Entscheidungstheorie in Gruppen

Größe: px
Ab Seite anzeigen:

Download "Entscheidungstheorie in Gruppen"

Transkript

1 Entscheidungstheorie in Gruppen Blockseminar Sommersemester Juni 2005 Erster Samstag Franz Dietrich Zentrum für den wiss. Nachwuchs tel:

2 Struktur (vom Allgemeinen zum Speziellen) A. Entscheidungstheorie allgemein B. Social choice Theorie C. Einführung in die Präferenzenaggregation ( PA ) und die Wohlfahrtsökonomie D. Einführung in die Urteilsaggregation ( UA ) E. Grenzen der social choice Theorie, und Theorie der deliberativen Demokratie

3 A. Entscheidungstheorie allgemein 1. Individuelle Entscheidungstheorie 2. Interaktive Entscheidungstheorie (= Spieltheorie) 3. Kollektive Entscheidungstheorie (= social choice Theorie) 4. Empirische Fragestellung ( real choice) vs. normative Fragestellung ( rational choice) 5. Über den Rationalitätsbegriff der rational choice Theorie

4 Individuelle Entscheidungstheorie Entscheidungstheorie individuelle Entscheidungsth. interaktive Entscheidungsth. = Spieltheorie kollektive Entscheidungsth. = social choice Theorie Individuelle Entscheidungstheorie: man betrachtet einzelnen Akteur, der Entscheidung fällen muss Akteur ist oft ein Mensch, in Politikwiss. manchmal ein Staat (idealisiert als einheitlicher Akteur) Entscheidung zwischen Optionen (Alternativen) Jede Entscheidung führt zu einem Ausgang Beispiel: Akteur: ist ein Student Optionen: verschiedene Kursangebote Ausgang: ob der Kurs Spaß gemacht hat und welche Note herausgesprungen ist.

5 Man unterscheidet zwischen: Entscheidung unter Sicherheit Entscheidung unter Risiko Entscheidung unter Unsicherheit Entscheidung unter Sicherheit: Ausgang von Entscheidungen dem Akteur bekannt Bsp.: ich entscheide, ob ich heute zur Mensa gehe, und weiss, dass es Kalmares gibt Also: man kann Entscheidungen mit ihren Ausgängen gleichsetzen Akteur hat Präferenzen zwischen Ausgängen = Entscheidungen

6 Entscheidung unter Risiko Ausgang von Entscheidungen dem Akteur nicht genau bekannt, da Ausgang auch von Natur (= alles Unbeeinflussbare) abhängt Aber: Wahrscheinlichkeiten von Ausgängen bekannt, exogen gegeben Bsp.: Ich wähle meinen Einsatz in einem Roulette-Spiel in Las Vegas De facto wählt der Akteur zwischen Lotterieen (= Wahrscheinlichkeitsverteilungen) von Ausgängen Also: man kann Entscheidungen mit Lotterien von Ausgängen gleichsetzen Akteur hat Präferenzen zwischen Entscheidungen (= Lotterien von Ausgängen) Diese lassen sich unter gewissen Rationalitätsannahmen als Erwartungsnutzen-Maximierung darstellen: es existiert eine ( Nutzen -)funktion u von Ausgängen nach reellen Zahlen, so dass: Lotterie L wird (schwach) präferiert über Lotterie L* dann und nur dann, wenn Exp L (u) > ( ) Exp L* (u) (d.h. L hat einen (schwach) höheren erwarteten Nutzen als L*).

7 Entscheidung unter Unsicherheit Nicht einmal die Wahrscheinlichkeiten von Ausgängen von Entscheidungen bekannt da unklar, nach welchen Gesetzen Natur funktioniert Bsp.: ich entscheide, ob ich heute zur Mensa gehe, und habe keine Ahnung, welches Essen auf dem Programm steht Zwei (extreme) Präferenztypen: Maximin (ganz risikoavers): man bewertet Entscheidungen am schlechtest-möglichen Ausgang. Bsp.: Nicht-Mensa-Gehen besser als Mensa-Gehen da Hungern besser als schlechtest-mögliches Mensa-Essen Maximax (ganz risikofreudig): man bewertet Entscheidungen am bestmöglichen Ausgang. Bsp.: Mensa-Gehen besser als Nicht-Mensa-Gehen da best-mögliches Mensa-Essen besser als Hungern Welche Präferenzen sind rational? Genügen die Präferenzen gewissen Rationalitätsbedingungen (Maximin- und Maximax-Präferenzen tun dies nicht!), so kann man sie erneut als Erwartungsnutzen-Maximierung darstellen (aber anders als bei Entscheidungen unter Risiko: Wahrscheinlichkeiten nicht exogen gegeben, sonder subjektive Wahrscheinlichkeiten).

8 Interaktive Entscheidungstheorie (=Spieltheorie) Es gibt mehrere Akteure jeder Akteur fällt seine Entscheidung der Ausgang hängt aber von den Entscheidungen aller ab also: Spieler entscheiden indem sie die (erwarteten) Entscheidungen anderer berüchsichtigen Beispiel: Viele Spieler wollen ihr Auto an dengleichen Interessenten verkaufen Entscheideidung jedes Spielers: sein Verkaufsangebot an den Interessenten Ausgang: ver sein Auto verkauft und für wieviel

9 Frage: Ist Spieltheorie reduzierbar auf indiv. Entscheidungstheorie unter Risiko/Unsicherheit, wobei die andere Spieler die Natur sind? Das heißt: kann man die Entscheidung jedes einzelnen Spielers nicht aus Sicht der individuellen Entscheidungsth. analysieren? Antwort: Nein! Denn die Natur handelt nicht wie ein Spieler: Die Natur (in der indiv. Entscheidungstheorie) handelt nicht strategisch; sie versucht keine Nutzen zu optimieren Die anderen Spieler (in der Spieltheorie) handeln strategisch; sie wählen ihre Handlungen als geeignete Antwort auf die erwarteten Handlungen der anderen Was die Spieltheorie sehr komplex werden lässt: Die rationale Entscheidung eines Spieler hängt von seiner Einschätzung der Entscheidungen der anderen Spieler ab; deren Entscheidungen hängen von deren Einschätzungen über die Entscheidungen der anderen Spieler ab; usw. also muss ein Spieler sich fragen: was glauben die anderen, dass ich glaube, das sie glauben, dass ich glaube,...

