Übung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen
|
|
- Ralph Kohler
- vor 7 Jahren
- Abrufe
Transkript
1 Übung zu Risiko Entscheidungstheoretische Grundlagen Stefan Neuß Sebastian Soika
2 Newsletter Auf der Homepage unter ist der Link Newsletter zu finden.
3 Das Grundmodell der Entscheidungstheorie Komponenten Aktionsraum A: die Menge aller zur Verfügung stehenden Handlungsalternativen a i, i {,,n} Zustandsraum S: die Menge aller vom Entscheidungsträger für möglich gehaltenen und für die Entscheidung relevanten Umweltzustände s j, j {,,m} Ergebnisraum E: die Menge aller für möglich erachteten Ergebnisse e ij, i {,,n}, j {,,m} Ergebnisfunktion f ordnet jedem Paar (a i, s j ) mit a i A, s j S ein Ergebnis e ij E zu (vollständige, transitive) Präferenzrelation
4 Das Grundmodell der Entscheidungstheorie S s s 2... s j... s m a e e 2... e j... e m a 2 e 2 e e 2j... e 2m A a i e i e i2... e ij... e im a n e n e n2... e nj... e nm E
5 Einige Aussagen über Wahrscheinlichkeiten Eine Wahrscheinlichkeit (meist mit dem Buchstaben p bezeichnet) ist eine Zahl zwischen 0 und. Schließen sich die einzelnen Ereignisse gegenseitig aus (es kann entweder Ereignis oder Ereignis 2 oder... eintreten), so ist die Summe der Wahrscheinlichkeiten über alle möglichen Ereignisse gleich. Schließen sich die einzelnen Ereignisse gegenseitig aus, so ergibt sich die Wahrscheinlichkeit für ein kombiniertes Ereignis aus der Summe der einzelnen Wahrscheinlichkeiten (Additionssatz). Beispiel Würfeln: P(" oder 2") 6 6
6 Einige Aussagen über Wahrscheinlichkeiten Bei unabhängiger Wiederholung eines Zufallsexperiments ergibt sich die Wahrscheinlichkeit für ein Ereignis der Form erste Durchführung des Experiments führt zu Ergebnis, zweite Durchführung führt zu Ergebnis 2 durch Multiplikation der Einzelwahrscheinlichkeiten. Beispiel Würfeln: P(.Wurf = und 2.Wurf = 2 )
7 Definition Wahrscheinlichkeits-Maß (Axiome) Eine Funktion P, die jedem Ereignis Z S eine reelle Zahl zuordnet, heißt Wahrscheinlichkeitsmaß, und P(Z) heißt Wahrscheinlichkeit von Z, wenn gilt:. für jedes 2. 0 P( Z ) P( S) 3. Für abzählbar viele Ereignisse Z, Z 2,... mit gilt: Z i Z j = i j Z S P Z i i i P( Z i )
8 Rechenregeln und grundlegende Definitionen Es gilt: P () =0, P( S) = C P( Z) P( Z ) mit Z C S \ P( Z Z2) = P( Z) + P( Z2) - P( Z Z2) Z (Komplement von Z) Zwei Ereignisse Z und Z 2 heißen stochastisch unabhängig, wenn gilt: P( Z Z2) = P( Z) P( Z2) Die bedingte Wahrscheinlichkeit P(Z Z2) wird definiert als sofern P( Z 2 ) 0. P( Z Z 2 ) : P( Z Z P( Z ) 2 2 ),
9 Rechenregeln und grundlegende Definitionen Für stochastisch unabhängige Ereignisse Z und Z 2 gilt: P( Z Z 2) P( Z) P( Z 2) P( Z Z 2) : P( Z) P( Z ) P( Z ) 2 2 Satz von der totalen Wahrscheinlichkeit: Z i mit i =, 2,... seien abzählbar viele paarweise disjunkte Ereignisse positiver Wahrscheinlichkeit. Für ein Ereignis A i Z i gilt: P( A) i P( Z ) P( A i Z i )
