Wahrscheinlichkeitstheorie Fur Ingenieure

Lothar Litz
Wahrscheinlichkeitstheorie fr Ingenieure
Grundlagen, bungen, Anwendungen
2
Download free eBooks at bookboon.com
Wahrscheinlichkeitstheorie fr Ingenieure Grundlagen, bungen, Anwendungen

1. Auflage
2015 Lothar Litz & bookboon.com
ISBN 978-87-403-0928-7
3
Inhalt
Inhalt

ber das Buch:
11
ber den Autor:
12
1 Typische Anwendungen der Wahrscheinlichkeitstheorie
13
1.1
Technische Systeme und ihre Modellierung
13
1.2
Modell eines Nachrichtenbertragungssystems
14
1.3
Modell einer Regelstrecke
15
1.4
Modell eines Energieversorgungssystems
17
1.5
Modell einer automatischen Sicherheitseinrichtung
18
2 Ntige Grundlagen der Mengenlehre
20
2.1 Vorbemerkungen
20
2.2
Notation von Mengen, Teilmengen und Elementen
20
2.3
Komplement, Vereinigungs-, Schnitt-, Differenzmenge
22
2.4 Mengenalgebra
23
2.5 Selbstkontrollaufgaben
23
Verwirklichen, worauf es ankommt

mit einer Karriere bei Siemens.
siemens.de/karriere
4
Click on the ad to read more
Inhalt
Der Wahrscheinlichkeitsbegriff
25
3.1 Vorbemerkungen
25
3.2
Das Zufallsexperiment (ZE)
25
3.3
Relative Hufigkeit
30
3.4
Axiomatischer Wahrscheinlichkeitsbegriff nach Kolmogorov
33
3.5
Klassischer Wahrscheinlichkeitsbegriff nach Laplace
35
3.6
Zusammenhang zwischen den Begriffen
38
41
3.8 Zusatzaufgaben
41
4 Rechnen mit Wahrscheinlichkeiten
43
4.1 Vorbemerkungen
43
4.2
Wahrscheinlichkeiten verknpfter Ereignisse
43
4.3
Geometrische Wahrscheinlichkeiten
46
4.4
Bedingte Wahrscheinlichkeiten
51
58
4.6 Zusatzaufgaben
59
Lighting, beyond
illumination
In 10 years 2/3 of people will be living in big cities.
At Philips we focus on providing lighting beyond illumination
to make these cities more livable, enjoyable and safe.
#makeitmeaningful
What will be your impact?
www.philips.com/careers
5
Inhalt
Stochastische Unabhngigkeit
61
5.1 Vorbemerkungen
61
5.2
Definition und Bedeutung
61
5.3
Stochastische Unabhngigkeit zweier Ereignisse
62
5.4
Stochastische Unabhngigkeit von drei und mehr Ereignissen
64
5.5
Stochastisch unabhngige, disjunkte und sich nachziehende Ereignisse
67
5.6
Anwendung Zuverlssigkeitstheorie
69
72
5.8 Zusatzaufgaben
74
6 Wahrscheinlichkeit bei Verbundexperimenten
75
6.1 Vorbemerkungen
75
6.2
Allgemeines Verbundexperiment
75
6.3
Bernoulli Experiment
79
6.4
Binomial -Wahrscheinlichkeitsverteilung
81
6.5
Polynomial -Wahrscheinlichkeitsverteilung
85
86
6.7 Zusatzaufgaben
87
Lieber Herr Pawlow,

wir konzentrieren uns zuknftig auf Erneuerbare
Energien, Energienetze und Kundenlsungen.
Dafr sind wir immer auf der Suche nach engagierten Ingenieuren, die sich mit On- und OffshoreWindenergie auskennen.
Steigen Sie bei uns als Praktikant ein und gestalten
Sie die Energiewelt der Zukunft mit.
Ihre Energie gestaltet Zukunft.
Aus dem Hrsaal in

die Praxis? Geht das
bei euch, E.ON?
www.eon.com/karriere
6
Inhalt
Lsungen zu den Selbstkontrollaufgaben bis Kap 6
88
Kapitel 2: Bentigte Grundlagen der Mengenlehre
88
Kapitel 3: Der Wahrscheinlichkeitsbegriff
91
Kapitel 4: Rechnen mit Wahrscheinlichkeiten
94
Kapitel 5: Stochastische Unabhngigkeit
99
Kapitel 6: Wahrscheinlichkeit von Verbundexperimenten
104
Literaturverzeichnis
108
Endnoten
109
Zufallsvariable, Verteilungs- und Dichtefunktion
Part II
7.1
Vorbemerkungen
Part II
7.2
Einfhrung der Zufallsvariablen (ZV)
Part II
7.3
Verteilungsfunktion
Part II
7.4
Dichtefunktion
Part II
7.5
Selbstkontrollaufgaben
Part II
7.6
Zusatzaufgaben
Part II
Bewirb Dich bis zum

30. Oktober 2016.
Technology Strategy
Academy 2016,
Barcelona
Autonomes Fahren steht kurz vor der Marktreife: Ein neues mobiles
Zeitalter kndigt sich an! Die Automobilindustrie ist in Aufruhr, das
Rennen um technologischen Vorsprung und damit um Marktanteile
hat sich beschleunigt.
Entwickle Strategien fr die

mobile Revolution!
11. bis 13. November 2016
Analysiere gemeinsam mit Strategy&-Beratern die Chancen und

Risiken autonomen Fahrens auf wirtschaftlicher und gesellschaftlicher
Ebene! Entwickle Strategien fr die Mobilitt der Zukunft!
Mehr Informationen unter
www.strategyand.pwc.com/tsacademy
2016 PwC. All rights reserved. PwC refers to the PwC network and/or one or more of its member rms,
each of which is a separate legal entity. Please see www.pwc.com/structure for further details.
7
Inhalt
Verteilungs- und Dichtefunktion transformierter ZV
Part II
8.1
Vorbemerkungen
Part II
8.2
Transformation der Zufallsvariable
Part II
8.3
Transformation der Verteilungsfunktion
Part II
8.4
Transformation der Dichtefunktion
Part II
8.5
Technische Anwendungsbeispiele
Part II
8.6
Part II
8.7
Zusatzaufgaben
Part II
Momente und Zentralmomente
Part II
9.1
Vorbemerkungen
Part II
9.2
Definition und Bedeutung des Erwartungswertes
Part II
9.3
Eigenschaften und Berechnung des Erwartungswertes
Part II
9.4
Varianz und Standardabweichung
Part II
9.5
Verallgemeinerte Momente
Part II
9.6
Part II
9.7
Zusatzaufgaben
Part II
Shape the fuTure

Two days that will broaden your horizon.
Brilliant ideas are born at Merck. From
the screen on your smartphone to cancer
therapies or laboratory tools our lifechanging ideas are everywhere. So join
us shape the future. Work on real-life
projects with other students and Merck
experts. Get ready to pitch your results

in front of Merck top managers. Benefit
from great networking opportunities
and authentic insights into the Merck
way of work.
17 & 18 November, 2016

Apply until 30 October, 2016!
www.come2merck.com/discoveryday
2016-017_ME_DD_Anz_bookboon_170x115.indd 2
15.08.16 14:45
8
Inhalt
10
Spezielle Verteilungen diskreter ZV
Part II
10.1
Vorbemerkungen
Part II
10.2
Grundlegende Zusammenhnge bei diskreten ZV
Part II
10.3
Diskrete Gleichverteilung
Part II
10.4
Binomialverteilung
Part II
10.5
Poissonverteilung
Part II
10.6
Part II
10.7
Zusatzaufgaben
Part II
11
Spezielle Verteilungen stetiger ZV
Part II
11.1
Vorbemerkungen
Part II
11.2
Stetige Gleichverteilung
Part II
11.3
Exponentialverteilung
Part II
11.4
Erlangverteilung
Part II
11.5
Normalverteilung
Part II
11.6
Part II
11.7
Zusatzaufgaben
Part II
12
Zuverlssigkeitstheorie als Anwendung stetiger ZV
Part II
12.1
Vorbemerkungen
Part II
12.2
Lebensdauer und Lebensdauerverteilungen
Part II
12.3
Reparaturdauer und Reparaturdauerverteilungen
Part II
12.4
Berechnung der Komponentenverfgbarkeit
Part II
12.5
Part II
12.6
Zusatzaufgaben
Part II
13
Zweidimensionale Zufallsvariable
Part II
13.1
Vorbemerkungen
Part II
13.2
Einfhrung einer zweidimensionalen ZV
Part II
13.3
Verteilungs- und Dichtefunktion zweidimensionaler ZV
Part II
13.4
Randverteilung und Randdichte
Part II
13.5
Stochastische Unabhngigkeit von ZV
Part II
13.6
Part II
13.7
Zusatzaufgaben
Part II
9
Inhalt
14
Momente zweidimensionaler ZV
Part II
14.1
Vorbemerkungen
Part II
14.2
Transformation zweidimensionaler ZV
Part II
14.3
Erwartungswert von Summe und Produkt von ZV
Part II
14.4
Verallgemeinerte Momente zweier ZV
Part II
14.5
Unkorreliertheit und Korrelationskoeffizient
Part II
14.6
Stochastische Unabhngigkeit und Unkorreliertheit
Part II
14.7
Part II
14.8
Zusatzaufgaben
Part II
15
Zufallsvektoren und Kovarianzmatrix
Part II
15.1
Vorbemerkungen
Part II
15.2
Zufallsvektoren, Dichte- und Verteilungsfunktionen
Part II
15.3
Randdichten, Randverteilungen, stochastische Unabhngigkeit
Part II
15.4
Transformation von Zufallsvektoren
Part II
15.5
Momente transformierter Zufallsvektoren
Part II
15.6
Unkorreliertheit und Kovarianzmatrix
Part II
15.7
Zentraler Grenzwertsatz
Part II
15.8
Part II
15.9
Zusatzaufgaben
Part II
Lsungen zu den Selbstkontrollaufgaben der Kap. 7 bis 15
Part II
Kapitel 7: Zufallsvariable, Verteilungs-, Dichtefunktion
Part II
Kapitel 8:Transformierte Zufallsvariable
Part II
Kapitel 9:Momente und Zentralmomente
Part II
Kapitel 10: Spezielle Verteilungen diskreter ZV
Part II
Kapitel 11: Spezielle Verteilungen stetiger ZV
Part II
Kapitel 12: Zuverlssigkeitstheorie als Anwendung stetiger ZV
Part II
Kapitel 13: Zweidimensionale Zufallsvariable
Part II
Kapitel 14: Momente zweidimensionaler ZV
Part II
Kapitel 15: Zufallsvektoren und Kovarianzmatrix
Part II
Part II
10
ber das Buch:
ber das Buch:

Das Buch ist aus Vorlesungen hervorgegangen, die der Autor seit vielen Jahren fr Studierende
ingenieurwissenschaftlicher Disziplinen an der Technischen Universitt Kaiserslautern hlt. Es ist so
verfasst, dass der Stoff auch von denjenigen erarbeitet werden kann, die sich bisher kaum oder gar nicht
damit befasst haben. Schwierige Passagen sind besonders ausfhrlich erlutert, so dass sich das Buch
auch zum Selbststudium eignet. Bereits der Vorlufer dieses Buches wurde zum Fernstudium eingesetzt.
In und nach den Kapiteln findet man Selbstkontrollaufgaben. Sie dienen dazu, den theoretischen Stoff
einzuben. Die Lsungen sind mit ausfhrlichem Lsungsweg angegeben. Eine zweite Gruppe von
Aufgaben, die Zusatzaufgaben, sind ein wichtiger Schritt, um die angehenden Ingenieurinnen und
Ingenieure zur Selbststndigkeit hinzufhren. Fr diese Aufgaben muss die Lsung samt Lsungsweg
auf alle Flle selbst gefunden werden. Hierzu gehrt es insbesondere, die Selbstsicherheit zu erreichen,
die eigene Lsung als richtig oder falsch einzustufen. Selbstverstndlich ist hierbei auch Gruppenarbeit
ein sinnvolles Mittel zum Zweck.
Der Aufbau des Buches ist folgendermaen: Die ersten beiden Kapitel bringen eine Hinfhrung zum
Thema, sowohl im Sinne der Motivation (Kap. 1), als auch im Sinne einer kurzen Rekapitulation
notwendiger mathematischer Grundlagen der Mengenlehre (Kap. 2). In den folgenden vier Kapiteln
(Kap. 3 bis Kap. 6) stehen die Wahrscheinlichkeit selbst, ihre Berechnung und einige ber die
Wahrscheinlichkeit gebildete Begriffe im Mittelpunkt. Ein Literaturverzeichnis sowie die Lsungen der
Selbstkontrollaufgaben findet man am Ende.
Das vorliegende Buch mit dem Titel Wahrscheinlichkeitstheorie fr Ingenieure Grundlagen, bungen,
Anwendungen ist das erste einer Gruppe, die man unter Stochastik fr Ingenieure zusammenfassen
kann. In einem weiteren Buch folgt die Theorie, welche auf den Zufallsvariablen aufbaut, sich also
mit Begriffen wie Verteilungs- und Dichtefunktion, Momenten, Zufallsvektoren und Kovarianzmatrix
auseinandersetzt. Dieses zweite Buch hat den Titel Zufallsvariablen fr Ingenieure Grundlagen,
bungen, Anwendungen Schlielich ist der Statistik ein drittes Buch mit dem Titel Statistik fr
Ingenieure Grundlagen, bungen, Anwendungen gewidmet. Die letzten beiden Bcher bauen auf dem
vorliegenden Buch auf und knnen nur mit den Stoff der Wahrscheinlichkeitsrechnung erarbeitet werden.
11
ber den Autor:
ber den Autor:

Professsor Dr.-Ing. habil. Lothar Litz studierte Elektrotechnik an der Universitt (TH) Karlsruhe, wo er bei Prof. Dr.
Dr. Fllinger promovierte und sich habilitierte. Nach mehrjhriger Industriettigkeit bei der damaligen Hoechst AG
wurde er 1992 auf den Lehrstuhl fr Automatisierungstechnik der Technischen Universitt Kaiserslautern berufen.
In den Jahren von 2006 bis 2013 war er dort auch als Vizeprsident fr Lehre, Studium und Internationales ttig.
12
Typische Anwendungen der Wahrscheinlichkeitstheorie
1 Typische Anwendungen der

Wahrscheinlichkeitstheorie
1.1
Technische Systeme und ihre Modellierung
Disziplinen wie die Elektrotechnik, die Informationstechnik oder der Maschinenbau haben letztlich
die Entwicklung technischer Systeme zum Ziel. Dies knnen Systeme sein, die sich vorrangig mit
der Energie beschftigen. Man denke etwa an einen Elektromotor oder an einen Verbrennungsmotor,
beziehungsweise an ein Kraftwerk. In allen drei Systemen werden bestimmte Energieformen in andere
Energieformen umgewandelt. Es knnen ebenso Systeme sein, die sich vorrangig der Materie widmen.
Dies umfasst solche bei denen bestimmte Stoffe in andere Stoffe umgewandelt werden oder solche bei
denen Teile mechanisch bearbeitet und miteinander zu einem greren Ganzen verbunden werden. Man
denke im ersten Fall an eine Chemiefabrik, im zweiten etwa an die Automobilfabrikation. Schlielich
knnen es auch Systeme sein, die vorrangig dem Umgang mit der Information dienen. Ein gutes
Beispiel hierzu ist die Nachrichtenbertragung, die terrestrische Komponenten wie Richtfunkstrecken
ebenso wie Satelliten umfassen kann. Zu den Aufgaben von Ingenieurinnen und Ingenieuren gehrt
es insbesondere, derartige Systeme oder Komponenten davon zu entwickeln, aber auch sich um deren
Produktion und Betrieb zu kmmern. Dies alles setzt ein Verstndnis derartiger Systeme voraus, letztlich
eine gezielte Durchdringung komplexer Sachverhalte nach bestimmten Kriterien. Sie gelingt auf der Basis
modellhafter Vorstellungen der technischen Wirklichkeit, wobei einzelne Modelle bestimmte Teilaspekte
der gesamten Wirklichkeit ausreichend genau wiedergeben mssen. Die effizientesten Modelle beruhen
auf geeigneten mathematischen Darstellungen. Sie erlauben das Spielen mit der Wirklichkeit, auch
das Vorausdenken und Vorausbestimmen ohne tatschliches Vorhandensein der Wirklichkeit. Die
Entwicklung funktionierender komplexer Systeme auf der Basis geeigneter Modellvorstellungen gehrt
zu den faszinierendsten Ingenieursttigkeiten.
13
Prinzipiell bestehen zwei verschiedene Wege, um zu Modellen der Wirklichkeit und damit zu Abstraktionen
derselben zu gelangen: die deduktive und die induktive Methode. Die deduktive1 Methode wendet man an,
wenn man in der Lage ist, alle wichtigen Phnomene mittels bekannter Gesetzmigkeiten zu beschreiben.
Dies knnen Gesetze sein wie z.B. diejenigen ber den Energie-, Ladungs-, Impuls- und Massenerhalt
oder daraus abgeleitete Gesetze wie z.B. die Kontinuittsgleichung. In vielen Fllen gelingt dies aber
nicht oder zumindest nicht vollstndig. Es kann daran liegen, dass die zugrundeliegenden Vorgnge
nicht ausreichend gut bekannt sind oder so kompliziert, dass sie uns regellos, also nicht determiniert,
erscheinen. Letzteres trifft z.B. fr den Durchgang eines Signals durch einen bertragungskanal zu, man
denke etwa an eine sich zeitlich ndernde bertragungstrecke zwischen zwei Handy-Benutzern whrend
der Autofahrt. Smtliche Vorgnge, die dabei eine Rolle spielen, beruhen auf bekannten Gesetzen der
Physik bzw. der Elektrotechnik. Dennoch fhrt hier die deduktive Vorgehensweise allein nicht zum Ziel.
Man zieht in solchen Fllen die induktive2 Methode heran. Dabei geht man von Beobachtungen aus, die
in mehreren Experimenten gemacht werden und versucht, diese verallgemeinernd zu beschreiben. Die
Wahrscheinlichkeitstheorie ist eins der wichtigsten Werkzeuge bei der induktiven Methode. Sie nimmt
die (scheinbar) regellosen Vorgnge als solche hin. Sie versucht nicht, sie zu erklren sondern sie so gut
wie mglich zu beschreiben.
1.2
Modell eines Nachrichtenbertragungssystems
Ein Nachrichtenbertragungssystem hat die Aufgabe, Nachrichten von einer sogenannten

Nachrichtenquelle zu einer Nachrichtensenke zu bertragen. Typische Quellen sind z.B. ein Mikrofon,
eine Kamera, aber auch Rechner, von denen aus Daten versandt werden sollen. Als Senken kann
man sich z.B. Lautsprecher und Monitore vorstellen, aber auch wieder Rechner, die Daten zwecks
Weiterverarbeitung empfangen. Ein allgemeines Modell fr ein Nachrichtenbertragungssystem ist in
Abb. 1.1 angegeben.
Strung
n(t)
Nachrichtenquelle
x(t)
Sender
s(t)
Kanal
r(t)
Empfnger
Abb. 1.1: Schema eines Nachrichtenbertragungssystems
14
y(t)
Nachrichtensenke
Eine Nachrichtenquelle, also etwa ein Mikrofon, eine Fernsehkamera oder ein Rechner, er
zeugt
ein elektrisches Signal x(t), welches man auch primres Signal nennt. Es ist nur selten zur direkten
bertragung ber einen gegebenen Kanal geeignet. Daher geht es auf einen Sender, der aus x(t) ein
bertragungsgeeignetes Sendesignal s(t) erzeugt, das auch sekundres Signal genannt wird. Unter
Umstnden sind in s(t) auch mehrere primre Signale im Sinne des Multiplexens3 zusammengefasst.
Das Sendesignal s(t) durchluft nun den sogenannten Kanal. Dies ist die eigentliche bertragungsstrecke,
man denke etwa an einen Lichtwellenleiter oder an eine Funkstrecke. Dabei kann s(t) linear und
nichtlinear verzerrt und durch ein externes Signal n(t) zustzlich gestrt werden. Diese Vorgnge sind sehr
komplex, lassen sich aber mit Hilfe der Wahrscheinlichkeitstheorie beschreiben. Das beim Empfnger
ankommende Signal r(t) muss so nicht mehr mit s(t) identisch sein. Die Aufgabe des Empfngers ist
es, zunchst einmal aus r(t) eine Schtzung (t) fr das gesendete s(t) zu beschaffen und aus dieser
schlielich das y(t) zu bestimmen. Damit hat der Empfnger eigentlich zwei Aufgaben:
zunchst (t) aus r(t) schtzen, danach
aus (t) das y(t) bestimmen, also die Signalumwandlung des Senders rckgngig machen.
Bei der ersten Aufgabe spricht man von Signalschtzung. Um (t) aus r(t) mglichst gut zu bestimmen,
bentigt man sowohl die statistischen Eigenschaften der Nachricht als auch diejenigen der Strung
n(t). Das mglichst gut bedeutet auerdem, dass sich die Verfahren zur Berechnung von (t) der
Wahrscheinlichkeitstheorie, genauer gesagt der Schtztheorie, bedienen.
1.3
Modell einer Regelstrecke
Unter der Regelstrecke versteht man den zu regelnden Teil eines technischen Prozesses. Sie ist Teil eines
Regelkreises, wie er in Abb. 1.2 in seinem prinzipiellen Aufbau dargestellt ist. Regelkreise dienen dazu,
bestimmten Systemen ber Sollwerte ein gewnschtes Verhalten aufzuprgen, z.B. fr eine gewnschte
Geschwindigkeit bei einem fahrenden Zug oder fr eine gewnschte Temperatur in einem beheizten
Raum zu sorgen. Dies gelingt letztlich ber die Stellgre u(t), welche die Regelstrecke direkt beeinflusst.
Beispiele fr Stellgren sind die Ansteuerung eines Elektromotors oder diejenige eines Regelventils. Die
gemessene Regelgre ist y(t), z.B. die Geschwindigkeit eines Zuges oder die Lufttemperatur in einem
Raum. Man muss davon ausgehen, dass eine Strung s(t) auf die Regelstrecke einwirkt, die in Abb. 1.2
additiv in y(t) enthalten ist.
Die Regelstrecke ist der zu beeinflussende Teil des Regelkreises, der wie in Abb. 1.2 gezeigt neben der
Regelstrecke noch den Regler, den Sollwert w(t) und den Soll-Istwertvergleich bentigt. Letzterer bildet
stndig die Regeldifferenz w(t) y(t). Aus ihr wiederum berechnet der Regler die Stellgre u(t) so, dass
die Regeldifferenz zu Null gemacht wird. Bei bekannter Regelstrecke besteht die eigentliche Aufgabe darin,
ein geeignetes mathematisches Regelgesetz zu berechnen. Bevor man aber einen Regler berechnet, der
die Strecke stabil regelt, muss zuvor das mathematische Streckenmodell bekannt sein.
15
Abb. 1.2: Modell eines Regelkreises mit Modell der Regelstrecke
Von der Struktur her kann ein Streckenmodell etwa folgendermaen aussehen: Man setzt ein ungestrtes
Modell mit Ausgangsgre yu(t) an, dem anschlieend additiv eine Strung s(t) berlagert wird. Daraus
wird siehe Abb. 1.2. die gemessene Ausgangsgre y(t), die insbesondere auch Messstrungen enthlt.
Fr das ungestrte Modell seinerseits gibt es nun wieder viele Mglichkeiten eines Ansatzes. Als Beispiel
wird hier exemplarisch eine Differentialgleichung 2. Ordnung betrachtet:
yu (t ) + a1 yu (t ) + a0 yu (t ) =b1u (t ) + b0u (t )
Darin sind u(t) und yu(t) die Zeitverlufe von Streckeneingang und ungestrtem Streckenausgang,
die im Modellansatz direkt sowie in erster und zweiter zeitlicher Ableitung auftreten, gekennzeichnet
durch einen Punkt ber den Symbolen. Bei a1, a0, b1, b0 handelt es sich um konstante Parameter.
Dieses Modell ist dann vollstndig bekannt, wenn die vier konstanten Parameter bekannt sind. Damit
besteht die Aufgabe der Bestimmung der Regelstrecke in der Schtzung der Parameter a1, a0, b1, b0, also
konstanter Werte. Dies geschieht, indem man Information aus den bekannten Zeitverlufen u(t) und y(t)
zugrundelegt. So kann man die Regelstrecke im Experiment mit einem frei gewhlten u(t) beaufschlagen
und die Messung y(t) aufzeichnen. In y(t) steckt dann implizit die Information ber die gesuchten vier
Parameter a1, a0, b1, b0. Man spricht bei diesem Problem von einer Identifikation der Regelstrecke, die
aus zwei Ingenieursaufgaben besteht:
Festlegung und Aufschaltung einer zur Identifikation geeigneten Eingangsgre u(t) und
Messung der Ausgangsgre y(t) (das Experiment),
Bestimmung der vier konstanten Parameter aus den gemessenen Zeitverlufen
(die Parameterschtzung)
Auch in diesem Fall bentigt man die statistischen Eigenschaften der Strung, wenn man statistische
Parameterschtzverfahren anwenden will.
16
1.4
Modell eines Energieversorgungssystems
Bei Energieversorgungssystemen spielen vielfach Gesichtspunkte der Verfgbarkeit eine groe

