Ein Beispiel für ein in Teilen zeitweise sehr problematisches Großprojekt ist die Entwicklung des Airbus A380. Der Airbus A380 ist das zur Zeit
|
|
- Hans Koenig
- vor 7 Jahren
- Abrufe
Transkript
1
2
3 Ein Beispiel für ein in Teilen zeitweise sehr problematisches Großprojekt ist die Entwicklung des Airbus A380. Der Airbus A380 ist das zur Zeit größte in Serienfertigung produzierte zivile Verkehrsflugzeug der Welt. Es handelt sich beim A380 um das erste Großraumflugzeug mit zwei durchgängigen Passagierdecks, auf denen maximal 853 Passagiere Platz finden. Neben der Erhöhung der Passagierzahlen sollten die spezifischen Betriebskosten des Flugzeuges pro Kilometer und Person soweit gesenkt werden, dass der A380 im Vergleich zu anderen Flugzeugen mit um 15% geringeren Kosten betrieben werden kann. Diese zentrale Forderung stellte die Entwickler vor neue Herausforderungen. Die Ziele konnten nur durch den Einsatz fortschrittlicher Werkstoffe und neuartigen Bauweisen erreicht werden. Nach Unternehmensangaben betrugen die Entwicklungskosten in den acht Jahren zwischen 2000 und 2007 insgesamt zwölf Milliarden Euro. Airbus gab am 13. Juni 2006 bekannt, dass die A380-Auslieferungen wegen Problemen mit der Kabinenelektronik um sechs bis acht Monate verschoben werden müssten. Die Probleme lagen unter anderem an uneinheitlichen CAD- Entwicklungsumgebungen, die eine umfangreiche Konvertierung der Daten per Hand erforderte. Am 3. Oktober 2006 gab Airbus bekannt, dass sich die Auslieferung der ersten Maschinen im Schnitt um ein weiteres Jahr aufgrund von Problemen mit der Verkabelung verzögern werde. Gemäß dem neuen Auslieferungsplan wurde die erste Maschine am 15. Oktober 2007 an Singapore Airlines übergeben sollte somit nur eine A380 an einen Kunden übergeben werden, gefolgt von 13 im Jahr 2008 und 25 im Jahr sollten 45 Maschinen an die Kunden übergeben werden und erstmals ein operativer Gewinn bei der A380-Produktion verzeichnet werden. Nach aktuellem Stand (Dezember 2011) wurden bislang insgesamt 243 Maschinen bestellt und 63 fertige Maschinen ausgeliefert.
4 Die Abbildung stellt den Verlauf von drei parallel laufenden Projekten A, B und C in einem KMU der elektrotechnischen Industrie dar. Die Datenerfassung bei dem betrachteten Unternehmen erfolgt auf ungewöhnliche Art und Weise: sämtliche Tätigkeiten werden durch die Mitarbeiter mit einem lückenlosen Selbstaufschreibungsverfahren dokumentiert. Für jeden Auftrag wird ein Laufzettel erstellt, auf dem die einzelnen Aufgaben aufgeführt und mit einem Barcode versehen werden. Mittels eines Barcodescanners buchen die Mitarbeiter Beginn und Ende sämtlicher Aufgabenbearbeitungen. Werden nicht-projektspezifische Aufgaben bearbeitet, wird dies gesondert gebucht. Pausen und Fehlzeiten müssen ebenfalls gebucht werden. Somit kann lückenlos festgestellt werden, wann und wie lange ein Mitarbeiter welche Aufgaben für welche Entwicklungsprojekte bearbeitet hat und wann diese fertig gestellt wurden. Die Daten zeigen, dass eine sehr große Parallelität in der Aufgabenbearbeitung vorherrscht. So zeigt sich, dass ab einem Fertigstellungsgrad von ca. 40% die Konzepterstellung von Projekt A zeitweilig unterbrochen wird und zunächst mit der auf dem bisherigen Konzept beruhenden Schaltplanerstellung für Projekt A begonnen wird. Ist diese zu ca. 30% abgeschlossen, so fließen die hierbei gesammelten Erfahrungen in die weitere Konzepterstellung ein; diese wird nun zunächst weiterbearbeitet. Zusätzlich beginnt der Mitarbeiter mit der Layouterstellung auf Basis der bisherigen Ergebnisse. Es zeigt sich, dass die Konzepterstellung für Projekt A immer wieder bearbeitet wird, sie begleitet die gesamte Projektlaufzeit. Neben den parallel ablaufenden Aufgaben existieren aber auch Vorgänger-Nachfolger- Beziehungen. So wird die Prototyperstellung von Projekt A erst begonnen, wenn sowohl die Schaltplanerstellung als auch die Layouterstellung abgeschlossen wurden, allerdings erfolgt die Konzepterstellung auch hier weiter parallel. Die Struktur der Projektlandschaft ist also vielfältig und komplex und kann nur mit Hilfe weiterführender Modellierungsmethoden beschrieben werden.
