WISO II (Fach) / Betriebsplanung (Lektion)

Uni Bonn SS'17

Diese Lektion wurde von melxying erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Grundlegende Ansätze zum Umgang mit Unsicherheit? 1. Einwertige Berücksichtigung: Unsichere Parameter werden durch deterministische Werte ersetzt  Szenarienmenge reduziert sich auf ein Szenario ⇒ Entscheidung unter Sicherheit  + Aufwandsrestriktion – Risikoeinstellung kann nur indirekt berücksichtigt werden:   Risikoneutralität ⇒ Unsichere Parameter durch Erwartungswert ersetzen    Risikoscheu ⇒ Sicherheitsab- od. –aufschläge auf Erwartungswerte der Parameter    Risikofreude ⇒ Umgekehrtes Vorgehen zu Risikoscheu  2. Mehrwertige Berücksichtigung: Risiko wird explizit berücksichtigt  Unsichere Parameter durch Zufallsvariablen od. in Szenarien abgebildet  Risikopräferenzen = können direkt in die Zielfunktion eingebunden werden Führt zu stochastischen Entscheidungsmodellen 
• Einwertige vs. mehrwertige Unsicherheitsberücks. Gemeinsamkeit: Bildung & Berechnung der Szenario-Wahrscheinlichkeiten (oder bereits vorgegeben) Unterscheide: Einwertige = Berechnung S Durchschnittsszenario und db Mehrwertige = Berechnung der Ergebnisse eik  Einwertige = Berechnung G(S) - kein weiteres Mal die Wahrscheinlichkeiten hinzuziehen Mehrwertige = Berechnung μ(Ai) mit Wahrscheinlichkeiten pk und ei
• Klassische Entscheidungskriterien Ziel: Verkleinerung der Alternativenmenge  Beim mehrwertigen Ansatz müssen Alternativen anhand der Verteilung ihrer Ergebnisse beurteilt werden.  Präferenzwertzuordnung durch Verdichtung von Verteilungsinformationen ⇒ Rangordnung der Alternativen  Man unterscheidet Entscheidungskriterien bei Risiko & bei Ungewissheit  Unvorteilhafte Alternativen sollten mit Hilfe von Dominanzkonzepten vor der Anwendung von Entscheidungskriterien aussortiert werden.
• Dominanz bei Unsicherheit Dominanz bei Unsicherheit1. Erster Analyseschritt: Verkleinerung der Alternativenmenge  2. Zustandsdominanz: Ai (Handlungsalternative i) ist effizient, wenn keine Alternative Aq existiert, die – eqk ≥ eik (Ergebnis) ∀Für alle k = 1,...,K& – eqk > eik (Ergebnis) für mindestens ein k erfüllt⇒ Andernfalls ist Ai ineffizient  3. Absolute Dominanz: Aq ist gegenüber Ai absolut dominant, wenn gilt– min{eqk | k = 1,...,K} ≥ max{eik | k = 1,...,K}– D.h. selbst das Best-Case Ergebnis von Ai übertrifft nicht das Worst-Case Ergebnis von Aq  Das Dominanzprinzip erlaubt es, offensichtlich unterlegene Handlungsalternativen im Vorfeld auszusondern discard. Also es reduziert das Entscheidungsfeld auf effizienteHandlungsalternativen.  
• Entscheidungsregeln/ Entscheidungskriterien Entscheidungsregeln/ Entscheidungskriterien: werden nun auf die verbliebenen effizienten Handlungsalternativen angewendet. dienen der Ableitung der optimalen Handlungsalternative unter gegebenen (impliziten od. expliziten) Prämissen.  Entscheidungsregeln existieren für:→ 􏰃Entscheidungen bei Unsicherheit;􏰃→ Entscheidungen bei Risiko. 