10 Kollektive Entscheidungstheorie = social choice Theorie Ausgangspunkt: in der Realität müssen Gruppen oft gemeinsam entscheiden, planen, Ziele formulieren, handeln, etc. Daher: social choice Theorie erforderlich In der social choice Theorie: eine Gruppe, z.b. Landesbevölkerung, Parlament, Expertengremium, Vorstand einziger Akteur ist die Gruppe = das Kollektiv aber: dieser Akteur entscheidet nicht losgelöst von den Gruppenmitgliedern sondern auf Basis der Willen, Ziele, Anichten, Wünsche, Urteile etc. der Personen Problem: die Willen (Ziele etc.) der Personen widersprechen einander

11 Empirische Fragestellung vs. normative Fragestellung Für jede der drei Gebiete der Entscheidungstheorie gibt es: empirische Fragestellung normative Fragestellung Empirische Fragestellung (nicht unsere) Welche Entscheidungen werden in der Realität gefällt? Warum? ( Verhalten erklären) Welche Entscheidungen/Verhaltensmuster sind unter welchen Bedingungen zu erwarten ( Verhalten vorhersagen) Solche Fragen ragen hinein in die - Psychologie (individ. Entscheidungstheorie), - Soziologie (interaktive Entscheidungstheorie), - Politikwiss. (kollektive Entscheidungstheorie).

12 Normative Fragestellung (unsere) welche Entscheidungen sind rational? (soc. ch. Th. auch:) welche Entscheidungen sind demokratisch? welche Entscheidungen sollten getroffen werden unter diversen Rationalitätskriterien (soc. ch. Th.: und Demokratiekriterien)? Diese Fragen gehören zur rational choice Theorie Aber: Rational choice Theorie kann auch nützlich sein im Hinblick auf empirischen Ziele (reales Verhalten erklären/vorhersagen) allerdings nur insoweit Menschen sich rational verhalten! Bsp.: reales Verhaltensmuster von Akteuren in der Marktwirtschaft/in der Uni/auf der Straße/etc. kann durch spieltheoretische Modelle erklärt oder vorhergesagt werden

13 Über den Rationalitätsbegriff der rational choice Theorie Leider: Viele (auch rational choice Theoretiker) sind sich nicht über den Rationalitätsbegriff im klaren. Die rational choice Theorie hat meist einen dünnen Rationalitätsbegriff: rational heißt (grob gesprochen) intern konsistent/koherent rational heißt, dass die einzelnen Bestandteile der Willen, Wünsche, Meinungen, Handlungen etc. zusammenpassen im Einzelnen kann das heißen: transitive Prärerenzen, logisch konsistente Urteile,...

14 Bsp. 1: Folgende Urteilsmenge ist rational (= intern konsistent): - Alle Ausländer schaden allen Deutschen - Nur das Wohl der Deutschen zählt - Alle Ausländer sollten ausgewiesen werden. Aber: ist dies auch rational in einem weiteren Sinn? ( vielleicht sind manche der Urteile (objektiv) falsch) Bsp. 2: Gegeben verschiedene Optionen, gilt jede transitive, reflexive, vollständige Präferenzordnung als rational (= intern konsistent). Aber: dann ist folgende Präferenzordnung rational: - am liebsten hätte Peter irgendeine ungerade Zahl von Kindern - am zweitliebsten hätte er gar keine Kinder - am drittliebsten hätte er irgendeine gerade (positive) Zahl von Kindern

15 Die meisten (alle?) Formalisierungen von rational (Transitivität von Prärerenzen, logische Konsistenz von Urteilen,...) betreffen diesen dünnen Rationalitätsbegriff andere Formen von Rationalität ließe sich schwer formalisieren Also: auch Theoreme ( Resultate ) der rational choice Theorie beziehen sich auf Rationalität als interne Konsistenz Der Rationalitätsbegriff der rational choice Theorie: ist nicht falsch (auch nicht böse ) liefert notwendige Bedingungen an Rationalität liefert keine hinreichende Bedinungen für Rationalitäte, da er vieles ausklammert (deshalb dünn )

16 Wichtig: bei der Interpretation und Anwendung von Resultaten: Man muss hinter die Kulissen gucken, Präferenzen interpretieren,... Das geht über eine rein formale Analyse hinaus. Z.B.: Ob eine Wahlprozedur angebracht ist, kann davon abhängen, welche Motive hinter den Präferenzen der Leute stecken (Eigeninteresse? Urteile über gemeinschaftliches Wohl?) Typische (ideologische?) Fehler von Rational Choicern: die Interpretation von Präferenzen ganz außer acht lassen Präferenzen falsch interpretieren, z.b. sie automatisch als Ausdruck von Privatinteresse deuten Formale Ergebnisse falsch oder über-interpretieren. Bsp.: Darstellungssätze wonach Präferenzen darstellbar sind als Erwartunsnutzen-Maximierung sagen nicht, dass ein rationaler Akteur bewusst erwartete Nutzen berechnet, sondern nur dass sich seine Präferenzen so darstellen lassen

17 B. Social choice Theorie 1. Allgemeine Aufgabenstellung 2. Konkrete Beispiele 3. Aggregationsregeln 4. Was sind gute Aggregationsregeln? Prozedurale vs. epistemische Perspektive 5. Wie findet man gute Aggregationsregeln? Probieren vs. axiomatische Methode 6. Beweise in der social choice Theorie

18 Allgemeine Aufgabenstellung Eine Gruppe von n Personen, bezeichnet 1,..., n (n 2) kollektive Entscheidung erforderlich wobei Entscheidung viele Bedeutungen haben kann: Beschluss kollektiver Handlungen: Soll Straße gebaut werden? Soll Mehrwertsteuer angehoben werden? Welche Regierung soll Staat regieren?... Beschluss kollektiver Bewertungen/Werte/Ziele/etc.: Wie wünschenswert ist eine multikulturelle Gesellschaft? Ist ein höherer Benzinpreis oder die Klimaerwärmung schlimmer? Wie wichtig ist uns die Angleichung der ökonomischen Verhältnisse in der Welt?...

19 Beschluss kollektiver Meinungen (zu Sachfragen): Führt eine multikulturelle Gesellschaft zu mehr sozialer Instabilität? Führt mehr CO 2 -Ausstoß zu Klimaerwärmung? Führt ein freier Welthandel zur Angleichung der Lebensverhältnisse?... Bewertung unterschiedlicher Gesellschaftszustände, d.h. Bildung von Wohlfahrtsurteilen ( Wohlfahrtsökonomie): Welche Zustände sind besser als welche anderen? Ein Zustand könnte z.b. durch eine Einkommensverteilung gegeben sein; oder durch reichere Information, die etwa auch das soziale Klima, das Maß an Freiheit, etc. umfasst Mit welchen Modellen soll man die untersch. Fragestellungen studieren? Wir werden zwei allgemeine Modelle untersuchen: Präferenzenaggregation (und ihre kardinale Erweiterung) und Urteilsaggregation.

