"Exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED (n\u011Bkdy t\u00E9\u017E exponenci\u00E1ln\u00ED vyhlazov\u00E1n\u00ED) je jednoduch\u00E1 metoda pro vyhlazov\u00E1n\u00ED a kr\u00E1tkodobou predikci \u010Dasov\u00FDch \u0159ad. N\u00E1zev poch\u00E1z\u00ED z toho, \u017Ee v\u00FDznam (v\u00E1ha) datov\u00E9ho bodu pro hodnotu predikce exponenci\u00E1ln\u011B kles\u00E1 s \u010Dasovou vzd\u00E1lenost\u00ED od predikce (st\u00E1\u0159\u00EDm dan\u00E9ho datov\u00E9ho bodu). Exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED z pohledu teorie zpracov\u00E1n\u00ED sign\u00E1lu p\u016Fsob\u00ED jako filtr typu doln\u00ED propust a odstran\u00ED z dat vysokofrekven\u010Dn\u00ED \u0161um."@cs . . "Exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED (n\u011Bkdy t\u00E9\u017E exponenci\u00E1ln\u00ED vyhlazov\u00E1n\u00ED) je jednoduch\u00E1 metoda pro vyhlazov\u00E1n\u00ED a kr\u00E1tkodobou predikci \u010Dasov\u00FDch \u0159ad. N\u00E1zev poch\u00E1z\u00ED z toho, \u017Ee v\u00FDznam (v\u00E1ha) datov\u00E9ho bodu pro hodnotu predikce exponenci\u00E1ln\u011B kles\u00E1 s \u010Dasovou vzd\u00E1lenost\u00ED od predikce (st\u00E1\u0159\u00EDm dan\u00E9ho datov\u00E9ho bodu). Exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED z pohledu teorie zpracov\u00E1n\u00ED sign\u00E1lu p\u016Fsob\u00ED jako filtr typu doln\u00ED propust a odstran\u00ED z dat vysokofrekven\u010Dn\u00ED \u0161um. P\u0159edpokl\u00E1dejme, \u017Ee \u010Dasov\u00E1 \u0159ada m\u00E1 za\u010D\u00E1tek v \u010Dase a v\u00FDstup algoritmu exponenci\u00E1ln\u00EDho vyrovn\u00E1v\u00E1n\u00ED se p\u00ED\u0161e . Pak nejjednodu\u0161\u0161\u00ED podoba exponenci\u00E1ln\u00EDho vyhlazov\u00E1n\u00ED je d\u00E1na vzorci: kde je vyrovn\u00E1vac\u00ED konstanta, . Vyrovn\u00E1vac\u00ED konstantu je pot\u0159eba nastavit podle chov\u00E1n\u00ED dan\u00E9 \u010Dasov\u00E9 \u0159ady, nap\u0159\u00EDklad tak, \u017Ee se vyzkou\u0161\u00ED n\u011Bkolik hodnot a podle sou\u010Dtu \u010Dtverc\u016F chyb se zvol\u00ED nejlep\u0161\u00ED konstanta. V uveden\u00E9 jednoduch\u00E9 podob\u011B se metoda hod\u00ED pro zpracov\u00E1n\u00ED \u0159ad, kter\u00E9 nevykazuj\u00ED v\u00FDrazn\u00FD trend a jen nepravideln\u011B kol\u00EDsaj\u00ED, nap\u0159\u00EDklad p\u0159i \u0159\u00EDzen\u00ED skladov\u00FDch z\u00E1sob. Pro zahrnut\u00ED trendu a sez\u00F3nnosti byly vypracov\u00E1ny slo\u017Eit\u011Bj\u0161\u00ED varianty t\u00E9to metody, zejm\u00E9na takzvan\u00E9 dvojit\u00E9 exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED, je\u017E zahrnuje vliv line\u00E1rn\u00EDho trendu, a trojit\u00E9 (Holtovo-Wintersovo) exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED. Softwarov\u011B je exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED pokryto nap\u0159\u00EDklad v MS Excelu a LibreOffice funkc\u00ED FORECAST.ETS, v programovac\u00EDm jazyce R funkc\u00ED ets v bal\u00ED\u010Dku forecast a v mnoha jin\u00FDch statistick\u00FDch softwarov\u00FDch n\u00E1stroj\u00EDch."@cs . "Suavizamiento exponencial"@es . "Exponential smoothing is a rule of thumb technique for smoothing time series data using the exponential window function. Whereas in the simple moving average the past observations are weighted equally, exponential functions are used to assign exponentially decreasing weights over time. It is an easily learned and easily applied procedure for making some determination based on prior assumptions by the user, such as seasonality. Exponential smoothing is often used for analysis of time-series data. where is the smoothing factor, and ."