5 Die Globalisierung schafft sowohl für Großunternehmen als auch KMU neue Herausforderungen für die Entwicklung neuer Produkte. Um wettbewerbsfähig zu bleiben, müssen qualitativ hochwertige Produkte in immer kürzeren Zyklen und zu einem wettbewerbsfähigen Preis auf den Markt kommen. Hierdurch entstehen Probleme, die durch ein wirkungsvolles Projektmanagement behoben werden müssen. Zu diesen Problemen zählen: Zeitdruck durch kürzere Entwicklungszyklen Kostendruck durch internationale Konkurrenz parallele Projektbearbeitung, da sich auslaufende Projekte häufig schon mit neuen Projekten überlappen Einsatz der Mitarbeiter in mehreren Projekten gleichzeitig weltweite räumliche Verteilung der Mitarbeiter dadurch: Ressourcenkonflikte (Betriebsmittel aber auch Personen) Da herkömmliche Prozess-Modellierungssprachen das Management solch komplexer Projekte nur ungenügend unterstützen, sind andere Modellierungsansätze erforderlich. In dieser Vorlesungseinheit werden die Grundlagen dynamischer Design Structure Matrizen (DSM) nochmals kurz wiederholt und die Work Transformation Matrix (WTM) mit ihren Erweiterungen als neuer Ansatz zur Modellierung von Produktentwicklungsprojekten vorgestellt.
6 Die Design Structure Matrix (DSM), auch Dependency Structure Matrix genannt, beschreibt den Zusammenhang der Informationsflüsse sowie weiterer Abhängigkeiten zwischen einzelnen Aktivitäten in einem Arbeitsprozess. Diese Methode wird angewendet, um komplexe Zusammenhänge in der Produktentwicklung oder Projektplanung darzustellen. Durch die matrixbasierte Darstellungsform können alle Elemente eines Systems hinsichtlich ihrer Abhängigkeit und des Grads der Abhängigkeit (z.b. mit Hilfe von Zahlen anstelle der dargestellten Punkte) bewertet werden. Daraus können Aussagen abgeleitet werden, welche Aktivitäten nötig sind, um eine Aktivität zu starten. Des Weiteren zeigt die Abbildung der Relationen auf, welche Informationen durch eine Aktivität erzeugt werden. Durch ein Lesen der Matrix in Spaltenrichtung kann identifiziert werden, welches Element bzw. welche Elemente von einer Aktivität beeinflusst werden. Lesen in Zeilenrichtung zeigt, von welchen anderen Elementen eine Aktivität abhängig ist. Dabei wird grundsätzlich davon ausgegangen, dass die Aktivitäten in der Reihenfolge in die DSM eingetragen werden, in der sie während der Prozessdurchführung bearbeitet werden. D.h. die in der Abbildung dargestellten Aktivitäten werden i.d.r. der Reihe nach beginnend bei Aktivität 1 bearbeitet. Die DSM ermöglicht es, den Projektablauf zu verbessern, Informationsabhängigkeiten zu visualisieren und ein gemeinsames Verständnis von Abhängigkeiten zu entwickeln. Die Methode kann somit einen wesentlichen Beitrag zur Prozessoptimierung leisten.
7 Aus den in der Design Structure Matrix dargestellten Informationsabhängigkeiten können Prozesse abgeleitet werden, um damit den Projektablauf zu planen und zu steuern. Der in der DSM darstellbare Grad der Informationsabhängigkeit geht dabei im Flussdiagramm verloren. Im obigen Beispiel hängt Aktivität 1 von keiner weiteren Aktivität ab und ist damit die Startaktivität. Aktivität 2 benötigt Informationen aus Aktivität 1 und aus Aktivität 5. Aktivität 3 und Aktivität 4 laufen entweder simultan oder alternativ ab. Bei geringer Verfügbarkeit von Personal oder Einsatzmitteln kann auch eine sequentielle Bearbeitung erforderlich sein. Darüber wird in der DSM keine Aussage gemacht. Aktivität 5 benötigt Informationen aus den Aktivitäten 3, 4 und 6 und wirkt zusammen mit Aktivität 4 auf die Aktivität 6, so dass Aktivitäten 5 und 6 gekoppelt ablaufen.
8 Die Abbildung zeigt eine Anwendung der DSM-Methode im Entwicklungsprozess einer Gasturbinenschaufel der Firma ABB. Aufgrund der extrem hohen technischen Anforderungen an die Gasturbinenschaufeln ist deren Entwicklung ein aufwändiger und stark gekoppelter Prozess, der mehrere Spezialisten aus unterschiedlichen technischen Bereichen einbezieht. Um die Integration des Prozesses zu erhöhen, wurde bei ABB ein Projekt ins Leben gerufen, um den Ist-Zustand des Entwicklungsprozesses zu ermitteln und anschließend Verbesserungsmöglichkeiten zu identifizieren. Abbildung 1 zeigt den ermittelten Ist-Zustand. In Abbildung 2 wurde der Ist-Zustand in eine DSM transformiert. Der Hauptprozess wird in die drei Sub-Prozesse aerodynamic design, mechanical design und verifying mechanical integrity unterteilt. Grund für diese Unterteilung ist, dass die Aktivitäten in diesen Sub-Prozessen von Ingenieuren unterschiedlicher Abteilungen ausgeführt werden, deren Aufgabenfelder hoch spezialisiert sind (Strömungsmechanik, Strukturmechanik etc.). Die Aktivitäten innerhalb dieser Sub-Prozesse sind stark gekoppelt.
