Modellgestützte Unternehmensplanung

Formelsammlung

Lineare Regression
y^(xn) = a + b∙xn

N N N N

 x ∙  y - x ∙ x ∙y
n
2
n n n n

n=1 n=1 n=1 n=1

a= N N 2
 
N∙  xn2 -   xn
n=1 n=1 
N N N

N∙  x ∙y - x ∙y
n n n n

n=1 n=1 n=1

b= N N 2
 
N∙  xn2 -   xn
n=1 n=1 

Transformation in lineare Regression

Transformation
Potenziell y = a∙xb ~
y = ln(y), ~
x = ln(x), ~a ~
y = ~a + b∙x
~
= ln(a)
Exponentiell y = a∙eb∙x ~
y = ln(y), ~a = ln(a) ~
y = ~a + b∙x
Logarithmisch y = a + b∙ln(x) ~ ~
x = ln(x) y = a + b∙x
Hyperbolisch y = a + b/x ~ ~
x = 1/x y = a + b∙x

Gleitender Durchschnitt
t
1
y^t+1 = T∙  y
=t-T+1

Einfache Exponentielle Glättung

y^t+1 = ∙yt + (1 - )∙y^t

Formelsammlung MUP SS 2019.doc Seite 1 von 6

Doppelte Exponentielle Glättung
y^t+ = at + bt∙

at = ∙yt + (1 - )∙y^t
bt = ∙(at - at-1) + (1 - )∙bt-1

Dreifache Exponentielle Glättung

y^t+ = (at + bt∙)∙ct+-P

yt
at = ∙c - + (1 - )∙(at-1 + bt-1)
t P

bt = ∙(at - at-1) + (1 - )∙bt-1

yt
ct = ∙a + (1 - )∙ct-P
t

Prognosegüte
en = y^n - yn
N

 (y^ - y-)n
2

n=1
R2 = N

(y - y-) n
2

n=1

e
1 2
Sxy = N - 2∙ n N - 2: 2 Freiheitsgrade bei linearer Einfachregression
n=1
N

 (y - y-)
1 2
Sy = N - 1∙ n

n=1
S2xy
Adjustiertes R2 = 1 - S2
y

e
1 2
MSE = N∙ n

n=1

Formelsammlung MUP SS 2019.doc Seite 2 von 6

 N

|e |
1
MAD = N∙ n

n=1
N

y
1 en
MAPE = N∙
n
n=1

SEt
TSt = SAE
t

SEt = ∙et + (1 - )∙SEt-1

SAEt = ∙|et| + (1 - )∙SAEt-1

Rechtwinklige Entfernungsmessung
dj(x, y) = |aj - x| + |bj - y|

Euklidische Entfernungsmessung
dj(x, y) = (aj - x)2 + (bj - y)2

Arbeitspakete (AP) im Netzplan

ES AP EF
LS t LF

Dauer t Frühester Starttermin ES Spätester Endtermin LF

Spätester Starttermin LS = LF - t Frühester Endtermin EF = ES + t
Puffer S = LS - ES = LF - EF

Beta-Verteilung und Zentraler Grenzwertsatz

a + 4m + b b - a2
Erwartungswert te, AP = Varianz 2AP =  6 
6  

Te = te, AP 2 = 2AP
T - Te
z-Transformation z=
2

Formelsammlung MUP SS 2019.doc Seite 3 von 6

Exponentialverteilung
1) Dichtefunktion
f(t) = ∙e-∙t t0 t Zeitabschnitt
0 t<0  Ankunftsrate,  wenn Abfertigungsrate

2) Verteilungsfunktion
t


F(t) = f()d = 1 - e-∙t
0

M/M/1-Warteschlange
 
Auslastungsgrad  = bei M/M/C:  =
 C∙
2 2
Erwartete Anzahl Kunden in Warteschlange LQ = bei M/D/1:
1- 2∙(1 - )
Erwartete Anzahl Kunden im System LS = LQ + 
LQ
Erwartete Wartezeit WQ =

1
Erwartete Abfertigungs-/Servicezeit S =

Erwartete Systemzeit WS = WQ + S (Durchlaufzeit)
Wahrscheinlichkeit für n Kunden im System Pn = n∙(1 - )

Erfahrungskurve
Kosten nach n Verdopplungen Kn = K0∙Ln
Kumulierte Stückzahl Xn = 2n∙X0
Xnb ln(L)
Kosten nach n Verdopplungen Kn = K0∙X  mit b = ln(2)
 0
 Xn1+b 
 X  - 1
  0 
Gesamtkosten K = X0∙K0∙ 1 +
 1+b 

Gompertz-Kurve
bt
Xt, kum = Le  ae xt = ln(ln(L/Xt, kum)
x^t = a' + b∙t a' = ln(a), a = ea'

Formelsammlung MUP SS 2019.doc Seite 4 von 6

Half-Life-Funktion

1i t - t0
Yt = Ymin + (Yt0 - Ymin)∙2 mit i = t
  H

Optimale Bestellmenge und optimaler Bestellpunkt (deterministisch)

2∙∙K
x* = c∙h r* = mod (LT, T)∙

Kostenfunktionen bei Mengenrabatten

 x∙c1
c1∙ + x ∙K + 2 ∙h a0  x < a1

 x∙c2
Z (x) = c2∙ + x ∙K + 2 ∙h a1  x < a2

...

Kostenfunktion für Über/Unterbestände bei diskreter stochastischer Nachfrage

Z(S) = co∙E(S - Y)+ + cu∙E(Y - S)+
S 

Z(S) = co∙  (S - y)∙p + c ∙  (y - S)∙p

y u y

y=0 y=S

Kostenfunktion für Über/Unterbestände bei kontinuierlicher stochastischer

Nachfrageverteilung
Z(S) = co∙E(S - Y)+ + cu∙E(Y - S)+
S 

Z(S) = co∙  (S - y)∙f(y)∙dy + c ∙  (y - S)∙f(y)∙dy

u

y=0 y=S

Formelsammlung MUP SS 2019.doc Seite 5 von 6

Optimale Bestellmenge bei kontinuierlicher stochastischer Nachfrageverteilung
cu
F(S*) = c + c F: Verteilungsfunktion
u o

 cu 
S* = F-1c + c 
 u o

Optimale Bestellmenge und optimale Kosten bei normalverteilter Nachfrage

S* =  +z∙
Z(S*) = (cu + co)∙f01(z)∙

Formelsammlung MUP SS 2019.doc Seite 6 von 6