10 Rechenregeln und grundlegende Definitionen Bayes-Theorem: Sei P(Z k ) die a-priori und P(Z k A) die a-posteriori Wahrscheinlichkeit von Z k unter Kenntnis des Eintritts von Ereignis A. Unter den Voraussetzungen des Satzes der totalen Wahrscheinlichkeit gilt dann P( Z k A) P( Z i k P( Z ) P( A Z i k ) ) P( A Z i )
11 Wahrscheinlichkeitsinterpretationen ) logische (bzw. objektive a-priori-) Wahrscheinlichkeiten 2) frequentistische (bzw. objektive a-posteriori-) Wahrscheinlichkeiten 3) subjektive Wahrscheinlichkeiten
12 Anpassung subjektiver Wahrscheinlichkeiten Urne mit 6 Kugeln: - entweder sind alle rot (s ), - zur Hälfte rot und zur Hälfte schwarz (s 2 ) - oder alle sind schwarz (s 3 ). Der Entscheidungsträger hat folgende subjektive Wahrscheinlichkeitseinschätzungen über die Umweltzustände: p(s) = p(s 2) = p(s 3) = 3
13 Anpassung subjektiver Wahrscheinlichkeiten Jetzt wird eine rote Kugel gezogen: p(s r)= 3 i= p(s p(s ) i p(r s ) ) p(r s i = ) p(s 2 r)= p(s 3 r)=
14 Anpassung subjektiver Wahrscheinlichkeiten Nach Zurücklegen wird noch eine rote Kugel gezogen: p(s r) = p(s) p(r s) 3 p(s ) p(r s ) i i p(s 2 i r) = = 4 5 angepasste Wkt. Nach Zurücklegen wird zum dritten Mal eine rote Kugel gezogen: p(s r) = = p(s 2 r) = 9
15 Entscheidungsproblem des Versicherungsnehmers a s s 2 p(s ) p(s ) p(s j ) w w 2... w j... a 2 w w... w... 2 x 2 s j j x j w s m p(s m ) m w m x m s, s 2,, s m p(s j ) a a 2 Umweltzustände (s = ungestörte Situation) (subjektive) Wahrscheinlichkeitseinschätzung des Versicherungsnehmers für den Eintritt des Umweltzustandes s j Handlungsmöglichkeit nicht versichern Handlungsmöglichkeit Versicherungsvertrag mit der Prämie und den Versicherungsleistungen x 2,..., x m abschließen w, w 2,..., w m x 2, x 3,..., x m Endvermögen des Versicherungsnehmers in Abhängigkeit von möglichen Realisationen des zu versichernden Risikos Preis für Versicherungsschutz (Prämie) Schadenzahlungen des Versicherers
16 Entscheidungsproblem des Versicherers a a 2 s s 2 q(s ) q(s 2 )... q(s j ) k k x 2 s j... k x... j s m q(s m ) 0 k xm q(s j ) (subjektive) Wahrscheinlichkeitseinschätzung des Versicherers für den Eintritt des Umweltzustandes s j a Handlungsmöglichkeit nicht versichern a 2 Handlungsmöglichkeit versichern k Betriebskosten, die für den Versicherungsvertrag anfallen
17 Beispiel Simulation : Aus einer Urne, die 0 Kugeln enthält ( davon rot, die restlichen schwarz), wird dreimal jeweils eine Kugel gezogen, die anschließend wieder zurückgelegt wird. Die Ziehung einer roten Kugel bedeutet jeweils einen Schaden in Höhe von 0.000,-. Wie sieht die (Gesamt-) Schadenverteilung (x i, p i ) aus? Schadenzahl verteilung: Schadenverteilung : z i p i x i p i Angemessene Prämie/Mindestprämie?
18 Risikoaversion Definition: Ein Entscheidungsträger heißt risikoavers (risikoscheu), wenn er stets eine sichere Zahlung einer zufälligen Zahlung mit identischem Erwartungswert vorzieht. Risikoaversion kann als das zentrale Motiv für die Nachfrage nach Versicherungsschutz angesehen werden und ist deshalb in der Versicherungsökonomie von besonderer Bedeutung.