• Entscheidungsregeln bei Unsicherheit Entscheidungsregeln bei Unsicherheit: Laplace-Kriterium Maximin-Kriterium (Wald-Regel) Maximax-Kriterium Optimismus-Pessismismus-Regel  (Hurwicz-Kriterium)
• Entscheidungsregeln bei Risiko Entscheidungsregeln bei Risiko: Erwartungswertkriterium (μ-Kriterium od. Bayes-Regel)  Erwartungswert-Standardabweichungskriterium (μ, σ- Kriterium)  Hodges-Lehmann-Kriterium 
• Systematisierung der Entscheidungssituationen 1. Entscheidungen unter Sicherheit:  Es ist mit Sicherheit bekannt, welcher Umweltzustand eingetreten ist od. eintreten wird.  2. Entscheidungen unter Ungewissheit:  Entscheidungen unter Risiko:– mehrere Umweltzustände sind möglich, – Einzelnen möglichen Umweltzuständen können subjektive od. objektive Eintrittswahrscheinlichkeiten p zugeordnet werden.  Entscheidungen unter Unsicherheit – Wie 1.)–  allerdings können KEINE Eintrittswahrscheinlichkeiten p angegeben werden. Entscheidungen unter Spielsituationen:– Der Eintritt der Umweltzustände wird nicht durch den Zufall, sondern durch ein od. mehrere rational handelnde Gegenspieler bestimmt.
• μ-Kriterium? Klassische Entscheidungskriterien bei Risiko: Vorgehen bei Risiko:  Jeder Alternative Ai wird mittels Präferenzfunktion ein eindeutiger Präferenzwert zugeordnet. (Verteilung der Ergebnisse wird auf einen Wert verdichtet)  Mit Hilfe der Präferenzwerte wird eine Rangfolge der Alternativen erstellt  Erwartungswertkriterium (μ-Kriterium oder Bayes-Regel): Maximierung des Erwartungswertes der Ergebnisverteilung  Zu maximierende Präferenzfunktion:      μ(Ai) = ∑ kk=1 pk • eik       für i = 1,...M Hohes mittleres Ergebnisniveau wird angestrebt  Keine explizite Erfassung des Risikos  Risikoneutrale Haltung des Entscheiders  Kritik am Erwartungswertkriterium Vernachlässigung der Ergebnisstreuung 
• μ, σ-Kriterium Entscheidungskriterien bei Risiko: Erwartungswert-Standardabweichungskriterium, ES (μ, σ-Kriterium): σ(Ai) = √ ∑kk=1 pk • (μ(Ai) – eik)2 Maximierung einer Präferenzfunktion, die von μ & σ abhängig ist & einen Risikoparameter q beinhaltet:ES (Ai ; q) = μ(Ai) + q • σ(Ai)        für i = 1,...M Bei q < 0 wird von Risikoscheu ausgegangen⇒ Eine Alternativ mit einem niedrigen σ wird einer Alternativ mit gleichen μ aber höheren σ vorgezogen.  Bei q > 0 wird von Risikofreude ausgegangen ⇒ Eine Alternativ mit einem höheren σ wird einer Alternativ mit gleichen μ aber niedrigem σ vorgezogen.
• Hodges-Lehmann-Kriterium? Entscheidungskriterien bei Risiko: Hodges-Lehmann-Kriterium: Präferenzfunktion ist die mittels Vertrauensparameter v ∈ [ 0,1 ] gewichtete Summe aus μ(Ai) & dem Worst-Case-Ergebnis MM(Ai) = min { eik   | k = 1, ..., K} HL (Ai; v) = v • μ(Ai) + (1 – v) • MM(Ai)  Kombination aus μ-Kriterium (ergibt sich bei v = 1) & Maximin-Kriterium (bei v = 0) v • μ(Ai) ⇒ Entscheidung unter Risiko → μ-Kriterium                  z. B. v = 0,8                          D. h. 80% Vertrauen in die Information (Verteilung der Information),                                         aber keine volle 100%.                                   ⇒ μ weniger gewichtet.(1 – v) • MM(Ai) ⇒ Entscheidung unter Ungewißheit → MM-Kriterium                                 z. B. v = 0,8                                 D. h. 20% vertraue ich den Informationen nicht und                                gewichte daher mein mindestens einzugehendes Risiko mit 0,2 
