Technische Universität München TOPSIS. Technique for Order Preference by Similarity to Ideal Solution. - Eine Technik der Effizienzanalyse -
|
|
- Johanna Bärbel Junge
- vor 6 Jahren
- Abrufe
Transkript
1 TOPSIS Technique for Order Preference by Similarity to Ideal Solution - Eine Technik der Effizienzanalyse - 1
2 Gliederung 1. Wiederholung Normalisierung (AHP) 2. Definition Effizienz 3. Ablauf von TOPSIS 4. Beispiel Endrik Lengwenat
3 Normalisierung Ergebnismatrix 3,0000 1,7500 8,0000 5,3332 3, ,0000 1,1666 0,6667 3,0000 Reihensummen Normalisieren = 12,7500 = 22,3332 = 4,8333 0,3194 0,5595 0, ,9165 1, Endrik Lengwenat
4 Effizienz = Verhältnis von eingesetzten Inputquantitäten zu erzielten Outputquantitäten Zwei Vergleichsmaßstäbe stehen zur Verfügung absolute Effizienz Vergleich mit einer bekannten effizienten Alternative. Die Produktionsfunktion ist bekannt. relative Effizienz Vergleich der Alternativen untereinander, da die absolut effizienteste nicht bekannt ist. Die einzelnen Alternativen sind aber alle mehr oder weniger ineffizient. Die Produktionsfunktion ist nicht bekannt. Voraussetzung: Eine optimale Alternative als Bezugspunkt Voraussetzung: Mindestens zwei Alternativen Aufgabenfeld der multikriteriellen Effizienzanalyse wie TOPSIS 4
5 Ansatz von TOPSIS Die Effizienz einer Alternative (aus einer endlichen Anzahl von Alternativen) wird bewertet, indem jeweils der Abstand der einzelnen Merkmalsausprägungen der betrachteten Alternative zu einer virtuellen Alternative bestimmt wird. Einfachstes Beispiel: Ziel: Den effizientesten Spieler auswählen 3 Alternativen: Output: Input: Tore: 25 Kosten 29 Mio Tore: 10 Kosten 37 Mio Tore: 21 Kosten 21 Mio Effizienz: 1,16 Mio /Tor 0,27 Tore/Mio Absolute Effizienz? Relative Effizienz? 25 Tore für 21 uro = 1,19 Tore/ Mio Anforderungen an die Kriterien erfüllt? Endrik Lengwenat
6 Prinzipieller Ablauf von TOPSIS Alternativen bestimmten Kriterien bestimmen Entscheidungsmatrix aufstellen Entscheidungsmatrix normalisieren Gewichte ermitteln / festlegen Mit Hilfe von AHP, o.ä. Entscheidungsmatrix gewichten virtuelle Alternativen bestimmen Abstandsmaße berechnen Effizienzindex und Rangfolge bestimmen 6
7 Auswahl der Alternativen Wie bei allen Verfahren für multikriterielle Entscheidungen steigt mit der Zahl der Alternativen und der Zahl der Kriterien der Aufwand. Sehr viele Alternativen sollte man also besser nicht wählen. 7
8 Kriterien Kriterien Kostenkriterien Inputs sind Kostenkriterien minimale Wert Nutzenkriterien Outputs sind Nutzenkriterien maximale Wert 8
9 Die Entscheidungsmatrix Für jede Alternative muss die Erfüllung von allen Kriterien ermittelt werden. Kriterien 1 bis m Vektor der Ausprägungen der Kriteriums C m über die Alternativen Vektor der Bewertungen der Alternative A 1 TOPSIS grundsätzlich nur auf kardinal messbare Kriterien anzuwenden Ausprägungen 9
10 Die Normalisierung der Entscheidungsmatrix Grund der Normalisierung: Wenn alle Kriterien kardinal gemessen werden konnten, aber jedes in seiner Dimension, sind die Zahlen in den Spalten-Vektoren sehr unterschiedlich groß. Ohne Normalisierung würden dadurch implizite Gewichtungen der Kriterien aufgrund von Skaleneffekten entstehen. Methode der Normalisierung: Über die Spalten wird die Summe der Quadrate der Kriterienausprägungen berechnet. Daraus wird die Wurzel gezogen. Dann wird jede Kriterienausprägung durch diese Wurzel dividiert. 10
