Elo-Zahlen: Grundlagen und Funktionsweise des Bewertungssystems

ArtikelWikipedia contributorsSammlung

Das von Arpad Elo entwickelte Elo-Bewertungssystem ist eine statistische Methode zur Ermittlung relativer Spielstärken, die ursprünglich für das Schachspiel entworfen wurde. Das System dient als Prädiktor für Spielausgänge und passt Wertungszahlen nach jeder Partie dynamisch basierend auf der Differenz zwischen erwartetem und tatsächlichem Ergebnis an.

Das Wichtigste

  1. Erfunden von Arpad Elo als Nachfolger des Harkness-Systems und 1960 vom US-Schachverband (USCF) sowie 1970 von der FIDE eingeführt.
  2. Die Differenz zwischen zwei Bewertungen sagt die Siegchancen voraus (beispielsweise 64 % Erwartungswert bei 100 Punkten Vorsprung).
  3. Punkte werden nach jeder Partie zwischen Gewinner und Verlierer übertragen; Überraschungssiege führen zu größeren Punkteverschiebungen.
  4. Das System ist selbstkorrigierend und misst die Spielstärke nur relativ innerhalb eines bestimmten Spielerpools, nicht absolut.
  5. Die mathematische Modellierung basiert auf der Annahme, dass Spielleistungen normal- oder logistisch verteilte Zufallsvariablen mit langsam wechselndem Mittelwert sind.

Warum das relevant ist

Das Elo-System bildet das mathematische Fundament für Ranglisten und Matchmaking in zahlreichen Sportarten, Brettspielen, E-Sport-Plattformen und paarweisen Bewertungsprozessen. Seine rechnerische Einfachheit und Nachvollziehbarkeit machen es zu einem der am weitesten verbreiteten Modelle für Leistungsvergleiche.

Einordnung

Elo ersetzte subjektive Punktvergaben durch eine fundierte statistische Schätzung, die auf dem Bradley-Terry-Modell aufbaut. Obwohl spätere statistische Analysen zeigten, dass reale Schachleistungen nicht exakt normalverteilt sind und modernere Ansätze wie jene von Mark Glickman existieren, bleibt das Elo-Prinzip wegen seiner Transparenz und leichten Berechenbarkeit der De-facto-Standard in vielen Wettbewerbsumgebungen.

Erwähnte Links

Gefunden in

7 weitere anzeigen

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Wikipedia contributors

    Reinforcement Learning from Human Feedback (RLHF): Funktionsweise und Einsatzbereiche

    Reinforcement Learning from Human Feedback (RLHF) ist ein Verfahren im maschinellen Lernen, das KI-Modelle an menschlichen Präferenzen ausrichtet. Anstatt feste Belohnungsfunktionen manuell zu definieren, bewerten menschliche Annotatoren Modellausgaben im Vergleich. Daraus lernt ein separates Belohnungsmodell, das wiederum die Modell-Policy mittels Algorithmen wie Proximal Policy Optimization optimiert.

    KI & AI· Sammlung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.