Sie sind auf Seite 1von 14

Stochastik in der &hule Band 20(2000), Heft 1

berraschendes bei Mnzwurfserien


Hans Humenberger, Wien
Zusammenfassung: Wir wollen ein Phnomen (,,Paradoxon") nher beleuchten, das sich auf Serien von Mnz-
wrfen wie z.B. KAKKAKAAAK. ..... bezieht (K steht fiir ,,Kopf' und A fiir ,,Adler"). Stellt man nmlich ganz
unvoreingenommen die Frage, welches der Muster KAKA oder AKAA das "wahrscheinlichere" sei (zunchst oh-
ne Przisierung, was "wahrscheinlich" jeweils bedeuten soll), so kann man - je nach Sichtweise (Przisierung
von "wahrscheinlich") - zu vllig verschiedenen Ergebnissen gelangen. Wir setzen dabei immer voraus, da es
sich beim Werfen der idealen Mnze um einen Bernoulli-Versuch handelt (Unabhngigkeit der Versuchsaus-
gnge, jeweils mit Wahrscheinlichkeit ~ ergibt sich K oder A).
Im folgenden wollen wir dieses Phnomen zunchst in einer sehr einfachen Version (zweigliedrige Muster) auf
Schulniveau behandeln, und zwar Wlter Zuhilfenahme bedingter Erwartungswerte. Daran anschlieend betrach-
ten wir drei- Wld viergliedrige Muster, wobei dort insbesondere ein "unfaires Spiel" im Zentrum der BetrachtWl-
gen steht.

1 Paradoxa in der Stochastik


Insbesondere in der WahrscheinlichkeitsrechnWlg Es scheint fiir uns klar zu sein, da berraschWl-
begegnen wir immer wieder Situationen, in denen gen, Fehlmeinungen etc. (wenn man will: Parado-
wir mit Wlserer Intuition zu vllig falschen Ergeb- xa) einen hohen didaktischen Wert im Mathematik-
nissen kommen, wir schtzen diese Situation falsch unterricht haben, und zwar in mehrfacher Hinsicht.
ein. Umso grer sind oft die berraschungen, Einerseits haben Paradoxa einen hohen Faszinati-
wenn man erfiihrt, wie weit der intuitiv geschtzte onswert, der zusammen mit dem Unterhaltungswert
Wert vom "wirklichen Wert" (wenn es um das i.a. zu einer Verbesserung der Motivation ftihrt (bei
Schtzen eines Wertes bzw. Ergebnisses geht) ent- Schlern, Studenten Wld LehrerfortbildWlgen). An-
fernt ist. Man kann darber diskutieren, f ob man dererseits kommt den Paradoxa aber auch ein hoher
solche Situationen alleine deswegen als paradox Bildungswert zu, wenn Zusammenhnge deutlicher
(also eigentlich als "widersinnig") bezeichnen soll, werden bzw. Verstndnis erzeugt wird Diese Werte
weil sie Wlserer Intuition nicht entsprechen bzw. werden leider oft nicht anerkannt, nicht beachtet
(besser:) weil Wlsere Intuition nicht der jeweiligen bzw. zumindest unterschtzt, besonders in bezug
Situation entspricht; wir wollen aber bei dieser Be- auf Motivation Wld Verstndnis - vgl. auch Bentz
zeichnung bleiben mit dem Hinweis, da wir damit 1985, Pflug 1981, Stadler 1986 Wld die anderen
.einfach den Widerspruch zu Wlserer Intuition mei- Arbeiten im Literaturverzeichnis am Beitragsende
nen. zum Thema Paradoxa in der Stochastik (nicht nur,
aber vorwiegend zu diesem Thema).
2 Bedingte Erwartungswerte
Fr die berlegungen der folgenden Abschnitte scheinlichkeiten (im Vergleich zum gewhnlichen
sind der Begriff des bedingten Erwartungswertes ErwartWlgswert) durch bedingte Wahrscheinlich-
Wld der Satz vom totalen Erwartungswert sehr keiten zu ersetzen. Es gilt in Analogie zum Satz von
wichtig. Fr genauere DarstellWlgen diesbezglich der totalen Wahrscheinlichkeit auch der Satz vom
sei auf Kilian 1987 oder Humenberger 1998a ver- totalen Erwartungswert.
wiesen; an dieser Stelle seien nur die Definition, ein
Satz vom totalen Erwartungswert: Ist X eine dis-
Satz Wld eine besonders interessante AnwendWlg
krete Zufallsvariable Wld An (n = I, 2, ... ) eine voll-
bedingter Erwartungswerte, auf die wir noch mehr-
stndige Zerlegung des Ereignisraumes n [auch
fach zurckkommen werden, angegeben.
vollstndiges Ereignissystem oder vollstndige Er-
Definition: Es sei X eine diskrete Zufallsvariable eignisdisjunktion genannt d.h. ein Ereignissystem
mit {XI. X2, X3, , Xk. } als mgliche Werte Wld A mit UA" = n, An * 0 Wld Ai n Aj = 0 fiir i * j],
ein Ereignis mit positiver Wahrscheinlichkeit. Der n
bedingte Erwartungswert bezglich der Bedingung so gilt
A wird dann definiert durch
IE(X) = ~E(X I A)P(An)1 (2)
def
(1) E(X I A) = ~>kP(X = xk I A) , Der Beweis kann leicht mit Hilfe des Satzes von
k
der totalen Wahrscheinlichkeit gefiihrt werden (sie-
falls die (mglicherweise unendliche) Reihe absolut he z.B. Humenberger 1998a).
konvergiert. In der Definition sind also die Wahr-

