ETWR Teil B. Entscheidungen unter Risiko
|
|
- Sarah Hofmeister
- vor 6 Jahren
- Abrufe
Transkript
1 ETWR Teil B
2 2 Ziele Bisher Beschreibung sicherer Entscheidungen Ableitung von Wahrscheinlichkeiten Ziel dieses Kapitels Kombination beider vorangegangener Kapitel Motivation Theorie Bei wird praktische Relevanz dieser Vorlesung sehr deutlich (leider) Ökonomische Entscheidungen Entscheidungen hängen oft von Risiko ab (Risiko zu Sterben, Risiko günstige Nachfrage,...)
3 3 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
4 4 Darstellung riskanter Entscheidungen Begriffsbestimmung Lotterie : Kombination von Ausgängen und Eintrittwahrscheinlichkeiten Riskante Alternative: Lotterie, die Entscheider wählen kann Darstellung als Vektor: (a 1, p 1 ;...; a n, p n ) a i : Ausgang i wiedergegeben als Auszahlung, Nutzenwert,... p i : Eintrittwahrscheinlichkeit des Ausgangs i Darstellung als Baum p 1 p 2... p n Darstellung als Matrix a 1 a 2 a n p 1 p 2... p n Alternative 1 a 1 a 2... a n
5 5 Darstellung riskanter Entscheidungen - Beispiel Entscheidungsproblem aus Kapitel 1 (Fahrt zur Uni, Matrixdarstellung) Konsequenz Fahrtdauer Regen (p 1 = 20%) Sonne (p 2 = 50%) Schnee (p 3 = 30%) Alternative Rad 11 Minuten 15 Minuten 20 Minuten Vektordarstellung (11 Minuten, 0.20; 15 Minuten, 0.50; 20 Minuten, 0.30;...) Baumdarstellung p 1 = 0.1 p 2 = 0.3 a 1 = 11 Minuten a 2 = 15 Minuten p 3 = 0.6 a 3 = 20 Minuten Hinweise Ein Attribut (Fahrtdauer) betrachtet: mehrere Attribute möglich! Anzahl Ausgänge ist endlich (3): unendlich viele möglich!
6 6 Entscheidung über riskante Alternativen Entscheidungen bisher Ableitung von Wertfunktionen zur Abbildung der Präferenzen basierend auf Einzelwertfunktionen Beispiel: v(bus) v(fahrrad), weil v Fahrzeit (Bus) v Fahrzeit (Fahrrad) Entscheidungen jetzt Attributausprägung (im Beispiel: Fahrzeit in Minuten) abhängig von Zufall Herausforderungen Additives Modell (siehe Kapitel 1) nicht mehr einsetzbar Wahrscheinlichkeiten unterschiedlich bewertet (siehe Kapitel 2) Menschliches Verhalten nicht konsistent (gemäß empirischer Studien) Kurz: Erwarten sie keine Eierlegende Wollmilchsau Wir werden schon glücklich sein, wenn wir einen Teil von Entscheidungen in einem festen Szenario für ein paar Entscheider verstehen können.
7 7 Bewertung von Alternativen mittels Erwartungswert Definition: Erwartungswert diskreter Zufallsvariablen Sei X eine diskrete Zufallsvariable mit Wahrscheinlichkeitsfunktion f x (x) und Träger T x. Der Erwartungswert E(X) ist definiert durch: E(X) = Idee Bewertung aller Attributausprägungen mittels Erwartungswert (E(a i )) Anwendung von Wertfunktion auf Erwartungswert (v(e(a i ))) Wahl der Alternative mit höchstem Wert der Wertfunktion (max ai v(e(a i ))) {x x T X } x f X (x) Wdh. Teil A Beispiel Entscheidung: Fahrt mit dem Rad Fahrtdauer p Regen = 20% p Sonne = 50% p Schnee = 30% E(Fahrtdauer) Alternative Rad 11 Minuten 15 Minuten 17 Minuten 14.5 Minuten Bus 15 Minuten 15 Minuten 15 Minuten 15.0 Minuten
8 8 St. Petersburg Paradoxon DAS Standardbeispiel Das Spiel Münze wird wiederholt geworfen Erscheint Zahl: Auszahlung 2 n Euro (mit n ist Anzahl der Würfe) Erscheint Kopf: Spiel geht weiter Ihre Entscheidung Wie viel zahlen Sie um das Spiel zu spielen? Spiel als Baum p Zahl = Zahl 4 Zahl 8 p Kopf = 0.5 Kopf Kopf... Was würden Sie bezahlen?
9 9 St. Petersburg Paradoxon Erwartungswert Das Spiel p Zahl = Zahl 4 Zahl 8 p Kopf = 0.5 Kopf Kopf... Naive Mathematische Lösung: Erwartungswert E(St. Petersburg Spiel) = E(St. Petersburg Spiel) = E(St. Petersburg Spiel) = Problem Sie werden (so gut wie) niemanden finden, der mehr als 20 zahlt! Erwartungswert zur Bewertung riskanter Alternativen unzuverlässig Bis heute existiert kein Modell, dass diesen Effekt für alle glaubwürdig erklärt
10 10 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
11 11 Nutzenfunktion Definition (Nutzenfunktion) Eine Funktion u deren Erwartungswert ( Erwartungsnutzen ) die transitiven, vollständigen, stetigen und unabhängigen Präferenzen eines Entscheiders abbildet heißt Nutzenfunktion. Transitivität (vgl. Wertfunktion) Für alle Kombinationen von Lotterien a, b und c mit a b und b c folgt a c. Vollständigkeit (vgl. Wertfunktion) Für alle Paare von Lotterien a und b gilt a b. Stetigkeit Sind Lotterien a, b und c mit a b c gegeben, dann existiert eine Wahrscheinlichkeit p bei der b p a + (1 p) c Unabhängigkeit Gilt für zwei Lotterien a b, so muss auch für alle Lotterien c und alle Wahrscheinlichkeiten p gelten, dass p a + (1 p) c p b + (1 p) c.
12 12 Annahmen Stetigkeit Definition (Stetigkeit) Sind Lotterien a, b und c mit a b c gegeben, dann existiert eine Wahrscheinlichkeit p bei der b p a + (1 p) c Lotterie 0.5 a c mit a = (100, 0.8; 0, 0.2) und c = (200, 1) formal äquivalent zu Verletzung der Stetigkeit Lotterien a = (1000, 0.8; 0, 0.2) b = ( 100, 0.8; 0, 0.2) c = ( Tod, 0.8; 0, 0.2) Finden Sie ein p, so dass gilt b p a + (1 p) c? Also, ich nicht!
13 13 Annahmen Unabhängigkeit Definition (Unabhängigkeit) Gilt für zwei Lotterien a b, so muss auch für alle Lotterien c und alle Wahrscheinlichkeiten p gelten, dass p a + (1 p) c p a + (1 p) c. Lotterien: a = (1000, 0.8; 0, 0.2), b = ( 100, 0.8; 0, 0.2) und c = (200, 1) a b c Verletzung der Unabhängigkeit a = (iphone 6, 0.8; 0, 0.2), b = (Galaxy S 5, 0.8; 0, 0.2) und c = (nicht übertragbarer itunes Gutschein über 10000, 1) a b
14 14 Nutzenfunktion vs. Wertfunktion Hinweis Literatur: Definition von Wertfunktion und Nutzenfunktion quasi wortgleich Unterschiede der Konzepte Betrachtungsgegenstand Wertfunktion definiert auf sicheren Ergebnisse Nutzenfunktion definiert auf riskanten Ergebnissen Voraussetzungen Wertfunktion: Vollständigkeit, Transitivität der Präferenzen Nutzenfunktion: Vollständigkeit, Transitivität, Stetigkeit, Unabhängigkeit Folglich: Nutzenfunktion deutlich restriktiver Aber: In der Literatur ist... Trennung nicht immer konsistent Konzepte werden äquivalent benutzt Voraussetzungen selten geprüft Nur Benennung mit u und v ist konsistent!