@en . . . . "\u042D\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0438\u0430\u043B\u044C\u043D\u043E\u0435 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u0435 \u2014 \u043C\u0435\u0442\u043E\u0434 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0433\u043E \u043F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u044F, \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u043C\u044B\u0439 \u043F\u0440\u0438 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u0438 \u0432\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445 \u0440\u044F\u0434\u043E\u0432. \u041C\u0435\u0442\u043E\u0434 \u0442\u0430\u043A\u0436\u0435 \u0438\u0437\u0432\u0435\u0441\u0442\u0435\u043D \u043A\u0430\u043A \u043C\u0435\u0442\u043E\u0434 \u043F\u0440\u043E\u0441\u0442\u043E\u0433\u043E \u044D\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0438\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u044F, \u0438\u043B\u0438 \u043C\u0435\u0442\u043E\u0434 \u0411\u0440\u0430\u0443\u043D\u0430. \u0433\u0434\u0435: \u2014 \u0441\u0433\u043B\u0430\u0436\u0435\u043D\u043D\u044B\u0439 \u0440\u044F\u0434, \u2014 \u0438\u0441\u0445\u043E\u0434\u043D\u044B\u0439 \u0440\u044F\u0434, \u2014 \u043A\u043E\u044D\u0444\u0444\u0438\u0446\u0438\u0435\u043D\u0442 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u044F, \u043A\u043E\u0442\u043E\u0440\u044B\u0439 \u0432\u044B\u0431\u0438\u0440\u0430\u0435\u0442\u0441\u044F \u0430\u043F\u0440\u0438\u043E\u0440\u0438 . \u0418\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0432 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u044F \u0438 \u043A\u0440\u0430\u0442\u043A\u043E\u0441\u0440\u043E\u0447\u043D\u043E\u0433\u043E \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u0432\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445 \u0440\u044F\u0434\u043E\u0432."@ru . "Le lissage exponentiel est une m\u00E9thode empirique de lissage et de pr\u00E9vision de donn\u00E9es chronologiques affect\u00E9es d'al\u00E9as. Comme dans la m\u00E9thode des moyennes mobiles, chaque donn\u00E9e est liss\u00E9e successivement en partant de la valeur initiale. Le lissage exponentiel donne aux observations pass\u00E9es un poids d\u00E9croissant exponentiellement avec leur anciennet\u00E9. Le lissage exponentiel est une des m\u00E9thodes de fen\u00EAtrage utilis\u00E9es en traitement du signal. Elle agit comme un filtre passe-bas en supprimant les fr\u00E9quences \u00E9lev\u00E9es du signal initial. pour :o\u00F9 est le facteur de lissage, avec"@fr . . "Leunketa esponentziala denbora-serieetako datu historikoetan oinarrituta epe laburrerako aurresanak egiteko teknika estatistikoen multzo bat da, jasotako datu historikoetatik abiaturik errepikapenezko formulak erabiltzen dituena, horretarako parametro batzuk finkatu ondoren. Bere bertsio sinpleenean, batezbesteko higikorra besterik ez da baina datu historikoak zenbat atzerago izan orduan eta eta neurri txikiagoan haztatu egiten dituena. Esponentzial adjektiboak datu historikoei denboran atzera joan ahala eta funtzio esponentzialaren arabera gero eta garrantzi edo pisu txikiagoa ematen zaiela adierazten du. Bere abantaila nagusia sinpletasuna da: kalkuluaren aldetik teknika