9 Einen besonderen Stellenwert nehmen Aktivitäten ein, die gegenseitig von einander abhängig sind. Nach Abb. 1 ist sowohl ein Informationsfluss von Aktivität A zu Aktivität B notwendig, als auch ein Informationsfluss von B zu A. Durch diese gegenseitige Abhängigkeit kommt es zu Iterationen, Aktivitäten müssen also zumindest teilweise erneut bearbeitet werden, da bei der vorherigen Bearbeitung nicht alle notwendigen Informationen zur Verfügung standen. Diese Iterationen führen dazu, dass Aktivitäten nach der Bearbeitung einen weiteren Bearbeitungsaufwand haben, dieser Zusatzarbeitsaufwand ist durch die Darstellung der Aktivitäten-Abhängigkeiten in Form der WTM berechenbar. Die WTM enthält eine genauere Angabe der Abhängigkeiten der einzelnen Aktivitäten als die DSM. Die Matrix aus Abbildung 1 ist folgendermaßen zu lesen: Auf der Hauptdiagonalen sind die Aktivitätendauern angegeben, die sich ergeben würden, wenn keine Abhängigkeiten zwischen den Aktivitäten bestehen würden, also wenn alle Elemente, die sich nicht auf der Hauptdiagonalen befinden Null betragen. Hierbei wird eine einheitliche Zeitskala mit bestimmter Zeiteinheit [ZE] verwendet. Die Fertigstellung von Aktivität A bedingt einen Nachbearbeitungsbedarf für die Aktivitäten B und C. Aktivität B muss zu 40% (0,4) neu bearbeitet werden, während für die Bearbeitung der Aktivität C ein Nachbearbeitungsbedarf von 30% (0,3) besteht. Gleichzeitig verursacht aber auch die Bearbeitung von Aktivität B einen Nachbearbeitungsbedarf für die Aktivitäten A, C und D. So muss Aktivität A zu 20% erneut bearbeitet werden, Aktivität C zu 10% und Aktivität D zu 20%. Auch die Aktivitäten C und D bedingen jeweils einen Nachbearbeitungsbedarf für alle Aktivitäten, so dass sich ein komplexes Abhängigkeitsgefüge und daraus abgeleitete Nachbearbeitungsaufwände ergeben.
10
11 Die erste Zeitschicht t = 0 kennzeichnet den Projekt- bzw. Prozessbeginn. Es wird angenommen, dass zu Beginn jede Aktivität noch vollständig bearbeitet werden muss. Allerdings können dem Vektor auch nichtnegative Werte kleiner eins zugewiesen werden. Dadurch können zeitweise oder vollständig parallel zu bearbeitenden Aktivitäten modelliert werden.
12 Der Vektor U gibt den kumulierten Arbeitsaufwand für eine Aktivität (in Vielfachen der Originaldauer) wieder, der durch die gegenseitige Abhängigkeit der Aktivitäten resultiert. Er wird durch die Summierung der einzelnen Arbeitsaufwände für die einzelnen Iterationsstufen berechnet. Konvergiert der kumulierte Arbeitsaufwand für T gegen unendlich (T ), so kann der Gesamtaufwand der Einzelaktivitäten U nach T Iterationsschritten in Form einer geschlossenen Lösung auf Basis der Neumann- oder Neumann schen Reihe berechnet werden.
13 Ein Beispiel für die Konstruktion einer neuen Digitalkamera veranschaulicht die Möglichkeiten der WTM. Es wird nur der vollständig abhängige Teil der WTM betrachtet, da es sich hierbei um den interessanten Teil der Produktentwicklung handelt. Durch die gegenseitigen Abhängigkeiten werden Iterationen erzeugt, die für eine Verlängerung der Projektdauer sorgen und deren Auswirkungen aufgrund der gegenseitigen Abhängigkeiten nur schwer vorhersagbar sind.
14 Anhand dieses Beispiels wird deutlich, dass nach der einmaligen Bearbeitung aller Aktivitäten noch ein großer Zusatzarbeitsaufwand bei allen vier Aktivitäten durch die Wechselwirkungen besteht, insbesondere Aktivität 2 und 3 sind erst zu 10% fertiggestellt. Erst nach ca. 15 Iterationsstufen ist für alle vier Aktivitäten ein Zusatzarbeitsaufwand erreicht, der 1% unterschreitet.
15
16 Die WTM bietet eine weitere interessante Möglichkeit. So ist mit Hilfe der WTM die Konvergenz bzw. Divergenz des modellierten Projektverlaufs berechenbar und somit ein Scheitern des Projekts schon im Vorfeld erkennbar und durch geeignete Maßnahmen zu verhindern.
17 Berechnung der Eigenwerte einer 2x2 Matrix: a b M ad bc c d det(m ) Berechnung der Eigenwerte einen 3x3 Matrix nach der Regel von Sarrus (siehe auch a b c M d e f g h i det(m ) aei bfg cdh ceg afh bdi a b c a b a b c a b d e f d e d e f d e g h i g h g h i g h ,2 0,3 0,2 0,5 0,3 0,5 0,2 0,1 0,2 0,1 det( A I) ,2 0,3 0,2 0,3 0,5 0,1 [0,2 ( ) 0,3 0,1 0,3 ( ) ( ) 0,5 0,2] 0 3 0,027 [0,19 ( )] 0 3 0,19 0,027 0!!!!