15 15 Erwartungsnutzen Definition (Erwartungsnutzen) Der erwartete Nutzen einer riskanten Alternative a ist definiert als n EU(a) = p i u(a i ) Unterschied zum bisherigen Vorgehen: n v(e(x)) = v( p i a i ) Anwendung der Nutzen-/Wertfunktion auf Attributwert, nicht mehr auf Erwartungswert des Attributs Beispiel Entscheidung: Fahrt mit dem Bus i=1 i=1 Fahrtdauer p Regen =0.2 v(a Regen ) p Sonne =0.5 v(a Sonne ) p Schnee =0.3 v(a Schnee ) EU(a) Rad 11 Min Min Min Bus 15 Min Min Min
16 16 Dreieck-Ergebnis-Diagramm Lotterie a = (p 1, x 1 ; p 2, x 2 ; p 3, x 3 ) mit x 1 x 2 x 3 Nicht in der Vorlesung behandelt Darstellung für Erwartungsnutzentheorie (p 1 =0, p 3 =1) p 1 =0.1, p 2 =0.2, p 3 =0.7 Indifferenzkurven (p 1 =0, p 3 =0) (p 1 =1, p 3 =0) Warum stimmt das Diagramm? Angabe von p 2 : nicht nötig, da gilt p 2 = 1 p 1 p 3 Stärke Präferenz: Da x 1 x 2 x 3 gilt Alternative (0, x 1 ; 0, x 2 ; 1, x 3 ) am Besten Fehlt noch: Form der Indifferenzkurven (Gerade, identische Steigung)
17 17 Dreieck-Ergebnis-Diagramm Form Indifferenzkurven Nicht in der Vorlesung behandelt Es gilt (aus der Definition) Für drei Lotterien: EU(a) = p 1 u(a 1 ) + p 2 u(a 2 ) + p 3 u(a 3 ) Weiterhin gegeben: Indifferenzkurve : EU(a) ist konstant p 2 definiert durch p 1 und p 3, da gilt p 2 = 1 p 1 p 3 Damit gilt: EU(a) = p 1 u(a 1 ) + (1 p 1 p 3 ) u(a 2 ) + p 3 u(a 3 ) EU(a) = p 1 (u(a 1 ) u(a 2 )) + p 3 (u(a 3 ) u(a 2 )) + u(a 2 ) [Durch Ausmultipl.] p 3 = EU(a) u(a 2) u(a 3 ) u(a 2 ) + u(a 2) u(a 1 ) u(a 3 ) u(a 2 ) p 1 EU(a) = p i u(a i ) n i=1 [Durch Umstellen] Achsenabschnitt Steigung
18 18 St. Petersburg Paradoxon Erwartungsnutzen Das Spiel p Zahl = Zahl 4 Zahl 8 p Kopf = 0.5 Kopf Kopf... Sei Nutzenfunktion u(x) = ln(x) EU(St. Petersburg Spiel) = 0.5 ln(2) ln(2 2 ) ln(2 3 ) ln(2 4 ) +... E(S t. Petersburg Spiel) = ln(2) [ ] Für geometrische Reihe gilt: EU(St. Petersburg Spiel) n k=0 q k k = nqn+2 (n +1)q n+1 + q (q 1) 2 % n(1/ 2) n+2 (n +1)(1/ 2) n+1 +1/ 2 ( 1/ 2 = ln(2) lim' * = ln(2) = 2ln(2) = ln(4) 1.39 n & (1/ 2 1) 2 2 ) ( 1/ 2) Geht man vom Erwartungsnutzen und Nutzenfunktion u(x) = ln(x) aus, so ist Wert des St. Petersburg Spiels nur 1.39 (und damit realistisch )
19 19 Subjektiver Erwartungsnutzen Erkenntnisse aus der Generierung von Wahrscheinlichkeiten (Kapitel 2) Wahrscheinlichkeiten sind nicht per se gegeben (wie in der Erwartungsnutzentheorie angenommen) Wahrscheinlichkeiten sind subjektiv (d.h. jeder Entscheider bewertet Wahrscheinlichkeiten anders) Idee: Berücksichtigung subjektiver Wahrscheinlichkeiten Definition (subjektiver Erwartungsnutzen) Der subjektive, erwartete Nutzen einer riskanten Alternative a ist definiert als SEU(a) = p(s) u(a(s)) Entscheider wählt folglich zwischen Alternativen a die vom Zustand der Natur s S sind und zu Attributausprägungen a(s) führen, dabei berücksichtigt er seine subjektive Einschätzung er seine persönliche Glaubwürdigkeit des Eintretens der Zustände s S
20 20 Subjektiver Erwartungsnutzen Unabhängigkeit Definition (Unabhängigkeit der subjektiven Erwartungsnutzentheorie) Seien a, b, a und b Alternativen und sei S eine Teilmenge der Zustände S und a(s) = a (s) sowie b(s) = b (s) für s S und a(s) = b(s) sowie a (s) = b (s) für s S\S, so gilt a b genau dann, wenn a b. Sprechend Haben zwei Alternativen für bestimmte Umweltzustände identische Konsequenzen, so dürfen die Umweltzustände keinen Einfluss auf die Präferenzen über die beiden Alternativen haben. Beispiel Würfelwurf a B B B B B B b B B B B B A a A A A A A B b A A A A A A a b a b
21 21 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
22 22 Sicherheitsäquivalent Definition (Sicherheitsäquivalent) Das Sicherheitsäquivalent ist die sichere Konsequenz bei welcher der Entscheider indifferent zwischen SÄ(a) und der zu beurteilenden Lotterie a ist. Es gilt u(sä(a)) = EU(a) Beispiel: St. Petersburg Paradoxon Gegeben das die Nutzenfunktion u(x) = ln(x) So gilt für EU(St. Petersburg Spiel) = 1.39 Damit gilt u(sä(a)) = und das Sicherheitsäquivalent: SÄ(a) = e 1.39 = 4.01 Interpretation 1: Entscheider ist indifferent zwischen Spielen des St. Petersburg Spiels und... Dem Erhalt (der sicheren Auszahlung ) von 4.01 Interpretation 2: Entscheider wäre bereit (die sichere Auszahlung ) 4.01 zu opfern um... das St. Petersburg Spiel zu spielen Sicherheitsäquivalent ist nicht immer gegeben. Beispiele?
23 23 Krümmung der Nutzenfunktion Unterschiedliche Formen der Nutzenfunktion 1.00 Lineare Nutzenfunktion Konvkave Nutzenfunktion Konvexe Nutzenfunktion 0.75 Nutzen u(x) Auszahlung x Nennen Sie Beispiele! Spannende Frage Erlaubt Nutzenfunktion Rückschlüsse auf grundlegendes Risikoverhalten?
24 24 Krümmung der Nutzenfunktion Risikoprämie Bisher (am Beispiel der Lotterie: a = (0.5, 100 ; 0.5, 10 )) Erwartungswert: E(a) = = 55 Erwartungsnutzen: EU(a) = 0.5 ln(100) ln(10) = 3.45 mit u(x)=ln(x) Sicherheitsäquivalent: SÄ(a) = u -1 (EU(a)) = Wir wissen damit: Mit welcher Auszahlung aus der Lotterie ein Mathematiker rechnen würde (Erwartungswert: ) Welchen Betrag der Entscheider für das Spielen der Lotterie zahlen würde (Sicherheitsäquivalent: ) Definition (Risikoprämie) Für die Risikoprämie RP(a) einer Alternative a gilt RP(a) = E (a) SÄ(a) Im Beispiel: RP(a) = E(a) SÄ(a) = = D.h. der Entscheider würde für das Spielen der Lotterie weniger zahlen als der Erwartungswert der Lotterie ist Der Entscheider scheut also das Risiko! Klar?
