Kapitel 2: Entscheidungstheorie
|
|
- Irmela Dieter
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 2: Entscheidungstheorie 2.1 Einleitung Wie schon im Modulararbeitsbuch angegeben, wollen wir im zweiten Kapitel die Problemgebiete behandeln, die sich auf folgende Situationen beziehen: 2.2 Entscheidungen bei bekannten Wahrscheinlichkeiten. 2.3 Entscheidungen bei unbekannten Wahrscheinlichkeiten. 2.4 Entscheidungsbäume. Entscheidungen bei bekannten Wahrscheinlichkeiten deuten auf eine Situation hin, in der für die Nachfrage eine Wahrscheinlichkeitsverteilung anwendbar ist. Bei diesen Situationen ist es möglich, einen Erwartungswert zu berechnen, da die Wahrscheinlichkeitsverteilung bekannt ist. Wenn aber die Wahrscheinlichkeitsverteilung der Nachfrage unbekannt ist, spricht man von Entscheidungen unter unbekannten Wahrscheinlichkeiten. Bei diesen Situationen ist es unmöglich, einen Erwartungswert zu berechnen, da die Wahrscheinlichkeitsverteilung unbekannt ist. Darum müssen hier andere Kriterien zur Entscheidungsfindung angewandt werden. Auf Grund dieses Gedankenganges ist das Thema "Entscheidungstheorie" in zwei Stücke unterteilt worden. Schließlich wird noch die Problematik des Entscheidungsbaumes besprochen. 2.2 Entscheidungen bei bekannten Wahrscheinlichkeiten. Wenn die Wahrscheinlichkeiten für bestimmte Ereignisse bekannt sind, werden meistens Entscheidungen auf Grund der Erwartungswertkriterien getroffen. Das Problem ist die richtige Bestellmenge herauszufinden. In diesen Fällen wird das Erwartungswertkriterium angewandt. Wenn jetzt aber eine große Streuung vorliegt, kann es auch nützlich sein, die Varianz in das Entscheidungswertkriterium einzuarbeiten. Wir werden uns allerdings nur auf das Kriterium des Erwartungswertes beschränken, weil das Arbeiten mit der Varianz einerseits in der Praxis nicht so oft vorkommt und andererseits dann die Grenzen dieses Moduls überschritten würden. Dies bedeutet, daß eine ganze Reihe von Alternativen und deren Gewinne betrachtet werden müssen. Macht man dies und vergleicht die entstandenen Erwartungswerte, so kann man die optimale Entscheidung treffen. Beispiel 1. Jedes Jahr können die Studenten, die ihr Studium abschließen, bei S. Plaats eine silberne Gedenkmünze bestellen. S. Plaats kann die Gedenkmünzen für 25,- pro Stück einkaufen, wobei nur Bestellungen akzeptiert werden, die durch 10 Stück teilbar sind. S. Plaats rechnet mit einer minimalen Nachfrage von 10 Stück und einer maximalen Nachfrage von 40 Stück. S. Plaats verkauft die Gedenkmünze für 95,- an die Studenten, wobei auch er nur Mengen akzeptiert, die durch 10 teilbar sind. Die Frage ist jetzt, wieviel Gedenkmünzen S. Plaats auf der Basis des Erwartungswertkriteriums bestellen soll. Um diese Frage zu beantworten, muß man wissen, wie die Wahrscheinlichkeitsverteilung aussieht. Die Nachfragemenge kann 10, 20, 30 oder 40 Stück sein. In den vergangenen 20 Jahren gab es folgende Nachfragemengen: 4 mal 10 Gedenkmünzen, 6 mal 20
2 Gedenkmünzen, 8 mal 30 Gedenkmünzen und 2 mal 40 Gedenkmünzen. Die daraus resultierenden Wahrscheinlichkeiten sind 20%, 30%, 40% und 10%. S. Plaats macht pro Gedenkmünze 70,- (95-25) Gewinn. Aus diesen Informationen kann eine Matrix erstellt werden, wobei für jede Einkaufsentscheidung und für jede Verkaufsmöglichkeit der Gewinn errechnet werden kann. Diese Matrix heißt Pay-off-Matrix. In jeder Zelle dieser Matrix wird der dazugehörige Gewinn notiert. z.b. kann der Wert ,- beim Einkauf 30 und beim Verkauf 20 folgendermaßen errechnet werden: Verkauf 20 * 95= 1900 Einkauf 30 * 25= 750 Gewinn 1150 Für jede Einkaufsentscheidung kann man folgendermaßen den Erwartungswert errechnen: z. B. den Erwartungswert bei einer Einkaufsentscheidung von 30 Gedenkmünzen. E(Gewinn Einkauf 30) = 0,20* ,30* ,40* ,10*2100 = 1435,- Wahrscheinlichkeit 0,20 0,30 0,40 0,10 Verkauf 10 Verkauf 20 Verkauf 30 Verkauf 40 E(Gewinn) Einkauf , , , ,- 700,- Einkauf , , , ,- 1210,- Einkauf , , , ,- 1435,- Einkauf 40-50, , , ,- 1280,- Den zu erwartenden maximalen Gewinn macht S. Plaats, wenn er sich dazu entschließt, 30 Gedenkmünzen einzukaufen. In Beispiel 1 war der maximal erwartete Gewinn 1435,-. Darum hat man die Entscheidung getroffen 30 Stück einzukaufen. Man mußte