errazak dira, ezarri beharreko parametroak eta eskuratzen diren emaitzak aise interpretatzen dira eta datu kopuru txik"@eu . "\uC9C0\uC218 \uD3C9\uD65C\uBC95(\u6307\u6578\u5E73\u6ED1\u6CD5, exponential smoothing)\uC740 \uC9C0\uC218 (exponential window function)\uB97C \uC0AC\uC6A9\uD558\uC5EC \uC2DC\uACC4\uC5F4 \uB370\uC774\uD130\uB97C \uB9E4\uB048\uD558\uAC8C \uB9CC\uB4DC\uB294 \uC774\uB2E4. \uC5D0\uC11C \uACFC\uAC70\uC758 \uAD00\uCC30\uAC12\uC758 \uAC00\uC911\uCE58\uAC00 \uB3D9\uB4F1\uD558\uAC8C \uC8FC\uC5B4\uC9C0\uB294 \uBC18\uBA74, \uC9C0\uC218 \uD568\uC218\uB97C \uC0AC\uC6A9\uD558\uBA74 \uC2DC\uAC04\uC774 \uC9C0\uB0A8\uC5D0 \uB530\uB77C \uAC00\uC911\uCE58\uAC00 \uAE30\uD558\uAE09\uC218\uC801\uC73C\uB85C \uAC10\uC18C\uB41C\uB2E4."@ko . . . "Exponentielle Gl\u00E4ttung"@de . . . . "Die exponentielle Gl\u00E4ttung (englisch exponential smoothing) ist ein Verfahren der Zeitreihenanalyse zur kurzfristigen Prognose aus einer Stichprobe mit periodischen Vergangenheitsdaten. Diese erhalten durch das exponentielle Gl\u00E4tten mit zunehmender Aktualit\u00E4t eine h\u00F6here Gewichtung. Die Alterung der Messwerte wird ausgeglichen, die Sicherheit der Vorhersage verbessert, insbesondere bei der Bedarfs-, Bestands- und Bestellrechnung. Grundlegend ist eine geeignete Datenbasis mit Messwerten aus Marktanalysen. Die exponentielle Gl\u00E4ttung wird vor allem verwendet, wenn die Zeitreihe keinerlei systematisches Muster wie linearen Anstieg oder \u00C4hnliches erkennen l\u00E4sst. Das Verfahren wird beispielsweise in der Lagerhaltung verwendet, wenn es etwa darum geht, den Bedarf eines zu bestellenden Artikels im kommenden Jahr zu ermitteln. So hat die Schweizer Armee mit der exponentiellen Gl\u00E4ttung gute Erfolge bei der Ermittlung der ben\u00F6tigten Gewehre im folgenden Jahr gemacht. Man ermittelt mit der exponentiellen Gl\u00E4ttung also Prognosewerte. Man geht von dem Ansatz aus, dass der gegenw\u00E4rtige Zeitreihenwert immer auch von den vergangenen Werten beeinflusst wird, wobei sich der Einfluss abschw\u00E4cht, je weiter der Wert in der Vergangenheit liegt. Durch die Gewichtung der Zeitreihenwerte mit einem Gl\u00E4ttungsfaktor werden starke Ausschl\u00E4ge einzelner beobachteter Werte auf der gesch\u00E4tzten Zeitreihe verteilt."@de . . . . "Lissage exponentiel"@fr . . . . . . "25207"^^ . "Exponenci\u00E1ln\u00ED vyrovn\u00E1v\u00E1n\u00ED"@cs . . . . . . . . . . "\u0415\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0456\u0301\u0439\u043D\u0435 \u0437\u0433\u043B\u0430\u0301\u0434\u0436\u0443\u0432\u0430\u043D\u043D\u044F \u2014 \u0446\u0435 \u043C\u0435\u0442\u043E\u0434 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u043D\u043E\u0433\u043E \u043F\u0435\u0440\u0435\u0442\u0432\u043E\u0440\u0435\u043D\u043D\u044F, \u044F\u043A\u0438\u0439 \u0437\u0430\u0441\u0442\u043E\u0441\u043E\u0432\u0443\u0454\u0442\u044C\u0441\u044F \u043F\u0440\u0438 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0443\u0432\u0430\u043D\u043D\u0456 \u0447\u0430\u0441\u043E\u0432\u0438\u0445 \u0440\u044F\u0434\u0456\u0432. \u0421\u0432\u043E\u044E \u043D\u0430\u0437\u0432\u0443 \u0432\u0456\u043D \u043E\u0442\u0440\u0438\u043C\u0430\u0432 \u0447\u0435\u0440\u0435\u0437 \u0442\u0435, \u0449\u043E \u043F\u0440\u0438 \u043A\u043E\u0436\u043D\u0456\u0439 \u043D\u0430\u0441\u0442\u0443\u043F\u043D\u0456\u0439 \u0456\u0442\u0435\u0440\u0430\u0446\u0456\u0457 \u0432\u0440\u0430\u0445\u043E\u0432\u0443\u044E\u0442\u044C\u0441\u044F \u0432\u0441\u0456 \u043F\u043E\u043F\u0435\u0440\u0435\u0434\u043D\u0456 \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u0440\u044F\u0434\u0443, \u0430\u043B\u0435 \u0441\u0442\u0443\u043F\u0456\u043D\u044C \u0432\u0440\u0430\u0445\u0443\u0432\u0430\u043D\u043D\u044F \u0437\u043C\u0435\u043D\u0448\u0443\u0454\u0442\u044C\u0441\u044F \u0437\u0430 \u0435\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0456\u0439\u043D\u0438\u043C \u0437\u0430\u043A\u043E\u043D\u043E\u043C. \u0434\u0435: \u2014 \u0437\u0433\u043B\u0430\u0434\u0436\u0435\u043D\u0438\u0439 \u0440\u044F\u0434; \u2014 \u043F\u0435\u0440\u0432\u0438\u043D\u043D\u0438\u0439 \u0440\u044F\u0434; \u2014 \u043A\u043E\u0435\u0444\u0456\u0446\u0456\u0454\u043D\u0442 \u0437\u0433\u043B\u0430\u0434\u0436\u0443\u0432\u0430\u043D\u043D\u044F, \u044F\u043A\u0438\u0439 \u043E\u0431\u0438\u0440\u0430\u0454\u0442\u044C\u0441\u044F \u0430\u043F\u0440\u0456\u043E\u0440\u0456 \u0437 \u0434\u0456\u0430\u043F\u0430\u0437\u043E\u043D\u0443 ."@uk . . . "Exponential smoothing is a rule of thumb technique for smoothing time series data using the exponential window function. Whereas in the simple moving average the past observations are weighted equally, exponential functions are used to assign exponentially decreasing weights over time. It is an easily learned and easily applied procedure for making some determination based on prior assumptions by the user, such as seasonality. Exponential smoothing is often used for analysis of time-series data. Exponential smoothing is one of many window functions commonly applied to smooth data in signal processing, acting as low-pass filters to remove high-frequency noise. This method is preceded by Poisson's use of recursive exponential window functions in convolutions from the 19th century, as well as Kolmogorov and Zurbenko's use of recursive moving averages from their studies of turbulence in the 1940s. The raw data sequence is often represented by beginning at time , and the output of the exponential smoothing algorithm is commonly written as , which may be regarded as a best estimate of what the next value of will be. When the sequence of observations begins at time , the simplest form of exponential smoothing is given by the formulas: where is the smoothing factor, and ."@en . . . "Leunketa esponentziala denbora-serieetako datu historikoetan oinarrituta epe laburrerako aurresanak egiteko teknika estatistikoen multzo bat da, jasotako datu historikoetatik abiaturik errepikapenezko formulak erabiltzen dituena, horretarako parametro batzuk finkatu ondoren. Bere bertsio sinpleenean, batezbesteko higikorra besterik ez da baina datu historikoak zenbat atzerago izan orduan eta eta neurri txikiagoan haztatu egiten dituena. Esponentzial adjektiboak datu historikoei denboran atzera joan ahala eta funtzio esponentzialaren arabera gero eta garrantzi edo pisu txikiagoa ematen zaiela adierazten du. Bere abantaila nagusia sinpletasuna da: kalkuluaren aldetik teknika errazak dira, ezarri beharreko parametroak eta eskuratzen diren emaitzak aise interpretatzen dira eta datu kopuru txikiekin ere erabil daiteke. Leunketa esponentziala datu historikoetan bakarrik oinarritzen da eta aurrez ez du datuei buruz inongo eredu estatistikorik ezartzen, denbora serieei aplikatzen zaizkien