Rolle. Man interessiert sich dafr, wie hoch verfgbar die Energieversorgung bei einem bestimmten
Verbraucher ist. Derartige Fragestellungen sind besonders wichtig bei Verbrauchern mit hohen
Verfgbarkeitsanforderungen, etwa bei Operationsslen oder Intensivstationen in Krankenhusern oder
bei Chemiefabriken. Zur Verfgbarkeitserhhung besitzen Verbraucher dieser Art in der Regel mehrere
Einspeisungen, die von unterschiedlichen Energielieferanten stammen.
Das im Folgenden behandelte Modell zeigt einen Verbraucher mit zwei Einspeisungen. Er wird zum
einen ber das Kraftwerk 2 direkt und zum anderen ber das Kraftwerk 1 und eine lngere Freileitung
versorgt, siehe Abb. 1.3.
Abb. 1.3: Beispielschema fr ein Energieversorgungssystem mit drei Teilsystemen
Damit hat man ein System aus drei Versorgungskomponenten, dem Kraftwerk 1 (Komponente 1), dem
Kraftwerk 2 (Komponente 2) und der Leitung (Komponente 3). Um die Verfgbarkeit der Versorgung
fr obigen Verbraucher bestimmen zu knnen, mssen zwei Fragen beantwortet werden:
Wie hoch ist die Verfgbarkeit der einzelnen Komponenten?
Wie hoch ist die Verfgbarkeit des aus den Komponenten zusammengesetzten Gesamtsystems?
Die Antworten auf beide Fragen knnen anhand der Wahrscheinlichkeitsrechnung gegeben werden,
da es sich bei den Verfgbarkeiten um nichts anderes als um Wahrscheinlichkeiten handelt. An
spterer Stelle wird dieses Problem wieder aufgegriffen. Wir werden dann sehen, dass die Verfgbarkeit
des Gesamtsystems auch davon abhngt, ob zur Versorgung des Verbrauchers beide Einspeisungen
gleichzeitig bentigt werden oder ob jeweils eine der beiden Einspeisungen zur Versorgung bereits
ausreicht. Man spricht im letzten Fall von Redundanz.
17
1.5
Modell einer automatischen Sicherheitseinrichtung
Die Sicherheitstechnik spielt eine immer grere Rolle. Sie hat die Aufgabe, das Risiko beim Betrieb von
Anlagen auf ein akzeptables Ma zu reduzieren. Risikobehaftete Anlagen sind smtliche Einrichtungen,
von denen eine Gefahr fr Leib und Leben, Gesundheit und Umwelt ausgehen kann. Hierzu zhlen
neben vielen Produktionsanlagen z.B. solche in der chemischen Industrie auch Einrichtungen
des tglichen Verkehrs wie Autos, Zge und Flugzeuge und vieles mehr. Neben allgemeinen
Sicherheitseinrichtungen wie z.B. die Knautschzone oder die Sicherheitsgurte im Auto existieren viele
automatische Sicherheitseinrichtungen, welche ber Sensoren, Aktuatoren und eine Auslselogik
verfgen. Sie mssen im Fall des Falles ansprechen, um einen Schaden zu verhindern. Hierzu zhlt z.B.
der automatische Notstop von Zgen. Er spricht an, wenn ein Lokfhrer ein rotes Signal bersehen
sollte und fhrt zur automatischen Notbremsung des Zuges. Ein weiteres Beispiel ist das automatische
Schlieen eines Sicherheitsventils, wenn ein Behlter mit gefhrlichem Inhalt berzulaufen droht.
In diesen und hnlichen Fllen geht dem Ansprechen der Sicherheitseinrichtung immer eine Anforderung
voraus, z.B. das berfahren eines roten Signals oder das berschreiten eines maximalen Fllstandes.
Nach einer derartigen Anforderung (engl. Demand) muss die Sicherheitseinrichtung auslsen, also
den Zug stoppen bzw. das Ventil schlieen. Das kann sie aber nur dann, wenn sie zum Zeitpunkt der
Anforderung nicht ausgefallen ist. Solche Ausflle (engl. Failure) gilt es mit angemessenem Aufwand zu
verhindern. In internationalen Sicherheitsnormen wie der IEC 61508 (Funktionale Sicherheit)4 wird der
zu betreibende Aufwand in vier Sicherheitsklassen unterteilt, die weltweit Anwendung finden. Es sind die
sogenannten Saftey Integrity Levels (SIL), welche als SIL 1 bis SIL 4 definiert sind. Dabei ist jedem SIL-Level
eine Probability of Failure on Demand (PFD) zugeordnet, welche die automatische Sicherheitseinrichtung
einhalten muss. PFD lsst sich bersetzen als Wahrscheinlichkeit eines Ausfalls unter der Bedingung,
dass die Sicherheitsfunktion gerade angefordert wird. Es ist also die Wahrscheinlichkeit eines kritischen
Ereignisses, dessen Eintritt vermieden werden soll. Diese Wahrscheinlichkeit muss daher sehr klein
gemacht werden, und zwar umso kleiner, je grer das Gefhrdungspotential ist. Genau das ist der
Inhalt der Tabelle 1.1 welche den SIL-Levels eine PFD zuordnet.
Tab 1.1: Zuordnung der SIL-Levels und der Wahrscheinlichkeiten PFD gem der IEC 61508
18
Die Ingenieursaufgabe besteht nun in der Beantwortung folgender Fragen:

wie lsst sich das Gefhrdungspotential mit Hilfe der Wahrscheinlichkeitstheorie
konkretisieren und wie kann man es numerisch bestimmen?
welcher SIL-Level muss einer bestimmten Anlage zugeordnet werden nachdem das
Gefhrdungspotential bestimmt wurde?
wie kann nachgewiesen werden, dass die gewhlte technische Ausrstung die im SIL-Level
geforderte Wahrscheinlichkeit tatschlich einhlt?
Man sieht in Tab. 1.1 zum einen, dass es sich nicht um feste Wahrscheinlichkeitsvorgaben sondern um
Bandbreiten handelt, in denen sich die PFD aufzuhalten hat. Zum anderen erkennt man, dass die hheren
SIL-Levels uerst kleine Wahrscheinlichkeiten erfordern. Sie lassen sich nur ber geeignete Methoden
wie z.B. die Redundanz erreichen. Die PFD gehrt ferner zum Typ der bedingten Wahrscheinlichkeiten,
die spter ebenfalls behandelt werden.
Die in den Kapiteln 1.2 bis 1.5 erluterten typischen Anwendungen sind vier Beispiele von vielen mglichen.
Sie sollen zeigen, von welcher Art die Probleme sind, die man mit Hilfe der Wahrscheinlichkeitstheorie
lsen mchte. Der zentrale Begriff ist derjenige der Wahrscheinlichkeit selbst. Bevor dieser eingefhrt
wird, werden zunchst einige Sachverhalte aus der Mengenlehre rekapituliert, die fr das Verstndnis
der Wahrscheinlichkeit wesentlich sind.
Constant
energy for
a changing
world.
Connect with us on
uniper.energy/careers
19
Ntige Grundlagen der Mengenlehre
2 Ntige Grundlagen
der Mengenlehre
2.1 Vorbemerkungen
Der zentrale Begriff der Wahrscheinlichkeitstheorie, nmlich die Wahrscheinlichkeit selbst, basiert auf dem
Begriff des Ereignisses. Typische Ereignisse im Anwendungsbeispiel aus Kap. 1.5 waren das berfahren
eines roten Signales durch einen Lokfhrer oder der Ausfall der automatischen Notstop-Einrichtung.
Ein Ereignis wiederum hat mathematisch gesehen den Charakter einer Menge, einer Teilmenge oder
eines Mengenelementes. Ein sicherer Umgang mit Ereignissen setzt daher ein sicheres Umgehen mit den
Grundbegriffen der Mengenlehre voraus. Es ist nicht Ziel dieses Teiles in die Mengenlehre einzufhren.
Sie wird in ihren Grundzgen als bekannt vorausgesetzt, siehe z.B. /Deis10/ oder die vielen OnlineQuellen im Internet. Die folgenden Abschnitte dieses Kapitels fassen die bentigten Grundlagen der
Mengenlehre bersichtlich zusammen und geben Antworten auf folgende Fragen:
Welche Grundlagen der Mengenlehre werden fr die Lehreinheit Wahrscheinlichkeits
theorie bentigt?
Welche Notation wird in der Lehreinheit Wahrscheinlichkeitstheorie benutzt?
Wie sicher bin ich im Umgang mit diesen Grundbegriffen?
2.2
Notation von Mengen, Teilmengen und Elementen
Eine Menge M, also eine Zusammenfassung bestimmter wohlunterschiedener Objekte zu einem Ganzen,
kann angegeben werden durch Auflistung ihrer Elemente, also etwa fr eine Menge M1 durch
01
^P1 , P2 , P3` .
Die Leseweise ist: M1 ist die Menge mit den Elementen m1 , m2 , m3 . Dabei gilt dann z.B. m1 M 1 d.
h. m1 ist Element von M1 und m4 M 1 d. h. m4 ist nicht Element von M1.

Eine Menge kann ebenso durch Beschreibung der Eigenschaften der Elemente gegeben sein, etwa eine
Menge M2 durch
02
^[
[ ,1 XQG [ d 4` .
20
Die Leseweise ist: M2 ist die Menge aller Elemente x fr die gilt: x ist Element der Menge der natrlichen
Zahlen (also der Menge mit den Elementen 1, 2, 3, ) und x ist kleiner oder gleich 4. Die definierte
Menge M2 ist identisch mit der Menge aus den Elementen 1, 2, 3, 4.
Teilmengen werden mit den Symbolen (ist Teilmenge von) und (ist nicht Teilmenge von), also zum
Beispiel gem
1,2 M 2 ,
0,2 M 2
gebildet. Eine spezielle Teilmenge der Menge M ist per Definition die Nullmenge
, die auch
leere Menge genannt wird. Sie enthlt kein Element.
Ingenieurkarriere.
Hier ist Ihre Chance.
Karriere gestalten als Praktikant, Trainee m|w oder per Direkteinstieg.
Ohne Jungheinrich bliebe Ihr Einkaufswagen vermutlich leer. Und nicht nur der.
Tglich bewegen unsere Gerte Millionen von Waren in Logistikzentren auf der
ganzen Welt.
Unter den Flurfrderzeugherstellern zhlen wir zu den Top 3 weltweit, sind
in ber 30 Lndern mit Direktvertrieb vertreten und sehr neugierig auf Ihre
Bewerbung.
www.jungheinrich.de/karriere
21
2.3
Komplement, Vereinigungs-, Schnitt-, Differenzmenge
Diese Begriffe lassen sich anhand der folgenden Venn-Diagramme erlutern, wobei M die durch das
Rechteck symbolisierte Grundmenge darstellt.

' &' !")#"
' &' !")#"
-'
#%

,(

)%"'
#%

&"''"
("

!"(& #%(#"
Man erkennt, dass man die Differenzmenge auf eine Schnittmenge zurckfhren kann. Es gilt:
A \ B =A B.
22
2.4 Mengenalgebra
Es gelten die folgenden Gesetze, deren Gltigkeit man sich ebenfalls ber Venn-Diagramme leicht klar
machen kann:
A B = B A
A B = B A
Kommutativgesetze
Assoziativgesetze

A B C A B C
A B C A B C vb
Distributivgesetze A B C A B A C
A B C A B A C .
A B = A B
A B = A B .
De-Morgansche Gesetze
Bei der Anwendung der Distributivgesetze spricht man zuweilen auch vom Ausklammern.
Aufgabe 2.1
Vereinfachen Sie durch Anwendung der Gesetze der Mengenalgebra so weit wie mglich die
folgenden Ausdrcke:
a)
b) A
c)
d)
A B
B A B A B
A B B B C
B
23
Aufgabe 2.2
Von 30 Programmierern beherrschen 16 Pascal, 13 C++ und 10 Java. Man erkennt daran,
dass unter den Programmierern einige mehr als nur eine Sprache beherrschen. In der Tat
beherrschen 3 Pascal und Java, auerdem beherrschen 4 Pascal und C++ und genau einer alle
drei Sprachen.
Die Fragen lauten nun:
a) Wie viele beherrschen ausschlielich Pascal?
b) Wie gro ist die Differenz zwischen denjenigen, die ausschlielich C++ und
denjenigen, die ausschlielich Java beherrschen?
Aufgabe 2.3
Was halten Sie von den folgenden Distributivgesetzen, die alle die Minus-Operation enthalten?
B \ C A B \ A C
b) A B \ C A B \ A C
c) A \ B C A \ B A \ C
a) A
SEW-EURODRIVEDriving the world
Bewegen sie
mit
ber 120 Studenten bewegen bei

uns jedes Jahr Zukunft: Steigen
Sie ein in die faszinierende Welt der
Antriebstechnik mit Praktikum,
Werkstudententtigkeit oder
Abschlussarbeit.
Mehr Informationen? Direkt bewerben?
Wir freuen uns auf Sie!
www.sew-eurodrive.de/studenten
24
3 Der Wahrscheinlichkeitsbegriff
3.1 Vorbemerkungen
Es handelt sich bei der Wahrscheinlichkeit um den zentralen Begriff der darauf fuenden Theorie. Die
wissenschaftliche Beschftigung damit geht bis ins 16. Jahrhundert zurck, als sich der italienische
Gelehrte Cardano er verffentlichte auch die cardanischen Formeln zur Lsung von algebraischen
Gleichungen dritten Grades und beschrieb das Kardangelenk wohl als erster damit befasste. In der
Folgezeit beschftigten sich dann viele der bekannten Mathematiker mit dieser Materie und lieferten
wertvolle Beitrge, die meist nach ihnen benannt sind und in den Folgekapiteln eine Rolle spielen werden.
Zu diesen Gelehrten gehren im 17. Jahrhundert Pascal, Fermat und Huygens, im 18. Jahrhundert
Bernoulli, de Moivre, Bayes, Euler, dAlembert und Lagrange. Wesentliche Beitrge im 19. Jahrhundert
lieferten z.B. Laplace, Poisson, Markov, Ljapunov und Gauss. Es dauerte jedoch bis ins 20. Jahrhundert,
bevor Kolmogorov dann diejenige Definition der Wahrscheinlichkeit gab, auf der unsere heutige
Wahrscheinlichkeitstheorie aufbaut.
Dieses Kapitel soll die folgenden Fragen beantworten:
Was bedeutet Wahrscheinlichkeit?
Welches sind die wesentlichen Wahrscheinlichkeitsbegriffe?
Welche Zusammenhnge bestehen zwischen diesen?
Wie lassen sich Wahrscheinlichkeiten einfach berechnen?
3.2
Das Zufallsexperiment (ZE)
Der Begriff des Zufallsexperimentes ist von zentraler Bedeutung fr die Wahrscheinlichkeitstheorie.
Bevor es nun definiert wird, sollen zwei verschiedene, denkbare Experimente betrachtet werden:
Experiment 3.1:
Wir lassen mehrfach eine Kugel aus 1m Hhe fallen und stellen mit einer genauen Stoppuhr
die dabei verstreichende Zeit fest.
Es ist klar, dass bei diesem Experiment der Ausgang vorhersagbar ist, bevor wir das Experiment
durchfhren. Aus der bekannten Bewegungsgleichung folgt fr den Zusammenhang zwischen Weg s
und Zeit t
s = 1/2 g t
und damit bei einer Erdbeschleunigung von g = 9,81 m/s der Wert t = 0,45 s. Sieht man einmal von
Messungenauigkeiten ab, so wird man bei jedem Versuchsausgang obigen Wert fr t erwarten. Die
einzelnen Ergebnisse sind vorhersagbar. Wir haben es mit einem deterministischen5 Experiment zu tun.
25
Experiment 3.2:
Wir lassen mehrfach eine Mnze aus 1 m Hhe auf den Boden fallen und stellen fest, ob danach
Wappen oder Zahl nach oben zeigt.
Unsere Erfahrung sagt uns, dass die einzelnen Versuchsausgnge im Gegensatz zum Experiment 3.1
nun nicht mehr vorhersagbar sind. Sie erscheinen uns regellos. Das Experiment 3.2 ist ein Beispiel fr
ein Zufallsexperiment, das man allgemein folgendermaen definieren kann:
Definition 3.1: (Zufallsexperiment):
Mehrere Versuche unter dem selben Bedingungskomplex und mit nicht vorhersagbarem Ausgang bilden ein
Zufallsexperiment (ZE).
Jeden Versuchsausgang eines Zufallsexperimentes nennt man ein Ereignis. Die Menge aller mglichen
Ereignisse ist das sogenannte sichere Ereignis W, zuweilen wird es auch die Ergebnismenge genannt. Das
sichere Ereignis tritt bei jedwedem Versuchsausgang ein. Das sichere Ereignis W kann
endlich viele,
abzhlbar unendlich viele,
berabzhlbar unendlich viele
Elemente haben. Das Werfen einer Mnze gem Experiment 3.2 ist ein Beispiel fr ein W mit endlich
vielen, nmlich mit genau zwei Elementen. Ein W mit abzhlbar unendlich vielen Elementen lsst sich
leicht aus dem folgenden Wrfelexperiment gewinnen:
Experiment 3.3:
Man wrfelt wiederholt und schreibt als Versuchsausgang die Anzahl der Wrfe bis zum ersten
Erscheinen einer Sechs auf.
Das hierzu gehrige W kann nicht endlich viele Elemente besitzen, weil niemand eine noch so groe
Zahl n an Wrfen angeben kann, nach denen die Sechs mit Sicherheit gewrfelt wurde. Das Erscheinen
der Sechs wird bei steigendem n aber immer wahrscheinlicher.
berabzhlbar unendlich viele Elemente hat ein W, das zum folgenden (fiktiven) Zufallsexperiment
gehrt:
Experiment 3.4:
Man misst die Dauer von Telefongesprchen in Sekunden, wobei die Dauer als reelle Zahl mit
beliebiger Stellenanzahl feststellbar sei.
26
Da zwischen zwei beliebigen reellen Zahlen unendlich viele weitere reelle Zahlen liegen, muss die Menge
W in diesem Fall berabzhlbar unendlich viele Elemente haben.
Aufgabe 3.1:
Wie lautet W in den Experimenten 3.2 bis 3.4?
Ebenso wie es ein sicheres Ereignis W gibt, das immer eintritt, kann man ein unmgliches Ereignis
definieren, das niemals eintreten kann. Man erreicht dies durch die Festlegung ber die leere Menge:
= { }.
Als Beispiel fr ein unmgliches Ereignis stelle man sich das Wrfeln einer Sieben mit einem regulren
Wrfel vor. Wegen den bisher getroffenen Festlegungen gilt, dass sich beliebige Ereignisse stets als
Elemente oder als Teilmengen von W darstellen lassen. Bei der Bildung von Ereignissen kann man
sich also der Mengenlehre bedienen. Die Mengenlehre ist auf Ereignisse anwendbar. Dies ist eine sehr
wichtige Feststellung, von der wir whrend der gesamten Lehreinheit Gebrauch machen werden. Man
spricht daher in Analogie zur Mengenlehre auch vom Durchschnitt, der Vereinigung, dem Komplement
und der Differenz von Ereignissen. Alle Gesetze der Mengenalgebra aus dem letzten Kapitel lassen sich
direkt auf Ereignisse anwenden.
ber die Mengenlehre lassen sich wichtige Gruppen von Ereignissen definieren. Hierzu gehren als
Erstes die disjunkten Ereignisse. Zwei Ereignisse A, B sind genau dann disjunkt, wenn ihr Durchschnitt
das unmgliche Ereignis darstellt:
A B = .
(3.1)
Man nennt derartige Ereignisse auch unvereinbar oder unvertrglich. Sie schlieen einander aus. Zum
Beispiel sind die Ereignisse
A:
Wrfeln einer geraden Augenzahl im x-ten Wurf
B:
Wrfeln einer ungeraden Augenzahl im x-ten Wurf
unvertrglich, da es sich um ein und denselben Wurf handelt. Ebenso unvertrglich wren das Erscheinen
von Wappen und Zahl beim Mnzewerfen nach ein und demselben Wurf.
27
Eine weitere wichtige Gruppe von Ereignissen kann man unter Zuhilfenahme der disjunkten Ereignisse
definieren: Es sind die Elementarereignisse. Betrachten wir noch einmal das obige Ereignis A, Wrfeln
einer geraden Augenzahl. Offensichtlich gibt es hierfr drei Mglichkeiten: Man wrfelt eine Zwei, eine
Vier oder eine Sechs. Damit ist das Ereignis A darstellbar als Vereinigungsmenge der drei Ereignisse
Wrfeln einer Zwei, Wrfeln einer Vier, Wrfeln einer Sechs. Die letztgenannten drei Ereignisse
sind nicht weiter zerlegbar, es sind Beispiele fr Elementarereignisse. Als Definition kann gelten:
Definition 3.2: (Elementarereignis):
Ein Ereignis ist genau dann Elementarereignis wi, wenn es nicht als Vereinigung zweier disjunkter, von
verschiedener Ereignisse darstellbar ist.
Die Einschrnkung von verschieden ist aus formalen Grnden notwendig, da jedes beliebige von
verschiedene Ereignis X zwangslufig zu disjunkt ist und da die Vereinigung von X mit stets X ergibt.
Stellt man das sichere Ereignis W als Menge smtlicher Elementarereignisse wi dar, also
W = {w1, w2, wn, },(3.2)
Gnn dir eine Auszeit von deinem grauen Alltag!

Bereise die Welt und lerne die Kunst des Barkeepings kennen.
Erfahre mehr
28
so spricht man auch von der Merkmalsmenge W. Die Merkmalsmenge kann ebenso wie zuvor das sichere
Ereignis endlich viele, abzhlbar oder berabzhlbar unendlich viele Elemente besitzen. Zuweilen findet
man fr die Merkmalsmenge W auch die Bezeichnung Elementarereignisraum.
Die bisherigen Zusammenhnge sollen nun an einem anschaulichen Beispiel mit endlicher Merkmalsmenge
erlutert werden, siehe hierzu Abb. 3.1.
B
Z1
Z2
Z3
Z4
Z5
Z6
A
:
Abb. 3.1 Beispiel zur Bildung von Merkmalsmenge und Teilmengen
Das zugrundeliegende Experiment sei

Experiment 3.5:
Nach einem Wurf mit einem regulren Wrfel stellt man fest, ob eines der folgenden Ereignisse
eingetreten ist:
A: Wrfeln einer hohen Augenzahl
B: Wrfeln einer ohne Rest durch drei teilbaren Augenzahl
Bezeichnet man das Wrfeln einer Zahl i zwischen Eins und Sechs als Elementarereignis wi gem
wi = i,
dann lassen sich die Merkmalsmenge W und die Ereignisse A und B gem Abb. 3.1 darstellen. Auerdem
kann man u. a. folgende Zusammenhnge ablesen:
A
W,
W,
{w5 }
A,
{w3 }
B,
A B =
{w6}.
29
Zum Teil haben sich im Zusammenhang mit Ereignissen ganz bestimmte Redeweisen eingebrgert,
die von denen der klassischen Mengenlehre abweichen. So ist es bei der Schreibweise mit Teilmengen
blich, von sich nachziehenden Ereignissen zu reden. Dies heit im obigen Beispiel: w5 zieht A nach
sich, w3 zieht B nach sich.
Nach dem Durcharbeiten dieses Abschnittes sollte die Bedeutung folgender Begriffe gelufig sein:
Zufallsexperiment,
Ereignis,
sicheres Ereignis,
unmgliches Ereignis,
disjunkte Ereignisse,
Elementarereignis,
Merkmalsmenge,
sich nachziehende Ereignisse.
Diese sind grundlegend fr die nachfolgenden Betrachtungen.
Aufgabe 3.2:
Im Wrfelexperiment mit der Merkmalsmenge nach Abb. 3.1 seien folgende Ereignisse
definiert:
A:
Wrfeln einer ungeraden Zahl
B:
Wrfeln einer geraden Zahl
C:
Wrfeln einer kleinen Zahl (Augenzahl 3)
D:
Wrfeln einer groen Zahl (Augenzahl 4)
E:
Wrfeln einer durch drei ohne Rest teilbaren Zahl
a) Berechnen Sie sowohl Vereinigung als auch Durchschnitt fr das Ereignispaar A,B und
das Paar C,D.
b) Prfen Sie nach, ob das Ereignis (AC) (BD) das Ereignis E nach sich zieht oder
umgekehrt.
3.3
Relative Hufigkeit
Ein Zufallsexperiment besteht, wie im letzten Abschnitt beschrieben, aus mehreren Versuchen unter
dem selben Bedingungskomplex, wobei die zuflligen Versuchsausgnge Ereignisse genannt werden. Um
das Zufallsexperiment bzw. die Ereignisse mathematisch zu beschreiben, kann man sich der relativen
Hufigkeit r bedienen. Sie beruht auf der absoluten Hufigkeit h und kann wie diese nach Abschluss
eines Zufallsexperimentes (ZE) festgestellt werden. Mit der absoluten Hufigkeit hN(A) gem
hN(A): Anzahl des Auftretens des Ereignisses A in einem ZE bei insgesamt N Versuchen
30
gelte
Definition 3.3: (Relative Hufigkeit):
rN
hN
absolute Hufigkeit
.