25 25 Krümmung der Nutzenfunktion Risikoeinstellung Zurück zur Visualisierung Nutzen u(x) Lineare Nutzenfunktion Konvkave Nutzenfunktion Konvexe Nutzenfunktion SÄ lin (a) = E(a) SÄ kvex (a) 0 2 SÄ kkav (a) Auszahlung x Implikationen der Form der Nutzenfunktion Lineare Nutzenfunktion: RP(a) = E (a) SÄ(a) = 0 (risikoneutral) Konkave Nutzenfunktion: RP(a) = E (a) SÄ(a) > 0 (risikoavers) Konvexe Nutzenfunktion: RP(a) = E (a) SÄ(a) < 0 (risikofreudig)
26 26 Risikoeinstellung Beispiele Billige iphone Apps (bei mir < 10 ): RP(a) = E (a) SÄ(a) = 0 (risikoneutral) Bereitschaft das Risiko einzugehen, eine unbrauchbare App zu kaufen wenn erwarteter Nutzen gleich dem Preis Meiste Entscheidungen: RP(a) = E (a) SÄ(a) > 0 (risikoavers) St. Petersburg Spiel (siehe vorangegangen Folien) Lotto: RP(a) = E (a) SÄ(a) < 0 (risikofreudig) Erwartungswert: ca Sicherheitsäquivalent: 0.75 (so viel kostet aktuell ein Feld) 2+S 3 3+S 4 4+S 5 5+S 6 6+S Wahrscheinlichkeit 1.32% 1.59% 0.18% 0.087% % % % % % Auszahlung ( )
27 27 Nicht in der Vorlesung behandelt Risikopräferenzen im Dreieck-Ergebnis-Diagramm Lotterie a = (p 1, x 1 ; p 2, x 2 ; p 3, x 3 ) Interessant: Steigung: mit x 1 x 2 x 3 (p Annahme: 1 =0, p 3 =1) u(a 1 ) und u(a 3 ) sind konstant Erhöhung (Senkung) von u(a 2 )... Indifferenzkurven (p 1 =0, p 3 =0) (p 1 =1, p 3 =0) Indifferenzkurven (formal) p 3 = EU(a) u(a 2) u(a 3 ) u(a 2 ) + u(a 2) u(a 1 ) u(a 3 ) u(a 2 ) p 1 u(a 3 ) u(a 2 ) u(a 2 ) u(a 1 )... dann höhere (kleinere) Steigung Nutzen u(x) u(a 3 ) u(a 2 ) u(a 1 ) 0.00 a 2 risikoaverser risikofreudiger 0 a 1 a Auszahlung x Je steiler die Indifferenzkurve, umso risikoaverser Entscheider
28 28 Arrow-Pratt Maß Bisher Entscheider unterscheiden sich in ihrer Risikoeinstellung Risikoeinstellung spiegelt sich in Form der Nutzenkurve wieder Idee Ermittlung einer Kennzahl zur Abbildung der Risikoeinstellung Abbildung über eine Funktion Motivation für Darstellung als Funktion Nutzen u(x) Konsum von Bier Bierkonsum Initial geringer Nutzen (schmeckt übel, unlustig) Phase hoher Steigung (schmeckt gut, alles lustig) Final geringer Nutzen (Übelkeit, Kopfschmerzen) Steigung kann sich ändern!
29 29 Arrow-Pratt Maß Formal Definition (Arrow-Pratt Maß) Die Risikoeinstellung eines Entscheiders lässt sich über folgende Funktion abbilden: r(x) = u''(x) u'(x) Definition (Relative Risikoeinstellung) Die relative Risikoeinstellung ist r *(x) = u''(x) u'(x) x Voraussetzungen für die Anwendung Nutzenfunktion 2x differenzierbar 1. Ableitung ist ungleich 0 Wichtige Kernaussagen mit Bezug auf Geldbeträge Grenznutzen ist positiv Grenznutzen nimmt mit steigenden Beträgen ab Nicht steigende absolute Risikoaversion
30 30 Arrow-Pratt Maß Eigenschaften Arrow-Pratt Maß: r(x) = u''(x) u'(x) Steigende Nutzenfunktion u (x) > 0 Risikoaversion: r(x) > 0, da u (x) < 0 (rechtsgekrümmt) Risikofreude: r(x) < 0, da u (x) > 0 (linksgekrümmt) Fallende Nutzenfunktion u (x) < 0 Risikoaversion: r(x) < 0, da u (x) > 0 (linksgekrümmt) Risikofreude: r(x) > 0, da u (x) < 0 (rechtsgekrümmt) Sind fallende Nutzenfunktionen relevant? Fallende Nutzenfunktionen in steigende kodierbar Zur Erhöhung der Verständlichkeit steigende wünschenswert Risikoeinstellung von Entscheidern auch heute hippes Forschungsthema
31 31 Typische Nutzenfunktionen Bisher Bedeutung der Nutzenfunktion für Verständnis Entscheidungsverhalten Forderung nach stetiger, differenzierbarer Nutzenfunktion Idee (konkrete Umsetzung in diesem Kapitel weiter hinten) Ermittlung einiger Punkte der Nutzenfunktion Schätzung der gesamten Nutzenfunktion durch Näherung an diese Punkte (Bsp.: Minimierung der Abweichungsquadrate) Voraussetzung hierfür: Allgemeine Form für Nutzenfunktion Standardform für Funktionen Lineare Funktion: f(x) = α + β x Quadratische Funktion: f(x) = α + β x + γ x 2 Exponentielle Funktion: f(x) = α + β e γx Logarithmische Funktion: f(x) = α + β log(x) Welche Art der Funktion ist für Nutzenfunktionen geeignet?
32 32 Typische Nutzenfunktionen Linear Form der Nutzenfunktion: u(x) = α + β x Steigung: u (x) = β Krümmungsverhalten: u (x) = 0 Arrow-Prat Maß: r(x) = 0 ß = 0 Art der abgebildeten Entscheider Steigung: positiv, wenn β > 0 Risikoeinstellung: nie risikoavers Praktische Anwendbarkeit Entsprechende Entscheider sind unwahrscheinlich, da Risikoaversion nicht abbildbar Dennoch theoretisch sehr relevant, da Abbildung des risikoneutralen Entscheiders Klar? Dient als Benchmark für andere funktionale Formen
33 33 Typische Nutzenfunktionen Quadratisch Form der Nutzenfunktion: u(x) = α + β x + γ x 2 Steigung: u (x) = β + 2γx Krümmungsverhalten: u (x) = 2γ 2γ Arrow-Prat Maß: r(x) = ß + 2γ x Art der abgebildeten Entscheider Steigung: positiv, wenn β + 2γx > 0 (typische Annahme: β>0, γ<0) 2γ Risikoeinstellung: risikoavers, wenn r(x) = ß + 2γ x < 0 ß + 2γ x > 0 x > ß 2γ Praktische Anwendbarkeit Entsprechende Entscheider sind unwahrscheinlich, da Risikoaversion steigt, wenn x steigt Sollte nicht zur Abbildung menschlichen Verhaltens genutzt werden Nutzen u(x) Auszahlung x
34 34 Typische Nutzenfunktionen Exponentiell Form der Nutzenfunktion: u(x) = α + β e γx Steigung: u (x) = γβ e γx Krümmungsverhalten: u (x) = γ 2 β e γx Arrow-Prat Maß: r(x) = γ 2 βe γ x = γ γβe γ x Art der abgebildeten Entscheider Risikoeinstellung: risikoavers, wenn γ < 0 (sogar konstant!) Steigung: positiv, wenn γβ e γx > 0 (typische Annahme: β < 0) Klar? Praktische Anwendbarkeit Entsprechende Entscheider sind möglich, da Risikoaversion konstant, wenn x steigt Kann zur Modellierung von Verhalten genutzt werden Nutzen u(x) Auszahlung x
35 35 Typische Nutzenfunktionen Logarithmisch Form der Nutzenfunktion: u(x) = α + β log(x) Steigung: u (x) = β / x Krümmungsverhalten: u (x) = -β / x 2 Arrow-Prat Maß: r(x) = βx βx = 1 2 x r *(x) = x x =1 Art der abgebildeten Entscheider Risikoeinstellung: risikoavers, wenn x > 0 (konstantes r*(x)!) Steigung: positiv, wenn β / x > 0 x > 0 Praktische Anwendbarkeit Entsprechende Entscheider sind möglich, da relative Risikoaversion konstant Kann zur Modellierung von Verhalten genutzt werden Nutzen u(x) Auszahlung x
