Entscheidungstheorie Teil 4 - msm.uni-due.de · 4 Entscheidung bei Risiko (Fortsetzung) 5...
Transcript of Entscheidungstheorie Teil 4 - msm.uni-due.de · 4 Entscheidung bei Risiko (Fortsetzung) 5...
EntscheidungstheorieTeil 4
Sommersemester 2011
Prof. Dr. Antje Mahayni
Mercator School of ManagementDepartment of Accounting & Finance
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 1/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
Gliederung Teil 4
Gliederung Teil 4
4 Entscheidung bei Risiko (Fortsetzung)
4.6 Begrundung des Bernoulli–Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische Dominanz
5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.3 Theoretische Bewertung5.4 Praktische Relevanz
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 2/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Entscheidung bei Risiko– Fortsetzung
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 3/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Begrundung des Bernoulli-Prinzips
Frage: Ist das Bernoulli–Prinzip sinnvoll?
→ Antwort A
→ Uberprufung der All–Aussage:Jeder Entscheidungstrager besitzt eine Nutzenfunktion u, so dass er
in allen Risikosituationen seine Aktionen anhand des zugehorigen
Nutzenerwartungswertes beurteilt
→ Eine Verfizierung ist unmoglich→ Stochastifizierung (Bernoulli–Prinzip prognostiziert relativ
haufig das tatsachliche Verhalten)
→ Antwort B
→ Normativer Aspekt des Bernoulli–Prinzips: Entscheide inRisikosituationen rational
→ Prazisierung durch das Bernoulli–Prinzip→ Welche Forderungen impliziert das Bernoulli–Prinzip?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 4/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Axiome (Bernoulli-Prinzip)
Axiome (Bernoulli-Prinzip)
→ Erfullt die Praferenz eines Entscheiders bezuglichrisikobehafteter Alternativen
→ die Axiome einer Praferenzordnung (Vollstandigkeit,Transitivitat),
→ das Stetigkeitsaxiom→ und das Substitutionsaxiom,
→ so existiert eine Funktion u, deren Erwartungswert diesePraferenz abbildet
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 5/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Nutzenfunktion u – Bemerkung
Nutzenfunktion u – Bemerkung
→ Die Nutzenfunktion bildet sowohl die Einstellung zum Werteiner Konsequenz als auch das Risikoverhalten ab
→ Erkennt ein Entscheider die vorherigen Axiome an, so muss ersich in riskanten Entscheidungssituationen gemaß derNutzentheorie verhalten
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 6/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Stetigkeitsaxiom – Motivation
Stetigkeitsaxiom – Motivation
→ Hypothetische Entscheidungssituation
p 1− pz1 z2
a1 x=100e x=100ea2 y=0e z=200e
→ Eine Methode zur Bestimmung der Nutzenfunktion u(Methode der variablen Wahrcheinlichkeiten):Frage den Entscheidungsrager nach der Wahrscheinlichkeit p,so dass er indifferent zwischen Alternative 1 und 2 ist
→ Die Frage muß fur verschiedene sichere Auszahlungen (nichtnur fur die obigen 100e) beantwortet werden (konnen)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 7/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Zusammengesetzte Lotterien
Motivation Stetigkeitsaxiom – zusammengesetzte Lotterien
→ Bei der Methode der variablen Wahrscheinlichkeiten muss derEntscheidungstrager ein p angeben konnen, so dass erindifferent zwischen der sicheren Auszahlung und der Lotterieist
→ Bei dem Stetigkeitsaxiom werden zusammengesetzte Lotterienbetrachtet
→ Bei einer zusammengesetzten Lotterie sind zwei oder mehr alszwei Lotterien hintereinandergeschachtelt
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 8/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Zusammengesetzte Lotterien – Beispiel
Zusammengesetzte Lotterie – Beispiel
→ Betrachte die Lotterie Y , die mit Wahrscheinlichkeit p = 0, 2eine Auszahlung von 400 ergibt und mit (1− p = 0, 8) eineAuszahlung von 0
→ Betrachte zusatzlich die Lotterie Z , die mit Wahrscheinlichkeitp = 1 eine Auszahlung von 100 ergibt (degenerierte Lotterie)
→ Eine zusammengesetzte Lotterie ergibt sich nun, wenn manz.B. mit einer Wahrscheinlichkeit von 0,5 an der Lotterie Yteilnimmt und mit einer Wahrscheinlichkeit von 0,5 an derLotterie Z
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 9/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Zusammengesetzte Lotterien – Illustration (zweistufig)
Zusammengesetzte Lotterie
→ Die zusammengesetzte Lotterie im obigen Beispiel kann alszweistufige Lotterie dargestellt werden
→ Die aquivalente einstufige Darstellung ergibt sich zuProf. Dr. Antje Mahayni Entscheidungstheorie Teil 4 10/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Zusammengesetzte Lotterien – Illustration (einstufig)
Zusammengesetzte Lotterie
→ Die aquivalente einstufige Darstellung ergibt sich zu
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 11/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Stetigkeitsaxiom
Stetigkeitsaxiom
→ Sind Lotterien (Verteilungen) X , Y und V gegeben wobeiY � X � V , dann gibt es eine Wahrscheinlichkeit p(∃p ∈ ]0, 1[), bei der
X ∼{
Y WS pV WS 1− p
Bedeutung
Das Stetigkeitsaxiom bedeutet, dass fur jede Lotterie X , die vonder Praferenz her zwischen Y und V liegt, immer eine Kombinationvon Y und V gefunden werden kann, die genauso gut ist wie X .