11 Normalisierung der Matrix r ij = d ij n 2 i=1 d ij Endrik Lengwenat
12 Bestimmung der gewichteten normalisierten Entscheidungsmatrix Jeder Spaltenvektor der normalisierten Entscheidungsmatrix wird mit einem Kriteriengewicht multipliziert. Die Kriteriengewichte werden z.b. mit einer Technik zur Ermittlung von Kriteriengewichten wie z.b. dem AHP bestimmt. normalisierte Entscheidungsmatrix R * Kriteriengewichte = gewichtete normalisierte Entscheidungsmatrix V = 12
13 Entwicklung virtueller Alternativen Aus der gewichteten normalisierten Entscheidungsmatrix werden jetzt zwei virtueller Alternativen entwickelt. beste mögliche Alternative die höchsten Werte der Nutzenkriterien die niedrigsten Werte der Kostenkriterien Darunter ist einfach die beste mögliche und die schlechteste mögliche Alternative zu verstehen. schlechteste mögliche Alternative die geringsten Werte der Nutzenkriterien die höchsten Werte der Kostenkriterien werden miteinander kombiniert 13
14 Berechnung von Abstandsmaßen Technische Universität München Für jede reale Alternative werden nun zwei Abstandsmaße zu den beiden virtuellen Alternativen berechnet. Abstand zur Worst-case-Alternative Abstand zur Best-case-Alternative A min A 1 real A max Euklidische Abstände messen den Abstand zwischen zwei Punkten in einem mehrdimensionalen Raum. Die Dimensionalität des Raumes wird durch die Anzahl der Kriterien bestimmt. 14
15 Bestimmung der relativen Nähe zur Best-case-Alternative Technische Universität München Auf Basis der Abstandsmaße kann für jede Alternative ein Abstands-Index für die relative Nähe zur Best-case-Alternative berechnet werden. Diesem Index liegt die Idee zugrunde, daß eine effiziente Alternative möglichst nahe am effizienten Rand einer Technologiemenge liegen sollte und gleichzeitig möglichst weit von ineffizienten Alternativen entfernt sein sollte. Diese Technologiemenge (Produktionsfunktion) ist durch die tatsächlich beobachteten Alternativen partiell rekonstruiert. Übliche Effizienzmaße sind Quotienten, bei denen der Output zum Input ins Verhältnis gesetzt wird. Bei dem TOPSIS-Effizienzmaß auch einem Quotienten steht im Zähler der Abstand zur Worst-case-Alternative. Im Nenner steht der Abstand zur Best-case-Alternative. 15
16 Bestimmung der relativen Nähe zur Best-case Alternative je höher der Abstand zum schlechtest denkbaren Fall, desto höher der Indexwert Der Indexwert ist null, wenn der Abstand zur schlechtesten denkbaren Alternative null ist. Abstand zur Worst-case-Alternative Abstand zur Best-case-Alternative + Abstand zur Worst-case-Alternative je geringer der Abstand zum besten denkbaren Fall, desto höher der Indexwert Der Indexwert ist eins, wenn der Abstand zur besten denkbaren Alternative null ist. Der Indexwert liegt also zwischen 0 und 1. Dadurch ist die Interpretation erleichtert. Ci S i 0 S i 1 16
17 Beispiel 1 Es soll die Effizienz von Filialen eines Handelskonzern verglichen werden. Die folgenden Kriterien sollen verwendet werden: Umsatz Freundlichkeit des Personals Wartezeiten an den Kassen Aktualität und Frische der Produkte Kosten Zwei Kriterien können in Geldeinheiten gemessen werden. Die übrigen drei Kriterien werden auf einer Skala mit Punkten (1-5) gemessen. 17
