Kapitel 5. Kapitel 5 Wahrscheinlichkeit
|
|
- Florian Weiss
- vor 6 Jahren
- Abrufe
Transkript
1 Wahrscheinlichkeit Inhalt Grundbegriffe Ω, Ω, X, X, Wahrscheinlichkeitsräume (Ω, (Ω, P) P) Das Das Laplace-Modell P(A) P(A) = A / Ω Erwartungswert E(X) E(X) Literatur: N. N. Henze: Stochastik für für Einsteiger (die (die erste erste Hälfte). A. A. Engel: Wahrscheinlichkeitsrechnung und und Statistik Seite 2
2 5.1 Zufallsexperimente Beispiele: Münzwurf, Würfeln, Wir Wir sprechen von von einem (idealen) Zufallsexperiment, wenn die die folgenden Bedingungen erfüllt sind: sind: Versuchsbedingungen klar klar definiert. Zum Zum Beispiel: Auswahl des des Würfels,...)...) Menge Ω der der Ergebnisse (Ausgänge): vor vor der der Durchführung bekannt. Zum Zum Beispiel: = {1, {1, 2, 2, 3, 3, 4, 4, 5, 5, 6}. 6}. Das Das Experiment kann kann beliebig oft oft unter unter den den gleichen Bedingungen wiederholt werden. Seite 3 Beispiele für Zufallsexperimente Münzwurf Ω = {Kopf, Zahl} Zahl} oder oder Ω = {K, {K, Z} Z} oder oder Ω = {0, {0, 1}. 1}. Anzahl der der Würfe bis bis zur zur ersten Sechs Ω = {1, {1, 2, 2, 3, 3, 4, 4,...}...} In In einer einer Box Box liegen vier vier mit mit 1, 1, 2, 2, 3, 3, 4 beschriftete Kugeln; zwei zwei Kugeln werden mit mit einem Griff Griff gezogen. Ω = {{{1,2}, {1,3}, {1,4}, {2,3}, {2,4}, {3,4} {3,4}}. }. Zweimaliges Werfen mit mit einem Würfel. Ω = {{(1,1), (1,2), (1,3),...,...,(2,1), (2,2),...,...,(3,1),...,...,(6,6)}. Lotto Lotto 6-aus-49 Ω = alle alle 6-elementige Teilmengen von von {1, {1, 2, 2, 3, 3,...,..., 49}. 49}. Seite 4
3 Notation Ω = {ω {ω 1, 1, ω 3, 3, ω 3, 3,...} ( omega ) heißt heißt Ergebnismenge (manchmal auch auch Grundraum). Wenn man man das das Experiment n mal mal durchführt, hat hat man man als als Ergebnismenge die die Menge Ω Ω Ω Ω bzw. bzw. wenn die die i-te i-te Ω i Ergebnismenge i vom vom Index i i abhängt: Ω 1 1 Ω 2 2 Ω Ω n. n. Seite 5 Ereignisse In In vielen Situationen interessieren nicht nicht alle alle Ausgänge, sondern nur nur spezielle. Beispiele: Beim Beim Würfeln interessiert nur, nur, ob ob man man eine eine 6 würfelt. Beim Beim Würfeln mit mit zwei zwei Würfeln kann kann eventuell nur nur interessieren, ob ob die die Summe der der Augenzahlen mindestens 8 ist. ist. Beim Beim dreimaligen Werfen einer einer Münze interessiert nur, nur, ob ob zwei zwei aufeinanderfolgende Würfe das das gleiche Ergebnis haben. Seite 6
4 Definition: Ereignis Definition: Ein Ein Ereignis ist ist eine eine Teilmenge von von Ω. Ω. D.h. D.h. in in dieser Teilmenge werden die die interessierenden Ausgänge zusammengefasst. Ereignisse werden üblicherweise mit mit großen lateinischen Buchstaben A, A, B, B, Bezeichnet. {} {} = : : unmögliches Ereignis {ω}: {ω}: Elementarereignis (ω (ω Ω). Ω). Seite 7 Rechnen mit Ereignissen Da Da Ereignisse Teilmengen von von Ω sind, sind, kann kann man man den den Durchschnitt A B, B, die die Vereinigung A B, B, die die Differenz A \\ B der der Ereignisse A und und B bilden. A := := Ω \\ A: A: Gegenereignis, Komplement von von A Ereignisse A, A, B unvereinbar, falls falls A B = {}. {}. Ereignisse A 1, 1, A 2, 2, A 3, 3,..., A n unvereinbar, n falls falls je je zwei zwei der der Mengen disjunkt sind. sind. Schreibweise: Σ A i = i A A A n := n := A 1 1 A A n n für für unvereinbare Ereignisse A i. i. Seite 8
5 Beispiel Zweimaliges Würfeln mit mit einem Würfel Ereignis A: A: Der Der erste erste Wurf Wurf ist ist eine eine A = {(5,1), (5,2), (5,3), (5,4), (5,5), (5,6)}. Ereignis B: B: Die Die Augenzahl aus aus beiden Würfen ist ist mindestens B = {(3,6), (4,5), (4,6), (5,4), (5,5), (5,6), (6,3), (6,4), (6,5), (6,6)}. A B = {(5,4), (5,5), (5,6)}. A \\ B = {(5,1), (5,2), (5,3)}. B \\ A = {(3,6), (4,5), (4,6), (6,3), (6,4), (6,5), (6,6)}L Seite 9 Erinnerung Seien A, A, B, B, C Ereignisse. Dann gelten die die folgenden Gesetze: A B = B A, A, A B = B A Kommutativgesetz (A (A B) B) C = A (B (B C), C), (A (A B) B) C = A (B (B C) C) Assoziativges. A (B (B C) C) = (A (A B) B) (A (A C) C) Distributivgesetz A B = A B, B, A B = A B Regeln von von de de Morgan A 1 1 A A n = n A 1 1 A A n. n. Seite 10
6 Zufallsvariable Definition. Sei Sei Ω ein ein Grundraum. Eine Eine Zufallsvariable ist ist eine eine Abbildung X: X: Ω R. R. Vorstellung: Jedem Ausgang ω eines Zufallsexperiments wird wird eine eine reelle Zahl Zahl X(ω) X(ω) zugeordnet ( Realisierung der der Zufallsvariablen zum zum Ausgang ω ). ω ). Beispiel: Bei Bei einem Glücksspiel ist ist X( X( ω) ω) der der Gewinn bzw. bzw. Verlust beim beim Ausgang ω des des Spiels. Bem Eine Eine Zufallsvariable ist ist keine Variable, sondern eine eine Funktion Sie Sie wird wird nicht nicht mit mit g, g, bezeichnet, sondern mit mit X, X, Y, Y, Seite 11 Beispiel Zweimaliges Würfeln: Ω = {(1,1), (1,2),...,...,(6,6)} = {(i,j) {(i,j) i, i, j j {1, {1, 2, 2, 3, 3, 4, 4, 5, 5, 6}}. 6}}. X(ω) X(ω) = i i + j, j, falls falls ω = (i,j) (i,j) (i: (i: Augenzahl des des ersten Wurf, j: j: Augenzahl des des zweiten Wurfs). Beobachtung: Aus Aus der der Realisierung X( X( ω) ω) kann kann man man im im allgemeinen ω nicht nicht zurückgewinnen. Zum Zum Beispiel haben die die drei drei Ausgänge (1,3), (2,2), (3.1) (3.1) die die Realisierung Seite 12
7 Wichtige (und schwierige...)...) Schreibweise Wir Wir schreiben {X {X = k} k} := :={ω{ω Ω X(ω) X(ω) = k}. k}. Das Das ist ist das das Ereignis, dass X den den Wert Wert k annimmt. Beispiel (zweifaches Würfeln): {X {X = 4} 4} = {(1,3), (2,2), (3,1)}. Wir Wir können die die Ereignisse {X {X = 2}, 2}, {X {X = 3}, 3},...,...,{X {X = 12} 12} wieder als als Elementarereignisse eines Experiments auffassen, bei bei dem dem nicht nicht ω, ω, sondern X(ω) X(ω) als als Ausgang angesehen wird. wird. Seite 13 Beispiele Zweimaliges Würfeln Augensumme ist ist 9: 9: {X {X = 9} 9} Augensumme ist ist mindestens 10: 10: {X {X = 10} 10} + {X {X = 11} 11} + {X {X = 12} 12} Augensumme ist ist höchstens 5: 5: {X {X = 2} 2} + {X {X = 3} 3} + {X {X = 4} 4} + {X {X = 5}. 5}. Seite 14