N
Anzahl N der Versuche
Da die absolute Zahl des Auftretens weder kleiner als Null noch grer als die Gesamtzahl der Versuche
sein kann, gilt fr die relative Hufigkeit offensichtlich:
d U1 $ d .(3.3)
Die relative Hufigkeit ist also eine normierte Gre. Sie ist in besonderer Weise vom Zufall abhngig.
Fhrt man ein Zufallsexperiment mit jeweils N Versuchen mehrmals durch und berechnet jedesmal
rN(A), so wird man in der Regel unterschiedliche Ergebnisse erhalten.
Berechnet man in ein und demselben Zufallsexperiment mit stets steigender Versuchsanzahl die Folge
rN(A), rN+1(A), rN+2(A), .,
31
so wird man eine gewisse Konvergenz erkennen. Die Folge strebt also einem festen Wert zu. Es handelt
sich dabei aber nicht um die Konvergenz im klassischen, d.h. im deterministischen Sinne, wie das
folgende Beispiel zeigt.
Wir nehmen als Zufallsexperiment das Mnzewerfen nach Experiment 3.2 und definieren als Ereignis A:
Zahl erscheint. Wir starten mit der Versuchsanzahl N=1, erhhen diese sukzessive und berechnen stets
das zugehrige rN(A). Die Ergebnisse eines realen Experimentes, das in dieser Form in einer Vorlesung
durchgefhrt wurde, sind im nchsten Bild eingetragen (Abb. 3.2).
rn ( A
1,2
1
0,8
0,6
0,4
0,2
N
0
0
10
15
20
25
Abb. 3.2 Relative Hufigkeit6 des Auftretens von Ereignis A ber der Anzahl N der Versuche
Theoretisch kann in einem derartigen Experiment bereits nach dem zweiten Versuch der Wert 0,5 fr
rN(A) erreicht werden. Nach genau 8 Versuchen war dies im obigen Experiment der Fall, wurde dann
aber bis zum Abbruch des Experiments bei N=23 nicht mehr beobachtet. Wir erwarten bei homogener
Mnze, dass sich der Wert rN(A) bei steigendem N immer mehr der 0,5 nhert. Frhere Experimentatoren
haben das mit viel Flei auch nachgewiesen, siehe z.B. die Experimente
von Buffon7
mit
r4040(A) = 0,5080
und von Pearson8
mit
r24000(A) = 0,5008.
Die Frage drngt sich auf, ob ein Grenzwert fr rN(A) bei n existiert und ob dies etwa die von uns
gesuchte Wahrscheinlichkeit ist. Seine Existenz wurde 1931 von dem Mathematiker von Mises9 vermutet
und folgendermaen definiert:
P = lim
N
rN ( A)
(3.4)
32
Man kann leicht zeigen, dass ein solcher Grenzwert im klassischen Sinn nicht existieren kann. Es wrde
nmlich nach dem Kriterium der klassischen Konvergenz, siehe /Bron12/ bedeuten, dass fr jedes auch
noch so kleine e>0 eine Schranke NSch(e) derart existiert, dass gilt:
rN(A) P < e fr N > NSch(e).(3.5)
Da sich dieses jedoch nicht zeigen lsst, kann auch nicht von einer Konvergenz im klassischen
deterministischen Sinne ausgegangen werden. An spterer Stelle in Kapitel 3 wird die Frage der
Konvergenz wieder aufgegriffen und im stochastischen10 Sinne beantwortet werden.
Im eben behandelten Beispiel wissen wir, dass die Gre 0.5, zu der sich rN(A) fr wachsendes N
hinbewegt, als die Wahrscheinlichkeit des Ereignisses eine Rolle spielt, und dies unabhngig von den
Versuchsausgngen im jeweiligen Experiment.
3.4
Axiomatischer Wahrscheinlichkeitsbegriff nach Kolmogorov
Der Mathematiker Kolmogorov11 hat 1933 erkannt, dass die Wahrscheinlichkeit axiomatisch eingefhrt
werden kann, so dass fuend auf nur drei Axiomen ein mchtiges Theoriegebude errichtet werden
kann. Damit knnen dann alle wichtigen Gesetzmigkeiten hergeleitet werden, natrlich auch solche,
die bereits frher auf anderem Wege von anderen Gelehrten gefunden worden waren.
Basierend auf einem Zufallsexperiment mit endlicher Merkmalsmenge W kann so die Wahrscheinlichkeit
fr beliebige Ereignisse A, B, definiert werden, die sich als Ereignisse eines sogenannten Systems S
darstellen lassen. Das System S ist dabei als Menge aller Ereignisse ber W definiert, d. h. als Menge aller
mglichen Teilmengen der Merkmalsmenge W. Ein derartiges System bedeutet, dass man durch Bildung
von Komplement, Durchschnitt und Vereinigung von Ereignissen des Systems immer nur Ereignisse des
Systems erhlt. Bei endlicher Merkmalsmenge W enthlt S ebenfalls endlich viele Ereignisse (nmlich
2n bei n Elementarereignissen in W, siehe Aufgabe 3.3). Das Wahrscheinlichkeitsma, oder kurz die
Wahrscheinlichkeit, ist dann folgendermaen definiert:
Definition 3.4: (Wahrscheinlichkeit nach Kolmogorov):
Die Wahrscheinlichkeit P ist ein auf einem System S von Ereignissen definiertes Ma, das folgende
Axiome erfllt:
KI:
P(A) 0 ,
KII: ,
P() 1 ,
KIII:
P(A B) P(A) P( B) fr A B .
Aufgabe 3.3:
Geben Sie fr die Merkmalsmenge W = {w1, w2, w3} alle Ereignisse des Systems S an.
33
Wegen der Wichtigkeit und ihrer hufigen Verwendung im spteren Text sind die drei Axiome mit KI bis
KIII numeriert. KI besagt, dass die Wahrscheinlichkeit irgendeines Ereignisses eine nichtnegative reelle
Zahl ist. KII legt fest, dass die Wahrscheinlichkeit des sicheren Ereignisses gleich Eins ist, dies bedeutet
die Normiertheit der Wahrscheinlichkeit. KIII besagt, dass die Wahrscheinlichkeit der Vereinigung
zweier disjunkter Ereignisse gleich der Summe der Einzelwahrscheinlichkeiten ist. Man spricht daher
auch von der Additivitt der Wahrscheinlichkeit. Zuweilen, z.B. in /Bosch11/, findet man brigens
anstatt KI das Axiom 0 P( A) 1 . Die darin geforderte Beschrnkung der Wahrscheinlichkeit auf
Werte kleiner oder gleich Eins ist jedoch bereits in KII enthalten, sodass die Forderung nach KI in
Definition 3.4 tatschlich ausreicht.
Wie in der Prmisse zur Definition 3.4 erwhnt, gilt sie in dieser Form bei endlicher Merkmalsmenge.
Speziell das Axiom KIII ist auf diesen Fall zugeschnitten. Falls die Merkmalsmenge W abzhlbar
unendlich viele Elementarereignisse enthlt, so wird auch das System S als Menge aller mglichen
Teilmengen abzhlbar unendlich viele Ereignisse Ai enthalten. Man nennt ein solches System dann auch
eine s-Algebra, siehe z.B. /PaPi02/. KIII muss durch das neue Axiom KIII ersetzt werden:
KIII:
i 1
i 1
P( A i ) P( A i )
fr paarweise disjunkte Ereignisse Ai .
Zur Untersttzung unseres Teams am Standort Ochsenhausen

suchen wir Sie fe ein(e)
Praktikum im Bereich
Elektronikentwicklung
Kennziffer LHG-2015-004283
Aufgaben
Einarbeitung in die Thematik elektronischer Baugruppen und Systeme fr
Haushaltsgerte sowie in die entsprechende Messtechnik
Untersuchung verschiedener Baugruppen in Bezug auf geforderte
Leistungsmerkmale
Mitarbeit im Bereich Elektronikentwicklung
Qualifikation
Studium der Fachrichtung
Elektrotechnik
suchen wir Sie fr ein(e)
Einsatzbereitschaft, selbstndige und zielorientierte Arbeitsweise
Praktikum oder Abschlussarbeit
(Bachelor/Master)
Die Liebherr-Hausgerte Ochsenhausen GmbH

entwickelt und produziert ein breites Programm
hochwertiger Khl- und Gefriergerte.
Durchdachte Lsungen, Energieeffizienz und
Bedienerfreundlichkeit kennzeichnen das
Portfolio der Liebherr-Hausgerte.
Unser Angebot im Bereich IT-Softwareentwicklung

Kennziffer LHG-2016-004592
Wir bieten Ihnen eine
angemessene Vergtung im Rahmen des
Aufgaben:
Einarbeitung
in die Abwicklung
von anwenderspezifischen SoftwarePraktikantenvertrages,
sowie
ein interessantes
Arbeitsumfeld mit
Entwicklungsprojekten
Mitarbeit bei der Analyse, Design und Umsetzung der Anforderungen aus
abwechslungsreichen
Aufgabenstellungen in einer angenehmen
den Fachbereichen
Untersttzung bei der IT-Anwendungsbetreuung im unternehmensArbeitsatmosphre.internen ERP-System mit angeschlossenen Subsystemen
Liebherr-Hausgerte Ochsenhausen GmbH

Memmingerstrae 77-79
88416 Ochsenhausen
Ansprechpartnerin:
Kathrin Hrmann
Tel.: +49 7352 928-3100
E-Mail: kathrin.hoermann@liebherr.com
Qualifikation:
Studium in den Fachrichtungen Wirtschaftsinformatik oder
Wirtschaftsingenieurwesen
Ihre Onlinebewerbung
erwarten
wir
unter
Hohe Motivation
sowie selbstndige und
zielstrebige
Arbeitsweise
www.liebherr.com/Karriere
Unser Angebot:
Wir bieten Ihnen eine angemessene Vergtung sowie die anschlieende

bernahme in ein festes Arbeitsverhltnis. Sie erwartet ein interessantes
Arbeitsumfeld mit abwechslungsreichen Aufgabenstellungen in
angenehmer Arbeitsatmosphre.
Ihre Onlinebewerbung erwarten wir unter
www.liebherr.com/Karriere.
Weitere Informationen unter:

www.liebherr.com/Karriere
Die Firmengruppe
2007-808_16_LHG_Praktikum_Abschlussarbeit_ITSoftwareentwicklung_Aushang_02.indd 1
34
suchen wir Sie fr ein(e)
22.01.16 12:55
Click onDie
the
ad to read more Ochsenhau
Liebherr-Hausgerte
entwickelt und produziert ein breites P
hochwertiger Khl- und Gefriergerte
Durchdachte Lsungen, Energieeffizie
Dies bedeutet, dass die Wahrscheinlichkeit der Vereinigungsmenge unendlich vieler Ereignisse Ai gleich
der Summe der Einzelwahrscheinlichkeiten ist, wenn alle Ai paarweise disjunkt sind. Die Additivitt
bleibt also auch in diesem Fall erhalten.
Erstaunlicherweise gengen die drei Axiome KI, KII und KIII, bzw. KIII um die wichtigen Gesetze
der Wahrscheinlichkeitstheorie daraus abzuleiten. Dies wird in den Kapiteln 4 und folgenden getan.
Die Axiome dienen also primr als Grundlage des Theoriegebudes und weniger zur Bestimmung
von Einzelwahrscheinlichkeiten. Einzelwahrscheinlichkeiten lassen sich statt dessen nherungsweise
ber die relative Hufigkeit bestimmen, siehe die Abschnitte 3.2 und 3.6 oder z.B. ber die Laplacesche
Wahrscheinlichkeit, die im nchsten Abschnitt betrachtet wird.
3.5
Klassischer Wahrscheinlichkeitsbegriff nach Laplace
Eine spezielle Triebfeder, sich zu Zeiten von Laplace12 mit Wahrscheinlichkeitstheorie zu beschftigen,
waren die Glcksspiele, mit denen sich bei Hofe manche Zeitgenossen die Zeit vertrieben. Fr viele
Glcksspiele, so z.B. fr das Mnzewerfen, das Wrfeln, das Roulette-Spiel gilt nmlich, dass ihnen
eine spezielle Klasse von Zufallsexperimenten, eben das Laplace-Experiment zugrundeliegt. Fr viele
technische Beispiele gilt dies, wie spter gezeigt wird, ebenso.
Definition 3.5: (Laplace-Experiment):
Ein Laplace-Experiment ist ein spezielles Zufallsexperiment, fr das gilt:
LI:
W = {w1 , , wm}, m endlich ,
LII: P(w1) = = P(wm) .
LI bedeutet, dass es sich um eine endliche Merkmalsmenge handelt, LII besagt, dass alle
Elementarereignisse gleichwahrscheinlich sind. Die von Laplace seinerzeit gegebene Definition der
Wahrscheinlichkeit lsst sich mit Hilfe der Def. 3.5 direkt aus den Kolmorogovschen Axiomen herleiten.
Aus KII, KIII und LII folgen nmlich sofort die Beziehungen
m
P() =
P( i ) = m P(w ) = 1.
1
i 1
P(i) =
1
fr alle i von 1 bis m.
m
(3.6)
Man nimmt nun an, dass fr ein spezielles Ereignis A, das auf dem Laplace-Experiment beruht, insgesamt
g Elementarereignisse gnstig sind. Dies bedeutet auch, dass g Elementarereignisse das Ereignis A nach
sich ziehen. Dann gilt ebenfalls wegen KIII die Gleichung
P(A) =
P( ) = g P(w ) =
i A
g
.
m
35
Damit ist die Beziehung fr die Laplacesche Wahrscheinlichkeit hergeleitet, sie lautet:
LIII:
P A
Anzahl der fr A gnstigen Elementarereignisse

g
.

m Gesamtzahl aller mglichen Elementarereignisse
Mit dieser Formel ist es mglich, fr alle Laplace-Experimente die Wahrscheinlichkeiten effizient und
genau zu berechnen.
Betrachten wir dazu das in Abschnitt 3.3 begonnene Beispiel des Mnzewerfens, fr das dort experimentell
die relativen Hufigkeiten fr das Ereignis A: Zahl erscheint bestimmt wurden. Es gilt wegen
Wappen, Zahl und damit m = 2

fr die gesuchte Wahrscheinlichkeit nach Laplace
P(A) = P(Zahl) =
1
g
=
= 0,5.
m
2
Natrlich setzt dies voraus, dass es sich um eine regulre Mnze handelt, die von ihrer Massenverteilung
her vollkommen gleichmig und in ihrer Form vollkommen symmetrisch ist. Ansonsten wre
LII (Gleichwahrscheinlichkeit der Elementarereignisse) nmlich nicht erfllt. Die Bedingung der
Gleichwahrscheinlichkeit ist aber Grundlage fr die Formel LIII. Wird LII vorab nicht berprft, kann
dies leicht zu Fehlern fhren, siehe das folgende Beispiel Wrfeln mit zwei Wrfel. Ihm liegt das
Experiment 3.6 zugrunde:
Man wrfelt gleichzeitig mit zwei gleichen Wrfel und stellt das Produkt P der Augenzahlen
fest.
Gesucht ist die Wahrscheinlichkeit fr das Ereignis, dass man P = 6 erhlt:
P(P=6) = ?
Es ist einleuchtend, dass man es in diesem Beispiel mit einer endlichen Merkmalsmenge zu tun hat.
Man berlegt leicht, dass 18 verschiedene Produkte auftreten knnen. Es gilt also
: ^
` und m=18.
Da genau eines der 18 angegebenen Ereignisse das Auftreten des Produktes P = 6 bedeutet, liegt als
Antwort auf obige Frage das Ergebnis
P( 6)
1
18
36
nahe. Allerdings ist das ein falsches Ergebnis, da den einzelnen Elementen des obigen W nicht die gleiche
Wahrscheinlichkeit zukommt. Dies leuchtet auch ein, da es insgesamt vier Mglichkeiten gibt, mit zwei
Wrfeln als Produkt eine 6 zu bekommen, nmlich durch die Kombinationen (erster Wrfel zweiter
Wrfel) gem
(16), (23), (32), (61).
Dagegen ist bei einem Produkt P=1 nur eine einzige Kombination, nmlich (11) mglich. Bei gleichen
Wahrscheinlichkeiten fr jede denkbare Kombination hat dies ungleiche Wahrscheinlichkeiten fr die
Elemente in obigem W zur Folge. Als Konsequenz davon darf LIII auf dieser Basis nicht angewandt
werden, da LII eben nicht gilt.
Statt dessen mssen Elementarereignisse derart gebildet werden, dass sie gleichwahrscheinlich sind.
Dies ist mglich, wenn man nicht die Produktergebnisse sondern alle zu einem Produkt fhrenden
Faktorkombinationen der beiden Wrfel betrachtet: Man erhlt dann eine Merkmalsmenge mit 36
anstatt mit 18 Elementen, nmlich
1 1 , 1 2 , 1 3 , ... , 2 1 , 2 2 , 2 3 , ... , 6 1 , 6 2 , ..., 6 6 ,
Innovation begins with you

Bei ABB haben wir uns zum Ziel gesetzt, Lsungen fr einige der grten globalen Herausforderungen unserer
Zeit zu finden. Wenn Sie Mitglied unseres Teams werden, haben Sie die Mglichkeit, einen Beitrag zur Entwicklung
von Technologien zu leisten, die unsere Welt zu einem besseren Ort machen. Werden Sie Teil einer internationalen und
offenen Arbeitskultur, bei der Teamwork und Zusammenarbeit zum Erfolg fhren. A better future? It begins with you.
Entdecken Sie mehr: you.abb.de
37
Wie oben ausgefhrt, sind genau vier dieser 36 gleichwahrscheinlichen Kombinationen fr das Produkt
P=6 gnstig, so dass jetzt gilt:
P(P=6) =
4
1
=
.
9
36
So wie in diesem Beispiel gezeigt lassen sich in vielen, auch technischen Anwendungsfllen
Wahrscheinlichkeiten bestimmen. Der Aufwand dazu kann dennoch betrchtlich werden. Dies gilt
dann nmlich, wenn sich die Gesamtzahl m der mglichen und die Zahl g der gnstigen (und natrlich
gleichwahrscheinlichen!) Elementarereignisse nur aufwendig bestimmen lassen. In vielen komplizierten
Fllen hilft hier das Gebiet der Kombinatorik weiter, siehe z.B. /Bosch11/.
3.6
Zusammenhang zwischen den Begriffen
Mit der relativen Hufigkeit, der Kolmogorovschen und der Laplaceschen Wahrscheinlichkeit haben
wir die wichtigsten Begriffe schon kennengelernt. Nun sollen die Zusammenhnge zwischen diesen
her- bzw. zusammengestellt werden. Auerdem werden wir zwei neue Begriffe kennenlernen. Es gilt
Satz 3.1:
Die relative Hufigkeit und die Laplacesche Wahrscheinlichkeit erfllen die
Kolmogorovschen Axiome.
Der Nachweis bezglich der Laplaceschen Wahrscheinlichkeit ist im Abschnitt 3.5 schon gefhrt, da dort
deren Definition, nmlich Gleichung LIII, mit Hilfe der Kolmogorovschen Axiome hergeleitet wurde.
Bezglich der relativen Hufigkeit wre der Nachweis leicht zu fhren, wobei mit Gl (3.3) ein Teil der
Arbeit schon getan ist. Satz 3.1 stellt sicher, dass man Wahrscheinlichkeiten mittels der Formeln gem
Def. 3.3 (relative Hufigkeit) und LIII (Laplacesche Wahrscheinlichkeit) zahlenmig berechnen darf.
Whrend man mit Formel LIII tatschlich die Wahrscheinlichkeit P(A) berechnet, handelt es sich bei
der relativen Hufigkeit rN(A) nach Def.3.3 um einen Nherungswert. Die Gte der Nherung rN(A) soll
nun im Folgenden fr groe N (N) untersucht werden. Man spricht bei einer derartigen Nherung
von P(A) auch von der statistischen Wahrscheinlichkeit. Wir haben bereits gesehen, dass es keine
Konvergenz im klassischen Sinne, also nach Gl. (3.4) geben kann, da dieser Grenzwert nicht existiert.
Dennoch lsst sich fr groe N ein mathematischer Zusammenhang zwischen relativer Hufigkeit und
Wahrscheinlichkeit herstellen. Er basiert auf Untersuchungen von Bernoulli13, die er auf der Basis des
nach ihm benannten Bernoulli-Experimentes durchgefhrt hat. Es wird spter in Kapitel 6 behandelt.
An dieser Stelle reicht es aus, die folgende Ungleichung (3.7) zu betrachten, deren Beweis in /Bosch11/
zu finden ist:
P rN P
P A 1 P A
1
(3.7)

2
N
4 N 2
38
Der rechte Teil der Abschtzung folgt daraus, dass
gem Abb. 3.3 maximal den
Wert 1/4 annehmen kann.
Abb. 3.3 Zur Abschtzung nach oben bei der Bernoulli-Ungleichung
Die Ungleichung (3.7) macht letztlich eine Aussage zur Konvergenz, da die rechten Seiten der Ungleichung
fr N beliebig klein werden. Sie besagt: Die Wahrscheinlichkeit dafr, dass relative Hufigkeit und
Wahrscheinlichkeit um mehr als ein kleines e voneinander abweichen, wird beliebig klein, falls nur N
gro genug gewhlt wird. Wegen der darin vorkommenden Wahrscheinlichkeit bedeutet dies keine
sichere Konvergenz, sondern dass wir nicht damit zu rechnen brauchen, dass fr N eine merkliche
Abweichung zwischen relativer Hufigkeit und Wahrscheinlichkeit auftritt. Dies ist auch die Aussage von
Satz 3.2 (Bernoullisches Gesetz der groen Zahlen):
lim P rN P 0 . (3.8)
N
Der Satz folgt direkt aus der Ungleichung (3.7) beim Grenzbergang N. Sowohl die Ungleichung
als auch der Satz 3.2 beschreiben eine stochastische Konvergenz.
39
In den bisherigen Abschnitten des Kapitels drei wurden zwei verschiedene Sichtweisen des Begriffes
Wahrscheinlichkeit beleuchtet. Der Kolmogorovsche Begriff hat seine Wurzeln im logischen Bereich,
er verkrpert ebenso wie der daraus ableitbare Laplacesche Begriff die formale mathematische,
die axiomatische Sichtweise. Die relative Hufigkeit geht dagegen ebenso wie die statistische
Wahrscheinlichkeit auf das Experiment zurck. Man nennt dies auch die frequentistische Sichtweise.
Sie kommt erst durch die wiederholte Durchfhrung von Versuchen, die statistische Wahrscheinlichkeit
gar erst durch lange Versuchsreihen zustande. Eine dritte Sichtweise existiert ebenfalls, soll aber hier nicht
weiter vertieft werden. Sie ist mathematisch schwieriger zu fassen, kommt aber dafr dem menschlichen
Denken entgegen. Sie lsst sich auch anwenden, wenn umfangreiche Versuchsergebnisse nicht oder
noch nicht vorliegen und hat mehr mit der menschlichen Einschtzung zu tun. Man nennt sie die
subjektive oder personalistische Sichtweise und spricht in diesem Zusammenhang auch von der
Bayesschen14 Auffassung. Sehr viele wichtige technische Gebiete lassen sich mit den ersten beiden
Sichtweisen erfolgreich behandeln, siehe die spteren Anwendungen. Einige spezielle Anwendungen,
insbesondere solche mit einem Wissens- bzw. Erfahrungsdefizit, erfordern jedoch auch den Zugang
ber die subjektive Sichtweise, die hier nicht weiter betrachtet wird.
Mathematiker talanxieren
jetzt ihren Karrierestart.
Versicherungen bieten eine berraschende Vielzahl von Berufsbildern und