20 Konkrete Beispiele Bsp. 1 (Präferenzenaggregation). Eine Gruppe wählt zwischen zwei Kandidaten, oder zwei Urlaubszielen, oder zwei Meinungen zu Sachfragen, oder zwei wissensch. Theorien binäres Problem, weil nur zwei Entscheidungen möglich sind natürlicher Vorschlag: Mehrheitsregel, d.h. man wählt diejenige Alternative, die mehr Leute wollen Bsp. 2 (Präferenzenaggregation). Eine Gruppe entscheidet, für wie lange sie in Urlaub fahren will, oder welche Kompetenzen dem Gruppenleiter übertragen werden sollen mehr als zwei Optionen die naheliegende Prozedur, die Pluralitätsregel, is problematisch: der Kandidat mit den meisten Stimmen könnte zugleich im paarweisen Vergleich gegen jeden anderen Kandidaten verlieren (vgl.: Jean-Marie Le Pen im ersten Wahlgang der französ. Präsidentschaftswahlen) es gibt KEINE offensichtlich beste Prozedur, sondern viele Prozeduren mit jeweils anderen Vor- und Nachteilen

21 Beispiel 3 (Wohlfahrtsökonomie). Sei X eine Menge potenzieller Zustände der Gesellschaft. Jeder Zustand x X ist eine vollständige Beschreibung aller relevanter Askpekte der Gesellschaft (etwa der Einkommensverteilung, der Freiheitsräume der Menschen,...). Wie sind diese Zustände zu bewerten? Welche sind besser als welche? Dieses Entscheidungsproblem unterscheidet sich erheblich von den vorigen: Stellenwert der Alternativen: Die Alternativen (Gesellschaftszustände) lassen sich nicht einfach auswählen und umsethen : allenfalls kann der Staat versuchen, die Einkommensverteilung durch Rahmenbedingungen teilw. beeinflussen Stellenwert der kollektiven Entscheidung (Output der Aggregationsregel) Gesucht ist ein (Wohlfahrts-)Urteil, d.h. eine besser als -Relation über Einkommensverteilungen, die ein Wohlfahrtsurteil darstellt Stellenwert der Inputs der Aggregationsregel Auf der Basis welcher Inputs soll dieses Wohlfahrtsurteil erstellt werden? Lt. Welfarismus auf Basis der Wohlfahrtniveaus der Menschen (s.u.). Diese Inputs (= indiv. Wohlfahrtsfunktionen) werden realistisch nicht von Individuen eingereicht sondern von externer Person (Regierung) geschätzt Bsp. einer Aggregationsregel: Zustand x ist besser als Zustand x* genau dann wenn die Summe der individ. Wohlfahrten in x größer ist als in x*.

22 Beispiel 4 (Urteilsaggregation). Eine Expertengremium sucht kollektive Urteile zu folgenden wissenschaftlichen Propositionen: a : In Deutschland werden zu wenig Kinder geboren. b : Deutschland braucht mehr Immigration. a b : Wenn in Deutschland zu wenig Kinder geboren werden, dann braucht Deutschland mehr Immigration. Bemerke: es gibt hier nicht Alternativen, sondern logisch verknüpfte Propositionen akzeptiert man a und a b, so muss man b akzeptieren! die naheliegende Prozedur, die (propositionsweise) Mehrheitsregel, is problematisch, da sie logisch inkonsistente kollektive Urteile erzeugen kann: 1/3 der Bevölkerung 1/3 der Bevölkerung 1/3 der Bevölkerung Mehrheit ja ja nein ja a b nein wieder gibt es KEINE offensichtlich beste Prozedur, sondern mehrere konkurrierende Prozeduren mit Vor- und Nachteilen a ja ja ja b ja nein nein nein

23 Aggregationsregeln Kollektive Entscheidung hängt von individuellen Inputs ab. Ein Profil ist ein Vektor (x 1, x 2,..., x n ), wobei: x 1 ist der Input von (die Information über) Person 1 x 2 der Input von (die Information über) Person 2... x n der Input von (die Information über) Person n. Die Natur der Inputs x i hängt vom Aggregationsproblem ab: Präferenzaggregation: x i ist i s Präferenzrelation über Optionen (oder manchmal: i s Lieblingsoption, oder die Menge der von i gebilligten Optionen) Wohlfahrtsökonomie: x i ist i s Wohlfahrtsfunktion über Gesellschaftszustände Urteilsaggregation: x i ist i s Urteilsmenge über Propositionen etc.

24 Auf Basis eines Profils (x 1, x 2,..., x n ): welche kollektive Entscheidung? Aufgabe der social choice Th.: geeignete Aggregationsregel finden. Eine Aggregationsregel F transformiert Profile (x 1, x 2,..., x n ) in kollektive Entscheidungen F(x 1, x 2,..., x n ) Individuelle Inputs (x 1, x 2,..., x n ) (Profil) enthält z.b. individuelle Präferenzen, Meinungen, Zielvorstellungen, Wohlfahrtsfunktionen, Nutzenfunktionen, Urteilsmengen,... Aggregationsregel F z.b. Mehrheitsregel, Pluralitätsregel,... kollektiver Outputs F(x 1, x 2,..., x n ) (Entscheidung) z.b. kollektive Präferenzen, gewählter Kandidat, Einkommensverteilung, kollektive Urteilsmenge Formal: Eine Aggregationsregel is eine Funktion F die Profilen kollektive Entscheidungen zuordnet. Kann mathematisch präzise definiert werden!

25 Bsp: Wahl eines Kandidaten aus einer Menge von Kandidaten K. Profil: (x 1, x 2,..., x n ), wobei x i Person i s Lieblingskandidat ist Entscheidung: Kandidat (Regelfall) oder Patt zw. Kandidaten (Ausnahmefall); um Patt zu erlauben, ist Output der Regel nicht ein Kandidat sonder eine Menge von siegreichen Kandidaten K* K (oft ist K* aber einelementig!) Pluralitätsregel: definiert durch F(x 1, x 2,..., x n ) = {k K : [Zahl an Personen i mit x i = k] [Zahl an Personen i mit x i = k*] für alle k* K} (= Menge der Kandidaten mit maximaler Stimmenzahl) Oligarchie durch die Personen 1, 2, 3: definiert durch F(x 1,..., x n ) = {k K : [Zahl an Personen i {1,2,3} mit x i = k] [Zahl an Personen i {1,2,3} mit x i = k*] für alle k* K} = Menge der Kandidaten mit maximaler Stimmenzahl unter den Personen 1,2,3. Diktatur durch Person 3: F(x 1,..., x n ) = {x 3 } (Person 3 s Lieblingskand. siegt) Eine konstante Regel: F(x 1,..., x n ) = {k*} (ein exogen aufgezwungener Sieger) Andere ( bessere ) Aggregationsregeln können definiert werden, wenn der informationelle Gehalt des Profils angereichert wird: wenn x i nicht i s Lieblingskandidat ist, sondern z.b. i s Präferenzrelation über Kandidaten, oder i s Nutzenfunktion über Kandidaten.

26 Was sind gute Aggregationsregel? Prozedurale vs. epistemische Bewertung Bei der Bewertung von Aggregationsregeln kann man zw. 2 Zielen unterscheiden: Prozedurale Perspektive: konzentriert sich auf die Prozedur F, nicht primär ihre Outputs der Mechanismus, durch den Outputs generiert werden, soll wünschenswerte Eigenschaften haben die Beziehung zw. Outputs und Inputs von F zählt Demokratieanforderungen: Anonymität, Responsivität, universeller Bereich, etc. (später genaue Definitionen) andere Anforderung (bei Wahl eines Kandidaten): Neutralität (kein Kandidat soll von Prozedur bevorzugt wreden) Bsp: Bei einer Wahl zwischen zwei Kandidaten fürhrt aus prozeduraler Sicht kein Weg an der Mehrheitsregel vorbei Dies wird formal durch May s Theorem gezeigt.