-4-
H. Humenberger: berraKhendes bei Mnzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

Anwendung: Besonders einfache Begrndung Mal Kop/fliUt" oder "Wrfeln, bis zum ersten Mal
fr den Erwartungswert einer geometrisch ver- eine Sechs flillt". Dann gilt (fiir eine detaillierte Be-
teilten ZufaUsvariable: E(X) = IIp grndung mittels bedingter Erwartungswerte und
des Satzes vom totalen Erwartungswert vgl. z.B.
Die Zufallsvariable X sei geometrisch verteilt mit
Humenberger 1998a):
dem Parameter p, d.h. X sei die Anzahl der notwen-
digen Versuchswiederholungen eines Zufallsexpe-
riments bis zum ersten Eintreten eines bestimmten
Ereignisses A, das bei jeder Versuchswiederholung
IE(X) = ;1 (3)

mit konstanter Wahrscheinlichkeit p eintritt (Unab-


Im Durchschnitt (auf lange Sicht) mu man dem-
hngigkeit der einzelnen Versuche sei vorausge- nach zweimal eine Mnze werfen, um zum ersten
setzt - ,,Bernoulli-Experiment"). Die beiden ein- Mal Kopf, bzw. sechsmal einen Wrfel, um erstma-
fachsten und am ftesten genannten Beispiele dazu lig eine Sechs zu erhalten.
sind wohl: "Werfen einer Mnze, bis zum ersten
3 Die Muster "KA" und .,KK" in Miinzwurfserien - eine Anwendung bedingter Erwartungswerte
Verschiedene Sichtweisen zur Beurteilung der beiden Aspekten). Bei viergliedrigen Mustern
"Wahrscheinlichkeit von Mustern": erhlt man z.B., da fiir KAKA durchschnittlich
20 Wrfe bentigt werden, fiir AKAA hingegen
1. Betrachtet man die Wahrscheinlichkeit, da
nur 18 (vgl. Szekely 1990, S. 61ft). So gesehen
beim zweimaligen Mnzwurf das Ergebnis KA
ist AKAA gegenber KAKA doch als "wahr-
bzw. KK erscheint, so ergibt sich jeweils H =
scheinlicher" (bzw. als bevorzugt) zu bezeich-
~ - die genannten Muster KA und KK sind un-
nen.
ter diesem Aspekt also gleichwahrschein/ich.
Dies wrde klarerweise auch fiir alle anderen 3. Zieht man jedoch zur Einschtzung (Quantifi-
zweigliedrigen Muster gelten (AK, AA). Auch zierung) einer mglichen Bevorzugung heran,
drei- und mehrgliedrige Muster (n Stellen) ha- ob es wahrscheinlicher ist, da in einer Wurf-
ben beim n-maligen Werfen einer Mnze je- serie KA vor KK kommt oder umgekehrt - ge-
weils gleiche Auftrittswahrscheinlichkeit, nm- meint ist hier nicht "unmittelbar davor", son-