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 12/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Substitutionsaxiom (Unabhangigkeitsaxiom)
Substitutionsaxiom (Unabhangigkeitsaxiom)
→ Gilt fur zwei Lotterien X � Y , so muss auch fur alle LotterienZ und fur alle Wahrschinlichkeiten p gelten, dass
pX + (1− p)V � pY + (1− p)V ,
d.h.,{X WS pV WS 1− p
�{
Y WS pV WS 1− p
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 13/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Substitutionsaxiom (Unabhangigkeitsaxiom) – Bedeutung
Substitutionsaxiom (Unabhangigkeitsaxiom) – Bedeutung
→ Eine Praferenz zwischen zwei Lotterien X und Y soll sichnicht andern, wenn beide Lotterien mit ein und derselben(somit fur die Entscheidung irrelevanten) Lotterie verknupftwerden
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 14/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Beispiel
Beispiel
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 15/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Beispiel (Fortsetzung)
Beispiel (Fortsetzung)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 16/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Beispiel (Fortsetzung)
Beispiel (Fortsetzung)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 17/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
4.7 (µ, σ)–Prinzip
Klassische Entscheidungsprinzipien
→ Teils aus intuitiven Grunden, teils aus traditionellen Grunden, habensich auch andere Vorgehensweisen (als das Bernoulli–Prinzip)eingeburgert
→ Beispiele: µ–Prinzip und (µ, σ)–Prinzip
(µ, σ)–Prinzip
→ Betrachtet wird die zufallige Auszahlung X (Verteilung) mit
→ µ = E (X )
→ σ =√
Var [X ] =√
E [X 2]− (E [X ])2
→ (µ, σ)–Prinzip besagt, dass die Verteilung X (nur) nach ihremErwartungswert µ und ihrer Standardabweichung σ bewertet wird,d.h. Φ(X ) = Φ(µ, σ)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 18/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Bemerkungen
Unterscheidung (µ, σ)–Prinzip und (µ, σ)–Regel
→ (µ, σ)–Prinzip: Eine Verteilung X wird entsprechend einesPraferenzfunktionals Φ(X ) = Φ(µ, σ) beurteilt
→ Die Festlegung der Funktion Φ ergibt eine (µ, σ)–Regel
→ z.B. Φ(µ, σ) = µ− α2 σ
2 ((µ, σ)–Regel)
Darstellung von (µ, σ)–Regel durch Indifferenzkurven
→ Eine Indifferenzkurve ist die Verbindung aller (µ, σ)–Punkte,die bzgl. des gegebenen Kriteriums als gleichwertig gelten
→ Einsetzen der Punkte (von einer Indifferenzkurve) in dieEntscheidungsregel ergibt immer dieselbe Bewertung
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 19/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Indifferenzkurven – risikoaverser Entscheidungstrager
Indifferenzkurven – risikoaverser Entscheidungstrager
→ Erhohung von σ (Risiko) muss durch eine Erhohung von µkompensiert werden
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 20/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Indifferenzkurven – risikoneutraler Entscheidungstrager
Indifferenzkurven – risikoneutraler Entscheidungstrager
→ Risikoneutralitat bedeutet, dass σ (Risiko) nicht von Bedeutung ist,d.h., die Bewertung hangt nur von µ ab (= µ–Regel) →Φ(µ, σ) = Φ(µ)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 21/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Indifferenzkurven – risikofreudiger Entscheidungstrager
Indifferenzkurven – risikofreudiger Entscheidungstrager
→ Stimmen zwei Verteilungen in ihrem Erwartungswert uberein, sowird diejenige mit dem hoheren Risiko (σ) bevorzugt
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 22/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
(µ, σ)–Entscheidungsregel (Aufgabe)
Aufgabe
→ Betrachtet werden die Verteilungen X1 und X2 mit
xi P(X1 = xi )
0 0,10,5 0,21 0,42 0,23 0,1
xi P(X2 = xi )