• Laplace-Kriterium Entscheidungskriterien bei Ungewissheit/ Unsicherheit: Laplace-Regel: Berechne den Durchschnittswert der Ergebnisse einer Handlungsalternative. Wähle diejenige Handlungsalternative mit dem höchsten Durchschnittswert.    L(Ai) = ∑kk=1 eik Annahme:– Alle Szenarien werden als gleich wahrscheinlich angenommen    (⇒ Prinzip des unzureichenden Grundes) 
• Maximin-Kriterium Entscheidungskriterien bei Ungewissheit: Maximin-Kriterium (Wald-Regel): Präferiert eine Alternative, bei der das Worst-Case-Ergebnis maximal ist: MM(Ai)= min{eik | k= 1,...,K}  extrem risikoscheue Entscheidungshaltung   Vernachlässigung von Chancen 
• Maximax-Kriterium? Entscheidungskriterien bei Ungewissheit: Maximax-Kriterium: Präferiert eine Alternative, bei der das Best Case-Ergebnis maximal ist:MX(Ai) = max { eik  | k= 1,...,K }  Extrem risikofreudiges Entscheidungskriterium, daher nicht zu empfehlen ( ⇒ Risiko wird komplett vernachlässigt) 
• Hurwicz-Kriterium Entscheidungskriterien bei Ungewissheit: Hurwicz-Kriterium: Optimismus-Pessimismus-Regel Entscheider legt einen „Optimismus-Parameter“ λ  zwischen 0 und 1 fest. Das maximale Ergebnis einer Handlungsalternative wird mit λ gewichtet, das minimale mit (1 - λ ) und beides addiert. HU(Ai; λ) = λ • MX(Ai) + (1 - λ) • MM(Ai)          für i= 1,..., M  Wähle diejenige Handlungsalternative mit dem höchsten Gesamtwert.  Kritik Hurwicz-Kriterium Mittlere λ-Werte ermöglichen plausible Risikoberücksichtigung  Bestimmung von λ ist allerdings schwierig  Problem, wenn Menge der Szenarien zwischen den Extremszenarien ungleichmäßig verteilt ist. Kleine λ-Werte führen zur Wahl von Alternativen mit geringen Ergebnisbandbreiten 
• Umgang mit unvollkommener Information Umgang mit unvollkommener Information: 2 Fälle 1. Unzuverlässige Information: = Wahrscheinlichkeiten pk für alle Szenarien liegen vor, sind aber nicht sehr glaubwürdig  ⇒ Entscheidung mittels z. B. Hodges-Lehmann-Kriterium (Vertrauensparameter v wird reduziert)  2. Partielle Information: = Es liegen nicht für alle Szenarien k = 1,...,K Wahrscheinlichkeiten pk vor  ⇒ Entscheidung auf Basis von:     a) ordinalen Aussagen (z. B. p1 ≤ p2),      b) aggregierten Informationen (p2 + p3 = 0,3) oder     c) Bandbreitenangaben (p4 ∈ [0,2 ; 0,4]) 
• Umgang mit variabler Information Umgang mit variabler Information: Wie gehen von einem Aktueller Informationsstand mit Wahrscheinlichkeitsvektor p(p1,..., pK) aus = A priori-Wahrscheinlichkeiten A priori-Wahr. können durch Informationsbeschaffung verbessert werden.⇒ aus denen einen Vektor von (verbesserten) A posteriori-Wahrscheinlichkeiten erhälltz. B. Neuer Laden wird geöffnet: 3 Optionen          → lohnt es sich, ein Gutachten über Kundefrequenz in Auftrag zu geben? Wert einer Information = Erwartete Verbesserung der Entscheidung durch die Informationsbeschaffung  Risikoscheue Entscheider sind bereit mehr in Informationsbeschaffung zu investieren als risikofreudige Entscheider Risikoneutrale Entscheider orientieren sich allein am Ergebniserwartungswert. Qualität der Information unterscheidet sich in:→ vollkommene Informationssysteme →  unvollkommene Informationssysteme 
• Was versteht man unter Erwarteter Wert vollkommener Information (EWVI)? Erwarteter Wert vollkommener Information (EWVI): Durch Informationsbeschaffung ergibt sich für ein Szenario k  die (A posteriori)-Wahrscheinlichkeit von pk= 1, d.h. es tritt der Informationsstand Sicherheit ein. Annahmen zur Bestimmung des EWVI bei Risikoneutralität:  Informationsstand Risiko mit Alternativen Ai (i= 1,..., M), Szenarien Sk (k=1,..., K) und Ergebnissen eik. Vektor p von a-priori-Wahrscheinlichkeiten  Erst nach Informationszugang wird Entscheidung getroffen:EWVI = ∑kk=1 pk • ek* – max { μ(Ai) | i = 1,..,M }⇒ pk • ek* = optimaler erwartungswert⇒ max { μ(Ai) | i = 1,..,M} = normaler Erwartungswert = a-priori-Erwartungswert ek* = max {eik |i = 1,..,M}   ist das szenariooptimale Ergebnis von Szenario k μi(Ai) = ∑k pk • eik    ist der Ergebniserwartungswert von Alternativ Ai Also bei Aufgabe: Herausfinden der maximalen Suchkosten, damit sich die Kosten lohnen
