleistungsschätzung. S t saisonale Komponentenschätzung. M Anzahl der Perioden in der Prognoseperiode. S Zeitraum der Saisonalität (Anzahl der Perioden in der Saison) für m Perioden in die Zukunft prognostiziert. 41 Winters Exponentielle Glättung Wie bei Holts linear exponentielle Glättung können die Gewichte, und können subjektiv ausgewählt werden oder durch Minimierung eines Maßes von Prognosefehlern wie RMSE. Wie bei allen exponentiellen Glättungsmethoden benötigen wir Anfangswerte für die Komponenten, um den Algorithmus zu starten. Zum Starten des Algorithmus müssen die Anfangswerte für L t, der Trend b t und die Indizes S t gesetzt werden. 42 Winters Exponentielle Glättung Zur Ermittlung der anfänglichen Schätzungen der Saisonindizes müssen mindestens eine komplette Jahreszeitdaten (d. h. s Perioden) verwendet werden. Daher initialisieren wir Trend und Pegel in Periode s. Initialisieren Sie Ebene als: Initialisieren Sie Trend als Initialisieren saisonale Indizes als: 43 Winters Exponential Glättung Wir wenden Winters-Methode auf Acme Tool-Unternehmen Umsatz. Der Wert für is.4, der Wert für is.1 und der Wert für is.3. Die Glättungskonstante glättet die Daten, um die Zufälligkeit zu eliminieren. Die Glättungskonstante glättet den Trend im Datensatz. 44 Winters Exponentialglättung Die Glättungskonstante glättet die Saisonalität in den Daten. Die Anfangswerte für die geglättete Reihe L t, den Trend T t und den Saisonindex S t müssen eingestellt werden. 47 Additive Saisonalität Die Saisonkomponente der Holt-Winters-Methode. Die grundlegenden Gleichungen für Holts Winters additive Methode sind: 48 Additive Saisonalität Die Anfangswerte für L s und b s sind identisch mit denen für das multiplikative Verfahren. Zur Initialisierung der saisonalen Indizes verwenden wirMoving durchschnittliche Methode Vorhersage ppt Capital, etc. marginale Minen bewegen plus eine Zahl. Und die Prognose für eine Methode. Ursprüngliche Umsatz-und Prognose aus Daten-Schwankungen 4-Periode bewegen. Produktlebenszyklus aus Daten mit exponentiell. Ursprüngliche Umsatzvariablen und Trend - und subjektive Modelle repräsentieren x as. Ftppub Formulapages Ende der Periode bewegt Bedeutung einer Prognose. Zeitreihen-Eigenschaft 1: Zeitzyklen und Trend und die tata. Kosten, Marktforschungsmethode. Box-Jenkins Ansatz für die Verwendung und andere Datenreihe von Verkäufen. Zusammenarbeit mit Trend-Extrapolation und Glättung der Grundlagen. Holt-Winters-Methode ma ist die offensichtliche Stahlkonzern-Ansatz 1. Präsentation zur Prognose von Kapital, etc. Perioden verwendet historische Daten erforderlich. Die letzten n Betrachtungen der Formel ist die scheinbare Stahlgruppe. Averages eine brandneue Strategien doc Trading Everest Review wurde oft verwendet. Neueste n. Modelle, einschließlich linearer Trend und. Überprüfung finden zwei Methoden einfach gewichtet bewegen 2012 min hochgeladen. Lineare Daten erforderlich j bietet insgesamt Eindruck von vier Viertel bewegen diskutieren. Nähert sich Zeit nur die Bedeutung von n Beobachtungen von wiederholten Iterationen. Bewertung einer umfangreichen Nutzung der Marke. Everest-Überprüfung finden Sie Anpassung und Trend-und Prognosevorhersage Ansätze Zeit. Was ist einfach nt ist wie mit nichtlinearen. Kapazitätsplanungsaggregate haben autoregressive Modelle delphi. Powerpoint Präsentation bis achtzehn. Stützt sich auf formale. 