dabei sowohl beachten, daß mit einer Wahrscheinlichkeit von 20% ein Gewinn von 200,- gegeben war, daß mit einer Wahrscheinlichkeit von 30% ein Gewinn von 1150,- gegeben war und daß mit einer Wahrscheinlichkeit von 50%(=40%+10%) ein Gewinn von 2100,- gegeben war. Jemand, der noch vorsichtiger mit seinen Entscheidungen ist, wird die Alternativen wohl noch genauer betrachten, bevor er die 30 Stück bestellt. Allerdings wird bei einer Bestellung von 30 Stück ein maximaler Gewinn von 1435,- erwartet. Ein optimistischer Wirtschaftler wird sich dazu entschließen 40 Stück zu kaufen, da der maximale Gewinn hier 2800,- ist. Die Wahrscheinlichkeit, daß er wirklich diesen Gewinn macht ist aber nur 10%. Wenn aber solche Gedankengänge zur Entscheidungsfindung führen, werden Entscheidungen nicht mehr auf der Basis der Erwartungswerte, die zu gewissen Umständen gehören, getroffen. Die Haltung des Entscheidenden wird im Hinblick auf seine Unsicherheit beeinflußt (Siehe 2.3). Übrigens ist es nicht immer von Vorteil, seine Entscheidungen aufgrund von Erwartungswerten zu treffen. Der Erwartungswert ist nämlich nur ein Durchschnittswert, der daraus resultiert, daß sich eine Entscheidung mehrmals wiederholt. Man kann jetzt wieder Beispiel 1 hinzuziehen und jede Woche 30 Stück kaufen, so daß der durchschnittliche Gewinn 1435,- beträgt. Wenn es sich aber um eine einmalige Entscheidung handelt, kann man seine Entscheidung nicht auf der Basis des Erwartungswertes treffen. In manchen Situationen ist es ratsam, eine weiterführende Untersuchung (Marktforschung) im Hinblick auf die Nachfrage durchzuführen. Wenn man nämlich die Möglichkeit hätte, durch eine Marktforschung die genaue Nachfrage vorhergesagt zu bekommen, müßte man sich
3 überlegen, wieviel man für eine solche Marktforschung ausgeben sollte. Für Beispiel 1 läßt sich der Betrag folgendermaßen berechnen: Wenn das Ergebnis der Marktforschung einen Verkauf von 10 Gedenkmünzen ergibt, dann ist die optimale Entscheidung 10 Stück einzukaufen, weil dies den größtmöglichen Gewinn von 700,- einbringt. Die Wahrscheinlichkeit, daß diese Situation eintritt, beträgt 0,20. Wenn das Ergebnis der Marktforschung einen Verkauf von 20 Gedenkmünzen ergibt, dann ist die optimale Entscheidung 20 Stück einzukaufen, weil dies den größtmöglichen Gewinn von 1400,- einbringt. Die Wahrscheinlichkeit, daß diese Situation eintritt beträgt 0,30. Wenn das Ergebnis der Marktforschung einen Verkauf von 30 Gedenkmünzen ergibt, dann ist die optimale Entscheidung 30 Stück einzukaufen, weil dies den größtmöglichen Gewinn von 2100,- einbringt. Die Wahrscheinlichkeit, daß diese Situation eintritt, beträgt 0,40. Wenn das Ergebnis der Marktforschung einen Verkauf von 40 Gedenkmünzen ergibt, dann ist die optimale Entscheidung 40 Stück einzukaufen, weil dies den größtmöglichen Gewinn von 2800,- einbringt. Die Wahrscheinlichkeit, daß diese Situation eintritt beträgt 0,10. Mit diesen Informationen kann man nun den zu erwartenden Gewinn berechnen, den man mit einer vorausgegangenen Marktforschung erzielen könnte. E(Gewinn Marktforschung) = 0,20* ,30* ,40* ,10*2800 = 1680,-. Ohne die Markforschung beträgt der maximale Gewinn 1435,-. Man kann also berechnen, daß man maximal = 245,- für die Marktforschung ausgeben kann. Diese 245,- sind die absolute Obergrenze. 2.3 Entscheidungen unter unbekannten Wahrscheinlichkeiten. Wenn die Wahrscheinlichkeitsverteilung der Nachfrage unbekannt ist, gibt es verschiedene Möglichkeiten doch noch zu einer Entscheidung zu kommen. Wir werden hierfür einige Regeln betrachten: Laplace-Regel Maximin-Regel Maximax-Regel Pessimismus-Optimismus-Regel Savage-Regel Laplace-Regel Da angesichts der Unsicherheit die Eintrittswahrscheinlichkeiten unbekannt sind, wird einfach unterstellt, daß alle Ereignisse die gleiche Wahrscheinlichkeit haben. Es wird also das Erwartungswertkriterium angewandt. Beispiel 2 Wir nehmen wieder Beispiel 1 als Grundlage, nur mit dem Unterschied, daß die Wahrscheinlichkeit des Absatzes unbekannt ist. Die Pay-off-Matrix können wir einfach übernehmen. Jetzt wird der Erwartungswert auf der Basis der gleichen Wahrscheinlichkeiten berechnet. Es gibt hier 4 verschiedene Situationen, die eintreten könnten Verkauf 10, Verkauf 20, Verkauf 30 und Verkauf 40. Also beträgt jede Wahrscheinlichkeit 1 = 0, 25. Somit kann der Erwartungswert folgendermaßen berechnet werden: z. B. der Erwartungswert bei einer Einkaufsentscheidung von 30 Gedenkmünzen. E(Gewinn Einkauf 30) = 0,25* ,25* ,25* ,25*2100 4
