StudierendeLehrende

Contingent Valuation Method

Die Contingent Valuation Method (CVM) ist eine umstrittene Methode zur Bewertung nicht-marktfähiger Güter, insbesondere im Bereich der Umweltökonomie. Sie basiert auf Umfragen, in denen den Befragten hypothetische Szenarien präsentiert werden, um ihre Zahlungsbereitschaft für bestimmte Umweltdienstleistungen oder -güter zu ermitteln. Die Befragten werden beispielsweise gefragt, wie viel sie bereit wären, für die Erhaltung eines bestimmten Naturgebiets zu zahlen oder welche Entschädigung sie für den Verlust eines Ökosystems akzeptieren würden.

Die Methodik beinhaltet typischerweise folgende Schritte:

  1. Entwicklung eines hypothetischen Marktes: Definition des Güters oder der Dienstleistung und des Szenarios.
  2. Durchführung von Umfragen: Befragung einer repräsentativen Stichprobe der Bevölkerung.
  3. Analyse der Daten: Auswertung der Antworten zur Schätzung der Gesamtwertschätzung.

Die CVM ist besonders nützlich, um den Wert von Umweltressourcen zu quantifizieren, die auf dem Markt keinen Preis haben, und wird häufig in politischen Entscheidungsprozessen verwendet.

Weitere verwandte Begriffe

contact us

Zeit zu lernen

Starte dein personalisiertes Lernelebnis mit acemate. Melde dich kostenlos an und finde Zusammenfassungen und Altklausuren für deine Universität.

logoVerwandle jedes Dokument in ein interaktives Lernerlebnis.
Antong Yin

Antong Yin

Co-Founder & CEO

Jan Tiegges

Jan Tiegges

Co-Founder & CTO

Paul Herman

Paul Herman

Co-Founder & CPO

© 2025 acemate UG (haftungsbeschränkt)  |   Nutzungsbedingungen  |   Datenschutzerklärung  |   Impressum  |   Jobs   |  
iconlogo
Einloggen

Lieferkettenoptimierung

Die Supply Chain Optimization (Lieferkettenoptimierung) bezieht sich auf den Prozess der Verbesserung der Effizienz und Effektivität aller Aktivitäten, die in der Lieferkette eines Unternehmens stattfinden. Ziel ist es, die Gesamtkosten zu minimieren und gleichzeitig die Servicequalität zu maximieren. Dies umfasst verschiedene Aspekte wie die Planung, Beschaffung, Produktion, Lagerung und Distribution von Waren und Dienstleistungen.

Ein zentraler Bestandteil der Lieferkettenoptimierung ist die Analyse und Gestaltung von Flussdiagrammen, um Engpässe oder Überkapazitäten zu identifizieren. Hierbei kommen häufig mathematische Modelle und Algorithmen zum Einsatz, um Entscheidungsprozesse zu unterstützen. Beispielsweise kann die Optimierung des Bestandsniveaus mit der Formel:

EOQ=2DSH\text{EOQ} = \sqrt{\frac{2DS}{H}}EOQ=H2DS​​

beschrieben werden, wobei DDD die Nachfrage, SSS die Bestellkosten und HHH die Lagerhaltungskosten sind. Durch effektive Strategien zur Optimierung der Lieferkette können Unternehmen nicht nur Kosten sparen, sondern auch ihre Reaktionsfähigkeit auf Marktveränderungen erhöhen.

Markov-Decke

Ein Markov Blanket ist ein zentrales Konzept in der Wahrscheinlichkeitstheorie und dem maschinellen Lernen, das die bedingte Unabhängigkeit von Variablen beschreibt. Es umfasst die minimalen Variablen, die benötigt werden, um alle Informationen über eine Zielvariable XXX zu erfassen, sodass alle anderen Variablen in einem gegebenen Netzwerk unabhängig von XXX sind, sobald die Variablen im Markov Blanket bekannt sind. Das Markov Blanket von XXX besteht aus drei Gruppen von Variablen:

  1. Eltern von XXX: Variablen, die direkt Einfluss auf XXX haben.
  2. Kinder von XXX: Variablen, die direkt von XXX abhängen.
  3. Andere Eltern von XXX's Kindern: Variablen, die mit den Kindern von XXX verbunden sind, jedoch nicht direkt mit XXX selbst.

Durch die Identifikation des Markov Blankets kann man die Komplexität von probabilistischen Modellen reduzieren und effizientere Algorithmen zur Inferenz und zum Lernen entwickeln.

Gluonstrahlung

Gluonstrahlung ist ein fundamentales Phänomen in der Quantenchromodynamik (QCD), der Theorie, die die Wechselwirkungen zwischen Quarks und Gluonen beschreibt. Gluonen sind die Austauschteilchen, die die starke Wechselwirkung vermitteln, und sie sind entscheidend für die Bindung von Quarks in Protonen und Neutronen. Wenn Quarks sich bewegen, können sie Gluonen abstrahlen, was zu einem Verlust an Energie und Impuls führt. Diese Emission kann als Kollisionsprozess betrachtet werden, bei dem die Energie, die in Form von Gluonen abgegeben wird, das Verhalten des Systems beeinflusst.