36 36 Typische Nutzenfunktionen Prospekt Theorie (Exkurs) Form der Nutzenfunktion: u(x) = x α Steigung: u (x) = α x α-1 Krümmungsverhalten: u (x) = α (α - 1) x α-2 (α 1)αxα 2 Arrow-Prat Maß: r(x) = αx α 1 = α 1 x Art der abgebildeten Entscheider Risikoeinstellung: risikoavers, wenn x > 0 und α 1 < 0 α < 1 Steigung: positiv, wenn α x α-1 > 0 x > 0 und α > 0 Praktische Anwendbarkeit Entsprechende Entscheider sind möglich, da relative Risikoaversion konstant Ist aktuell populäre Form der Nutzenfunktion (Prospekt Theorie) Nutzen u(x) Auszahlung x
37 37 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
38 38 Bestimmung der Nutzenfunktion Bisher Stetige Nutzenfunktion für verschiedene Aufgaben nötig (z.b. Bestimmung des Arrow-Pratt Maß) Abfrage aller (unendlich vieler) Nutzenwerte nicht möglich Allgemeine Formen von Nutzenfunktionen gegeben (exponentiel, logarithmisch, Prospect Theorie) Jetzt Vorstellung verschiedener Methoden zur Bestimmung der Nutzenfunktion Diskussion zweier Aspekte pro Methode Theoretische Methodik Praktische Anwendbarkeit Nutzen des Vorgehens (vgl. Kapitel 2) Theorie oft inkompatibel mit tatsächlichen Entscheidungen Erhebungsmethode beeinflusst Ergebnis
39 39 Basisreferenzlotterie Idee Beschreibung der Lotterie mit bestem und schlechtesten Ergebnis p x max SÄ* 1- p x min Basisreferenzlotterie Mathematische Implikation Normierung (wie bisher): u(x max ) = 1 und u(x min ) = 0 EU(Basisreferenzlotterie) = p u(x max ) = (1-p) u(x min ) = p = u(sä*) Definition (Basisreferenzlotterie) Die Basisreferenzlotterie sei die Lotterie BRL bei der die bestmögliche Auszahlung x max mit Wahrscheinlichkeit p und die schlechtmöglichste x min mit (1-p) auftritt. Für diese Lotterie gilt EU(BRL) = p = u(sä*)
40 40 Ableitung Nutzenfunktion (Erwartungsnutzentheorie) Allgemeines Vorgehen Betrachtung der Basisreferenzlotterie (EU(BRL) = p = u(sä*)) Visualisierung von u(x min ) und u(x max ) Ermittlung von SÄ* oder u(sä*) [Details später] Bestimmung weiterer Datenpunkte (analog SÄ*) Interpolation der gesamten Nutzenfunktion Illustration Nutzen u(x) Auszahlung x Welches Vorgehen bei nicht monotonen Nutzenfunktionen?
41 41 Mittelwertkettungsmethode Idee Bestimmen der Sicherheitsäquivalente für p = 0.5 (analog Halbierungsmethode: Wahl von SÄ auf Basis vorangegangener SÄ) Schrittweises Vorgehen Visualisierung von u(x min ) und u(x max ) Entscheider nennt SÄ* für Lotterie (x min, 0.5; x max, 0.5) Entscheider nennt SÄ für (x min, 0.5; SÄ*, 0.5); (SÄ*, 0.5; x max, 0.5) Fortführen des obigen Vorgehens bis ausreichen Datenpunkte vorhanden Interpolation der gesamten Nutzenfunktion Illustration 0.5 x max 0.5 SÄ* 0.5 x max 0.5 x min SÄ* 0.5 x min x SÄ* x Schritt 2. Schritt 3. Schritt
42 42 Mittelwertkettungsmethode Beispiel I Beispiel Erwartetes Einkommen x min x max Schritt 1 Visualisierung von u(x min ) und u(x max ) Nutzen u(x) Auszahlung x
43 43 Mittelwertkettungsmethode Beispiel I Beispiel Erwartetes Einkommen x min x max Schritt 2 Entscheider nennt SÄ* für Lotterie (10.000, 0.5; , 0.5) [hier: ] Nutzen u(x) Auszahlung x
44 44 Mittelwertkettungsmethode Beispiel I Beispiel Erwartetes Einkommen x min x max Schritt 3 Fortführen des obigen Vorgehens bis ausreichen Datenpunkte vorhanden Nutzen u(x) Auszahlung x
45 45 Mittelwertkettungsmethode Beispiel I Beispiel Erwartetes Einkommen x min x max Schritt 4 Interpolation der gesamten Nutzenfunktion Nutzen u(x) Auszahlung x
46 46 Mittelwertkettungsmethode Diskussion Hinweis: Interpolation Im vorliegenden Fall Interpolation mit logarithmischer Nutzenfunktion Interpolation auch linear,... usw. möglich Vorteil: Art der genutzten Lotterien Bisher: Verarbeitung Wahrscheinlichkeiten für Entscheider schwierig Hier: Ausschließlich Abfrage einfacher 50% / 50% Lotterien Vorteil: Einfache Konsistenzprüfung Bei Inkonsistenzen Normierung von x min und x max auf andere Werte Erhebung dieser neuen Lotterien (0.5, x min; 0.5, x max ) Nachteil: Potentielle Fehlerfortpflanzung In spätere Lotterien gehen Sicherheitsäquivalente voriger Lotterien ein Inkonsistente Angaben am Anfang können sich potenzieren
47 47 Fraktilmethode Idee Bestimmen der Sicherheitsäquivalente für verschiedene p (anders als Mittelwertverkettungsmethode: x min und x max bleiben unverändert) Schrittweises Vorgehen Visualisierung von u(x min ) und u(x max ) Entscheider nennt SÄ für Lotterie (x min, 0.8; x max, 0.2) Entscheider nennt SÄ für (x min, 0.6; x max, 0.4); (x min, 0.4; x max, 0.6);... Fortführen des obigen Vorgehens bis ausreichen Datenpunkte vorhanden Interpolation der gesamten Nutzenfunktion Illustration 0.8 x max 0.6 x max 0.4 x max 0.2 x min x x min x x min x Schritt 2. Schritt 3. Schritt
48 48 Fraktilmethode Beispiel I Beispiel Erwartetes Einkommen x min x max Schritt 1 Visualisierung von u(x min ) und u(x max ) Nutzen u(x) Auszahlung x
49 49 Fraktilmethode Beispiel II Beispiel Erwartetes Einkommen x min x max Schritt 2 Entscheider nennt SÄ für Lotterie (x min, 0.8; x max, 0.2) Nutzen u(x) Auszahlung x
50 50 Fraktilmethode Beispiel III Beispiel Erwartetes Einkommen x min x max Schritt 3 Entscheider nennt SÄ für (x min, 0.6; x max, 0.4); (x min, 0.4; x max, 0.6); Nutzen u(x) Auszahlung x
51 51 Fraktilmethode Beispiel IV Beispiel Erwartetes Einkommen x min x max Schritt 4 Interpolation der gesamten Nutzenfunktion Nutzen u(x) Auszahlung x
52 52 Fraktilmethode Diskussion Hinweis: Wahl der Stützstellen Die Wahrscheinlichkeiten p werden über Intervall [0; 1] gleichverteilt Anzahl der Stützstellen damit zu Beginn der Erhebung bekannt Erfahrener Befrager kann auch p frei wählen Konsistenzprüfung Einfachstes Vorgehen: Mittelwerte zwischen erhobenen Punkten Beispiel: x 0.4 und x 0.6 bekannt, dann Abfrage von x 0.5 Vorteil: Konsequenzen unverändert x min und x max bleiben während gesamter Abfrage unverändert Nur Wahrscheinlichkeiten ändern sich Vorteil: Keine Fehlerfortpflanzung In spätere Lotterien gehen keine Ergebnisse voriger Abfragen ein Inkonsistente Angaben am Anfang können sich nicht potenzieren Nachteil: Komplexe Lotterien Wahrscheinlichkeit p wird variiert Potentielle Schwierigkeit bei Bewertung für Entscheider (Kapitel 2!)