8 Rechnen mit Zufallsvariablen Aus Aus einer einer bzw. bzw. zwei zwei Zufallsvariablen kann kann man man neue neue Zufallsvariablen machen. Seien dazu dazu X und und Y Zufallsvariablen, d.h. d.h. Abbildungen von von Ω R. R Produkt einer einer Zufallsvariablen mit mit einer einer reellen Zahl. Zahl. Die Die Abbildung ax: ax: Ω R, R, die die definiert ist ist durch (ax)(ω) := := a X(ω) ist ist eine eine Zufallsvariable Summe zweier Zufallsvariablen. Die Die Abbildung X+Y X+Y :: Ω R, R, die die definiert ist ist durch (X+Y)(ω) := := X(ω)+Y(ω) ist ist eine eine Zufallsvariable Entsprechend: Differenz, Produkt, Maximum, Minimum. Seite 15 Beispiel Zweifaches Würfeln Sei Sei ω = (i, (i, j), j), X(ω) X(ω) = i i (Augenzahl beim beim ersten Wurf), Y(ω) Y(ω) = j j (Augenzahl beim beim zweiten Wurf). Dann ist ist X+Y X+Y = Summe der der Augenzahlen max(x, Y) Y) = höchste Augenzahl min(x, Y) Y) = niedrigste Augenzahl X Y X Y = Differenz des des zweiten vom vom ersten Wurf Wurf (X+Y)/2 = Durchschnitt der der beiden Würfe Seite 16
9 Indikatorfunktion Definition. Sei Sei A ein ein Ereignis, d.h. d.h. eine eine Teilmenge von von Ω. Ω. Die Die Indikatorfunktion I A I ist A ist die die Zufallsvariable, die die 1 ist, ist, wenn das das Ergebnis ω zu zu A gehört, und und 0 sonst. Das Das heißt heißt I A I(ω) A = 1, 1, falls falls ω Ω, Ω, I A I(ω) A = 0, 0, falls falls ω Ω. Ω. Die Die Realisierung von von I A I gibt A gibt an, an, ob ob das das Ereignis eingetreten ist. ist. Beispiel: Sei Sei A das das Ereignis, beim beim einfachen Würfeln eine eine gerade Zahl Zahl zu zu würfeln. Dann ist ist I A I(1) A = I A I(3) A = I A I(5) A = 0, 0, I A I(2) A = I A I(4) A = I A I(6) A = Seite 17 Hilfssatz über Indikatorfunktionen Hilfssatz. Sei Sei X eine eine Zufallsvariable, und und seien A und und B Ereignisse. Dann gilt gilt I A B I = A B I A I A I B I. B. In In Worten: Die Die Indikatorfunktion des des Durchschnitts zweier Ereignisse ist ist gleich dem dem Produkt der der einzelnen Indikatorfunktionen Folgerung. I A I = A I A I A I A I. A. Beweis der der Folgerung: Setze B = A. A. Dann ist ist A B = A A = A. A. Seite 18
10 Beweis des Hilfssatzes Beweis. Sei Sei ω ein ein Ergebnis. Wir Wir unterscheiden zwei zwei Fälle Fall: Fall: ω A B. B. Dann ist ist I A I A B (ω) B (ω) = Andererseits ist ist I A I(ω) A = 1 und und II B (ω) B (ω) = 1, 1, da da ω sowohl in in A als als auch auch in in B liegt. liegt. Somit ist ist auch auch (I (I A A II B )(ω) B )(ω) = I A I(ω) I A B (ω) B (ω) = = Also Also gilt gilt L.S. L.S. = R.S. R.S Fall: Fall: ω A B. B. Dann ist ist I A I A B (ω) B (ω) = Ferner ist ist ω A oder oder ω B. B. Somit ist ist I A I(ω) A = 0 oder oder II B (ω) B (ω) = Also Also ist ist in in jedem Fall Fall (I (I A A II B )(ω) B )(ω) = I A I(ω) I A B (ω) B (ω) = Also Also ist ist auch auch im im Fall Fall L.S. L.S. = R.S. R.S. Seite 19 Zählvariablen Sei Sei Ω ein ein Grundraum, und und seien A, A, B, B, C, C, Ereignisse. Problem: Wir Wir wollen beschreiben, wie wie oft oft eines der der Ereignisse A, A, B, B, C, C, auftritt. Dies Dies wird wird durch die die folgende Zufallsvariable X beschrieben: X = I A I + A I B I + B I C I (Denn: Wenn wir wir die die rechte Seite Seite auf auf ein ein Ergebnis ω anwenden, erhalten wir wir bei bei einem einzelnen Summanden eine eine 1, 1, wenn w zu zu diesem Ereignis gehört, und und sonst eine eine Also Also X(ω) X(ω) die die Anzahl der der Ereignisse, zu zu denen ω gehört.) Seite 20
11 Beispiel In In vielen Situationen interessiert die die Anzahl der der Treffer. Beispiele: Würfeln (Treffer: 6, 6, Niete: alles alles andere), Münzwurf (Treffer: Kopf, Niete: Zahl), Lotto Lotto (Treffer: 6-er, 6-er, Niete: alles alles andere), zweimaliges Würfeln (Treffer: Augenzahl 8, 8, Niete: Augenzahl < 8). 8). Modellierung: Wir Wir beschreiben einen Treffer durch die die Zahl Zahl 1, 1, eine eine Niete durch Dann ist ist die die Ergebnismenge (bei (bei n Grundexperimenten): Ω = {0,1} {0,1} n n = {(a {(a 1, 1, a 2, 2,..., a n ) n ) a i i {0,1}}. X = a a a n ist n ist die die Zufallsvariable, die die die die Anzahl der der Treffer angibt. Seite 21 Relative Häufigkeit Um Um die die Chancen eines Zufallsexperiments abzuschätzen, führt führt man man es es häufig durch. Beispiel: Werfen einer einer realen Münze (Zahl: 1, 1, Kopf: 0): 0): Relative Häufigkeit für für das das Auftreten einer einer 1 nach nach 10, 10, 20, 20, Versuchen: 0,6 0,6 0,65 0,65 0,6 0,6 0,55 0,55 0,52 0,52 Man Man hat hat den den Eindruck, dass dass sich sich die die relativen Häufigkeiten stabilisieren. Seite 22
12 Definition relative Häufigkeit Definition. Wir Wir führen ein ein Zufallsexperiment n mal mal durch. Wir Wir wollen wissen, wie wie häufig der der Ausgang zu zu einem Ereignis A gehört. Angenommen, das das Experiment liefert die die Ausgänge a 1, 1, a 2, 2,..., a n. n. Dann ist ist die die relative Häufigkeit bezüglich dieser Experimente definiert durch r r = rr n (A) n (A) = {i {i a i i A} A} // n. n. Rezept: Zähle, wie wie oft oft der der Ausgang in in A liegt, liegt, dividiere durch n. n. Achtung! Die Die relative Häufigkeit ist ist eine eine empirische Zahl! Zahl! Seite 23 Eigenschaften der relativen Häufigkeiten rr n n 0 für für alle alle Zufallsexperimente und und alle alle Ereignisse ( Nichtnegativität ). Wenn A und und B zwei zwei unvereinbare Ereignisse sind, sind, dann dann gilt gilt rr n (A n (A B) B) = rr n (A) n (A) + rr n (B). n (B). ( Additivität) rr n (Ω) n (Ω) = 1 ( Normiertheit ) Seite 24
13 Stabilisierung empirischer Häufigkeiten Bei Bei vielen Experimenten hat hat man man das das Gefühl, dass dass sich sich die die empirischen Häufigkeiten stabilisieren. Beispiele: Münzwurf, Werfen einer einer Reißzwecke, Würfeln, Wenn z.b. z.b. ein ein Würfel auf auf Dauer deutlich mehr mehr als als ein ein Sechstel Sechsen zeigen würde, würde man man nicht nicht an an einen fairen Würfel glauben. Dieses Gesetz über über die die Stabilisierung empirischer Häufigkeiten ist ist aber aber nur nur eine eine Erfahrungstatsache, kein kein mathematisches Gesetz! Alle Alle Versuche, den den Zufall mathematisch über über den den Weg Weg der der relativen Häufigkeiten zu zu beschreiben, sind sind i.w. i.w. gescheitert Seite Wahrscheinlichkeitsräume Definition. Ein Ein (endlicher) Wahrscheinlichkeitsraum (W-Raum) besteht aus aus einem Grundraum Ω und und einer einer Abbildung P, P, die die jeder jeder Teilmenge A von von Ω eine eine reelle Zahl Zahl P(A) P(A) zuordnet, so so dass dass folgende Gesetze gelten: P(A) P(A) 0 für für alle alle A Ω. Ω. Nichtnegativität P(A P(A B) B) = P(A) P(A) + P(B), P(B), falls falls A B = {}. {}. Additivität P(Ω) P(Ω) = Normiertheit Wir Wir schreiben (Ω, (Ω, P). P). P heißt heißt Wahrscheinlichkeitsverteilung (Wahrscheinlichkeitsmaß) auf auf Ω. Ω. Die Die Zahl Zahl P(A) P(A) heißt heißt die die Wahrscheinlichkeit des des Ereignisses A. A. Seite 26
