| dbo:abstract
|
- Lineare partielle Information (LPI) ist eine lineare Modellierungsmethode für die praxisnahen Entscheidungen, die auf zuvor unscharfen Informationen basieren. Die Theorie wurde 1970 von Edward Kofler in Zürich entwickelt. Begriffsbildungen, Eigenschaften, Vorstellungen oder Modelle unserer Wirklichkeit bilden wir immer nur mit unvollständiger Information. Das betrifft auch unsere Umgangssprache und logische Überlegungen. Zeitlich betrachtet verändert sich diese Unschärfe (engl. fuzziness) unserer Realität ununterbrochen. Aber, obwohl wir im Bereich der unvollständigen Information leben, müssen in unseren Entscheidungssituationen rationale Entscheide getroffen werden, die ebendieser Unschärfe Rechnung tragen und Fehlentscheidungen auf der Basis nur scheinbar beständiger Erkenntnisse vermeiden. Das führt zur so genannten weichen Modellbildung. Bei vielen praktischen Entscheidungen liegen keine vollständigen Informationen vor. Dennoch ist es oft möglich Prognosen, vorsichtige Strategien, unscharfe Gleichgewichtspunkte und Stabilitätsbedingungen zu ermitteln. Beispielsweise in Investitionsmodellen in Portfolio-Entscheidungen, in der wirtschaftlichen Planung, aber auch in strategischen Konfliktsituationen. Dabei gilt: Je komplexer sich die Entscheidungssituation darstellt, desto weicher, also mit größerer Unschärfe, ist das entsprechende Modell zu gestalten; erst mit fortschreitender Gewissheit darf die Unschärfe des Modells schrittweise reduziert werden. In Entscheidungssituationen wird die Unschärfe der Verteilung der möglichen Szenarien, wie auch der Endergebnisse (engl. outputs) berücksichtigt. Jede Tätigkeit beruht auf Entscheidungen, die in einer Welt der Unschärfe und Unsicherheit der Daten, Begriffe und Gesetze getroffen werden müssen. Die „Fuzziness“ der Welt ist eine Regel und nicht Ausnahme. Die Optimalität unserer Entscheidungen, die wir mittels klassischer Methoden unter diesen Bedingungen erreichen wollen, muss in Frage gestellt werden. Das alles zwingt uns zur so genannten weichen (unscharfen) Modellbildung.Je komplexer ein betrachtetes System ist, desto höher ist der Unbestimmtheitsgrad der Daten und umso weicher muss modelliert werden sagte bereits Lotfi Zadeh.Das weiche Modell besitzt drei wichtige Merkmale:
* Die Eintrittswahrscheinlichkeit des Modells ist im Vergleich mit dem scharfen Modell im Allgemeinen größer.
* Es ist zeitlich stabiler.
* Es lässt ein adaptives Verfahren bezüglich neuer Informationen mit einer entsprechenden Anpassung an neue Voraussetzungen zu. (de)
- Lineare partielle Information (LPI) ist eine lineare Modellierungsmethode für die praxisnahen Entscheidungen, die auf zuvor unscharfen Informationen basieren. Die Theorie wurde 1970 von Edward Kofler in Zürich entwickelt. Begriffsbildungen, Eigenschaften, Vorstellungen oder Modelle unserer Wirklichkeit bilden wir immer nur mit unvollständiger Information. Das betrifft auch unsere Umgangssprache und logische Überlegungen. Zeitlich betrachtet verändert sich diese Unschärfe (engl. fuzziness) unserer Realität ununterbrochen. Aber, obwohl wir im Bereich der unvollständigen Information leben, müssen in unseren Entscheidungssituationen rationale Entscheide getroffen werden, die ebendieser Unschärfe Rechnung tragen und Fehlentscheidungen auf der Basis nur scheinbar beständiger Erkenntnisse vermeiden. Das führt zur so genannten weichen Modellbildung. Bei vielen praktischen Entscheidungen liegen keine vollständigen Informationen vor. Dennoch ist es oft möglich Prognosen, vorsichtige Strategien, unscharfe Gleichgewichtspunkte und Stabilitätsbedingungen zu ermitteln. Beispielsweise in Investitionsmodellen in Portfolio-Entscheidungen, in der wirtschaftlichen Planung, aber auch in strategischen Konfliktsituationen. Dabei gilt: Je komplexer sich die Entscheidungssituation darstellt, desto weicher, also mit größerer Unschärfe, ist das entsprechende Modell zu gestalten; erst mit fortschreitender Gewissheit darf die Unschärfe des Modells schrittweise reduziert werden. In Entscheidungssituationen wird die Unschärfe der Verteilung der möglichen Szenarien, wie auch der Endergebnisse (engl. outputs) berücksichtigt. Jede Tätigkeit beruht auf Entscheidungen, die in einer Welt der Unschärfe und Unsicherheit der Daten, Begriffe und Gesetze getroffen werden müssen. Die „Fuzziness“ der Welt ist eine Regel und nicht Ausnahme. Die Optimalität unserer Entscheidungen, die wir mittels klassischer Methoden unter diesen Bedingungen erreichen wollen, muss in Frage gestellt werden. Das alles zwingt uns zur so genannten weichen (unscharfen) Modellbildung.Je komplexer ein betrachtetes System ist, desto höher ist der Unbestimmtheitsgrad der Daten und umso weicher muss modelliert werden sagte bereits Lotfi Zadeh.Das weiche Modell besitzt drei wichtige Merkmale:
* Die Eintrittswahrscheinlichkeit des Modells ist im Vergleich mit dem scharfen Modell im Allgemeinen größer.
* Es ist zeitlich stabiler.
* Es lässt ein adaptives Verfahren bezüglich neuer Informationen mit einer entsprechenden Anpassung an neue Voraussetzungen zu. (de)
|