53 53 Methode variabler Wahrscheinlichkeiten Idee Bestimmen von p für gegebene SÄ, x min und x max (gehört zu Klasse der Wahrscheinlichkeitsäquivalent-Methoden) Schrittweises Vorgehen Visualisierung von u(x min ) und u(x max ) Entscheider nennt p für (x min, p; x max, (1-p)) SÄ 1 = x min (x max x min ) Fortführen des obigen Vorgehens bis ausreichen Datenpunkte vorhanden Interpolation der gesamten Nutzenfunktion Illustration p 0.5 x max p 0.5 x max p 0.75 x max 1-p 0.5 x min 1-p 0.25 x min +0.5(x max x min ) x min +0.25(x max x min ) x min +0.75(x max x min ) 1. Schritt 2. Schritt 3. Schritt x min 1-p 0.75 x min
54 54 Methode variabler Wahrscheinlichkeiten Beispiel I Beispiel Erwartetes Einkommen x min x max Schritt 1 Visualisierung von u(x min ) und u(x max ) Nutzen u(x) Auszahlung x
55 55 Methode variabler Wahrscheinlichkeiten Beispiel II Beispiel Erwartetes Einkommen x min x max Schritt 2 Entscheider nennt p für (x min, p; x max, (1-p)) SÄ 1 = x min (x max x min ) Nutzen u(x) Auszahlung x
56 56 Methode variabler Wahrscheinlichkeiten Beispiel III Beispiel Erwartetes Einkommen x min x max Schritt 3 Fortführen des obigen Vorgehens bis ausreichen Datenpunkte vorhanden Nutzen u(x) Auszahlung x
57 57 Methode variabler Wahrscheinlichkeiten Beispiel IV Beispiel Erwartetes Einkommen x min x max Schritt 4 Interpolation der gesamten Nutzenfunktion Nutzen u(x) Auszahlung x
58 58 Methode variabler Wahrscheinlichkeiten Diskussion Hinweis: Wahl der Stützstellen Die abgefragten Sicherheitsäquivalente können beliebig gewählt werden Anzahl der Sicherheitsäquivalente bis Nutzenfunktion interpolierbar Konsistenzprüfung Hier: Essentiell wichtig, da Abfrage als schwer wahrgenommen Einsatz der bisherigen Abfragetechniken mögliche Vorteil: Für nicht-kontinuierliche Daten möglich Sollte x nicht-kontinuierlich sein,... Kann als SÄ beliebiger zulässiger Wert gewählt werden Vorteil: Keine Fehlerfortpflanzung In spätere Lotterien gehen keine Ergebnisse voriger Abfragen ein Inkonsistente Angaben am Anfang können sich nicht potenzieren Nachteil: Komplexe Lotterien Angabe von Indifferenzwahrscheinlichkeiten als schwer wahrgenommen Variation der Lotterien schwierig
59 59 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
60 60 Identifikation der optimalen Alternative Bisher n Definition des Erwartungsnutzens: i=1 Methoden zur Ableitung der Nutzenfunktion Jetzt Vorgehen zur Ableitung der Nutzenfunktion Entscheidungssituation EU(a) = p i u(a i ) Konsequenz p 1 p 2 p 3 E(a) Alternative Entscheidungsmatrix Alternative a a 1 a 2 a 3 p 1 a 1 +p 2 a 2 +p 2 a 3 b b 1 b 2 b 3 p 1 b 1 +p 2 b 2 +p 2 b 3 Konsequenz p 1 p 2 p 3 EU(a) a u(a 1 ) u(a 2 ) u(a 3 ) p 1 u(a 1 )+p 2 u(a 2 )+p 2 u(a 3 ) b u(b 1 ) u(b 2 ) u(b 3 ) p 1 u(b 1 )+p 2 u(b 2 )+p 2 u(b 3 )
61 61 Identifikation der optimalen Alternative Beispiel Entscheidungssituation Fahrtdauer p Regen = 20% p Sonne = 50% p Schnee = 30% E(Fahrtdauer) Rad 11 Minuten 15 Minuten 20 Minuten 14.5 Minuten Alternative Bus 15 Minuten 15 Minuten 15 Minuten 15.0 Minuten Auto 17 Minuten 10 Minuten 20 Minuten 14.4 Minuten Wertfunktion: e 0.02x Warum ist Exponent hier positiv? Entscheidungsmatrix p Regen = 20% p Sonne = 50% p Schnee = 30% EU(Fahrtdauer) Rad Alternative Bus Auto Entscheidung: Fahrt mit dem Auto
62 62 Visualisierung von Entscheidungssituationen Problem Oft beeinflusst Entscheidung künftige Entscheidungen Darstellung als Baum möglich Beispiel Minuten Minuten Minuten Liegen bleiben Minuten 0.0 Minuten Im Folgenden Bestimmung von optimalen Alternativen für Entscheidungsbäume
63 63 Roll-Back-Verfahren Vorgehen Bewertung der Konsequenzen mittels Nutzenfunktion Rückwärtstraversion durch die Entscheidungspunkte Ermittlung des Erwartungsnutzen für alle Handlungsalternativen Streichen aller nicht maximalen Handlungsalternativen Ergebnis der Rückwärtstraversion: Optimale Handlungsalternative Beispiel Minuten Minuten Minuten 0.90 Liegen bleiben Minuten Minuten 1.50
64 64 Roll-Back-Verfahren Beispiel Entscheidung über Ölbohrung Bohren mit Test Wertfunktion Es wird getestet und dann entschieden
65 65 Roll-Back-Verfahren Anmerkungen Vorteile Schnell Die Entscheidung lässt sich mit wenigen Berechnungen bestimmen Verständlich Die Vorgehensweise lässt sich einfach erklären / verstehen Nachteile Nur optimale Alternative wird identifiziert Keine Ordnung der übrigen Alternativen Vergleich bester mit zweitbester Alternative nicht möglich Eingeschränkte Anwendbarkeit Kein Einsatz, wenn wenn Wahrscheinlichkeiten nicht multiplizierbar (Reduction of compound lotteries axiom) Kein Einsatz, wenn Äste nicht vernachlässigbar (Unabhängigkeitsaxiom)
66 66 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
67 67 Aussagekraft der Nutzenfunktion Nutzen u(x) Auszahlung x Was sagt uns diese Funktion über die Risikopräferenzen des Entscheiders?