-0,5 0,1-0,25 0,21,5 0,43 0,24 0,1
→ Bewerten Sie die Verteilungen X1 und X2 mit der(µ, σ)–Entscheidungsregel
Φ(X ) = Φ(µ, σ) =µ− 1
3σ2
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 23/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Losung
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 24/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
(µ, σ)–Prinzip (Problem)
Beispiel
→ Betrachte die Lotterien X und Y mit
xi P(X = xi )
-1 1.000.0001.000.001
1.000.000 11.000.001
yi P(Y = yi )
-1.000 12
1.000 12
→ X und Y stimmen in ihren Erwartungswerten uberein
E [X ] = −1.000.000
1.000.001+
1
1.000.001· 1.000.000 = 0
E [Y ] = −1.000 · 1
2+ 1.000 · 1
2= 0
→ X und Y stimmen in ihren Varianzen uberein
Var[X ] =1.000.000
1.000.001· 1
1.000.001· (1.000.000− (−1))2 = 1.000.000
Var[Y ] =1
2· 1
2· (1.000− (−1.000))2 = 1.000.000
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 25/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Problem
→ Laut (µ, σ)–Prinzip sind die Lotterien X und Y gleichwertig
→ X beschreibt ein Gluckspiel von der Art: Fur einen sehrniedrigen Einsatz (1 e) erhalt der Spieler mit sehr geringerWahrscheinlichkeit einen sehr hohen Gewinn (1.000.000 e)
→ Demgegenuber ist der Gewinn bei Y weniger attraktiv und einVerlust von 1.000 e relativ wahrscheinlich
→ Das Risikoverhalten eines Entscheidungstrager kann aber nurdann durch eine (µ, σ)–Regel beschrieben werden, wenn erindifferent zwischen den Verteilungen X und Y ist
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 26/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Bemerkung – Vertraglichkeit mit dem Bernoulli–Prinzip
Bemerkung – Vertraglichkeit mit dem Bernoulli–Prinzip
→ Das Bernoulli-Prinzip und das (µ, σ)-Prinzip sind genau dannvertraglich, wenn das Praferenzfunktional Φ(µ, σ) und dieRisikonutzenfunktion u(x) folgende Gestalt haben:
Φ(µ, σ) = b1µ+ b2(µ2 + σ2)
u(x) = b1x + b2x2, fur beliebige Konstanten b1, b2
→ Fur allgemeinere Praferenzfunktionale erhalt man eineVertraglichkeit nur dann, wenn man die moglichenWahrscheinlichkeitsverteilungen einschrankt
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 27/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
MotivationMotivation
→ Falls nur ein bestimmter Entscheidungstrager betrachtet wird (und dessenRisikonutzenfunktion ermittelt wurde), konnen alle Alternativen(problemlos) verglichen werden
→ Aussagen uber die Wirkung von:
→ Entlohnungsschemata→ Regulierungsmaßnahmen→ Steuertarifanderungen→ · · ·
konnen nur getroffen werden, wenn eine Gruppe vonEntscheidungstragern betrachtet wird
→ Aussagen werden hier nur dann erzielt, wenn ein bestimmter Effekt fureine ganze Klasse von Nutzenfunktionen (z.B. CARA– oderCRRA–Nutzenfunktionen) nachgewiesen werden kann
→ Wir werden im folgenden (umfangreichere) nichtparametrische Klassenvon Nutzenfunktionen betrachten
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 28/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Klassen von Nutzenfunktionen
Klassen von Nutzenfunktionen
→ U1 = Klasse aller monoton wachsendenRisikonutzenfunktionen u
→ U2 = Klasse aller Risikonutzenfunktionen u aus U1, diekonkav sind
Bemerkung
→ u′ > 0 bedeutet, dass mehr besser ist und stellt den normalenFall dar
→ Gilt zusatzlich u′′ < 0, so bedeutet dies abnehmendenGrenznutzen
→ u′′ < 0 bedeutet, die Nutzenfunktion ist konkav (risikoaverserEntscheidungstrager)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 29/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Stochastische Dominanz ersten Grades
Stochastische Dominanz ersten Grades (first degree stochasticdominance)
→ Falls alle Entscheidungstrager mit einer Nutzenfunktion u ausU1 zu demselben Urteil kommen, z.B. zu dem Urteil X1 � X2
