Sie sind auf Seite 1von 5

Wahrscheinlichkeitstheorie und stochastische

Prozesse - Skriptum
7. Oktober 2012
1 Einf uhrung
1.1 Motivation
Spiele: W urfeln, Karten, Lotto, M unzwurf etc.

Empirische Gesetze der groen


Zahlen
W urfeln: 10
6
x: Anzahl Sechser 166666 =
10
6
6
[Graphik]
Wahrscheinlichkeit ist eine Abstratkion von relativen Haugkeiten. Als wei-
teres Beispiel schauen wir uns das W urfeln mit 2 W urfeln an (praktisch gesehen
kann auch mit einem W urfel hintereinander gew urfelt werden - f ur die Mathe-
matik macht das keinen Unterschied).
Beispiel 1. F ur den Versuch gibt es (1, 1), (1, 2), . . . , (6, 6) mogliche Versuchs-
ausgange. Man spricht hier auch von

Elementarereignissen (in unserem Elementarereignis


Fall sind es 36 Elementarereignisse)
Bei ({(1, 1), . . . , (6, 6)}) handelt es sich um die

Grundmenge. Grundmenge
Ereigniss:

Summ der Augenzahlen = 7: Menge der Elementarereignisse bei


denen dieses Erignis eintritt. F ur dieses Beispiel:
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}
Denition 1. Ereignisse sind eine Teilmenge der Grundmenge: A M (naiv.
jede Teilmenge).
Beispiel 2. Nun erweitern wir das Beispiel 1 um ein weiteres Ereignis: B =

1. W urfel zeigt 6- {(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}
1. A und B gleichzeitig = {(6, 1)} = A B
2. A oder B (inkl.) = A B
3. A oder B (exkl.) = AB = (A B) \ (A B) = (A\ B) (B \ A)
4. A tritt ein, B aber nicht = A\ B
5. A tritt nicht ein = A
c
= M \ A (Komplement)
6. . . . unmogliches Ereignis
7. M . . . sicheres Ereignis
1
Wahrscheinlichkeit (oder korrekter Weise: Wahrscheinlichkeitsma) ist eine Wahrscheinlichkeit
Funktion, die Ereignissen Zahlen zuordnet. Die Funktion muss folgende Eigen-
schaften besitzen:
1. 0 P(A) 1
2. P(M) = 1
3. P() = 0
4. Additivitat A, BA B = : P(A B) = P(A) +P(B) Additivitat
5. Sigma Additivitat A
n
, n NA
i
A
j
=
i+j
: P(

A
n
) =

P(A
n
) Sigma Addi-
tivitat
Denition 2. Laplacerscher Wahrscheinlichkeitsraum: jedem Elemtarereignis
Laplacerscher
Wahrschein-
lichkeits-
raum
wird die selbe Wahrscheinlichkeit zugeordnet. (z.B.: M unzwurf, Ziehen von Kar-
ten, etc.)
P(A
n
) =
1
|M|
dies kann logischer Weise nur f ur endliche Mengen deniert wer-
den, da ansonsten die Wahrscheinlichkeit des Einzelereignis gegen 0 streben
w urde und somit auch die Summe aller Einzelwahrscheinlichkeiten null ware.
Beispiel 3. M unze werfen solange bis das erste Mal SZahlkommt: A
n
= {
Zahl kommt zum ersten Mal bei n W urfen}, P(A
n
) = ?
P(A
1
) =
1
2
, P(A
2
) =
1
4
, . . . P(A
n
) =
1
2
n
M =

A
n
= P(M) =

P(A
n
) =

n=1
2
n
= 1
Beispiel 4. P(gerade Anzahl von W urfen) = P(A
2
A
4
A
6
. . .) =
1
2
2
+
1
2
4
+
1
2
6
+. . . =

n=1
=
1
4
n
=
1
3
1.1.1 Additionstheorem:
P(AB) = (A(B\A)) = P(A)+P(B\A) P(AB) = P(A)+P(B)P(AB)
Herleitung:
B \ A = B \ (A B) (1)
B = (B \ A) (2)
P(B) = P(B \ A) +P(A B) (3)
P(B \ A) = P(B) P(A B) (4)
Denition 3. Allgemeines Additionstheorem:
P(A
1
A
2
. . . A
n
) = P(A
1
) +. . . +P(A
n
)
P(A
1
A
2
) . . . P(A
n1
A
n
)
+P(A
1
A
2
A
3
) +. . . +P(A
n2
+A
n1
+A
n
)
P(A
1
A
2
A
3
A
4
) . . . + +. . .
. . . + (1)
n1
P(A
1
. . . A
n
) (5)
2
1.1.2 Bedingte Wahrscheinlichkeit
Ich wei, dass B eingetreten ist, wie gro ist dann die Wahrscheinlichkeit, dass
auch A eintritt?
P(A|B) =
P(A B)
P(B)
, vorausgesetzt: P(B) > 0
Beispiel 5. Fortsetzung des W urfelbeispiels: P(A) =
1
6
, P(B) =
1
6
, P(AB) =
1
36
P(A|B) =
1
36
1
6
C = {Summe = 8}){(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)} P(C) =
5
36
P(A|C) = 0 P(B|C) =
1
5
A heit unabhangig von B wenn:
P(A|B) = P(A)
P(A B)
P(B)
= P(A) P(A B) = P(A) P(B)
. .
A und B sind unabhangig voneinder
1.1.3 Multiplikationstheorem
P(AB) = P(A) P(B|A) wenn A, B unabhangig voneinander sind: P(AB) =
P(A) P(B).
Beispiel 6. 52 Karten; 13 Karten von jeder Farbe; Ziehen der Karten nach-
einander; (A . . . 1. Karte ist Herz; B . . . 2. Karte ist Herz)
2 Karten ziehen: P(2x Herz) = P(A B) = P(A) P(B|A) =
13
52