27 Epistemische Perspektive Ziel der Prozedurwahl: die Prozedur soll richtige / gute Outputs erzeugen Dies setzt einen objektiven Standard von Richtigkeit / Güte kollektiver Outputs (Entscheidungen) voraus: ein Kandidat ist objektiv der beste, eine Politik ist objektiv richtig, etc. Kollektiven Entscheidungsfindung als Suche nach der richtigen Entscheidung, ganz egal wie demokratisch die Prozedur ist Bsp. 1: Annahme: wir können ein Orakel befragen, das uns immer den (objektiv) besseren Kandidaten nennt Epistemisch beste Prozedur = immer das Orakel befolgen total undemokratisch, daher prozedural nicht gerechtfertigt Bsp. 2: Sind verschiedene Wähler verschieden kompetent, so könnte aus epistemischer Sicht kompetenteren Wählern ein höheres Stimmgewicht geben werden, wobei Kompetenz = Fähigkeit zum Erkennen der (objektiv) Richtigen Entscheidung behandelt Leute verschieden, daher prozedural problematisch

28 Feststellung: Es gibt kein Orakel, und wir wissen oft nicht, wer wie kompetent ist Also: Die Mehrheitsregel (im 2-Optionen-Fall) könnte auch aus epistemischer Sicht gerechtfertigt sein. Dies wird formal durch Condorcet s jury Theorem gezeigt Also lässt sich die Mehrheitsregel (im 2-Optionen-Fall) - aus prozeduraler Sicht verteidigen, da sie demokratisch ist; - aus epistemischer Sicht verteidigen, da sie tendenziell zu guten Entscheidungen führt (unter gewissen Annahmen)

29 Wie findet man gute Aggregationsregeln? Probieren vs. axiomatische Methode Bei der Suche nach einer geeigneten Prozedur (ob aus prozeduraler, epistemischer oder sonstiger Sicht) sind zwei Ansätze denkbar: Probieren (gut als Einstieg) Axiomatische Methode (die anerkannte Methode seit Arrow) Probieren : Man überlegt sich plausible Prozeduren und prüft, welche Vor- und Nachteile sie haben. im 2-Optionen-Fall klappt das: Mehrheitsregel sieht gut aus... aber warum genau? Hier stößt man an die Grenze von Probieren in komplexeren Problemen wird es schwierig: jede mehr-oderweniger plausible Prozedur hat andere Macken; siehe obige und spätere Beispiele.

30 Axiomatische Methode: Man - formuliert mehrere Desideraten, die die Prozedur erfüllen soll, - formalisiert sie als formale Bedingungen an die Prozedur - untersucht, welche Prozeduren alle Bedingungen simultan erfüllen. Bsp.: Man kann Anonymität so formalisieren: Es gilt F(x 1,..., x n ) = F(x π(1),..., x π(n) ) (gleicher Output) für alle sich nur in der Reihenfolge der Inputs unterscheidenden (zulässigen) Profile (x 1,..., x n ) und (x π(1),..., x π(n) ) (wobei π : {1,..., n} {1,..., n} irgendeine Permutation der Individuen ist). Z.B. gilt F(x 1, x 2 ) = F(x 2, x 1 ) im Fall von n = 2 Individuen Intuitiv bedeutet dies: die Prozedur F weiss nicht, won wem die verschiedenen Inputs stammen

31 Die axiomatische Methode kann zu drei Ergebnissen führen: Fall 1: Es gibt genau eine Aggregationsregel mit allen Eigenschaften: Idealfall! Wir sind fertig! Bsp. (May Theorem) Im 2-Optionen-Fall erfüllt eine Aggregationsregel Anonymität, Neutralität, positive Responsivität und universeller Bereich dann und nur dann, wenn sie die Mehrheitsregel ist. Fall 2: Es gibt mehrere Aggregationsregel mit allen Eigenschaften: Wir müssen weitere Eigenschaften fordern, um zu einer einzigen Lösung zu kommen Fall 3: Es gibt keine Aggregationsregel mit allen Eigenschaften: Wir müssen manche der Forderungen aufgeben oder abschwächen, um zu einer Lösung zu kommen. Bsp. (Arrow s Theorem) Im Fall von mehr als 2 Optionen erfüllt keine Aggregationsregel zugleich Pareto-Effizienz, Nicht-Diktatur, Unabhängigkeit von irrelevanten Alternativen, universaller Bereich und kollektive Rationalität.

32 Graphische Illustration bei 3 Bedingungen an die Aggregationsregel Seien A, B, C drei Bedingungen an die Aggregationsregel. Gesucht: Aggregationsregel, die A erfüllt, eine A-Regel. Fall 1: Genau eine Aggregationsregel erfüllt zugleich Bedingungen A&B&C alle A&B-Regeln alle Regeln alle A-Regeln alle C-Regeln alle B-Regeln einzige A&B&C-Regel alle A&C-Regeln alle A&B-Regeln

33 Fall 2: Mehrere Aggregationsregel erfüllen zugleich Bedingungen A&B&C alle Regeln alle A-Regeln alle C-Regeln alle B-Regeln alle A&B&C-Regel Fall 3: Keine Aggregationsregel erfüllen zugleich Bedingungen A&B&C alle Regeln alle A-Regeln alle C-Regeln alle B-Regeln kein Überlapp = keine A&B&C-Regel

34 Bemerkung: Durch Bedinungen an die Aggregationsregel schränkt man die Zahl der möglichen Regeln dramatisch ein. Bsp: binäres Entscheidungsproblem unter n = 10 Personen jede Person hat 2 mögliche Inputs, und es gibt zwei mögliche Outputs es gibt bereits 2 hoch (2 hoch n) Aggregationsregeln, d.h. so viele: das sind weit mehr als es Atome in Universum gibt May s Theorem zeigt: stellt man lediglich vier Bedingungen, so bleibt genau eine Prozedur übrig (die Mehrheitsregel)

35 Beweise in der social choice Theorie Unterschiedliche Typen von Theoremen können bedürfen unterschiedlicher Beweistechnicken: Seien A, B,... Bedingungen/Axiome an die Aggregationsregel (z.b. Anonymität) 1. Characterisiertungssätze (z.b. May s Theorem; siehe Fall 1) Allgemeine Form: Die Aggregationsregel F* ist die einzige Aggregationsregel mit den Eigenschaften A, B,... Beweistechnik (in zwei Schritten): (i) Man zeigt, dass F* die Eigenschaften A, B,... erfüllt (oft einfach; z.b. ist es in May s Theorem offensichtlich, dass die Mehrheitsregel alle Bedingungen erfüllt). (ii) Man nimmt an, F sei eine Aggregationsregel mit den Eigenschaften A, B,... ist, und zeigt, dass F = F* gilt (oft weniger einfach).