18 Beispiel 1 - Entscheidungsmatrix Technische Universität München Für die Filialen 1 bis 4 und die 5 Kriterien wurden die unten dargestellten Kriterienausprägungen ermittelt. Filiale Umsatz Freundlichkeit Personal Wartezeiten Entscheidungsmatrix Produktfrische Kosten Die Entscheidungsmatrix wird im ersten Rechenschritt normalisiert: Für das Feld 1/1 gilt 18
19 Beispiel 1 normalisierte Entscheidungsmatrix Filiale Umsatz Freundlichkeit des Personals Wartezeiten Technische Universität München Kosten 1 0,447 0,680 0,577 0,640 0, ,547 0,544 0,462 0,512 0, ,472 0,272 0,346 0,256 0, ,527 0,408 0,577 0,512 0,533 Diese normalisierte Entscheidungsmatrix ist nun mit den Kriteriengewichten zu gewichten. Diese sind: Umsatz Freundlichkeit des Personals Wartezeiten Produktfrische Produktfrische Kosten Gewicht 0,42 0,06 0,06 0,04 0,42 19
20 Beispiel 1 gewichtete normalisierte Entscheidungsmatrix Technische Universität München Filiale Umsatz Freundlichkeit des Personals Wartezeiten Produktfrische Kosten 1 0,188 0,041 0,035 0,026 0, ,230 0,033 0,028 0,020 0, ,198 0,016 0,021 0,010 0, ,221 0,024 0,035 0,020 0,224 20
21 Beispiel 1 Berechnung der virtuellen Alternativen Aus den Spalten werden nun die jeweils besten und schlechtesten Werte herausgesucht. Umsatz Freundlichkeit des Personals Wartezeiten Produktfrische Kosten Best-C 0,230 0,041 0,035 0,026 0,188 Worst-C 0,188 0,016 0,021 0,010 0,228 Beim Kostenkriterium ist der geringste Wert der beste und der höchste der schlechteste! 21
22 Beispiel 1 Berechnung der Abstandsmaße Umsatz Freundlichkeit des Personals Wartezeiten Produktfrische Kosten Best-C 0,230 0,041 0,035 0,026 0,188 Worst-C 0,188 0,016 0,021 0,010 0,228 Nun werden die euklidischen Abstände berechnet: Berechnung für Filiale 2 als Beispiel Abstand zur besten virtuellen Alternative Abstand zur schlechtesten virtuellen Alternative 22
23 Beispiel 1 Abstandmaße und Effizienzindex Filiale Abstand zum Best-case Abstand zum Worst-Case Effizienz- Index Rangplatz 1 0,042 0,051 0, ,042 0,047 0, ,047 0,033 0, ,041 0,038 0,481 3 Beispiel für die Berechnung des Effizienz-Index für Filiale 2 C 2 = 0,047 0, ,047 0,528 23
24 Literatur Peters, Malte L. und Zelewski, Stephan: TOPSIS als Technik zur Effizienzanalyse. Wirtschaftsstudium, Heft 1, 2007, S Hwang und Yoon: Multiple Attribute Decision Making- Methods and Applications A State of the Art Survey, Berlin, Heidelberg, New-York,
TOPSIS. Eine Technik der Effizienzanalyse
TOPSIS Eine Technik der Effizienzanalyse 1 Literatur Peters, Malte L. und Zelewski, Stephan: TOPSIS als Technik zur Effizienzanalyse. Wirtschaftsstudium, Heft 1, 2007, S. 9-15 http://www.pim.uni-due.de/fileadmin/publikationen/topsis_zur_effizienzanalyse.pdf
MehrTechnische Universität München TOPSIS. Technique for Order Preference by Similarity to Ideal Solution. -Technik zur Lösung von Entscheidungsproblemen-
TOPSIS Technique for Order Preference by Similarity to Ideal Solution -Technik zur Lösung von Entscheidungsproblemen- 1 TOPSIS wurde von Hwang/Yoon 1981 konzipiert simple Technik zur Effizienzanalyse,
MehrEine 3-Phasen-Methode zur Effizienzmessung im stationären Pflegebereich
Eine 3-Phasen-Methode zur Effizienzmessung im stationären Pflegebereich Dipl.-Betriebswirt (FH) Christian Weiß Prof. Dr. Axel Focke Hochschule Neu-Ulm Kompetenzzentrum Gesundheitsmanagement Wileystraße
MehrUmweltbezogene Entscheidungen - multidimensionale Bewertungsverfahren -