4 = 0,25*( ) = 1387,50 Wahrscheinlichkeit 0,25 0,25 0,25 0,25 Verkauf 10 Verkauf 20 Verkauf 30 Verkauf 40 E(Gewinn) Einkauf , , , ,- 700,- Einkauf , , , ,- 1162,50 Einkauf , , , ,- 1387,50 Einkauf 40-50, , , ,- 1375,- Der höchste Wert ist 1387,50. Also wird man sich dazu entschließen, 30 Gedenkmünzen zu kaufen. Wenn es um Kosten geht, nimmt man natürlich den kleinsten Wert Maximin-Regel (Gewinn) und Minimax-Regel (Kosten). Dies ist das Kriterium des wahren Pessimisten. Er betrachtet nur die Nachteile einer Entscheidung. Zur Entscheidungsfindung vergleicht man alle größtmöglichen Nachteile, die eine Entscheidung mit sich bringen kann und nimmt davon den Günstigsten. Man kann also sagen, daß man die Entscheidung trifft, die beim schlechtesten Fall die besten Resultate bringt. Beispiel 2 Wir nehmen wieder Beispiel 1 als Grundlage, nur mit dem Unterschied, daß die Wahrscheinlichkeit des Absatzes unbekannt ist. Die Pay-off-Matrix können wir einfach übernehmen. Es handelt sich um Gewinn, also die Maximin-Regel. Von jeder Entscheidungsmöglichkeit nehmen wir jetzt den schlechtesten Fall. z.b. wenn S. Plaats sich entscheidet, 30 Gedenkmünzen einzukaufen, dann wird er im schlechtesten Fall einen Gewinn in Höhe von 200,- machen. Verkauf 10 Verkauf 20 Verkauf 30 Verkauf 40 Minimaler Gewinn Einkauf , , , ,- 700,- Einkauf , , , ,- 450,- Einkauf , , , ,- 200,- Einkauf 40-50, , , ,- - 50,- Von diesem minimalen Gewinn nimmt er dann den maximalen Wert. Das sind die 700,-. Er wird sich entscheiden, 10 Gedenkmünzen einzukaufen. Wenn es sich um Kosten handelt, nimmt man die Minimax-Regel. Von jeder Entscheidungsmöglichkeit nimmt man jetzt den schlechtesten Fall. Bei Kosten ist daß pro Entscheidungsmöglichkeit der höchste Wert! Von diesen maximalen Werten nimmt man dann den minimalen Wert Maximax-Regel (Gewinn) und Minimin-Regel (Kosten). Anders als bei der Maximin-Regel ist die Maximax-Regel eine eher optimistische Betrachtungsweise. Die Maximax-Regel besagt nichts anderes, als daß man bei jeder Entscheidungsmöglichkeit den maximalen Ertrag bestimmen sollte und dann den größten Ertrag wählt.
5 Beispiel 3 Wir nehmen wieder Beispiel 1 als Grundlage, nur mit dem Unterschied, daß die Wahrscheinlichkeit des Absatzes unbekannt ist. Die Pay-off-Matrix können wir einfach übernehmen. Es handelt sich um Gewinn, also die Maximax-Regel. Von jeder Entscheidungsmöglichkeit nehmen wir jetzt den günstigsten Fall. z.b. wenn S. Plaats sich entscheidet, 30 Gedenkmünzen einzukaufen, dann wird er im günstigsten Fall einen Gewinn in Höhe von 2100,- machen. Verkauf 10 Verkauf 20 Verkauf 30 Verkauf 40 Maximaler Gewinn Einkauf , , , ,- 700,- Einkauf , , , ,- 1400,- Einkauf , , , ,- 2100,- Einkauf 40-50, , , ,- 2800,- Von diesem maximalen Gewinn nimmt er dann den maximalen Wert, das sind die 2800,-. Er wird sich entscheiden, 40 Gedenkmünzen einzukaufen. Wenn es sich um Kosten handelt, nimmt man die Minimin-Regel. Von jeder Entscheidungsmöglichkeit nimmt man jetzt den günstigsten Fall. Bei Kosten ist das pro Entscheidungsmöglichkeit der niedrigste Wert! Von diesen minimalen Werten nimmt man dann den minimalsten Wert Pessimismus-Optimismus-Regel In den meisten Fällen wird eine Entscheidung (bei Gewinn) nicht rein pessimistisch (Maximin) oder rein optimistisch (Maximax) sein. Diese Regel stellt darum einen Zwischenweg dar. Bei jeder Entscheidungsalternative wird der minimalste und der maximalste Ertrag bestimmt. Von diesen beiden Werten wird nun ein gewichteter Durchschnitt berechnet. Der kleinstmögliche Wert wird mit dem Faktor 1-á und der größtmögliche Wert mit á gewichtet, wobei gilt: 0<á<1. Wenn es um Gewinn geht wird die Alternative gewählt, bei der der berechnete Wert am größten ist. Beispiel 4 Minimaler und maximaler Gewinn siehe Beispiel 2 und 3. Wir sind ziemlich optimistisch und wählen á=0,8. 1-á=0,2 á=0,8 Minimaler Gewinn Maximaler Gewinn (1-á)*Min + á*max Einkauf ,- 700,- 700,- Einkauf ,- 1400,- 1210,- Einkauf ,- 2100,- 1720,- Einkauf 40-50,- 2800,- 2230,- Also 40 Gedenkmünzen einkaufen Savage-Regel Das Entscheidungskriterium von Savage könnte man als die Minimalisierung des maximal erreichbaren Pechs bezeichnen. Wir führen den Begriff "Bedauern" ein, der den Unterschied zwischen dem realisierten Gewinn (Kosten) und dem maximalen Gewinn (die minimalen Kosten) darstellt, den man unter gegebenen Umständen hätte realisieren können. Auf diese