• Woraus besteht ein LP-Modell? LP-Modell besteht aus: einer zu maximierenden, linearen Zielfunktion m linearen Nebenbedingungen n Variablen mit Domänen aus der Menge der reellen Zahle 
• Wie wird eine LP-Problem formuliert? Welche Ansätze sind zur Lösung eines LP-Problems? Ablaufschritte zur Formulierung des Entscheidungsproblems: Festlegung der zu maximierenden od. minimierenden Zielgröße  Definition der Entscheidungsvariablen  Bestimmung der Zielfunktion  Formulierung der Kapazitätsrestriktionen→ Flächenrestriktion → Arbeitsrestriktion  Beachtung der Nichtnegativitätsbedingung  3 mögliche Ansätze zur Lösung eines LP-Problems sind: (A) Grafischer Ansatz (B) Enumerativer Ansatz (C) Simplexmethode 
• Alternativen und Alternativenmenge: Handlungsalternative? Handlungsalternative: Eine Maßnahme od. ein Bündel mehrerer Maßnahmen, die zur Lösung eines Entscheidungsproblems grundsätzlich geeignet sind & vom Entscheider beeinflusst werden können. Maßnahmen & Wirkungen einer Alternative lassen sich durch eine Menge von Attributen beschreiben   Domäne = mögliche Ausprägungen eines Attributes Unterscheiden zwis. 2 Arten von Attributen:– Entscheidungsvariablen– Ergebnissen 
• Entscheidungsvariablen Entscheidungsvariablen:  Direkt beeinflussbare Tatbestände einer Maßnahme Ihnen muss eine Ausprägung der jeweiligen Domäne zugewiesen werden  Dependenzen zwischen Entscheidungsvariablen: Die Ausprägung einer Entscheidungsvariable beeinflusst einseitig die möglichen Ausprägungen einer anderen Variablen (z.B.: Routenplanung → Kosten)  Interdependenz zwischen Entscheidungsvariablen: Die Ausprägungen mehrerer Entscheidungsvariablen beeinflussen sich gegenseitig (z.B.: Kundenzufriedenheit ↔ Kundenbindung)  ⇒ Dependenzen & Interdependenzen können die Realisierung bestimmter Ausprägungskombi. verhindern:– Dies wird über Restriktionen abgebildet– Durch Restriktionen wird die Menge der zulässigen Alternativen begrenzt 
• Ergebnisse Ergebnisse: Folge der gewählten Maßnahmen  Lassen sich aus den Ausprägungen der Entscheidungsvariablen, externen Umweltlagen & Wirkungszusammenhängen bestimmen 
• Zwei bekannte systematisch-analytische Techniken zur Generierung Alternativen: Techniken der Alternativengenerierung: Mittel-Ziel-Netzwerk Morphologische Methoden 
• Präferenzrelationen (Höhenpräferenz) Präferenzrelationen (Höhenpräferenz): Angenommen, dass Entscheider Nutzenmaximierer sind  Nutzen = abstrakte Größe, die den Grad der Bedürfnisbefriedigung erfasst  Bestimmung der Höhenpräferenz beschreibt die betrachtete Ziele in Form einer Nutzenfunktion.⇒ Nutzenfunktion = „mathematische Abbildung, die einem Ergebnis e bezüglich einer Zielgröße einen reellen Nutzenwert u(e) zuordnet". Voraussetzung für Nutzenermittlung → vollständige & transitive Präferenzordnung.  Ordinale Nutzenfunktion besteht, wenn die Nutzwerte der Ergebnisse in eine Rangfolge gebracht werden können. ⇒ Messung des Nutzens durch ordinalen Skala möglich.  Messbare (kardinale) Nutzenfunktion lässt sich aus der Präferenzordnung der Übergänge ableiten, die dann die unterschiedliche Präferenzstärke messbar macht.