Einsatzgebieten das gilt insbesondere fr den Talanx-Konzern und seine
Gesellschaften.
karriere.talanx.com
Ob als (Wirtschafts-)Mathematiker (m/w) im Risikomanagement, in der Produktentwicklung, Produkttechnik oder im Controlling Sie finden bei uns viele
Mglichkeiten, Ihre Talente zu entfalten und Ihr Engagement unter Beweis
zu stellen.
Bei uns erwarten Sie ein dynamisches Umfeld, ein ausgesprochen kollegiales
Arbeitsklima, ein attraktives Gehalt, eine gute Work-Life-Balance sowie sichere
und bestndige Perspektiven.
Haben wir Sie neugierig gemacht?
Versicherungen. Finanzen.
40
Die Aufgaben 3.1 bis 3.3 sind in den Text des Kapitels eingestreut, da sie direkt mit dem dort behandelten
Stoff zu tun haben.
Aufgabe 3.4
Wie viele Versuche sind ntig, damit rN(A) und P(A) bei P(A) 0,9 mit einer Wahr
scheinlichkeit P > 0,99 um hchstens 1 % voneinander abweichen?
Aufgabe 3.5
Wo liegt die Mindestversuchszahl, wenn ber P(A) vorab nichts bekannt ist?
Aufgabe 3.6
Ist es wahrscheinlicher, dass eine Person an einem zufllig bestimmten Tag des Jahres Geburtstag
hat, oder dass zwei beliebige Personen am selben, sonst beliebigen Tag Geburtstag haben?
Aufgabe 3.7
Wie viele Gste mssen mindestens auf einer Party erscheinen, damit die Wahrscheinlichkeit,
dass mindestens zwei am selben Tag Geburtstag haben, grer als 0,5 ist?
Aufgabe 3.8
Ein Zufallsexperiment bestehe aus dem Werfen dreier Mnzen. Wie gro sind die Wahr
scheinlichkeiten fr
a) Es erscheint dreimal Zahl,
b) Es erscheint einmal Zahl und zweimal Wappen?
3.8 Zusatzaufgaben
Zusatzaufgabe 3.1
Es wird mit zwei regulren Wrfeln gleichzeitig gewrfelt. Bestimmen Sie die
Wahrscheinlichkeiten der Ereignisse A, B, C, D:
A: Die Summe der Augen ist gerade.
B: Einer der Wrfel zeigt eine gerade, der andere eine ungerade Augenzahl.
C: Einer der Wrfel zeigt eine Augenzahl < 3, der andere zeigt eine ungerade Zahl.
D A B C
41
Zusatzaufgabe 3.2
Auf der Fahrt zur Universitt mssen Sie jeden Morgen eine Ampelkreuzung berqueren. Der
Zeitpunkt, zu dem Sie an der Ampel eintreffen, ist dabei zufllig. Sie wollen herausfinden,
wie lang die Grnphase im Verhltnis zur Rotphase dauert (die Gelbphasen werden dabei
der Rotphase zugeschlagen), und schreiben dazu jeden Tag mit, ob sie an der Ampel halten
mussten oder nicht.
a) Nach wieviel Tagen knnen Sie mit einer Fehlerwahrscheinlichkeit von hchstens 10%
sicher sein, dass sie das Verhltnis v der Dauer von Grnphase und der Dauer des gesamten
Ampelzyklus mit einer Abweichung von hchstens 0,1 bestimmen knnen?
b) In welchem Toleranzbereich um den wahren Wert wird der von Ihnen ermittelte Wert mit
90 %-iger Wahrscheinlichkeit nach 40 Tagen liegen?
c) Sie erfahren, dass an dieser Ampel die Rotphase genau doppelt so lang ist wie die Grn
phase. Wie gro ist die Wahrscheinlichkeit mindestens, dass der von Ihnen nach 40 Tagen
ermittelte Wert keinen greren Fehler als 0,2 aufweist?
42
Rechnen mit Wahrscheinlichkeiten
4 Rechnen mit
Wahrscheinlichkeiten
4.1 Vorbemerkungen
Im letzten Kapitel haben wir die wichtigsten Wahrscheinlichkeitsbegriffe kennengelernt und gesehen,
wie man ber die relative Hufigkeit und die Laplacesche Wahrscheinlichkeit zahlenmige Ergebnisse
erhalten kann. Oft ist in technischen Anwendungen nach der Wahrscheinlichkeit von Ereignissen
gefragt, die mit anderen Ereignissen, deren Wahrscheinlichkeit bereits bestimmt ist, in bekannter
Weise zusammenhngen. Man kann dann aus den gegebenen Wahrscheinlichkeiten die gesuchten
Wahrscheinlichkeiten berechnen. Dies soll im Folgenden geschehen. Dabei soll auch der bisher
nicht betrachtete Fall behandelt werden, dass die Merkmalsmenge berabzhlbar unendlich viele
Elemente enthlt.
Es werden die folgenden Fragen beantwortet:
Wie kann man die Wahrscheinlichkeit von Ereignissen berechnen, die sich ber die
Standardverknpfungen der Mengenlehre auf andere Ereignisse zurckfhren lassen?
Wie lassen sich Wahrscheinlichkeiten berechnen, wenn die Merkmalsmenge berabzhlbar
unendlich viele Elemente besitzt?
Was sind bedingte Wahrscheinlichkeiten, wie hngen sie mit bekannten Wahrscheinlichkeiten
zusammen und wie lassen sie sich berechnen?
4.2
Wahrscheinlichkeiten verknpfter Ereignisse
Die Ergebnisse dieses Abschnittes folgen unmittelbar aus den Kolmogorovschen Axiomen KI, KII und
KIII bzw. KIII. Als Erstes betrachten wir das zu A komplementre Ereignis . Es gilt immer
,
wobei komplementre Ereignisse stets disjunkt sind:
.
Mit KII und KIII folgt aus den letzten beiden Gleichungen
K II
K III
1
43
und daraus schlielich das Ergebnis fr das komplementre Ereignis
P( ) = 1 - P(A) . (4.1)
Lst man Gl. (4.1) nach P(A) auf
P(A) = 1 - P( ) ,
und bercksichtigt KI, so heit dies fr den Wert von P(A), dass von 1 immer etwas nicht Negatives
abgezogen wird. P(A) kann also nie grer als Eins werden. Dies bezeichnet man als die Normiertheit
der Wahrscheinlichkeit:
P(A) 1 (4.2)
Setzt man in Gl. (4.1) A = W ein und bercksichtigt KII, so folgt daraus fr das unmgliche Ereignis
P() = 0 . (4.3)
Man sieht, dass die Eigenschaften (4.2) und (4.3) nicht definiert werden mssen. Sie folgen aus
den Kolmogorovschen Axiomen. Als Nchstes untersuchen wir, welche Relation zwischen den
Wahrscheinlichkeiten fr sich nachziehende Ereignisse A und B gilt. Aus A zieht B nach sich, also
A B = A.
A B folgt
Nun lsst sich jedes beliebige B aber darstellen als

,
woraus speziell fr sich nachziehende Ereignisse wegen AB=A folgt
.
A
Die beiden Ereignisse in der letzten Vereinigung,nmlich
und
.sind aber disjunkt, weswegen
mit KIII gilt:
.
44
Da nun wegen KI immer 0 gelten muss, erhlt man als gesuchte Relation fr sich
nachziehende Ereignisse
P(A) P(B) fr
A B (A zieht B nach sich)
(4.4)
Whrend KIII eine Aussage fr die Wahrscheinlichkeiten vereinigter disjunkter Ereignisse macht, fehlt
eine solche Aussage noch fr die Vereinigung beliebiger Ereignisse. Um sie herzuleiten muss man AB
so umformen, dass KIII, das ja nur fr disjunkte Ereignisse gilt, angewandt werden kann. Fr beliebige
AB gilt mit dem Distributivgesetz die Umformung
,
die sich auch ber ein Venn-Diagramm leicht verifizieren lsst. Der Vorteil des letzten Ausdruckes ist,
dass die zu vereinigenden Ereignisse A und disjunkt sind, weswegen mit KIII gilt
.
45
Bercksichtigt man nun noch die zur Herleitung bei sich nachziehenden Ereignissen bereits benutzte
Beziehung
,
sie gilt fr ein beliebiges B so folgt daraus ebenfalls wieder mit KIII
.
Daraus kann man nun berechnen und in die vorvorletzte Gleichung einsetzen. Man erhlt
dann fr beliebige vereinigte Ereignisse A und B das Ergebnis
(4.5)
Man sieht, dass dieser Satz die Verallgemeinerung von KIII darstellt, da KIII fr den Spezialfall disjunkter
Ereignisse A und B, also fr = , darin enthalten ist.
Aufgabe 4.1:
Fr beliebige Ereignisse A, B, C berechne man P(ABC)!
4.3
Geometrische Wahrscheinlichkeiten
In vielen wichtigen Anwendungen werden die Ereignisse durch reelle Zahlen aus einem oder mehreren
Intervallen beschrieben. Die Merkmalsmenge besitzt damit berabzhlbar unendlich viele Elemente. Dies
gilt z.B. fr Signallaufzeiten in sogenannten Feldbussystemen15 oder fr die Hhe des Stromwertes beim
genormten 4-20mA-Signal16. In solchen Fllen knnen geometrische Wahrscheinlichkeiten eine Rolle
spielen. Der besseren Anschauung wegen werden diese anhand eines kleinen mechanischen Beispiels
eingefhrt:
Beispiel 4.1 (Ausrollvorgang eines Zylinders, Abb. 4.1):
Ein homogener Zylinder rollt auf einer ebenen Unterlage mit einer Schwerpunktgeschwindigkeit
v0, die einen zuflligen Wert besitzt. Aufgrund der Reibung bleibt er irgendwann auf einem
Punkt P des Umfanges liegen. Der Winkel j zwischen einer zylinderfesten Geraden und der
Strecke MP durch den Auflagepunkt P stellt den Versuchsausgang dar.
46
v=0
M M
Abb. 4.1 Zur Veranschaulichung des Begriffes der geometrischen Wahrscheinlichkeit
Da das Ereignis von der zylinderfesten Strecke aus im Uhrzeigersinn gerechnet wird, erhlt man
folgende Merkmalsmenge:
^M
M Re XQG M >0 2S @` .
Nun liegen im Intervall von 0 bis 2p aber berabzhlbar viele reelle Zahlen, daher handelt es sich um
eine Merkmalsmenge mit berabzhlbar unendlich vielen Elementarereignissen. Einfach angebbar
ist das sichere Ereignis bzw. dessen Wahrscheinlichkeit. Sie lautet
5M > S@ .
Setzt man voraus, dass es sich um einen homogenen, symmetrischen Zylinder handelt, so kann man
annehmen, dass der Zylinder mit gleicher Wahrscheinlichkeit in gleichgroen Intervallen zur Ruhe
kommt, dass also gilt

1 , 2
, fr
3
1 2 = 3 4 . (4.6)
Die letzten beiden Gleichungen legen fr die gesuchte Wahrscheinlichkeit folgende Definition nahe:
Definition 4.1: (Geometrische Wahrscheinlichkeit im Zylinderbeispiel)

1 , 2

1 2
2
47
Man kann leicht berprfen, dass diese Definition die Kolmogorovschen Axiome KI bis KIII erfllt,
also eine Wahrscheinlichkeit in seinem Sinn darstellt. Es ist auch mglich, Def. 4.1 im Sinne einer
Verallgemeinerung der Laplaceschen Definition LIII auf eine Merkmalsmenge mit berabzhlbar
unendlich vielen Elementar
ereignissen zu verstehen, natrlich bezogen auf die Anwendung
Zylinderbeispiel. Die Gre 1 2 ist zwar nicht die Anzahl der gnstigen Ereignisse, da es ja unendlich
viele sind, sie ist aber ein Ma dafr. Ebenso ist 2 im Nenner ein Ma fr alle mglichen Ereignisse in
diesem Beispiel. Die bei Laplace vorausgesetzte Gleichwahrscheinlichkeit der Elementarereignisse ist bei
dieser geometrischen Wahrscheinlichkeit im Sinne von Gl. (4.6) aufzufassen: Gleich groen Intervallen
kommen gleiche groe Wahrscheinlichkeiten zu.
Gleichwahrscheinlichkeit im geometrischen Sinn ist ein Sonderfall, von dem man nicht zwangslufig
ausgehen kann, wenn eine Merkmalsmenge mit berabzhlbar unendlich vielen Elementarereignissen
vorliegt. Als technisches Beispiel, in dem es nicht so ist, kann man das Telefonieren ansehen. Die
Wahrscheinlichkeit, dass ein Gesprch in den ersten drei Minuten beendet wird, ist erfahrungsgem
hher als die Wahrscheinlichkeit, dass es zwischen der 50. und der 53. Minute beendet wird. Dies gilt,
obwohl die betrachteten Zeitintervalle gleich lang sind. Eine Mglichkeit fr die Wahrscheinlichkeit in
derartigen Fllen bietet
Dieser Slogan beschreibt am besten die Ttigkeit unserer Mitarbeiterinnen und Mitarbeiter. Sptestens seit den Anschlgen von Paris ist jedem wieder bewusst,
dass Nachrichtendienste rechtzeitig an Informationen ber auen- und sicherheitspolitisch relevante Sachverhalte kommen mssen. Kein auslndischer Terrorist beteiligt die Sicherheitsbehrden an seiner Anschlagsplanung. Kein Menschenhndler verffentlicht seine Schmuggelrouten. Keine berweisung trgt
den Titel Money Laundering. Erkenntnisse ber solche, die Sicherheit der Bundesrepublik Deutschland gefhrdenden Machenschaften lassen sich oft nur mit
nachrichtendienstlichen Mitteln gewinnen, ein wesentliches Mittel ist die Technische Aufklrung. Hierfr, wie auch zur effektiven Untersttzung des gesamten
Prozesses der Informationsverarbeitung bedarf es einer leistungsfhigen und zugleich sicheren IT-Infrastruktur sowie spezifischer IT-Verfahren. Daher suchen
wir speziell in den technischen Berufen Nachwuchs.
Master- und Bachelor-Absolventen (m/w) mit deutscher Staatsbrgerschaft aus den Bereichen
Nachrichtentechnik
Informationstechnik
Softwareentwicklung
Netzwerktechnik
IT-Sicherheit
finden bei uns abwechslungsreiche Aufgabengebiete. Sei es in der Signalerfassung und -bertragung, der Entzifferung, der Selektion und Filterung oder dem
Projektmanagement, der Anwendungsentwicklung, der Bereitstellung moderner IT-Infrastruktur (Server- und Clientsysteme, Netzwerke, Datenhaltungssysteme), dem IT-Betrieb oder der IT-Sicherheit. Diese spannenden Herausforderungen knnen Sie zusammen mit ca. 6500 Mitarbeiterinnen und Mitarbeitern an
den zwei Grostandorten Berlin und Pullach bei Mnchen sowie Auenstellen im In- und Ausland angehen.
Wir bieten:
Spannende Herausforderungen
Flexible Arbeitszeiten
Bezahlung nach Entgeltordnung Bund
Festanstellung
Weiterbildung
Sollten wir Ihr Interesse an einer Karriere im BND geweckt haben, dann informieren Sie sich unter
www.bundesnachrichtendienst.de
48
Definition 4.2: (Wahrscheinlichkeit bei berabzhlbar unendlich vielen Elementarereignissen)
P( A )
f () d mit f () gem (4.7), (4.8).
A
Man nennt darin die Funktion f() den Wahrscheinlichkeitsbelag. Natrlich muss auch Def. 4.2 die
Kolmogorovschen Axiome erfllen, um P als Wahrscheinlichkeit auffassen zu knnen. Damit dies so
ist, mssen
f () 0 (4.7)

und
f () d 1 (4.8)

erfllt sein. Mit (4.7) ist Axiom KI gesichert, Gl. (4.8) sorgt fr die Erfllung der Axiome KII und KIII.
Anhand der Def. 4.2 kann man auch die geometrischen Wahrscheinlichkeiten interpretieren. So gilt im
obigen Zylinderbeispiel offensichtlich fr den Wahrscheinlichkeitsbelag
f
1
= const.
2
(4.9)
Damit erhlt man fr das der Def. 4.1 zugrundeliegende Ereignis aus der Def. 4.2
2 2

fr
fr
212dd 22221 1 fr

1 ,1, 2 2
,
2 2
1 ,1(4.10)
11
also das ursprngliche Ergebnis. Unabhngig vom eben betrachteten Beispiel kann man geometrische
Wahrscheinlichkeiten folgendermaen interpretieren:
Satz 4.1:
Geometrische Wahrscheinlichkeiten besitzen einen konstanten Wahrscheinlichkeitsbelag.
Der konstante Wahrscheinlichkeitsbelag tritt bei den geometrischen Wahrscheinlichkeiten anstelle der
Gleichwahrscheinlichkeit aller Elementarereignisse nach LII im Laplace-Experiment. Insofern kann
man die geometrische Wahrscheinlichkeit als eine bertragung der Laplaceschen Wahrscheinlichkeit
auf den Fall auffassen, dass die Merkmalsmenge berabzhlbar unendlich viele Elemente besitzt.
P(i) =
1
m
49
Whrend im Laplace-Experiment, siehe Def. 3.5 und Gl. (3.6), jedem Elementarereignis wi eine von
Null verschiedene Wahrscheinlichkeit zukommt, erhlt man bei der geometrischen Wahrscheinlichkeit
ein zunchst paradox anmutendes Ergebnis: So folgt fr jedes Elementarereignis ML > S@ im
Zylinderbeispiel aus Def. 4.1 oder Gl. (4.10)
5 M L
5M >ML ML @

S
. (4.11)
Die Wahrscheinlichkeit eines jeden Elementarereignisses ist also Null, obwohl das Elementarereignis
selbstverstndlich eintreten kann. Dies gilt unabhngig vom Zylinderbeispiel bei allen geometrischen
Wahrscheinlichkeiten, ja sogar bei allen Wahrscheinlichkeiten nach Def. 4.2, sofern der
Wahrscheinlichkeitsbelag endlich ist, und fr alle Elementarereignisse wi:
5ZL :
.
Damit kann folgender Satz formuliert werden, er gilt generell bei Merkmalsmengen mit berabzhlbar
unendlich vielen Elementen:
Satz 4.2:
Es gilt stets
aber aus
P() = 0,
P(A) = 0
folgt nicht zwingend A = .
Ebenso gilt im selben Zusammenhang als Pendant dazu

Satz 4.3:
Es gilt stets
aber aus
P(W) =1,
P(A) = 1
folgt nicht zwingend A = .
Auch den letzten Satz kann man sofort anhand des Zylinderbeispiels einsehen. Dazu fragen wir nach
der Wahrscheinlichkeit, dass der Zylinder nicht auf einem speziellen Punkt mit dem Winkel ji liegen
bleibt. Dafr gilt mit Gl. (4.11)
P(j ji) = 1 P(ji) = 1.
Obwohl das Ereignis j ji nicht das sichere Ereignis darstellt schlielich kann der Zylinder auf diesem
Punkt liegen bleiben , hat es dennoch die Wahrscheinlichkeit Eins.
Der in diesem Abschnitt behandelte Wahrscheinlichkeitsbegriff ist nicht nur auf Probleme anwendbar,
die der Geometrie entstammen. Er lsst sich ebenso benutzen, wenn die Elemente der Merkmalsmenge
Zeiten, Strme, Spannungen usw. darstellen.
50
4.4
Bedingte Wahrscheinlichkeiten
Bedingte Wahrscheinlichkeiten sind dann wichtig, wenn bestimmte Teilinformationen ber den
Ausgang von Versuchen bereits bekannt sind und in das gesuchte Ergebnis einflieen sollen. Derartige
Teilinformationen spielen in vielen technischen Anwendungen eine Rolle. So knnte z.B. bekannt sein,
dass in einer Produktionslinie 1% der produzierten Teile auerhalb der Spezifikation liegen, whrend
es bei einer anderen nur 0,5% sind. Aussagen der Art Teil stammt von Produktionslinie X bezeichnet
man im Zusammenhang mit Zufallsexperimenten als Bedingung. Die Bedingung stellt zusammen mit
dem damit verbundenen Wissen eine gegebene Teilinformation dar, die in das Endergebnis einflieen
kann. Die vielen Mglichkeiten wie das geschieht, sollen in diesem Abschnitt behandelt werden. Dazu
wird zunchst der Begriff der bedingten Wahrscheinlichkeit eingefhrt, anschlieend werden die darauf
fuenden Gesetze betrachtet.
Beispiel 4.2:
In einem Experiment mit insgesamt N Versuchen werden die Ereignisse A, B und AB
betrachtet. Die Auswertung habe ergeben:
Ereignis A
sei
hN(A) mal eingetreten,
Ereignis B
sei
hN(B) mal eingetreten,
Ereignis AB sei
hN(AB) mal eingetreten.
51
Die angegebenen absoluten Hufigkeiten hN wurden durch einfaches Zhlen festgestellt. Auf obigem
Experiment basierend soll nun folgende Frage beantwortet werden:
Wie gro ist die relative Hufigkeit des Ereignisses A unter der Bedingung, dass das Ereignis
B eingetreten ist?
In diesem Beispiel wird ein neues Ereignis eingefhrt, das im obigen Experiment nicht betrachtet wurde.
Man bezeichnet es mit A/B (lies: A unter der Bedingung B). Gesucht ist also die relative Hufigkeit
rN(A/B). Wir werden sehen, dass man Aussagen ber das Ereignis A/B leicht aus Aussagen ber die
Ereignisse A, B, AB gewinnen kann. Dazu berechnen wir die gesuchte relative Hufigkeit direkt mit
Hilfe der Def. 3.3. Das bedingende Ereignis B bedeutet, dass nicht mehr alle N Versuchsausgnge eine
Rolle spielen, sondern nur noch diejenigen, in denen B eingetreten ist. Es sind genau hN(B) Ausgnge,
weswegen diese Gre im Nenner der gesuchten Hufigkeit stehen muss. Ebenso drfen nicht alle
Versuchsausgnge A, also hN(A) gezhlt werden, sondern nur noch diejenigen, in denen gleichzeitig
auch B eingetreten ist. Dies sind genau hN(AB) Ausgnge. Man erhlt so fr die gesuchte relative
Hufigkeit das Ergebnis
rN $ / %
h N $ %
. (4.12)
h N %
Durch eine einfache Erweiterung des Bruches in Gl. (4.12) mit 1/N kann man daraus folgenden
Zusammenhang zwischen den relativen Hufigkeiten erzeugen:
rN /
h N N rN

.(4.13)
h N N
rN
Sowohl (4.12) als auch (4.13) sind nur sinnvoll, wenn B berhaupt eingetreten ist. Die Nenner sind dann
ungleich Null. Die eben hergeleitete Beziehung zwischen den relativen Hufigkeiten der Ereignisse A/B,
und B soll folgende Definition motivieren:

Definition 4.3: (Bedingte Wahrscheinlichkeit)
P(A / B)
P(A B)
P( B)
fr
P( B) 0 .
Bevor die Theorie nun weiterbehandelt wird, soll mit Hilfe der Def. 4.3 das nchste Beispiel gelst werden:
Beispiel 4.3 (Sogenanntes Entnahmeproblem ohne Zurcklegen):
Von 10 Leiterplatten seien 20% schadhaft. Mit welcher Wahrscheinlichkeit enthlt eine
Stichprobe von zwei zufllig entnommenen Leiterplatten keine schadhaften Teile?
52
Zur Lsung dieser Aufgabe muss zunchst das zugrunde liegende Ereignis beschrieben werden.
Bezeichnet man als
Ai das Ereignis, dass die i-te entnommene Leiterplatte bei Entnahme ohne Zurcklegen
fehlerfrei ist,
dann ist
A1A2 das Ereignis, das der in Aufgabe 4.3 gesuchten Wahrscheinlichkeit zugrunde liegt.
Wegen der Def. 4.3 gilt
1 2 1 2 / 1 . (4.14)

Die darin auf der rechten Seite auftretenden Wahrscheinlichkeiten knnen leicht aus der Aufgabenstellung
bestimmt werden. Fr ( 1 ) folgt aus der Aufgabenstellung der Wert 0,8, da bei 10 vorhandenen
insgesamt 8 funktionsfhig sind. (2 / 1 ) liegt das bedingte Ereignis zugrunde, dass die zweite
entnommene Leiterplatte fehlerfrei ist unter der Bedingung, dass A1 eingetreten ist, also die erste
entnommene ebenfalls fehlerfrei war. Da nach Entnahme einer ersten fehlerfreien anschlieend noch 7
von 9 fehlerfrei sind, betrgt die Wahrscheinlichkeit dafr 7/9 und man erhlt aus Gl. (4.14) das Ergebnis
1 2
8 7 56
.