68 68 Aussagekraft der Nutzenfunktion Beispiel Richtig: Erst mal nichts! Krümmung als Konsequenz der Risikopräferenzen möglich, aber auch als Konsequenz der Wertfunktion Präferenzen über Orangen Abfrage der Nutzenfunktion ergibt (0 Orangen, 0.5; 8 Orangen, 0.5) (2 Orangen, 1.0) SÄ = 2 < E(x) = 4 (risikoavers) Illustration des Entscheiders (rechts) Abfrage der Wertfunktion (1. Fall) (0 Orangen 2 Orangen) (2 Orangen 8 Orangen) Wertfunktion und Risikofunktion sind identisch Relativ zur Wertfunktion risikoneutral ( intrinsisch risikoneutral ) Abfrage der Wertfunktion (2. Fall) (0 Orangen 4 Orangen) (4 Orangen 8 Orangen) Wertfunktion und Risikofunktion nicht identisch ( intrinsisch risikoavers ) u(x) v(x) v(x) 100% 75% 50% 25% 0% 100% 75% 50% 25% 0% 100% 75% 50% 25% 0% Anzahl Orangen Anzahl Orangen Anzahl Orangen
69 69 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
70 70 Additives Modell Motivation Bisher Multiattributive Wertfunktion (siehe Kapitel 1) Wertfunktion berücksichtigt mehrere Attribute Nutzenfunktion für ein Ziel (dieses Kapitel) Nutzenfunktion wird für ein Attribut ermittelt Jetzt Kombination beider Ansätze um In Nutzenfunktion mehrere Attribute abbilden zu können Notation Sichere Alternative a i = (a i1,..., a in ) mit Attributwert a ij für Attribut X j Unsichere Alternative a = [p 1, (a 11,..., a 1m );...; p n, (a n1,..., a nm )] = [p 1, a 1 ;...; p n, a n ] Notation (in Worten) Alternative a führt mit Wahrscheinlichkeit p i zum Ereignis i und damit zur Konsequenz (a i1,..., a im ). Dabei ist a ij der Attributwert des Attributs X j bei der Wahl der Alternative a und Eintritt von Ereignis i.
71 71 Additives Modell Vorteile Ziel: Wird Alternative a gegenüber b vorgezogen, dann sollte der Erwartungsnutzen von a größer als der Erwartungsnutzen von b sein, d.h. es soll gelten: a b EU(a) > EU(b) Wünschenswert (Nutzenfunktion im Sinne des Dekompositionsprinzips) Additive Nutzenfunktion u(a i ) = Σ m j=1 k j u j (a ij ) mit k j > 0 und Σ k j = 1 Vorteil einer Nutzenfunktion im Sinne des Dekompositionsprinzips Erwartungswert über Addition (formal) bestimmbar EU(a) = Σ n i=1 p i u(a i ) = Σn i=1 p i [Σm j=1 k j u j (a ij )] bzw. = Σ m j=1 k j [Σn i=1 p i u j (a ij )] = Σm j=1 EU(a i ) Erwartungswert über bisherige Methoden empirisch ermittelbar Eindimensionale Nutzenfunktion u j (a ij ) (vgl. Beginn des Kapitels) Gewichtungsfaktoren k j über Trade-off Verfahren (vgl. Kapitel 2)
72 72 Randwahrscheinlichkeiten Diskrete Zufallsvariable Münzwurf (3x wiederholt) (forts.) Zufallsvariable X: Anzahl Z bei den ersten beiden Würfen Zufallsvariable Y: Anzahl Z bei den letzten beiden Würfen Wahrscheinlichkeitstabelle X Y /8 1/8 0 1/4 1 1/8 1/4 1/8 1/ /8 1/8 1/4 ( ) ( ) ( ) = P X = 0 = P X =1 = P X = 2 1/4 1/2 1/4 = P( Y = 0) = P( Y =1) = P( Y = 2) Randwahrscheinlichkeiten lassen sich über Zeilen- bzw. Spaltensummen der Wahrscheinlichkeitstabellen ermitteln Wiederholung Teil A
73 73 Additives Modell Voraussetzungen I Definition (Additive Nutzenunabhängigkeit) Die Attributmenge X 1,..., X m heißt additiv nutzenunabhängig, falls die Präferenzen über Lotterien nur von den Verteilungen der Ausprägungen der einzelnen Attribute abhängen, nicht jedoch von Verteilungen von Attributkombinationen. Beispiel: Winterurlaub Zugspitze Harz Was ist besser (Zugspitze oder Harz)? Sonne Schnee ja nein ja nein Top Wetter /2 Flop Wetter /2 Top Wetter /2 Flop Wetter /2 1/2 1/2 1/2 1/2
74 74 Additives Modell Beispiel Winterurlaub Zugspitze Harz Sonne Schnee ja nein ja nein Top Wetter /2 Flop Wetter /2 Top Wetter /2 Flop Wetter /2 1/2 1/2 1/2 1/2 Additives Modell EU(Zugspitze) = 0.5 [0.5 u so (1) u so (0) u sc (1) u sc (0)] [0.5 u so (0) u so (1) u sc (0) u sc (1)] = 0.5 u so (1) u so (0) u sc (1) u sc (0) EU(Harz) = 0.5 [0.5 u so (1) u so (0) u sc (1) u sc (0)] [0.5 u so (1) u so (0) u sc (1) u sc (0)] = 0.5 u so (1) u so (0) u sc (1) u sc (0) EU(Zugspitze) = EU(Harz) Ist das intuitiv?
75 75 Additives Modell Voraussetzungen II Problem: Komplementäre Attributbeziehungen Additives Modell nicht anwendbar bei Attributen die bei bestimmten Attributwerten höheren Nutzen bewirken als alleine Beispiele Winterurlaub Ski bei Sonne ist besser als Wandern bei Sonne + Ski ohne Sonne Schuhkauf Passendes Paar Schuhe ist besser als passender linker / rechter Schuh Problem: Substitutive Attributbeziehungen Additives Modell nicht anwendbar bei Attributen die bei bestimmten Attributwerten andere kompensieren Beispiel: Winterurlaub Schnee: Ski (und Wetter egal) + Sonne: Wandern (und Schnee unnötig) Getränke Ist der Wein aus, saufen wir eben Bier!
76 76 Additives Modell Voraussetzungen III Problem: Intrinsische, multiattributive Risikoaversion (-freude) Risikofreude: Alles riskieren,... um das meiste rauszuholen Risikoaversion: Schlechtes Ergebnis sollte noch akzeptabel sein Unterschied zu bisher Nutzen der Attribute kann unabhängig sein Nutzen von Sonne unabhängig von Schnee (immer schönes Wetter) Nutzen von Schnee unabhängig von Sonne (immer Skifahren möglich) Zugspitze Harz Sonne Schnee ja nein ja nein Top Wetter /2 Flop Wetter /2 Top Wetter /2 Flop Wetter /2 1/2 1/2 1/2 1/2 Zugspitze Harz: Risikoaversion Harz Zugspitze: Risikofreude
77 77 Additives Modell Prüfen der Voraussetzungen Konstruktion von Lotterien (analog Beispiel) Für Alternativen bester und schlechtester Ausgang gleich wahrscheinlich Alternative 1: Bester und schlechtester Ausgang tritt gemeinsam auf Alternative 2: Bester und schlechtester Ausgang treten abwechselnd auf Prüfung auf Indifferenz zwischen den Alternativen Bei weitestgehend Indifferenz: Additives Modell anwendbar Bei mangelnder Indifferenz: Keine Anwendung des additiven Modells Additives Modell ist einfach Notfalls versuchen Voraussetzung herzustellen Komplementäre oder substitutive Attributbeziehungen Umdefinieren der Ziele Beispiel: Zuverlässigkeit und Servicequalität (Substitute) Umwandlung in Ziel Reparaturkosten Intrinsische, multiattributive Risikoaversion (-freude) Herstellen der Voraussetzungen schwierig Anwendung alternatives Modell
78 78 Agenda Einführung Entscheidungen unter Sicherheit Generierung von Wahrscheinlichkeiten Erwartungswert Erwartungsnutzentheorie Risikopräferenzen Bestimmung der Nutzenfunktion Ermittlung der optimalen Alternative Nutzentheorie und Risiko Mehrere Ziele Empirische Beobachtungen Zeitpräferenzen bei sicheren Erwartungen Deskriptive Aspekte des Entscheidens Naive Entscheidungsregeln und Heuristiken