18
19
20
21 Huberman & Wilkinson (2005) beseitigen durch ein erweitertes Modell insbesondere die Annahme, dass alle Aktivitäten in jeder Stufe vollständig bearbeitet werden, wodurch eine deutlich realistischere Abbildung erzielt wird. Die Elemente auf der Hauptdiagonalen der erweiterten WTM sind folgendermaßen zu interpretieren: Nach Ablauf einer Zeiteinheit sind in Aktivität A noch 94% (0,94) des Arbeitsaufwandes der vorherigen Stufe zu investieren, wenn keine Abhängigkeiten unter den Aktivitäten bestehen, für Aktivität B sind noch 87% zu investieren. Beispiel (a 11 =0,94; a 12 =0; a 21 =0; a 22 =0,87): Bearbeitungsdauer zum Zeitpunkt 0: D1 0 =10 Tage; D2 0 =5 Tage Nach einer Zeitschicht ergeben sich folgende Bearbeitungsaufwände: D1 1 =9,40 Tage; D2 1 =4,35 Tage Nach zwei weiteren Zeitschichten: D1 2 =8,84 Tage; D2 2 =3,78 Tage D1 3 =8,31 Tage; D2 3 =3,29 Tage usw.
22 In diesen numerischen Beispielen ist zu beachten, dass im Unterschied zur WTM die Elemente auf der Hauptdiagonalen stets größer Null sind. In den Beispielen konvergieren die Projekte, denn der Maximalwert des Betrags der Eigenwerte ist jeweils kleiner als Eins. Falls ein Projekt divergieren sollte, so würde der verbleibende Aufwand über alle Grenzen ansteigen (siehe zweites Beispiel auf nachfolgender Folie). In diesem Fall müssten das Projekt und die Abhängigkeiten zwischen den Aktivitäten neu konzipiert bzw. umgestaltet werden. Selbst für den Fall, dass ein Projekt konvergiert, ist theoretisch eine unbegrenzte Anzahl an Iterationen notwendig, um den Zustand zu erreichen, in dem der verbleibende Aufwand aller Aktivitäten exakt Null ist. Deshalb wird ein Abbruchkriterium definiert [0;1], das das Erreichen des Projektabschlusses anzeigt. Das Projekt gilt als abgeschlossen, wenn für alle Aufgaben der verbleibende Aufwand kleiner 8 ist. Es wird deutlich, welche Auswirkung die gegenseitige Abhängigkeit der Aktivitäten hat. Während in der linken Abbildung das Abbruchkriterium bereits nach ca. 58 Wochen erreicht wird, wird es in der rechten Abbildung aufgrund der auftretenden gegenseitigen Abhängigkeit der Aktivitäten und der damit verbundene verbleibende Aufwand erst nach ca. 64 Wochen erreicht.
23 Der Verlauf des Arbeitsaufwands stellt bei der Oszillation für Aufgabe 2 ab Woche 15 natürlich keinen realistischen Verlauf dar, da der verbleibende Aufwand keine negativen Werte annehmen kann.
24 Die WTM und auch die erweiterte WTM sind in der Praxis nicht genau bestimmbar. So treten in nahezu jedem Projekt unvorhergesehene Störungen auf, die im Vorfeld nicht zu erkennen und abzuschätzen waren. Diese Störungen lassen sich durch die Einführung eines stochastischen Faktors integrieren, indem eine Zufallsvariable t in die Zustandsgleichung des Projekts eingefügt wird. Hierdurch werden zeitliche Fluktuationen des Fortschritts von Aktivitäten im Laufe der Projektdurchführung abgebildet. Es wird angenommen, dass die Störungen additiv wirken und somit (multi-)normalverteilt sind. Die Störungen sind jedoch auf lange Sicht unsystematisch und haben daher für jede Aufgabe im statistischen Mittel den Wert 0. Die Standardabweichungen σ der Zufallswerte für Aufgabe i werden in der Hauptdiagonalen σ ii der sog. Kovarianzmatrix C angegeben.
25
26
27
28
29
30
31 Die Abbildung stellt die Arbeitsaufwände für zwei Aufgaben eines realen Produktentwicklungsprojekts über einem Zeitraum von 50 Wochen dar. Die Projektdaten wurden in einem mittelständischen Unternehmen der elektrotechnischen Industrie erhoben (siehe Folie 7-4). Der reale Projektverlauf und der auf Basis der stochastischen, erweiterten WTM basierende simulierte Projektverlauf werden einander gegenüber gestellt. Mit Hilfe einer Monte-Carlo- Simulation wurden 100 unabhängige Simulationsläufe durchgeführt. Der dabei der Simulation zugrundeliegende Fehler (Standardabweichung) wird durch 95% Konfidenzintervalle angezeigt. Für Aufgabe 1 wird deutlich, dass sich der reale Projektverlauf gut mit Hilfe einer stochastischen, erweiterten WTM beschreiben lässt, wodurch die Praxistauglichkeit dieser Methodik verdeutlicht wird. Die Parameter A 0 und C wurden auf Basis des Maximum-Likelihood-Prinzips mit Hilfe der Verfahren von Neumair & Schneider (2001) geschätzt. Dabei werden die erforderlichen Parameter eines Modells schrittweise nach dem Prinzip der kleinsten Quadrate berechnet.