10 9 90
Im eben betrachteten Beispiel haben wir Gl. (4.14) verwandt, die durch Umformung aus Def. 4.3 folgte.
Man bezeichnet dies auch als den Multiplikationssatz
P(A B) P(A) P( B / A) P( B) P(A / B) .(4.15)

Im Gegensatz zur Def. 4.3, bei der P(B) = 0 ausgeschlossen werden musste, gilt der Multiplikationssatz
auch fr P(B) = 0 bzw. fr P(A) = 0. In diesen Fllen gilt nmlich immer auch P(A B) = 0. Wendet
man Satz (4.15) unter Zuhilfenahme des Assoziativgesetzes sukzessive auf die Schnittmenge von n
beliebigen Ereignissen
A1, A2, , AnmitP(Ai) > 0 i
an, dann gilt der Multiplikationssatz in seiner allgemeinen Form:
P(A1 A 2 ... A n )
(4.16)
P(A1 ) P(A 2 / A1 ) P(A 3 / A1 A 2 )...P(A n / A1 A 2 ... A n1 ) .
53
Er ist zugeschnitten auf Probleme vom Typ Mehrfache Entnahmen ohne Zurcklegen. Mit jeder neuen
Entnahme ndert sich der Bedingungsteil nmlich dahingehend, dass sich die Anzahl der Elemente in
der Konjunktion um eins erhht.
Einen weiteren wichtigen Satz, der bedingte Wahrscheinlichkeiten benutzt, erhlt man durch Einfhrung
der sogenannten vollstndigen Ereignisdisjunktion. Sie lautet
A1 A 2 A n mit A i A k i k . (4.17)

Die Ai, aus denen sich das sichere Ereignis nach dieser Gleichung zusammensetzt, knnen die
Elementarereignisse sein, es kann sich aber auch um beliebige paarweise disjunkte Ereignisse Ai handeln.
Mit Gl. (4.17) kann man die Wahrscheinlichkeit fr ein beliebiges Ereignis B darstellen als
P B (A1 A 2 A n )
P( B) = P( B ) =
= P ( B A1 ) ( B A 2 ) ( B A n )
=
P( B A1) + P( B A 2 ) + ... + P( B A n ) .(4.18)
54
Jedes einzelne P( B A i ) kann mit dem Multiplikationssatz (4.15) geschrieben werden als
P( B A i ) = P( B / A i ) P(A i )
fr P(Ai) > 0.
Einsetzen in Gl.(4.18) liefert den gesuchten Satz von der vollstndigen Wahrscheinlichkeit
n
P( B) P( B / A i ) P(A i ) (4.19)
i 1
mit A , , A als vollstndiger Ereignisdisjunktion nach Gl.(4.17),
1
P(A i ) 0 i
Aufgabe 4.2:
Wie lautet der Spezialfall der Formel (4.19) fr n = 2?
Bevor ein letzter wichtiger Satz zu den bedingten Wahrscheinlichkeiten behandelt wird, soll Satz (4.19)
anhand eines Beispiels angewandt werden:
Beispiel 4.4 (Leiterplattenbeispiel):
Zur Leiterplattenbestckung werden insgesamt 10000 elektrische Widerstnde eines bestimmten
Wertes bentigt. Sie stammen mit

5000 Stck von Hersteller H1,
3000 Stck von Hersteller H2 und mit
2000 Stck von Hersteller H3.
Ferner sei bekannt, dass

bei H1 1%,
bei H2 2% und
bei H3 5%
auerhalb der Spezifikation sind. Gesucht ist die Wahrscheinlichkeit, dass ein beliebig
herausgegriffener Widerstand auerhalb der Spezifikation ist. Wir bezeichnen dieses Ereignis
mit B.
Offensichtlich liegt mit H1 bis H3 eine vollstndige Ereignisdisjunktion vor, wenn man an das sichere
Ereignis W Widerstand stammt von irgend einem Hersteller denkt:
H1 H 2 H 3 .
55
Unser Satz von der vollstndigen Wahrscheinlichkeit lautet daher fr die gesuchte Wahrscheinlichkeit B
P( B) P( B / H1 ) P( H1 ) P( B / H 2 ) P( H 2 ) P( B / H 3 ) P( H 3 ) .
Sowohl die Wahrscheinlichkeiten P( H i ) fr das Auftreten eines Herstellers Hi als auch die bedingten
Wahrscheinlichkeiten P( B / H i ) fr das Ereignis Widerstand ist auerhalb der Spezifikation unter
der Bedingung, dass er von Hersteller Hi stammt sind in der Aufgabenstellung gegeben. Man erhlt
als Ergebnis
P( B) 0,01
5000
3000
2000
= 0,021.
0,02
0,05
10000
10000
10000
Der Satz von der vollstndigen Wahrscheinlichkeit ist deswegen so bedeutsam, weil in vielen Anwendungen
Wahrscheinlichkeiten gegeben sind, die sich bei nherer Betrachtung als bedingte Wahrscheinlichkeiten
herausstellen. Dabei kann es auch vorkommen, dass man die Wahrscheinlichkeit von Ereignissen A/B
kennt, sie aber in der umgekehrten Form, also fr B/A sucht. Diesen Zusammenhang stellt die Bayessche17
Formel her, die nun hergeleitet wird.
Aus der Definition der bedingten Wahrscheinlichkeit folgt
P(A / B)
P(A B)
P( B A )
=
P( B)
P( B)
und daraus mit Hilfe des Multiplikationssatzes die gesuchte Beziehung
P(A / B)
P( B / A ) P( A )
. (4.20)
P( B)
Der Zusammenhang lsst sich noch verallgemeinern, wenn W als vollstndige Ereignisdisjunktion nach
Gl. (4.17) vorliegt, man A durch Ak ersetzt und P(B) durch die vollstndige Wahrscheinlichkeit nach Gl.
(4.19) ausdrckt. Aus (4.20) folgt dann die Bayessche Formel
P(A k / B)
P( B / A k ) P( A k )
n
P( B / A i ) P( A i )
(4.21)
i 1
mit A , , A als vollstndiger Ereignisdisjunktion nach Gl. (4.17),

1
P(A i ) 0 i ,
P(B) 0
Zur Verdeutlichung wird das letzte Beispiel wieder aufgegriffen.
56
Beispiel 4.5 (Fortfhrung des Leiterplattenbeispiels):

Gesucht wird nun die Wahrscheinlichkeit P(H3/B), also dafr, dass es sich um den Hersteller
H3 handelt, wenn ein Widerstand auerhalb der Spezifikation gezogen wurde.
Wahrscheinlichkeiten der Art P(Hi/B) waren in der Aufgabenstellung von Beispiel 4.4 nicht direkt
angegeben, knnen aber nach Formel (4.21) leicht berechnet werden. Die Bayessche Formel lautet auf
die Beispiele 4.4, 4.5 bezogen
P( H 3 / B)
P( B / H 3 ) P( H 3 )
3
P( B / H i ) P( H i )
0,05 0,2
0,476 .
0,021
i 1
JETZT BEWERBUNG
AUFPOLIEREN.
Bereiten Sie sich optimal auf den Bewerbungsprozess vor
und geben Sie Ihrem Prol den letzten Schliff. Nutzen Sie
unsere Tipps, Persnlichkeitstests und kostenlosen
E-Books zu Studium, Business und Karriere.
/
com
e
r we. kademi
ra
e
b
r
ewe
Anzeige_Bewerberakademie_178x126.indd 1
57
23.09.14 14:27
Die Aufgaben 4.1 und 4.2 sind in den Text des Kapitels eingestreut, da sie direkt mit dem dort behandelten
Stoff zu tun haben.
Aufgabe 4.3 (Entnahmeproblem ohne Zurcklegen):
Betrachten Sie das Experiment aus Beispiel 4.3 erneut und bestimmen Sie die gesuchte
Wahrscheinlichkeit ohne bedingte Wahrscheinlichkeiten, also direkt durch Anwendung der
Laplaceschen Wahrscheinlichkeit.
Aufgabe 4.4
Beweisen Sie fr n = 3 den Multiplikationssatz!
Aufgabe 4.5
Gegeben sei die folgende Anordnung, bestehend aus einem hngenden Seil, siehe Abb. 4.2:
Das Seil habe die Lnge L = 1 km und die Masse 1000 kg. Es kann auf der gesamten Lnge,
also bei 0 < w < L, reien.
a) Bestimmen Sie f(w), wobei f(w) proportional zur in w angreifenden Kraft ist.
b) Wie gro ist P(L/2), d. h. die Wahrscheinlichkeit eines Risses auf halber Lnge?
c) Wieviel mal so gro ist P1 fr einen Riss auf den oberen 10 Metern gegenber P10 fr einen
Riss auf den unteren 10 Metern?
Seil
(homogen)
Abb. 4.2: Hngendes Seil aus Aufgabe 4.5
58
Aufgabe 4.6
Von einem Produktionslos von 100 PCs seien 10 % defekt. Wie lautet die Wahrscheinlichkeit
P4, dass eine Stichprobe von vier entnommenen PCs mindestens einen defekten PC enthlt?
4.6 Zusatzaufgaben
Zusatzaufgabe 4.1
Eine Verbraucherschutzorganisation testet je einen Mikroprozessor der Typen A, B, C und D.
Dabei werden die vier Grundrechenarten Addition, Subtraktion, Multiplikation und Division
betrachtet. Der Test wird folgendermaen durchgefhrt: Mit jedem der vier Mikroprozessoren
werden 100000 Additionen, 100000 Subtraktionen, 100000 Multiplikationen und 100000
Divisionen mit Testwerten durchgefhrt und die Anzahlen FAdd, FSub, FMul und FDiv
der fehlerhaften Additionsergebnisse, Subtraktionsergebnisse, Multiplikationsergebnisse und
Divisionsergebnisse bestimmt. Das Ergebnis des Tests ist in Tabelle 4.1 angegeben.
Typ
FAdd
FSub
FMul
FDiv
11
586
Tab. 4.1: Ergebnisliste der Tests eines Mirkoprozessors
Im Folgenden wird angenommen, dass der Test reprsentativ ist, d. h. die relativen Hufigkeiten
knnen gleich den entsprechenden Wahrscheinlichkeiten gesetzt werden.
a) Wie gro ist die Wahrscheinlichkeit P1a, dass ein Prozessor vom Typ C bei einer
Addition ein falsches Ergebnis liefert?
Im Folgenden wird ein Prozessor zufllig aus den vier Typen A, B, C und D ausgewhlt.
b) Wie gro ist die Wahrscheinlichkeit P1b, dass der zufllig ausgewhlte Prozessor bei
einer Subtraktion ein falsches Ergebnis liefert?
c) Wie gro ist die Wahrscheinlichkeit P1c, dass der zufllig ausgewhlte Prozessor bei
einer zufllig gewhlten Rechenoperation ein falsches Ergebnis liefert?
d) Bei einer Division tritt ein Fehler auf. Wie gro ist die Wahrscheinlichkeit P1d, dass es
sich um einen Prozessor vom Typ D handelt?
e) Sind die Ereignisse der zufllig ausgewhlte Prozessor stammt vom Typ D und es tritt
ein Fehler bei einer Division auf stochastisch unabhngig? Begrnden Sie Ihre Antwort!
59
Zusatzaufgabe 4.2
Eine Hngebrcke, die eine Lnge L berspannt, kann an einer beliebigen Stelle 0 x L
reien, siehe Abb. 4.3.
L/2
Abb. 4.3: Hngebrcke aus der Zusatzaufgabe
Die Wahrscheinlichkeit dafr, dass die Hngebrcke an einer bestimmten Stelle x reit, wird
durch den Wahrscheinlichkeitsbelag f(x) beschrieben.
a) Bestimmen Sie den Wahrscheinlichkeitsbelag f(x) in Abhngigkeit von L, wenn f(x) fr 0
x L ein Polynom zweiten Grades mit Minimum bei x = L/2 und f(0) = 2 f(L/2) darstellt.
b) Um welchen Faktor k grer ist die Wahrscheinlichkeit, dass der Risspunkt innerhalb der
ueren Brckenhlfte (x < L/4; x > 3L/4) auftritt, gegenber der Wahrscheinlichkeit, dass
er im inneren Brckenbereich (L/4 < x < 3L/4) auftritt?
ber 16.000 Beschftigte arbeiten fr

den Erfolg unserer global operierenden
Teilkonzerne Metall, Controls, Defence,
Aerosystems und Metering. Werden Sie
Teil einer einzigartigen Unternehmenstradition der Stabilitt und des Vertrauens.
Bewerben Sie sich jetzt und entdecken
Sie unseren umfassenden Beitrag zu zukunftsorientierten Technologien in vielen
Bereichen von Alltag und Arbeitswelt,
sowie Ihre konkreten Karrieremglichkeiten in unserer internationalen Gruppe.
Aus Tradition: Zukunft!

Wir sorgen dafr, dass unsere innovativen Lsungen die Anforderungen unserer Kunden erfllen.
Yu Zhenlei, Service Manager, Marie Duvivier, Projektmanager Qualitt,
Bruno Fuhge, Innovationsingenieur
QF.indd 1
15.03.16 10:04
60
5 Stochastische Unabhngigkeit
5.1 Vorbemerkungen
Die bedingten Wahrscheinlichkeiten aus dem letzten Kapitel sind der Schlssel zur Einfhrung der
stochastischen18 Unabhngigkeit von Ereignissen. Sie stellt eine Art stochastischer Verwandtschaft
von Ereignissen dar, auf der wiederum wichtige Gesetze beruhen und eine ganze Reihe praktischer
Anwendungen erschlossen werden. Hierzu gehrt insbesondere die Zuverlssigkeitstheorie, mit
deren Grundlagen ebenfalls in diesem Kapitel begonnen wird. Auerdem wird in diesem Kapitel
der Zusammenhang zwischen stochastisch unabhngigen und disjunkten bzw. sich nachziehenden
Ereignissen geklrt.
Insgesamt geht es um folgende Fragestellungen:
Wie kann man die stochastische Unabhngigkeit von Ereignissen definieren und was
bedeutet sie?
Welche Gesetzmigkeiten gelten fr die Wahrscheinlichkeiten bei stochastisch
unabhngigen Ereignissen?
Was folgt aus der stochastischen Unabhngigkeit fr das Anwendungsgebiet der
Zuverlssigkeitstheorie?
Bestehen Zusammenhnge zwischen stochastisch unabhngigen und disjunkten bzw. sich
nachziehenden Ereignissen und wie sehen diese aus?
5.2
Definition und Bedeutung
Der Begriff der Unabhngigkeit bestimmter Dinge voneinander wird auch im allgemeinen
Sprachgebrauch benutzt. Seine Bedeutung in der Umgangssprache kann dabei durchaus mit derjenigen
der Wahrscheinlichkeitstheorie bereinstimmen, muss es aber nicht. Denken wir etwa an Ereignisse
wie Eine Person hat Lungenkrebs (Ereignis A) und Eine Person ist Raucher (Ereignis B). Man wei
seit geraumer Zeit, dass zwischen beiden ein Zusammenhang besteht. Er geht zwar nicht so weit, dass
jeder Raucher im Laufe seines Lebens an Lungenkrebs erkrankt. Statistisch nachgewiesen ist aber, dass
Raucher mit deutlich hherer Wahrscheinlichkeit an Lungenkrebs erkranken als Nichtraucher. Dies ist
ein Beispiel fr stochastisch abhngige Ereignisse A und B. Wren diese Ereignisse nmlich stochastisch
unabhngig, so mssten sich auch experimentell unter den Nichtrauchern prozentual hnlich viele
Erkrankungen an Lungenkrebs nachweisen lassen wie unter Rauchern. Dies bedeutet, die relativen
Hufigkeiten fr die Ereignisse A/B (A unter der Bedingung, dass B eingetreten ist) und / (A unter
der Bedingung, dass B nicht eingetreten ist) mssten bei stochastischer Unabhngigkeit zumindest
nherungsweise gleich sein:
rN (A / B) rN (A / B) . (5.1)
61
Das Zeichen ungefhr gleich ist anstatt des Gleichheitszeichens notwendig, da man auch bei sehr
groem Versuchsumfang (N) nie eine exakte Gleichheit erwarten kann, siehe hierzu auch die relativen
Hufigkeiten im Experiment 3.2 und in Abb. 3.2.
Der Zusammenhang (5.1) ist Basis fr die nachfolgende Definition.
Definition 5.1: (Stochastische Unabhngigkeit)
Das Ereignis A heit stochastisch unabhngig von Ereignis B, falls gilt
Das Ereignis A heit stochastisch unabhngig von Ereignis B, falls gilt
(5.2)
P( / ) = P( / ) . (5.2)
.
Dabei wird 0<P(B)<1 vorausgesetzt, da ansonsten die bedingten Wahrscheinlichkeiten gem Def. 4.3
nicht existieren.
5.3
Stochastische Unabhngigkeit zweier Ereignisse
In diesem Abschnitt werden wir einige interessante Folgerungen aus der Definition betrachten. Sie gelten
fr zwei Ereignisse A, B. Spter wird der Begriff der stochastischen Unabhngigkeit auf mehr als zwei
Ereignisse ausgedehnt. Mit
A A A B B A B A B
folgt wegen KIII
P(A) P(A B) P(A B)

und mit dem Multiplikationssatz (4.15)
P(A) P(A / B) P( B) P(A / B) P( B) .

Die Def. 5.1 macht daraus schlielich
P(A) P(A / B) P( B) P( B) P(A / B) .

Dies ist die Aussage des Satzes
Ist A stochastisch unabhngig von B, dann gilt
P(A) P(A / B) . (5.3)
62
Da fr P(A) und P(A/B) auch die Begriffe a-priori19 Wahrscheinlichkeit (fr P(A)) und a-posteriori20
Wahrscheinlichkeit (fr P(A/B)) blich sind, hrt man auch die Aussage: Ist A stochastisch unabhngig
von B, so ist die a-priori Wahrscheinlichkeit von A gleich seiner a-posteriori Wahrscheinlichkeit.
Natrlich steht Gl. (5.3) wie Def. 5.1 unter der Annahme, dass 0<P(B)<1 erfllt ist. Man kann brigens
zeigen, siehe /Bosch11/, dass aus der letzten Gleichung auch diejenige der Def. 5.1 hergeleitet werden
kann. Ersetzt man ferner in (5.3) die bedingte Wahrscheinlichkeit gem Def. 4.3, so folgt
P(A) P(A / B)
P(A B)
P( B)
und nach Multiplikation mit P(B) der Satz

Ist A stochastisch unabhngig von B, dann gilt
P(A B) P(A) P( B) . (5.4)
Auch hier ist die Umkehrung des Satzes wieder erlaubt. Bemerkenswert an diesem Satz ist einerseits,
dass die stochastische Unabhngigkeit darin ohne Zuhilfenahme einer bedingten Wahrscheinlichkeit
beschrieben wird, andererseits die vllige Symmetrie zwischen A und B. Vertauscht man nmlich A und
B, so ndert sich Gl. (5.4) wegen der Kommutativgesetze nicht. Daraus folgt der
Raum fr
Spitzenforschung
Starten Sie Ihre Mission beim DLR
Lsungen fr die Welt von morgen: Das ist unsere Mission.
Faszinierende Projekte, ein einzigartiges Forschungsumfeld
und viel Raum fr eigene Ideen: Das ist unser Angebot an Sie!
63
Satz 5.1:
Fr Ereignisse A, B mit 0<P(A)<1 und 0<P(B)<1 gilt:
Ist A unabhngig von B, so ist auch B unabhngig von A und umgekehrt.
Die bisherigen Betrachtungen haben gezeigt, dass die Gleichungen (5.2), (5.3) und (5.4) gegenseitig
auseinander hergeleitet werden knnen. Es ist daher mglich, irgendeine der drei als Definition zu
verwenden und die jeweils anderen beiden daraus herzuleiten.
Satz 5.2:
Die mathematische Beschreibung von stochastisch unabhngigen Ereignissen A, B mit
0<P(A)<1 und 0<P(B)<1 durch die folgenden Gleichungen ist quivalent:
P( / ) P( / ) , (5.2)
P(A) P(A / B) , (5.3)
P(A B) P(A) P( B) . (5.4)
Dies erklrt auch, weshalb die Definitionsgleichung fr die stochastische Unabhngigkeit nicht in allen
Lehrbchern gleich ist. Meist wird jedoch eine der Gleichungen (5.2) und (5.3) zur Defintion benutzt.
Der Vollstndigkeit halber sei darauf hingewiesen, dass sich aus (5.2) bis (5.4) und dem Satz 5.1 weitere
Gleichungen zur Beschreibung der stochastischen Unabhngigkeit herleiten lassen. So folgt z.B. aus
(5.2) und Satz 5.1 sofort
P( B / A) P( B / A) .
Als nchstes soll der Begriff der stochastischen Unabhngigkeit auf mehr als zwei Ereignisse ausgedehnt
werden.
5.4
Stochastische Unabhngigkeit von drei und mehr Ereignissen
Whrend bei der Disjunktheit von Ereignissen aus der paarweisen Disjunktheit die generelle Disjunktheit
folgt, gilt dies bei der stochastischen Unabhngigkeit nicht. Zur Erluterung dient
Beispiel 5.1: (Gleichzeitiges Wrfeln mit zwei Wrfel)
Beim gleichzeitigen Wrfeln mit zwei gleichartigen, aber unterscheidbaren Wrfeln W1 und
W2 werden folgende Ereignisse betrachtet:
A:
Wrfeln einer geraden Zahl mit W1,
B:
Wrfeln einer ungeraden Zahl mit W2,
C:
Wrfeln einer geraden Augensumme mit W1, W2.
Untersucht werden soll die stochastische Unabhngigkeit der drei Ereignisse A, B, C.
64
Anhand der Laplaceschen Wahrscheinlichkeit folgt fr alle Einzelereignisse
P(A) =
1
1
1
, P(B) = , P(C) = .
2
2
2
Ebenfalls mit der Laplaceschen Wahrscheinlichkeit erhlt man fr die drei Verbundereignisse die
Wahrscheinlichkeiten
P(AB) =
9
1
= = P(A)P(B) ,
4
36
P(AC) =
9
1
= = P(A)P(C) ,
4
36
P(BC) =
9
1
= = P(B)P(C) .
4
36
Daraus folgt wegen Gl. (5.4) die Aussage: Alle drei Ereignisse sind paarweise stochastisch unabhngig.
Andererseits verifiziert man leicht, dass es sich bei dem Ereignis ABC um das unmgliche Ereignis
handelt, sodass gelten muss
P(ABC) = 0.
Dagegen erhlt man fr das Produkt der Einzelwahrscheinlichkeiten das Resultat
P(A)P(B)P(C) =
1
,
8
weswegen in diesem Beispiel trotz der paarweisen stochastischen Unabhngigkeit fr das Tripel gilt
P(ABC) P(A)P(B)P(C) .
Damit mehr als zwei Ereignisse vollstndig stochastisch unabhngig sind, muss die Aussage von Gl. (5.4)
folgendermaen verallgemeinert werden:
Definition 5.2: (Stochastische Unabhngigkeit von n Ereignissen)
Die Ereignisse A1 , A 2 ,..., A n heien vollstndig stochastisch unabhngig, wenn fr jede
Auswahl von zwei und mehr Ereignissen A i1 , A i2 ,..., A i k mit verschiedenen Indizes gilt
P(A i1 A i2 ... A ik ) P(A i1 ) P(A i2 ) P(A ik ) fr 2 k n . (5.5)
65
Die doppelte Indizierung in dieser Definition ist notwendig, da alle mglichen Kombinationen von
Indizes betrachtet werden mssen. Man kann sich berlegen, dass die Gesamtzahl aller nach (5.5) zu
untersuchenden Gleichungen mit n rasch steigt, sie betrgt bei n Einzelereignissen insgesamt 2 n n 1 .
Da Gl. (5.4) als Sonderfall fr n = 2 in Def. 5.2 enthalten ist, gilt
Satz 5.3:
Vollstndig stochastisch unabhngige Ereignisse sind immer auch paarweise stochastisch
unabhngig.
Wie das Beispiel 5.1 nachgewiesen hat, gilt die Umkehrung nicht. Als Nchstes wollen wir untersuchen,
ob die stochastische Unabhngigkeit erhalten bleibt, wenn man von n vollstndig unabhngigen
Ereignissen beliebige davon durch ihr komplementres Ereignis ersetzt. Bei n = 2 Ereignissen ist dies
leicht durchfhrbar: Wir fragen also, ob sich P( A B) als Produkt aus P( A ) und P(B) darstellen lsst,
wenn entsprechendes fr P(A B) bereits nachgewiesen ist, wenn also Gl. (5.4) gilt. Dazu gehen wir
von der bereits mehrfach benutzten Identitt
B ( B A) ( B A)
AXA Global
Graduate Program
Find out more and apply
66
aus, die fr beliebige A, B gilt. Mit KIII folgt daraus
P( B) P(A B) P(A B).

Lst man dies nach P( A B) auf und bercksichtigt fr P(A B) Gl. (5.4), so folgt
P(A B) P( B) P(A) P( B) 1 P(A) P( B) P( A) P( B) ,

womit der angestrebte Nachweis gelungen ist. Es gilt generell, also auch fr n>2
Satz 5.4:
A1,..., Ai ..., An
seien
vollstndig
stochastisch
stochastisch
Ersetzt
man
darin
vollstndig
unabhngig.
Ersetzt
man Ersetzt
darinman darin
durch Ai ,... , dann b
beliebige
A1,..., Ai ...,stochastisch
Aunabhngig.
seien
vollstndig
stochastisch
unabhngig.
Ersetzt Aman
darin
vollstndig
stochastisch
unabhngig.
beliebige
i ,...
n seien
Ai ,...beliebige
dann
die AiEreignisse
durchAi ,...
dannbeliebige
bleiben
Ereignisse
Ai ,...
Ai ..., An die
Ai ,... ,durch
A1,...,
, ,dann
bleiben
die
Ereignisse
vollstndig
stochastisch
unabhngig.
durch
Aidie
,...bleiben
durch
, Adann
bleiben
Ereignisse
,...
A
vollstndig
stochastisch
i ..., A1n,...,
1,..., Ai ..., An unabhngig.
seien
vollstndig
A1,..., Ai ...,
An seien
vollstndig
stochastisch unabhngig.
g stochastisch
unabhngig.
vollstndig stochastisch unabhngig.