19 Sicherheitsäquivalent Das Sicherheitsäquivalent einer zufälligen Größe ist dasjenige sichere Einkommen, für das ein Entscheidungsträger ein Risiko gerade abgeben würde. U(w+SÄ) = E(U(w+)) U( ) := Nutzenfunktion w := Anfangsvermögen := Risiko E(...) := Erwartungswert SÄ := Sicherheitsäquivalent
20 Sicherheitsäquivalent U(w ) U[E(w+)] U(w+SÄ) = E[U(w+)] U(w) Einfache Lotterie (25.000; 0,75; ) U(w) U(w-8.000) SÄ[] RP[] E[w+] E[] w w SÄ[]+w E[w+] w w
21 Risikoaversion versus Risikoneutralität Ein Entscheidungsträger heißt risikoneutral, wenn er stets eine zufällige Zahlung genauso beurteilt wie eine sichere Zahlung in Höhe des Erwartungswertes. Risikoneutralität wird in ökonomischen Modellen häufig als Annahme über die Risikoeinstellung von Versicherungsunternehmen verwendet. warum? Es spricht aber auch vieles dafür, dass sich Versicherer zumindest in bestimmten Sparten risikoscheu verhalten.
22 Risikoprospekt im μ-σ-diagramm 2 2
23 Risikoprospekt im μ-σ-diagramm Indifferenzkurve VR Indifferenzkurve VN (µ, ) Netto-RP[ ] des VR Preisuntergrenze des VR = Mindest-BruttoRP SÄ =E [ ]
24 Stichworte zum Bernoulli-Prinzip Bernoulli-Prinzip: Ein Entscheidungsträger besitzt eine auf dem Ergebnisraum definierte beschränkte, streng monoton wachsende, reellwertige Nutzenfunktion u (Bernoulli-Nutzenfunktion). Der Präferenzwert einer jeden Wahrscheinlichkeitsverteilung über dem Ergebnisraum errechnet sich als Erwartungswert der mit ihrem Nutzen bewerteten Ergebnisse (Erwartungsnutzen).
25 Stichworte zum Bernoulli-Prinzip Ein Entscheidungsverhalten, das im Einklang mit dem Bernoulli- Prinzip steht, kann als rational in dem Sinne betrachtet werden, dass es bestimmte Postulate erfüllt, die Anforderungen an vernünftiges Handeln formulieren. Umgekehrt impliziert das Anerkennen dieser Axiome als Entscheidungskriterium bei Risiko das Bernoulli-Prinzip. - Beispiel: Eine Handlungsalternative a, deren zufälliges Ergebnis e eine endlich-diskrete Verteilung besitzt (mögliche Ergebnisse e,..., e n, zugehörige Wahrscheinlichkeiten p,..., p n ), wird beurteilt nach dem Kriterium n E u(e) i pi u(e i)
26 Stichworte zum Bernoulli-Prinzip Bei Risikoaversion gilt E u(e) u(e[e ]) für eine nicht-degenerierte Zufallsvariable e. Die Bernoulli-Nutzenfunktion eines risikoscheuen Entscheidungsträgers ist streng konkav (Jensensche Ungleichung); (u > 0, u < 0, wenn zweifach differenzierbar) Analog: Bernoulli-Nutzenfunktionen sind linear bei risikoneutralen Entscheidungsträgern (und streng konvex bei risikofreudigen Entscheidungsträgern)
27 Risikoneutralität Ein Entscheidungsträger verhält sich risikoneutral, wenn er stets eine zufällige Zahlung genauso beurteilt wie eine sichere Zahlung in Höhe des Erwartungswertes. Risikoneutralität wird in ökonomischen Modellen häufig als Annahme über die Risikoeinstellung von Unternehmen verwendet. Warum?
28 Das Arrow-Lind-Theorem Betrachtet wird ein Syndikat mit ( unendlich ) vielen risikoaversen Beteiligten, die gemeinsam eine riskante Investition tätigen. Außerdem gelten folgende Annahmen: - Keine Transaktionskosten, - Keine Steuern, - das übernommene Risiko ist vollkommen unkorreliert mit den individuellen Einkommen der Beteiligten [Cov=0] Das Syndikat verhält sich so, als ob es risikoneutral wäre.