TUM School of Management Umweltbezogene Entscheidungen - multidimensionale Bewertungsverfahren - 1. Entscheidungen Bewertungsverfahren allgemein 2. Beurteilungskriterien 3. Einzelne Bewertungsverfahren
MehrAnalytischer Hierarchieprozess (AHP)
Analytischer Hierarchieprozess (AHP) Methodik der multikriteriellen Bewertung Nach den Skripten der BoKu Wien und der Abteilung für Forstökonomie Göttingen (Prof. Möhring) www.boku.ac.at www.uni-goettingen.de
MehrAnalytischer Hierarchieprozess (AHP)
Analytischer Hierarchieprozess (AHP) Methodik der multikriteriellen Bewertung Nach den Skripten der BoKu Wien und der Abteilung für Forstökonomie Göttingen (Prof. Möhring) www.boku.ac.at/iao/ahp www.uni-goettingen.de/de/101204.html
MehrTechnische Universität München. Mehrdimensionale Bewertungsverfahren
Mehrdimensionale Bewertungsverfahren Grobgliederung 1. Bewertungsverfahren 2. Die Nutzwertanalyse (NWA) 3. Der Analytisch Hierarchische Prozess (AHP) 4. Technique for Order Preference by Similarity to
MehrAnnahme: - Päferenzunabhängigkeit der Ziele - kardinal skalierte Größen!!!!
Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 4 4.4 Nutzwertanalyse Verfahren zur Lösung von Mehrzielentscheidungen Hierarchisch aufgebaute systeme å i.d.r. sind nur zwei oder drei Teilziele
MehrKapitel 2. Mittelwerte
Kapitel 2. Mittelwerte Im Zusammenhang mit dem Begriff der Verteilung, der im ersten Kapitel eingeführt wurde, taucht häufig die Frage auf, wie man die vorliegenden Daten durch eine geeignete Größe repräsentieren
MehrMCDM MULTI CRITERIA DECISION MAKING
MCDM MULTI CRITERIA DECISION MAKING Einführung Projekt Wall-ie Studiengang Geoinformation und Umwelttechnologien c.erlacher@fh-kaernten.at Folie 1 von 17 Inhalt MCDM-Erläuterung MCDM-Elemente MCDM-Framework
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrSystemdenken und Gestaltungsmethodik Lösungsauswahl durch Bewertung
Systemdenken und Gestaltungsmethodik Lösungsauswahl durch Bewertung Prof. Dr.-Ing. Stefan Brunthaler TFH Wildau 2006ff Master Telematik Was war nochmal das Ziel? Erst war die Vision, Daraus folgten konkrete
MehrLösung betriebswirtschaftlicher Probleme mithilfe von Analysetechniken
Lösung betriebswirtschaftlicher Probleme mithilfe von Analysetechniken Malte L. Peters Institut für Produktion und Industrielles Informationsmanagement, Universität Duisburg-Essen, Campus Essen Agenda
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
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
MehrRecommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
MehrFH Gießen-Friedberg, FB 06 (MNI) Lösungen zu Übungsblatt 5 Lineare Algebra 21. November 2008 Prof. Dr. H.-R. Metz
FH Gießen-Friedberg, FB 06 (MNI) Lösungen zu Übungsblatt 5 Lineare Algebra 21. November 2008 Prof. Dr. H.-R. Metz Aufgabe 1 Die Menge der n-dimensionalen Vektoren IR n wird zu einem metrischen Raum, wenn
MehrData Envelopment Analysis (DEA) Ein Verfahren der Effizienzmessung
Data Envelopment Analysis (DEA) Ein Verfahren der Effizienzmessung Zum Begriff -> ein produktionswirtschaftlich orientiertes Benchmarking-Konzept -> Neuerung: Erweiterung des bisher v. a. im deutschsprachigen
MehrSoftware Survivability
Software Survivability Ansatz zur Quantifizierung der Überlebensfähigkeit von Softwaresystem Seminar: Web-Qualitätsmanagement Sommersemester 2004 Gliederung 1. Einleitung 2. Survivability 3. Software Survivability
