document: s/ae/ä/

1 files changed, 23 insertions, 23 deletions

diff --git a/doc/document.asciidoc b/doc/document.asciidoc
index 5c7b273..0c426bb 100644
--- a/doc/document.asciidoc
+++ b/doc/document.asciidoc
@@ -25,8 +25,8 @@ In dem Programm wurden die Daten in Form von Matriezen dagestellt.
 Das Script 'get_products.m' liest die Datei ''
 
 - Mittelwert
-- Lineare-Approximation (preis -> quantitaet)
-- Lineare-Approximation (zeit -> quantitaet)
+- Lineare-Approximation (preis -> quantität)
+- Lineare-Approximation (zeit -> quantität)
 - Mittlere-Wochen-Verhersagen
 
 image::image/opt_pred_pie.svg[Anteil der Verfahren an der Gesammtloesung]
@@ -40,9 +40,9 @@ Dabei wurde eine Fehlerpunktzahl von 489 erreicht.
 Sevenday-Verfahren
 ~~~~~~~~~~~~~~~~~~
 Wenn man die Summe ueber dem Absatz alle Produkte fuer alle 42 Tage in einem
-Diagram abtraegt, sieht man eine sehr deutliche periodische Schwankung der
+Diagram abträgt, sieht man eine sehr deutliche periodische Schwankung der
 Werte.
-image::image/q_sum.svg[Quantitaetssumme]
+image::image/q_sum.svg[Quantitätssumme]
 Diese Schwanken in einem Sieben-Tage-Rhythmus.
 Unter der Anahme, das dieses Verhalten jedem oder zumindest in den meisten
 Produkte zu grunde liegt, wurde das Sevenday-Verfahren entwickelt.
@@ -54,28 +54,28 @@ Vorhergesagt.
 In der Summer versucht man also ueber sieben Tage einen mittlere Schwingung
 der Sieben-Tage-Schankung zu erzeugen und dieses dann fuer den unbekannten
 Zeitraum vorherzusagen.
-image::image/sevenday_pred.svg[Quantitaetssumme mit Sevenday-Vorhersage]
+image::image/sevenday_pred.svg[Quantitätssumme mit Sevenday-Vorhersage]
 In diesem Diagramm ist die mittlere kurve in den Vorhersagezeitraum abgetragen
 worden.
-Das Ergebniss sieht optisch gut aus, aber enttaeuscht in der Fehlerzahl von 484
+Das Ergebniss sieht optisch gut aus, aber enttäuscht in der Fehlerzahl von 484
 Punken.
 Wenn fuer eine Produkt an einem Tage ein zu hoher Wert vorhergesagt wird und
 fuer ein anderes Produkt ein zu niedriger im Vergleich zu den Realwerten,
-dann gleichen sich die Negativen- und Positvenabstaende in der Summer wieder
+dann gleichen sich die Negativen- und Positvenabstände in der Summer wieder
 aus.
 Daher kann das Verhalten der Siebentagesschwankung nicht alleine Auschlaggebend
 fuer den Absatz eines Produktes sein.
 
-Lineare-Approximation Zeit -> Quantitaet
+Lineare-Approximation Zeit -> Quantität
 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-Bei der Approximation der Quantitaetskurve zu einer geraden, wird versucht einen
+Bei der Approximation der Quantitätskurve zu einer geraden, wird versucht einen
 allgemein steigenden oder fallenden Trend eines Produktes zu erkennen.
 Hierbei wird davon ausgegangen, dass sich ein Produkt ueber eine grosseren
-Zeitraum im mittelveraender.
+Zeitraum im mittelveränder.
 Anders als beim Mittelwertverfahren, welches von einer immer gleichbleibenden
 Grundabsatzmenge ausgeht, wird hier ein Trend mit bedacht.
 
-Der Verlauft der Quantitaet ueber die Trainingsdaten wird linear angenaehert und
+Der Verlauft der Quantität ueber die Trainingsdaten wird linear angenähert und
 fuer den die Vorhersage benutzt.
 
 Das Ergebniss dieses Verfahrens lieferte fuer einige Produkte z. B. dem Ersten
@@ -88,26 +88,26 @@ TODO: Fehlerwerte noch mal bestimmen!
 Lineare-Regresion (special)
 ~~~~~~~~~~~~~~~~~~~~~~~~~~~
 Am Produkt Nr. 335 kann man examplarisch sehr gut erkennen, dass der Absatz
-von den beiden Einflussgroessen Siebentage-Schwankung sowie der Preisaenderung
-abhaengt.
+von den beiden Einflussgroessen Siebentage-Schwankung sowie der Preisänderung
+abhängt.
 Mit diesem Verfahren wird versucht beide Einflussgroessen bei der Vorhersage
 zu beachten.
 