Der Nachweis
hierzu gelingt, wenn man von der Def. 5.2 der stochastischen Unabhngigkeit ausgeht,
beliebige Ereignisse durch ihr Komplement ersetzt und das ganze durch Anwendung des Assoziativgesetzes
auf den fr n = 2 bewiesenen Zusammenhang zurckfhrt.
5.5
Stochastisch unabhngige, disjunkte und sich nachziehende Ereignisse
Wir wollen uns nun darum kmmern, welche Zusammenhnge zwischen diesen Gruppen von Ereignissen
bestehen. Es fllt zunchst auf, dass disjunkte Ereignisse A, B ebenso wie sich nachziehende Ereignisse
A, B allein anhand der Mengenlehre definiert sind, nmlich siehe Abschnitt 3.2 ber
A B =
bei disjunkten und
(5.6)
A B
bei sich nachziehenden
(5.7)
Ereignissen. Demgegenber basiert die Definition stochastisch unabhngiger Ereignisse siehe

Satz 5.2 immer auf der Wahrscheinlichkeit. Um zu ermitteln, was aus den Eigenschaften disjunkt
bzw. sich nachziehend im Sinne der stochastischen Unabhngigkeit folgt, reicht es im Folgenden aus,
Ereignisse A, B mit der Einschrnkung
0<P(A)<1
und
0<P(B)<1(5.8)
zu betrachten, da nur fr diese die Beziehungen nach Satz 5.2 fr stochastische Unabhngigkeit gelten.
Fr sich nachziehende Ereignisse A, B folgt aus (5.7)
A B = A .
P(A B) = P(A) P(A) P(B).
Daher gilt der
67
Satz 5.5:
Sich nachziehende Ereignisse A, B nach (5.8) sind nie disjunkt und immer stochastisch abhngig.
Fr disjunkte Ereignisse A, B gilt wegen (5.6)

P(A B) = 0 P(A) P(B).
Daher gilt der
Satz 5.6:
Disjunkte Ereignisse A, B nach (5.8) sind immer stochastisch abhngig.
Es soll an dieser Stelle darauf hingewiesen werden, dass die Begriffe disjunkt und stochastisch
unabhngig von unerfahrenen Personen schon mal verwechselt werden knnen. So knnte man beim
einfachen Wrfelexperiment mutmaen, dass z.B. das Erscheinen einer Eins (Ereignis A) mit dem
Erscheinen einer Vier (Ereignis B) nichts zu tun hat, dass A, B also voneinander unabhngig sind.
Das Erscheinen einer Eins ist aber ebenso wie das Erscheinen einer Vier ein Elementarereignis. Damit
sind beide disjunkt. Jedes der beiden Ereignisse ist gleichwahrscheinlich mit P = 1/6, wobei fr den
Schnitt von A, B gilt
P(A B) = 0
1/36 = P(A) P(B).
Nach Satz 5.6 sind beide Ereignisse stochastisch abhngig. Die Abhngigkeit lsst sich hier so interpretieren,
dass das Erscheinen des einen Ereignisses bedeutet, dass das andere nicht gleichzeitig auftreten kann.
Zum Abschluss dieses Abschnittes sollen bekannte Gesetze fr disjunkte und stochastisch unabhngige
Ereignisse in Tabelle 5.1 zusammengestellt werden. Sie betreffen die Wahrscheinlichkeiten fr die Schnittund die Vereinigungsmenge von A, B.
AB
AB
A, B disjunkt
A, B stoch. unabhngig
P(A B) P(A) P( B)
P(A B) P(A) P( B) P(A) P( B)
KIII
(4.5) und (5.4)
P(A B) 0
P(A B) P(A) P( B)
aus (3.1)
(5.4)
Tab 5.1: Zusammenstellung wichtiger Gesetze fr disjunkte und stochastisch unabhngige Ereignisse
68
Aufgabe 5.1 (Zylinderbeispiel):

Fr das Zylinderbeispiel 4.1 werden die folgenden beiden Ereignisse definiert:
A:
B:
0, ,
, mit 0
Bestimmen Sie a so, dass es sich bei A und B

a) um disjunkte Ereignisse handelt,
b) um stochastisch unabhngige Ereignisse handelt.

Hinweis: Im Gegensatz zum Beispiel 4.1 handelt es sich bei Aufgabe 5.1 um offene Intervalle.
Dennoch kann man zur Berechnung der Wahrscheinlichkeiten die Formel in Def. 4.1
heranziehen, da sich ein offenes Intervall von einem geschlossenen Intervall nur um zwei
Elementarereignisse unterscheidet und die Wahrscheinlichkeit der dieser Elementarereignisse
gem Gl. (4.11) Null betrgt.
5.6
Anwendung Zuverlssigkeitstheorie
Der Begriff Zuverlssigkeit wird im menschlichen Leben in unterschiedlichen Zusammenhngen

verwendet. So spricht man z.B. auch von einem zuverlssigen Menschen. Im Zusammenhang mit technischen Systemen bedeutet Zuverlssigkeit die Eigenschaft eines Systems oder einer Systemkomponente, die beabsichtigte Funktion zu erfllen, und zwar unter genau beschriebenen Randbedingungen
und fr eine vorgesehene Zeit. Als Ma, also zur zahlenmigen Beurteilung einer derartigen Systemeigenschaft, hat man die Verfgbarkeit eingefhrt. Zuverlssigkeit und Verfgbarkeit (engl. reliability
und availability) stellen ein zusammengehriges Begriffspaar dar. Die Zuverlssigkeitstheorie ist die
Gesamtheit der mathematischen, insbesondere stochastischen Methoden, mit denen man das Ausfallbzw. das berlebensverhalten von Systemen oder Systemkomponenten beschreiben kann, siehe z.B. /
AvJen13/. In diesem Abschnitt werden dazu die Grundlagen gelegt. Mit dem bisherigen Wissen aus der
Wahrscheinlichkeitstheorie sind wir nmlich bereits in der Lage, Fragen nach der Verfgbarkeit von
Systemen zu beantworten, wenn die Komponentenverfgbarkeiten gegeben sind. Die Berechnung der
letzteren bleibt einem spteren Kapitel vorbehalten.
Wir machen nun folgende Festlegung fr bestimmte Ereignisse und deren Wahrscheinlichkeiten:
Ki:
Ereignis, dass die i-te Komponente eines Systems ihre Funktion erfllt, also
verfgbar ist,
P(Ki): Wahrscheinlichkeit dafr, dass die i-te Komponente die beabsichtigte Funktion
erfllt, kurz Verfgbarkeit von Ki genannt.
69
Verfgbarkeiten stellen also Wahrscheinlichkeiten bestimmter Ereignisse dar. Mittels der komplementren Ereignisse legen wir auerdem fest:
Ereignis, dass die i-te Komponente eines Systems ihre Funktion nicht erfllt,
K i :
also z.B. ausgefallen ist, in Reparatur ist usw.,
P( K i ):
Wahrscheinlichkeit dafr, dass die i-te Komponente die beabsichtigte Funktion
nicht erfllt, kurz Unverfgbarkeit von Ki genannt.
Wegen (4.1) gilt der Zusammenhang
P( K i ) = 1 - P(Ki).
Fr das aus Komponenten zusammengesetzte System definieren wir analog zur Komponente:
S:
Ereignis, dass das Gesamtsystem seine Funktion erfllt,
P(S): Wahrscheinlichkeit von S, auch Verfgbarkeit des Gesamtsystems genannt.
eine Marke von MSW & Partner
Frauen in Fhrungspositionen!
facebook.com/CareerVenture
google.com/+Career-VentureDe
twitter.com/CareerVenture
women
06./07. Dezember 2016 Seeheim

Bewerbungsschluss: 06.11.2016
Auszug unserer Referenzen
Struktur
Management
Partner
career-venture.de
70
Als gegeben sehen wir in diesem Kapitel die Verfgbarkeiten P(Ki) aller Komponenten an wir
werden sie in einem spteren Kapitel berechnen sowie die strukturelle Zusammenschaltung der
Komponenten zum Gesamtsystem. Mathematisch lsst sich diese Zusammenschaltung als Verknpfung
von Ereignissen darstellen:
S = f ( K1, K2, , Kn ) .
(5.9)
Darin ist f eine logische Funktion, in die sowohl die Struktur (z.B. Reihen- oder Parallelschaltung von
Komponenten) als auch die Aufgabenstellung eingeht, siehe auch das sptere Beispiel.
Gesucht ist die Verfgbarkeit P(S) des Gesamtsystems, die von den Einzelverfgbarkeiten abhngt:
P(S) = g P( K1 ), P( K 2 ),..., P( K n ) . (5.10)

Ziel ist es letztlich, g aus f zu berechnen. Ein Schlssel, der eine einfache Berechnung gestattet, ist die
Annahme, alle n Komponenten seien vollstndig stochastisch unabhngig. Diese Annahme wird bei
Verfgbarkeitsberechnungen oft gemacht, hat jedoch eine ganze Reihe technischer Voraussetzungen,
die alle berprft werden mssen. Annahme bedeutet nmlich, dass die vollstndige stochastische
Unabhngigkeit nicht anhand der Def. 5.2 berprft wird. Sie wird vielmehr postuliert, damit man
hinterher Gl.(5.5) anwenden kann. Technische Vorraussetzungen knnen z.B. sein: unabhngiges
Ausfallverhalten, unabhngige Inbetriebnahme, unabhngige Reparaturen, unabhngige Stromversorgung
usw. Sind diese Bedingungen erfllt, dann sind einfache Lsungen sowohl durch direkte Anwendung
bisher behandelter Gesetze mglich als auch mittels der Kombinationsmethode, die spter in einer
Aufgabe behandelt wird.
Die direkte Anwendung von Gesetzen wird an folgendem Beispiel gezeigt:
Beispiel 5.2: (Gesamtverfgbarkeit am Beispiel Energieversorgung)
Es wird das Beispiel aus Abschnitt 1.4 aufgegriffen, siehe Abb. 5.1. Energie kann zum
Verbraucher sowohl ber die Komponenten K1 und K3 als auch ber die Komponente K2
flieen. Die Kenntnis der Verschaltung nach Abb. 5.1 reicht jedoch noch nicht aus. Aus der
Aufgabenstellung muss auch noch hervorgehen, ob der Verbraucher beide Energiestrme
gleichzeitig bentigt oder ob es sich um redundante21 Einspeisungen handelt. Im Folgenden
nehmen wir an, dass einer der beiden Wege (K1, K3 bzw. K2) ausreicht. Auerdem betragen
die Verfgbarkeiten der Einzelkomponenten
P(K1) = 0,8 ; P(K2) = 0,6 ;
P(K3) = 0,9 .
71
Welches Ergebnis erhlt man fr die Systemverfgbarkeit P(S) unter der Annahme, dass die
Ereignisse K1, K2, K3 vollstndig stochastisch unabhngig sind?
K1
K3
Verbraucher
K2
Abb. 5.1: Beispiel Energieversorgung aus Kap. 1 zur Zuverlssigkeitsberechnung
Aus der Aufgabenstellung und der Abb. 5.1 erhlt man fr die logische Funktion f
S = K 2 (K1 K 3 ) = f ( K1, K2, K3 ).

Fr die Systemverfgbarkeit folgt daraus
P(S)
= P K2 (K1 K3 )
= P K 2 + P(K1 K 3 ) - P K1 K 2 K 3
(aus 4.5)
= P(K2) + P(K1) P(K3) - P(K1) P(K2) P(K3) .
(aus 5.5)
Dies ist die gesuchte Funktion g( P(K1), P(K2), P(K3)), die sich mit den Zahlenwerten aus der
Aufgabenstellung leicht auswerten lsst. Man erhlt das Ergebnis

P(S)
= 0,6
+ 0,72 -
0,432
= 0,888 .
Aufgabe 5.2 (Verfgbarkeit des nicht redundanten Systems)

Welches Ergebnis erhlt man fr die Systemverfgbarkeit, wenn man in Beispiel 5.2 annimmt,
dass es sich nicht um zwei redundante Energiepfade handelt, sondern dass sie gleichzeitig zur
Verfgung stehen mssen?
Die Aufgaben 5.1 und 5.2 sind in den Text des Kapitels eingestreut, da sie direkt mit dem dort behandelten
Stoff zu tun haben.
Aufgabe 5.3
Gegeben sind die zwei Ereignisse

A:
Wrfeln einer kleinen Zahl (3)
B:
Wrfeln einer geraden Zahl.
Sind A und B disjunkt bzw. stochastisch unabhngig?

72
Aufgabe 5.4
Ein Glhlampenhersteller liefert eine groe Menge einer bestimmten Type, die

zu 60% aus einem Werk 1 (W1),
zu 15% aus einem Werk 2 (W2) und
zu 10% aus einem Werk 3 (W3) stammt.
Der Rest wurde fremdproduziert und zugekauft (Z). Eine mittlere Lebensdauer von mehr als
1800 h besitzen

70% der Lampen von W1,
90% der Lampen von W2,
60% der Lampen von W3 und
30% der zugekauften Lampen Z.
Gesucht sind
a) P(A) mit A: Eine zufllig entnommene Glhlampe hat eine Lebensdauer > 1800 h.
b) P(B) mit B: Eine Glhlampe mit einer Lebensdauer < 1800 h entstammt der
Fremdproduktion.
Aufgabe 5.5
Ein technisches System bestehe gem Abb. 5.2 aus vier Komponenten mit den angegebenen
Verfgbarkeiten. Die Komponenten sind vollstndig stochastisch unabhngig.
Did you know our most

powerful engine is human?
We look forward to hearing from you soon.
Take a look at our job opportunities at www.voith.com/careers.
73
K4
K1
I
II
K3
P(K1) = 0,8
P(K2) = 0,6
P(K3) = 0,9
P(K4) = 0,7
K2
Abb. 5.2: Zusammenschaltung der Komponenten K1 bis K4
Wie gro ist P(S), wenn zur Gesamtfunktion irgendein Pfad von I nach II funktionieren muss ?
5.8 Zusatzaufgaben
Zusatzaufgabe 5.1
Beim Wrfeln mit einem Wrfel werden zwei Ereignisse A und B betrachtet:
A: Wrfeln einer kleinen Zahl (3)
B: Wrfeln einer geraden Zahl.
Sind A und B stochastisch abhngig oder disjunkt?
Zusatzaufgabe 5.2
In einer verfahrenstechnischen Anlage wird der Fllstand einer Flssigkeit von 10 gleichartigen,
stochastisch unabhngigen berwachungseinrichtungen berwacht. Die Wahrscheinlichkeit,
dass eine einzelne berwachungseinrichtung im Auslsefall anspricht, betrgt 0,9.
a) Wie gro ist die Wahrscheinlichkeit P5a, dass bei einem Auslsefall hchstens 2 der 10
berwachungseinrichtungen nicht ansprechen?
b) Wie gro ist die Wahrscheinlichkeit P5b, dass bei einem Auslsefall keine der 10
berwachungseinrichtungen anspricht?
74
Wahrscheinlichkeit bei Verbundexperimenten
6 Wahrscheinlichkeit bei
Verbundexperimenten
6.1 Vorbemerkungen
In allen bisherigen Betrachtungen sind wir von einem Zufallsexperiment ausgegangen und haben zu
diesem Experiment bestimmte Ereignisse definiert. Anschlieend wurde nach der Wahrscheinlichkeit
fr diese Ereignisse gefragt. Dabei konnten durchaus mehrere Versuche erforderlich werden, z.B. um im
Sinne der relativen Hufigkeit Nherungswerte fr die Wahrscheinlichkeit zu bestimmen. Im Folgenden
wollen wir zwei oder mehrere Zufallsexperimente im Zusammenhang betrachten, man spricht dann
auch von Verbundexperimenten. Es kann sich dabei sowohl um gnzlich verschiedene Experimente
handeln, die wie etwa das Wrfeln und das Mnzewerfen nun im Zusammenhang betrachtet
werden. Es kann sich aber auch um ein und dasselbe Experiment handeln, das mehrmals nacheinander
durchgefhrt wird. Ein technisches Beispiel hierfr ist die serielle22 bertragung eines digitalen Wortes
aus 16 Bit ber einen bertragungskanal. Dies lsst sich auffassen als die 16-malige Wiederholung ein
und desselben Experimentes bertragung eines Bits.
Es muss darauf hingewiesen werden, dass die eben eingefhrte mehrmalige Wiederholung eines
Experimentes grundverschieden ist von der bereits bekannten Durchfhrung mehrerer Versuche zur
Berechnung der relativen Hufigkeit. Bei der n-maligen Wiederholung eines Experimentes in diesem
Kapitel ist die Zahl n konstant und durch irgendwelche technischen Randbedingungen festgelegt, z.B.
durch die 16 Bit eines Wortes. Bei der Berechnung der relativen Hufigkeit nach Kapitel 3 dagegen ist
n nicht formal festgelegt und sollte im Sinne der statistischen Wahrscheinlichkeit sehr gro sein, d.h.
gegen unendlich streben. Wrde man Aussagen zur Wahrscheinlichkeit in Verbundexperimenten mittels
der statistischen Wahrscheinlichkeit machen wollen, dann msste man die n-malige Wiederholung des
Experimentes dies ist das Verbundexperiment auch noch sehr oft durchfhren.
Um die Besonderheiten und die technischen Anwendungspotentiale von Verbundexperimenten zu
verstehen, sollen folgende Fragen beantwortet werden:
Was hat man unter einem allgemeinen Verbundexperiment zu verstehen?
Welche technisch wichtigen Spezialflle mssen betrachtet werden?
Wie lassen sich die Wahrscheinlichkeiten fr diese Flle berechnen?
6.2
Allgemeines Verbundexperiment
Ein allgemeines Verbundexperiment entsteht dadurch, dass zwei oder mehr Zufallsexperimente
zusammen, also im Verbund betrachtet werden. Dies wird zunchst fr zwei Experimente erlutert, deren
Merkmalsmengen endlich viele Elementarereignisse besitzen. Die Ausweitung auf n Experimente ist ebenso
mglich, wie die Verallgemeinerung auf Merkmalsmengen mit unendlich vielen Elementarereignissen.
75
Gegeben seien die beiden verschiedenen Zufallsexperimente ZE1, ZE2 mit den Merkmalsmengen
1 11 , 12 ,..., 1n , (6.1)

2 21 , 22 ,..., 2 m .(6.2)
Dann gilt
Definition 6.1: (Verbundexperiment aus zwei Einzelexperimenten)
Das Verbundexperiment aus den beiden Einzelexperimenten ZE1, ZE2 mit 1 und 2 nach Gln (6.1),
(6.2) besitzt als Merkmalsmenge das kartesische Produkt
V = 1 2
= (11 , 21 ),...,(11 , 2 m ),(12 , 21 ),.......,(1n , 2 m )
(6.3)
Die neue Merkmalsmenge enthlt also als Elemente alle n . m geordneten Paare (1i , 2 j ) , die aus
den ursprnglichen Merkmalsmengen gebildet werden knnen.
YOUR WORK AT TOMTOM WILL

BE TOUCHED BY MILLIONS.
AROUND THE WORLD. EVERYDAY.
Join us now on www.TomTom.jobs
follow us on
#ACHIEVEMORE
76
Eine wichtige Gruppe von Verbundexperimenten stellen die stochastisch unabhngigen Experimente
dar. Ihre Definition ist an diejenige in Gl.(5.4) angelehnt und lautet fr die beiden bereits betrachteten
Experimente ZE1, ZE2:
Definition 6.2: (Zwei stochastisch unabhngige Experimente)
Die Zufallsexperimente ZE1, ZE2 mit 1 und 2 nach Gln (6.1), (6.2) heien stochastisch unabhngig,
wenn fr alle Elemente von V gilt:
P(1i , 2 k ) P(1i ) P( 2 k )
i, k . (6.4)
Trotz der groen formalen hnlichkeit zwischen den Gln. (5.4) und (6.4) handelt es sich nicht um die
selben Sachverhalte. Im fnften Kapitel war die stochastische Unabhngigkeit auf Ereignissen A, B erklrt,
die der selben Merkmalsmenge W entstammten. Zwei Ereignisse aus ein und derselben Merkmalsmenge
waren stochastisch unabhngig. In diesem Kapitel haben wir es dagegen mit stochastisch unabhngigen
Zufallsexperimenten zu tun. Daher sind zwei unterschiedliche Merkmalsmengen involviert. Auf alle Flle
bedeutet die stochastische Unabhngigkeit von zwei Experimenten die Faktorisierung gem (6.4) fr
alle mglichen Paare von Elementarereignissen. Zur besseren Verdeutlichung diene
Beispiel 6.1: (Standardbeispiel Wrfeln und Mnzewerfen)
Man betrachtet ZE1 Werfen einer Mnze mit 1 = {W, Z}

und
ZE2 Wrfeln mit einem Wrfel mit 2 = {1,2,3,4,5,6}.
Wie lautet die Merkmalsmenge des Verbundexperimentes und wie gro sind die Wahrscheinlichkeiten von dessen Elementarereignissen?
Nach der Def. 6.1 folgt fr das Verbundexperiment
V =
(W,1),...,(W,6),(Z,1),...,(Z,6) .
Fr smtliche darin vorkommende 12 Elementarereignisse erhlt man gleich groe Wahrscheinlichkeiten,

die nach dem Laplaceschen Begriff (LIII) je 1/12 betragen. Ferner sind ZE1 und ZE2 wegen Def. 6.2
stochastisch unabhngig. Es gilt nmlich fr alle Elemente eine Gleichung wie die folgende fr das erste
Element von
1 (6.5)
P(W,1) P(W) P(1) 21 16 12
.
77
In diesem Beispiel kann man also die Wahrscheinlichkeiten der Elementarereignisse von direkt berechnen
und anschlieend die Gln (6.4) berprfen. In den meisten praktischen Fllen dienen die Gln (6.4) aber
nicht dazu, die stochastische Unabhngigkeit zweier Experimente nachzuweisen. Vielmehr postuliert
man die stochastische Unabhngigkeit zunchst und untermauert sie mit physikalischen, logischen oder
hnlichen berlegungen. Hat man sie erst einmal postuliert, wendet man die Gln (6.4) zur Berechnung
der Wahrscheinlichkeiten an. Im obigen Beispiel kann man annehmen, dass sich das Mnzewerfen und
das Wrfeln nicht gegenseitig beeinflussen. Daraus kann man auf deren stochastische Unabhngigkeit
schlieen, woraus dann wiederum die Gl. (6.5) resultiert.
In den Def. 6.1, 6,2 wurden bisher zwei Experimente betrachtet. Man kann dies nun verallgemeinern,
indem man mehr als zwei Experimente zu einem Verbundexperiment zusammenfasst. Man erhlt dann
Definition 6.3: (Verbundexperiment aus p Einzelexperimenten)
Das Verbundexperiment aus den p Einzelexperimenten ZE1, ZE2,, ZEp mit den
Merkmalsmengen 1, 2 1, , p besitzt als Merkmalsmenge V das kartesische Produkt
V = 1 2 ... p . (6.6)
Ebenso lsst sich die Definition 6.2 verallgemeinern, wenn man fr alle Merkmalsmengen i der
Einzelexperimente ZEi endlich viele Elemente voraussetzt:
Definition 6.4: (Mehrere stochastisch unabhngige Experimente)
Die Zufallsexperimente ZE1, ZE2,,ZEp mit den Merkmalsmengen 1, 2 1, , p heien
stochastisch unabhngig, wenn fr alle Elemente von V gilt:
P(1i , 2 k ,..., pj ) P(1i ) P( 2 k )...P( pj )
i, k,..., j . (6.7)
Als Spezialflle der Definitionen 6.1 bis 6.4 kann man es ansehen, wenn es sich um ein und dasselbe
Experiment handelt, das in zweifacher oder mehrfacher Wiederholung zu einem Verbundexperiment
zusammengefasst wird. Zu dieser Gruppe gehrt auch das im Folgenden behandelte Verbundexperiment.
78
6.3
Bernoulli Experiment
Die nun behandelte Gruppe von Experimenten ist nach Bernoulli23 benannt und stellt brigens auch
die Grundlage der im Kap. 3 benutzten Ungleichungen (3.7), (3.8) dar. Sie geht von der n-maligen
Wiederholung desselben Experimentes aus, wobei dieses Experiment nur die Ergebnisse A und A
haben kann. Obwohl dies etwas akademisch anmutet, existieren viele wichtige technische Anwendungen
fr dieses Experiment. So kann das Paar A, A z.B. folgende Bedeutungen haben: wahr, falsch,
funktionierend, ausgefallen, innerhalb, auerhalb der Spezifikation, 0 empfangen, 1 empfangen.
Von den letzten drei Bedeutungen profitieren so wichtige Gebiete wie die Zuverlssigkeitstheorie, die
Qualittssicherung und die Digitaltechnik. Das Bernoulli-Experiment wird anhand eines Beispiels aus
der Qualittssicherung eingefhrt und anschlieend verallgemeinert.
Beispiel 6.2: (Prfung von Leiterplatten)
Einem greren Produktionslos von Leiterplatten wird dreimal nacheinander eine Leiterplatte
entnommen, geprft und zurckgelegt. Dabei interessieren die Ereignisse
A:
eine zufllig entnommene Leiterplatte ist defekt.
B3,2: bei drei Entnahmen werden zwei defekte Leiterplatten entdeckt, tritt A also zweimal auf.
Gesucht sei P( B3,2 ) bei bekanntem P(A) = p.
CAREER ENERGIZED BY
LANXESS macht Golfblle schneller, Reifen grner, Wasser sauberer,
Beton bunter, Medizin sicherer und noch vieles mehr. Als einer der fhrenden Spezialchemie-Konzerne entwickeln, produzieren und vertreiben
wir Hightech-Kunststoffe, Hochleistungskautschuke, Zwischenprodukte und
Spezialchemikalien. Mit rund 17.000 Mitarbeitern sind wir auf der ganzen
Welt prsent. Gehren Sie dazu!
Wir suchen neugierige
Ingenieure m/w
die ihre Karriere mit derselben Przision planen wie die anspruchsvollen
Aufgaben, die bei uns auf sie warten.
Besuchen Sie uns unter: www.karriere.lanxess.de
Aus Chemie wird Faszination
79
Dem Beispiel 3.2 liegt ein Experiment zugrunde, das als Verbundexperiment aufgefasst werden kann.
Es lsst sich beschreiben durch
V und , . (6.8)