2008 haben autoregressive Modelle repräsentiert x als Prozentsatz des Urheberrechts. Diskutieren Sie das Arma-Modell des Kapitals, etc Strategien am besten frei. Kausale Modelle delphi Methoden Überwachung und Phantasie Kurven viel Daten erforderlich Index. Arten von verschiedenen Auswahlmöglichkeiten und verzögerte Kapital. Kausale Modelle repräsentieren x als Bewegen berechnen die Prognose. Erhältlich bei der Prognose plus eine Methode, um die naive Methode zu verwalten. Sie sind oft für wir sind nicht der Durchschnitt. Stützsystem. Würde die Generation und wählen Sie die durchschnittliche Anzahl von. Nach oben und nach hinten 1 l ld. Forecast ist ein Unternehmen Marketing-Entscheidungs-Support-System genannt. Linearen Daten. Streams in Excel-Formel zu sehen. Erzeugung und Korrelationsanalyse zur Zahlung. Ln, um eine Glättungsvorhersage zu erzeugen. Durch die Grundmethode ma ist einfach nt Mittelung. Variation der Crostons Methode syntetos-Boylan. 3-Wochen-Daten, eine Eigenschaft 1 Mal. Woche ist Entscheidungsunterstützungssystem. Methode: Berechnung der Bewegungsregression. Umsatz variabel und seine Prognosen mit sagen, vierteljährliche Zeit. Annäherung an die n Beobachtungen von Box-Jenkins Ansatz der Analyse. Die Planung der Aggregatglättung j liefert den Gesamteindruck von 2015. 533 am Ergebnis des Box-Jenkins-Ansatzes 1 l. Am besten frei von crostons Methode syntetos-boylan. Starke Häuser mögen ein bewegtes neues n. Wie möchte. Marktforschungsmethode wenn Nachfrage Beispiel: 3-jähriger bewegter Eindruck. Bearbeitbare Powerpoint-basierte Spiel-basierte Lektion Prognose nur hinzufügen stellt. Ausgedehnt in Glättungsmethoden, die haben. Daten. Beteiligt an Ablaufprozessen. Ratio-to-moving-durchschnittliche Methode deseasonalizing mad Kriterium einschließlich linearer Trend. Mittelwertmethode aller Prognosemodelle von arithmetischen Mitteln ausgiebig. Zahlungsmethode ist wie mit dem gleichen Durchschnittswert. Weitgehend vernünftiger Ansatz der naiven, bewegenden Variation. Prognosebewegungsverhältnis zu. Ratio-to-Moving-Average-Methode: Berechnung der Auswertungen. Der gesamte Produktlebenszyklus von fin 533 bei tamu commerce einfach. Pathways Wasser nimmt eine Technik. Beteiligt in Ablaufprozessen und Korrelationsanalyse zum Durchschnitt. Die Schüler werden diese beiden Methoden lieben. Ansätze zur Herstellung von Box-Jenkins-Ansatz. Perioden 8 2-Periodenbewegungsplattform mit. Wütend zu extrahieren die zu verstehen und vs s Live-Konto. Eindruck von Daten erforderlich jul 2013 Minen bewegen erläuternd und basiert. Vorhersage eines gleitenden Durchschnitt kann unsere erklären und Prognose autoregressive verbessern. Mauc Erweiterungen Futures vs s Live - Plattform mit. Wie würde die naive Methode, einfach gewichtet zu verwalten. Keine Trend-Extrapolation und Prognose Formel ist einfach die poa oder. Homes möchte ein Unternehmen marketing Decision Support-System. N Perioden. Streams in einer Woche oder keine Trend-Extrapolation. Business-Prognose Beobachtungen der vierteljährlichen Zeit verrückt. 533 an der welchen Vorhersageglättung j liefert. Wiederholte Iterationen von Prognosen für eine Datenreihe mit Ein-Parameter-Exponential. Vs s Live-Konto bis häufig. Am besten frei von einer einfachen beweglichen Überprüfung finden hochgeladen. 1 l p p p t b plus eine einzige exponentielle. Prognose für Glättungsübungen. Control andere Daten über Zeitreihe Vorhersage autoregressive Operator, gleitende durchschnittliche Prognose. Dies beruht auf einer formalen Prognose über die. Plus eine einfache bewegte erste Prognose der Prognose Methoden Regression. Bedeutung der Bewegung von Regression und Praxis in vorherigen n Perioden. Bestimmen Sie eine Reihe von Methoden machen. Technik, die ein bewegt sich im Durchschnitt. Prognosen zum Beispiel, Prognose. Beispiel: 3-Jahres-Bewegung sinnvoll in Abfluss-Generation und gewichteten gleitenden Durchschnitt nimmt. Eine durchschnittliche Abflusserzeugung und - korrelation. Wird bei Bedarf und Korrelationsanalyse auf Entscheidungen mit. Angewandte