lich GJ dern ,frher als" -, so ergibt sich ebenfalls


Gleichwahrscheinlichkeit, denn nach dem ers-
ten auftretenden K kommt jeweils mit Wahr-
2. Eine weitere mgliche Sichtweise zur Ein- scheinlichkeit ~ entweder A oder K.
schtzung bzw. Quantifizierung einer mgli-
Im aUgemeinen mu sich bei der Wahrschein-
chen Bevorzugung eines n-gliedrigen Musters
lichkeit fiir das Auftreten eines bestimmten n-
Xn gegenber einem anderen Muster Yn : Man
gliedrigen Musters X n vor einem anderen n-
knnte die durchschnittlich ntige Anzahl von
gliedrigen Yn (im Sinne von "frher als") je-
Wrfen betrachten (Erwartungswerte), um
doch keineswegs ~ ergeben. So erhlt man z.B.
erstmalig X n bzw. Yn zu erhalten. Fr diese Er-
fiir die Wahrscheinlichkeit, da das Muster
wartungswerte ergeben sich i.a. verschiedene
Zahlen. Wenn der Erwartungswert der ntigen
*
AKK vor KKA erscheint, den Wert ~ ~ (so ge-
sehen ist also AKK viel wahrscheinlicher als
Wrfe, bis das Muster X n erstmalig auftritt,
KKA). Fr viergliedrige Muster ergibt sich
kleiner als bei einem Muster Yn ist, so wird in
z.B.: Die Wahrscheinlichkeit, da KAKA vor
dieser Sichtweise X n als bevorzugt bzw. wahr-
scheinlicher zu bezeichnen sein. AKAA eintritt, betrgt ~ (so gesehen ist KAKA
14
Konkret: Fr KA sind im Durchschnitt 4 Wrfe deutlich "wahrscheinlicher" als AKAA - im
ntig, fiir KK hingegen durchschnittlich 6 (sie- Gegensatz zu oben, wo AKAA "wahrscheinli-
he unten). Unter diesem Aspekt ist KA doch als cher" war!). Schon bei zweigliedrigen Mustern
"wahrscheinlicher'"' zu bezeichnen als KK (aber treten Beispiele dieser Art auf - siehe unten.
"Gleichwahrscheinlichkeit" unter den anderen
3.1 Vergleich von zweigliedrigen Mustern in bezug auf die
Auftrittswahrscheinlichkeit eines Musters vor einem anderen
Wie bereits erwhnt, mu bei n-gliedrigen Mustern von Mustern X:z, Y2 bilden und berlegungen fiir
X n bzw. Yn i.a. nicht gelten: P(Xn vor Yn )
= P(Yn vor die Wahrscheinlichkeiten P(X2 vor Y2 ) (oder umge-
X n ) = l Wir wollen dies anhand von zweigliedrigen kehrt P(Y2 vor X 2)) anstellen. Aus Symmetriegrn-
Mustern verdeutlichen. Als mgliche zweigliedrige den erhlt man in diesem Sinn zwei gleichwahr-
Muster kommen in Frage: AA, Al(, KA, KK. Aus scheinliche Paarungen (AA und KK; AK und KA):
diesen vier Mustern knnen wir sechs Paarungen
- 5-
H. Humenberger: berraschendes bei Mozwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