• Verfahren zur Alternativenbewertung Alternativenbewertung ⇒ Nutzwertanalyse: Methode zur Entscheidungsfindung od. –vorbereitung in mehrdimensionalen Zielsystemen Dient der Bewertung & Vorauswahl von Handlungsalternativen   Handlungsalternativen werden Punktwerte zugeordnet, die aus den Ausprägungen von Beurteilungskriterien abgeleitet werden⇒ Punkt- od. Nutzwert  = Zahlenmäßige Ausdruck für die subjektive Vorziehenswürdigkeit eines Vorhabens. Grundvariante der Nutzwertanalyse verknüpft die Teilnutzenwerte additiv:Ni = ∑nj=i GjPijNi ⇒ Nutzwert der Alternativ iPij ⇒ Punktwert der Alternativ i bei Kriterium jGj ⇒ Gewichtung für Kriterium j werden eingesetzt, wenn quantitative Daten fehlen & wenn neben monetären auch nicht-monetäre Ziele verfolgt werden.
• Artenpräferenz & Zielbeziehung Artenpräferenz beschreibt den Einfluss der einzelnen Ziele auf den Gesamtnutzen, es liegen also mehr als nur ein Ziel vor.  Zielbeziehung: Zielkonflikte bzw. Zielkonkurrenz Zielkomplementarität  Zielneutralität 
• Nutzwertanalyse: Nutzenfunktion U, Vorgehensweise eine Nutzwertanalyse Nutzenfunktion U: bezeichnet als multiattributive Nutzenfunktion⇒ Jeder Alternative A wird ein Gesamtnutzen U(Ai) zugeordnet   Ein multiattributive Nutzenfunktion ist von den Einzelnutzenfunktionen abzuleiten  Vorgehensweise: z. B. „Standort für ein Ladenlokal“  Nicht-monetäre Teilnutzen werden in monetäre Teilnutzen transformiert  Der Gesamtnutzen der Alternativen errechnet sich aus der Summe der Teilnutzenwerte  Es wird von einer linearen Nutzenfunktion ausgegangen 
• Was sind die zentralen Teilaufgaben der Prognose? 1. Die Prognose von Paramtern ist eine zentrale Teilaufgabe der Prognose bei der zwischen sicheren und unsicheren Parametern unterschieden wird. 2. Die Sensitivitätsanalyse ist eine zentrale Teilaufgabe der Prognose bei der Umweltentwicklungen von Handlungsalternativen durchgespielt werden um eine Einschätzung der Zukunft abgeben zu können. 3. Die Generierung von Szenarien ist eine zentrale Teilaufgabe der Prognose und bildet eine Möglichkeit zur Abbildung von Unsicherheit. Zentralen Teilaufgaben der Prognose =  1. und 3. 1. Die Prognose von Paramtern ist eine zentrale Teilaufgabe der Prognose bei der zwischen sicheren & unsicheren Parametern unterschieden wird. 3. Die Generierung von Szenarien ist eine zentrale Teilaufgabe der Prognose & bildet eine Möglichkeit zur Abbildung von Unsicherheit.
• a) Bei Entscheidungen unter Risiko sind die ___ und deren ___ dem____ bekannt. b) Bei Entscheidungen unter Ungewissheit, sind die ___ dem ___ nicht bekannt. a) Bei Entscheidungen unter Risiko sind die Szenarien und deren Eintrittswahrscheinlichkeiten dem Entscheider bekannt. b) Bei Entscheidungen unter Ungewissheit, sind die Eintrittswahrscheinlichkeiten dem Entscheider nicht bekannt.
• Zum Zusammenhang von Szenariotechnik und Sensitivitätsanalyse. Die Sensitivitätsanalyse baut auf der Szenariotechnik auf.
• Grundlagen der Prognose Grundlagen der Prognose  Prognosen liefern Informationen über zukünftige Umweltzustände, Wirkungszusammenhänge & potentielle Ergebnisse⇒ können alle planungsrelevanten Sachverhalte betreffen  Sie repräsentieren Wahrscheinlichkeits-urteile & sind mit Unsicherheit behaftet 
• Arten und Reichweite von Prognosen Arten der Prognosen: Umweltprognosen (Entwicklungsprognosen) Wirkungsprognosen Ergebnisprognosen Reichweite von Prognosen: Kurzfristig (bis zu ein Jahr) Mittelfristig (bis zu drei Jahre) Langfristig (länger als drei Jahre) 
• Prognosen und deren Verfahren Prognosen & deren Verfahren Quantitative Verfahren → werden mit statistischen & mathematischen Methoden erstellt. → sind weitgehend rationale, bedingte Vorhersagen, die sich logisch aus quantitativen Daten ableiten. → Bsp. Zeitreihenanalysen.  Expertengestützte Verfahren → sind subjektive Einschätzungen auf Basis der Erfahrung od. Intuition von Experten. → Bsp. Vorhersagen von Wissenschaftlern über zukünftige technologische Entwicklungen  Simulationsverfahren → spielen Umweltentwicklungen &/od. Wirkungen von Handlungsalternativen durch, um eine Einschätzung der Zukunft abgeben zu können. → Bsp. die Sensitivitätsanalyse. 