6 Art und Weise kann man eine "Bedauern-Matrix" erstellen. Bei dieser "Bedauern-Matrix" wird dann die Minimax-Regel angewandt. Beispiel 5 Wir nehmen wieder Beispiel 1 als Grundlage, nur mit dem Unterschied, daß die Wahrscheinlichkeit des Absatzes unbekannt ist. Die Pay-off-Matrix können wir einfach übernehmen. Es handelt sich um Gewinn. Von jeder Entscheidungsmöglichkeit nehmen wir jetzt den schlechtesten Fall. z.b. wenn S. Plaats sich entscheidet, 30 Gedenkmünzen einzukaufen, dann wird er im schlechtesten Fall einen Gewinn in Höhe von 200,- machen. Verkauf 10 Verkauf 20 Verkauf 30 Verkauf 40 Einkauf , , , ,- Einkauf , , , ,- Einkauf , , , ,- Einkauf 40-50, , , ,- Erläuterung: Man hat 20 Stück eingekauft und hinterher festgestellt sich, daß nur 10 Stück verkauft werden können. Man macht dann einen Gewinn von 450,-. Man hätte aber einen Gewinn von 700,- machen können, wenn man 10 Stück eingekauft hätte. Hinterher bedauert man, daß man 20 Stück eingekauft hat, denn man hätte 250,- mehr Gewinn machen können. Man bedauert also die Entscheidung, daß man 20 Stück eingekauft hat um 250,-. Man hat 30 Stück eingekauft und hinterher festgestellt, daß nur 10 Stück verkauft wurden. Man macht dann einen Gewinn von 200,-. Man hätte aber einen Gewinn von 700,- machen können, wenn man 10 Stück eingekauft hätte. Hinterher bedauert man, daß man 30 Stück eingekauft hat, denn man hätte 500,- mehr Gewinn machen können. Man bedauert also die Entscheidung, daß man 30 Stück eingekauft hat um 500,-. Man hat 40 Stück eingekauft und hinterher festgestellt, daß nur 10 Stück verkauft wurden. Man macht dann einen "Gewinn" von - 50,-. Man hätte aber einen Gewinn von 700,- machen können, wenn man 10 Stück eingekauft hätte. Hinterher bedauert man, daß man 40 Stück eingekauft hat, denn man hätte 750,- mehr Gewinn machen können. Man bedauert also die Entscheidung, daß man 40 Stück eingekauft hat um 750,-. Man hat 10 Stück eingekauft und hinterher festgestellt, daß nur 10 Stück verkauft wurden. Man hat die richtige Entscheidung getroffen, denn zu dieser Entscheidung gehört der maximale Gewinn. Man bedauert also die Entscheidung, daß man 10 Stück eingekauft hat um 0,- Genau das gleiche macht man, wenn sich hinterher ergibt, daß der Verkauf 20, der Verkauf 30 und der Verkauf 40 ist. Das "Bedauern" kann also errechnet werden, indem man von jeder Verkaufsmöglichkeit das Maximum nimmt (Maximum Verkauf 10: 700,-; 450,-; 200,-; - 50,- ist 700,-) und dann für jede Entscheidungsmöglichkeit die Differenz zu diesem Maximum (hier 700,-) bestimmt (hier: 0,-; 250,-; 500,-; 750,-) Bedauern-Matrix: Verkauf 10 Verkauf 20 Verkauf 30 Verkauf 40 Maximum Einkauf 10 0,- 700,- 1400,- 2100,- 2100,- Einkauf ,- 0,- 700,- 1400,- 1400,- Einkauf ,- 250,- 0,- 700,- 700,- Einkauf ,- 500,- 250,- 0,- 750,-
7 Zuletzt wird dann die Minimax-Regel angewandt: Man wählt das Minimum von die maximalen Werten ( 2100,-; 1400,-; 700,-; 750,-). Das ergibt 700,-, so daß man sich dazu entschließt, 30 Stück zu kaufen. 2.4 Entscheidungsbaum Um mehrstufige Entscheidungsprobleme übersichtlich darstellen zu können, bedient man sich der Darstellung durch den sogenannten Entscheidungsbaum. Hierbei handelt es sich um mehrere Entscheidungsmomente, die sowohl aufeinander folgen, als auch voneinander abhängig sind. Bei der graphischen Darstellung benutzt man zwei Symbole: Ein Viereck für eine Entscheidungssituation und einen Kreis für eine Wahrscheinlichkeitssituation. Das Viereck deutet darauf hin, daß man eine Entscheidung aus möglichen Alternativen treffen muß. Der Kreis deutet auf die Anzahl der Möglichkeiten hin, die sich ereignen können, wobei die Wahrscheinlichkeiten der Ereignisse eine Rolle spielen. Beispiel 6 Es wird ein Motel namens "Schnarch" gebaut. Es besteht die Möglichkeit, einen eigenen Brunnen zu bohren oder das Motel an das