14 Bemerkungen Mit Mit diesen Axiomen werden nur nur Spielregeln im im Umgang mit mit den den mathematischen Wahrscheinlichkeiten festgelegt. Obwohl die die Axiome nach nach dem dem Vorbild der der Eigenschaften der der relativen Häufigkeiten gebildet sind, sind, handelt es es sich sich um um Aussagen über über mathematische Objekte. Die Die Axiome ergeben sich sich nicht nicht zwangsläufig aus aus der der Erfahrung. Umgekehrt: Bei Bei einer einer Anwendung muss man man überprüfen, ob ob die die realen Bedingungen den den mathematischen Axiomen entsprechen. Seite 27 Erste Eigenschaften Hilfssatz. Sei Sei (Ω, (Ω, P) P) ein ein Wahrscheinlichkeitsraum. (a) (a) P({}) P({}) = (b) (b) P(A P(A B C) C) = P(A) P(A) + P(B) P(B) + P(C), falls falls A, A, B, B, C unvereinbar sind. sind. (c) (c) P(A P(A B) B) = P(A) P(A) + P(B) P(B) P(A P(A B) B) für für beliebige Ereignisse A, A, B. B. (d) (d) P(A) P(A) 1 für für alle alle A. A. (e) (e) P(A) P(A) = 1 P(A). P(A). (f) (f) Wenn A B, B, dann dann ist ist P(A) P(A) P(B). P(B). Seite 28
15 Beweis (a) (a) (a) (a) folgt folgt aus aus der der Additivität P(A P(A B) B) = P(A) P(A) + P(B) P(B) (falls (falls A B = {{}) }) und und der der Normiertheit P(Ω) P(Ω) = 1 der der Wahrscheinlichkeitsverteilung P, P, wenn wir wir A = {{}} und und B = Ω setzen: 1 = P(Ω) P(Ω) = P({ P({ }} Ω) Ω) = P({ P({ }) }) + P(Ω) P(Ω) = P({ P({ }) }) + 1, 1, also also P({ P({ }) }) = Seite 29 Beweis (b) (b) (b) folgt folgt durch mehrfaches Ausnutzen der der Additivität P(A P(A B) B) = P(A) P(A) + P(B) P(B) (falls (falls A B = {{}) }) der der Wahrscheinlichkeitsverteilung P: P: P(A P(A B C) C) = P((A P((A B) B) C) C) = P(A P(A B) B) + P(C) P(C) = P(A) P(A) + P(B) P(B) + P(C). Seite 30
16 Beweis (c) (c) (c) (c) Wir Wir zerlegen die die Menge A B in in die die disjunkten Teile Teile A \\ B, B, A B und und B \\ A. A. Nach (b) (b) gilt gilt dann dann P(A P(A B) B) = P(A P(A \\ B) B) + P(A P(A B) B) + P(B P(B \\ A). A). Aufgrund der der Additivität gilt gilt P(A) P(A) = P(A P(A B) B) + P(A P(A \\ B) B) (denn A = (A (A B) B) (A (A\\ B)), B)), P(B) P(B) = P(A P(A B) B) + P(B P(B \\ A) A) (denn B = (B (B A) A) (B (B\\ A)). A)). Lösen wir wir diese beiden Gleichungen nach nach P(A P(A \\ B) B) bzw. bzw. P(B P(B \\ A) A) auf, auf, und und setzen das das Ergebnis in in die die obere Gleichung ein, ein, so so ergibt sich sich P(A P(A B) B) = P(A) P(A) + P(B) P(B) --P(A P(A B). B). Seite 31 Beweise (e), (d) und (f) (f) (e) (e) Wir Wir zerlegen den den Grundraum Ω in in die die disjunkten Teilmengen A und und A. A. Aufgrund der der Normiertheit und und der der Additivität von von P folgt: folgt: 1 = P(Ω P(Ω )) = P(A P(A A) A) = P(A) P(A) + P(A). P(A). (d) (d) Da Da P(A) P(A) 0 gilt, gilt, folgt folgt aus aus (e): (e): P(A) P(A) = 1 --P(A) P(A) 0, 0, also also P(A) P(A) (f) (f) Wenn A B ist, ist, dann dann können wir wir B in in die die disjunkten Teilmengen A und und B \\ A zerlegen. Daher ist ist P(B) P(B) = P(A) P(A) + P(B P(B \\ A). A). Da Da P(B P(B \\ A) A) 0 ist, ist, folgt folgt P(B) P(B) P(A). P(A). Seite 32
17 Wahrscheinlichkeit von Elementarereignissen Frage: Müssen wir wir die die Wahrscheinlichkeitsverteilung P für für jede jede Teilmenge A von von Ω einzeln definieren? (Bereits bei bei Ω = wären das das = Teilmengen, für für die die wir wir die die Wahrscheinlichkeit festlegen müßten!) Antwort: Nein! Es Es genügt, jedem Elementarereignis {ω} {ω} eine eine Wahrscheinlichkeit P({ω}) zuzuordnen. Zur Zur Abkürzung: p(ω) p(ω) := := P({ω}). Die Die Wahrscheinlichkeit eines Ereignisses A ergibt sich sich dann dann wie wie folgt. folgt Satz. Sei Sei A ( ( {}) {}) ein ein Ereignis im im Grundraum Ω. Ω. Dann gilt gilt P(A) P(A) = ω A p(ω). p(ω). Seite 33 Beweis Beweis. Jedes Ereignis A Ω besteht aus aus gewissen Ergebnissen ω Ω. Ω. Wir Wir können A wie wie folgt folgt als als Vereinigung von von Elementarereignissen {ω} {ω} schreiben: A = {ω}. {ω}. Da Da die die Elementarereignisse disjunkt sind, sind, ergibt sich sich aufgrund der der Additivitätseigenschaft ω A P(A) P(A) = P( P( {ω}) {ω}) = p(ω). p(ω). ω A ω A Seite 34
18 5.3 Das Laplace-Modell Idee: Idee: Bei Bei vielen Zufallsexperimenten sind sind alle alle Elementarexperimente gleich wahrscheinlich. Beispiele: Würfeln mit mit einem korrekten Würfel, Werfen einer einer fairen Münze. Definition: Sei Sei Ω = {ω {ω 1, 1, ω 2, 2,..., ω s } s } eine eine s-elementige Menge, und und sei sei p(ω) p(ω) = 1/s 1/s für für alle alle ω Ω. Ω. Dann heißt heißt (Ω, (Ω, P) P) ein ein Laplacescher Wahrscheinlichkeitsraum. Man Man nennt P die die diskrete Gleichverteilung (Laplace-Verteilung). Seite 35 Bemerkungen Satz. In In einem Laplaceschen Wahrscheinlichkeitsraum gilt gilt P(A) P(A) = A A // s = A A // Ω Ω für für alle alle Ereignisse A. A. (Beweis. Sei Sei A = {ω {ω 1, 1, ω 2, 2,..., ω t }. t }. Dann folgt folgt mit mit P(A) P(A) = p(ω p(ω 1 ) 1 ) + p(ω p(ω 2 ) 2 ) p(ω p(ω t ) t ) = t t 1/s 1/s = A A // s.) s.) Pierre Simon Laplace ( ): Professor in in Paris. Seite 36
19 Beispiel: Zweifaches Würfeln Frage: Mit Mit welcher Wahrscheinlichkeit tritt tritt die die Augenzahl 5 (oder irgend ein ein Zahl Zahl zwischen 2 und und 12) 12) auf? auf? Ω = {(1,1),...,...,(6.6)} = {1, {1, 2, 2,...,..., 6} 6} {1, {1, 2, 2,...,..., 6} 6} (1,1) (1,1)(1,2) (1,2)(1,3) (1,3)(1,4) (1,4)(1,5) (1,5)(1,6) (1,6) (2,1) (2,1)(2,2) (2,2)(2,3) (2,3)(2,4) (2,4)(2,5) (2,5)(2,6) (2,6) (3,1) (3,1)(3,2) (3,2)(3,3) (3,3)(3,4) (3,4)(3,5) (3,5)(3,6) (3,6) (4,1) (4,1)(4,2) (4,2)(4,3) (4,3)(4,4) (4,4)(4,5) (4,5)(4,6) (4,6) (5,1) (5,1)(5,2) (5,2)(5,3) (5,3)(5,4) (5,4)(5,5) (5,5)(5,6) (5,6) (6,1) (6,1)(6,2) (6,2)(6,3) (6,3)(6,4) (6,4)(6,5) (6,5)(6,6) (6,6) Laplacescher Wahrscheinlichkeitsraum p(ω) p(ω) = 1/36. 1/36. Seite 37 Beispiel: zweifaches Würfeln. Die Wahrscheinlichkeiten X(w) X(w) = i+j i+j für für w = (i, (i, j). j). {X {X = 5} 5} = {(1,4), (2,3), (3,2), (4,1)}. Also Also P(X P(X = 5) 5) = 4/36 4/36 = 1/9. 1/9. Im Im allgemeinen gilt gilt P(X P(X = 2) 2) = 1/36, 1/36, P(X P(X = 3) 3) = 2/36, 2/36, P(X P(X = 4) 4) = 3/36, 3/36, P(X P(X = 5) 5) = 4/36, 4/36, P(X P(X = 6) 6) = 5/36, 5/36, P(X P(X = 7) 7) = 6/36, 6/36, P(X P(X = 8) 8) = 5/36, 5/36, P(X P(X = 9) 9) = 4/36, 4/36, P(X P(X = 10) 10) = 3/36, 3/36, P(X P(X = 11) 11) = 2/36, 2/36, P(X P(X = 12) 12) = 1/36. 1/36. Seite 38