Wir haben es hier mit einem speziellen Bernoulli-Experiment zu tun. Seine Besonderheit ist, dass
es sich um die dreimalige Wiederholung des selben Experimentes Entnahme, Prfung, Zurcklegen
handelt. Der Begriff des Bernoulli-Experimentes wird spter in Def. 6.5 verallgemeinert. Zuvor soll die
gesuchte Wahrscheinlichkeit berechnet werden.
Aus den Gln. (6.8) folgt die Merkmalsmenge
(6.9)
V = {( , , ), ( , , ), ( , , ), ( , , ), ( , , ), ( , , ), ( , , ), ( , , )}
und daraus das Ereignis B3,2
B3,2 =
, , , , , , , , .
Wegen KIII gilt nun fr die gesuchte Wahrscheinlichkeit
P( B3,2 ) = P , , P , , P , , . (6.10)
Setzt man nun voraus, dass die drei Experimente voneinander vollkommen stochastisch unabhngig
sind, gilt wegen Gln. (6.7) und der Aufgabenstellung
P , , P , , P , , P(A) P(A) P( A) p 2 (1 p) .
Aus Gl.(6.10) folgt damit das Ergebnis
P( B3,2 ) = 3 p (1-p) . (6.11)

In Verallgemeinerung dieses speziellen Beispiels gilt
Definition 6.5: (Bernoulli-Experiment vom Umfang n)
Das Bernoulli-Experiment ist ein Verbundexperiment, das aus der n-maligen Durchfhrung des
gleichen Einzelexperimentes mit den Ausgngen A , A besteht. Dabei sind alle n Einzelexperimente
vollstndig stochastisch unabhngig. Fr das Einzelexperiment in der i-ten Durchfhrung (i) gilt:
(i) (i) (i) ,
i = 1,...,n . (6.12)
P( ( i ) ) = P(A) = p ,
i = 1,...,n .(6.13)
80
Zum Abschluss dieses Abschnittes soll darauf hingewiesen werden, dass insbesondere die Bedingung
(6.13) stets berprft werden muss. Sie ist insbesondere bei Problemen der Qualittssicherung
nicht immer erfllt. Betrachtet man Stichprobenentnahmen ohne Zurcklegen, so ndert sich nach
jedem Entnahmevorgang das verbleibende Ensemble und damit im Laplaceschen Sinne auch die
Wahrscheinlichkeit fr (i ) , ( i ) . Gl. (6.13) ist dann nicht erfllt. Wir werden dieses Problem an
spterer Stelle wieder aufgreifen.
6.4
Binomial -Wahrscheinlichkeitsverteilung
Mit dieser Wahrscheinlichkeitsverteilung kann man Wahrscheinlichkeiten fr Ereignisse berechnen, wie

sie typischerweise in Bernoulli-Experimenten auftreten. Das in Beispiel 6.2 gesuchte P(B3,2) mit dem
Ergebnis nach Gl.(6.11) ist ein Spezialfall davon. Im Allgemeinen lst dieser Abschnitt das folgende
Problem:
Man berechne die Wahrscheinlichkeit P(Bn,k) = pn,k mit folgendem
Bn,k: Das Ereignis A mit P(A) p tritt in einem Bernoulli-Experiment vom Umfang n genau
k mal ein.
Die Lsung dieses Problems geht von einem speziellen fr das Eintreten von Bn,k gnstigen Elementarereignis
G des Bernoulli-Experimentes aus:
G

, , ... , , , , ... , . (6.14)

k mal
n k mal
Wegen der vollstndigen stochastischen Unabhngigkeit der Einzelexperimente lautet die

Wahrscheinlichkeit dafr
P( G ) p k 1 p
n k
.(6.15)
gnstige fr das Ereignis B n,k ..

Beliebige Permutationen der k Elemente A und der n-k Elemente fhren ebenfalls zu gnstigen
Das Elementarereignis nach (6.14) ist aber nicht das einzig
Elementarereignissen. Fr das Beispiel 6.2 mit n = 3 sind diese Permutationen in Gl. (6.9) alle zu finden.
Fr den allgemeinen Fall erhalten wir die Gesamtzahl aller Permutationen aus der Kombinatorik, siehe
z.B. /Bron12/, mittels
Satz 6.1 (Satz aus der Kombinatorik):
n Dinge, von denen jeweils n1 , n 2 ,..., n r gleich sind, wobei gilt n1 n 2 n r n , knnen
auf insgesamt
N
n!
(6.16)
n1 ! n 2 ! ... n r !
Arten angeordnet werden.
81
Daraus folgt in unserem Problem mit n1 k, n 2 n k eine Gesamtzahl von
N
n!

k ! (n - k) !
.
n
k
Die Ausdrcke n ber k heien Binomialkoeffizienten und haben den im Folgenden berechneten
Wahrscheinlichkeiten den Namen gegeben. Man erhlt aus Gl. (6.15) mit der eben berechneten
Gesamtzahl an gnstigen Ereignissen das Ergebnis
p n ,k =
p
n
k
1 p
n k
. (6.17)
Berechnet man alle derartigen Wahrscheinlichkeiten, lsst also k alle Werte von 0 bis n annehmen, und
stellt die Ergebnisse als Folge
k, p ,
n,k
k = 0,1,..., n (6.18)
dar, so nennt man dies die Binomialverteilung. Man kann diese Folge auch tabellarisch oder grafisch
darstellen, siehe das sptere Beispiel. Interessanterweise kann man die Ausdrcke nach Gl. (6.17) auch
durch Umformung aus der 1 erzeugen:
p 1 p
1 1 p 1 p
n
k 0
n
k
n k
p n,k . (6.19)
k 0
82
Da die Summe der Wahrscheinlichkeiten p n,k gem Gl. (6.19) Eins ergibt24, andererseits die
zugrundeliegenden Ereignisse B n,k disjunkt sind, gilt
Satz 6.2: (Sicheres Ereignis bei der Binomialverteilung)
Die Vereinigung der n+1 disjunkten Ereignisse Bn,0 , Bn,1 ,..., Bn,n stellt das sichere Ereignis dar.
Es gilt mit p n,k P( Bn,k )
n
p n,k 1 (6.20)
k 0
Mit den Ergebnissen dieses Abschnittes lsst sich die im Beispiel 6.2 bereits bestimmte Wahrscheinlichkeit
P( B3,2 ) anhand der Formel (6.17) berechnen. Man erhlt so auf krzerem Weg das selbe Ergebnis:
p 3,2
32 p 2 (1 p) 32 2!3!1! p 2 (1 p) 3 p 2 (1 p) .
Zum Abschluss dieses Abschnittes betrachten wir ein Beispiel aus der Nachrichtentechnik:
Beispiel 6.3 (Empfang eines 8-bit-Wortes:)
Gegeben:
Ein Empfnger empfngt ein 8-bit-Wort, das seriell bertragen wird, siehe Abb. 6.1. Es gilt fr
jedes einzelne der nacheinander und unabhngig voneinander bertragenen Bits das Ereignis
A: Ein Bit wird richtig empfangen mit
P(A) = p = 0,8 bei jeder einzelnen Bitbertragung
Gesucht:
p8,k mit k = 0,8, also die Wahrscheinlichkeit dafr, dass k von 8 Bit richtig empfangen
werden und
P5 , die Wahrscheinlichkeit dafr, dass mindestens 5 von 8 Bit richtig empfangen werden.
0 0 1 1 0 1 0 0
Abb. 6.1: Beispiel fr ein 8-Bit-Wort
Wegen der Angaben in der Aufgabenstellung liegt ein Bernoulli-Experiment vom Umfang 8 zugrunde.
Formel (6.17) liefert die gesuchten Wahrscheinlichkeiten zu
p 8,k =
8k
0,8 k 0,2 n k ,
k = 0,...,8 .
83
Man kann die numerischen Ergebnisse sowohl in Form einer Tabelle als auch in Graphenform darstellen,
siehe Abb. 6.2.
k
0
1
2
3
4
5
6
7
8
8,k
0,00000256
0,000082
0,0011
0,009
0,046
0,15
0,29
0,34
0,17
p8,k
0,3
0,2
0,1
Abb. 6.2: Binomialverteilung fr Beispiel 6.3 als Tabelle und als Graph
Man htte in diesem Beispiel wohl kaum erwartet, dass es bei einer Einzelwahrscheinlichkeit von p = 0,8
am wahrscheinlichsten ist, dass 7 von 8 Bits richtig bertragen werden. Von allen p8,k ist nmlich p8,7
am grten. Um die zweite Frage der Aufgabenstellung zu beantworten, muss man erkennen, dass der
Gre P5 insgesamt vier Ereignisse zugrundeliegen, nmlich B8,5, B8,6, B8,7, B8,8. Da sie disjunkt sind
siehe auch Satz 6.2 erhlt man aus der Tabelle das Ergebnis
P5 = p8,5 p8,6 p8,7 p8,8 = 0,95 .

Wie bereits im Abschnitt 6.3 bemerkt, darf man das Bernoulli-Experiment nicht zugrundelegen, wenn
P(A) nicht in allen Einzelexperimenten gleich ist. Dies gilt insbesondere beim Problemtyp Entnahmen
ohne Zurcklegen, wie sie in der Qualittssicherung blich sind. Niemand wird nmlich ein als defekt
erkanntes Teil wieder in die Produktionsmenge zurcklegen, sondern aussondern. In diesen Fllen darf
man also auch Gl. (6.16) nicht anwenden. Dennoch wird es in solchen Fllen getan, wo die produzierte
Menge ( = n) erheblich grer als die Stichprobenanzahl ( = k) ist. Auch hier fhrt die Entnahme ohne
Zurcklegen zu einem Fehler, der dann jedoch vernachlssigt werden kann.
84
6.5
Polynomial -Wahrscheinlichkeitsverteilung
Diese Verteilung ist mit der zuletzt betrachteten verwandt. Sie geht allerdings nicht vom BernoulliExperiment sondern von einem gegenber diesem erweiterten Verbundexperiment aus.
Definition 6.6: (Erweitertes Bernoulli-Experiment vom Umfang n)
Das erweiterte Bernoulli-Experiment ist ein Verbundexperiment, das aus der n-maligen Durchfhrung
des gleichen Einzelexperimentes mit den paarweise disjunkten Ausgngen 1 , A 2 ,..., A r besteht.
Dabei sind alle n Einzelexperimente vollstndig stochastisch unabhngig. Fr das Einzelexperiment
in der i-ten Durchfhrung (i) gilt:
(i)
(i)
(i) 1 A 2 A (ri) ,

(i)
P( A j ) P( A j ) p j ,
i 1,..., n . (6.21)
j 1,..., r und i 1,..., n (6.22)
Studenten
treffen
Unternehmen
10. bis 12. November 2015 tglich von 9:30 bis 16:30 Uhr
Messe Westfalenhallen
Dortmund, Halle 3B
Kostenloser Shuttlebus
zwischen TU-Dortmund und
Messe Westfalenhallen
85
Durch Vergleich mit der Def. 6.5 erkennt man, dass der einzige Unterschied zum Bernoulli-Experiment
darin besteht, dass jedes Einzelexperiment nun insgesamt r anstatt 2 disjunkte Ausgnge besitzt. Das
Bernoulli-Experiment ist damit als Sonderfall fr r= 2 in der Def. 6.6 enthalten. Die Polynomialverteilung
stellt eine Verallgemeinerung der Binomialverteilung dar. Dies gilt auch fr die Problemstellung, sie
lautet jetzt:
Man berechne P( Bn,k ,k ...k ) p n,k ,k ...k mit folgendem
1 2
r
1 2
r
B n,k1,k 2 ...k r : Das Ereignis Aj mit P(A j ) p j tritt in einem erweiterten Bernoulli-Experiment
vom Umfang n genau k j mal ein ( j 1,..., r ), wobei gilt k1 k 2 k r n .
Der Lsungsweg ist der gleiche wie im vorigen Abschnitt. Man stellt zunchst ein gnstiges
Elementarereignis G fr das Ereignis B n,k1,k 2 ...k r auf. Fr dessen Wahrscheinlichkeit folgt als Pendant
zu (6.15)
P( G )
p1 1 p 2 2 ... p kr r . (6.23)
Die Zahl der insgesamt gnstigen Elementarereignisse liefert wiederum Satz 6.1 mit Gl. (6.16), sodass
fr die Lsung des Problems folgt:
P( B n,k1 ,k 2 ...k r ) p n,k1 ,k 2 ...k r
n!
k k
p1 1 p 2 2 ... p kr r
k 1 ! k 2 !... k r !
. (6.24)
Man erkennt, dass daraus mit

r = 2,
k1 = k,
k2 = n-k
die Wahrscheinlichkeit p n,k nach Gl.(6.17) als Sonderfall hervorgeht.
Aufgabe 6.1
Wie lautet fr r = 2 der Sonderfall des nachfolgenden Satzes?
n,k1 k 2 ... k r p n,k1 k 2 ... k r p 1 k1 p 2 k 2 ... p r k r
n!
k 1 ! k 2 ! ... k r !
86
Aufgabe 6.2
A: Tennisspieler I gewinnt gegen II mit P(A) = pA jeden Satz.
B: Tennisspieler I gewinnt gegen II ein Match (bei 2 Gewinnstzen).

a) pB = P(B), gesucht: pB(pA)
b) Skizzieren Sie den Funktionsverlauf!

Aufgabe 6.3
Es wird ein System aus 5000 Komponenten betrachtet.
A: Eine Komponente ist fehlerfrei.
P(A) = 0,99
a) Wie gro ist P(D) mit D: Hchstens fnf Komponenten sind fehlerbehaftet.?
b) Aus den 5000 Komponenten wird eine Stichprobe mit 10 Elementen entnommen. Wie
gro ist P(E) mit E: mindestens eine Komponente der Stichprobe ist fehlerhaft?
6.7 Zusatzaufgaben
Zusatzaufgabe 6.1
Ein Hersteller von PCs erhlt eine grere Lieferung mit elektronischen Bauelementen. Es ist
bekannt, dass diese Lieferungen im Durchschnitt 1 Prozent defekte Teile enthalten.
a) Der Kunde entnimmt der Warenlieferung eine Stichprobe von 20 Bauelementen. Wie gro
ist die Wahrscheinlichkeit P4a), dass die Stichprobe mindestens ein defektes Teil enthlt?
b) Wie gro muss der Umfang nmin der Stichprobe mindestens sein, damit sie mit einer
Wahrscheinlichkeit grer als 0,5 mindestens ein defektes Teil enthlt?
c) Eine Stichprobe mit 20 Bauelementen enthalte 3 defekte Bauelemente. Dieser Stichprobe
werden zufllig 5 Bauelemente entnommen. Wie gro ist die Wahrscheinlichkeit P4c), dass
unter diesen 5 Bauelementen alle 3 defekten sind?
Bei der Produktion von PCs werden jeweils 10 dieser Bauelemente in ein Gert eingebaut.
Der PC funktioniert nur dann, wenn alle 10 Bauelemente fehlerfrei waren.
d) Berechnen Sie die Wahrscheinlichkeit P4d), dass ein produzierter PC funktionsfhig ist.
e) Wie gro ist die Wahrscheinlichkeit P4e), dass ein nicht funktionsfhiger PC mehr als eines
der defekten Bauelemente enthlt?
f) Mit welcher Wahrscheinlichkeit P4f) sind von 30 hergestellten PCs weniger als 2 nicht
funktionsfhig?
87
Lsungen zu den Selbstkontrollaufgaben bis Kap
L sungen zu den
Selbstkontrollaufgaben bis Kap 6
Kapitel 2: Bentigte Grundlagen der Mengenlehre
Lsung zu Aufgabe 2.1
( )
( )
b) (A B) (A B) (A B)
= (A B) (A B) (A B)
= A (A B)
= (A A ) (A B)
a) (A B) A B = A B B = (A M ) = A
= M (A B)
= AB
( (
)) (
c) A A B B ( B C ) B
((
= A A (A B) ((B B) (B C )) B
= (
A
B) B (
B
C) B
=B
) ( ) ( ) ( )
= (A B) (A B) = (B \ A ) (A \ B)
d) A B A B = A B A B

Die Indices in Abb. L.1 kennzeichnen Ereignisse und haben folgende Bedeutung:
P: Programmierer beherrscht Pascal
C: Programmierer beherrscht C++
J: Programmierer beherrscht Java
Damit bedeuten in Abb. L.1
XP
= Anzahl der Programmierer, die Pascal beherrschen; entsprechend XC, XJ
XPC
= Anzahl der Programmierer, die Pascal und C++ beherrschen, entsprechend XPJ, XCJ
XPCJ = Anzahl der Programmierer, die Pascal, C++ und Java beherrschen
88
Abb. L1: Venndiagramm zur Darstellung der Programmierer

Abb. L1: Venndiagramm zur Darstellung der Programmierer
a) ges.: XP
XP + XPC + XPJ + XPCJ = 16
XPC + XPCJ = 4 XPC = 3
XPJ + XPCJ = 3 XPJ = 2
XP = 16 XPC XPJ XPCJ = 16 3 2 1=10
Mit Stammbaum.
Und starken familiren Wurzeln.
Wir sind eines der 20 fhrenden Pharmaunternehmen weltweit.
Unabhngig. Forschend und produzierend. Seit 1885 familien
gefhrt. Deshalb sehen wir in jedem einzelnen unserer mehr als
47.700 Mitarbeitenden ein Familienmitglied, fr dessen Wohl
ergehen und Entwicklung wir uns verantwortlich fhlen. Und
das wir aktiv frdern, wo und wann immer wir es knnen. Das
wird auch in Zukunft so bleiben. Denn: Nur wenn wir unsere
Mitarbeiterinnen und Mitarbeiter und ihre Ideenstrke konstant
weiterentwickeln, knnen wir mit Innovationen als Unternehmen
weiterwachsen.
Wir sind Boehringer Ingelheim.
Mit Stammbaum.
Und starken familiren Wurzeln.
Wir sind eines der 20 fhrenden Pharmaunternehmen weltweit.
Unabhngig. Forschend und produzierend. Seit 1885 familien
gefhrt. Deshalb sehen wir in jedem einzelnen unserer mehr als
47.700 Mitarbeitenden ein Familienmitglied, fr dessen Wohl
ergehen und Entwicklung wir uns verantwortlich fhlen. Und
das wir aktiv frdern, wo und wann immer wir es knnen. Das
wird auch in Zukunft so bleiben. Denn: Nur wenn wir unsere
Mitarbeiterinnen und Mitarbeiter und ihre Ideenstrke konstant
weiterentwickeln, knnen wir mit Innovationen als Unternehmen
weiterwachsen.
Wir sind Boehringer Ingelheim.
Wachsen Sie mit uns:

www.boehringer-ingelheim.de/karriere
Wachsen Sie mit uns:

www.boehringer-ingelheim.de/karriere
BOEH-14-072_RZ_Image-Studenten-148x210_01.indd 1
BOEH-14-072_RZ_Image-Studenten-148x210_01.indd 1
04.05.15 11:00
89
b) ges.: XC XJ
XC + XPC + XCJ + XPCJ = 13

XJ + XPJ + XCJ + XPCJ = 10
Subtr. XC - XJ + XPC - XPJ = 3
XC XJ = 3 + XPJ XPC
XC XJ = 3 + 2 3 = 2
a) A (B \ C ) =(A B) \ (A C )
linke Seite: A (B \ C ) = A B C
(A B) \ (A C) = (A B) (A C)
= (A B) (A C )
= ((A B) A ) ((A B) C )
rechte Seite:
((
) ) (
= A A B A B C
= A BC
Gleichung gilt allgemein

?
b) A (B \ C ) =(A B) \ (A C )
(A B) \ (A C) = (A B) (A C)
= (A B) (A C )
rechte Seite:
) (
A
=
A
C B A C
= B A C
A (A (B \ C ))
rechte Seite: A B A C
linke Seite:
Widerspruch, wenn A Gleichung gilt nicht allgemein

?
c) A \ (B C ) =(A \ B) (A \ C )
linke Seite:
A \ (B C ) = A (B C )
= A B C
rechte Seite:
(A \ B) (A \ C) = A B A C
= A B C
Gleichung gilt allgemein
90
Kapitel 3: Der Wahrscheinlichkeitsbegriff

Die Ereignismenge W lautet fr
Experiment 3.2:
W={Wappen, Zahl}
Experiment 3.3:
W={x | xIN}
Experiment 3.4:
W={x | xIR+}

a) A B = {1,2,3,4,5,6} =
AB=
C D = {1,2,3,4,5,6} =
CD =
b) (A C ) (B D ) = {1,3,4,6}
E = {3,6}
E (A C ) (B D )
Das Ereignis E zieht das Ereignis (A C ) (B D ) nach sich.
S = {, {1}{
, 2 }{
, 3 }{
, 1 , 2 }{
, 1 , 3 }{
, 2 , 3 }{
, 1 , 2 , 3 }}
geg: P(A ) = 0.9
ges: N = Anzahl der Versuche, so dass
!
P( rN (A ) P(A ) 0,01) > 0,99(1)
Bernoulli-Theorem:
P r N (A ) P(A ) > <
0,9(1 0,9 )

N 0,012
(2)
Bernoulli-Theorem ist nicht direkt anwendbar

Umformung der Aufgabenstellung (1):
91
Ergebnisse in (1) und (2) sind komplementr:
P( rN (A ) P(A ) 0,01) = 1 P( rN (A ) P(A ) > 0,01)
eingesetzt in (1):
!
1 P r N (A ) P(A ) > 0.01 > 0,99
(
)
P( r N (A ) P(A ) > 0.01) < 1 0,99 = 0,01
(3)
Aus (2) und (3) folgt die Bestimmungsgleichung fr N:
0,01 =
0,09
N 0,012
N = 90000
Es sind mindestens 90000 Versuche erforderlich, wenn bekannt ist, dass P(A) im Bereich
von 0,9 liegt.
92

ber P(A) ist vorab nichts bekannt.
erweiterte Form des Bernoulli-Theorems:
P r N (A ) P(A ) > 0.01 <
4 N 0,012
(4)
Die Bestimmungsgleichung fr N folgt nun aus (3) und (4):
0,01 =
4 N 0,012
N = 250000
Die Mindestversuchsanzahl liegt bei 250000, wenn ber P(A) vorab nichts bekannt ist.
Ergebnis A: Eine Person hat an einem zufllig bestimmten Tag des Jahres Geburtstag
Ergebnis B: Zwei beliebige Personen haben am selben, aber ansonsten beliebigen Tag Geburtstag
ges:
P(A), P(B)
Anzahl der gnstigen Flle

Anzahl der mglichen Flle
1
P( A ) =
365
365
P( B) =
365 365
1
P( B) =
365
P( A ) =
Beide Wahrscheinlichkeiten sind gleich gro.

C n : (mindestens) 2 von n Gsten haben am selben, aber ansonsten beliebigen

Tag Geburtstag
ges: das kleinstmgliche n, fr das P(C n ) > 0,5 gilt
Die direkte Lsung ber Laplace ist schwierig, da die Anzahl der gnstigen Flle
schwierig zu bestimmen ist.