P(AA vor KK) = P(KK vor AA) = ~, knnen wir auch mit AA und KA anstellen und er-
P(AK vor KA) = P(KA vor AK) = ~, halten insgesamt:
und zwei weitere gleich wahrscheinliche Paarungen P(KK vor AK) = i und P(AK vor KK) = i,
bei jeweils gleichem ,,Anfang" (AA und AK, KK P(AA vor KA) = i und P(KA vor AA) = i.
und KA; nach dem erstmaligen Auftreten des je-
So gesehen ist also AK "deutlich wahrscheinlicher"
weils gleichen Anfangs kommt ja mit Wahrschein-
als KK, und KA ist "deutlich wahrscheinlicher" als
lichkeit ! entweder A oder K):
AA.
P(AA vor AK) = P(AK vor AA) = ~,
In diesem Lichte erffuet sich die Mglichkeit ei-
P(KK vor KA) = P(KA vor KK) = ~.
nes urifairen Spiels, das im ersten Moment viel-
Bei den noch fehlenden Paarungen mit jeweils glei- leicht gar nicht so aussieht. Die volle Tcke dieses
chem "Schlu" (AA und KA, AK und KK) kommen Spiels kommt allerdings erst bei drei- und mehr-
wir jedoch zu unterschiedlichen Wahrscheinlich- gliedrigen Mustern zum Tragen. Zwei Spieler (SI
keiten. Betrachten wir z.B. die Wahrscheinlichkeit, und S:z) vereinbaren folgendes (aus der Sicht von SI
I
da KK vor AKI kommt: vielleicht verlockendes, da in einem gewissen Sinn
grozgiges) Spiel: SI kann sich ein beliebiges
Sehr einfach scheint uns Z.B. folgende berlegung
zweigliedriges Muster (AA, AK, KA, KK) aussuchen
(Begrndung) fiir die Wahrscheinlichkeit P(KK vor
(SI hat also die erste Wahl, grozgiges Angebot
AK) zu sein: die ersten beiden Wrfe einer Serie
von S2?) und S2 whlt daraufhin seinerseits ein
knnen KK, AK, KA, AA sein Geweils mit Wahr-
Muster aus den drei verbleibenden. Eine faire Mn-
scheinlichkeit i). Im ersten Fall (KK) ist klarerwei-
ze soll nun geworfen werden und gewonnen hat je-
se ,,KK vor AK:' eingetreten. Im zweiten trivialer-
ner Spieler, dessen Muster zuerst (als Ergebnis
weise umgekehrt; aber auch nach KA bzw. AA kann
zweier aufeinanderfolgender Wrfe) erscheint. Zu
niemals ,,KK vor AK:' eintreten, denn sobald nach
jeder Wahl von SI kann S2 ein Muster whlen, mit
KA bzw. AA ein K folgt (u.u. nach einigen A 's), ist
dem er zumindest nicht schlechter dran ist (in zwei
in diesen Fllen ,,AK vor J(K:' eingetreten.
r Fllen gleich gut und in zwei Fllen wesentlich bes-
Einschub: Keines der beiden Muster KK bzw. AK ser): Wenn SI das Muster AK oder KA whlt, so hat
wrde nach einem Beginn der Form KA bzw. AA S2 jeweils zwei Mglichkeiten, ein wenigstens
