Der Erwartungswert ist der Eckpfeiler der Entscheidungstheorie, der Versicherungspreisgestaltung, der Glücksspielmathematik und der Finanzmodellierung – er beantwortet eine einfache, aber aussagekräftige Frage: Wenn Sie diese Wahl viele Male wiederholen würden, was würden Sie im Durchschnitt verdienen oder verlieren? Das Konzept ermöglicht eine rationale Entscheidungsfindung unter Unsicherheit, indem es eine Verteilung möglicher Ergebnisse auf einen einzigen wahrscheinlichkeitsgewichteten Durchschnitt reduziert. In den folgenden Abschnitten wird erläutert, warum der erwartete Wert branchenübergreifend wichtig ist, von Casinos über Versicherungen bis hin zu Investitionen, warum E(X) allein ohne Berücksichtigung der Varianz nicht ausreicht (da zwei Optionen dasselbe E(X) mit dramatisch unterschiedlichen Risiken aufweisen können) und wie das Gesetz der großen Zahlen garantiert, dass Stichprobendurchschnitte mit zunehmender Anzahl an Versuchen gegen E(X) konvergieren – die mathematische Grundlage von Versicherungen und statistischen Stichproben.
Warum der erwartete Wert wichtig ist
Der Erwartungswert ist der Eckpfeiler der Entscheidungstheorie, der Versicherungspreise, der Glücksspielmathematik und der Finanzmodellierung, und wenn man ihn versteht, verändert sich die Art und Weise, wie man Entscheidungen im Zusammenhang mit Zufälligkeiten bewertet. Es beantwortet eine einfache, aber aussagekräftige Frage: Wenn Sie diese Wahl viele Male wiederholen würden, was würden Sie im Durchschnitt verdienen oder verlieren? Ein positives E(X) deutet auf lange Sicht auf eine günstige Wette hin; Ein negatives E(X) deutet auf ein Verliererangebot hin, das bei ausreichender Anzahl an Versuchen statistisch gesehen Ihr Guthaben aufzehren wird.
Casinos konzipieren jedes Spiel so, dass es einen negativen Erwartungswert für den Spieler hat, typischerweise im Bereich von -1 % (Blackjack mit optimaler Strategie) bis -25 % (Keno, Spielautomaten), weshalb das Haus auf lange Sicht immer gewinnt, unabhängig von individuellen Glückssträhnen. Versicherungsunternehmen wenden die gleiche Rechnung in umgekehrter Reihenfolge an: Sie legen die Preise für Policen so fest, dass die erwartete Auszahlung pro Versicherungsnehmer geringer ist als die eingenommene Prämie, sodass der erwartete Wert für das Versicherungsunternehmen positiv ist. Anleger nutzen den Erwartungswert, um potenzielle Geschäfte, Akquisitionen oder Portfoliozuteilungen zu bewerten. Eine Entscheidung mit einem positiven Erwartungswert abzüglich Kosten lohnt sich, wenn Sie sie so oft wiederholen können, dass sich der LLN auswirkt. Aus diesem Grund können institutionelle Anleger mit langen Zeithorizonten volatilere Strategien akzeptieren als Privatanleger mit kurzen Anlagehorizonten.
Über den Durchschnitt hinaus: Risiko und Varianz
Der Erwartungswert allein erfasst nicht das vollständige Bild einer Entscheidung, die mit Unsicherheit verbunden ist, und das Ignorieren der Varianz führt zu gefährlichen Vereinfachungen. Zwei Anlagen können das gleiche E(X) haben, weisen jedoch dramatisch unterschiedliche Varianzen und daher unterschiedliche Risikoprofile auf. Bei einer garantierten Wahrscheinlichkeit von 100 $ und einer 50/50-Chance von 0 $ oder 200 $ gilt für beide E(X) = 100 $, letzteres ist jedoch weitaus riskanter, da das tatsächliche Ergebnis in jedem einzelnen Versuch erheblich vom erwarteten Wert abweicht. Bei einem Spiel sind die garantierten 100 $ für jeden mit Risikoaversion eindeutig besser als der Münzwurf.
In der Praxis wägen rationale Entscheidungsträger bei der Bewertung von Optionen sowohl den Erwartungswert als auch die Varianz (oder Standardabweichung) ab. Die moderne Portfoliotheorie (Markowitz, 1952) formalisiert diesen Kompromiss, indem sie die Effizienzgrenze darstellt – die Menge der Portfolios, die für jedes Varianzniveau das maximale E(X) bieten. Auch reale Nutzenfunktionen sind in den meisten Bereichen konkav, was bedeutet, dass Menschen Verluste stärker empfinden als gleichwertige Gewinne (Verlustaversion, dokumentiert von Kahneman und Tversky). Diese Verhaltensrealität bedeutet, dass selbst eine positive E(X)-Entscheidung rational vermieden werden kann, wenn die Varianz im Verhältnis zum Vermögen zu hoch ist – jemand mit Ersparnissen von 1.000 US-Dollar sollte einen positiven E(X)-Münzwurf ablehnen, der 5.000 US-Dollar verlieren könnte, weil die Abwärtsvarianz katastrophal ist, obwohl die Rechnung günstig ist.
Das Gesetz der großen Zahlen
Das Gesetz der großen Zahlen (LLN) ist einer der wichtigsten Sätze der Wahrscheinlichkeitstheorie und beweist eindeutig, dass mit zunehmender Anzahl unabhängiger Versuche der Stichprobendurchschnitt gegen E(X) konvergieren muss. Aus diesem Grund bleiben Versicherungsunternehmen trotz der Zahlung großer Einzelschäden zahlungsfähig – die durchschnittliche Auszahlung über Millionen von Policen ist vorhersehbar und entspricht genau E(X), sodass Versicherungsmathematiker ihre Policen mit mathematischer Sicherheit bewerten können. Das ist auch der Grund, warum das dreimalige Werfen einer fairen Münze und das Erhalten von drei Köpfen die Fairness nicht widerlegt – das Verhalten bei kleinen Stichproben ist verrauscht und die Wahrscheinlichkeit garantiert Konvergenz nur, wenn n groß wird.
Das LLN hat zwei Formen: schwach (Konvergenz in der Wahrscheinlichkeit) und stark (fast sichere Konvergenz). Beide kommen zu dem Schluss, dass sich der Stichprobenmittelwert mit zunehmender Zahl der Versuche E(X) annähert, wobei sie sich in der technischen Stärke der Konvergenzaussage unterscheiden. Praktische Auswirkungen: Versicherungen erfordern einen großen Pool an Versicherungsnehmern, um die individuellen Schadensunterschiede zu diversifizieren. Casinos benötigen genügend Spieler und Sitzungen, um einen statistischen Vorsprung zu erzielen. Anleger benötigen einen ausreichend langen Zeithorizont, um Strategien mit positivem Erwartungswert zum Tragen zu bringen. Klinische Studien benötigen eine ausreichende Stichprobengröße, damit die Behandlungseffekte deutlich sichtbar werden. Verwenden Sie den interaktiven LLN-Simulator in Tab 3 dieses Rechners, um die Konvergenz in Echtzeit zu sehen – der laufende Durchschnitt verläuft im Zickzack, nähert sich aber über Hunderte von Versuchen stetig E(X) an, wodurch der abstrakte Satz viszeral wird.