Likelihood-basierte Entscheidungstheorie unter Unsicherheit. Das Minimax-Prinzip und das Bayes-Prinzip
Claudio Salvati
Naturwissenschaften, Medizin, Informatik, Technik / Wahrscheinlichkeitstheorie, Stochastik, Mathematische Statistik
Beschreibung
Studienarbeit aus dem Jahr 2017 im Fachbereich Mathematik - Statistik, Note: 2,00, Ludwig-Maximilians-Universität München (Institut für Statistik), Veranstaltung: Fortgeschrittene Themen der Entscheidungstheorie, Sprache: Deutsch, Abstract: Die vorliegende Arbeit wird zunächst die Grundlagen der Entscheidungstheorie skizzieren, zwei bekannte Verfahren - das Minimax-Prinzip und das Bayes-Prinzip - vorstellen und anhand eines praktischen Beispiels aus der Vorlesung die Vorgehensweise veranschaulichen. Der Fokus liegt allerdings auf einem der Likelihood-Funktion zugrunde liegenden Entscheidungsverfahren: Im Hauptteil werden zunächst die der Likelihood zu Grunde liegende Idee und die Annahmen sowie Eigenschaften der Likelihood-Funktion erläutert und danach Entscheidungsverfahren und ihre Umsetzung eingeführt, die auf ihr basieren.
Kundenbewertungen
Unwissenheit, Likelihood, Relative Plausibility, Investition, Bayes, Theorie, Praxis, Beispiel, Entscheidungstheorie, Decision Theory, MInimax, Unsicherheit, Risiko