32 Im obigen Beispiel wird die Design Structure Matrix (DSM) zum Abschätzen der Dauer des Entwicklungsprozesses eines Fahrzeugsteuergeräts angewandt. In Entwicklungsprozessen sind die einzelnen Aktivitäten bedingt durch ein Concurrent Engineering hochgradig verkoppelt, d.h. Aktivitäten werden parallel bearbeitet und gestartet, ohne dass die für die Bearbeitung der Aktivität notwendigen Informationen vollständig vorliegen. Dies führt zu einer iterativen Bearbeitung der Aktivitäten. Die Informationsabhängigkeiten zwischen den Aktivitäten eines Entwicklungsprozesses und die Iterationen können mit Hilfe der DSM abgebildet werden. Die DSM besteht dabei aus einer Wahrscheinlichkeitsmatrix, in der die Wahrscheinlichkeiten für Iterationen, d.h. für die erneute Durchführung einer Aktivität, dargestellt sind, aus einer Mehrarbeitsmatrix zur Angabe der Nacharbeit einer Aktivität in einer Iteration und der Veränderung der Wahrscheinlichkeit für Iterationen. Durch eine Monte-Carlo- Simulation kann aus den Matrizen und der Dauer der einzelnen Aktivitäten die Dauer eines Entwicklungsprozesses abgeschätzt werden.
33
34 Um Produktänderungen in die Simulation mit einfließen zu lassen, müssen sowohl der Zeitpunkt, der Umfang der einfließenden Änderungen, die Verkopplung der Bauteile und der Einfluss der Bauteile auf die Aktivitäten abgeschätzt werden. Das betrachtete Steuergerät beinhaltet fünf Primärfunktionen ( A - E ), die bei der Entwicklung aufeinander abgestimmt werden müssen. In einem abgeschlossenen Entwicklungsprojekt erfolgte nach der Aktivität Vorbereitung der Applikationsklausur eine aus der Baureihe induzierte 30 prozentige Änderung an der Funktion A. Verwendet man diese Information in Form des Änderungsvektors als Input für die Simulation, erhält man als Ergebnis den Änderungsgrad der zu entwickelnden Funktionen sowie die Abschätzung der durch die Änderung verlängerten Prozessdauer und -kosten. Aufgrund der erforderlichen Abstimmung mit den anderen Funktionen führt die 30 prozentige Änderung zu 3,6% Änderung der Funktion B, zu 3,5% Änderungen der Funktion C, zu 6,8% Änderungen der Funktion D und zu 3,4% Änderungen der Funktion F. Aufgrund dieser Änderungen kommt es zu Rückwirkungen auf die Funktion A, die um insgesamt 32,9% verändert werden muss. Das Projekt verlängert sich dadurch durchschnittlich um 19 ZE auf insgesamt 140,5 ZE, wodurch die Erfahrungswerte aus den abgeschlossenen Projekten gut widergespiegelt werden. Die Verlängerung der Projektdauer erhöht zudem die Kosten um durchschnittlich 19%. Durch die Produktänderung erhöht sich die Wahrscheinlichkeit für Iterationen im Projekt, so dass die Streuung der Ergebniswerte im Vergleich zur Simulation ohne Produktänderung zunimmt. Dies drückt sich in der Erhöhung der Varianz von 40,8 [ZE²] auf 47,7 [ZE²] aus. D.h. Produktänderungen bewirken neben der Verlängerung der Entwicklungsdauer und Erhöhung der Kosten eine höhere Wahrscheinlichkeit für zusätzliche Iterationen und damit ein höheres Risiko des Nichteinhaltens von Zeitoder Budgetzielen. Dies spricht für eine frühzeitige und detaillierte Festlegung der Anforderungen, die im Laufe des Projekts nur so wenig und so früh wie möglich geändert werden sollten.