(gleichbedeutend mit E [u(X1)] ≥ E [u(X2)]), so spricht manvon stochastischer Dominanz ersten Grades
→ Kurz:
X1 �FSD X2 ⇔ E [u(X1)] ≥ E [u(X2)] ∀ u ∈ U1
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 30/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Satz – Stochastische Dominanz ersten Grades (FSD)
Satz Stochastische Dominanz ersten Grades (FSD)
→ Sind F1 und F2 die Verteilungsfunktionen der ZufallsvariablenX1 bzw. X2, so liegt stochastische Dominanz ersten Gradesvon X1 uber X2 (X1 �FSD X2) genau dann vor, wenn:
F1(x) ≤ F2(x) ∀ x ∈ IR
→ X1 dominiert X2 vom Grade 1, wenn die VerteilungsfunktionF1 unterhalb oder auf derjenigen von F2 verlauft
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 31/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Illustration – Stochastische Dominanz ersten Grades (FSD)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 32/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Stochastische Dominanz zweiten Grades
Stochastische Dominanz zweiten Grades (second degree stochasticdominance)
→ Falls alle Entscheidungstrager mit einer Nutzenfunktion u ausU2 zu demselben Urteil kommen, z.B. zu dem Urteil X1 � X2
(gleichbedeutend mit E [u(X1)] ≥ E [u(X2)]), so spricht manvon stochastischer Dominanz zweiten Grades
→ Kurz:
X1 �SSD X2 ⇔ E [u(X1)] ≥ E [u(X2)] ∀ u ∈ U2
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 33/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Satz – Stochastische Dominanz zweiten Grades (SSD)
Satz – Stochastische Dominanz zweiten Grades (SSD)
→ Sind F1 und F2 die Verteilungsfunktionen der ZufallsvariablenX1 bzw. X2, so liegt stochastische Dominanz zweiten Gradesvon X1 uber X2 (X1 �SSD X2) genau dann vor, wenn:∫ x
−∞F1(y) dy ≤
∫ x
−∞F2(y) dy ∀ x ∈ IR
→ X1 dominiert X2 vom Grade 2, wenn an jeder Stelle x derVergleich der Flachen unter den Verteilungsfunktionen (linksvon x) ergibt: die Flache unter der Verteilungsfunktion 1 istkleiner oder gleich derjenigen unter Verteilungsfunktion 2
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 34/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgabe 1 – Stochastische Dominanz
Aufgabe 1
→ Betrachten Sie die Verteilungen X1 und X2 mit
xi P(X1 = xi )
200 1
xi P(X2 = xi )
100 0,5300 0,5
→ Kommen alle Entscheidungstrager mit monoton wachsenderNutzenfunktion bei einem Vergleich von X1 und X2 zu einemeinheitlichen Urteil?
→ Kommen alle Entscheidungstrager mit monoton wachsenderund konkaver Nutzenfunktion bei einem Vergleich von X1 undX2 zu einem einheitlichen Urteil?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 35/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgabe 2 – Stochastische Dominanz
Aufgabe 2
→ Betrachten Sie die Verteilungen X1 und X2 mit
xi P(X1 = xi )
0 0,10,5 0,21 0,42 0,23 0,1
xi P(X2 = xi )
-0,5 0,1-0,25 0,21,5 0,43 0,24 0,1
→ Gilt stochastische Dominanz ersten Grades?
→ Gilt stochastische Dominanz zweiten Grades?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 36/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgaben
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 37/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgabe (Vgl. Bamberg/Coenenberg, S. 120.)
Aufgabe: (Vgl. Bamberg/Coenenberg Aufgabe 2 Kapitel 4, S.122.)
Ein risikoneutraler Kostenrechner steht vor der Frage, ob er einefestgestellte Kostenabweichung in Hohe von 5.000 e naheranalysieren soll oder nicht. Lasst er die Sache auf sich beruhen,dann muss er nach seiner Erfahrung mit einer Wahrscheinlichkeitvon 0,3 damit rechnen, dass auch in der nachsten Periode (auf diesich die Planung bezieht) diese Mehrkosten wieder anfallen. Wenner eine Ursachenanalyse, die 750 e Kosten verursacht, durchfuhrt,sinkt die Wahrscheinlichkeit des Fortbestehens derUnwirtschaftlichkeit erfahrungsgemaß auf 0,1.