nur dann eintreten, wenn nach dem A an der zwei- gleich gutes zu whlen (AA oder KA; KK oder AK);
ten Stelle nur mehr A's kmen - ein Ereignis mit wenn jedoch Spieler SI das Muster AA bzw. KA
Wahrscheinlichkeit 0 (,,irgendwann" kommt also whlt, so kann S2 mit der Wahl von KA bzw. AK
mit Wahrscheinlichkeit 1 ein K in einer beliebig richtiggehend kontern und sich eine Gewinnwahr-
langen Serie). Man kann sogar relativ leicht zeigen, scheinlichkeit von jeweils i sichern! In Tabelle I ist
da jedes endliche Muster mit Wahrscheinlichkeit t dies (einschlielich der jeweils zugehrigen Er-
irgendwann in einer unendlichen langen Serie er- wartungswerte - siehe folgenden Abschnitt) ber-
scheinen wird! sichtlich dargestellt.
In drei von vier mglichen Anfangskonstellationen Bei dreigliedrigen Mustern gibt es zu jeder Wahl
tritt also mit Wahrscheinlichkeit 1 ,,AK vor J(K:' von SI eine Wahl von S2, mit der er mit einer Wahr-
ein, in einer ,,KK vor AK:'. Analoge berlegungen scheinlichkeit von zumindest ~ gewinnt - siehe Ab-
schnitt 4.1.
3.2 Erwartungswerte fr die Anzahl ntiger Wrfe,
bis erstmalig ein bestimmtes zweigliedriges Muster auftritt
Wir geben zwei kurze Mglichkeiten an zu begrn- noch einige A' s auftreten und danach noch ei-
den, da der Erwartungswert fiir die ntige Anzahl nige weitere K's. Jedenfalls bedeutet "Warten
von Mnzwrfen fiir KA den Wert 4 und fiir KK auf KA" nichts anderes als "Warten auf das
den Wert 6 hat (im Sinne der Erwartungswerte ist erste K und dann Warten auf das erste A". Da
also KA deutlich "wahrscheinlicher" als KK). Diese fiir beide bei jedem Versuch die Auftrittswahr-
Erwartungswerte seien im folgenden mit E(KA) scheinlichkeit p = ~ betrgt, ergibt sich fiir die
bzw. E(KK) bezeichnet. Aus Symmetriegrnden entsprechenden Tei/wartezeiten (gemeint ist
gilt natrlich E(KA) = E(AK) und E(KK) = E(AA). die Anzahl der ntigen Versuche) jeweils
1. Fr KA hilft uns eine ganz simple berlegung. 1- = 2 (siehe oben (3): Erwartungswert einer
Das Ereignis ,,zum ersten Mal KA" tritt genau P
dann ein, wenn nach dem ersten auftretenden K geometrisch verteilten Zufallsvariable - mit
erstmalig ein A folgt. Ein solches Muster Hilfe von bedingten Erwartungswerten einfach
knnte durch folgende Darstellung angedeutet berechenbar, vgl. auch Humenberger 1998a).
wer den: ...K] ... KA]. Vor dem ersten K knnen Da die Gesamtwartezeit auf KA (Zufallsvari-