35
36
37
Ein Beispiel für ein in Teilen fehlgeschlagenes Großprojekt ist die Entwicklung des Airbus A380. Der Airbus A380 ist das zur Zeit größte in
Ein Beispiel für ein in Teilen fehlgeschlagenes Großprojekt ist die Entwicklung des Airbus A380. Der Airbus A380 ist das zur Zeit größte in Serienfertigung produzierte Passagierflugzeug der Welt. Es handelt
MehrWie bereits in Lehreinheit 6 dargestellt wurde, lassen sich bei der Abbildung von Abhängigkeiten bzw. Vernetzungen zwischen Elementen einer oder
Wie bereits in Lehreinheit 6 dargestellt wurde, lassen sich bei der Abbildung von Abhängigkeiten bzw. Vernetzungen zwischen Elementen einer oder mehrerer Domänen mit Hilfe von Design Structure Matrizen
MehrWie bereits in Lehreinheit 6 dargestellt wurde, lassen sich bei der Abbildung von Abhängigkeitsstrukturen zwischen Elementen einer oder mehrerer
Wie bereits in Lehreinheit 6 dargestellt wurde, lassen sich bei der Abbildung von Abhängigkeitsstrukturen zwischen Elementen einer oder mehrerer Domänen mit Hilfe von Design Structure Matrizen (DSM) statische
MehrSimulation der Dauer von Produktentwicklungsprozessen auf Basis von Design Struktur Matrizen. Thomas Gärtner
Simulation der Dauer von Produktentwicklungsprozessen auf Basis von Design Struktur Matrizen Thomas Gärtner Aachen, 5. September 2008 1 Herausforderungen in Produktentwicklungsprojekten 2 Methode der Design
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 8 Impuls-Antwort-Funktionen Interpretation eines VAR-Prozesses 2 Fall eines bivariaten Var(p)-Prozess mit 2 Variablen und ohne Konstante 1 1 p p 1,t α11 α 12 1,t-1 α11 α 12
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
MehrHausaufgabe Modellierung und Simulation 1
Hausaufgabe Modellierung und Simulation 1 Die Pareto Verteilung Die Pareto-Verteilung ist eine stetige Wahrscheinlichkeitsverteilung in einem rechtsseitig unendlichen Intervall zwischen x min und. Die
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
MehrDas wichtigste Ziel bei der Initialisierung, Definition, Planung und Durchführung von Produktentwicklungsprojekten ist die Maximierung der
Das wichtigste Ziel bei der Initialisierung, Definition, Planung und Durchführung von Produktentwicklungsprojekten ist die Maximierung der Produktqualität bei gleichzeitiger Minimierung der Kosten und
Mehr16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
Mehr) (1 BE) 1 2 ln 2. und somit
1 Aufgaben aus dem Aufgabenpool 1 1.1 Analysis A1_1 Eine Funktion f ist durch 1 x f(x) e 1, x IR, gegeben. Ermitteln Sie die Nullstelle der Funktion f. ( ) b) Die Tangente an den Graphen von f im Punkt
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrKosten- und Zeitersparnis durch konstruktionsbegleitende Simulation mit CATIA V5 Die numerische Simulation ist mittlerweile ein fester und nicht mehr
Kosten- und Zeitersparnis durch konstruktionsbegleitende Simulation mit CATIA V5 Die numerische Simulation ist mittlerweile ein fester und nicht mehr wegzudenkender Bestandteil des Produktionsprozesses.
MehrDas vernetzte Balkendiagramm
Das vernetzte Balkendiagramm Von kritischen Wegen in Projekten Die Ausarbeitung stammt aus dem Jahr 1990 und behandelt lediglich das vernetzte Balkendiagramm aus dem Bereich Softwaretechnik. Vernetztes
MehrHeron-Verfahren. Inhaltsverzeichnis. Beispiel. aus Wikipedia, der freien Enzyklopädie
1 of 7 28.05.2010 20:16 Heron-Verfahren aus Wikipedia, der freien Enzyklopädie Das Heron-Verfahren oder babylonische Wurzelziehen ist ein Rechenverfahren zur Berechnung einer Näherung der Quadratwurzel
MehrÜbungsaufgaben Lösungen
Übungsaufgaben Lösungen Stochastische Matrizen, Markov-Prozesse MV5.1 Eine N N-Matrix P heißt stochastisch, wenn ihre Matrixelemente nicht-negativ sind und alle Zeilensummen 1 ergeben. In Formeln: P ij
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
Mehr10.5 Maximum-Likelihood Klassifikation (I)
Klassifikation (I) Idee Für die Klassifikation sind wir interessiert an den bedingten Wahrscheinlichkeiten p(c i (x,y) D(x,y)). y Wenn man diese bedingten Wahrscheinlichkeiten kennt, dann ordnet man einem
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr30 Multiple Choice-Fragen - pro Frage gibt es immer 1-4 richtige Antworten
SCRUM Foundation MUSTERPRÜFUNG Closed Book, d.h. keine Hilfsmittel zulässig Dauer: 60 Minuten 30 Multiple Choice-Fragen - pro Frage gibt es immer 1-4 richtige Antworten Beispiel für die Bewertung Annahme
MehrProzesse dieser Art sind in der Informatik z.b. bei der Untersuchung der Auslastung von Servern wichtig (Warteschlangenmodelle).
77 Markowketten 77 Motivation Der Zustand eines Systems zur Zeit n N werde durch eine Zufallsvariable X n beschrieben und soll nur von X n abhängen (nicht jedoch von früheren Zuständen X n, X n 3, ) Wir
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
Mehr(6.29) Z X. Die standardnormalverteilte Zufallvariable Z, Z ~ N(0,1), weist den Erwartungswert (6.30) E(Z) = 0 und die Varianz (6.31) V(Z) = 1 auf.