öffentliche Wassernetz anzuschließen. Die Kosten für das Bohren sind abhängig von der Bodenstruktur vor Ort. Es gibt 3 verschiedene Bodenstrukturen. Ein Unternehmen "Maulwurf" bietet seinen Dienst an. Sie versuchen herauszufinden, was günstiger ist (Bohren oder Wassernetz). Um diese Situation im Entscheidungsbaum einzeichnen zu können, müssen zuerst die Entscheidungsalternativen festgelegt werden. Es kann aus folgenden Alternativen gewählt werden: Das würde graphisch folgendermaßen aussehen: A1: selbst bohren A2: Wassernetz A3: Untersuchung A Wassernetz Untersuchung Würde man Alternative 1 wählen, dann wären die Kosten abhängig von der Bodenstruktur. Da es für die Bodenstruktur 3 verschiedene Möglichkeiten gibt, nennen wir diese G1, G2 und G3. Da diese tatsächlichen Bodenstrukturen dem Zufall überlassen sind, benutzt man bei der graphischen Darstellung den Kreis. Bodenstruktur G1 1 Bodenstruktur G2 Bodenstruktur G3
8 Bei der Alternative 2 folgt kein Wahrscheinlichkeitsmoment, da die Kosten für den Anschluß an das Wasserversorgungsnetz feststehen. Auch folgt kein Entscheidungsmoment mehr, da beim Anschluß keine weiteren Entscheidungen mehr nötig sind. Bei der Alternative 3 folgt natürlich wieder ein Punkt mit mehreren Wahrscheinlichkeiten, da das Ergebnis der Untersuchung positiv oder negativ sein kann. Positiv Untersuchung 2 Negativ Nach dem Ergebnis des Gutachtens, kann man wieder zwischen 2 Entscheidungsalternativen wählen : A1: selbst bohren A2: Wassernetz Dies würde bei einem positiven Befund folgendermaßen aussehen: Positiv B Wassernetz Das gleiche Bild würde sich ergeben, wenn der Befund negativ wäre. Wenn man davon ausgeht, daß nach A1 wieder die Ereignisse G1, G2, G3 folgen, ergibt sich folgendes Bild: Bodenstruktur G1 1 Bodenstruktur G2 Bodenstruktur G3 Wassernetz A Bodenstruktur G1
9 In diesem Entscheidungsbaum sind Entscheidungssituationen und Wahrscheinlichkeitssituationen unterschiedlich numeriert. Wenn alle Wahrscheinlichkeiten bei den Wahrscheinlichkeitssituationen und die Kosten pro Zweig bekannt sind, kann man anfangen, das Optimum zu berechnen. Hierbei muß aber gelten, daß die Summe aller Wahrscheinlichkeiten bei einer Wahrscheinlichkeitssituation gleich 1 ist, da immer ein Ereignis daraus hervorgeht. Zur Veranschaulichung nehmen wir an, daß die Wahrscheinlichkeit, die aus einem positivem Untersuchungsergebnis hervorgeht 50% ist. P(G1)=0,30 P(G2)=0,30 P(G3)=0,40 P(G1 Positiv)=0,48 P(G2 Positiv)=0,36 P(G3 Positiv)=0,16 P(G1 Negativ)=0,12 P(G2 Negativ)=0,24 P(G3 Negativ)=0,64 Die Kosten zum Anschluß an das Wassernetz betragen ,- und die Kosten der Bohrungen betragen bei: G1: ,- G2: ,- G3: ,- Jetzt kann die optimale Entscheidung getroffen werden. Dies geschieht, indem man an Hand der Zweige den Baum von rechts nach links durchrechnet und darauf achtet, daß man bei Entscheidungssituationen die Alternative mit dem kleinsten Wert wählt.
10 Bodenstruktur G1; p=0,3; ,- 1 Bodenstruktur G2; p=0,3; ,- Bodenstruktur G3; p=0,4; ,- Wassernetz; ,- A Bodenstruktur G1; p=0,48; ,- 3 Bodenstruktur G2; p=0,36; ,- Untersuchung; 100,- B Bodenstruktur G3; p=0,16; ,- Positiv; p=0,5 Wassernetz; ,- 2 Bodenstruktur G1; p=0,12; ,- Negativ; p=0,5 4 Bodenstruktur G2; p=0,24; ,- C Bodenstruktur G3; p=0,64; ,- Wassernetz; ,- Außerdem ist bei A3 angegeben, daß die Untersuchungskosten 100,- betragen. Die Rechnung sieht dann also folgendermaßen aus: Wahrscheinlichkeitspunkt 1: Erwartete Kosten = 0,30 * ,- + 0,30 * ,- + 0,40 * ,- = ,- Wahrscheinlichkeitspunkt 3: Erwartete Kosten = 0,48 * ,- + 0,36 * ,- + 0,16 * ,- = ,- Wahrscheinlichkeitspunkt 4: Erwartete Kosten = 0,12 * ,- + 0,24 * ,- + 0,64 * ,- = ,- Entscheidungspunkt B: Wähle Minimum von ,- () und (Wassernetz), also wähle selbst bohren ,-. Entscheidungspunkt C: Wähle Minimum von ,- () und (Wassernetz), also wähle Wassernetz ,-. Wahrscheinlichkeitspunkt 2: Erwartete Kosten = 0,50 * ,- + 0,50 * ,- = ,-
11 Entscheidungspunkt A: Wahl des Minimums von ,- (), (Wassernetz) und ,- (10.840, ,-) (Untersuchung), also wählt man die Untersuchung ,-. Entscheidungen: Man entscheidet sich für eine Untersuchung. * Wenn das Gutachten positiv ausfällt, wählt man selbst bohren. * Wenn das Gutachten negativ ausfällt, wählt man das Wassernetz.