20 Beispiel (Leibniz) Leibniz (Gottfried Wilhelm Leibniz, ) meinte, dass dass beim beim Würfeln mit mit zwei zwei Würfeln die die Augensummen und und gleich wahrscheinlich sind. sind. Offenbar betrachtet Leibniz Grundraum Ω = {(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,2), (2,3), (2,4), (2,4),(2,5), (2,6), (3,3), (3,4), (3,5), (3,6), (4,4), (4,5), (4,6), (5,5), (5,6), (6,6)} wobei (i,j) (i,j) interpretiert wird wird als als ein ein Würfel zeigt zeigt i, i, der der andere j. j. Es Es gibt gibt genau ein ein Experiment ω, ω, das das die die Realisierung X(ω) X(ω) = und und genau ein ein Experiment, das das die die Realisierung hat. hat. Aber Aber Seite 39 Beispiel (Leibniz): Fortsetzung aber aber es es handelt sich sich nicht nichtum einen Laplaceschen Wahrscheinlichkeitsraum. Das Das heißt: Nicht alle alle Elementarereignisse sind sind gleich wahrscheinlich! Lösung: In In unserer Vorstellung müssen wir wir die die Würfel unterscheiden (z.b. (z.b. einer einer rot, rot, einer einer schwarz). Dann gibt gibt es es für für die die Augenzahl nur nur einen Ausgang (nämlich rot rot = 6 und und schwarz = 6), 6), aber aber für für die die Augensumme zwei zwei Ausgänge (rot (rot = 5, 5, schwarz = 6 und und rot rot = 6 und und schwarz = 5). 5). Mit Mit anderen Worten: Wenn man man die die Gleichverteilung anwenden will, will, muss man man den den Grundraum Ω = {1, {1, 2, 2,...,..., 6} 6} {1, {1, 2, 2,...,..., 6} 6} betrachten. Seite 40
21 Beispiel (Galilei) Galileo Galilei ( ) wurde folgende Frage gestellt: Warum ist ist beim beim dreimaligen Würfeln die die Augensumme wahrscheinlicher als als die die Augensumme 9 obwohl es es jeweils gleich viele viele Kombinationen gibt, gibt, nämlich 1 2 6, 6, 1 3 5, 5, 2 2 5, 5, 2 3 4, 4, 1 4 4, 4, bzw. bzw , 6, 2 2 6, 6, 1 4 5, 5, 2 3 5, 5, 2 4 4, 4, 3 4 4?????? Mögliche Antworten: (a) (a) Es Es gibt gibt zwar zwar gleich viele viele Kombinationen, diese haben aber aber nicht nicht die die gleiche Wahrscheinlichkeit. (b) (b) Am Am besten betrachtet man man den den zugehörigen Laplaceschen Wahrscheinlichkeitsraum: Seite 41 Beispiel (Galilei). Lösung Ω = {1, {1, 2, 2,...,..., 6} 6} {1, {1, 2, 2,...,..., 6} 6} {1, {1, 2, 2,...,..., 6}. 6}. Ω Ω = = X(ω) X(ω) = i i + j j + k, k, wobei ω = (i, (i, j, j, k) k) ist. ist. Das Das Ereignis {X {X = 9} 9} besteht aus aus 6 Permutation von von 1 2 6, 6, 6 Permutationen von von 135, 135, 3 unterscheidbaren Permutation von von 2 2 5, 5, 6 Permutationen von von 2 3 4, 4, 3 unterscheidbaren Permutationen von von 1 4 4, 4, dem dem Wurf Wurf Also Also P(X P(X = 9) 9) = 25/216. Andererseits ist ist P(X P(X = 10) 10) = 27/216. Seite 42
22 Das Ziegenproblem In In einer einer Spielshow steht steht der der Gewinner am am Ende vor vor folgender Situation: Vor Vor sich sich sieht sieht er er drei drei Türen. Er Er weiß: Hinter einer einer steht steht ein ein Auto, Auto, hinter den den beiden anderen nur nur eine eine Ziege (= (= Niete). Er Er wählt eine eine Tür Tür ohne ohne sie sie zu zu öffnen. Dann öffnet der der Showmaster eine eine andere Tür, Tür, hinter der der eine eine Ziege steht. Jetzt Jetzt fragt fragt der der Showmaster den den Kandidaten: Wollen sie sie die die von von Ihnen gewählte Tür Tür wechseln? Problem: Kann die die Mathematik dem dem Kandidaten helfen? Seite 43 Das Ziegenproblem: Ask Marylin! Das Das Ziegenproblem wurde durch folgendes Ereignis bekannt: Marylin vos vossavant, angeblich der der Mensch mit mit dem dem höchsten Intelligenzquotient, hat hat in in den den U.S.A. eine eine Kolumne ( Ask Marylin ), in in der der sie sie alle alle möglichen kniffligen Fragen beantwortet. Auf Auf das das Ziegenproblem antwortete sie, sie, dass dass Wechseln die die Gewinnchancen erhöht, und und zwar zwar auf auf das das Doppelte. Das Das Ergebnis war war eine eine heiße Diskussionen, in in der der Marilyn heftigst angegriffen wurde. Teilweise wissenschaftlich ( offensichtlich hat hat bei bei zwei zwei verbleibenden Möglichkeiten jede jede die die gleiche Chance ), teilweise unwissenschaftlich ( Frauen und und Mathematik... )... ) ABER Seite 44
23 Das Ziegenproblem: Marylin hat Recht! Satz. Wenn man man bei bei seiner Entscheidung bleibt, hat hat man man eine eine Gewinnchance von von (nur) (nur) 1/3. 1/3. Wenn man man wechselt, gewinnt man man mit mit der der Wahrscheinlichkeit 2/3. 2/3. Beweis. Wir Wir nehmen an, an, dass dass der der Kandidat jede jede der der drei drei Türen mit mit Wahrscheinlichkeit 1/3 1/3 wählt (Laplace-Verteilung). (a) (a) Der Der Kandidat wechselt nicht. Dann wählt er er eine eine Tür Tür und und hat hat mit mit Wahrscheinlichkeit 1/3 1/3 das das Auto. Seite 45 Das Ziegenproblem: Der Kandidat wechselt die Tür (b) (b) Der Der Kandidat wechselt. Wenn er er (mit (mit Wahrscheinlichkeit 1/3) 1/3) die die Autotür gewählt hat, hat, verliert er. er. Mit Mit Wahrscheinlichkeit 2/3 2/3 hat hat er er eine eine Ziegentür gewählt. Der Der Showmaster öffnet die die andere Ziegentür! Das Das heißt: Wechseln bringt den den Kandidaten zwangsläufig zur zur Autotür! Literatur: G.v. G.v. Randow: Das Das Ziegenproblem. rororo. Seite 46
24 Das Geburtstagsparadox Frage 1: 1: Wie Wie groß groß muss eine eine Gruppe von von Personen sein, sein, dass dass die die Wahrscheinlichkeit > ½ ist, ist, dass dass zwei zwei dieser Personen am am gleichen Tag Tag des des Jahres Geburtstag haben? Seite 47 Das Geburtstagsparadox II II Frage 2: 2: Am Am ging ging folgende Meldung durch die die Presse: (dpa) Zum Zum ersten Mal Mal in in der der 40jährigen Geschichte des des deutschen Zahlenlottos wurden zwei zwei identische Gewinnreihen festgestellt. Am Am Juni Juni dieses Jahres kam kam im im Lotto Lotto am am Mittwoch in in der der Ziehung A die die Gewinnreihe heraus. Genau die die selben Zahlen wurden bei bei der der Ausspielung im im Samstagslotto schon einmal gezogen, nämlich am am Dezember Welch ein ein Lottozufall: Unter den den Zahlen sind sind fast fast Millionen verschiedene Sechserreihen möglich. Ist Ist das das wirklich so so unwahrscheinlich? Seite 48