MehrGrundlagen der Leistungserstellung Teil 2
Fernstudium Guide Grundlagen der Leistungserstellung Teil 2 Version vom 0.03.207 Dieses Werk ist urheberrechtlich geschützt. Alle Rechte vorbehalten. Fernstudium Guide 2008-207 Grundlagen Leistungserstellung
MehrWiMa-Praktikum 1. Woche 8
WiMa-Praktikum 1 Universität Ulm, Sommersemester 2017 Woche 8 Lernziele In diesem Praktikum sollen Sie üben und lernen: Besonderheiten der For-Schleife in Matlab Wiederholung des Umgangs mit Matrizen und
MehrKennen, können, beherrschen lernen was gebraucht wird
Inhaltsverzeichnis Inhaltsverzeichnis... 1 Erweiterte Summenfunktionen... 1 Die Funktion SummeWenn... 1... 1 Die Funktion SummeWenns... 2 Aufgabenstellung... 2 Die Funktion Summenprodukt... 3 Das Summenprodukt
MehrEinführung in die Bioinformatik
Einführung in die Bioinformatik Ringvorlesung Biologie Sommer 07 Burkhard Morgenstern Institut für Mikrobiologie und Genetik Abteilung für Bioinformatik Goldschmidtstr. 1 Online Materialien zur Ringvorlesung:
Mehr2.2 Entscheidung bei Sicherheit
2.2 Entscheidung bei Sicherheit Umweltzustand ist bekannt oder irrelevant, so dass die Ergebnisse der Handlungsalternativen sicher sind Bei mehreren Zielgrößen besteht die Herausforderung darin, den Entscheider
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
Mehr1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte. D. Horstmann: Oktober
1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte D. Horstmann: Oktober 2014 4 Graphische Darstellung von Daten und unterschiedliche Mittelwerte Eine Umfrage nach der Körpergröße
MehrAnlage 025. zum Abschlussbericht ExpG-R. Kostennutzwertanalyse
Anlage 025 zum Abschlussbericht ExpG-R Kostennutzwertanalyse Nutzwertanalyse der 1. Generation relativ einfach trotzdem effektiv komplexe Entscheidungsprozesse mit o quantitativen und/oder o qualitativen
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge Tabellenanalyse: Kreuztabellierung und Kontingenzanalyse Philosophische Fakultät Institut für Soziologie Berufsverläufe und Berufserfolg von Hochschulabsolventen Dozent: Mike Kühne
MehrEin multikriterielles, fuzzy- und risikobasiertes Decision Analysis Modell am Beispiel der Planung unterirdischer Infrastruktur
Ein multikriterielles, fuzzy- und risikobasiertes Decision Analysis Modell am Beispiel der Planung unterirdischer Infrastruktur Bochum 30.09.03 Dipl.-Ing. Dipl.-Wirt.-Ing. Sissis Kamarianakis - Welches
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
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
MehrV. Metriken. Gliederung. I. Motivation. Lesen mathematischer Symbole. Wissenschaftliche Argumentation. Matrizenrechnung. Seite 67
Gliederung I. Motivation II. III. Lesen mathematischer Symbole Wissenschaftliche Argumentation IV. Matrizenrechnung V. Metriken Seite 67 Problemstellung: Gegeben seien 2 Punkte im Raum. Wie groß ist die
MehrDie Nutzwertanalyse - NWA Prof. Dr. Georg Rainer Hofmann Andreas Ziegler
Die Nutzwertanalyse - NWA Prof. Dr. Georg Rainer Hofmann Andreas Ziegler 15.10.2015 Agenda Aufbau der Nutzwertanalyse Ablauf der Nutzwertanalyse Zieldefinition Ausschluss- und Auswahlkriterien definieren
Mehr1 Boolesches Retrieval (2)
2. Übung zur Vorlesung Internet-Suchmaschinen im Sommersemester 2009 mit Lösungsvorschlägen Prof. Dr. Gerd Stumme, M.Sc. Wi-Inf. Beate Krause 06. Mai 2009 1 Boolesches Retrieval (2) Eine Erweiterung des