eredu batzuetarako emaitzak hobezinak direla frogatu bada ere. Bhear bezala aplikatuz gero, emaitzak eta aurresanak fidagarriak direla egiaztatu da. Leunketa esponentzialeko teknikak denbora-seriearen izaerara egokitzen dira. Bertsio sinpleenean, leunketa esponentzial sinplea joera eta urtarokotasunik gabeko serieetarako erabiltzen da. Leunketa esponentzialeko teknika konplexuagoak asmatu dira, joera lineal eta ez-lineal kontuan hartu eta urtarokotasuna era batukorrean eta biderkakorrean gaineratzen dutenak, horretarako leunketa anizkoitzak burutuz joera eta urtarokotasun osagaietarako. Leunketa esponentziala epe laburraz haraindi egokiagoa izan dadin, joera moteldu egiten duten parametroak ere barneratu daitezke."@eu . "Wyg\u0142adzanie wyk\u0142adnicze (ang. exponential smoothing) \u2013 metoda obr\u00F3bki szeregu czasowego zmniejszaj\u0105ca jego wariancj\u0119 za pomoc\u0105 wa\u017Conej \u015Bredniej ruchomej z przesz\u0142ych warto\u015Bci, o wagach malej\u0105cych wyk\u0142adniczo wraz z odleg\u0142o\u015Bci\u0105 w czasie. Stosowana do prostego usuwania szumu lub wizualizacji r\u00F3\u017Cnych danych. Jest r\u00F3wnie\u017C przydatna w prognozowaniu szereg\u00F3w czasowych o niewielkim stosunku sygna\u0142u do szumu, szczeg\u00F3lnie niemaj\u0105cych wyra\u017Anego trendu i waha\u0144 sezonowych."@pl . "\u042D\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0438\u0430\u043B\u044C\u043D\u043E\u0435 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u0435 \u2014 \u043C\u0435\u0442\u043E\u0434 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0433\u043E \u043F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u044F, \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u043C\u044B\u0439 \u043F\u0440\u0438 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u0438 \u0432\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445 \u0440\u044F\u0434\u043E\u0432. \u041C\u0435\u0442\u043E\u0434 \u0442\u0430\u043A\u0436\u0435 \u0438\u0437\u0432\u0435\u0441\u0442\u0435\u043D \u043A\u0430\u043A \u043C\u0435\u0442\u043E\u0434 \u043F\u0440\u043E\u0441\u0442\u043E\u0433\u043E \u044D\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0438\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u044F, \u0438\u043B\u0438 \u043C\u0435\u0442\u043E\u0434 \u0411\u0440\u0430\u0443\u043D\u0430. \u0433\u0434\u0435: \u2014 \u0441\u0433\u043B\u0430\u0436\u0435\u043D\u043D\u044B\u0439 \u0440\u044F\u0434, \u2014 \u0438\u0441\u0445\u043E\u0434\u043D\u044B\u0439 \u0440\u044F\u0434, \u2014 \u043A\u043E\u044D\u0444\u0444\u0438\u0446\u0438\u0435\u043D\u0442 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u044F, \u043A\u043E\u0442\u043E\u0440\u044B\u0439 \u0432\u044B\u0431\u0438\u0440\u0430\u0435\u0442\u0441\u044F \u0430\u043F\u0440\u0438\u043E\u0440\u0438 . \u0418\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0432 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u044F \u0438 \u043A\u0440\u0430\u0442\u043A\u043E\u0441\u0440\u043E\u0447\u043D\u043E\u0433\u043E \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u0432\u0440\u0435\u043C\u0435\u043D\u043D\u044B\u0445 \u0440\u044F\u0434\u043E\u0432."