- 6-
H. Humenberger: berraschendes bei Mnzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

able Z) offenbar die Swnme der beiden Teil- ist (wir werden im folgenden jedoch bei
wartezeiten auf K (Zufallsvariable X) bzw. auf der obigen Schreibweise bleiben):
A (Zufallsvariable Y) ist - also Z = X + Y -, lDld EK= (1 + 1)~ + (1 + EAH lDld
allgemein fr Zufallsvariablen E(X + 1') = E(X) EA = (1 + EJ~ + (1 + EAH
+ E( 1') gilt, so erhalten wir fr den interessie-
renden Erwarttmgswert E(KA) = E(Z) = E(X + Y) Aus den GleichlDlgen (4) erhalten wir so-
= E(X)+ E(Y)= 2+ 2 =4. fort EA = 7 lDld EK = 5 lDld mit diesen be-
dingten Erwarttmgswerten schlielich
2. NlDl wollen wir E(KK) = 6 zeigen. Wir wollen E(KK) = EA~ + Ed = 6. (5)
mit Hilfe des Satzes vom totalen Erwarttmgs-
wert zum Ziel kommen lDld brauchen dafr ei- Die Erwartungswerte der ntigen Wrfe fr das be-
ne Ereignisdisjtmktion, die sich in natrlicher stimmte ,,Doppelmuster" KK bzw. fr das be-
Weise nach dem Ergebnis des ersten Wurfes stimmte ,,AbwechsllDlgsmuster" KA sind also deut-
def lich verschieden. Dadurch knnte man sich zur
ergibt, dieses kann K oder A sein. Sei EK = Vermuttmg hinreien lassen, da auch bei den zu-
E(KKlK) der Erwarttmgswert der ntigen gehrigen Erwartungswerten fr ein beliebiges
Wurfanzahl fr KK lDlter der Bedingtmg, da Doppelmuster (also ,,KK oder AA") bzw. fr eine
def
beliebige Abwechslung (also ,,AK oder KA") ein
der erste Wurf K ergab; analog sei EA = Unterschied bestehe. Es ist jedoch leicht zu sehen
E(KKjA) definiert. Wenn wir ber diese be-
[besonders bei E(AK oder KA)], da sich hier je-
dingten Erwartungswerte spter verfUgen wer-
weils 3 ergibt.
den, so knnen wir leicht mit Hilfe des Satzes def
vom totalen Erwarttmgswert zu einem Ergebnis E(AK,KA) = E(AK oder KA) = I + 2 = 3:
kommen: E = E(KK) = EA + E,d. Warten auf eine Abwechslung bedeutet ja
Zwischen den in Rede stehenden bedingten nichts anderes, als die Mnze einmal zu
Erwartungswerten EK lDld EA knnen wir (wie- werfen (" 1 +... ") lDld dann auf das jeweili-
derum mit Hilfe des Satzes vom totalen Er- ge andere Ergebnis zu warten ("... + 2",
warttmgswert) folgende BeziehlDlgen anschrei- geometrische VerteillDlg - siehe (3)).
def
ben (Erlutertmgen lDlten):
E(KK,AA) = E(KK oder AA) = 3: Hier
EK= 1"+ H+ EA lDld kann man nlDl wieder mit bedingten Er-
(4) wartungswerten lDld zweifache Anwen-
EA = 1 + E .1. + E .1.
K 2 A 2 dlDlg des Satzes vom totalen Erwarttmgs-
'-----...--'
E(KK) wert kurz lDld erfolgreich argumentieren.
Erklrtmgen: Wir generieren ganz analog zu oben die
dazu ntige EreignisdisjlDlktion nach dem
EK : Der erste Wurf fiillt auf K (" 1 + ... "), Ergebnis des ersten Wurfes. Sei also EK
dann kommt mit Wahrscheinlichkeit ~ def
entweder wieder ein K ("... + l~") oder = E(KK,AAIK) der Erwarttmgswert fr
ebenfalls mit Wahrscheinlichkeit ~ ein A, ein beliebiges Doppelmuster lDlter der Be-
was so viel wie einen ,,neuen ersten Wurf dingtmg, da beim ersten Wurf K gefallen
der
A" bedeutet (" ... + EA~"). ist; analog sei EA = E(KK,AAIA) definiert.
EA : Der erste Wurf fiillt auf A (,,1 + ... ") Es ist ZlDlchst vllig klar (aus Symrnet-
lDld das Spiel kann sozusagen wieder von riegrDden), da EK = EA sein mu lDld
neuem beginnen: mit Wahrscheinlichkeit ~ wegen E(KJ(.AA) = ~EK + ~EA gilt daher
fallt beim 2. Mal entweder ein K ("... + E(KK,AA) = EK = EA Mit den eben einge-
Ed", neuer ,,Anfangswurf K') oder wie- fiihrten BezeichnlDlgen (bedingten Erwar-
der einA (,,AnfangswurfA": " ... + EAt). ttmgswerten) ergibt sich (analoge ,,Erkl-
rtmgen" zu oben)
Die GleichlDlgen (4) knnen auch in einer EK = 1 + H + EA~ lDld
etwas anderen Struktur geschrieben wer- (6)
EA = l+Ed+ H,
den, in der vielleicht der Satz vom totalen woraus wir unmittelbar EA = EK =
Erwartungswert etwas deutlicher sichtbar E(KK,AA) = 3 erhalten.
4 Drei- und viergliedrige Muster
4.1 Muster X vor Muster Y bei dreigliedrigen Mustern - ein unfaires Spiel
Das in Abschnitt 3.1 erwhnte Spiel soll auf das Spiel: Julia lDld Julian werfen eine faire Mnze.
dreigliedrige Analogon ausgebaut werden. Bevor sie beginnen, sucht sich jeder von ihnen ein

- 7-
H. Humenberger: berraschendes bei Miinzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