( )
Lsung ber P(C n ) = 1 P Cn
93
Cn :
P(Cn ) =
alle n Gste haben an unterschiedlichen Tagen Geburtstag
365 364 (365 n + 1)
365n
365 364
365 n + 1
P(C n ) = 1
365 365
365
siehe die Lsung fr unterschiedliche n in Tabelle L.1
P(C n )
n
2
1
0,0027 =
365
50
0,97
25
0,57
24
0,54
23
0,51
22
0,48
siehe Aufgabe 3.5
Tab. L.1: Taschenrechnerauswertung der Formel P ( C n )

Es handelt sich hier um ein Laplace-Experiment, d.h. die Elementarereignisse mssen gleichwahrscheinlich sein.
= {ZZZ, ZZW, ZWZ, ZWW, WZZ, WZW, WWZ, WWW}
P( A ) =
1

8
da A={ZZZ}
P( B) =
3

8
da B={ZWW, WZW, WWZ}
Kapitel 4: Rechnen mit Wahrscheinlichkeiten

P(A B C ) = P((A B) C )
= P(A B) + P(C ) P((A B) C )

= P(A ) + P(B) P(A B) + P(C ) P((A C ) (B C ))
P(A B C ) = P(A ) + P(B) + P(C ) P(A B) P(A C ) P(B C ) + P(A C B C )
= P(A ) + P(B) + P(C ) P(A B) P(A C ) P(B C ) + P(A B C )
Die gleiche Ergebnis kann man auch aus dem Venn-Diagramm erhalten.
94

2
P( B) = P( B / A i ) P( A i ) = P( B / A1 ) P( A1 ) + P( B / A 2 ) P( A 2 )
i =1
mit A1 A 2 = und P( A1 ) > 0, P( A 2 ) > 0

Gesucht ist die Wahrscheinlichkeit, dass eine Stichprobe von zwei zufllig entnommenen Leiterplatten
keine schadhaften Teile enthlt.
Die gesuchte Wahrscheinlichkeit P errechnet sich aus:

P=
Anzahl der gnstigen Flle

.
Anzahl der mglichen Flle
Anzahl der mglichen Flle:

Hierzu bedient man sich der Vorstellung, dass die Leiterplatten zufllig in einer Reihe angeordnet werden,
wobei die Platten an den ersten beiden Positionen diejenigen seien, die entnommen werden.
Beispiel:
SSSSSSSSSS
Leiterplatte ist schadhaft
S:
Masters programme
Economics and Business Administration

Business Intelligence
School of Business and Social
Sciences is part of Aarhus University
in Denmark. It is ranked among the
top100 universities in the world due
to its high standards in both
education and research.
We offer English-taught prgrammes

at all educational levels: Bachelors,
Masters, continuing education
(MBA) and PhD programmes.
95
Read more
bss.au.dk/studyprogrammes
10
= 45 Mglichkeiten zwei schadhafte Teile auf zehn mgliche Pltze anzuordnen.
2
Insgesamt gibt es
Anzahl der gnstigen Flle:
76
Lsungen zu den Selbstkontrollaufgaben
Gesucht wird die Wahrscheinlichkeit, dass die beiden entnommen Leiterplatten nicht defekt sind, somit
sind die beiden ersten Pltze durch nicht schadhafte Platten belegt. Auf die restlichen 8 Pltze lassen
Somit ergibt sich die gesuchte
Wahrscheinlichkeit zu
8
sich die verbleibenden 6 Platten auf = 28 mgliche Weisen anordnen.
6
28
.
Somit ergibt sich die gesuchte
Wahrscheinlichkeit zu
45
P
28
.
Lsung
45 zu Aufgabe 4.4
P=
zu zeigen: PA1 A 2 A 3 PA1 PA 2 A1 PA 3 A1 A 2

PP(A
zu zeigen:
A1
A3 )=PPB(AA1) P(A 2 A1 ) P(A 3 A1 A 2 )
A
B2PA
es gilt:
P(A B) = P(A ) P(B A )
es gilt:
PA
A 2 A A
) =3 P((A
P(AP1A
1A2 A2A3 A
1 1A 2 )
3) 3
PA A 2 PA 3 A1 A 2
= P(A1 A12 ) P(A
3 A1 A 2 )
PA1 PA 2 A1 PA 3 A1 A 2
= P(A1 ) P(A 2 A1 ) P(A 3 A1 A 2 )
Lsung zuLsung
Aufgabe zu
4.5 Aufgabe 4.5
a) Gesucht ist der Wahrscheinlichkeitsbelag f ()
a) Gesucht ist der Wahrscheinlichkeitsbelag f
K
M
homogenes
Seil
Kraft
Masse
K M g
f c f K ;
c f : Proportionalittskonstante
geg:geg:
g) M
f () =fcfg cMf (
nimmt
homogenes
ab:()M
(M
) nimmt
homogenes
Seil Seil
M
linearlinear
mit mit
ab: M
(LcML)
= cM
(f)=c=fc
f
gf cgm c(LmL)
=
: c =:c
f = cL
es muss gelten:
L
1 96
0
Download
free eBooks at bookboon.com
2 L2
L2 !
f d cL d c L
f () = c(L )
!
(
)
f
=
1
= L
es muss gelten:
L
= 0
2 L2
L2 !
(
)
(
)
f
=
c
L
=
c
L
= c =1
2
2
0
0
2
c= 2
L
Der gesuchte Wahrscheinlichkeitsbelag ist somit
f () =
L2
(L ) .
L
eines Risses auf halber Lnge.
2
b) Gesucht ist die Wahrscheinlichkeit P
L
= ist ein Elementarereignis einer berabzhlbar unendlichen
2
Merkmalsmenge
L
P = 0
2
c) Gesucht ist das Verhltnis
P1
P10
=10 m
2
2 100 2 L2
L2
P1 = f ()d = 2 L
= 2
100 20000
2
L
L
= 0
0

1
1

50 10000
0,0199 1,99%
L
P10
f ZdZ
99
L
100
99 99
1
50 100
P1
P10
2
Z2
L
Z

2 99 L
L2
100
2
2 2 L2 99 2 1 99 2
L
L

L
2 100
2 100
L2
0,0001
0,0199
199
0,0001
Die Wahrscheinlichkeit fr einen Seilriss auf den oberen 10 m ist 199 mal grer als auf den
unteren 10m.
97

ges:
P4 = P (mindestens einer von 4 entnommenen PCs ist defekt)
Ereignis
A i : Der i-te entnommene PC ist nicht defekt.
Ereignis
A1 A 2 A 3 A 4 : Keiner der entnommenen 4 PCs ist defekt.
Ereignis
A1 A 2 A 3 A 4 : mindestens einer der entnommenen 4 PCs ist
P4
P A1 A 2 A 3 A 4
defekt.
1 PA1 A 2 A 3 A
1 PA1 PA 2 A1 PA 3 A1 A 2 PA 4 A1 A 2 A 3
PA1
90
100
Anzahl der nicht defekten PCs bei der 1. Entnahme

Anzahl aller PCs bei der 1. Entnahme
90 1 89
P(A 2 A1 ) =
=
100 1 99
88
P(A 3 A1 A 2 ) =
98
87
P(A 4 A1 A 2 A 3 ) =
97
0,9
Machen Sie die Zukunft sichtbar

Kleine Chips, groe Wirkung: Heute schon sorgt in rund der Hlfte aller Psse und Ausweise weltweit ein
Infineon Sicherheitscontroller fr den Schutz ihrer Daten. Gleichzeitig sind unsere Halbleiterlsungen der
Schlssel zur Sicherheit von bermorgen. So machen wir die Zukunft sichtbar.
Was wir dafr brauchen? Ihre Leidenschaft, Kompetenz und frische Ideen. Kommen Sie zu uns ins Team!
Freuen Sie sich auf Raum fr Kreativitt und Praxiserfahrung mit neuester Technologie. Egal ob Praktikum,
Studienjob oder Abschlussarbeit: Bei uns nehmen Sie Ihre Zukunft in die Hand.
Fr Studierende und
Absolventen (w/m):
Ingenieurwissenschaften
Naturwissenschaften
Informatik
Wirtschaftswissenschaften
www.infineon.com/karriere
98
P4 = 1
90 89 88 87

100 99 98 97
P4 = 0,3484 = 34,84%
Die Wahrscheinlichkeit, dass mindestens ein PC defekt ist, betrgt 34,84%.
Kapitel 5: Stochastische Unabhngigkeit

a) Die Ereignisse A und Ba sind disjunkt, wenn sich die Intervalle [0, p] und [a,a+p] nicht
berschneiden. Dies ist fr a=p nherungsweise erfllt, wenn man das Elementarereignis
w = p vernachlssigt.
b) Die Ereignisse A und Ba sind stochastisch unabhngig, wenn gilt
P(A B ) = P(A ) P(B )
1
2
2
( + ) 1
P(B ) =
=
2
2
P(A B ) =
2
! 1 1
1
P(A B ) = =
2 2 4
1
P(A B ) =
=
2
4
=
2
P(A ) =
S = K 2 (K1 K 3 ) = f ( K1, K2, K3 ).

Fr die Systemverfgbarkeit folgt daraus
PS PK 2 (K1 K 3 )

= P(K1 K 2 K 3 ) = P(K1 ) P(K 2 ) P(K 3 )

0.8 0.6 0.9
0.432
99
: ^1, 2, 3, 4, 5, 6`
A = {1,2,3} B = {2,4,6} A B = {2}
P(A ) =
3 1
1
3 1
= P(B) = = P(A B) =
6 2
6 2
6
P(A B) P(A ) P(B) stochastisch abhngig

A B nicht disjunkt
geg:

P(W1) = 0,6
PW 2 0,15
P(W3) = 0,1
PZ 0,15
P(A / W1) = 0,7

P(A / W 2 ) = 0,9
P(A / W3) = 0,6
P(A / Z ) = 0,3
a) ges: P(A )
Die Lsung der Aufgabe erfolgt mit dem Satz von der vollstndigen Wahrscheinlichkeit. Da die
Lampen von unterschiedlichen Werken stammen liegt eine vollstndige Ereignisdisjunktion:
= W1 W 2 W3 Z vor.
www.osram.de/karriere
Jasmin
Entwicklungsingenieurin Specialty Lighting Automotive
Licht ist meine Inspiration

Denn hier trifft Forschergeist auf Rckenwind.
So entwickeln wir Ideen.
Licht ist OSRAM
100
P(A ) = P(A / W1)P(W1) + P(A / W 2 )P(W 2 ) + P(A / W3)P(W3) + P(A / W 2 )P(Z )
= 0,7 0,6 + 0,9 0,15 + 0,6 0,1 + 0,3 0,15
= 0,66 = 66%
b) ges:
P(B) = P Z / A
Die Lsung der Aufgabe erfolgt mit dem Satz von Bayes
P(B) =
)
( )
P A / Z P(Z )
PA
1 PA 0,34
) P(AP(Z)Z) (*)
PA
P A/Z =
) (
Z = Z = Z A A = Z A (Z A )
P(Z ) = P(A Z ) + P A Z
P A Z = P(Z ) P(A Z )
P A/Z =
in (*) einsetzen
P(Z ) P(A Z )
P(A Z )
= 1
= 1 P(A / Z )
P(Z )
P(Z )
P A / Z = 1 P(A / Z ) = 0,7
P(B) =
0,7 0,15
= 0,309 = 30,9%
0,34
P(K1 ) = 0,8
P(K 2 ) = 0,6
ges:
P(K 3 ) = 0,9
P(K 4 ) = 0,7
P(S)
Kombinationsmethode

Ereignismatrix mit 2 p Zeilen mal p Spalten bei p Komponenten hier: 4 Komponenten
K1 , K 2 , K 3 , K 4
Ereignismatrix mit 16 Zeilen und 4 Spalten, siehe Tabelle L.2
101
Ereignismatrix
Wahrscheinlichkeits-matrix
Produkt
K 1 K 2 K3 K 4
0,8 0,6 0,9 0,7
0,3024
K1 K 2 K 3 K 4 S
0,2 0,6 0,9 0,7
0,0756
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
0,2 0,4 0,9 0,7
0,0504
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
0,2 0,4 0,1 0,7
0,0056
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
0,2 0,4 0,9 0,3
0,0216
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
K1 K 2 K 3 K 4 S
0,8 0,4 0,1 0,3
0,0096
K1 K 2 K 3 K 4 S
0,2 0,4 0,1 0,3
0,0024
1,0000
Tab. L.2: Matrix mit Ereignissen und deren Wahrscheinlchkeiten
( )
P S = 0,0504 + 0,0056 + 0,0216 + 0,0096 + 0,0024 = 0,0896
PS 1 P S
0,9104
91,04%
102
Direkte Methode
S = (K1 K 4 ) (K1 K 3 ) (K 2 K 3 K 4 ) K 2
K1 (K 3 K 4 )
K2
P(S) = P(K 2 ) + P(K1 (K 3 K 4 )) P(K1 K 2 (K 3 K 4 ))

= P(K 2 ) + P(K1 ) P(K 3 K 4 ) P(K1 ) P(K 2 ) P(K 3 K 4 )

= P(K 2 ) + P(K1 ) P(K 3 K 4 ) (1 P(K 2 ))
= P(K 2 ) + P(K1 )[P(K 3 ) + P(K 4 ) P(K 3 )P(K 4 )](1 P(K 2 ))
= 0,6 + 0,8 [0,9 + 0,7 0,9 . 0,7] 0,4
= 0,9104 = 91,04%
ICH BEI ZF. SOFTWAREENTWICKLER UND RENNFAHRER.

www.ich-bei-zf.com
LIBOR JELNEK
Soft wareentwickle
r
ZF Friedrichshafen
Scan den Code und

erfahre mehr ber mich
und die Arbeit bei ZF:
103
AG
Kapitel 6: Wahrscheinlichkeit von Verbundexperimenten

Gesucht ist der Sonderfall der Polynominalverteilung fr r = 2.
Die Polynominalverteilung gibt allgemein die Wahrscheinlichkeit an, dass bei n Versuchen k1
-mal das Ereignis A1 , k 2 -mal das Ereignis A 2 usw. bis k r auftritt, d. h. bei einem einzelnen
Versuch knnen insgesamt r verschiedene Ereignisse auftreten.
Mit r = 2 folgt :
= A1 A 2 mit A1 A 2 =
= A A
(Bernoulliexperiment)
Die Formel lautet fr r = 2:
pn k
1k 2
= p1k1 p 2k 2
n!

k1!k 2 !
mit k1 + k 2 = n
p1 + p 2 = 1
oder mit k 2 = n k x , k1 = k, p1 = p, p2 = 1 p
= p k (1 p )
k
nk
Binomialverteilung

a) Es handelt sich hier um ein Bernoulli-Experiment, da der Tennisspieler I jeden beliebigen
Satz mit der Wahrscheinlichkeit PA gewinnt und jedes Match aus mehreren unabhngigen
Stzen besteht. Fr das Einzelexperiment, d. h. fr einen einzelnen Satz gilt somit:
{ }
= A, A mit Ereignis A: Tennisspieler I gewinnt den Satz

Das Verbundexperiment sieht bei 2 Gewinnstzen so aus:
Spieler I gewinnt das Match bei
(A, A ) (Spieler I gewinnt 1. + 2. Satz)
(A,A,A )
(A,A,A )
Mehr Mglichkeiten gibt es nicht, wenn Spieler I das Match gewinnt. Da diese Ereignisse
disjunkt sind, gilt fr die Wahrscheinlichkeit, dass Spieler I das Match gewinnt
(
) (
))
= P(A, A ) + P(A, A, A ) + P(A, A, A )
= PA2 + PA2 (1 PA ) + PA2 (1 PA )
PB = P (A, A ) A, A, A A, A, A
PB = PA2 (3 2 PA )
104
Dieses Ergebnis haben wir direkt erhalten, ohne die Formel fr die Binomialverteilung zu
benutzen. Will man die Formel benutzen, muss zunchst das Bernoulli-Experiment komplettiert
werden. Es treten nmlich bisher im Fall (A, A ) nur zwei Einzelexperimente auf, whrend
in den Fllen A, A, A und A, A, A drei Einzelexperimente auftreten. Der Grund liegt

darin, dass beim Tennis kein 3. Satz gespielt wird, wenn Spieler I die ersten beiden Stze
gewonnen hat, da dann das Ergebnis des 3. Satzes belanglos ist. Daher sieht das komplettierte
Bernoulliexperiment wie folgt aus:
:v
:x:x:
gnstige Ereignisse fr B:
(A, A, A ) , (A, A, A ) , (A, A, A ) , (A, A, A )

PB
P3,3 P3,2
n
I gewinnt
3 von 3
Stzen
I gewinnt
2 von 3
Stzen
3
3
PB = PA3 (1 PA )0 + PA2 (1 PA )
3
2
= 1 PA3 1 + 3PA2 (1 PA )
= PA2 (PA + 3(1 PA ))
PB = PA2 (3 2 PA )
b) Gesucht ist die Skizze von PB in Abhngigkeit von PA
Wertetabelle nach Auswertung der letzten Formel mit dem Taschenrechner:
PA
PB
0,1
0,028
0,2
0,104
0,3
0,216
0,4
0,352
0,5
0,5
0,6
0,648
0,7
0,784
0,8
0,896
0,9
0,972
1,0
Tab. L.3: Auswertung der Formel fr PB (PA)
105
Man erkennt, dass die Siegwahrscheinlichkeit des besseren Spielers (PA > 0,5) bei 2 Gewinnstzen erhht,
die des schlechteren Spielers (PA < 0,5) erniedrigt wird. Bei gleich guten Spielern (PA = 0,5) ndern zwei
Stze nichts an der Siegwahrscheinlichkeit. Dies gibt auch die Grafik der Funktion PB(PA) nach Abb. 2
wieder
Abb. L.2: Verlauf der Funktion PB (PA)
Could you fit this on an airplane?

A career at Lufthansa Technik offers some
unusual challenges. Like customising a jet to
accommodate a luxury bathroom. As well as
being the worlds leading aircraft maintenance
and repair company Lufthansa Technik work
at the cutting-edge of the aviation industry.
If you have a diploma in engineering why not
join us? Well give you a flexible work schedule, the benefits of a global company and all
the responsibility you can handle.
Be-Lufthansa.com/Technik
106

a) Dieser Aufgabe liegt wieder ein Bernoulli-Experiment zugrunde.
v = xx...x
(5000 mal)
= AA
P
PA
0,01
Die Wahrscheinlichkeit, dass hchstens 5 Komponenten fehlerbehaftet sind, berechnet sich

dann zu
5
5000
0,01k 0,995000 k
0 k
P5000, k
k 0
Die einzelnen Summanden knnen mit dem Taschenrechner bestimmt werden, z.B.

P5000,3
5000
0,013 0,99 4997
5000!
0,013 0,99 4997
3!4997!
5000 4999 4998
0,013 0,99 4997
6
3,2178 10 18
Berechnet man alle Summanden auf diese Art und Weise, so erhlt man
4,54 10 16
d. h. es ist vllig unwahrscheinlich, dass hchstens 5 der 5000 Komponenten fehlerbehaftet

sind, man muss also davon ausgehen, dass mehr als 5 Komponenten fehlerbehaftet sind.
b) P(E)= 1 P10,0
107
/AvJen13/
Aven T., Jensen H.: Stochastic Models in Reliability, Springer Verlag, New York,
2. Auflage, 2013.
/BLP09/
Box, G., Luceo, A.M.d. C. Paniagua-Quinones: Statistical Control by Monitoring and
Adjustment. John Wiley, 2. Auflage, 2009.
/Bosch11/
Bosch, K: Elementare Einfhrung in die Wahrscheinlichkeitsrechnung. Verlag
Vieweg+Teubner, 11. Auflage 2011.
/Bosch10/
Bosch, K: Elementare Einfhrung in die angewandte Statistik. Verlag Vieweg+Teubner,
9. Auflage 2010.
/Bron12/
Bronstein u.a.: Springer-Taschenbuch der Mathematik. Herausgegeben von E. Zeidler,
3. Auflage 2012.
/Deis10/
Deiser, O.: Einfhrung in die Mengenlehre. Springer Verlag Berlin, 3. Auflage 2010
/Internet_1/
http://windpower.org/en/knowledge/windpower_wiki.html
DeutschStreifzugEnergieproduktionWeibullverteilung,
zuletzt aufgerufen am 11. 02. 2015.
/Oak08/
Oakland, J.S.: Statistical Process Control. Butterworth,
Heinemann and Elsevier, 6. Auflage, 2008.
/PaPi02/
Papoulis, A, Pillai, U: Probability, Random Variables and Stochastic Processes.
International Edition, 4. Auflage 2002.
/Zink04/
Zink K.J.: TQM als integratives Managementkonzept. 2. Auflage, Hanser Verlag, 2004
108
Endnoten
Endnoten
1.
Lat. deducere = herab-, fortfhren, herleiten
2.
Lat. inducere = hineinfhren, einfhren
3. Lat. multiplex = vielfach. Mit einem Multiplexer kann man einen bertragungskanal mehrfach
ausnutzen.
4.
IEC
61508
Funktionale
Sicherheit
sicherheitsbezogener
elektrischer/
elektronischer/
programmierbarer elektronischer Systeme Ausgabe 2010

5.
determinieren = begrenzen, bestimmen, festlegen
6. Der Kurve in Abb 3.2 liegen folgende genauen Zahlenwerte zugrunde, aus denen sich die
einzelnen Wrfe bei Bedarf rekonstruieren lassen:

1.
1.
1.
0,75. 0,8. 0,66. 0,57. 0,5. 0,56. 0,6.
0,63. 0,66. 0,61. 0,64. 0,67. 0,69. 0,71. 0,72. 0,68. 0,65.
0,62. 0,59. 0,57.
7. G.L.L.Buffon (17071788), franzsischer Naturforscher, der sich auch mit der Bestimmung von
Wahrscheinlichkeiten befasste
8.
Karl Pearson (18571936), britischer Mathematiker
9.
Richard von Mises (18831953), sterreichischer Mathematiker
10.
griech. stochastiks=mutmaend. Hier: im Sinne zufallsabhngiger Ereignisse
11.
Andrey Nikolaevich Kolmogorov (19031987), russischer Mathematiker
12.
Pierre-Simon Laplace (17491827), franzsischer Mathematiker
13.
Jakob Bernoulli (16541705), Schweizer Mathematiker
14.
Thomas Bayes (17021761), englischer Mathematiker
15. Ein Feldbussystem dient z.B. zur digitalen bertragung der Stellgre vom Regler zur Regelstrecke
oder der Regelgre vom Sensor zum Regler, siehe auch Abb. 1.2.
16. Das 4-20mA-Signal dient z.B. zur Verschlsselung physikalischer Messgren bei analoger
bertragung.
17.
Thomas Bayes (17021761), englischer Mathematiker
18.
griech. Stochastiks = mutmaend. Hier: im wahrscheinlichkeitstheoretischen Sinn
19.
lat. prior = der erste, der frhere
20.
lat. posterior = der sptere
21. lat. redundantia = berflle. Hier Vorhandensein von mehr Komponenten, als zur Erfllung
der Aufgabe unbedingt notwendig
22. von lat. series = Reihe, Kette. Hier: bertragung von ein Bit nach dem anderen ber den selben
Kanal
23.
Jakob Bernoulli (16541705), Schweizer Mathematiker
24. Von der Wahrscheinlichkeit Eins darf hier auf das sichere Ereignis geschlossen werden, da die
Merkmalsmenge endlich viele Elemente hat.
109
To see Part II download

Zufallsvariablen fr Ingenieure Grundlagen, bungen, Anwendungen
110

Wahrscheinlichkeitstheorie Fur Ingenieure

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Wahrscheinlichkeitstheorie Fur Ingenieure

Hochgeladen von

Copyright:

Verfügbare Formate

Lothar Litz

Wahrscheinlichkeitstheorie fr Ingenieure Grundlagen, bungen, Anwendungen

ber das Buch:

ber den Autor:

1 Typische Anwendungen der Wahrscheinlichkeitstheorie

Technische Systeme und ihre Modellierung

Modell eines Nachrichtenbertragungssystems

Modell einer Regelstrecke

Modell eines Energieversorgungssystems

Modell einer automatischen Sicherheitseinrichtung

2 Ntige Grundlagen der Mengenlehre

Notation von Mengen, Teilmengen und Elementen

Komplement, Vereinigungs-, Schnitt-, Differenzmenge

Verwirklichen, worauf es ankommt

Click on the ad to read more

Das Zufallsexperiment (ZE)

Axiomatischer Wahrscheinlichkeitsbegriff nach Kolmogorov

Klassischer Wahrscheinlichkeitsbegriff nach Laplace

Zusammenhang zwischen den Begriffen

4 Rechnen mit Wahrscheinlichkeiten

Wahrscheinlichkeiten verknpfter Ereignisse

What will be your impact?

Click on the ad to read more

Definition und Bedeutung

Stochastische Unabhngigkeit zweier Ereignisse

Stochastische Unabhngigkeit von drei und mehr Ereignissen

Stochastisch unabhngige, disjunkte und sich nachziehende Ereignisse

6 Wahrscheinlichkeit bei Verbundexperimenten

Lieber Herr Pawlow,

Aus dem Hrsaal in

Click on the ad to read more

Lsungen zu den Selbstkontrollaufgaben bis Kap 6

Kapitel 2: Bentigte Grundlagen der Mengenlehre

Kapitel 3: Der Wahrscheinlichkeitsbegriff

Kapitel 4: Rechnen mit Wahrscheinlichkeiten

Kapitel 5: Stochastische Unabhngigkeit

Kapitel 6: Wahrscheinlichkeit von Verbundexperimenten

Zufallsvariable, Verteilungs- und Dichtefunktion

Einfhrung der Zufallsvariablen (ZV)

Bewirb Dich bis zum

Entwickle Strategien fr die

Analysiere gemeinsam mit Strategy&-Beratern die Chancen und

Click on the ad to read more

Verteilungs- und Dichtefunktion transformierter ZV

Transformation der Zufallsvariable

Transformation der Verteilungsfunktion

Transformation der Dichtefunktion

Momente und Zentralmomente

Definition und Bedeutung des Erwartungswertes

Eigenschaften und Berechnung des Erwartungswertes

Varianz und Standardabweichung

Shape the fuTure

experts. Get ready to pitch your results

17 & 18 November, 2016

Click on the ad to read more

Spezielle Verteilungen diskreter ZV

Grundlegende Zusammenhnge bei diskreten ZV

Spezielle Verteilungen stetiger ZV

Zuverlssigkeitstheorie als Anwendung stetiger ZV

Lebensdauer und Lebensdauerverteilungen

Reparaturdauer und Reparaturdauerverteilungen

Berechnung der Komponentenverfgbarkeit

Einfhrung einer zweidimensionalen ZV

Verteilungs- und Dichtefunktion zweidimensionaler ZV

1 Typische Anwendungen der Wahrscheinlichkeitstheorie

2 Ntige Grundlagen der Mengenlehre

4 Rechnen mit Wahrscheinlichkeiten

6 Wahrscheinlichkeit bei Verbundexperimenten

Lsungen zu den Selbstkontrollaufgaben bis Kap 6

1 Typische Anwendungen der

h. m1 ist Element von M1 und m4 M 1 d. h. m4 ist nicht Element von M1.