79 79 Ellsberg-Paradoxon I Experiment (Ellsberg, 1961) Urne enthält 30 rote Bälle und schwarze oder gelbe Bälle Verhältnis schwarzer zu gelben Bällen unbekannt Zwei Entscheidungssituationen Alternative a b Beschreibung Gewinn falls roter Ball gezogen Gewinn falls schwarzer Ball gezogen Alternative a' b' Beschreibung Gewinn falls roter oder gelber Ball gezogen Gewinn falls schwarzer oder gelber Ball gezogen Typisches Ergebnis 1. Entscheidung a b 2. Entscheidung b a
80 80 Ellsberg-Paradoxon II Verletzung des Sure Thing Principle Unterschied zwischen a, b und a, b : a und b treten auch dann ein wenn Kugel gelb Präferenz sollte identisch sein Illustration Gewinnwkt. a (a ) Gewinnwkt. b (b ) sicherer Gewinn 1 p a p b - 2 p a + p c p b + p c - p a p b p c Situationen sind mit Ausnahme der sicheren Auszahlung gleich Präferenz sollte identisch sein Erklärungsansätze Ambiguitätsaversion: Entscheider favorisieren hohe Glaubwürdigkeit Weiterer Risikofaktor: Nichtwissen der Wkt. als zusätzliches Risiko
81 81 Allais Paradoxon I Wahl zwischen je zwei Lotterien (visualisiert als Baum) a 1.00 (3.000) 0.25 (3.000) a' b 0.75 (0) 0.8 (4.000) Entscheider wählen meist Situation 1: a b Situation 2: b a Aber: 1.0 : 0.8 = 5 : 4 = 0.25 : 0.20 (Verhältnis der Gewinnwkt. Identisch) Übergang von 100% auf 80% stärker gewichtet als 25% zu 20% 0.2 E(a) = E(b) = (0) 0.2 (4.000) 0.8 E(a ) = 750 E(b ) = 800 b (0)
82 82 Allais Paradoxon II Wahl zwischen je zwei Lotterien (Allais, 1953) Situation 1 Wahl A Wahl B 100%, 1 Mio 10%, 5 Mio 1%, 0 Mio 89%, 1 Mio Entspricht: 11%, 1 Mio 89%, 1 Mio 10%, 5 Mio 1%, 0 Mio 89%, 1 Mio Situation 2 Wahl A Wahl B Vorhersage Erwartungsnutzentheorie (wg. Unabhängigkeit) Situation 2 unterscheidet sich von Situation 1 durch hinzufügen von Mio mit Wahrscheinlichkeit 89% Wer A B wählt sollte damit auch A B wählen Typisches Ergebnis Situation 1: A B Situation 2: B A 11%, 1 Mio 89%, 0 Mio 10%, 5 Mio 90%, 0 Mio
83 83 Isolationsprinzip Noch etwas deutlicher... Nicht in der Vorlesung behandelt Wahl zwischen je zwei identischen Lotterien in unterschiedlicher Darstellung Normale Lotterie Situation 1 Wahl A Wahl B 25%, %, 0 20%, %, 0 Darstellung als Baum, wobei Teilnehmer entscheidet vor Zug der Natur, wobei A (3.000) 0, (4.000) B 0, (0) (0) Situation 2 Wahl A Wahl B 100%, %, %, 0 Entspricht 25%, %, 0 20%, %, 0 Typisches Ergebnis: B A (65% der Teiln.) und A B (78% der Teiln.)
84 84 Nicht in der Vorlesung behandelt Dreieck-Ergebnis-Diagramm Bisherige Darstellung Indifferenzkurven sind Parallelen, da... Angabe von p 2 : nicht nötig, da gilt p 2 = 1 p 1 p 3 Stärke Präferenz: Da x 1 x 2 x 3 gilt Alternative (0, x 1 ; 0, x 2 ; 1, x 3 ) am Besten Fehlt noch: Form der Indifferenzkurven (Gerade, identische Steigung p 1 =0.1, p 2 =0.2, p 3 =0.7 Indifferenzkurven (p 1 =0, p 3 =1) Wiederholung vorn (p 1 =0, p 3 =0) (p 1 =1, p 3 =0)
85 Nicht in der Vorlesung behandelt Dreieck-Ergebnis-Diagramm Darstellung unter Berücksichtigung des Allais-Paradoxons Indifferenzkurven bilden Fächer, da... Geraden: a b a p a + (1-p) b b Fächer: Abstände nahe 0 und 1 werden größer Indifferenzkurven (p 1 =0, p 3 =1) (p 1 =0, p 3 =0) (p 1 =1, p 3 =0)
Wichtige 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.
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
MehrVorlesung 5: Probleme der Erwartungsnutzentheorie
Vorlesung 5: Probleme der Erwartungsnutzentheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 5 (FS 11) Probleme der Erwartungsnutzentheorie 1 / 24 1. Einleitung
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.
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)
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
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
MehrAllgemeine Volkswirtschaftslehre I für WiMA und andere (AVWL I)
I WiMA und andere WS 007/08 Institut Wirtschaftswissenschaften www.mathematik.uni-ulm.de/wiwi/ . Grundzüge der Mikroökonomik WS 007/08.6 Theorie des Haushalts .6 Theorie des Haushalts WS 007/08 Haushaltstheorie
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
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
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
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
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
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
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
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
MehrWie rational sind wir eigentlich? Die Grenzen des Homo oeconomicus
Wie rational sind wir eigentlich? Die Grenzen des Homo oeconomicus Sofie Waltl I. Homo oeconomicus In der neoklassischen Sichtweise der Volkswirtschaft basieren viele Modelle auf der Annahme, dass Menschen
Mehr2. Gesundheitsfinanzierung
2. Gesundheitsfinanzierung Inhalte dieses Abschnitts 2.1 Grundmodell der Versicherung Versicherungsmotiv Optimale Versicherungsnachfrage Aktuarisch faire und unfaire Prämien 145 2.1 Grundmodell der Versicherung
MehrThema Nr. 4: Versicherungsentscheidungen der Nachfrager aus Sicht der Erwartungsnutzentheorie
Thema Nr. 4: Versicherungsentscheidungen der Nachfrager aus Sicht der Erwartungsnutzentheorie Rosa Lee Annette Weiß Miriam Hussein Mirco Lomb Inhalt 1. Einleitung 2. Entscheidungstheorie 3. Erwartungsnutzentheorie
MehrGrundlagen. Entscheidung unter Risiko. Entscheidungstheoretische Grundlagen. Risiko oder Unsicherheit? Risiko: Fairer Würfel W, Entscheidung zwischen
Entscheidung unter Risiko Entscheidungstheoretische Grundlagen Ein Entscheider, seine Entscheidung betrifft nur ihn selbst, aber es gibt Risiko: Risikopräferenzen: Ein Eckpfeiler des Verhaltens (neben
Mehr2. Mathematische Grundlagen
2. Mathematische Grundlagen Erforderliche mathematische Hilfsmittel: Summen und Produkte Exponential- und Logarithmusfunktionen 21 2.1 Endliche Summen und Produkte Betrachte n reelle Zahlen a 1, a 2,...,
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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
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
Mehr1. Grundlagen der Wahrscheinlichkeitsrechnung
1. Grundlagen der Wahrscheinlichkeitsrechnung Ereignisse und Wahrscheinlichkeiten Zufälliger Versuch: Vorgang, der (zumindest gedanklich) beliebig oft wiederholbar ist und dessen Ausgang innerhalb einer
MehrIK Ökonomische Entscheidungen & Märkte
LVA-Leiter: Martin Halla Einheit 4: Das Verbraucherverhalten (Kapitel 3) Einheit 4-1 - Verbraucherverhalten Budgetbeschränkung: Man kann nicht alles haben, was man sich wünscht! Konsumentenpräferenzen:
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.
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.