→ Soll die Abweichungsanalyse durchgefuhrt werden?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 38/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Losung
Losung
→ Wichtig: Die Wahl der beiden Alternativen
→ a1=Ursachenanalyse durchfuhren→ a2 =Ursachenanalyse nicht durchfuhren
besitzt eine Auswirkung darauf, mit welchenWahrscheinlichkeiten die Zustande
→ z1 = Mehrkosten von 5.000 fallen (wieder) an→ z2 = Mehrkosten fallen nicht an
→ Laut Aufgabenstellung gilt
P(z1|a2) = 0, 3 ⇒ P(z2|a2) = 0, 7
P(z1|a1) = 0, 1 ⇒ P(z2|a1) = 0, 9
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 39/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Losung (Fortsetzung)
Losung (Fortsetzung)
→ Die Wahl von Alternative a1 impliziert somit folgende Verteilung
X1 =
{5.000 + 750 WS p = 0, 1
750 WS 1− p = 0, 9
⇒ E [X1] = 0, 1× 5.750 + 0, 9× 750 = 1250
→ Die Wahl von Alternative a2 ergibt
X2 =
{5.000 WS p = 0, 3
0 WS 1− p = 0, 7
⇒ E [X2] = 0, 3× 5.000 = 1500
⇒ Kostenanalyse durchfuhren
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 40/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgabe (Vgl. Bamberg/Coenenberg, S. 123.)
Aufgabe: (Vgl. Bamberg/Coenenberg Aufgabe 5 Kapitel 4, S.123.)
Einem Unternehmer werden zwei Projekte angeboten. Bei demersten ist der Gewinn 20.000e oder 40.000e jeweils mit einerWahrscheinlichkeit von 0,5; bei dem zweiten erhalt er jeweils miteiner Wahrscheinlichkeit von 0,5 einen Gewinn von ye bzw. 0e.Wie groß muss der Gewinn y des zweiten Projekts sein, damitbeide Projekte gleich eingeschatzt werden? Bei der Beantwortungkann davon ausgegangen werden, dass sich der Unternehmer (imrelevanten Bereich) gemaß der quadratischen Nutzenfunktion
u(x) = − x2
100.000+ 2x
verhalt.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 41/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Losung (Vgl. Bamberg/Coenenberg, S. 123.)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 42/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgabe (Vgl. Bamberg/Coenenberg, S. 126.) I
Aufgabe: (Vgl. Bamberg/Coenenberg Aufgabe 8 Kapitel 4, S.126.)
Der Unternehmer Muller legt seinen Entscheidungen eine lineareNutzenfunktion uM(x) = x zugrund, der Unternehmer Schulzerichtet sich nach der Nutzenfunktion
uS(x) =
{1
50.000 x2 , 0 ≤ x ≤ 50.000− 1
50.000 x2 + 4x − 100.000 , 50.000 < x ≤ 100.000
Beide sollen dieselbe Lage beurteilen. Es soll entschieden werden,welches der beiden Produkte 1 und 2 auf den Markt gebrachtwerden soll.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 43/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
4.6 Begrundung des Bernoulli-Prinzips4.7 (µ, σ)–Prinzip4.8 Stochastische DominanzAufgaben
Aufgabe (Vgl. Bamberg/Coenenberg, S. 126.) II
Aufgabe: (Vgl. Bamberg/Coenenberg Aufgabe 8 Kapitel 4, S. 126.)
Produkt 1 bringt in der Planungsperiode mit einer Wahrscheinlichkeit von0,3 einen Gewinn von 50.000 e, mit einer Wahrscheinlichkeit von 0,5einen Gewinn von 90.000 e und mit 0,2 einen Gewinn von 100.000 e.Produkt 2 bringt in jedem Fall einen Gewinn von 80.000 e.
→ Wie ist der Verlauf der beiden Nutzenfunktionen und welcheEinstellung zum Risiko spiegeln sie wider?
→ Wie entscheiden sich die beiden Unternehmer?
→ Andert sich an der Entscheidung etwas, wenn man berucksichtigt,dass beide Produkte zusatzliche fixen Kosten in Hohe von 50.000 everursachen?
→ Wie kommt es zu diesem Ergebnis?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 44/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
5 Entscheidung beiUngewissheit
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 45/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Entscheidungen bei Ungewissheit:Unsicherheit im engeren Sinn
→ Ungewissheitssituation→ Es ist bekannt, dass einer der Zustande aus dem Zustandsraum
eintritt.→ Es ist aber nicht bekannt, mit welcher Wahrscheinlichkeit die
Zustande eintreten.
→ Beispiel: Versicherung eines neuen Flugzeug-Typs, uber dennoch keine Schadenshaufigkeiten vorliegen.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 46/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Entscheidungsmatrix
Entscheidungsmatrix bei Ungewissheit
→ Im Folgenden werden wir der Einfachheit halberUngewissheitssituationen mit nur endlich vielen Aktionen undendlich vielen (relevanten) Zustanden betrachten
Zustandez1 z2 . . . zn
Aktionena1 u11 u12 . . . u1n
a2 u21 u22 . . . u2n...
......
...am um1 um2 . . . umn
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 47/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Beispiel: Entscheidungsmatrix
Beispiel
Zustandez1 z2 z3
Aktionena1 7 3 5a2 2 8 9a3 4 10 2
→ Welche Alternative wahlen Sie?