25 Modellierung des Geburtstagsproblems Wir Wir stellen uns uns n Fächer vor. vor. Dies Dies ist ist die die Anzahl aller aller Möglichkeiten. Bei Bei den den Geburtstagen ist ist n = (Anzahl der der möglichen Geburtstage). Beim Beim Lotto Lotto ist ist n Millionen (Anzahl der der möglichen Ziehungen). Nun Nun werden die die Fächer sukzessiv zufällig besetzt. Frage: Wann wird wird das das erste erste Fach Fach doppelt besetzt, d.h. d.h. wann tritt trittdie erste erste Kollision auf auf? X n = n Zeitpunkt der der ersten Kollision beim beim sukzessiven, rein rein zufälligen Besetzen von von n Fächern. Seite 49 Ergebnis zum Geburtstagsparadox Satz. P(X P(X n n k+1) k+1) = n(n 1)(n 2)...(n k+1) // n k k.. Dies Dies ist ist die die Wahrscheinlichkeit, dass dass bis bis zur zur (k+1)-ten Belegung noch noch keine Kollision aufgetreten ist. ist. Beweis. Wir Wir gehen davon aus, aus, dass dass alle alle Belegungen der der Fächer mit mit k Objekten gleichwahrscheinlich ist ist (Laplace-Modell). Dann ist ist n(n 1)(n 2)...(n k+1) die die Anzahl der der Belegungen ohne ohne Kollision und und n k k ist ist die die Anzahl aller aller Belegungen. Die Die Aussage des des Satz Satz ergibt sich sich jetzt jetzt durch Satz Satz ( Wahrscheinlichkeit = Anzahl der der günstigen Fälle Fälle durch Anzahl der der möglichen Fälle ). Seite 50
26 Folgerung und Anwendungen Folgerung. P(X P(X n n k) k) = 1 n(n 1)(n 2)...(n k+1) // n k k.. Dies Dies ist ist die die Wahrscheinlichkeit, dass dass bis bis zur zur k-ten k-ten Belegung mindestens eine eine Kollision aufgetreten ist. ist. Beispiel 1: 1: n = P(X P(X n n 22) 22) 0,4757; P(X P(X n n 23) 23) 0,5073; P(X P(X n n 26) 26) 0,5982; P(X P(X n n 40) 40) 0,8912; P(X P(X n n 60) 60) 0, D.h.: D.h.: Bei Bei Personen ist ist die die Wahrscheinlichkeit über über 99%, dass dass zwei zwei am am gleichen Tag Tag Geburtstag haben. Beispiel 2: 2: n = P(X P(X n n 3500) 0,3546; P(X P(X n n 4500) 0,5152; P(X P(X n n 5500) 0,6609; P(X P(X n n 6500) 0,7792. Seite 51 Zeitpunkt der ersten Kollision Satz. Bei Bei einer einer sukzessiven, rein rein zufälligen Besetzung von von n Fächer ist ist der der Zeitpunkt der der ersten Kollision etwa etwa n. n. Seite 52
27 5.4 Der Erwartungswert Mit Mit dem dem Begriff des des Erwartungswerts kann kann man man u.a. u.a. Probleme des des folgenden Typs Typs lösen: Sie Sie spielen folgendes Spiel: Sie Sie werfen eine eine Münze 4 mal. mal. Wenn jedesmal Kopf Kopf erscheint, gewinnen Sie Sie Euro, wenn in in genau 3 Würfen Kopf Kopf erscheint, gewinnen Sie Sie Euro. Der Der Einsatz pro pro Spiel Spiel beträgt 4 Euro. Würden Sie Sie ein ein solches Spiel Spiel auf auf Dauer spielen? Seite 53 Allgemeinere Fragestellung Wir Wir stellen uns uns ein ein Glücksrad vor vor mit mit den den Sektoren ω 1, 1, ω 2, 2,..., ω s. s. Wenn der der Zeiger im im Sektor ω i stehen i bleibt, erhält man man den den Gewinn X(ω X(ω i ). i ). Wir Wir spielen das das Spiel Spiel n mal. mal. Dabei bleibt der der Zeiger h 1 mal 1 mal im im Sektor ω 1, 1, h 2 mal 2 mal im im Sektor ω 2, 2,..., h s mal s mal im im Sektor ω s stehen. s Dann ist ist die die durchschnittliche Auszahlung pro pro Spiel Spiel gleich (( h 1 1 X(ω 1 ) 1 ) + h 2 2 X(ω 2 ) 2 ) h s s X(ω s ) s )))// n = X(ω X(ω 1 ) 1 ) h 1 /n 1 /n + X(ω X(ω 2 ) 2 ) h 2 /n 2 /n X(ω X(ω s ) s ) h s /n s /n.. Seite 54
28 Definition Erwartungswert Wenn man man (für (für großes n) n) die die relative Häufigkeit h i /n i /n durch die die Wahrscheinlichkeit p(ω p(ω i ) i ) beschreibt, wird wird der der vorige Ausdruck zu: zu: X(ω X(ω 1 ) 1 ) p(ω p(ω 1 ) 1 ) + X(ω X(ω 2 ) 2 ) p(ω p(ω 2 ) 2 ) X(ω X(ω s ) s ) p(ω p(ω s ) s ).. Das Das ist ist die die auf auf lange Sicht Sicht erwartete Auszahlung pro pro Spiel. Definition. Sei Sei Ω = {ω {ω 1, 1, ω 2, 2,..., ω s } s } ein ein endlicher Grundraum mit mit Wahrscheinlichkeitsverteilung P, P, und und sei sei X eine eine Zufallsvariable. Dann nennt man man die die Zahl Zahl E(X) E(X) = X( X( ω 1 ) 1 ) p(ω p(ω 1 ) 1 ) + X(ω X(ω 2 ) 2 ) p(ω p(ω 2 ) 2 ) X(ω X(ω s ) s ) p(ω p(ω s ) s ) den den Erwartungswert der der Zufallsvariablen X. X. Seite 55 Beispiele Beispiel 1: 1: einfaches Würfeln. Sei Sei X( X( ω) ω) die die Augenzahl beim beim Wurf Wurf ω. ω. Dann ist ist E(X) E(X) = 1 1/6 1/ /6 1/ /6 1/ /6 1/ /6 1/ /6 1/6 = 3,5. 3,5. Beispiel 2: 2: Eingangsbeispiel. Wir Wir fassen Ω = {0,1} {0,1} 4 4 als als Laplaceschen Wahrscheinlichkeitsraum auf, auf, d.h. d.h. jedes Elementarereignis hat hat Wahrscheinlichkeit 1/16. 1/16. X(ω) X(ω) ist ist der der Gewinn bzw. bzw. Verlust (= (= Auszahlung Einzahlung). Dann ist ist einmal X(ω) X(ω) = (= (= 20 4), viermal X(ω) X(ω) = 6 (= (= 10 4), sonst X(ω) X(ω) = Also Also E(X) E(X) = (1 ( ) 4)// = ¼. ¼. Seite 56
29 Satz über den Erwartungswert Satz. Seien X, X, Y Zufallsvariablen auf auf Ω, Ω, und und sei sei A Ω ein ein Ereignis. Dann gelten die die folgenden Aussagen: (a) (a) E(X E(X + Y) Y) = E(X) E(X) + E(Y) E(Y) ( Additivität ). (b) (b) E(a X) = a E(X) E(X) ( Homogenität ). (c) (c) Wenn X Y (das (das bedeutet X( X( ω) ω) Y(ω) Y(ω) für für alle alle ω Ω), Ω), dann dann gilt gilt auch auch E(X) E(X) E(Y) E(Y) ( Monotonie ). (d) (d) E( E( I A I) A ) = P(A). P(A). Seite 57 Beweis (a) (a) Beweis. (a) (a) Es Es gilt gilt E(X E(X + Y) Y) = (X+Y)(ω 1 ) 1 ) p(ω p(ω 1 ) 1 ) + (X+Y)(ω 2 ) 2 ) p(ω p(ω 2 ) 2 ) (X+Y)(ω s ) s ) p(ω p(ω s ) s ) = X(ω X(ω 1 ) 1 ) p(ω p(ω 1 ) 1 ) + X(ω X(ω 2 ) 2 ) p(ω p(ω 2 ) 2 ) X(ω X(ω s ) s ) p(ω p(ω s ) s ) + Y(ω Y(ω 1 ) 1 ) p(ω p(ω 1 ) 1 ) + Y(ω Y(ω 2 ) 2 ) p(ω p(ω 2 ) 2 ) Y(ω Y(ω s ) s ) p(ω p(ω s ) s ) = E(X) E(X) + E(Y). E(Y). (b) (b) und und (c) (c) werden ganz ganz entsprechend bewiesen (ÜA). Seite 58
30 Beweis (d) (d) (d) Sei Sei A = {ω {ω 1, 1, ω 2, 2,..., ω t }. t }. Nach Definition ist ist I A I(ω A (ω i ) i ) = 1 für für i i t t (d.h. (d.h. ω Ω) Ω) und und = 0 sonst. Also Also E(I E(I A ) A ) = 1 p(ω p(ω 1 ) 1 ) + 1 p(ω p(ω 2 ) 2 ) p(ω p(ω t ) t ) = p(ω p(ω 1 ) 1 ) + p(ω p(ω 2 ) 2 ) p(ω p(ω t ) t ) = P(A). P(A). Seite 59 Folgerung Folgerung. Seien X, X, Y, Y, Z, Z, Zufallsvariablen auf auf Ω. Ω. Dann gilt gilt E(X E(X + Y + Z +...)...) = E(X) E(X) + E(Y) E(Y) + E(Z) E(Z) Beweis. Wir Wir führen den den Beweis für für drei drei Zufallsvariablen X, X, Y, Y, Z. Z. Wir Wir wenden zwei zwei Mal Mal (a) (a) an an und und erhalten: E(X E(X + Y + Z) Z) = E( E( (X+Y) + Z) Z) = E(X+Y) + E(Z) E(Z) = E(X) E(X) + E(Y) E(Y) + E(Z). E(Z). Im Im allgemeinen beweist man man dies dies mit mit Induktion nach nach der der Anzahl n der der Zufallsvariablen. Seite 60