Standardnormalverteilung Da die arameter μ und σ beliebige reelle Zahlenwerte bw. beliebige positive reelle Zahlenwerte (σ >0) annehmen können, gibt es unendlich viele Normalverteilungen. Die Dichtefunktion
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
MehrTask& Data-Flow Graphs
Task& Data-Flow Graphs M. Thaler, TG208, tham@zhaw.ch www.zhaw.ch/~tham Februar 16 1 1 Um was geht es? Parallele Algorithmen was sind Möglichkeiten zur Darstellung? was sind Möglichkeiten zur Analyse?
MehrKonvergenz von Hopfield-Netzen
Matthias Jauernig 1. August 2006 Zusammenfassung Die nachfolgende Betrachtung bezieht sich auf das diskrete Hopfield-Netz und hat das Ziel, die Konvergenz des Verfahrens zu zeigen. Leider wird dieser Beweis
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Betrachtet wird eine (n,n)-matrix A. Eine Zahl λ heißt Eigenwert von A, wenn ein Vektor v existiert, der nicht der Nullvektor ist und für den gilt: A v = λ v.
MehrWelche der folgenden Voraussetzungen werden von agilen Methoden gefordert?
1/7 1) 2) 3) 4) Welche der folgenden Phasen gehören zum Wasserfall-Modell? Analyse Testen Planung Design Welche der folgenden Voraussetzungen werden von agilen Methoden gefordert? Das Team darf selbständig
MehrStatistik für Ingenieure Vorlesung 5
Statistik für Ingenieure Vorlesung 5 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 28. November 2017 3.4 Wichtige stetige Verteilungen 3.4.1 Exponentialverteilung Parameter:
Mehr1. Stationarität Definition: Ein stochastischer Prozess. heißt streng oder stark stationär, falls für
" " " Beschreibung stochastischer Prozesse Wir betrachten diskrete Zeitpunkte und die zugehörigen Zufallsvariablen!. ann sind die Zufallsvariablen durch ihre gemeinsame ichte " #%$&#'$)(*#'$,+- charakterisiert.
MehrFolgen und Reihen. 1 Konvergenz
Folgen und Reihen Man betrachte viele Zahlen hintereinander geschrieben. Solche Folgen von Zahlen können durch nummeriert werden. Es entsteht eine Zuordnung der natürlichen Zahlen zu den Gliedern der Folge.
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 54 Stochastische Matrizen Definition 54.. Eine reelle quadratische Matrix M a ij i,j n heißt spaltenstochastisch,
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
Mehr2.4 Entscheidung bei Risiko
2.4 Entscheidung bei Risiko Entscheidung bei Risiko nimmt an, dass für jeden Zustand S j seine Eintrittswahrscheinlichkeit P(S j ) bekannt ist Eintrittswahrscheinlichkeiten bestimmbar als statistische
MehrFehler- und Ausgleichsrechnung
Fehler- und Ausgleichsrechnung Daniel Gerth Daniel Gerth (JKU) Fehler- und Ausgleichsrechnung 1 / 12 Überblick Fehler- und Ausgleichsrechnung Dieses Kapitel erklärt: Wie man Ausgleichsrechnung betreibt
MehrModellierung von Zins- und Spread-Risiken
11. Januar 2017-08:30 Risikomessung Modellierung von Zins- und Spread-Risiken Maik Schober Die Veränderung des risikolosen Zinses und der Creditspreads sind zwei relevante Risikofaktoren für festverzinsliche
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2015 Aufgabe 1 In der aktuellen
MehrNeoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel
Neoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel Dieses Skript ist die allgemeine Basis eines Modells zur Simulation der ökonomischen Folgen technischer
MehrLösungsskizzen zur Präsenzübung 09
Lösungsskizzen zur Präsenzübung 09 Hilfestellung zur Vorlesung Anwendungen der Mathematik im Wintersemester 2015/2016 Fakultät für Mathematik Universität Bielefeld Veröffentlicht am 07. Februar 2016 von:
MehrProbleme bei kleinen Stichprobenumfängen und t-verteilung
Probleme bei kleinen Stichprobenumfängen und t-verteilung Fassen wir zusammen: Wir sind bisher von der Frage ausgegangen, mit welcher Wahrscheinlichkeit der Mittelwert einer empirischen Stichprobe vom
MehrLösungsvorschlag. Simulationsdatenmanagement. - auf eine reibungslose und vollkommene Integration in das bestehende oder geplante PDM System achten!