36 2. Möglichkeitssäte (siehe Fall 1 oder 2) Allgemeine Form: Es existiert eine Aggregationsregel mit den Eigenschaften A, B,... Beweistechnik (konstruktiver Beweis): Man definiert eine Aggregationsregel F und zeigt, dass sie jede der Eigenschaften A, B,... erfüllt. 3. Unmöglichkeitssatz (Fall 3) Allgemeine Form: Es existiert keine Aggregationsregel mit den Eigenschaften A, B,... Beweistechnik (Widerspruchsbeweis): Man nummt an, F sei eine Aggregationsregel, die A, B,... erfüllt, und leitet einen Widerspruch her.

37 C. Einführung in die Präferenzenaggregation (PA) und Wohlfahrtsökonomie Bemerkung: Ich werde keine konkreten Theoreme besprechen, um Ihre Vorträge nicht vorwegzunehmen Das Modell der PA Zwei Beispiele von Aggregationsregeln Was sind individuelle Präferenzen? Was sind kollektive Präferenzen? Unterschiedliche Aggregationsregeln für unterschiedliche Inhalte der Inputs und Outputs Optionenraum: zwei Interpretationen Rationale Präferenzen Bedingungen an die Aggregationsregel Wohlfahrtsökonomie, kardinale Input-Information

38 Das Modell der PA Wir betrachten: eine Gruppe von n Personen 1,..., n (n 2) eine (nicht-leere) Menge X von Alternativen (Optionen), vor die die Gruppe gestellt ist (Kandidaten, Maßnahmen, Gesellschaftszustände,...) Der Optionenraum X ist exklusiv (höchstens eine der Optionen ist möglich) und erschöpfend (es gibt keine anderen Optionen); also muss genau eine der Optionen muss ergriffen werden Individuelle Präferenzen: Für Optionen x, y in X schreiben wir xr i y falls Person i x (schwach) gegenübereriert y präferiert, kurz wenn Person ix mindestens so gut wie y findet. Formal: jedes Individuum i = 1,..., n hat eine Präferenzrelation R i R i ist eine binäre Relation auf X (d.h. eine Menge von Paaren (x, y) X X, wobei xr i y eine Abkürzung für (x, y) R i ist).

39 Eine strikte Präferenzrelation P i und eine Indifferenzrelation I i werden wie folgt aus der schwachen Präferenzrelation R i definiert: xp i y (x (strikt) besser als y) : [xr i y und nicht yr i x] (x mind. so gut wie y und y nichtmind. so gut wie x) xi i y (x genauso gut wie y) : [xr i y und yr i x] (x mind. so gut wie y und y mind. so gut wie x) (Umgekehrt könnte man schwache Präferenzen nicht aus strikten Präferenzen definieren; deshalb betrachtet man schwache Präferenzen als den primitiven Begriff und strikte Präferenzen und Indifferenzen als abgeleitete Begriffe.) Ziel: kollektive Präferenzen finden (manchmal nur: eine Option x in X finden, die Entscheidung ) Für Optionen x, y in X schreiben wir xry falls das Kollektiv x (schwach) gegenübereriert y präferiert, kurz wenn x mindestens so gut ist wie y (aus Sicht der Gruppe) Formal: R ist (wie jedes R i ) eine binäre (Präferenz-)relation auf X Aus R erhält man wieder eine (kollektive) strikte Präferenzrelation P und eine (kollektive) Indifferenzrelation I (analog zu P i und I i )

40 (Präferenz-)aggregationsregeln: Bemerkung: Manchmal verwendet PA andere In- und Outputs: - i s Input ist nicht Präferenzrelation R i, sondern i s Lieblingsoption x i X, oder die Menge G i X der von i gebilligten Optionen - der Output ist nicht kollekt. Präferenzrelation R, sondetn z.b. siegreiche Option x X. Eine (Präferenz-)aggregationsregel ist eine Funktion F, die für jedes Profil (R 1, R 2,..., R n ) individueller Präferenzrelationen (in einem Bereich zulässiger Profile) eine kollektive Präferenzordnung R = F(R 1, R 2,..., R n ) spezifiziert Profil individueller Präferenzordgungen (R 1, R 2,..., R n ) Aggregationsregel F z.b. CondorcetRegel, Borda Regel,... kollektive Präferenzrelation R = F(R 1, R 2,..., R n )

41 Zwei Beispiele von Aggregationsregeln Folgende zwei Aggregationsregeln wurden von französ. Theoretikern im 18. Jahrhundert gefunden (Marquis de Condorcet und Compte de Borda) durch Probieren, da axiomatische Methode erst mit Arrow kam

42 Bsp. 1: Condorcet Regel (= paarweise Mehrheitsregel) Definiere die kollektive Präferenzrelation R = F(R 1, R 2,..., R n ) so: xry : [Zahl an Personen i mit xr i y] [Zahl an Personen i mit yr i x] (für beliebige Optionen x, y in X) Problem (Condorcet s Paradox). Bei mind. 3 Individuen und mind. 3 Optionen kann die Condorcet Regel zyklische kollektive Präferenzen generieren. Betrachte Optionen x, y, z und ein Profile, in dem - 1/3 der Individuen x über y über z präferiert - 1/3 der Individuen y über z über x präferiert - 1/3 der Individuen z über y über x präferiert Dann gilt: - eine Mehrheit präferiert x über y; also xpy - eine Mehrheit präferiert y über z; also ypz - eine Mehrheit präferiert z über x; also zpx Ein Zyklus! Formal: Die kollektiven Präferenzen verletzten Transitivität (s.u.)

43 Bsp. 2: Borda Regel - Wir setzen voraus, es gibt k := X < Optionen, und die Profile (im Bereich der Regel) bestehen aus linearen Präferenzordnungen. - Der (Borda-)Rang einer Option in einer (linearen) Präferenzordnung ist so definiert: die meistpräferierteste Option Borda-Rang n, die zweit-meist-prärerierte Option Borda-Rang n 1,..., die am wenigsten präferierte Option Borda-Rang 1. Sei b R i (x) der Borda-Rang von Option x in Präferenzrelation R i. Definiere nun die kollektive Präferenzrelation R = F(R 1, R 2,..., R n ) so: xry : b R 1 (x)+ b R2 (x) b Rn (x) b R1 (y)+ b R2 (y) b Rn (y) (x hat einen mind. so hohen summierten Borda-Rang wie y) Frage: Wie ordnet R die Optionen x, y, z im vorigen Profil (in dem die Condorcet Regel den Zyklus xpypzpx erzeugt)? wenn X nur x, y, z enthält? wenn X mehr Optionen enthält? Problem: Der Ausgang ist durch agenda setters manipulierbar, da sich die kollektive Präferenz zwischen x und y umkehren kann durch das Hinzufügen oder Herausnehmen anderer Optionen.