Mehr9. Vorlesung Lineare Algebra, SVD und LSI
9. Vorlesung Lineare Algebra, SVD und LSI Grundlagen lineare Algebra Vektornorm, Matrixnorm Eigenvektoren und Werte Lineare Unabhängigkeit, Orthogonale Matrizen SVD, Singulärwerte und Matrixzerlegung LSI:Latent
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrTEIL 11: BIVARIATE ANALYSE FÜR ORDNINALSKA- LIERTE VARIABLEN
TEIL 11: BIVARIATE ANALYSE FÜR ORDNINALSKA- LIERTE VARIABLEN GLIEDERUNG Verfahren, welche auf dem paarweisen Vergleich beruhen Tau-a-Koeffizient Tau-b-Koeffizient Gamma-Koeffizient Alternativen zum paarweisen
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
Mehr1. Was ist Bewertung? 2. Bewertung im Feld der Planung. 3. Bewertungsmethoden. 4. Schwerpunkt: Nutzwertanalyse
BEWERTUNG Methoden zur Bearbeitung komplexer Umweltprobleme - Bewertung 1. Was ist Bewertung? 2. Bewertung im Feld der Planung 3. Bewertungsmethoden 4. Schwerpunkt: Nutzwertanalyse 5. Praxisbeispiel: Variantenvergleich
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrInformatik I Übung, Woche 47: Nachtrag zur dynamischen Programmierung
Informatik I Übung, Woche 47: Nachtrag zur dynamischen Programmierung Giuseppe Accaputo 20. November, 2015 : Definition : Unser Rucksack kann nur 20 kg tragen, wir wollen jedoch den Wert der Ware, welche
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
MehrWird nach dem Prinzip assemble-to-order produziert, so erfolgt die Endmontage spezifisch für den jeweiligen Kundenauftrag.
Aufgabe Richtig oder Falsch? (0 Punkte) Folgende Aussagen sind entweder richtig oder falsch! Kreuzen Sie jeweils direkt hinter der Aussage eines der Kästchen an. Stimmt Ihre Bewertung einer Aussage so
MehrSchriftlicher Test (120 Minuten) VU Einführung ins Programmieren für TM. 25. Jänner 2016
Familienname: Vorname: Matrikelnummer: Aufgabe 1 (3 Punkte): Aufgabe 2 (4 Punkte): Aufgabe 3 (2 Punkte): Aufgabe 4 (2 Punkte): Aufgabe 5 (2 Punkte): Aufgabe 6 (1 Punkte): Aufgabe 7 (3 Punkte): Aufgabe
MehrAnhang: Ungarische Methode
Ungarische Methode 107 Anhang: Ungarische Methode Zum Schluss des Kurses soll noch der Algorithmus der Ungarischen Methode beschrieben werden. Wir lehnen uns hierbei eng an der Darstellung von DOMSCHKE
MehrLänge, Skalarprodukt, Geradengleichungen
Länge, Skalarprodukt, Geradengleichungen Jörn Loviscach Versionsstand: 9. April 2010, 18:48 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.youtube.com/joernloviscach
MehrDer Korrelationskoezient nach Pearson
Der Korrelationskoezient nach Pearson 1 Motivation In der Statistik werden wir uns häug mit empirisch erfassten Daten beschäftigen. Um diese auszuwerten, ist es oftmals notwendig einen Zusammenhang zwischen
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrK U R S S T A T I K / F E S T I G K E I T S L E H R E
BAULEITER HOCHBAU K U R S S T A T I K / F E S T I G K E I T S L E H R E QUERSCHNITTSWERTE ) Schwerpunktsbestimmungen ) Trägheitsmoment 3) Widerstandsmoment 4) Das statische Moment 5) Beispiele von Querschnittstabellen
MehrDynamische Programmierung
Dynamische Programmierung Claudia Gerhold 9.5.6 Claudia Gerhold Dynamische Programmierung 9.5.6 / 4 Agenda Einführung Dynamische Programmierung Top-Down Ansatz mit Memoization Bottom-Up Ansatz 3 Anwendungsbeispiele
Mehr2 für 1: Subventionieren Fahrgäste der 2. Klasse bei der Deutschen Bahn die 1. Klasse?