31 Erwartungswert einer Zählvariable Satz. Seien A, A, B, B, C, C, Ereignisse (d.h. (d.h. A, A, B, B, C Ω), Ω), und und sei sei X die die entsprechende Zählvariable, d.h. d.h. X = I A I + A I B I + B I C I Dann gilt gilt E(X) E(X) = P(A) P(A) + P(B) P(B) + P(C) P(C) Wenn die die Ereignisse A, A, B, B, C, C, die die gleiche Wahrscheinlichkeit p besitzen, so so ist ist E(X) E(X) = n p, p, wobei n die die Anzahl der der betrachteten Ereignisse ist. ist. Seite 61 Beweis Beweis. Nach (d) (d) gilt gilt E(I E(I A ) A ) = P(A), P(A), E(I E(I B ) B ) = P(B), E(I E(I C ) ) = P(C), Nach gilt gilt E(I E(I A + A I B I + B I C I +...) +...) = E(I E(I A ) A ) + E(I E(I B ) B ) + E(I E(I C ) ) Zusammen folgt folgt die die Behauptung: E(I E(I A + A I B I + B I C I +...) +...) = E(I E(I A ) A ) + E(I E(I B ) B ) + E(I E(I C ) ) = P(A) P(A) + P(B) P(B) + P(C) P(C) Seite 62
32 Beispiel Wir Wir betrachten die die Menge aller aller Permutationen der der Menge {1, {1,...,..., n}. n}. Definition. Eine Eine Permutation π hat hat den den Fixpunkt j, j, falls falls π(j) π(j) = j j ist. ist Hilfssatz. (a) (a) Es Es gibt gibt genau (n 1)! Permutationen mit mit dem dem Fixpunkt j. j. (b) (b) Die Die Wahrscheinlichkeit, dass dass eine eine zufällig ausgewählte Permutation den den Fixpunkt j j hat, hat, ist ist 1/n. 1/n. Beweis. (a) (a) Jede Jede Permutation mit mit Fixpunkt j j kann kann auf auf den den restlichen n 1 n 1 Elementen eine eine beliebige Permutation sein. sein. (b) (b) Insgesamt gibt gibt es es n! n! Permutationen, also also ist ist der der Anteil der der Permutationen mit mit Fixpunkt j j genau 1/n. 1/n. Seite 63 Die Wahrscheinlichkeit für einen Fixpunkt Satz. Die Die Zufallsvariable X beschreibe die die Anzahl der der Fixpunkte einer einer zufällig gewählten Permutation. Dann gilt: gilt: E(X)= Mit Mit anderen Worten: Wenn man man eine eine Permutation rein rein zufällig aussucht, hat hat diese im im Mittel genau einen Fixpunkt. Beweis. Wir Wir betrachten den den Grundraum Ω aller aller Permutationen und und gehen davon aus, aus, dass dass alle alle die die gleiche Wahrscheinlichkeit haben. Das Das Ereignis A j eine j eine Permutation hat hat den den Fixpunkt j j hat hat nach nach die die Wahrscheinlichkeit 1/n. 1/n. Dies Dies gilt gilt für für alle alle j j {1, {1,...,..., n}, n}, also also folgt folgt nach nach für für die die Zählvariable X ( es ( es tritt tritt einer einer der der Fixpunkte 1, 1, 2, 2,...,..., n auf ) auf ) E(X) E(X) = P(A P(A 1 ) 1 ) + P(A P(A 2 ) 2 ) P(A P(A n ) n ) = n 1/n n 1/n = Seite 64
33 Stichproben Problem: Eine Eine Urne Urne enthält r r rote rote und und s schwarze Kugeln. Aus Aus der der Urne Urne werden nacheinander zufällig n Kugeln gezogen. Frage: Wie Wie groß groß ist ist die die Wahrscheinlichkeit, dass dass diese Stichprobe genau k rote rote Kugeln enthält? Anwendung: Rote Rote Kugeln entsprechen defekten Teilen einer einer Warenlieferung. Man Man möchte aufgrund der der Stichprobe Rückschlüsse auf auf die die Gesamtzahl der der defekten Teile Teile ziehen. Seite 65 Modellierung Wir Wir nummerieren die die Kugeln: 1, 1,...,..., r+s. r+s. Dabei seien die die Kugeln 1, 1,...,..., r r die die roten roten Kugeln, also also die die Kugeln r+1, r+1,...,..., r+s r+s die die schwarzen. Als Als Ergebnisraum bietet sich sich an: an: Ω = {(a {(a 1, 1, a 2,..., 2,..., a n ) n ) a i i {1, {1,...,..., r+s}, r+s}, a i i a j }, j }, wobei a i die i die Nummer der der i-ten i-ten gezogenen Kugel ist. ist. Dann ist ist Ω Ω = (r+s) (r+s 1) (r+s n+1). (Für (Für die die erste erste Kugel stehen r+s r+s Werte zur zur Verfügung, für für die die zweite nur nur noch noch r+s 1. Usw. Usw. für für die die n-te n-tenur nur noch noch r+s n+1.) Seite 66
34 Fortsetzung Modellierung Wir Wir stellen uns uns vor, vor, dass dass es es sich sich um um einen Laplaceschen Wahrscheinlichkeitsraum handelt (die (die Ziehungen erfolgen rein rein zufällig!). Daher gilt gilt für für jedes Ereignis A Ω: Ω: P(A) P(A) = A A // Ω Ω = A A //(r+s) (r+s 1)... (r+s n+1). Die Die Teilmenge A j = j {(a {(a 1, 1, a 2,..., 2,..., a n ) n ) a j j r} r} beschreibt genau das das Ereignis die die j-te j-tekugel ist ist rot. rot. Seite 67 Die Wahrscheinlichkeit dafür, dass die j-te Kugel rot ist ist Hilfssatz. P(A P(A j ) j ) = r/(r+s) für für alle alle j. j. Mit Mit anderen Worten: Die Die Ereignisse A 1, 1, A 2, 2,..., A n haben n alle alle die die gleiche Wahrscheinlichkeit Beweis. Jede Jede der der r+s r+s Kugeln hat hat die die gleiche Wahrscheinlichkeit, als als j-te j-tegezogen zu zu werden. Dafür, dass dass diese rot rot ist, ist, gibt gibt es es r r Möglichkeiten Beweis. Wie Wie viele viele Möglichkeiten gibt gibt es, es, n Kugeln zu zu ziehen, so so dass dass die die j-te j-terot rot ist? ist? Dazu legen wir wir zuerst die die j-te j-tefest (r (r Möglichkt.). Die Die anderen n 1 n 1 Kugeln sind sind beliebig. Also Also ist ist die die Gesamtzahl r (r+s 1) (r+s n+1). Mit Mit Ω Ω = (r+s) (r+s 1)... (r+s n+1) folgt folgt die die Behauptung. Seite 68
35 Die hypergeometrische Verteilung Die Die Zufallsvariable X = II A1 + A1 I A2 I + A I An I beschreibt An die die Anzahl Anzahl der der roten roten Kugeln Kugeln beim beim n-maligen Ziehen Ziehen ohne ohne Zurücklegen. Die Die Verteilung (d.h. (d.h. die die Wahrscheinlichkeiten P(X P(X = k)) k)) dieser dieser Zufallsvariablen heißt heißt die die hypergeometrische Verteilung Satz. Satz. (a) (a) E(X) E(X) = n r/(r+s). (b) (b) P(X=k) P(X=k) = r s k n k r + s n Seite 69 Beweis Beweis. (a) (a) folgt folgt aus aus (b) (b)(x (X = k) k) bedeutet, dass dass genau genau k der der Ereignisse A 1, 1,..., A n eintreten. n Wir Wir zählen zählen die die Anzahl Anzahl dieser dieser Möglichkeiten: n Es Es gibt gibt Möglichkeiten für für die die Stellen, an an denen denen die die roten roten Kugeln Kugeln stehen. k stehen. Diese Diese werden werden durch durch verschiedene Nummern r r besetzt. Dafür Dafür gibt gibt es es r (r 1)... (r k+1) Möglichkeiten. Nun Nun werden werden die die restlichen n k n k Stellen Stellen aus aus dem dem Bereich der der schwarzen Kugeln Kugeln ausgewählt. Dafür Dafür gibt gibt es es s (s 1)... (s (n k)+1) Möglichkeiten. Multiplizieren, durch durch Ω Ω teilen, ausrechnen! Seite 70
Kapitel 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
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,
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
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Algorithmen und Datenstrukturen 349 A Grundbegriffe der Wahrscheinlichkeitsrechnung Für Entwurf und Analyse randomisierter Algorithmen sind Hilfsmittel aus der Wahrscheinlichkeitsrechnung erforderlich.