44 Was sind individuelle Präferenzen? Der Gegenstand der Aggregation in der PA sind Präferenzen. Selten gestellte Fragen (aber Amartya Sen stellt sie!): Was aber sind Präferenzen? Was drücken sie aus? Bsp: Ein Obdachloser in der Fußgängerzone bittet Sie um eine Münze. Sie haben zwei Optionen: Münze geben und keine Münze geben Fragen an Sie: Welche Option präferiert der Bettler (d.h. will er, hätte er lieber)? Welche Option ist im Interesse des Bettlers? Und falls er trinkt? Welche Option ist in Ihrem Interesse? Welche Option präferieren Sie (und werden Sie daher wählen)? Man könnte definieren: eine Präferenz ist - eigeninteressiert (überspitzt: egoistisch), falls sie sich am Eigeninteresse orientiert - fremdinteressiert (überspitzt: altruistisch), falls sie sich am Interesse anderer orientiert

45 Man könnte viele andere Fragen stellen, etwa: Welche Option macht den Bettler glücklicher? Kurzfristig? Lanfristig? Und wenn er trinkt? Welche Option erhöht die Wohlfahrt des Bettlers? (vielleicht dieselbe Frage wie wlche Option ist im Interesse des Bettlers? ) Kurzfristig? Langfristig? Und wenn er trinkt? Welche Option macht Sie glücklicher? Kurzfristig? Lanfristig? Welche Option ist besser für Sie und ihn zusammen? Welche Option ist besser für die Volkswirtschaft? Welche Option ist besser für die Menschheit? Welche Option ist besser? (etwas unklar, was besser heißt) Welche Option ist moralischer? (vielleicht dieselbe Frage wie zuvor) Welche Option sollten Sie wählen? (vielleicht wieder dieselbe Frage)

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie und, oder, nicht, wenn... dann zwischen atomaren und komplexen Sätzen. I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Prolog basiert auf Prädikatenlogik

Prolog basiert auf Prädikatenlogik Software-Technologie Software-Systeme sind sehr komplex. Im Idealfall erfolgt die Programmierung problemorientiert, während die notwendige Übertragung in ausführbare Programme automatisch erfolgt. Prolog-Philosophie:

Mehr

Beispiele für Relationen

Beispiele für Relationen Text Relationen 2 Beispiele für Relationen eine Person X ist Mutter von einer Person Y eine Person X ist verheiratet mit einer Person Y eine Person X wohnt am gleichen Ort wie eine Person Y eine Person

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners 1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man

Mehr

Risiko und Versicherung - Übung

Risiko und Versicherung - Übung Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de

Mehr

Grundlagen der Informationverarbeitung

Grundlagen der Informationverarbeitung Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,

Mehr

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)

Mehr

Gibt es verschiedene Arten unendlich? Dieter Wolke

Gibt es verschiedene Arten unendlich? Dieter Wolke Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen

Mehr

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

ETWR TEIL B ÜBUNGSBLATT 4 WS14/15

ETWR TEIL B ÜBUNGSBLATT 4 WS14/15 ETWR TEIL B ÜBUNGSBLATT 4 WS14/15 OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG F A K U L T Ä T F Ü R W I R T S C H A F T S W I S S E N S C H A FT LEHRSTUHL FÜR EMPIRISCHE WIRTSCHAFTSFORSCHUNG & GESUNDHEITSÖKONOMIE,

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

4. Relationen. Beschreibung einer binären Relation

4. Relationen. Beschreibung einer binären Relation 4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Von der Metaethik zur Moralphilosophie: R. M. Hare Der praktische Schluss/Prinzipien Überblick zum 26.10.2009

Von der Metaethik zur Moralphilosophie: R. M. Hare Der praktische Schluss/Prinzipien Überblick zum 26.10.2009 TU Dortmund, Wintersemester 2009/10 Institut für Philosophie und Politikwissenschaft C. Beisbart Von der Metaethik zur Moralphilosophie: R. M. Hare Der praktische Schluss/Prinzipien Überblick zum 26.10.2009

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Beispiel. Bsp.: Betrachte Schlussweise in: (3) folgt aus (1) und (2), siehe z.b. Resolutionsregel. was ist mit folgender Schlußweise:

Beispiel. Bsp.: Betrachte Schlussweise in: (3) folgt aus (1) und (2), siehe z.b. Resolutionsregel. was ist mit folgender Schlußweise: Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 5.4 Prädikatenlogik mit Gleichheit Resolution 192 Beispiel Bsp.: Betrachte Schlussweise in: 1 Wenn es regnet, dann wird die Straße nass. R N

Mehr

1. Grundlegende Konzepte der Informatik

1. Grundlegende Konzepte der Informatik 1. Grundlegende Konzepte der Informatik Inhalt Algorithmen Darstellung von Algorithmen mit Programmablaufplänen Beispiele für Algorithmen Aussagenlogik Zahlensysteme Kodierung Peter Sobe 1 Algorithmen

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Beruf als institutionelle Grundlage des Arbeitsmarktes: Anmerkungen zu einer Neukonzipierung der Berufsforschung. Martin Abraham

Beruf als institutionelle Grundlage des Arbeitsmarktes: Anmerkungen zu einer Neukonzipierung der Berufsforschung. Martin Abraham Beruf als institutionelle Grundlage des Arbeitsmarktes: Anmerkungen zu einer Neukonzipierung der Berufsforschung Workshop Perspektiven einer arbeitsmarktbezogenen Berufsforschung in Deutschland IAB 10.6.2008

Mehr

Über Stock-Flow-Konfusionen auf systemtheoretischer Basis

Über Stock-Flow-Konfusionen auf systemtheoretischer Basis Über Stock-Flow-Konfusionen auf systemtheoretischer Basis Nikolaus K.A. Läufer 14. Januar 2006 1 Über einen falschen, systemtheoretischen Satz zu stocks und flows Wir werden im folgenden zeigen, dass der

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Unterrichtsreihe: Liebe und Partnerschaft

Unterrichtsreihe: Liebe und Partnerschaft 08 Trennung Ist ein Paar frisch verliebt, kann es sich nicht vorstellen, sich jemals zu trennen. Doch in den meisten Beziehungen treten irgendwann Probleme auf. Werden diese nicht gelöst, ist die Trennung

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

A.1 Schaltfunktionen und Schaltnetze

A.1 Schaltfunktionen und Schaltnetze Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware

Mehr

Formaler Entwurf mit Event-B Die Eventbank

Formaler Entwurf mit Event-B Die Eventbank Institut für Theoretische Informatik Anwendungsorientierte Formale Verifikation Vorlesung Anwendung Formaler Verifikation SS 2015, 9.6.15 Dr. V. Klebanov, Dr. M. Ulbrich Formaler Entwurf mit Event-B Die

Mehr

Mikroökonomik B 1. Intertemporale Entscheidung

Mikroökonomik B 1. Intertemporale Entscheidung Mikroökonomik B 1. Intertemporale Entscheidung Paul Schweinzer 23. April 2009. Intertemporale Entscheidung Literaturangaben: Varian (2007), Kapitel 10, 11 und 30.3. Ausgangspunkt: Konsumententheorie, d.h.