2 für 1: Subventionieren Fahrgäste der 2. Klasse bei der Deutschen Bahn die 1. Klasse? Felix Zesch November 5, 2016 Abstract Eine kürzlich veröffentlichte These lautet, dass bei der Deutschen Bahn die
MehrElemente der Analysis II
Elemente der Analysis II Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 8. Mai 2009 1 / 29 Bemerkung In der Vorlesung Elemente der Analysis I wurden Funktionen
MehrAnwendung von Vektormodell und boolschem Modell in Kombination
Anwendung von Vektormodell und boolschem Modell in Kombination Julia Kreutzer Seminar Information Retrieval Institut für Computerlinguistik Universität Heidelberg 12.01.2015 Motivation Welche Filme sind
MehrEinführung in die BWL - Übungszettel 1 vom Aufgabe 1: Magisches Dreieck
Institut für Einführung in die BWL - Übungszettel 1 vom 01.11.2007 Aufgabe 1: Magisches Dreieck Das magische Dreieck der Betriebswirtschaftslehre umfasst die ökonomische Dimension, die soziale Dimension
MehrAlgorithmen und Datenstrukturen 1 VL Übungstest WS Januar 2011
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 2. Übungstest WS 2010 14. Januar
MehrÜbung 5, Analytische Optimierung
Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrDer Alpha-Beta-Algorithmus
Der Alpha-Beta-Algorithmus Maria Hartmann 19. Mai 2017 1 Einführung Wir wollen für bestimmte Spiele algorithmisch die optimale Spielstrategie finden, also die Strategie, die für den betrachteten Spieler
Mehrswiss marketing academy GmbH Seite 1 von 11
AUFGABE 1a Nennen Sie 3 fallbezogene Gliederungszahlen und beschreiben Sie pro Gliederungszahl die Aussagekraft. 6 Punkte Gliederungszahl = Verhältnis eines Teiles zum gleichartigen Ganzen. Nennung Beschreibung
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrLong-Term Incentive Plan (LTIP) 2005
Long-Term Incentive Plan (LTIP) 2005 Performance-Anreiz für RWE-Führungskräfte Mai, 2005 Vorteile des neuen RWE LTIP 2005 Der neue LTIP ist auf die erzielte Steigerung des Total Shareholder Return der
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrWenn wir zudem a ii = 1 für 1 i n setzen, dann gilt für A k (boolesches Produkt, A 0 = I) 0 falls es im Graphen keinen Pfad von v i nach v j,
6.2 Boolesche Matrixmultiplikation und Transitive Hülle Wir ersetzen nun im vorhergehenden Abschnitt die Distanzmatrix durch die (boolesche) Adjazenzmatrix und (min, +) durch (, ), d.h.: n C = A B; c ij
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
MehrUniversität Karlsruhe (TH)
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Programmtransformationen: Vom PRAM Algorithmus zum MPI Programm Prof. Dr. Walter F. Tichy Dr. Victor Pankratius Ali Jannesari Modell und
MehrLogo. Zukunftsanalyse: Szenario - Technik (Einleitung)
Zukunftsanalyse: Szenario - Technik (Einleitung) Anwendungsbereiche: _Vorbereitung von Entscheidungen _Orientierung hinsichtlich zukünftiger Entwicklungen _Strategieentwicklung und -überprüfung _Projekt
MehrDie Nutzwertanalyse - NWA Prof. Dr. Wolfgang Alm Prof. Dr. Georg Rainer Hofmann
Die Nutzwertanalyse - NWA Prof. Dr. Wolfgang Alm Prof. Dr. Georg Rainer Hofmann 03.03.2016 Copyright Der nachfolgende Foliensatz basiert auf einem Foliensatz von Herrn Andreas Ziegler vom 15.10.2015 Er
Mehrder Flächenproduktivität (bzw.