Mathematisch kann die Wahrscheinlichkeit für Gluonstrahlung durch die Verwendung von Feynman-Diagrammen und der entsprechenden QCD-Kopplungskonstanten beschrieben werden. In hochenergetischen Kollisionen, wie sie in Teilchenbeschleunigern wie dem LHC stattfinden, spielt die Gluonstrahlung eine entscheidende Rolle bei der Erzeugung neuer Teilchen und trägt zur Komplexität der beobachteten Ereignisse bei.

Taylor-Reihe

Die Taylorreihe ist eine mathematische Methode zur Approximation von Funktionen durch Polynomfunktionen. Sie basiert auf der Idee, dass eine glatte Funktion in der Nähe eines bestimmten Punktes aaa durch die Summe ihrer Ableitungen an diesem Punkt beschrieben werden kann. Die allgemeine Form der Taylorreihe einer Funktion f(x)f(x)f(x) um den Punkt aaa lautet:

f(x)=f(a)+f′(a)(x−a)+f′′(a)2!(x−a)2+f′′′(a)3!(x−a)3+…f(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \frac{f'''(a)}{3!}(x-a)^3 + \ldotsf(x)=f(a)+f′(a)(x−a)+2!f′′(a)​(x−a)2+3!f′′′(a)​(x−a)3+…

Diese Reihe kann auch in einer kompakten Form geschrieben werden:

f(x)=∑n=0∞f(n)(a)n!(x−a)nf(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x-a)^nf(x)=n=0∑∞​n!f(n)(a)​(x−a)n

Hierbei ist f(n)(a)f^{(n)}(a)f(n)(a) die nnn-te Ableitung von fff an der Stelle aaa und n!n!n! ist die Fakultät von nnn. Taylorreihen sind besonders nützlich in der Numerik und Physik, da sie es ermöglichen, komplizierte Funktionen durch einfachere Polynome zu approximieren, was Berechnungen erleichtert.

Eigenwertproblem

Das Eigenvalue Problem ist ein zentrales Konzept in der linearen Algebra und beschäftigt sich mit der Suche nach sogenannten Eigenwerten und Eigenvektoren einer Matrix. Gegeben sei eine quadratische Matrix AAA. Ein Eigenwert λ\lambdaλ und der zugehörige Eigenvektor v\mathbf{v}v erfüllen die Gleichung:

Av=λvA \mathbf{v} = \lambda \mathbf{v}Av=λv

Das bedeutet, dass die Anwendung der Matrix AAA auf den Eigenvektor v\mathbf{v}v lediglich eine Skalierung des Vektors um den Faktor λ\lambdaλ bewirkt. Eigenwerte und Eigenvektoren finden Anwendung in verschiedenen Bereichen, wie z.B. in der Stabilitätsanalyse, bei der Lösung von Differentialgleichungen sowie in der Quantenmechanik. Um die Eigenwerte zu bestimmen, wird die charakteristische Gleichung aufgestellt:

det(A−λI)=0\text{det}(A - \lambda I) = 0det(A−λI)=0

Hierbei ist III die Einheitsmatrix. Die Lösungen dieser Gleichung geben die Eigenwerte an, während die zugehörigen Eigenvektoren durch Einsetzen der Eigenwerte in die ursprüngliche Gleichung gefunden werden können.

Suffix-Array-Konstruktionsalgorithmen

Ein Suffix-Array ist eine Datenstruktur, die verwendet wird, um die Suffixe eines Strings in lexikographischer Reihenfolge zu speichern. Es ist besonders nützlich in der Textverarbeitung und bei Suchalgorithmen. Die Konstruktion eines Suffix-Arrays kann auf verschiedene Arten erfolgen, wobei die gängigsten Algorithmen die Naive Methode, Karkkainen-Sanders algorithm und Suffix-Array-Konstruktion basierend auf der Burrows-Wheeler-Transformation sind.

Die naive Methode hat eine Zeitkomplexität von O(n2log⁡n)O(n^2 \log n)O(n2logn), da sie alle Suffixe erzeugt, diese sortiert und dann die Indizes speichert. Effizientere Algorithmen wie der Karkkainen-Sanders-Algorithmus können die Konstruktion in O(n)O(n)O(n) oder O(nlog⁡n)O(n \log n)O(nlogn) erreichen, indem sie Techniken wie das Radixsort oder das Verketten von Suffixen nutzen. Suffix-Arrays sind besonders vorteilhaft, da sie im Vergleich zu anderen Datenstrukturen, wie z.B. Suffix-Bäumen, weniger Speicher benötigen und dennoch eine schnelle Suche ermöglichen.