Übung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen
Übung zu Risiko Entscheidungstheoretische Grundlagen Christoph Lex Dominik Lohmaier http://www.inriver.bwl.lmu.de Newsletter Auf der Homepage unter http://www.inriver.bwl.uni-muenchen.de/studium/sommer_04/bachelorveranstaltungen/risiko_und_versicherungen/index.html
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
Mehrwf = w 0 +E( x) Die Definition des Angebotspreises p a = wf w 0 ergibt daher: p a = E( x)
Satz: Im Fall dass die Nutzenfunktion des Entscheidungsträgers linear bezüglich des End-Vermögens ist, stimmt der Angebotspreis einer Lotterie mit deren Erwartungswert E( x) überein Da U linear ist, gilt:
MehrGrundzüge der. Kapitel 5 Mikroökonomie (Mikro I) Entscheidungen unter Unsicherheit
Grundzüge der Kapitel 5 Mikroökonomie (Mikro I) Entscheidungen unter Unsicherheit 1 BESCHREIBUNG VON RISIKO 2 Entscheidung unter Risiko Annahme: Wir kennen alle möglichen (sich gegenseitig ausschliessenden)
Mehr2.4 Entscheidung bei Risiko
2.4 Entscheidung bei Risiko Entscheidung bei Risiko nimmt an, dass für jeden Zustand S j seine Eintrittswahrscheinlichkeit P(S j ) bekannt ist Eintrittswahrscheinlichkeiten bestimmbar als statistische
MehrVorlesung 2: Risikopräferenzen im Zustandsraum
Vorlesung 2: Risikopräferenzen im Zustandsraum Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie VL 2, FS 12 Risikopräferenzen im Zustandsraum 1/29 2.1 Motivation
MehrDefinition: Ein endlicher Ergebnisraum ist eine nichtleere Menge, deren. wird als Ereignis, jede einelementige Teilmenge als Elementarereignis
Stochastische Prozesse: Grundlegende Begriffe bei zufälligen Prozessen In diesem Abschnitt beschäftigen wir uns mit den grundlegenden Begriffen und Definitionen von Zufallsexperimenten, also Prozessen,
MehrKapitel 5: Entscheidung unter Unsicherheit
Kapitel 5: Entscheidung unter Unsicherheit Hauptidee: Die Konsequenzen einer Entscheidung sind oft unsicher. Wenn jeder möglichen Konsequenz eine Wahrscheinlichkeit zugeordnet wird, dann kann eine rationale
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrKapitel 5: Entscheidung unter Unsicherheit
Kapitel 5: Entscheidung unter Unsicherheit Hauptidee: Die Konsequenzen einer Entscheidung sind oft unsicher. Wenn jeder möglichen Konsequenz eine Wahrscheinlichkeit zugeordnet wird, dann kann eine rationale
MehrKapitel 5 Stochastische Unabhängigkeit
Kapitel 5 Stochastische Unabhängigkeit Vorlesung Wahrscheinlichkeitsrechnung I vom SoSe 2009 Lehrstuhl für Angewandte Mathematik 1 FAU 5.1 Das Konzept der stochastischen Unabhängigkeit. 1 Herleitung anhand
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrI. Grundlagen. I. Grundlagen 1. Entscheidungen unter Unsicherheit. 1. Entscheidungen unter Unsicherheit
. Entscheidungen unter Unsicherheit I. Grundlagen. Entscheidungen unter Unsicherheit Elemente des Entscheidungsproblems eines Wirtschaftssubekts: Der Entscheidungsträger kann zwischen verschiedenen Aktionen
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
MehrVergleich von Entscheidungsträgern bzgl. ihrer Risikoaversion:
Ist das Arrow-Pratt-Maß der absoluten Risikoaversion bekannt, so lässt sich daraus die Nutzenfunktion bestimmen: Mithilfe der Substitution y := U (w) dy = U (w)dw gilt: und daher U (w) U (w) dw = A a (w)dw
MehrVorlesung 3: Risikoaversion
Vorlesung 3: Risikoaversion Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 3 (FS 11) Risikoaversion 1 / 21 1. Modellrahmen In diesem Kapitel betrachten wir nur monetäre
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2015) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
MehrTeil II. Wahrscheinlichkeitsrechnung. Inhaltsverzeichnis (Ausschnitt) Zufallsexperimente (Zufallsvorgänge) Ergebnisse