Sonderimmobilien Teil 7 Seite 13 Flächenproduktivität Für die Beurteilung einer Handelsimmobilie ist die Größe der Verkaufsfläche durchaus bedeutend. Allerdings fällt die zentrale Bedeutung bei der Bewertung
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrWir stellen uns das Ziel, wesentliche Information über. Determinanten haben auch eine geometrische Bedeutung: Volumenbestimmung eines Parallelepipeds
39 Determinanten 391 Motivation Wir stellen uns das Ziel, wesentliche Information über die Invertierbarkeit einer n n-matrix das Lösungsverhalten zugehöriger linearer Gleichungssysteme möglichst kompakt
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrGrundzüge der Faktorenanalyse
SEITE Grundzüge der Faktorenanalyse Bei der Faktorenanalyse handelt es sich um ein Verfahren, mehrere Variablen durch möglichst wenige gemeinsame, hinter ihnen stehende Faktoren zu beschreiben. Beispiel:
MehrPräfix-Summe. Das Schweizer Offiziersmesser der Parallelen Algorithmen. Parallele Rechenmodelle Präfix-Summe Brents Lemma Anwendungen
Präfix-Summe Das Schweizer Offiziersmesser der Parallelen Algorithmen Parallele Rechenmodelle Präfix-Summe Brents Lemma Anwendungen Parallele Rechenmodelle Beispiel: Summieren von Zahlen Verlauf des Rechenprozesses:
MehrVektor-Additions-Systeme und Invarianten
Vektor-Additions-Systeme und Invarianten http://www.informatik.uni-bremen.de/theorie/teach/petri Renate Klempien-Hinrichs Stellen- und Transitions-Vektoren T -Invarianten S-Invarianten Bezug zu erreichbaren
MehrODAX Call / Put Open Interest Übersicht
ODAX Call / Put Open Interest Übersicht Alle Verfallsmonate 05.2017 -- 12.2021 14 Kalendertage bis kl. Verfall Nur Frontmonat 05/2017 (bis 19.05.2017) D Hedge S Fut. Basis Veränd. 05.05.17 04.05.17 03.05.17
MehrDie Datenmatrix für Überwachtes Lernen
Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x
MehrKommunikationskomplexität
Kommunikationskomplexität Seminar über Algorithmen, Prof. Dr. Alt, Sommersemester 2010, Freie Universität Berlin Matthias Rost 13. Juli 2010 1 von 37 Matthias Rost Kommunikationskomplexität Inhaltsverzeichnis
Mehrfunctional size bestimmt als einfach/mittel/schwierig (low/average/high) =
Fragmente zu Softwaremessung, Teil 2 (Version 1.0, 10.5.2010) Bestimmung der Function Points: 1. Systemgrenze bestimmen mit application boundary ist etwa das Kontextdiagramm bei SA oder das Use-Case-Diagramme
Mehr5 Suchmaschinen Page Rank. Page Rank. Information Retrieval und Text Mining FH Bonn-Rhein-Sieg, SS Suchmaschinen Page Rank
Page Rank Google versucht die Bedeutung von Seiten durch den sogenannten Page Rank zu ermitteln. A C Page Rank basiert auf der Verweisstruktur des Webs. Das Web wird als großer gerichteter Graph betrachtet.
MehrT = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente.
Vektorraummodell T = {t 1,..., t n } sei die Menge der Terme. D = {d 1,..., d m } sei die Menge der Dokumente. Dokumente und Anfragen werden als Vektoren in einem Vektorraum aufgefaßt. Der Vektorraum wird
MehrRanking Functions im Web: PageRank & HITS
im Web: PageRank & HITS 28. Januar 2013 Universität Heidelberg Institut für Computerlinguistik Information Retrieval 4 / 30 Idee PageRank Entstehung: Larry Page & Sergey Brin, 1998, genutzt von Google
Mehr