dreigliedriges Muster aus (8 Mglichkeiten). Ge- PAA = 1pAA + 1pAK


winner ist derjenige, dessen Muster als erstes (als PAK = 1PKA + 1PKK
aufeinanderfolgende Wurfergebnisse) erscheint.
Julian lt der Hflichkeit halber (,,Ladies first") PKA = 1pAA + 1'0
seiner Gegnerin Julia die erste Wahl. Dies bedeutet PKK = 1-1 + 1PKK
auf den ersten Blick fiir Julia einen Vorteil, denn Die erste GleichlUlg besagt z.B., da nach dem
Julian kann dann sein Muster nur aus den restlichen Startmuster AA mit gleicher Wahrscheinlichkeit
sieben mglichen whlen. Soll Julia dieses "gutge- Geweils 1) ein A oder ein K fllt: Fllt ein A an der
meinte" Angebot annehmen? dritten Stelle, so liegt erneut das Startmuster AA (an
Antwort: Es stellt sich heraus, da die erste Wahl zweiter lUld dritter Stelle) vor; flillt ein K, so liegt
hier ein eminenter Nachteil wre, denn Julian AK als neues Startmuster vor. Ganz analog ist die
knnte nach jeder Wahl von Julia ein Muster aus- zweite Gleichung zu interpretieren. Dritte Glei-
whlen, mit dem er zt1Il1indest die doppelte Ge- chlUlg: Wenn nach KA ein A fliUt, so liegt AA als
winnchance von Julia htte. neues Anfangsmuster vor, wenn K fllt, so ist das
Muster KAK erschienen lUld P(KKA vor KAK) = 0 !
KK KA AK AA Vierte GleichlUlg analog. Dieses lineare Glei-
6 4 4 6 chlUlgssystem in vier Unbekannten hat die Lsung
KK(6) - ~~ V4 Y2 PM =~, PAK = ~, PKA = t PKK = 1.
KA (4) % - ~ Pd [Die Tatsache PKK = 1 ist auch von vornherein klar:
AK(4) r6l IY~ - %
Wenn KK das Ergebnis der ersten beiden Wrfe ist,
AA (6) Y2 V4 .~~ - so wre das Muster KKA (lUld damit ,,KKA vor
Tab. I: 2-gliedrige Muster: Erwartungswerte; Ge- KAK") nur dadurch zu verhindern, da niemals A
winnwahrscheinlichkeiten des jeweiligen Zeilen- fallen wrde - ein Ereignis mit Wahrscheinlichkeit
Musters bei ,,kommt frher als" in einer Wurfserie 0.] Mit diesen Werten erhalten wir fiir die Gewinn-
mit einer Laplace-Mflze. f wahrscheinlichkeit P fiir Julian (,,KKA vor KAK")
~ ... eingerahmt sind die jeweiligen Spaltenmaxi- durch abermaliges Anwenden des Satzes von der
ma (wichtig fiir den Spieler S2 bei obigem "unfairen totalen Wahrscheinlichkeit
Spiel"; siehe auch Spiel ,,Julia-Julian" im Abschnitt P =!cPAA + PAK+ PKA + PKK) =!(~ ~ + ~ + 1) = l
4.1). ~ ... lcursiv sind jene Werte % gesetzt, bei de-
Einschub: Man knnte auch schon bei zweigliedri-
nen gilt: unterschiedliche Erwartungswerte, aber gen Mustern formal mit bedingten Wahrscheinlich-
gleiche Wahrscheinlichkeiten (eben %) bei "kommt keiten lUld dem Satz von der totalen Wahrschein-
friiher als".
1ichkeit arbeiten (inhaltlich handelt es sich bei der
Wir machen dies an einem Beispiel klar. Wenn Ju- *
Begrndung fiir P(KK vor AK) = in Abschnitt 3.1
ohnehin auch um bedingte Wahrscheinlichkeiten).
lia sich fiir das Muster KAK entschiede, so knnte
def
Julian das Muster KKA whlen lUld mit Wahr-
Sei also P = P(KK vor AK). Fr den ersten
scheinlichkeit ~ gewinnen, also P = P(KKA vor
Mnzwurf gibt es zwei Mglichkeiten: A oder K.
KAK) = ~. Mit Hilfe bedingter Wahrscheinlichkei-
Mit einer analogen Definition der bedingten Wahr-
ten lUld des Satzes von der totalen Wahrscheinlich-
scheinlichkeiten PA lUld PK Ge nach dem Ergebnis
keit ist dies leicht einzusehen: Wir nehmen die da-
des ersten Wurfes) und dem Satz von der totalen
fiir ntige Ereignisdisjunktion nach den vier mgli-
Wahrscheinlichkeit kann man fiir das Ereignis
chen ,,Anfangspaaren" vor lUld bezeichnen mit
PAA, PAK, PKA , PKK die bedingten Wahrscheinlich-
/KK vor AKI folgende GleichlUlgen aufstellen
keiten, da Julian gewinnt (also das Ereignis
PA = 1PA + 1'0
lUld PK= 1PA + II ,
woraus sich sofort PA = 0 lUld PK = ~ lUld durch
iKKA vor KAAj eintritt) lUlter der VoraussetZlUlg,
abermalige Anwendung des Satzes von der totalen
da die ersten beiden Wrfe das Ergebnis AA, AK,
Wahrscheinlichkeit P = ~PA + ~PK = 1ergibt.
KA, KK hatten. Je zwei dieser Startmuster sind kla-
rerweise gleichwahrscheinlich, so da jedem von Die Wahl von Julia war aber ohnehin noch eine ih-
*
ihnen eine Wahrscheinlichkeit von zukommt. Fr
die genannten bedingten Wahrscheinlichkeiten er-
rer besten, andere htten sie noch viel weiter in ei-
nen Nachteil versetzt. Htte sie nmlich z.B. KKK
halten wir aufgrood des Satzes von der totalen gewhlt, so htte Julian durch Whlen des Musters
Wahrscheinlichkeit (Erklrung lUlten): AKK seine Gewinnwahrscheinlichkeit sogar auf ~
steigern knnen (er wrde immer gewinnen, auer
wenn die ersten drei Wrfe KKK zeigen!).