→ Fur Zustand 1 ist a1 optimal→ Fur Zustand 2 ist a3 optimal→ Fur Zustand 3 ist a2 optimal
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 48/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Vergleichbarkeit von Strategien
Vergleichbarkeit von Strategien
→ Zwei Aktionen ak und ai sind nur dann unmittelbarvergleichbar, wenn
→ entweder fur alle Zustande (d.h. fur j = 1, . . . , n) gilt
ukj ≥ uij
→ ak ist mindestens so gut wie ai
→ oder fur alle Zustande (d.h. fur j = 1, . . . , n) gilt
ukj ≤ uij
→ ai ist mindestens so gut wie ak
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 49/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
5.1 Dominanz und Effizienz bei Ungewissheit
Dominanz
→ Eine Aktion ak dominiert eine Aktion ai , wenn ak in jedemZustand mindestens so gut wie ai und in mindestens einemZustand besser als ai ist.
ak � ai
⇔ ukj ≥ uij ∀ j = 1, . . . , n
und es existiert mindestens ein j ∈ {1, . . . , n}mit ukj > uij
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 50/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Effizienz
→ Eine Aktion ai heißt effizient , wenn sie von keiner Aktion ak
dominiert wird.
→ Eine Aktion ai heißt ineffizient , wenn sie nichteffizient ist,d.h. wenn sie von mindestens einer Aktion ak dominiert wird.
→ In dem obigen Beispiel sind alle drei Aktionen a1, a2 und a3
effizient.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 51/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
(Heraus-) Filtern ineffizienter Aktionen
→ In der Praxis kommt es selten vor, dass eine Aktion alleanderen dominiert (man nennt eine derartige Aktiongleichmaßig beste Aktion). Daher kann dies nicht alsKriterium zur Entscheidung herangezogen werden.
→ Man kann aber mit Hilfe der Dominanz ineffiziente Aktionenaussortieren.
→ Zerlegung in vernunftige (effiziente) und unvernunftige(ineffiziente) Aktionen
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 52/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
5.2 Spezielle Entscheidungsregeln furEntscheidungen bei Ungewissheit
→ Es werden Entscheidungsregeln eingefuhrt, die einevollstandige Vergleichbarkeit aller Aktionen erzwingen, indemsie den mit einer Aktion ai verknupften Nutzenwertenui1, . . . , uin eine einzige reelle Zahl Φ(ai ) als Gutemaßzuordnen, z. B.:
→ Maximin-Regel (Wald-Regel)→ Maximax-Regel→ Hurwicz-Regel→ Laplace-Regel→ Savage-Niehans-Regel (Regel des kleinsten maximalen
Bedauerns)
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 53/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Bemerkung
→ Vorteil: Ungewissheitsproblem wird formal auf einOptimierungsproblem unter Sicherheit zuruckgefuhrt
→ Nachteil: (Gewisse) Willkur
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 54/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
MaxiMin–Regel
MaxiMin–Regel
→ Fur die Beurteilung einer Alternative ist nur der Erfolgmaßgeblich, der im ungunstigsten Fall erzielt wird.
Φ(a∗) = maxi∈{1,...,m}
minj∈{1,...,n}
uij
→ Nachteil: extrem pessimistisch
→ Fur unternehmerische Entscheidungen unbrauchbar, da derWorst Case dort meist ein Verlust ist.
→ Frage: In welchen Bereichen konnen Worst Case –Analysensinnvoll sein?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 55/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Beispiel – MaxiMin-Regel
Beispiel – MaxiMin-Regel
→ Schritt 1: Zeilenminima betrachten (Worst Case der jeweiligenAlternative)
Schritt 2: Maximum der Minima
Zustandez1 z2 z3
Aktionen
a1 7 3 5a2 2 8 9a3 4 10 2
→ Entsprechend der MaxiMin-Regel gilt hier a∗ = a1
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 56/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Bemerkung – MaxiMin-Regel
Bemerkung – MaxiMin-Regel
→ Pathologischer Pessimismus (Krelle)
Zustandez1 z2 z3 · · · Φ(ai )
Aktionena1 0,999 1.000 1.000 · · · 0,999
a2 1 1 1 · · · 1
→ Laut MaxiMin–Regel ist hier a2 die optimale Aktion
→ Rechtfertigung der MaxiMin–Regel
→ Spieltheorie (hier ist das Umfeld ein rational handelnderGegenspieler)
→ Bei einem Ubergang von Nutzen zu Schaden wird aus derMaxiMin die MiniMax–Regel
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 57/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
MaxiMax-Regel
MaxiMax-Regel
→ Fur die Beurteilung einer Alternative ist nur der Erfolgmaßgeblich, der im besten Fall erzielt wird.