Stochastik - Kapitel 2
" k " h(a) n = bezeichnet man als die relative Häufigkeit des Ereignisses A bei n Versuchen. n (Anmerkung: für das kleine h wird in der Literatur häufig auch ein r verwendet) k nennt man die absolute Häufigkeit
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
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
MehrDie ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrEntscheidungsanalyse
Entscheidungsanalyse Klaus Rheinberger, Thomas Steinberger FH Vorarlberg, WINGB, 2016/17 1 Entscheidungsanalyse Strategien, Szenarien und Risiko 1.1 Entscheidungsbaum 1. Festlegung der Zielgröße: Was soll
MehrBasiswissen Daten und Zufall Seite 1 von 8 1 Zufallsexperiment Ein Zufallsexperiment ist ein Versuchsaufbau mit zufälligem Ausgang, d. h. das Ergebnis kann nicht vorhergesagt werden. 2 Ergebnis (auch Ausgang)
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 12.02.2010 Fakultät für Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrBerechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com September 016
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
R. Brinkmann http://brinkmann-du.de Seite 08..2009 Von der relativen Häufigkeit zur Wahrscheinlichkeit Es werden 20 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 20 Schülern
MehrZiegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem
Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Wahrscheinlichkeitsrechnung Theorie Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem,
MehrFür die Wahrscheinlichkeit P A (B) des Eintretens von B unter der Bedingung, dass das Ereignis A eingetreten ist, ist dann gegeben durch P(A B) P(A)
3. Bedingte Wahrscheinlichkeit ================================================================== 3.1 Vierfeldertafel und Baumdiagramm Sind A und B zwei Ereignisse, dann nennt man das Schema B B A A P
MehrÜbungsblatt 4. t = 1 t = 2 t = 3 t = 4 Zahlungen Projekt A e. Sie stellt einen Spezialfall der Kapitalwertmethode dar.
Aufgaben Kapitel 4: Investitionsrechnung (Grundlagen, Kapitalwertmethode, Annuitätenmethode) 1. Zu den statischen Investitionsrechenverfahren gehören a. der statische Renditevergleich b. die Rentabilitätsrechnung
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrΘ Mathematik Stochastik
Θ Mathematik Stochastik Aufgabe 1: Als Spam-Nachricht wird eine unerwünschte E-Mail bezeichnet, die dem Empfänger unverlangt zugestellt wird. a) Statistische Untersuchungen an der Mailbox eines Benutzers
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrNeue Institutionenökonomik, Aufgabe 18 Seite 1
Neue Institutionenökonomik, Aufgabe 18 Seite 1 Allgemeine Informationen zum Principal-Agent-Modell Es geht hier nun um die Vertragsausgestaltung zwischen dem Eigentümer (Prinzipal) einer Firma und dem
MehrPfadregel. 400 Kugeln durchlaufen die möglichen Pfade. Das Diagramm zeigt das Ergebnis am Ende der Versuchsdurchführung.
Würfelsimulation 1) Bezeichnen Sie in den Säulendiagrammen (Histogrammen - 2. Graphik) die senkrechten Achsen und vervollständigen Sie im ersten Diagramm die Achseneinteilung. Lesen Sie im Histogramm für
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
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrPraktische Übung zur Marktpreisbildung: Klassenraumexperiment Der Apfelmarkt
lohner - Fotolia.com Wettbewerbsaufsicht in Deutschland Praktische Übung zur Marktpreisbildung: Klassenraumexperiment Der Apfelmarkt In folgendem Klassenraumexperiment sollen Verkäufer und Käufer Preise
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr2.2 Ereignisse und deren Wahrscheinlichkeit
2.2 Ereignisse und deren Wahrscheinlichkeit Literatur: [Papula Bd., Kap. II.2 und II.], [Benning, Kap. ], [Bronstein et al., Kap. 1.2.1] Def 1 [Benning] Ein Zufallsexperiment ist ein beliebig oft wiederholbarer,
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrKapitel 2. Lösung 2.2
Kapitel 2: Die Strukturierung des Entscheidungsproblems 1 Kapitel 2 Aufgabe 2.1 Sie möchten Ihrer Schwester etwas zum Geburtstag schenken. Auf der Suche nach etwas Passendem finden Sie bei einem Schaufensterbummel
MehrGrundzüge der Spieltheorie
Grundzüge der Spieltheorie Prof. Dr. Stefan Winter Ruhr-Universität Bochum Begleitmaterialien zur Vorlesung sind abrufbar unter: http://www.rub.de/spieltheorie 1 Die folgende Vorlesungsaufzeichnung und
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
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
MehrComputersimulation des Qualitätstests
.1 Computersimulation des Qualitätstests In diesem Kapitel erreichen wir ein erstes entscheidendes Ziel: Wir ermitteln näherungsweise die Wahrscheinlichkeiten und für die Fehler 1. und. Art und zwar ohne
MehrZusammenfassung Stochastik
Zusammenfassung Stochastik Die relative Häufigkeit Ein Experiment, dessen Ausgang nicht vorhersagbar ist, heißt Zufallsexperiment (ZE). Ein Würfel wird 40-mal geworfen, mit folgendem Ergebnis Augenzahl
MehrA 8: Preisbildung auf freien Märkten (1)
A 8 Preisbildung auf freien Märkten (1) Eine Marktfrau bietet auf dem Wochenmarkt Eier an. Angebot und Nachfrage werden lediglich über den Preismechanismus des freien Marktes gesteuert. Über die Verhaltensweise
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrFaktorisierung bei Brüchen und Bruchtermen
Faktorisierung bei Brüchen und Bruchtermen Rainer Hauser Mai 2016 1 Einleitung 1.1 Rationale Zahlen Teilt man einen Gegenstand in eine Anzahl gleich grosse Stücke, so bekommt man gebrochene Zahlen, die
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.