@ru . "Wyg\u0142adzanie wyk\u0142adnicze"@pl . . . . . . . . "\u0415\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0456\u0301\u0439\u043D\u0435 \u0437\u0433\u043B\u0430\u0301\u0434\u0436\u0443\u0432\u0430\u043D\u043D\u044F \u2014 \u0446\u0435 \u043C\u0435\u0442\u043E\u0434 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u043D\u043E\u0433\u043E \u043F\u0435\u0440\u0435\u0442\u0432\u043E\u0440\u0435\u043D\u043D\u044F, \u044F\u043A\u0438\u0439 \u0437\u0430\u0441\u0442\u043E\u0441\u043E\u0432\u0443\u0454\u0442\u044C\u0441\u044F \u043F\u0440\u0438 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0443\u0432\u0430\u043D\u043D\u0456 \u0447\u0430\u0441\u043E\u0432\u0438\u0445 \u0440\u044F\u0434\u0456\u0432. \u0421\u0432\u043E\u044E \u043D\u0430\u0437\u0432\u0443 \u0432\u0456\u043D \u043E\u0442\u0440\u0438\u043C\u0430\u0432 \u0447\u0435\u0440\u0435\u0437 \u0442\u0435, \u0449\u043E \u043F\u0440\u0438 \u043A\u043E\u0436\u043D\u0456\u0439 \u043D\u0430\u0441\u0442\u0443\u043F\u043D\u0456\u0439 \u0456\u0442\u0435\u0440\u0430\u0446\u0456\u0457 \u0432\u0440\u0430\u0445\u043E\u0432\u0443\u044E\u0442\u044C\u0441\u044F \u0432\u0441\u0456 \u043F\u043E\u043F\u0435\u0440\u0435\u0434\u043D\u0456 \u0437\u043D\u0430\u0447\u0435\u043D\u043D\u044F \u0440\u044F\u0434\u0443, \u0430\u043B\u0435 \u0441\u0442\u0443\u043F\u0456\u043D\u044C \u0432\u0440\u0430\u0445\u0443\u0432\u0430\u043D\u043D\u044F \u0437\u043C\u0435\u043D\u0448\u0443\u0454\u0442\u044C\u0441\u044F \u0437\u0430 \u0435\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0456\u0439\u043D\u0438\u043C \u0437\u0430\u043A\u043E\u043D\u043E\u043C. \u0434\u0435: \u2014 \u0437\u0433\u043B\u0430\u0434\u0436\u0435\u043D\u0438\u0439 \u0440\u044F\u0434; \u2014 \u043F\u0435\u0440\u0432\u0438\u043D\u043D\u0438\u0439 \u0440\u044F\u0434; \u2014 \u043A\u043E\u0435\u0444\u0456\u0446\u0456\u0454\u043D\u0442 \u0437\u0433\u043B\u0430\u0434\u0436\u0443\u0432\u0430\u043D\u043D\u044F, \u044F\u043A\u0438\u0439 \u043E\u0431\u0438\u0440\u0430\u0454\u0442\u044C\u0441\u044F \u0430\u043F\u0440\u0456\u043E\u0440\u0456 \u0437 \u0434\u0456\u0430\u043F\u0430\u0437\u043E\u043D\u0443 ."@uk . . . . . "1890727"^^ . "Leunketa esponentzial"@eu . "\uC9C0\uC218 \uD3C9\uD65C\uBC95(\u6307\u6578\u5E73\u6ED1\u6CD5, exponential smoothing)\uC740 \uC9C0\uC218 (exponential window function)\uB97C \uC0AC\uC6A9\uD558\uC5EC \uC2DC\uACC4\uC5F4 \uB370\uC774\uD130\uB97C \uB9E4\uB048\uD558\uAC8C \uB9CC\uB4DC\uB294 \uC774\uB2E4. \uC5D0\uC11C \uACFC\uAC70\uC758 \uAD00\uCC30\uAC12\uC758 \uAC00\uC911\uCE58\uAC00 \uB3D9\uB4F1\uD558\uAC8C \uC8FC\uC5B4\uC9C0\uB294 \uBC18\uBA74, \uC9C0\uC218 \uD568\uC218\uB97C \uC0AC\uC6A9\uD558\uBA74 \uC2DC\uAC04\uC774 \uC9C0\uB0A8\uC5D0 \uB530\uB77C \uAC00\uC911\uCE58\uAC00 \uAE30\uD558\uAE09\uC218\uC801\uC73C\uB85C \uAC10\uC18C\uB41C\uB2E4."@ko . . . "1123906409"^^ . . . "\uC9C0\uC218 \uD3C9\uD65C\uBC95"@ko . . "Exponential smoothing"@en . . "Wyg\u0142adzanie wyk\u0142adnicze (ang. exponential smoothing) \u2013 metoda obr\u00F3bki szeregu czasowego zmniejszaj\u0105ca jego wariancj\u0119 za pomoc\u0105 wa\u017Conej \u015Bredniej ruchomej z przesz\u0142ych warto\u015Bci, o wagach malej\u0105cych wyk\u0142adniczo wraz z odleg\u0142o\u015Bci\u0105 w czasie. Stosowana do prostego usuwania szumu lub wizualizacji r\u00F3\u017Cnych danych. Jest r\u00F3wnie\u017C przydatna w prognozowaniu szereg\u00F3w czasowych o niewielkim stosunku sygna\u0142u do szumu, szczeg\u00F3lnie niemaj\u0105cych wyra\u017Anego trendu i waha\u0144 sezonowych."