Φ(a∗) = maxi∈{1,...,m}
maxj∈{1,...,n}
uij
→ Nachteil: extrem optimistisch
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 58/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Beispiel – MaxiMax-Regel
Beispiel – MaxiMax-Regel
→ Schritt 1: Zeilenmaxima betrachten (Best Case der jeweiligenAlternative)
→ Schritt 2: Maximum der Maxima
Zustandez1 z2 z3
Aktionena1 7 3 5a2 2 8 9
a3 4 10 2
→ Entsprechend der MaxiMax-Regel gilt hier a∗ = a3
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 59/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Hurwicz-Regel (Hurwicz (1951))
Hurwicz-Regel
→ Kompromiss zwischen MaxiMin und MaxiMax
Φ(ai ) = λ maxj∈{1,...,n}
uij + (1− λ) minj∈{1,...,n}
uij
→ 0 ≤ λ ≤ 1 = Optimismusparameter
→ λ ist ein vom Entscheidungstrager selbst zu fixierenderParameter
→ Spezialfalle
→ λ = 0 → MaxiMin→ λ = 1 → MaxiMax
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 60/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Bestimmung des Optimismusparameters
Bestimmung des Optimismusparameters
z1 z2
a1 1 0a2 x x
→ Variiere x bis der Entscheider indifferent ist
Φ(a1) = λ× 1 + (1− λ)× 0 = λ
Φ(a) = λ× x + (1− λ)× x = x
⇒ λ = x
→ Fur λ mit 0 < λ < 1 wagt diese Regel zwischen gunstigsterund ungunstigster Konsequenz ab
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 61/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Hurwicz-Regel – Beispiel
Hurwicz-Regel – Beispiel
Zustande λ1 = 0, 25 λ2 = 0, 75z1 z2 z3 Max. Min Φ(ai ) Φ(ai )
Aktionena1 7 3 5 7 3 4 6a2 2 8 9 9 2 3,75 7,25a3 4 10 2 10 2 4 8
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 62/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Hurwicz-Regel – Kritik
Hurwicz-Regel – Kritik
→ Betrachte die ordinale Nutzenmessung und die Entscheidungsmatrix
Zustande λ = 12
z1 z2 Φ(ai )
Aktionena∗ = a1 1 0 0,5
a2 -2 2 0
→ Wird etwa die folgende monoton wachsende Transformation betrachtet
Zustande λ = 12
z1 z2 Φ(ai )
Aktionena∗ = a1 1 0 0,5
a2 -4 10 3
so ist nun a2 die optimale Aktion
→ Hurwicz–Regel erfordert kardinale Nutzenmessung
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 63/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Hurwicz-Regel – Kritik (Fortsetzung)
Hurwicz-Regel – Kritik
z1 z2 . . . zj zn
a1 1 0 . . . 0 0a2 0 1 . . . 1 1
→ Fur welche Alternative wurden Sie sich entscheiden?
→ Allerdings basiert diese Kritik darauf, dass der gesundeMenschenverstand die Ungewissheitssituation in eineRisikosituation transferiert, wobei jeder Zustand als gleichwahrscheinlich angesehen wird.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 64/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Laplace-Regel
Laplace-Regel
→ Die Laplace-Regel berucksichtigt alle moglichen Ergebnisse,wobei davon ausgegangen wird, dass alle Zustande gleichwahrscheinlich sind.