1 Simulationsdatenmanagement Berechnung mit aktuellen Daten Simulation auf Basis der notwendigen Daten Nachvollziehbarkeit der Simulationsschritte und Modellbildung (ISO 9000) Suchen und Finden von existierenden
MehrEinführungsprozess eines PDM/PLM Systems in KMU Betrieben
Einführungsprozess eines PDM/PLM Systems in KMU Betrieben Abstrakt Management-Weiterbildungszentrum FHS St. Gallen - Hochschule für Angewandte Wissenschaften MAS: Verfasser/in: Referent: Co-Referent: BPE5
MehrKosten- und Erlösrechnung (Nebenfach) Sommersemester 2012
Kosten- und Erlösrechnung (Nebenfach) Sommersemester 2012 Dr. Markus Brunner Lehrstuhl für Betriebswirtschaftslehre Controlling Technische Universität München Mitschrift der Vorlesung vom 16.05.2012 Primärkostenverteilung
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrEntwicklung eines hybriden Algorithmus für adaptive Regler im geschlossenen Regelkreis
Entwicklung eines hybriden Algorithmus für adaptive Regler im geschlossenen Regelkreis Ensio Hokka Problemstellung In vielen industriellen Regelapplikationen besteht die Notwendigkeit die Parametrisierung
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrAbb. 5.10: Funktion und Tangentialebene im Punkt ( ) ( ) ( ) 3.) Die Zahlenwerte und in Gleichung (Def. 5.11) berechnen sich durch ( ) ( )
Abb. 5.0: Funktion und Tangentialebene im Punkt Aus der totalen Differenzierbarkeit folgt sowohl die partielle Differenzierbarkeit als auch die Stetigkeit von : Satz 5.2: Folgerungen der totalen Differenzierbarkeit
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrKurvenanpassung mit dem SOLVER
1 Iterative Verfahren (SOLVER) Bei einem iterativen Verfahren wird eine Lösung durch schrittweise Annäherung gefunden. Der Vorteil liegt in der Verwendung einfacher Rechenoperationen und darin, dass der
MehrZuverlässigkeitsanalyse auf Basis von Gutläufer-Informationen unter Nutzung von WInD-Pool -Daten
Zuverlässigkeitsanalyse auf Basis von Gutläufer-Informationen unter Nutzung von WInD-Pool -Daten Beitrag zur 4. EVW-Beiratssitzung Kassel, 04.06.2014 Dipl.-Ing. Klaus Kühnert IZP Dresden EVW-Projektbeiratssitzung
Mehr4. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare
Mehrlndustrial Engineering
lndustrial Engineering Standardmethoden zur Produktivitätssteigerung und Prozessoptimierung http://shop.refa.de/shop/details.php?id=207 PRINT ISBN 978-3-446-44786-8 E-PDF ISBN 978-3-446-44787-5 1. Auflage
MehrKapitel 4: Netzplantechnik Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Netzplantechnik 5. Minimal spannende Bäume 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrInhalt. 1. Einführung in die Informatik. 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele.
1. Einführung in die Informatik Inhalt 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele Peter Sobe 1 Einführende Beispiele 2. Algorithmen Täglich werden Verarbeitungsvorschriften
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrZwischen zwei Welten konstruktionsbegleitende Berechnung
Zwischen zwei Welten konstruktionsbegleitende Vladimir Traykov IGEL AG, München 34. CADFEM ANSYS Simulation Conference October 5 7, 2016, NCC Ost, Messe Nürnberg Übersicht Einleitung Kommunikation zwischen
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
MehrHM I Tutorium 5. Lucas Kunz. 21. November 2018
HM I Tutorium 5 Lucas Kunz 2. November 208 Inhaltsverzeichnis Theorie 2. Definition.................................... 2.2 Wichtige Reihen................................. 2.3 Absolute Konvergenz..............................
MehrTeil 2: Dynamische Spiele mit vollständigen Informationen
Teil : Dynamische Spiele mit vollständigen Informationen Kapitel 5: Grundsätzliches Literatur: Tadelis Chapter 7 Prof. Dr. Philipp Weinschenk, Lehrstuhl für Mikroökonomik, TU Kaiserslautern Kapitel 5.:
MehrAufgaben. d) Seien X und Y Poissonverteilt mit Parameter µ, X, Y P(µ). 2. Dann ist die Summe auch Poissonverteilt mit (X + Y ) P(2µ).
Aufgaben 1. Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete Frage 1 Punkt und pro falsche Antwort 1/2 Punkt Abzug. Minimal erhält man für die gesamte
MehrDaniel Fischer. ISI 2000, Best Student Paper Award
Untersuchung von Synergieeffekten von Datenstruktur- und n zur Prozessoptimierung anhand des Projektes TDS der Firma Adtranz (Abstract) Daniel Fischer ISI 2000, Best Student Paper Award e rücken vor allem
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
MehrHM I Tutorien 6 und 7
HM I Tutorien 6 und 7 Lucas Kunz. Dezember 207 und 8. Dezember 207 Inhaltsverzeichnis Vorwort 2 2 Theorie 2 2. Definition einer Reihe.............................. 2 2.2 Absolute Konvergenz..............................
MehrMathematik. Oktober 2015 AHS. Kompensationsprüfung Angabe für Kandidatinnen/Kandidaten
Name: Datum: Klasse: Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Oktober 2015 Mathematik Kompensationsprüfung Angabe für Kandidatinnen/Kandidaten Hinweise
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrEinsatz Risikobewertung, Entscheidungsfindung und Simulation
Einsatz von @Risk: Risikobewertung, Entscheidungsfindung und Simulation Case Study Insolvenzwahrscheinlichkeit eines Unternehmens Risikoregister 1 Case Study: Insolvenzwahrscheinlichkeit eines Unternehmens
MehrProtokoll RiMEA-Projekt
Datum: 08.02.2005 Ort: per Email Teilnehmer: RiMEA Initiatoren Verfasser: Tim Meyer-König Nathalie Waldau Thema: Beiträge zur Richtlinie 1.6.0 Verteiler: - RiMEA Initiatoren - RiMEA Mitglieder Besprochene
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
Mehr