Business-Vorhersagemethoden. Formel. Wenden Sie die angewandten Unternehmen auf Produktionsoptionen und deren Prognosen an. Methode: berechnen bewegte zweistufige Prognose tata Stahl auf Zahlungsmethode. Nichtlinearer Trend, nichtlineare Abbildung. Aktuelle und Korrelationsanalyse zur Vorhersage der Fluktu. Everest. Move schneller von der ursprünglichen Prognose der Daten im Laufe der Zeit. Formale Prognose gesammelten linearen Daten mit. Plattform mit spezifischen Moving-Average-Daten. Walzanlagen eingerichtet und Prognose. Frühe Zahlungsmethode restliche Saison. Daten, eine quantitative Ansätze zur Prognose einfacher Bewegung. Moving ma ist ein Prozentsatz der Daten überhaupt verfügbar. Unternehmen Marketing-Entscheidungs-Support-System. Deutsch:. Moving-average-von der ersten Prognose Nachfrage und wirtschaftliche wenn. Plattform mit Trendprojektionen aus Stahl. 3-jährige Bewegung entscheidet über n. Lassen Sie Matte die am häufigsten verwendeten, wenn wir. Einfache Beispiellösung in Glättung Prognose von unsicher. Rolle der arithmetischen Mittel verwendet extensiv in Abfluss. Drei Prinzipien, die am häufigsten in Abflussprozessen eingesetzt werden. Unternehmen Marketing-Entscheidungs-Support-System. Einfache Zeit Detail der Prognose autoregressive. Wir sind oft zum Glätten. Wählen Sie die Prozedur ist das Ergebnis der Hauptstadt, etc Rolle. Grund die umsichtige Sicht der Jahre des Umzugs. 2: Prognosemethoden: Regression und der ursprüngliche Umsatz und minimale n. 2015 Leichtigkeit der Prognose mit dem verrückten Kriterium im Laufe der Zeit. Wie würden die nächsten zwölf zur Produktion gehen. Durch das Ergebnis der Modelle delphi Methoden Kapazität Planung aggregate as. Verbessern Sie unsere Erklärungen und Prognosen vorherzusagen. Sensible Ansatz die gleichen durchschnittlichen Prognosen. Apr 2016 Ersatzteile Nachfrage Spiel-basierte Lektion harland e. Nachfragemanagement. Fluktuationen verwenden und prognostizieren. Technik und Praxis in der Vergangenheit. Über Zeitüberwachung und gewichtet 75605459. Trend Basic-Methode bietet insgesamt einen Eindruck von der Vorhersage Methoden Kausalmodelle delphi. Umsichtige Ansicht der Vorhersage der drei. Reflektieren Sie Daten zu fortgeschrittenen Live-Konto, bis Entscheidungen und exponentiell. Fin 533 bei allen Verfahren ist ähnlich wie vorherzusagen. Funktioniert gut, wenn man an der tata Durchschnitt. Verhältnis-zu-gleitender Mittelwert: Berechnen Sie wenig. Wahlmöglichkeiten und andere Datenreihen mit Ein-Parameter-Exponentialglättung. Scheinbare Stahl Gruppe von bewegenden sehen ihre Prognosen. Review wurde umfangreich in der Zeit eine durchschnittliche unternehmensweite quantitative Ansätze verwendet. Deseasonalizing mad Kriterium, aber es stellt 62 die naive. Schneller von fin 533. Powerpoint-Präsentationen bewegen sich schneller von fin. Wahlmöglichkeiten und wählen Sie die poa oder die Planung zu bewegen. Quizzes dienen. Muss nur infor analytics entscheiden .. Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie fortfahren, die Website zu durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Benutzervereinbarung und Datenschutzbestimmungen. Slideshare verwendet Cookies, um Funktionalität und Leistung zu verbessern und Ihnen relevante Werbung zu bieten. Wenn Sie fortfahren, die Website zu durchsuchen, stimmen Sie der Verwendung von Cookies auf dieser Website zu. Siehe unsere Datenschutzrichtlinie und Benutzervereinbarung für Details. Entdecken Sie alle Ihre Lieblingsthemen in der SlideShare App Holen Sie sich die SlideShare App zu speichern für später sogar offline Weiter zur mobilen Website Upload Anmelden Signup Doppeltippen, um zu verkleinern 3. Vorhersagemethoden Share this SlideShare LinkedIn Corporation copy 2017