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)
MehrTeil II. Wahrscheinlichkeitsrechnung
Teil II Wahrscheinlichkeitsrechnung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2014) Folie 129 5 Zufallsexperimente Inhaltsverzeichnis (Ausschnitt) 5 Zufallsexperimente Ergebnisse Ereignisse
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
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
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
MehrDiskrete Strukturen WiSe 2012/13 in Trier
Diskrete Strukturen WiSe 2012/13 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 11. Januar 2013 1 Diskrete Strukturen Gesamtübersicht Organisatorisches und Einführung Mengenlehre Relationen
MehrWahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26)
Wahrscheinlichkeitsräume (Teschl/Teschl 2, Kap. 26 Ein Wahrscheinlichkeitsraum (Ω, P ist eine Menge Ω (Menge aller möglichen Ausgänge eines Zufallsexperiments: Ergebnismenge versehen mit einer Abbildung
MehrLernzusammenfassung für die Klausur. Inhaltsverzeichnis. Stochastik im SS 2001 bei Professor Sturm
Stochastik im SS 2001 bei Professor Sturm Lernzusammenfassung für die Klausur Hallo! In diesem Text habe ich die wichtigsten Dinge der Stochastikvorlesung zusammengefaÿt, jedenfalls soweit, wie ich bis
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:
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
MehrDas Ziegenproblem. Nils Schwinning und Christian Schöler Juni 2010
Das Ziegenproblem Nils Schwinning und Christian Schöler http://www.esaga.uni-due.de/ Juni 2010 Die Formulierung Obwohl das sogenannte Ziegenproblem in der Mathematik allgegenwärtig erscheint, wurde es
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
Mehr8. Wahrscheinlichkeitsrechnung
Didaktik der Geometrie und Stochastik WS 09/10 Bürker 27. 1. 11 8. Wahrscheinlichkeitsrechnung 8.1 Begriffe 8.1.1 Zufallsexperiment Was ist ein Zufallsexperiment? a) Mehrere Ergebnisse möglich b) Ergebnis
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
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
MehrWahrscheinlichkeitsrechnung für die Mittelstufe
Wahrscheinlichkeitsrechnung für die Mittelstufe Wir beginnen mit einem Beispiel, dem Münzwurf. Es wird eine faire Münze geworfen mit den Seiten K (für Kopf) und Z (für Zahl). Fair heißt, dass jede Seite
MehrMathematische Grundlagen der Computerlinguistik Wahrscheinlichkeit
Mathematische Grundlagen der Computerlinguistik Wahrscheinlichkeit Dozentin: Wiebke Petersen 8. Foliensatz Wiebke Petersen math. Grundlagen 1 Motivation Bsp.: In vielen Bereichen der CL kommt Wahrscheinlichkeitstheorie
MehrWählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein Element aus,
V. Stochastik ================================================================== 5.1 Zählprinzip Wählt man aus n Mengen mit z 1 bzw. z 2,..., bzw. z n Elementen nacheinander aus jeder Menge jeweils ein
Mehr15 Wahrscheinlichkeitsrechnung und Statistik
5 Wahrscheinlichkeitsrechnung und Statistik Alles, was lediglich wahrscheinlich ist, ist wahrscheinlich falsch. ( Descartes ) Trau keiner Statistik, die du nicht selbst gefälscht hast. ( Churchill zugeschrieben
MehrKAPITEL 2. Kombinatorik
KAPITEL 2 Kombinatori In der Kombinatori geht es um das Abzählen von Kombinationen 21 Geburtstagsproblem Beispiel 211 (Geburtstagsproblem In einem Raum befinden sich 200 Studenten Wie groß ist die Wahrscheinlicheit,
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.
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 1. Grundbegriffe der Wahrscheinlichkeitsrechnung
Vorlesungscharts Vorlesung 1 Grundbegriffe der Wahrscheinlichkeitsrechnung Zufallsvorgänge und Zufallsereignisse Definitionen der Wahrscheinlichkeit Seite 1 von 11 Chart 1: Vorgänge deterministisch zufällig
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
Mehr9. Elementare Wahrscheinlichkeitsrechnung
9. Elementare Wahrscheinlichkeitsrechnung Beispiel (Einmaliges Würfeln): verbal mengentheoretisch I. Zufällige Ereignisse Beispiel (Einmaliges Würfeln): Alle möglichen Ausgänge 1,,, 6 des Experiments werden
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
MehrRumpfskript. Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Rumpfskript Elementare Wahrscheinlichkeitsrechnung Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen Vorbemerkung Vorbemerkung Das vorliegende Skript heißt nicht nur Rumpf skript, sondern
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/
MehrWahrscheinlichkeitsrechnung
Teil V Wahrscheinlichkeitsrechnung Inhaltsangabe 6 Einführung in die Wahrscheinlichkeitsrechnung 125 6.1 Kombinatorik......................... 125 6.2 Grundbegri e......................... 129 6.3 Wahrscheinlichkeiten.....................
Mehr3.3 Bedingte Wahrscheinlichkeit
28 3.3 Bedingte Wahrscheinlichkeit Oft ist die Wahrscheinlichkeit eines Ereignisses B gesucht unter der Bedingung (bzw. dem Wissen), dass ein Ereignis A bereits eingetreten ist. Man bezeichnet diese Wahrscheinlichkeit
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
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 15.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
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 5 Hilfsmittel aus der Kombinatorik 7 Bedingte
MehrWahrscheinlichkeitsrechnung
Abiturvorbereitung Wahrscheinlichkeitsrechnung S. 1 von 9 Wahrscheinlichkeitsrechnung Kombinatorik Formeln für Wahrscheinlichkeiten Bedingte Wahrscheinlichkeiten Zusammenfassung wichtiger Begriffe Übungsaufgaben
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
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik. Mögliche Ergebnisse, auch Elementarereignisse bezeichnet
Kapitel 10 Zufall und Wahrscheinlichkeit 10.1. Grundbegriffe Wahrscheinlichkeitsrechnung Zufallsvorgang Klein-Omega ω Groß-Omega Ω Stellt Modelle bereit, die es erlauben zufallsabhängige Prozesse abzuschätzen
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
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.
MehrUE Statistik 1, SS 2015, letztes Update am 5. März Übungsbeispiele
UE Statistik, SS 05, letztes Update am 5. März 05 Übungsbeispiele Beispiele mit Musterlösungen finden Sie auch in dem Buch Brannath, W., Futschik, A., Krall, C., (00) Statistik im Studium der Wirtschaftswissenschaften..
MehrErwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
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.
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrAuf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an.
Aufgabe 4 Glückspasch" (16 Punkte) Auf dem Schulfest bietet Peter als Spielleiter das Glücksspiel "GlücksPasch" an. Spielregeln: Einsatz 1. Der Mitspieler würfelt mit 2 Oktaederwürfeln. Fällt ein Pasch,
MehrZusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 27. Oktober 2010 Teil III Wahrscheinlichkeitstheorie 1 Zufallsereignisse Vorüberlegungen Der Ereignisraum Konstruktionen
MehrZiegenproblem, Monty-Hall-Problem, Wahrscheinlichkeitsrechnung. Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem
Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Wahrscheinlichkeitsrechnung Theorie Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem, Monty-Hall-Problem, Drei-Türen-Problem Ziegenproblem,
MehrWahrscheinlichkeitsrechnung Teil 1
Wahrscheinlichkeitsrechnung Teil Einführung in die Grundbegriffe Sekundarstufe Datei Nr 30 Stand September 2009 Friedrich W Buckel INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK wwwmathe-cdde Inhalt Zufallsexperimente,
MehrKapitel 2. Zufällige Versuche und zufällige Ereignisse. 2.1 Zufällige Versuche
Kapitel 2 Zufällige Versuche und zufällige Ereignisse In diesem Kapitel führen wir zunächst anschaulich die grundlegenden Begriffe des zufälligen Versuchs und des zufälligen Ereignisses ein und stellen
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung Was du wissen musst: Die Begriffe Zufallsexperiment, Ereignisse, Gegenereignis, Zufallsvariable und Wahrscheinlichkeit sind dir geläufig. Du kannst mehrstufige Zufallsversuche
MehrLaplace und Gleichverteilung
Laplace und Gleichverteilung Aufgaben Aufgabe 1 An einem Computer, dessen Tastatur die 26 Tasten für die kleinen Buchstaben (a,b,c... z) hat, sitzt ein Nutzer (User) und tippt zufällige auf den Tasten
Mehr1.1 Ergebnisräume einfacher Zufallsexperimente. 2) Es gibt mindestens zwei mögliche Ausgänge des Experiments.