Mehr

8. Von den Grundbausteinen zu sicheren Systemen

8. Von den Grundbausteinen zu sicheren Systemen Stefan Lucks 8. Grundb. sich. Syst. 211 orlesung Kryptographie (SS06) 8. Von den Grundbausteinen zu sicheren Systemen Vorlesung bisher: Bausteine für Kryptosysteme. Dieses Kapitel: Naiver Einsatz der Bausteine

Mehr

Grundbegriffe (1) Grundbegriffe (2)

Grundbegriffe (1) Grundbegriffe (2) Grundbegriffe (1) S.1 Äquivalenzklasse Unter einer Äquivalenzklasse versteht man eine Klasse von Objekten, die man hinsichtlich bestimmter Merkmalsausprägungen als gleich (äquivalent) betrachtet. (z.b.

Mehr

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 ) Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,

Mehr

Also kann nur A ist roter Südler und B ist grüner Nordler gelten.

Also kann nur A ist roter Südler und B ist grüner Nordler gelten. Aufgabe 1.1: (4 Punkte) Der Planet Og wird von zwei verschiedenen Rassen bewohnt - dem grünen und dem roten Volk. Desweiteren sind die Leute, die auf der nördlichen Halbkugel geboren wurden von denen auf

Mehr

Wie löst man Mathematikaufgaben?

Wie löst man Mathematikaufgaben? Wie löst man Mathematikaufgaben? Manfred Dobrowolski Universität Würzburg Wie löst man Mathematikaufgaben? 1 Das Schubfachprinzip 2 Das Invarianzprinzip 3 Das Extremalprinzip Das Schubfachprinzip Verteilt

Mehr

Betriebsarten für Blockchiffren

Betriebsarten für Blockchiffren Betriebsarten für Blockchiffren Prof. Dr. Rüdiger Weis TFH Berlin Sommersemester 2008 Betriebsarten für Blockchiffren Was ist eine Betriebsart (engl. Mode of Operation )? Blockchiffre wird genutzt, um

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Technische Informatik - Eine Einführung

Technische Informatik - Eine Einführung Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Ausgabe: 2005-02-21 Abgabe: 2005-02-21 Technische Informatik - Eine

Mehr

Spieltheorie Teil 2. Tone Arnold. Universität des Saarlandes. 28. April 2008

Spieltheorie Teil 2. Tone Arnold. Universität des Saarlandes. 28. April 2008 Spieltheorie Teil 2 Tone Arnold Universität des Saarlandes 28. April 2008 Tone Arnold (Universität des Saarlandes) Spieltheorie Teil 2 28. April 2008 1 / 66 Sequenzielle Spiele: Strategie vs. Aktion Bisher:

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Entwicklung eines korrekten Übersetzers

Entwicklung eines korrekten Übersetzers Entwicklung eines korrekten Übersetzers für eine funktionale Programmiersprache im Theorembeweiser Coq Thomas Strathmann 14.01.2011 Gliederung 1 Einleitung

Mehr

Requirements Engineering Übung 10 - Formale Systemmodellierung im RE -

Requirements Engineering Übung 10 - Formale Systemmodellierung im RE - Requirements Engineering Übung 10 - Formale Systemmodellierung im RE - Dr. Birgit Penzenstadler, Dr. Daniel Méndez, Jonas Eckhardt 08.01.2012 Aufgabe 1: Empirisch formulierte vs. Formal fundierte Anforderungen:

Mehr

Stefan Lucks Krypto und Mediensicherheit (2009) 4: Stromchiffren

Stefan Lucks Krypto und Mediensicherheit (2009) 4: Stromchiffren 4: Stromchiffren Zwei Grundbausteine der symmetrischen Kryptographie: Stromchiffren Verschlüsseln beliebig langer Klartexte, interner Zustand Blockchiffren Verschlüsseln von Blocks einer festen Größe,

Mehr

Repetitorium zum Staatsexamen für Lehramtsstudenten. Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201. Sommersemester 2014

Repetitorium zum Staatsexamen für Lehramtsstudenten. Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201. Sommersemester 2014 Sommersemester 2014 Repetitorium zum Staatsexamen für Lehramtsstudenten Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201 Lehrstuhl für ABWL und Wirtschaftsinformatik Prof. Dr. Alexandros

Mehr

5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko

5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko 1 5.Unsicherheit Bisher sind wir von vollständiger Planungssicherheit seitens der Entscheidungsträger ausgegangen. Dies trifft in vielen Fällen natürlich nicht den Kern eines Entscheidungsproblems.Wennz.B.eineEntscheidungfürdenKaufvonAktiengetroffen

Mehr

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes

Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Trainingsaufgaben zur Klausurvorbereitung in Statistik I und II Thema: Satz von Bayes Aufgabe 1: Wetterbericht Im Mittel sagt der Wetterbericht für den kommenden Tag zu 60 % schönes und zu 40% schlechtes

Mehr

2. Gesundheitsfinanzierung

2. Gesundheitsfinanzierung 2. Gesundheitsfinanzierung Inhalte dieses Abschnitts 2.1 Grundmodell der Versicherung Versicherungsmotiv Optimale Versicherungsnachfrage Aktuarisch faire und unfaire Prämien 145 2.1 Grundmodell der Versicherung

Mehr

Sozialisation und Identität

Sozialisation und Identität Universität Augsburg Lehrstuhl für Soziologie Übung: Grundkurs Soziologie Dozent: Sasa Bosancic, M.A. Sebastian Schmidt, Marion Röder, Hanna Heß Sozialisation und Identität Inhaltsverzeichnis Biographie

Mehr

Entscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen

Entscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen Berechenbarkeit und Komlexität Entscheidbarkeit und Unentscheidbarkeit Wolfgang Schreiner Wolfgang.Schreiner@risc.uni-linz.ac.at Research Institute for Symbolic Comutation (RISC) Johannes Keler University,

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Spezifikation der zulässigen Parameter. Bemerkungen: Bemerkungen: (2) Design by Contract:

Spezifikation der zulässigen Parameter. Bemerkungen: Bemerkungen: (2) Design by Contract: Spezifikation der zulässigen Parameter Bemerkungen: Bei jeder (partiellen) Funktion muss man sich überlegen und dokumentieren, welche aktuellen Parameter bei einer Anwendung zulässig sein sollen. Der Anwender

Mehr

Zur Vereinfachung betrachten wir nun nur noch Funktionen f, die einen Funktionswert f nµberechnen. Sie werden alle in einer Tabelle dargestellt:

Zur Vereinfachung betrachten wir nun nur noch Funktionen f, die einen Funktionswert f nµberechnen. Sie werden alle in einer Tabelle dargestellt: Informatik 13: Gierhardt Theoretische Informatik III Berechenbarkeit Nicht-berechenbare Funktionen Nach der Church-Turing-These kann alles, was berechenbar ist, mit einer Turing-Maschine oder einer While-Maschine