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
MehrVWL 3: Mikroökonomie Lösungshinweise zu Aufgabenblatt 1
Georg Nöldeke Frühjahrssemester 2009 VWL 3: Mikroökonomie Lösungshinweise zu Aufgabenblatt Siehe Abbildung x 2 m p = 25 2 Budgetgerade: { xpx + px 2 2 = m} Budgetmenge: { xpx + px 2 2 m} 0 0 m p = 20 x
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
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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:
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
Mehr2. Theorie des Haushalts
. Theorie des Haushalts. Konsumentenpräferenzen. Theorie des Haushalts Theorie des Verbraucherverhaltens Theorie des Faktorangebots Vorgehensweise in drei Schritten: ) Konsumentenpräferenzen ) Budgetrestriktion
MehrKapitel 6. Kapitel 6 Mehrstufige Zufallsexperimente
Mehrstufige Zufallsexperimente Inhalt 6.1 6.1 Mehrstufige Experimente 6.2 6.2 Bedingte Wahrscheinlichkeiten Seite 2 6.1 Mehrstufige Experimente Grundvorstellung: Viele Viele Experimente werden der der
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)
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrIK Ökonomische Entscheidungen und Märkte LVA
IK Ökonomische Entscheidungen und Märkte LVA LVA-Leiter: Michael Noldi Einheit 4: Das Verbraucherverhalten (Kap. 3) Verbraucherverhalten IK WS 2014/15 1 Verbraucherverhalten Bugetbeschränkung: Einkommen,
MehrBinomialverteilung. Statistik für SoziologInnen 1 Diskrete Verteilungsmodelle. Marcus Hudec
Binomialverteilung Jakob Bernoulli (1654-1705) Ars Conjectandi Klassisches Verteilungsmodell für die Berechnung der Wahrscheinlichkeit für die Häufigkeit des Eintretens von Ereignissen in bestimmten noch
MehrVollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die kontinuierlich ablaufende Zeit.
Kapitel 4 Reelle Zahlen 4.1 Die reellen Zahlen (Schranken von Mengen; Axiomatik; Anordnung; Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die
MehrÜ b u n g s b l a t t 10
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel. 6. 2007 Ü b u n g s b l a t t 0 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrMathematik für Wirtschaftswissenschaftler Kapitel 4-6. Universität Trier Wintersemester 2013 / 2014
Mathematik für Kapitel 4-6 Universität Trier Wintersemester 2013 / 2014 Kapitel 4 1. Extremwerte 2. Lokale Optimalpunkte 3. Wendepunkte 2 Kapitel 4.1 EXTREMWERTE 3 Extrempunkte und Extremwerte 4 Strikte
MehrKapitel 1: Präferenzen
Kapitel 1: Präferenzen Hauptidee: Eine Konsumentscheidung kann als Wahl zwischen Güterbündeln modelliert werden, gemäß der Präferenzen des Konsumenten. Die Konzepte Indifferenzkurve, Grenzrate der Substitution,
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.
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrMikroökonomik 2. Vorlesungswoche
Mikroökonomik 2. Vorlesungswoche Tone Arnold Universität des Saarlandes 30. Oktober 2007 Tone Arnold (Universität des Saarlandes) 2. Vorlesungswoche 30. Oktober 2007 1 / 108 Präferenzen Wie treffen Konsumenten/Individuen
MehrVorlesung. Informationsökonomik und die Theorie der Firma
Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 3. Vorlesung 14.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 3. Vorlesung 14.11.2007
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrRationales Entscheiden
Franz Eisenfuhr Martin Weber Rationales Entscheiden Zweite, verbesserte Auflage Mit 92 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo Hong Kong Barcelona Budapest Inhaltsverzeichnis
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrMathematik für Wirtschaftswissenschaftler. gehalten von Claus Diem
Mathematik für Wirtschaftswissenschaftler gehalten von Claus Diem Übungen Die Seminare / Übungsgruppen / Tutorien finden wöchentlich statt. Alle zwei Wochen am Montag wird ein Übungsblatt ausgegeben. Dies
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
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)
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrStandardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 12. Jänner Mathematik. Teil-1-Aufgaben. Korrekturheft
Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 12. Jänner 2017 Mathematik Teil-1-Aufgaben Korrekturheft Aufgabe 1 Mehrwertsteuer für Hörbücher y = x 1,19 1,07 Ein Punkt für eine korrekte
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
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)
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/
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
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,
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,
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 in die linearen Funktionen. Autor: Benedikt Menne
Einführung in die linearen Funktionen Autor: Benedikt Menne Inhaltsverzeichnis Vorwort... 3 Allgemeine Definition... 3 3 Bestimmung der Steigung einer linearen Funktion... 4 3. Bestimmung der Steigung
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrEs wird aus einer Urne mit N Kugeln gezogen, die mit den Zahlen 1,..., N durchnummiert sind. (N n)! n! = N! (N n)!n! =
Übungsblatt Höhere Mathematik - Weihenstephan SoSe 00 Michael Höhle, Hannes Petermeier, Cornelia Eder Übung: 5.6.00 Die Aufgaben -3 werden in der Übung am Donnerstag (5.6. besprochen. Die Aufgaben -6 sollen
MehrMathematik Abitur 2014 Lösungen
Mathematik Abitur Lösungen Richard Reindl Analysis Aufgabengruppe Teil A. f (x) = lnx (lnx), f (x) = = lnx = = x = e, f(e) = e < x < e : lnx < = f (x) < = f fallend x > e : lnx > = f (x) > = f steigend.
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
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrKapitel III. Aufbau des Zahlensystems
Kapitel III. Aufbau des Zahlensystems 1 Addition und Multiplikation natürlicher Zahlen Wir wollen erklären, wie man natürliche Zahlen addiert und multipliziert und dabei nur den Begriff das Zählens verwenden.
MehrGrundlagen der Volkswirtschaftslehre Übungsblatt 11
Grundlagen der Volkswirtschaftslehre Übungsblatt 11 Robert Poppe robert.poppe@uni-mannheim.de Universität Mannheim 25. November 2010 Überblick 1 Produktion und Wachstum 2 Kreditmarkt 3 Risikoeinstellung
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
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/...
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrVorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrWeihnachtszettel zur Vorlesung. Stochastik I. Wintersemester 2011/2012
Weihnachtszettel zur Vorlesung Stochastik I Wintersemester 0/0 Aufgabe. Der Weihnachtsmann hat vergessen die Weihnachtsgeschenke mit Namen zu beschriften und muss sie daher zufällig verteilen. Dabei enthält
MehrMikroökonomie I Kapitel 3 Das Käuferverhalten WS 2004/2005
Mikroökonomie I Kapitel 3 Das Käuferverhalten WS 2004/2005 Die Themen in diesem Kapitel Konsumentenpräferenzen Budgetbeschränkungen Verbraucherentscheidung Die Grenznutzen und die Verbraucherentscheidung
MehrApproximation. E(N) N. Beachte: Der Wert für N = 32 ist vernachlässigt, da er in der Grössenordnung der Rechengenauigkeit liegt.
Approximation Ziel: Approximation der Funktion f(x) = x mit Polynomen (global und stückweise) Experiment: Abhängigkeit des Approximationsfehlers E(N) (in der Maximumnorm) von der Anzahl der Freiheitsgrade
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
MehrDie Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man
Die Schreibweise x M bedeutet, dass das Objekt x in der Menge M liegt. Ist dies nicht der Fall, dann schreibt man x / M. Man sagt, M ist Teilmenge von N und schreibt M N, wenn für jedes x M auch x N gilt.
MehrMikroökonomik. Präferenzen, Indi erenzkurven und Nutzenfunktionen. Harald Wiese. Universität Leipzig
Mikroökonomik Präferenzen, Indi erenzkurven und Nutzenfunktionen Harald Wiese Universität Leipzig Harald Wiese (Universität Leipzig) Präferenzen, Indi erenzkurven und Nutzenfunktionen 1 / 33 Gliederung
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
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
MehrETWR TEIL B ÜBUNGSBLATT 1 WS14/15
ETWR TEIL B ÜBUNGSBLATT 1 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,
Mehr12. Vorlesung. 19. Dezember 2006 Guido Schäfer
LETZTE ÄNDERUNG: 6. JANUAR 007 Vorlesung: Einführung in die Spieltheorie WS 006/007. Vorlesung 9. Dezember 006 Guido Schäfer 4 Bayesian Games Wir haben bisher immer angenommen, dass jeder Spieler vollständige
Mehr