→ Nutzensumme
Φ(ai ) =n∑
j=1
uij
→ Begrundung: Bei Unsicherheit besteht kein Grund zurVermutung, dass irgendein Zustand wahrscheinlicher ist alsein anderer (Prinzip des unzureichenden Grundes)
→ Bemerkung: Auch hier wird kardinale Nutzenmessung benotigt
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 65/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Laplace-Regel – Kritik
Laplace-Regel – Kritik
→ Bei starr festgelegten gleichen Gewichten kann sich die Rangfolge derAktionen durch Hinzufugen einer gleichen Spalte andern
→ Beispiel:
→ Ursprungliche Entscheidungsmatrixz1 z2 Φ(ai )
a∗ = a1 3 1 4a2 -1 4 3
→ Entscheidungsmatrix nach Hinzufugen einer gleichen Spaltez1 z2 z3 Φ(ai )
a1 3 1 1 5a∗ = a2 -1 4 4 7
→ Da die im Modell zu erfassenden Zustande vom Entscheidungstragerabhangen, konnen solche Erscheinungen in der Praxis nichtausgeschlossen werden
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 66/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Savage-Niehans-Regel
Savage-Niehans-Regel
→ Man betrachtet statt der Nutzenmatrix (uij) die
Opportunitatskostenmatrix (sij)
sij = maxk
ukj − uij
→ Gutemaß
Φ(ai ) = maxj
(max
kukj − uij
)→ Die zugehorige Entscheidungsregel ist
Φ(a∗) = minai
Φ(ai )
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 67/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Savage-Niehans-Regel: Beispiel
Entscheidungsmatrix (Schritt 1: Bestimme fur jeden Zustand den max.erreichbaren Wert)
Zustandez1 z2 z3
Aktionena1 7 3 5a2 2 8 9a3 4 10 2
Opportunitatskostenmatrix (Schritt 2: Bestimme Differenz (Bedauern))
Zustandez1 z2 z3
Aktionena1 7-7=0 10-3=7 9-5=4a2 7-2=5 10-8=2 9-9=0a3 7-4=3 10-10=0 9-2=7
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 68/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Savage-Niehans-Regel: Beispiel (Fortsetzung)
Opportunitatskostenmatrix (Schritt 3: Bestimme Zeilenmaxima= max.Bedauern, das bei jeder Strategie auftreten kann)
Zustandez1 z2 z3
Aktionena1 0 7 4
a2 5 2 0a3 3 0 7
Schritt 4:
→ Bestimme optimale Aktion = diejenige mit demniedrigsten max. Bedauern
→ a∗ = a2
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 69/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Problem bei Entscheidung unter Ungewissheit
Problem bei Entscheidung unter Ungewissheit
→ Im Wesentlichen gibt es 3 Wege
→ Gleichmaßig beste Aktion→ Gesamtheit der effizienten Aktionen→ Spezielle Entscheidungsregel
→ Kritik ist bei allen drei Wegen angebracht
→ Diskussion von wunschenswerten Forderungen anLosungskonzepte
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 70/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Theoretische Bewertung
Forderungen an Entscheidungsregeln nach Milnor
1 vollstandige & transitive Rangordnung
2 Unabhangigkeit von der Reihenfolge
3 Dominierende Aktionen werden praferiert.
4 Neue Aktionen andern die bisherige Rangordnung nicht.
5 Spaltenweise Addition von Konstanten verandert dieReihenfolge nicht.
6 Einfugen identischer Spalten verandert die Rangordnung nicht.
Fazit
⇒ Es gibt keine Entscheidungsregel, die alle Forderungen erfullt.Nur die Laplace-Regel erfullt die ersten funf Forderungen.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 71/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
5.4 Praktische Relevanz destheoretischen Konstrukts der Unsicherheit
→ Reale Problemsituationen lassen sich meist besser durchRisikosituationen als durch Unsicherheitssituationenbeschreiben.
→ In der Regel verfugt der Entscheider uber gewisse subjektiveWahrscheinlichkeitsvorstellungen hinsichtlich der Zustande.
→ Selbst wenn keine subjektiven Wahrscheinlichkeitsvorstellungenbestehen, kann man nach dem Prinzip des unzureichendenGrundes die Unsicherheitssituation durch Anwendung derLaplace–Regel in eine Risikosituation uberfuhren.
→ kontroverse Diskussion
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 72/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Aufgabe (Vgl. Bamberg/Coenenberg, S. 141.)
Aufgabe: (Vgl. Bamberg/Coenenberg Aufgabe 1 Kapitel 5, S. 141.)
Eine Unternehmung hat fur drei zur Debatte stehende Aktionen folgendeEntscheidungsmatrix ermittelt:
z1 z2 z3
a1 20 90 30a2 50 120 0a3 60 30 30
Wie lautet die optimale Aktion, wenn die
→ Maximax–Regel
→ Hurwicz–Regel (λ = 0, 3)
→ Laplace–Regel
→ Savage–Niehans–Regel
zugrundegelegt wird?
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 73/74
4 Entscheidung bei Risiko (Fortsetzung)5 Entscheidung bei Ungewissheit
5.1 Dominanz und Effizienz bei Ungewissheit5.2 Spezielle Entscheidungsregeln5.4 Praktische Relevanz
Aufgabe (Vgl. Bamberg/Coenenberg, S. 142.)
Aufgabe: (Vgl. Bamberg/Coenenberg Aufgabe 2 Kapitel 5, S. 142.)
Fur die Entscheidungsmatrix
z1 z2 z3
a1 20 90 30a2 50 120 0a3 60 30 30
bestimme man die Wahrscheinlichkeiten p1, p2 und p3 fur die Datensituationz1, z2 und z3 so, dass nach dem µ–Kriterium alle drei Alternativen gleichbewertet werden.
Prof. Dr. Antje Mahayni Entscheidungstheorie Teil 4 74/74