Übungsmaterial 1 1 Zufallsexperimente 1.1 Ergebnisräume einfacher Zufallsexperimente Damit ein Experiment ein Zufallsexperiment ist, müssen folgende Eigenschaften erfüllt sein: 1) Das Experiment lässt
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 8. Übung SS 16: Woche vom
Übungsaufgaben 8. Übung SS 16: Woche vom 30. 5. 3.6. 2016 Stochastik II: Klassische Wkt.-Berechnung; Unabhängigkeit Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
MehrErgebnis Ergebnisraum Ω. Ereignis. Elementarereignis
Stochastik Die Stochastik besteht aus zwei Teilgebieten, der Statistik und der Wahrscheinlichkeitsrechnung. Die Statistik beschreibt die Vergangenheit und verwendet Informationen, die (in realen Versuchen)
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
MehrGrundbegriffe der Wahrscheinlichkeitstheorie
KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir
MehrGründe für die Behandlung von stochastischen Problemen (nach KÜTTING)
Vorlesung 03.01.09 Stochastik Gründe für die Behandlung von stochastischen Problemen (nach KÜTTING) Der Mathematikunterricht der Schule hat die Aufgabe, eine Grundbildung zu vermitteln, die auf ein mathematisches
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.
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
MehrZufallsgröße: X : Ω R mit X : ω Anzahl der geworfenen K`s
4. Zufallsgrößen =============================================================== 4.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrDas Zweikinderproblem
Das Zweikinderproblem Definition Zweikinderproblem Eine Familie besitzt zwei Kinder. Wie groß ist die Wahrscheinlichkeit Pr[ Beide Kinder sind Mädchen. Eines der Kinder ist ein Mädchen ]? Lösung: Sei A
MehrGrundwissen Stochastik Grundkurs 23. Januar 2008
GYMNSIUM MIT SCHÜLERHEIM PEGNITZ math.-technolog. u. sprachl. Gymnasium WILHELM-VON-HUMBOLDT-STRSSE 7 91257 PEGNITZ FERNRUF 09241/48333 FX 09241/2564 Grundwissen Stochastik Grundkurs 23. Januar 2008 1.
MehrWahrscheinlichkeitsrechnung
Wahrscheinlichkeitsrechnung. Semester Begleitendes Skriptum zur Vorlesung im FH-Masterstudiengang Technisches Management von Günther Karigl FH Campus Wien 206/7 Inhaltsverzeichnis. Semester: Wahrscheinlichkeitsrechnung
MehrÜberblick. Linguistische Anwendungen: æ Spracherkennung æ Textretrival æ probabilistische Grammatiken: z.b. Disambiguierung. Problem: woher Daten?
1 Überblick æ Beschreibende Statistik: Auswertung von Experimenten und Stichproben æ Wahrscheinlichkeitsrechnung: Schlüsse aus gegebenen Wahrscheinlichkeiten, Hilfsmittel: Kombinatorik æ Beurteilende Statistik:
MehrDieser Begriff wurde von Jacob Bernoulli Ars conjectandi geprägt (1773), in dem das erste Gesetz der großen Zahlen bewiesen wurde.
10.1 Über den Begriff Stochastik Die Wahrscheinlichkeitsrechnung ist eine Teildisziplin von Stochastik. Dabei kommt das Wort Stochastik aus dem Griechischen : die Kunst des Vermutens (von Vermutung, Ahnung,
Mehr1 Wahrscheinlichkeitsrechnung und Zufallsvariablen
1 Wahrscheinlichkeitsrechnung und Zufallsvariablen Zoltán Zomotor Versionsstand: 18. Mai 2015, 09:29 Die nummerierten Felder bitte während der Vorlesung ausfüllen. This work is licensed under the Creative
MehrKlausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende
Universität Duisburg-Essen Essen, den 0.0.009 Fachbereich Mathematik Prof. Dr. M. Winkler C. Stinner Klausur zur Wahrscheinlichkeitstheorie für Lehramtsstudierende Lösung Die Klausur gilt als bestanden,
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
MehrGrundwissen zur Stochastik
Grundwissen zur Stochastik Inhalt: ABHÄNGIGE EREIGNISSE...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON ERGEBNISSEN...2 ABHÄNGIGKEIT UND UNABHÄNGIGKEIT VON MERKMALEN IN VIERFELDERTAFELN...2 ABSOLUTE HÄUFIGKEIT...2
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Kombinatorik. Dr. Thomas Zehrt. Inhalt: 1. Endliche Mengen 2. Einfache Urnenexperimente
Universität Basel Wirtschaftswissenschaftliches Zentrum Kombinatorik Dr. Thomas Zehrt Inhalt: 1. Endliche Mengen 2. Einfache Urnenexperimente 2 Teil 1 Endliche Mengen Eine endliche Menge M ist eine Menge,
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
MehrPflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg
Pflichtteilaufgaben zu Stochastik (Pfadregeln, Erwartungswert, Binomialverteilung) Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com September 016
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Josef Leydold c 2006 Mathematische Methoden II Wahrscheinlichkeitstheorie 1 / 24 Lernziele Experimente, Ereignisse und Ereignisraum Wahrscheinlichkeit Rechnen mit Wahrscheinlichkeiten
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT 12. Erwartungswert, Varianz und Standardabweichung
Mathematik: LehrerInnenteam Arbeitsblatt 7-7. Semester ARBEITSBLATT Erwartungswert, Varianz und Standardabweichung Die Begriffe Varianz und Standardabweichung sind uns bereits aus der Statistik bekannt
MehrKlausur: Diskrete Strukturen I
Universität Kassel Fachbereich 10/1 13.03.2013 Klausur: Diskrete Strukturen I Name: Vorname: Matrikelnummer: Versuch: Unterschrift: Bitte fangen Sie für jede Aufgabe ein neues Blatt an. Beschreiben Sie
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrWahrscheinlichkeitsrechnung
Absolute und relative Häufigkeiten Wenn man mit Reißzwecken würfelt, dann können sie auf den Kopf oder auf die Spitze fallen. Was ist wahrscheinlicher? Ein Versuch schafft Klarheit. Um nicht immer wieder
MehrAbiturvorbereitung Stochastik. neue friedländer gesamtschule Klasse 12 GB Holger Wuschke B.Sc.
Abiturvorbereitung Stochastik neue friedländer gesamtschule Klasse 12 GB 24.02.2014 Holger Wuschke B.Sc. Siedler von Catan, Rühlow 2014 Organisatorisches 0. Begriffe in der Stochastik (1) Ein Zufallsexperiment
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)
MehrBeschreibende Statistik
Beschreibende Aufgaben der beschreibenden : Erhebung von Daten Auswertung von Daten Darstellung von Daten Erhebung von Daten Bei der Erhebung von Daten geht es um die Erfassung von Merkmalen (Variablen)
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
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
Mehr5. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 09 25.5.2009 5. Übungsblatt zur Einführung in die Stochastik Aufgabe 18 Drei Spieler bekommen jeweils
MehrWirtschaftsstatistik I [E1]
040571-1 WMS: Wirtschaftsstatistik 1 :: WiSe07/08 Wirtschaftsstatistik I [E1] Schwab, Harald 1 harald.schwab@univie.ac.at http://homepage.univie.ac.at/harald.schwab October 7, 2007 1 Sprechstunde: MO 17-18h
MehrDiscrete Probability - Übungen (SS5) Wahrscheinlichkeitstheorie. 1. KR, Abschnitt 6.1, Aufgabe 5: 2. KR, Abschnitt 6.1, Aufgabe 7:
Discrete Probability - Übungen (SS5) Felix Rohrer Wahrscheinlichkeitstheorie 1. KR, Abschnitt 6.1, Aufgabe 5: Bestimmen Sie die Wahrscheinlichkeit dafür, dass die Augensumme von zwei geworfenen Würfeln
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Zufallsvorgänge, Ereignisse und Wahrscheinlichkeiten Zufallsvorgang: Geschehen mit ungewissem
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren. 1. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen)
Dr. Jürgen Senger INDUKTIVE STATISTIK Wahrscheinlichkeitstheorie, Schätz- und Testverfahren ÜUNG. - LÖSUNGEN. Zweimaliges Ziehen aus einer Urne (ohne Zurücklegen Die Urne enthält 4 weiße und 8 rote Kugeln.
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrKapitel 5. Stochastik
76 Kapitel 5 Stochastik In diesem Kapitel wollen wir die Grundzüge der Wahrscheinlichkeitstheorie behandeln. Wir beschränken uns dabei auf diskrete Wahrscheinlichkeitsräume Ω. Definition 5.1. Ein diskreter
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrKapitel VII. Punkt- und Intervallschätzung bei Bernoulli-Versuchen
Kapitel VII Punkt- und Intervallschätzung bei Bernoulli-Versuchen Einführungsbeispiel: Jemand wirft einen korrekten Würfel 60 mal. Wie oft etwa wird er die 6 würfeln? Klar: etwa 10 mal, es kann aber auch
Mehr