5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) Teil II Wahrscheinlichkeitsrechnung 5 Zufallsexperimente Ergebnisse Ereignisse Wahrscheinlichkeiten Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Begriffe Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Definition: Unter einem Zufallsexperiment versteht man einen,
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
MehrMikroökonomik. Unsicherheit. Harald Wiese. Universität Leipzig. Harald Wiese (Universität Leipzig) Unsicherheit 1 / 46
Mikroökonomik Unsicherheit Harald Wiese Universität Leipzig Harald Wiese (Universität Leipzig) Unsicherheit 1 / 46 Gliederung Einführung Haushaltstheorie Das Budget Präferenzen, Indi erenzkurven und Nutzenfunktionen
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrInformatik II Grundbegriffe der Wahrscheinlichkeitsrechnung
lausthal Informatik II rundbegriffe der Wahrscheinlichkeitsrechnung. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Begriffe Definition: Unter einem Zufallsexperiment versteht man einen,
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrVorkurs Mathematik. Christoph Hindermann. Wahrscheinlichkeitstheorie
Kapitel 4 Christoph Hindermann Vorkurs Mathematik 1 4.0 Motivation Wenn 100 Münzen geworfen werden, wie ist dann die Wahrscheinlichkeit, dass genau 50 davon Kopf zeigen? Angenommen, es befinden sich 300
MehrVorlesung 1: Einleitung
Vorlesung 1: Einleitung Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 1, FS 12 Einleitung 1/17 1.1 Motivation In der Vorlesung Intermediate Microecoomics haben
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrWann ist diese Vorgehensweise berechtigt? Hierzu:
IV. Risiko und Unsicherheit Risiko: Eine Entscheidung treffen, ohne den wahren Zustand der Welt zu kennen. Aber man kennt die Wahrscheinlichkeitsverteilung für die relevanten Zustände der Welt. z. B. {
Mehr3. Betriebswirtschaftliche Entscheidungslehre 3.6 Entscheidung unter Risiko
Dominanzprinzipien : Absolute Dominanz: Eine Alternative A i dominiert eine Alternative A j absolut, wenn das geringstmögliche Ergebnis von A i nicht kleiner ist als das grösstmögliche Ergebnis von A j,
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Wir betrachten Ereignisse, die in fast gleicher Form öfter auftreten oder zumindest öfter auftreten können. Beispiele: Werfen eines Würfels, Sterben an Herzversagen
MehrKolloquium zum Modul Finanzierungs- und entscheidungstheoretische Grundlagen der BWL SS 2011
Kolloquium zum Modul Finanzierungs- und entscheidungstheoretische Grundlagen der BWL SS 2011 Teil III: Entscheidungstheoretische Grundlagen (KE 5 und KE 6) 1 Entscheidungsregeln bei Risiko 2 μ-σ-prinzip
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrInhaltsverzeichnis (Ausschnitt)
8 Messbarkeit und Bildwahrscheinlichkeit Inhaltsverzeichnis (Ausschnitt) 8 Messbarkeit und Bildwahrscheinlichkeit Messbare Abbildungen Bildwahrscheinlichkeit Deskriptive Statistik und Wahrscheinlichkeitsrechnung
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrEinführung. Wahrscheinlichkeit. 1 Wahrscheinlichkeit: Definition und Interpretation. 2 Elementare Wahrscheinlichkeitsrechnung, bedingte
Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2 Elementare Wahrscheinlichkeitsrechnung, bedingte Wahrscheinlichkeit Axiome nach Kolmogorov Gegeben sei ein Zufallsexperiment mit Ergebnisraum
MehrEinführung in die angewandte Stochastik
Einführung in die angewandte Stochastik Fabian Meyer 5. April 2018 Inhaltsverzeichnis 1 Wahrscheinlichkeitsrechnung 3 1.1 Definitionen................................... 3 1.2 Wahrscheinlichkeitsmaß, Wahrscheinlichkeitsverteilung,
MehrKapitel 8. Erwarteter Nutzen. Intertemporaler Nutzen für Mehrperioden-Entscheidungen