MehrWahrscheinlichkeiten
Wahrscheinlichkeiten Bestimmung der Wahrscheinlichkeit Bei einem Zufallsexperiment kann man nicht voraussagen, welches Ereignis eintritt, aber manche Ereignisse treten naturgemäß mit einer größeren Wahrscheinlichkeit
Mehr2.3 Potenzen (Thema aus dem Bereichen Algebra)
. Potenzen Thema aus dem Bereichen Algebr Inhaltsverzeichnis 1 Repetition: Potenzen mit natürlichen Exponenten Potenzen mit ganzzahligen Exponenten 4 Potenzen mit rationalen Exponenten 8 1 Potenzen 19.11.007
MehrFachbuchreihe für Studium Fortbildung Praxis. Rehkugler/Schindel. Entscheidungstheorie. Erklärung und Gestaltung betrieblicher Entscheidungen
Fachbuchreihe für Studium Fortbildung Praxis Rehkugler/Schindel Erklärung und Gestaltung betrieblicher Entscheidungen 3. Auflage, München 1986 53 INHALT Seite EINFÜHRUNG 11 1. Was ist? 11 2. Wege entscheidungstheoretischer
MehrPrüfungsklausur Mathematik I für Wirtschaftsingenieure am 20.02.2015
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Mathematik I für Wirtschaftsingenieure am 20.02.205 B Name, Vorname Matr. Nr. Sem. gr. Aufgabe 2 4 5 6 7 8 gesamt erreichbare P.
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrKinga Szűcs
Kinga Szűcs 28.10.2014 Warum wird Stochastik in der Schule unterrichtet? Welche Vorteile kann der Stochastikunterricht in den MU bringen? Welche Nachteile kann der Stochastikunterricht haben? Welche Ziele
MehrKlausur zur Vorlesung Spieltheorie Musterlösung
Prof. Dr. Ulrich Schwalbe Sommersemester 2001 Klausur zur Vorlesung Spieltheorie Musterlösung Die Klausur besteht aus vier Vorfragen, von denen drei zu beantworten sind sowie drei Hauptfragen, von denen
MehrStatistik Einführung // Wahrscheinlichkeitstheorie 3 p.2/58
Statistik Einführung Wahrscheinlichkeitstheorie Kapitel 3 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Wahrscheinlichkeitstheorie
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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
MehrKapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen
Kapitel VII Punkt- und Intervallschätzung bei Bernoulli-Versuchen Einführungsbeispiel: Jemand wirft einen korrekten Würfel 60 mal. Wie oft etwa wird er die 6 würfeln? Klar: etwa 10 mal, es kann aber auch
MehrZufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
MehrVorlesung Spieltheorie, A. Diekmann. Übungen 1-3
Vorlesung Spieltheorie, A. Diekmann Übungen 1-3 Abgabetermin bis: Freitag, 15. April 2016 Jedes einzelne Übungsblatt enthält 2 bis 3 Aufgaben. Jede Aufgabe gibt bei korrekter Lösung einen Punkt. Bei der
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrStochastik: Erwartungswert Stochastik Erwartungswert einer Zufallsvariablen Gymnasium ab Klasse 10 Alexander Schwarz
Stochastik Erwartungswert einer Zufallsvariablen Gymnasium ab Klasse 0 Alexander Schwarz www.mathe-aufgaben.com November 20 Aufgabe : Ein Glücksrad besteht aus Feldern, die folgendermaßen beschriftet sind:.feld:
MehrUE Statistik 1, SS 2015, letztes Update am 5. März Übungsbeispiele
UE Statistik, SS 05, letztes Update am 5. März 05 Übungsbeispiele Beispiele mit Musterlösungen finden Sie auch in dem Buch Brannath, W., Futschik, A., Krall, C., (00) Statistik im Studium der Wirtschaftswissenschaften..
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrÜberblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus
Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Einleitung Ein Online-Algorithmus muss Ausgaben berechnen, ohne zukünftige Eingaben zu kennen. Für die Bewertung von
MehrÜberblick. Überblick. Bayessche Entscheidungsregel. A-posteriori-Wahrscheinlichkeit (Beispiel) Wiederholung: Bayes-Klassifikator
Überblick Grundlagen Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrStatische Spiele mit vollständiger Information
Statische Spiele mit vollständiger Information Wir beginnen nun mit dem Aufbau unseres spieltheoretischen Methodenbaukastens, indem wir uns zunächst die einfachsten Spiele ansehen. In diesen Spielen handeln
Mehr3. Betriebswirtschaftliche Entscheidungslehre 3.1 Einleitung
3.1 Einleitung Auf Basis von Zielvorstellungen sollen die Konsequenzen von Handlungsalternativen ermittelt werden deskriptive Entscheidungstheorie: beschreibt, wie in der Realität Entscheidungen in konkreten
MehrWebinar Induktive Statistik. - Wahrscheinlichkeitsrechnung - Stichprobentheorie
Webinar Induktive Statistik - Wahrscheinlichkeitsrechnung - Stichprobentheorie Wahrscheinlichkeitstheorie Aufgabe : Zwei Lieferanten decken den Bedarf eines PKW-Herstellers von 00.000 Einheiten pro Monat.
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
Mehr2.6 Potenzen (Thema aus dem Bereichen Algebra)
2.6 Potenzen Thema aus dem Bereichen Algebra) Inhaltsverzeichnis 1 Einführung in den Begriff der Potenz 2 2 Repetition: Potenzen mit natürlichen Exponenten 2 Potenzen mit ganzzahligen Exponenten 4 4 Potenzen
MehrEntscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen
Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen Referat von Guido RECKE Institut für Agrarökonomie der Georg-August-Universität Göttingen Platz der Göttinger Sieben
MehrUnterrichtsplanung zur Einführung des Binomialkoeffizienten und der Binomialverteilung
Unterrichtsplanung zur Einführung des Binomialkoeffizienten und der Binomialverteilung Einleitung: Im Folgenden soll ein Unterrichtskonzept zur Einführung der Begriffe Binomialkoeffizient und Binomialverteilung
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrStation 1 Das Galtonbrett, Realmodelle
Station 1 Das Galtonbrett, Realmodelle Zeit zur Bearbeitung: 10 Minuten 1.1 Versuch:. Münzwurf mit dem Galtonbrett Betrachtet wird folgendes Zufallsexperiment: Fünf identische Münzen werden zehn-mal geworfen.
MehrWürfel-Aufgabe Bayern LK 2006
Würfel-Aufgabe Bayern LK 2006 Die Firma VEGAS hat ein neues Gesellschaftsspiel entwickelt, bei dem neben Laplace-Würfeln auch spezielle Vegas-Würfel verwendet werden, die sich äußerlich von den Laplace-Würfeln
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
MehrKOSTEN- UND PREISTHEORIE
KOSTEN- UND PREISTHEORIE Fikosten, variable Kosten und Grenzkosten Jedes Unternehmen hat einerseits Fikosten (Kf, sind immer gleich und hängen nicht von der Anzahl der produzierten Waren ab, z.b. Miete,
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrPeriode nicht (R, R) spielen. (40 Punkte)... (26 Punkte) (23 Punkte) 16a: (R; L) 16b: (L; R) 16d: (R; L, L) 16e: (L; R, L)
Version Aufgabe: In einem Markt sei die inverse Nachfragefunktion P = 60 Q. Die Kostenfunktion eines Monopolisten in diesem Markt ist C = 4Q. Bei welcher der folgenden Mengen erziehlt der Monopolist den
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
MehrElemente der Stochastik (SoSe 2016) 10. Übungsblatt
Dr. M. Weimar 3.06.206 Elemente der Stochastik (SoSe 206) 0. Übungsblatt Aufgabe (2+2+2+2+3= Punkte) Zur zweimaligen Drehung des nebenstehenden Glücksrads (mit angenommener Gleichverteilung bei jeder Drehung)
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrKinga Szűcs
Kinga Szűcs 25.10.2011 Die Schülerinnen und Schüler werten graphische Darstellungen und Tabellen von statistischen Erhebungen aus, planen statistische Erhebungen, sammeln systematisch Daten, erfassen sie
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Binomialverteilung und Bernoulli- Experiment
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Binomialverteilung und Bernoulli- Experiment Das komplette Material finden Sie hier: Download bei School-Scout.de TOSSNET Der persönliche
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrD Spieltheorie und oligopolistische Märkte
D Spieltheorie und oligopolistische Märkte Verhaltensannahmen in der Markttheorie, die bisher analysiert wurden Konkurrenz: viele sehr kleine Wirtschaftssubjekte, die für sich genommen keinen Einfluss
Mehr8. Statistik Beispiel Noten. Informationsbestände analysieren Statistik
Informationsbestände analysieren Statistik 8. Statistik Nebst der Darstellung von Datenreihen bildet die Statistik eine weitere Domäne für die Auswertung von Datenbestände. Sie ist ein Fachgebiet der Mathematik
MehrPrüfungsklausur Mathematik I für Wirtschaftsingenieure am
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Mathematik I für Wirtschaftsingenieure am 4.2.24 B Name, Vorname Matr. Nr. Sem. gr. Aufgabe 2 3 4 5 6 7 8 9 gesamt erreichbare P.
MehrMusterlösungen zu den Aufgaben aus. Statistische Methoden in den Wirtschafts- und Sozialwissenschaften
Musterlösungen zu den Aufgaben aus Statistische Methoden in den Wirtschafts- und Sozialwissenschaften von Prof. Dr. Hans Peter Litz Oldenbourg-Verlag München,.Auflage 1998 Teil II. Wahrscheinlichkeitstheoretische
Mehr5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko
1 5.Unsicherheit Bisher sind wir von vollständiger Planungssicherheit seitens der Entscheidungsträger ausgegangen. Dies trifft in vielen Fällen natürlich nicht den Kern eines Entscheidungsproblems.Wennz.B.eineEntscheidungfürdenKaufvonAktiengetroffen
Mehralte Maturaufgaben zu Stochastik
Stochastik 01.02.13 alte Maturaufgaben 1 alte Maturaufgaben zu Stochastik 1 07/08 1. (8 P.) In einer Urne liegen 5 rote, 8 gelbe und 7 blaue Kugeln. Es werden nacheinander drei Kugeln gezogen, wobei die
MehrLineare Funktionen Kapitel 7
. Bestimmen Sie für folgende Funktionen die fehlenden Koordinaten: a) ( x) x 3 f A 8 / y; B 6 / y f ( x) x C 4 / y; D x / 7 f 3( x) 4x E / y; F x / 4 f ( ) 4 x x 4 G / y; H x / 0,5 5x 0, K x /3,75; L x
MehrBeschreibende Statistik
Beschreibende Aufgaben der beschreibenden : Erhebung von Daten Auswertung von Daten Darstellung von Daten Erhebung von Daten Bei der Erhebung von Daten geht es um die Erfassung von Merkmalen (Variablen)
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrAn die Zweige schreibt man jeweils die Wahrscheinlichkeit, die für dieses Ereignis gilt.
. Mehrstufige Zufallsversuche und Baumdiagramme Entsprechend der Anmerkung in. wollen wir nun auf der Basis von bekannten Wahr- scheinlichkeiten weitere Schlüsse ziehen. Dabei gehen wir immer von einem
Mehr