12
51
=
3
51
1.2 Satz von der vollstandigen Wahrscheinlichkeit
A
1
, . . . , A
n
disjunkt (i = j A
i
A
j
= )

n
i=1
P(A
i
) = 0 B M P(B|A) bekannt
P(B) =
n

i=1
P(A
i
)P(B|A
i
) = P(MB) = P(
n
_
i=1
A
i
B) =
disjunkt
..
P(
n
_
i=1
A
i
B) =
=
n

i=1
P(A
i
B)
Additionstheorem
= =
n

i=1
P(A
i
) P(B|A
i
) (6)
Beispiel 7. Wie hoch war die Wahrscheinlichkeit, dass die erste Karte ein Herz
war?
P(A|B) =
P(A B)
P(B)
=
P(A) P(B|A)
P(A) P(B|A
2
) +P(A

) P(B|A

)
P(A
i
|B) =
P(A
i
) P(B|A
i
)

n
j=1
P(A
j
) P(B|A
j
)
3
Beispiel 8. Blutgruppen: Frau A, Sohn 0, meine?
Allele Gruppe
a a A A: 47%
ab, ba AB 0: 40%
a0, 0a A B: 9%
b, b B AB: 4%
b0, 0b B
00 0
0, 47 P
2
a
+ 2P
a
P
0
0, 4 P
2
0
0, 009 P
2
0
+ 2 P
o
P
b
0, 004 2 P
a
P
b
P
0
=
_
0, 4 0, 63 P
0
= 0, 63
P
0
+P
a
=
_
0, 4 + 0, 47 0, 93 P
a
= 0, 3
P(AB) = 2 0, 3 0, 07 P
b
= 0, 07
Sohn: 00, Mutter: a0, Vater: 00 (=
1
2
), a0 (=
1
4
), b0 (=
1
4
)
P(0|Sohn0) =
0, 4
1
2
0, 4
1
2
+ 0, 38
1
4
+ 0, 09
1
4

0, 2
0, 32
0, 62
P(A|Sohn0)
0, 38
1
4
0, 32
0, 3
P(B|Sohn0)
0, 09
1
4
0, 32
0, 08
2 Zufallsvariable
Eine Zufallsvariable beschreibt einenen zufalligen Zahlenwert. Sie kann als eine
Abbildung der Grundmenge in den reellen Zahlenraum gesehen werden:
X : M R
diskrete Zufallsvariablen: hochstens abzahlbar viele Werte (nicht so gut
handhabbar: ganzzahlige Werte). Zum Beispiel: 5-maliges W urfeln, X - die An-
zahl der Sechsen
stetige Zufallsvariablen: alle reellen Zahlen sind moglich. Zum Beispiel: Ge-
schwindigkeit bzw. Zeit die zwischen zwei radioaktiven Zerfallen einer Probe
vergeht.
2.1 Verteilung einer Zufallsvariable
Wahrscheinlichkeitsfunktion im diskreten Fall:
f
x
(x) = P(X x)
P(x = 0) = P(1.Wurf = 6, . . . , 5.Wurf = 6) = (
5
6
)
5
P(x = 1) = P(6xxxx) +P(x6xxx) +. . .
nachMultiplikationssatz
=
1
6
(
5
6
)
4
+. . . = 5
1
6
(
5
6
)
4
4
2.1.1 Binomialverteilung
n unabhangige Versuche. Bei jedem Versuch Erfolg mit W p. Dabei ist x die
Anzahl der Erfolge.
P(X = x) =
_
n
x
_
p
x
(1 p)
nx
= X B(n, p)
Man sagt auch x ist nach Binomialverteilung verteilt.
Stetige Zufallsvariable Verteilungsfunktion:
f
x
(x) = P(X x) x R
B(5,
1
2
) =
x 0 1 2 3 4 5
F
x
(x)
1
32
5
32
10
32
10
32
5
32
1
32
2.1.2 Gleichverteilung
F =
_

_
= 0, x < 0
= 0 0 x < 1
=
6
32
1 x < 2
=
16
32
2 x < 3
=
26
32
3 x < 4
=
31
32
4 x < 5
=
32
32
5 x
[Graph der Verteilungsfunktion]
Gleichverteilung: P(X x) =
_
=
1
ba+1
, a x b, x Z
= 0 sonst
stetige Gleichverteilung: U[a, b] (U[0, 1])
Fx(x) =
_

_
= 0, x < 0
= x 0 x < 1
= 1 x 1
Es lasst sich erkennen, dass F stetig und dierenzierbar ist:
F
x
(x) =
_
x

f
x
(u)du Dichtefunktion
f
x
(x) = F

x
(x) =
_
1 : 0 x < 1
0 : sonst
Im diskreten Fall ergibt sich die Dichtefunktion wie folgt: F
x
(x) =

ux
f
x
(u)
5