|
|
|
| Code: MMS-140 |
|
|
4V (4 Semesterwochenstunden) |
|
6 |
| Studiensemester: 1 |
| Pflichtfach: ja |
Arbeitssprache:
Englisch/Deutsch |
Prüfungsart:
Klausur (120 Minuten / Wiederholung semesterweise)
[letzte Änderung 13.11.2012]
|
MMS-140 (P420-0026) Marketing Science, Master, ASPO 01.10.2012
, 1. Semester, Pflichtfach
|
|
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
|
Empfohlene Voraussetzungen (Module):
Keine.
|
Als Vorkenntnis empfohlen für Module:
MMS-210 Marktforschung und Multivariate Analyse
MMS-380 Simulation in Produktion und Logistik
[letzte Änderung 08.09.2014]
|
Modulverantwortung:
Prof. Dr. Teresa Melo |
Dozent/innen:
Prof. Dr. Teresa Melo
[letzte Änderung 13.11.2012]
|
Lernziele:
Teilgebiet Diskrete Optimierung:
Die Studierenden sollen am Ende der Veranstaltung in der Lage sein,
- Konzepte der Dualitätstheorie für lineare Optimierungsprobleme anzuwenden,
- Modellierungstechniken für ökonomische Optimierungsprobleme sowohl mit einer
Zielsetzung als auch mit mehreren in Konflikt stehenden Zielen zu
beherrschen,
- logische Verknüpfungen von Aussagen und Restriktionen mittels binären
Variablen zu modellieren,
- gemischt-)ganzzahlige Optimierungsmodelle mit Standardsoftware zu lösen und
zu validieren,
- die erhaltenen Lösungen ökonomisch zu analysieren und zu interpretieren,
- analytische Methoden zur Ermittlung von Kompromisslösungen für
Optimierungsmodelle mit mehrfacher Zielsetzung anzuwenden,
- die Einsetzbarkeit von Optimierungsmodellen für organisatorische
Problemstellungen in den Bereichen Logistik, Marketing und Investition
einzuschätzen,
- analytische Fähigkeiten durch selbständiges Lösen von praxisbezogenen
Aufgaben zu entwickeln.
Teilgebiet Stochastik:
Die Studierenden sollen am Ende der Veranstaltung in der Lage sein,
- statistische Schätz- und Testverfahren in der induktiven Datenanalyse zu
beherrschen und anzuwenden,
- computergestützte induktive Datenanalyse betriebswirtschaftlicher
Problemstellungen vorzubereiten, durchzuführen und die erhaltenen Ergebnisse
zu interpretieren,
- die Struktur und Vorgehensweise nichtparametrischer Methoden zu erläutern und
diese zur Analyse empirischer Daten anzuwenden,
- die Grenzen der verwendeten statistischen Methodik zu identifizieren und
kritisch zu diskutieren.
[letzte Änderung 13.11.2012]
|
Inhalt:
Teilgebiet Diskrete Optimierung:
- Modellierung und Lösung linearer Optimierungsprobleme
- Ökonomische Interpretation von Lösungen und Durchführung von
Sensitivitätsanalysen
- Dualitätstheorie, deren ökonomische Deutung und der duale Simplexalgorithmus
- Modellierungstechniken für Optimierungsprobleme mit ganzzahligen oder
diskreten Entscheidungsvariablen
- Modellierung von Entscheidungsproblemen bei mehreren Zielsetzungen
(Motivation, Zielkonflikte, Kompromisslösung)
- Lösungsansätze für Optimierungsprobleme bei mehrfacher Zielsetzung: Goal
Programming, Lexikografische Ordnung, Zielgewichtung
- Einsatz von Standardsoftware zur Lösung diskreter Optimierungsprobleme
Teilgebiet: Stochastik:
- Eigenschaften und Konstruktion von Schätzfunktionen, Güteeigenschaften von
Schätzern
- Schätzung von Parametern (Punkt- und Intervallschätzung)
- Formulierung und Prüfen statistischer Hypothesen
- Nichtparametrische Verfahren: Anpassungs-, Unabhängigkeits- und
Homogenitätstests
- Weitere nichtparametrische Verfahren: verteilungsfreie Methoden
- Einsatz von Standardsoftware (z.B. SPSS)
[letzte Änderung 13.11.2012]
|
Weitere Lehrmethoden und Medien:
Vortrag und Diskussion in der Großgruppe, unterstützt durch Folien (Beamer) und Tafel (Theorie und Vorrechnen exemplarischer Beispiele).
Die Vorlesung wird durch Übungen ergänzt. Um eigenständiges Arbeiten zu unterstützen, wird eine Vielzahl von Übungsblättern bereitgestellt, deren thematische Breite das weite Einsatzspektrum der behandelten Methoden zeigt. Anschließend werden die Lösungen der Aufgaben mit den Studierenden besprochen (zum Teil mit Hilfe von Optimierungs- und Statistik-Software).
Sowohl das Vorlesungsskript als auch die Übungsblätter stehen den Studierenden in elektronischer Form zur Verfügung.
[letzte Änderung 30.06.2011]
|
Literatur:
Teil I: Diskrete Optimierung
Domschke, W., Drexl, A.: Einführung in Operations Research, 7. Auflage, Springer, Berlin, Heidelberg, 2007
Domschke, Drexl, Klein, Scholl, Voß: Übungen und Fallbeispiele zum Operations Research, 6. Auflage, Springer, Berlin, Heidelberg, 2007
Hillier, F., Lieberman, G.: Introduction to Operations Research, 9. Auflage. McGraw Hill Higher Education, 2010
Suhl, L., Mellouli, T.: Optimierungssysteme: Modelle, Verfahren, Software, Anwendungen, 2. Auflage, Springer, 2009
Werners, B.: Grundlagen des Operations Research mit Aufgaben und Lösungen, 2. Auflage, Springer, Berlin/Heidelberg, 2008
Zimmermann, H.-J.: Operations Research: Methoden und Modelle für Wirtschaftsingenieure, Betriebswirte, Informatiker, 2. Auflage, Vieweg, Wiesbaden, 2008
Teil II: Stochastik
Caputo, A., Fahrmeir, L., Künstler, R., Lang, S., Pigeot-Kübler, I., Tutz, G.: Arbeitsbuch Statistik, 5. Auflage, Springer, Berlin, 2009
Fahrmeir, L., Künstler, R., Pigeot, I., Tutz, G.: Statistik: Der Weg zur Datenanalyse, 6. überarb. Auflage, Springer, Berlin, 2007
Mosler, K., Schmid, F.: Wahrscheinlichkeitsrechnung und schließende Statistik, 2. Auflage, Springer, Berlin, 2006
Schira, J.: Statistische Methoden der VWL und BWL: Theorie und Praxis, 2. Auflage, Pearson Studium, München, 2005
Toutenburg, H., Heumann, Ch.: Induktive Statistik: Eine Einführung mit R und SPSS, 4. überab. und erw. Auflage, Springer, 2008
Toutenburg, H., Heumann, Ch.: Arbeitsbuch zur deskriptiven und induktiven Statistik“, 2. Auflage, Springer, 2009
[letzte Änderung 30.06.2011]
|