@pl . "\u0415\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0456\u0439\u043D\u0435 \u0437\u0433\u043B\u0430\u0434\u0436\u0443\u0432\u0430\u043D\u043D\u044F"@uk . . . . . . . . . . "El m\u00E9todo de suavizamiento exponencial es una manera de pronosticar la demanda de un producto en un periodo dado. Estima que la demanda ser\u00E1 igual a, por ejemplo, la media de los consumos hist\u00F3ricos para un periodo dado, dando una mayor ponderaci\u00F3n a los valores m\u00E1s cercanos en el tiempo. Adem\u00E1s, tiene en cuenta el error de pron\u00F3stico actual en los siguientes pron\u00F3sticos."@es . . . . . . . "\u042D\u043A\u0441\u043F\u043E\u043D\u0435\u043D\u0446\u0438\u0430\u043B\u044C\u043D\u043E\u0435 \u0441\u0433\u043B\u0430\u0436\u0438\u0432\u0430\u043D\u0438\u0435"@ru . . "Le lissage exponentiel est une m\u00E9thode empirique de lissage et de pr\u00E9vision de donn\u00E9es chronologiques affect\u00E9es d'al\u00E9as. Comme dans la m\u00E9thode des moyennes mobiles, chaque donn\u00E9e est liss\u00E9e successivement en partant de la valeur initiale. Le lissage exponentiel donne aux observations pass\u00E9es un poids d\u00E9croissant exponentiellement avec leur anciennet\u00E9. Le lissage exponentiel est une des m\u00E9thodes de fen\u00EAtrage utilis\u00E9es en traitement du signal. Elle agit comme un filtre passe-bas en supprimant les fr\u00E9quences \u00E9lev\u00E9es du signal initial. La s\u00E9rie de donn\u00E9es brutes est not\u00E9e , commen\u00E7ant \u00E0 . Le r\u00E9sultat du lissage exponentiel est not\u00E9 ; celui-ci peut \u00EAtre vu comme une estimation de , d\u00E9barrass\u00E9 des al\u00E9as (en traitement du signal, on dit du bruit) en fonction du pass\u00E9. Le r\u00E9sultat d\u00E9pend cependant de la pratique de l'utilisateur (choix du facteur de lissage). Le lissage exponentiel n'a vraiment d'int\u00E9r\u00EAt que pour des donn\u00E9es \u00E0 peu pr\u00E8s stationnaires (c'est-\u00E0-dire qui ne sont pas affect\u00E9es de fortes croissances ou d\u00E9croissances ou de variations saisonni\u00E8res). Lorsqu'il existe une tendance, on doit compliquer la m\u00E9thode (lissage exponentiel double). Elle n'apporte aucune aide pour le traitement des donn\u00E9es saisonnalis\u00E9es. De caract\u00E8re empirique, la m\u00E9thode ne fournit pas d'indications sur les propri\u00E9t\u00E9s statistiques des r\u00E9sultats. Pour une s\u00E9rie commen\u00E7ant \u00E0 , le r\u00E9sultat du lissage exponentiel simple est donn\u00E9 par les formules suivantes : pour :o\u00F9 est le facteur de lissage, avec"@fr . . "El m\u00E9todo de suavizamiento exponencial es una manera de pronosticar la demanda de un producto en un periodo dado. Estima que la demanda ser\u00E1 igual a, por ejemplo, la media de los consumos hist\u00F3ricos para un periodo dado, dando una mayor ponderaci\u00F3n a los valores m\u00E1s cercanos en el tiempo. Adem\u00E1s, tiene en cuenta el error de pron\u00F3stico actual en los siguientes pron\u00F3sticos."@es . "Die exponentielle Gl\u00E4ttung (englisch exponential smoothing) ist ein Verfahren der Zeitreihenanalyse zur kurzfristigen Prognose aus einer Stichprobe mit periodischen Vergangenheitsdaten. Diese erhalten durch das exponentielle Gl\u00E4tten mit zunehmender Aktualit\u00E4t eine h\u00F6here Gewichtung. Die Alterung der Messwerte wird ausgeglichen, die Sicherheit der Vorhersage verbessert, insbesondere bei der Bedarfs-, Bestands- und Bestellrechnung. Grundlegend ist eine geeignete Datenbasis mit Messwerten aus Marktanalysen."@de .