Kapitel 8 Erwarteter Nutzen Josef Leydold c 2006 Mathematische Methoden VIII Erwarteter Nutzen / 27 Lernziele Nutzenfunktion zur Risikobewertung Erwarteter Nutzen Maße für Risikoaversion Indifferenzkurven
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrGrundlagen der Versicherungs- und Sozialversicherungsökonomik. Risiko: objektive oder subjektive Wahrscheinlichkeiten
Grundlagen der Versicherungs- und Sozialversicherungsökonomik Entscheidungstheorie bei Sicherheit (z. B. trad. Mikroökonomik, lineare Programmierung etc. bei Risiko (Unsicherheit und Ungewissheit Risiko:
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 11 Diskrete Zufallsvariablen 11.1. Wahrscheinlichkeits- und diskret Wahrscheinlichkeitsverteilungen Wahrscheinlichkeitsfunktion von X Nimmt abzählbare Anzahl von Ausprägungen an (z.b. Zählvariablen)
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrAllgemeine diskrete Wahrscheinlichkeitsräume I
6 Diskrete Wahrscheinlichkeitsräume Allgemeine diskrete Wahrscheinlichkeitsräume 6.3 Allgemeine diskrete Wahrscheinlichkeitsräume I Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete
MehrVorlesung 3. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3 Der Erwartungswert von diskreten reellwertigen Zufallsvariablen 0. Diskrete reellwertige Zufallsvariable X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) oder
MehrAllgemeine diskrete Wahrscheinlichkeitsräume II. Beispiel II. Beispiel I. Definition 6.3 (Diskreter Wahrscheinlichkeitsraum)
Allgemeine diskrete Wahrscheinlichkeitsräume I Allgemeine diskrete Wahrscheinlichkeitsräume II Verallgemeinerung von Laplaceschen Wahrscheinlichkeitsräumen: Diskrete Wahrscheinlichkeitsräume Ω endlich
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrAbitur 2015 Mathematik Stochastik IV
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 201 Mathematik Stochastik IV In einer Urne befinden sich vier rote und sechs blaue Kugeln. Aus dieser wird achtmal eine Kugel zufällig gezogen, die Farbe
MehrIn einem mathematischen Modell wird dies beschrieben durch einen funktionalen Zusammenhang: x = f (t).
Aktueller Überblick 0 Einführende Worte ( ) 1 Geschichtlicher Überblick ( ) 2 Zufall 3 Perfekte Sicherheit und ihre Grenzen 4 Angriffsszenarien 5 Der komplexitätstheoretische Ansatz 6 Pseudozufallsgeneratoren
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
MehrAnliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrSatz von der totalen Wahrscheinlichkeit
htw saar 1 Satz von der totalen Wahrscheinlichkeit Sei (Ω, P) ein Wahrscheinlichkeitsraum, und B 1,, B n seien paarweise disjunkte Ereignisse mit B i = Ω. Für jedes Ereignis A gilt dann: P(A) = P(A B 1
MehrVorlesung 2: Erwartungsnutzen
Vorlesung 2: Erwartungsnutzen Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 2 (FS 11) Erwartungsnutzen 1 / 28 1. Modellrahmen 1.1 Die Alternativen Wir betrachten
MehrEntscheidungs- und Spieltheorie
H. Bühlmann H. Loeffel E. Nievergelt Entscheidungs- und Spieltheorie Ein Lehrbuch für Wirtschaftswissenschaftler Mit 121 Figuren Springer-Verlag Berlin Heidelberg NewYork 1975 Inhaltsverzeichnis 1. Teil;
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 6 5 Hilfsmittel aus der Kombinatorik 7 1 Vorbemerkungen
Mehr1 Vorbemerkungen 1. 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2. 3 Wahrscheinlichkeitsaxiome 4. 4 Laplace-Experimente 6
Inhaltsverzeichnis 1 Vorbemerkungen 1 2 Zufallsexperimente - grundlegende Begriffe und Eigenschaften 2 3 Wahrscheinlichkeitsaxiome 4 4 Laplace-Experimente 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrWelche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff?
2. Übung: Wahrscheinlichkeitsrechnung Aufgabe 1 Welche Axiome sind Grundlage der axiomatischen Wahrscheinlichkeitsdefinition von Kolmogoroff? a) P ist nichtnegativ. b) P ist additiv. c) P ist multiplikativ.