-Dabei wurde zunaechte eine Fourie-Analyse der Kurve der Absatzsumme alle
+Dabei wurde zunächte eine Fourie-Analyse der Kurve der Absatzsumme alle
 Produkte ueber die 42 Tage der Vorhersagemenge durchfuehrt, um die Frequenzen
 der Siebentagesschwankung empirisch zu bestimmen.
 Es wurde jeweil einzelne Frequenzen entfernt und bei der Ruecktransformation
-ein Digramm erwartet, welches dem mittelwert aehnelt.
+ein Digramm erwartet, welches dem mittelwert ähnelt.
 
 ...
 
-Die so ermittelten Frequenzen wurden dann nach der normalen Preis -> Quantitaets
+Die so ermittelten Frequenzen wurden dann nach der normalen Preis -> Quantitäts
 approxiamtion wieder hinzu genommen.
 
 
 Grundidee:
 - herrausrechnen der 7-Tage-Einbruche aus den Trainingsdaten fuer die Regression
-	und eine Approximation fuer reinen Preis->Quantitaets-Zusammenhang.
+	und eine Approximation fuer reinen Preis->Quantitäts-Zusammenhang.
 - 7-Tage-Einbrueche hinein rechnen.
 
 Der Absatz eines Produktes setzt sich aus verschiedenen Einflussfaktoren
@@ -116,17 +116,17 @@ Zum eine die Wochen- und die Preisschwankung.
 
 Zufallsverfahren
 ~~~~~~~~~~~~~~~~
-Dieses Verfahren wurde entwickelt um Plausibitaet der anderen Verfahren zu
+Dieses Verfahren wurde entwickelt um Plausibität der anderen Verfahren zu
 Testen und um der Vermutung nach zu gehen, das es Produkte gibt, welche
 gar nicht vorhersagbar sind.
 
 Bei dieses Verfahren wurde fuer jedes Product der Mittelwert und die
 Standardabweichung ermittelt.
-Mit dieses Parametern konnten fuer jedes Product 14 Werte zufaellig fuer die
+Mit dieses Parametern konnten fuer jedes Product 14 Werte zufällig fuer die
 Vorhersage bestimmt werden.
 Zur Zufallsbestimmung wurden Octave-interen Zufallsfunktionen mit Normal- und
 mit Chi-Verteilung benutzt.
-Beide Verteiltungen lieferten aehnliche Ergebnisse.
+Beide Verteiltungen lieferten ähnliche Ergebnisse.
 
 Der Gesammtfehler bei diesem Verfahren schankte zwischen 640 und 590
 Fehlerpunkten.
@@ -138,7 +138,7 @@ Zuvor beschriebenen Verfahren.
 Es stellte sich aber herraus, dass es bei jedem duchlauf andere Produkte waren,
 welche mit dem Vergleich zu den Realendaten besser vorhergesagt wurden.
 Somit war dieses Verfahren keine Option fuer eine serioese Vorhersage fuer
-unbekannten Datensaetze.
+unbekannten Datensätze.
 
 Optimierungsverfahren
 ~~~~~~~~~~~~~~~~~~~~~
@@ -149,8 +149,8 @@ Verfahren, welches den geringsten Fehlerwert bei der Vorhersage ueber der
 Trainingsmenge ergab.
 Dabei werden die Vorhersage-Matrizen der Verfahren mit den Real-Daten ueber die
 Manhatten-Distanz verglichen.
-Als Ergebnis erhaelt man nun einen Vektor, welches die Indizes der jeweils
-besten Verfahren enthaelt.
+Als Ergebnis erhält man nun einen Vektor, welches die Indizes der jeweils
+besten Verfahren enthält.
 Die Position des Indizes spiegelt dabei das Produkt wieder, fuer die dieses
 Verfahren am besten geeignet ist.