• Wahl der Prognosemethode? Prognosemethode – Prüfen der grundsätzlichen Eignung der Methode – Ermitteln der gewünschten Prognosegenauigkeit – Ökonomische Überlegung (Trade-off zwischen Erhöhung der Prognosegenauigkeit und Prognosekosten) 
• Szenariotechnik, 3 Szenarien? Szenariotechnik = Expertengestützte Umweltprognose: Kombinieren qualitative Informationen mit quantitativen Ansätzen Methode zur unmittelbaren Generierung von Szenarien  Basiert auf Beurteilung der Entwicklung bestimmter Parameter   Es wird von endlichen Domänen der Einflussfaktoren ausgegangen  Szenario stellt ein komplexes Zukunftsbild dar, das aus der Entwicklung mehrerer Faktoren resultiert. Merkmale eines Szenarios. BASE Case Szenario: ⇒ Einflussfaktoren gehen mit ihren erwarteten Werten in die Analyse ein BEST Case Szenario: ⇒ Einflussfaktoren gehen mit optimistisch geschätzten Werten in die Analyse ein  WORST Case Szenario:⇒ Einflussfaktoren gehen mit pessimistisch geschätzten Werten in die Analyse ein 
• Wozu dient die Szenarioanalyse? Szenarioanalyse Analyse der Wirkung einer gleichzeitigen Variation mehrerer Inputvariablen auf den Zielwert (z.B. NPV) Ermittlung der möglichen Bandbreite des Entscheidungskriteriums ABER: Es wird NICHT der gesamte Streubereich analysiert, sondern lediglich die festgelegten Extremwerte.  ⇒ Zielwert in Abhängigkeit von Worst-Case & Best-Case 
• Simulative Risikoanalyse: Ziel, Ablauf Simulative Risikoanalyse: Ziel = Unsichere Verteilung entscheidungsrelevanter Ergebnisse durch Simulation Informationen zu gewinnen  Die Prognose erfolgt immer für eine konkrete Alternative  Ablauf: Erstellung von Einflussdiagrammen Sensitivitätsanalyse Bestimmung der Verteilung der Parameter, für die eine Unsicherheit abgebildet werden soll Simulation Aufbereitung der durch die Simulation gewonnen Daten 
• Was versteht man unter Sensitivitätsanalyse? Sensitivitätsanalyse: 2. Schritt des Ablaufs Simulative Risikoanalyse. Bewertung der „Empfindlichkeit“ bzw. Robustheit der Planungsergebnisse im Hinblick auf Veränderungen der Ausgangsdaten.  Es werden also die Auswirkungen der Unsicherheit einzelner Risikofaktoren auf das Zielkriterium untersucht.  als Bezugspunkt eine Entscheidung unter Sicherheit unterstellt (Basisszenario)  Zwei Arten der Sensitivitätsanalyse:  a) Systematische Parametervariation:→ Wie verändert sich der Zielfunktionswert (z.B. Kapitalwert) bei der Veränderung einer Inputgröße? b) Berechnung kritischer Werte:→ Welchen Wert darf eine Inputgröße annehmen, wenn ein vorgegebener Zielfunktionswert gerade noch erreicht werden soll? 
• Wodurch unterscheiden sich Szenario- und Sensitivitätsanalyse? Die Sensitivitätsanalyse baut auf der Szenarioanalyse auf. Im Gegensatz zur Sensitivitätsanalyse werden bei der Szenarioanalyse- verschiedene als realistisch angenommene Datenkonstellationen- durch gleichzeitige Variation der unsicheren Inputvariablen dargestellt. 

zurück  |  weiter 1 / 1