Mehr2 STOCHASTISCHE GRUNDBEGRIFFE
2 STOCHASTISCHE GRUNDBEGRIFFE 2.4 Wahrscheinlichkeitsräume 1. Man vereinfache soweit wie möglich (AB A B): (a) (A B)(A B c ) (b) (A B)(B C) (c) (A B)(A c B)(A B c ) (d) (AB) (AB c ) (e) (A B)(A c B)(A
MehrDer Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }.
1 Grundlagen Entscheidungstheorie: Der Entscheidungsträger wählt aus einer Menge von Alternativen, dem Aktionenraum A = {a 1, a 2, a m }. Annahmen: Der Entscheidungsträger ist gezwungen, eine der betrachteten
MehrBerechnung von Wahrscheinlichk.
Berechnung von Wahrscheinlichk. a) Statistische (empirische) Methode - über relative Häufigkeit (s. Statistik) Exotische Anwendung : Identifikation nichtidealer Roulette-Tische in Spielcasinos b) Falls:
Mehr3. Kombinatorik und Wahrscheinlichkeit
3. Kombinatorik und Wahrscheinlichkeit Es geht hier um die Bestimmung der Kardinalität endlicher Mengen. Erinnerung: Seien A, B, A 1,..., A n endliche Mengen. Dann gilt A = B ϕ: A B bijektiv Summenregel:
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
Mehr1 Elementare Wahrscheinlichkeitstheorie
1 Elementare Wahrscheinlichkeitstheorie 1.1 Zufallsexperiment Definition 1.1. Ein Zufallsexperiment ist ein Vorgang, der im Prinzip beliebig oft unter identischen Randbedingungen wiederholt werden kann.
MehrKombinatorik & Stochastik Übung im Sommersemester 2018
Kombinatorik & Stochastik Übung im Sommersemester 2018 Kombinatorik Formeln & Begriffe Begrifflichkeiten Permutation = Anordnung in einer bestimmten Reihenfolge Kombination = Anordnung ohne bestimmte Reihenfolge
MehrStochastische Unabhängigkeit. 01. Dezember 2014
Stochastische Unabhängigkeit 0. Dezember 204 Der Begriff der Unabhängigkeit Großbritannien, im November 999. Die Anwältin Sally Clark wird wegen Mordes an ihren Kindern angeklagt. Clark geriet unter Verdacht
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine diskrete reellwertige Zufallsvariable, d.h. eine ZV e mit Wertebereich R (oder einer Teilmenge davon), sodass eine
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 18: Woche vom
Übungsaufgaben 9. Übung SS 18: Woche vom 11. 6. 15. 6. 2018 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrEntscheidungstheorie WS 06/07 Prof. Dr. Schmidt / PD Marcel Tyrell Zusammenfassende Stichpunkte
Entscheidungstheorie WS 06/07 Prof. Dr. Schmidt / PD Marcel Tyrell Zusammenfassende Stichpunkte Erwartungen über Umweltzustände (Differenzierung nach Frank H. Knight): Sicherheit Zukünftige Umweltentwicklungen
MehrStochastik für Ingenieure
Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Institut für Mathematische Stochastik Stochastik für Ingenieure (Vorlesungsmanuskript) von apl.prof. Dr. Waltraud Kahle Empfehlenswerte Bücher:
MehrNochmal: Indifferenzwahrscheinlichkeiten und Nutzenfunktion Reihung: Selbständigkeit Erfolg Geschäftsführer Vorstandsassistent Insolvenz
Nochmal: Indifferenzwahrscheinlichkeiten und Nutzenfunktion Reihung: Selbständigkeit Erfolg Geschäftsführer Vorstandsassistent Insolvenz Ref.-L.1: Selbst. Erfolg Sicher (300000) π = 1 1-π = 0 Selbständigkeit
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie (3) Überblick. Deskriptive Statistik I 2. Deskriptive
MehrMusterlösung. Abitur Mathematik Bayern G Bayern Aufgabe 1. Abitur Mathematik: Musterlösung. Stochastik II
Abitur Mathematik: Bayern 2012 Aufgabe 1 a) VIERFELDERTAFEL P(R ) = 88 % und P(V) = 18 % stehen in der Aufgabenstellung. 60 % in der Angabe stehen für die bedingte Wahrscheinlichkeit P R (V). P(R V) =
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
Mehr