Die Entscheidungstheorie befasst sich mit rationalen Entscheidungen unter Unsicherheit. Sie besitzt große interdisziplinäre Bedeutung etwa bei der Analyse und Unterstützung von Entscheidungen in der BWL (z.B. Investmentstrategien), VWL bzw. Soziologie (Rational Choice Theorie), Medizin (z.B. Expertensysteme) oder den Ingenieurwissenschaften (z.B. autonome Steuerung). Die statistische Entscheidungstheorie kann zudem als formaler Rahmen für die Wahl von Analysemethoden (optimale Tests oder Schätzer, beste Klassifikationsverfahren etc.) gesehen werden; sie spielt eine fundamentale Rolle bei der kritischen Analyse und probelmadäquaten Verallgemeinerung datenbasierter Lernverfahren.
Die Vorlesung diskutiert zunächst die allgemeine Struktur von Entscheidungsproblemen inklusive fundamentaler Entscheidungsprinzipien. Dann analysiert und charakterisiert sie das Bayes- und das Minimaxkriterium als Extrempole, mit (Zustands-)Unsicherheit umzugehen, und entwickelt moderne Alternativen im Kontext komplexer Unsicherheit (Ambiguität).
Die Vorlesung diskutiert zunächst die allgemeine Struktur von Entscheidungsproblemen inklusive fundamentaler Entscheidungsprinzipien. Dann analysiert und charakterisiert sie das Bayes- und das Minimaxkriterium als Extrempole, mit (Zustands-)Unsicherheit umzugehen, und entwickelt moderne Alternativen im Kontext komplexer Unsicherheit (Ambiguität).
Zum Nachträglichen Einschreiben wenden Sie sich bitte an: Dominik.Kreiss@stat.uni-muenchen.de
- Trainer/in: Thomas Augustin
- Trainer/in: Dominik Kreiß