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen

Mehr

Grundlagen verteilter Systeme

Grundlagen verteilter Systeme Universität Augsburg Insitut für Informatik Prof. Dr. Bernhard Bauer Wolf Fischer Christian Saad Wintersemester 08/09 Übungsblatt 5 26.11.08 Grundlagen verteilter Systeme Lösungsvorschlag Aufgabe 1: Erläutern

Mehr

Grundlagen und Basisalgorithmus

Grundlagen und Basisalgorithmus Grundlagen und Basisalgorithmus Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg

Mehr

16 Risiko und Versicherungsmärkte

16 Risiko und Versicherungsmärkte 16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss

Mehr

Kryptologie und Kodierungstheorie

Kryptologie und Kodierungstheorie Kryptologie und Kodierungstheorie Alexander May Horst Görtz Institut für IT-Sicherheit Ruhr-Universität Bochum Lehrerfortbildung 17.01.2012 Kryptologie Verschlüsselung, Substitution, Permutation 1 / 18

Mehr

Vorlesung. Informationsökonomik und die Theorie der Firma

Vorlesung. Informationsökonomik und die Theorie der Firma Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 5. Vorlesung 28.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 5. Vorlesung 28.11.2007

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

TECHNISCHE UNIVERSITÄT DRESDEN. Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra

TECHNISCHE UNIVERSITÄT DRESDEN. Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra Halbgruppen binärer Relationen auf einer 3-elementigen Menge Arbeit im Rahmen des

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

y(p F x) gebunden und in den Formeln F xy

y(p F x) gebunden und in den Formeln F xy Wirkungsbereich (Skopus) eines Quantors i bzw. i nennen wir die unmittelbar auf i bzw. i folgende Formel. Wir sagen, eine IV i kommt in einer Formel A gebunden vor, wenn sie unmittelbar auf oder folgt

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 29/ Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws9

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

1 Aussagenlogik und Mengenlehre

1 Aussagenlogik und Mengenlehre 1 Aussagenlogik und engenlehre 1.1 engenlehre Definition (Georg Cantor): nter einer enge verstehen wir jede Zusammenfassung von bestimmten wohl unterschiedenen Objekten (m) unserer Anschauung oder unseres

Mehr

10. Public-Key Kryptographie

10. Public-Key Kryptographie Stefan Lucks 10. PK-Krypto 274 orlesung Kryptographie (SS06) 10. Public-Key Kryptographie Analyse der Sicherheit von PK Kryptosystemen: Angreifer kennt öffentlichen Schlüssel Chosen Plaintext Angriffe

Mehr

2 Der Finanz-Code Regel Nr. 2: Die Markteffizienz (und ihre Grenzen) verstehen... 24

2 Der Finanz-Code Regel Nr. 2: Die Markteffizienz (und ihre Grenzen) verstehen... 24 9 Inhalt Einführung......................................... 11 1 Der Finanz-Code Regel Nr. 1: Auf dem zweiten Niveau denken................. 16 2 Der Finanz-Code Regel Nr. 2: Die Markteffizienz (und ihre

Mehr

Codes und Informationsgehalt

Codes und Informationsgehalt Aufgaben 2 Codes und Informationsgehalt Auf wie viele Dezimalziffern genau können vorzeichenlose ganze Zahlen in einem binären Code der Länge 32 bit dargestellt werden? 2 Codes und Informationsgehalt Auf

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Qualitative Datenanalyse

Qualitative Datenanalyse Qualitative Datenanalyse Prof. Dr. Stefan E. Schmidt Francesco Kriegel TU Dresden Fakultät Mathematik Institut Algebra SS 2007 28. September 2008 Inhaltsverzeichnis Kapitel 1 Formale Begriffsanalyse 1

Mehr

SVWL IV-Klausur zur Veranstaltung. Finanzwissenschaft II

SVWL IV-Klausur zur Veranstaltung. Finanzwissenschaft II SVWL IV-Klausur zur Veranstaltung Finanzwissenschaft II Wirtschafts- und Sozialwissenschaftliche Fakultät der Universität Rostock Lehrstuhl für Finanzwissenschaft Prof. Dr. Robert Fenge Wintersemester

Mehr

Molekularfeldtheorie (MFT)

Molekularfeldtheorie (MFT) 29.06.2006 Motivation Anwendungen der MFT MFT-Herleitung mittels Variationsansatz und Anwendung Grenzen der Anwendung der MFT Motivation Meisten Probleme nur unter Berücksichtigung von Wechselwirkungen

Mehr

Sprechen wir über Zahlen (Karl-Heinz Wolff)

Sprechen wir über Zahlen (Karl-Heinz Wolff) Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,

Mehr

Thema: Risikomanagement

Thema: Risikomanagement 1.1. Risikomanagement Eine der elementarsten Anforderungen an die Projektplanung ist, durch zielgerichtete Planung mögliche Risiken, die den Projekterfolg in Frage stellen, zu identifizieren und präventiv

Mehr

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0. 1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch

Mehr

Gemeinsame Stellungnahme des Vorstands und des Aufsichtsrats. der. Curanum AG Engelbertstraße 23-25 81241 München Deutschland

Gemeinsame Stellungnahme des Vorstands und des Aufsichtsrats. der. Curanum AG Engelbertstraße 23-25 81241 München Deutschland Pflichtveröffentlichung gemäß 27 Abs. 3 Satz 1, 14 Abs. 3 Satz 1 des Wertpapiererwerbsund Übernahmegesetzes (WpÜG) Gemeinsame Stellungnahme des Vorstands und des Aufsichtsrats der Engelbertstraße 23-25

Mehr

Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung

Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung 1 Kapitel III Skalierbare Peer to Peer-Netzwerke Tapestry von Zhao, Kubiatowicz und Joseph (2001) Netzw erke 2 Tapestry

Mehr

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in

Mehr

Statistisches Bundesamt (Hrsg.)

Statistisches Bundesamt (Hrsg.) Statistisches Bundesamt (Hrsg.) In Zusammenarbeit mit dem Wissenschaftszentrum Berlin für Sozialforschung (WZB) und dem Zentrum für Umfragen, Methoden und Analysen, Mannheim (ZUMA) Datenreport 2006 Zahlen

Mehr

Spieltheorie mit. sozialwissenschaftlichen Anwendungen

Spieltheorie mit. sozialwissenschaftlichen Anwendungen .. Friedel Bolle, Claudia Vogel Spieltheorie mit sozialwissenschaftlichen Anwendungen SS Inhalt. Einleitung. Sequentielle Spiele Terminologie Spielbäume Lösen von Sequentiellen Spielen .. Motivation: Warum

Mehr

Binäre lineare Optimierung mit K*BMDs p.1/42

Binäre lineare Optimierung mit K*BMDs p.1/42 Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre

Mehr

Was können Schüler anhand von Primzahltests über Mathematik lernen?

Was können Schüler anhand von Primzahltests über Mathematik lernen? Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr