2.4 Entscheidung bei Risiko
|
|
- Liese Kramer
- vor 6 Jahren
- Abrufe
Transkript
1 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 Wahrscheinlichkeiten basierend auf Erfahrungen aus der Vergangenheit (z.b. wie oft hat es an diesem Tag in den letzten 100 Jahren geregnet) subjektive Wahrscheinlichkeiten basierend auf den Erwartungen des Entscheiders 54
2 Diskrete Zufallsvariable Sei X eine diskrete Zufallsvariable mit möglichen Werten {a 1,,a n } und Wahrscheinlichkeiten P(X = a i ), Erwartungswert einer diskreten Zufallsvariable X ist µ = E(X) = nÿ a i P (X = a i ) i=1 Beispiel: Fairer Würfel mit sechs Seiten E(X) = =3.5 55
3 Diskrete Zufallsvariable Varianz einer diskreten Zufallsvariable X ist nÿ 2 = V (X) = (a i µ) 2 P (X = a i ) und es gilt i=1 V (X) =E(X E(X)) 2 = E(X 2 ) (E(X)) 2 Größe σ heißt Standardabweichung (auch: Streuung) Beispiel: Fairer Würfel mit sechs Seiten V (X) =(1 3.5) (2 3.5) (6 3.5)2 1 6 =
4 Dominanz bei Unsicherheit Konzept der Dominanz lässt sich auf den Fall mehrerer Zustände erweitern absolute Dominanz betrachtet nur das schlechtmöglichste und bestmöglichste Ergebnis je Alternative Zustandsdominanz vergleich die Ergebnisse der Alternativen zustandsweise stochastische Dominanz (erster Ordnung) betrachtet auch die Wahrscheinlichkeiten der Zustände 57
5 Absolute Dominanz Alternative A i dominiert Alternative A j im Sinne absoluter Dominanz, wenn gilt min k (x ik ) Ø max d.h. das schlechteste Ergebnis von A i ist mindestens so gut wie das beste Ergebnis von A j k (x jk) Beispiel: S 1 S 2 S 3 S A A A 1 dominiert A 2 58
6 Zustandsdominanz Alternative A i dominiert Alternative A j im Sinne der Zustandsdominanz, wenn gilt k : x ik Ø x jk : k : x ik >x jk d.h. A i ist in allen Zuständen mindestens so gut wie A j und in mindestens einem besser Beispiel: S 1 S 2 S 3 S A A A 2 dominiert A 1 59
7 Stochastische Dominanz Stochastische Dominanz beruht auf Vergleich der Wahrscheinlichkeitsverteilungen der Alternativen Betrachte Alternative A i als Zufallsvariable, dann sei P (A i Æ x i ) die Wahrscheinlichkeit, dass A i zu einen Ergebnis kleiner gleich x i führt 60
8 Stochastische Dominanz Beispiel: S 1 S 2 S 3 S A A P (A i Æ 10) P (A i Æ 20) P (A i Æ 50) P (A i Æ 100) A A A 1 A
9 Stochastische Dominanz Stochastische Dominanz (erster Ordnung) der Alternative A i über die Alternative A j liegt vor, wenn x : P (A i Æ x) Æ P (A j Æ x) x : P (A i Æ x) <P(A j Æ x) x : P (A i >x) Ø P (A j >x) x : P (A i >x) >P(A j >x) Beispiel: Alternative A 2 dominiert Alternative A 1 A 1 A
10 Risikoeinstellung des Entscheiders Risikoneutralität Entscheider ist indifferent zwischen Alternativen mit gleichem Erwartungswert Risikoaversion Entscheider zieht bei zwei Alternativen mit gleichem Erwartungswert diejenige mit geringerer Streuung vor Risikofreude Entscheider zieht bei zwei Alternativen mit gleichem Erwartungswert diejenige mit höherer Streuung vor 63
11 Risikoeinstellung des Entscheiders Beispiel: Entscheidung über Teilnahme an einfachem Glücksspiel (z.b. Münzwurf) mit Einsatz 10 A 1 : Teilnahme, A 2 : Nicht-Teilnahme S 1 : Gewinn, S 2 : Kein Gewinn S 1 S 2 µ A A A 1 oder A 2 bei Risikoneutralität A 1 bei Risikofreude A 2 bei Risikoaversion 64
12 Indifferenzkurven nach Risikoeinstellung µ µ µ Risikoneutralität Risikoaversion Risikofreude 65
13 µ-regel μ-regel beurteilt Alternativen nach ihrem Erwartungswert (ursprünglich formuliert für den Fall einer Zielgröße) (A i )=E(x ij )= nÿ x ij P (S j ) j=1 Risikoeinstellung des Entscheiders nicht berücksichtigt 66
14 µ-regel Beispiel: Lotterie mit 5 Millionen im Jackpot und Einsatz 3 A 1 : Teilnahme, A 2 : Nicht-Teilnahme S 1 : Gewinn, S 2 : Kein Gewinn S 1 S 2 µ A 1 4, 999, A Entscheider wird niemals an der Lotterie teilnehmen, sofern er die µ-regel anwendet 67
15 (µ,σ)-prinzip (µ,σ)-prinzip berücksichtigt neben dem Erwartungswert die Standardabweichung der Ergebnisse zur Beurteilung der Alternativen Präferenzfunktion Φ(A i ) = Φ(µ i, σ i ) z.b. als Linearkombination von Erwartungswert µ i und Standardabweichung σ i definiert (A i )=µ i i mit α als Gewichtungsparameter, welcher die Risikoeinstellung des Entscheiders erfasst (α > 0 : Risikoaversion; α < 0 : Risikofreude) 68
16 (µ,σ)-prinzip Beispiel: S 1 S 2 S 3 µ =+1 =0 = A A A
17 (μ,σ)-prinzip und stochastische Dominanz Stochastische Dominanz erster Ordnung und (µ,σ)-prinzip sind inkompatibel, d.h. wir eliminieren u.u. optimale Alternativen Beispiel: S 1 S 2 µ A A A 2 würde eliminiert, ist aber für risikofreudige Entscheider (z.b. α = -1.0) u.u. optimal A 1 A
18 Petersburger Spiel Petersburger Spiel (auch: Petersburger Paradoxon) wiederholter Wurf einer fairen Münze (Kopf oder Zahl) fällt im n-ten Münzwurf erstmals Zahl, so erhält Spieler 2 n Erwartungswert des Petersburger Spiels µ = = Œ Ein nach der µ-regel handelnder Entscheider wäre also immer bereit, einen beliebig großen Betrag einzusetzen und am Spiel teilnehmen 71
19 Bernoulli-Prinzip Bisherige Ansätze zur Entscheidung bei Risiko betrachten nur eine Zielgröße und verdichten Zielgrößenwerte in den Parametern µ und σ Bernoulli-Prinzip besteht aus zwei Schritten bestimme für den Entscheider eine Nutzenfunktion U(x i ) (z.b. mittels Durchführung einer Bernoulli-Befragung) wähle eine Alternative mit höchstem erwarteten Nutzen (auch: Bernoulli-Nutzen, Erwartungsnutzen) (A i )= nÿ U(x ij ) P (S j ) j=1 72
20 Bernoulli-Prinzip Wo liegt der Unterschied zur µ-regel und (µ,σ)-prinzip? es können mehrere Zielgrößen betrachtet werden explizite Betrachtung von Nutzen anstelle von Zielgröße Nutzenfunktion erfasst Risikoeinstellung des Entscheiders 73
21 Nutzenfunktionen und Risikoeinstellung Krümmung der Nutzenfunktion lässt auf die tionale Entscheidung bei Risiko: Das Bernoulli-Prinzip 118 Rationale Entscheidung bei Risiko: Das Bernoulli-Pr x 0 Risikoeinstellung des Entscheiders5 schließen Risikoneutralität U(x) x 0 U(x) U(x) U(x) U(x) Risikoaversion konkav x 0 U(x) Risikoneutralität x 00 U Risikoaversion Risikofreude xx konvex Abb. 5.1U(x) Der Verlauf unterschiedlicher Nutzenfun veranschaulicht bereits Abschn. Quelle: Laux,werden Gillenkirch(vgl. und Schenk-Mathes [1] die Entscheidung gestellt, an einem Glückssp Wahrscheinlichkeit 0,5 (z. B. durch den Wurf e verlieren kann. Beträgt sein gegenwärtiges Verm am Glücksspiel entweder W +! oder W!. x x x 0 0 sind,xbeträgt0der Erwartungswert W. Ist der Ent Risikofreude ferent bezüglich der Teilnahme am Glücksspiel. zenfunktionen Abb. 5.1 Der Verlauf unterschiedlicher Nutzenfunktionen strikt ab. Ein risikofreudiger Entscheider dageg Um dieses Entscheidungsverhalten über da Entscheidungsunterstützende Systeme / Kapitel 2: Entscheidungstheorie 74 bschn. 4.4 des Kap. 4): Ein Entscheider veranschaulicht wird vor werden (vgl. bereits Abschn. 4.4der despräferenzfunktion Kap. 4): Ein Entscheider wird tierung an (5.1) nachzu
22 Bernoulli-Befragung Nutzenfunktion des Entscheiders lässt sich mittels Bernoulli-Befragung approximieren bestimme schlechtestes und bestes Ergebnis x w und x b für jedes Ergebnis bestimmt man die Wahrscheinlichkeit w i, so dass der Entscheider indifferent ist zwischen dem sicheren Ergebnis x i einer Lotterie, die mit Wahrscheinlichkeit w i das Ergebnis x b und mit Wahrscheinlichkeit (1-w i ) das Ergebnis x w auszahlt die ermittelten Wahrscheinlichkeiten w i können als Werte der Nutzenfunktion U(x i ) interpretiert werden 75
23 Bernoulli-Befragung Beispiel: Ergebnisse x w = 0, 20, 40, 60, 80, 100 = x b möglich für x 0 = 0 gibt Entscheider Wahrscheinlichkeit w 0 = 0.0 an für x 1 = 20 gibt Entscheider Wahrscheinlichkeit w 1 = 0.4 an für x 2 = 40 gibt Entscheider Wahrscheinlichkeit w 2 = 0.6 an für x 3 = 60 gibt Entscheider Wahrscheinlichkeit w 3 = 0.8 an für x 4 = 80 gibt Entscheider Wahrscheinlichkeit w 4 = 0.9 an für x 5 = 100 gibt Entscheider Wahrscheinlichkeit w 5 = 1.0 an 76
24 Bernoulli-Befragung Beispiel: Ermittelte Nutzenfunktion w Risikoaverser Entscheider x 77
25 Zusammenfassung Risikoeinstellung des Entscheiders spielt eine Rolle risikoavers, risikoneutral oder risikofreudig Entscheidung bei Risiko und einer Zielgröße μ-regel betrachtet nur Erwartungswert (µ,σ)-prinzip betrachtet Erwartungswert und Streuung Bernoulli-Prinzip bei Risiko und beliebig vielen Zielgrößen Bernoulli-Befragung zum Bestimmen einer Nutzenfunktion Auswahl der Alternative mit höchstem erwarteten Nutzen 78
26 Literatur [1] H. Laux, R. M. Gillenkirch und H. Y. Schenk-Mathes: Entscheidungstheorie, Springer 2014 (Kapitel 4 und 5) [2] Hagenloch T.: Grundzüge der Entscheidungslehre, Books on Demand GmbH 2009 (Kapitel 4) 79
2.2 Entscheidung bei Sicherheit
2.2 Entscheidung bei Sicherheit Umweltzustand ist bekannt oder irrelevant, so dass die Ergebnisse der Handlungsalternativen sicher sind Bei mehreren Zielgrößen besteht die Herausforderung darin, den Entscheider
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,
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
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
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
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
MehrÜbung zu Risiko und Versicherung Entscheidungstheoretische Grundlagen
Übung zu Risiko Entscheidungstheoretische Grundlagen Stefan Neuß Sebastian Soika http://www.inriver.bwl.lmu.de Newsletter Auf der Homepage unter http://www.inriver.bwl.uni-muenchen.de/studium/sommer_203/bachelorveranstaltungen/risiko_und_versicherungen/index.html
MehrÜbung 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
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)
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
MehrWichtige Informationen vorab
Wichtige Informationen vorab Wir haben eine Mailing Liste "Vorles- UebSS09Kapitalmarkt" eingerichtet. Über diese Mailingliste erhalten Sie in Zukunft die Vorlesungsunterlagen und die Übungsunterlagen.
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
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
Mehr2. Entscheidungsregeln. Handhabung von Unsicherheit
II Agenda 1. Sensitivitätsanalyse 2. Entscheidungsregeln 3. Dialektische Planung 2 1. Sensitivitätsanalyse 3 Definition: Sensitivitätsanalyse = Sensibilitätsanalyse Empfindlichkeitsanalyse Verfahren zur
MehrProf. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38
Prof. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 38 Offene Fragen Warum ist ein ET bereit, für eine Feuerversicherung mit einer Versicherungshöhe von 1 Million und einer Jahreseintrittswahrscheinlichkeit
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:
MehrÜbung zur Vorlesung Multiagentensysteme
Ludwig-Maximilians-Universität München SS 2007 Institut für Informatik Aufgabenblatt 1 Dr. Brandt / Fischer & Harrenstein 23. April 2007 Übung zur Vorlesung Multiagentensysteme Tutorübung: 25. April 2007
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
MehrEntscheidungstheorie Teil 4
Entscheidungstheorie Teil 4 Sommersemester 2011 Prof. Dr. Antje Mahayni Mercator School of Management Department of Accounting & Finance Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 1/74 Gliederung
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
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 11. November 2010 1 Erwartungswert und Varianz Erwartungswert Varianz und Streuung Rechenregeln Binomialverteilung
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
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)
MehrFinanzierung und Investition
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/40 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München 7. Auflage, Kapitel 2 Kruschwitz/Husmann (2012) Finanzierung
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
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. {
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
MehrWenn es sich um ein faires Spiel handeln soll, muss der Einsatz 1 betragen (2) Weniger als 3 mal Wappen ( ) 32 (3) Mindestens 1 mal Wappen ( )
R. Brinkmann http://brinkmann-du.de Seite 7.09.0 Lösungen Stochastik vermischt II Ergebnisse: E E E E4 E E6 Ergebnis Wenn es sich um ein faires Spiel handeln soll, muss der Einsatz betragen. Ergebnisse
MehrWird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt, dann erwarten wir im Mittel 8 Treffer.
R. Brinkmann http://brinkmann-du.de Seite 1 06.1008 Erwartungswert binomialverteilter Zufallsgrößen. Wird ein Bernoulli- Versuch, bei dem die Trefferwahrscheinlichkeit p = 0,2 ist, n = 40 mal durchgeführt,
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre. Lösungshinweise zur Einsendearbeit 2 (WS 2010/2011)
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, WS 010/011 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrWahrscheinlichkeitstheorie 2
Wahrscheinlichkeitstheorie 2 Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 19.05.2011 Caroline Sporleder Wahrscheinlichkeitstheorie 2 (1) Wiederholung (1):
MehrRisikomessung mit dem Conditional Value-at-Risk
Jendrik Hanisch Risikomessung mit dem Conditional Value-at-Risk Implikationen für das Entscheidungsverhalten. Bibliothek j k Mit einem Geleitwort von \* \, -^ Prof. Dr. Wolfgang Kürsten A; Verlag Dr. Kovac
MehrVorlesung 6: Alternativen zur Erwartungsnutzentheorie
Vorlesung 6: Alternativen zur Erwartungsnutzentheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 6 (FS 11) Alternativen zur Erwartungsnutzentheorie 1 / 21 1.
MehrWahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik. PD Dr. U. Ludwig. Vorlesung 7 1 / 19
Wahrscheinlichkeitsrechnung und Statistik für Studierende der Informatik PD Dr. U. Ludwig Vorlesung 7 1 / 19 2.2 Erwartungswert, Varianz und Standardabweichung (Fortsetzung) 2 / 19 Bedingter Erwartungswert
Mehr1 Grundlagen Entscheidungstheorie: Der Entscheidungsträger wählt aus einer Menge von Alternativen, Annahmen:
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
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
MehrFinanzwirtschaft. Foliensatz Vertiefungskurs aus ABWL: im Sommersemester Teil / 2 und 7 Univ. Ass. Dr. Matthias G.
Universität Wien Institut für Betriebswirtschaftslehre ABWL IV: Finanzwirtschaft 400 026/2+7 Univ. Ass. Dr. M.G. Schuster Foliensatz Vertiefungskurs aus ABWL: Finanzwirtschaft im Sommersemester 2004 2.
MehrMusterklausur zur MSc-Vorlesung Entscheidungsverhalten
Dr. Moritz Lukas und Prof. Dr. Markus Nöth Institut für Versicherungsbetriebslehre und Lehrstuhl für Bankbetriebslehre und Behavioral Finance Musterklausur zur MSc-Vorlesung Entscheidungsverhalten Name,
MehrK3 (Diskrete) Zufallsvariablen 3.1 Basis
K3 (Diskrete) Zufallsvariablen 3.1 Basis Ω = {ω}, X(ω) ist eine Größe die durch ω bestimmt ist. Bei der zufälligen Auswahl von ω bekommen wir den Wert, X(ω). Definition: Ist (Ω, F, P) ein Wahrscheinlichkeitsraum
MehrStimmt das immer und in welchem Sinne?
1 KAP 6. Dominanz und Nash-GG Nash-GG (teilweise) dadurch motiviert: schränkt Menge möglicher Spielausgänge stärker ein als Dominanz Stimmt das immer und in welchem Sinne? Gibt s stets weniger Nash-GGe
MehrBeispiel 37. Wir werfen eine Münze so lange, bis zum ersten Mal
Beispiel 37 Wir werfen eine Münze so lange, bis zum ersten Mal Kopf erscheint. Dies geschehe in jedem Wurf unabhängig mit Wahrscheinlichkeit p. Wir definieren dazu die Zufallsvariable X := Anzahl der Würfe.
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr4.4 Punktschätzung. E(X 1 )+ +E(X n ) Var(ˆµ) = 1 n 2 ( Var(X1 )+ +Var(X n ) ) = 1 n 2nσ2 = σ2
4 4.4 Punktschätzung Wir betrachten eine endliche oder unendliche Grundgesamtheit, zum Beispiel alle Studierenden der Vorlesung Mathe II für Naturwissenschaften. Im endlichen Fall soll die Anzahl N ihrer
MehrDieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
Die Riskoprämie ergibt sich also als ein Vielfaches der Varianz der zugrundeliegenden Unsicherheit Dieses Vielfach hängt ab von der Form der Nutzenfunktion. Man bezeichnet dies auch als Arrow-Pratt Koeffizient.
MehrInvestitionsmanagement
Investitionsmanagement - Vorlesung 12 am 31012017 - Laura Gerke-Teufel, MA, LLM Ausgewählte Verfahren der unterjährigen Verzinsung - 2 - Unterjährige Effektivzinsberechnung Investitionsmanagement Vorlesung
Mehr9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe
Übungsmaterial 9 Erwartungswert, Varianz und Standardabweichung einer Zufallsgröÿe 9. Erwartungswert Fragt man nach dem mittleren Wert einer Zufallsgröÿe X pro Versuch, so berechnet man den Erwartungswert
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
MehrPropädeutikum Wahrscheinlichkeitsrechnung
Winter 010/011 Propädeutikum Wahrscheinlichkeitsrechnung Ferdinand Zahn Johannes Jaspersen Vijay Aseervatham Arthur Seibold Maximilian Engel Ansprechpartner Andreas Richter Sprechstunde: siehe Homepage
Mehr2. Rechnen Sie auf mindestens fünf genaue Ziffern (das sind nicht notwendigerweise fünf Nachkommastellen) im Endergebnis. 1
Fach: Prüfer: Finanzierung und Investition Prof. Dr. Dr. A. Löffler Veranstaltung: W2261 Entscheidungstheorie WS 8/9 Name Vorname Matrikelnummer Punkte Note Beachten Sie bitte folgende Hinweise: 1. Schreiben
MehrWahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel
Wahrscheinlichkeit3 Binomialverteilung/Bernoulli-Formel Aufgaben Lösen Sie A1 und A sowohl mit der Bernoulli-Formel als auch mit dem TR(BV), die anderen Aufgaben lösen sie mit dem TR(BV). A1 Eine Familie
MehrETWR TEIL B ÜBUNGSBLATT 3 WS14/15
ETWR TEIL B ÜBUNGSBLATT 3 WS14/15 OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG F A K U L T Ä T F Ü R W I R T S C H A F T S W I S S E N S C H A FT LEHRSTUHL FÜR EMPIRISCHE WIRTSCHAFTSFORSCHUNG & GESUNDHEITSÖKONOMIE,
Mehr5 Binomial- und Poissonverteilung
45 5 Binomial- und Poissonverteilung In diesem Kapitel untersuchen wir zwei wichtige diskrete Verteilungen d.h. Verteilungen von diskreten Zufallsvariablen): die Binomial- und die Poissonverteilung. 5.1
Mehr16 Risiko und Versicherungsmärkte
16 Risiko und Versicherungsmärkte Entscheidungen bei Unsicherheit sind Entscheidungen, die mehrere mögliche Auswirkungen haben. Kauf eines Lotterieloses Kauf einer Aktie Mitnahme eines Regenschirms Abschluss
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr1. Aufgabe: Entscheidungen bei Ungewissheit
( WS 2012/13) 1. Aufgabe: Entscheidungen bei Ungewissheit Ein Entscheider steht vor dem Problem aus einer Menge von Investitionsalternativen (a 1, a 2,..., a 5 ) die beste Alternative auszuwählen. Zu welchem
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
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrAufgabe 1.3. Teil a) Teil b)
Informationsökonomik: Anreize, Verträge, Institutionen L ösung Blatt 1 FT 2012 Aufgabe 1.3 Faire Prämie Versicherungen können nicht beobachten, welchen Typen sie vor sich haben, daher werden sie den Erwartungswert
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
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
MehrHistorische Renditen, Experteninterviews, Analyse von Marktpreisen
1 Portfoliotheorie 1.1 Grundlagen der Portfoliotheorie 1.1.1 Welche vier grundsätzlichen Anlageziele werden von Investoren verfolgt? Minimales Risiko Liquidation wenn nötig Hohe Rendite Gewinnmaximierung
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
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilung diskreter Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrWir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir
Kapitel 3: Entropie Motivation Wir erinnern uns: Um eine Zufallsvariable mit N verschiedenen, gleichwahrscheinlichen Zuständen binär zu codieren, benötigen wir log N Bits log p N Bits Die Information steht
MehrKapitel 9. Lösung Schritt: Normierung der Nutzenfunktionen. Aufgabe 9.1
Kapitel 9: Entscheidung bei Risiko und einem Ziel 37 Kapitel 9 Lösung 9. Aufgabe 9. Welche Beziehung besteht zwischen Wert - und Nutzenfunktionen? Beschreiben Sie zwei Verfahren zur Ermittlung von Nutzenfunktionen
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Winter 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
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
MehrEntscheidungstheoretische Grundlagen
Entscheidungstheoretische Grundlagen Yves Breitmoser, HU Berlin Entscheidung unter Risiko Ein Entscheider, seine Entscheidung betrifft nur ihn selbst, aber es gibt Risiko: Themen: Risikopräferenzen: Ein
MehrETWR Teil B. Entscheidungen unter Risiko
ETWR Teil B 2 Ziele Bisher Beschreibung sicherer Entscheidungen Ableitung von Wahrscheinlichkeiten Ziel dieses Kapitels Kombination beider vorangegangener Kapitel Motivation Theorie Bei wird praktische
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrVorlesung 3a. Der Erwartungswert. von diskreten reellwertigen Zufallsvariablen
Vorlesung 3a Der Erwartungswert von diskreten reellwertigen Zufallsvariablen X sei eine Zufallsvariable, deren Zielbereich R (die Menge der reellen Zahlen) (oder eine Teilmenge davon) ist. Es existiere
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
Mehri Pr(X = i). Bsp: Sei X die Summe zweier Würfe eines Würfels. Dann gilt E[X] =
Erwartungswert Definition Erwartungswert Der Erwartungswert einer diskreten ZV ist definiert als E[X] = i i Pr(X = i). E[X] ist endlich, falls i i Pr(X = i) konvergiert, sonst unendlich. Bsp: Sei X die
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
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2011 1 Stetige Zufallsvariable, Normalverteilungen Der zentrale Grenzwertsatz und die 3-Sigma Regel
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
Mehr- Entscheidungsmöglichkeit / Alternativen. + (idealerweise) Methode der Entscheidung / Verfahren
be/ji/3(2) 4-1 4 "Entscheidung" setzt voraus - Entscheidungsmöglichkeit / Alternativen - Prinzip der Entscheidung / Ziel + (idealerweise) Methode der Entscheidung / Verfahren Bisher trivial OR-Optimierungsmodelle
MehrVerteilung von Summen
Verteilung von Summen Beispiel: Würfelwurf Frage: Wie verhält sich die Verteilung der Augensumme von -Würfeln bei wachsendem? Zur Beantwortung führen wir ein Simulationseperiment durch. 6 Würfe mit 1 Würfel
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrSigma-Umgebung. Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5. n = 20 p = 0,75
Sigma-Umgebung Vergleichen wir die beiden Binomialverteilungen: n = 30 p = 0,5 0,2 (z.b. 30-maliges Werfen einer Münze, X Anzahl von Zahl ) 5 10 15 20 n = 20 p = 0,75 0,2 5 10 15 20 Der Erwartungswert
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrEinführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie
Einführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie Jung Kyu Canci Universität Basel HS2015 1 / 15 Literatur Kapitel 6 Statistik in Cartoons : Kapitel 8 Krengel : 6 und 14 Storrer
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
Mehr