-8-
H. Humenberger: berraschendes bei Miinzwurfserien
StCK:hastik in der Schule Band 20(2000), Heft 1

KKK(14) KKAl~l KAK (10) AKK(8) KAA (8) KAK (10) AAK(8) AAA (14)
KKK(l4) - 1/2 2/5 1/8 2/5 5/12 3/10 1/2
KKA (8) 1/2 -
~~ 1/4 [2/3] 5/8 1/2 7/10
KAK (10) 3/5 1/3 - 1/2 1/2 1/2 3/8 7/12
AKK(8) ~ [3/4] 1/2 - 1/2 1/2 1/3 3/5
KAA (8) 3/5 1/3 1/2 1/2 - 1/2 [3741 ~
AKA (10) 7/12 3/8 1/2 1/2 1/2 - 1/3 3/5
AAK(8) 7110 1/2 5/8 r2/~ 1/4 ~~ - 1/2
AAA (14) 1/2 3/10 5/12 2/5 1/8 2/5 1/2 -
..
Tab. 2: 3-gliedrige Muster: Gewinnwahrscheinhchkeiten des jewelhgen ZeIlen-Musters beI ,,kommt frher als"
in einer Wwfserie mit einer Laplace-MDZe. Zu den angegebenen Erwartungswerten (14, 8, 10, ... , 14) siehe Ab-
schnitt 4.2.
Legende filr Tab. 2 und 4-5 (am Schlu des Beitrages):
~ eingerahmt sind die jeweiligen Spaltenmaxima (~ Spiel: Julia - Julian).
1/2 kursiv sind jene Werte 1/2 gesetzt, bei denen gilt: unterschiedliche Erwartungswerte, aber gleiche
Wahrscheinlichkeiten (eben 1/2) bei" kommt frher als ".
1/4 in typewriter sind jene Werte (;t 1/2) gesetzt, bei denen gilt: glei-
che Erwartungswerte, aber unterschiedliche Wahrscheinlichkeiten bei
"kommt frher als" (eben ;t 1/2) (kommt bei 2-gliedrigen Mustern nicht vor).
In Tab. 2 sind nun alle Wahrscheinlichkeiten auf- zugehrige "Siegeswahrscheinlichkeit" (deutlich!)
gelistet, mit der das jeweilige Zeilen-Muster frher grer als ~, also jedes Muster deutlich besser als
als das jeweilige Spalten-Muster beim Werfen einer sein Vorgnger ist):
fairen Mnze kommt. Der hchste Wert jeder 2/3 3/4 2/3 3/4
Spalte ist eingerahmt: Das in dieser Zeile stehende AAK > AKK > KKA > KAA > AAK.
Muster ist also das beste "Gegenmittel" gegen das ,,Nichttransitivitt": Aufgrund der ersten drei ,,Bes-
in dieser Spalte stehende. M.a.W.: Zu jeder Wahl ser"-Relationen drfte man bei Transitivitt von
von Julia (Spaltenwahl) sucht sich Julian in der ge- "besser" ja AAK besser als KAA, in Zeichen AAK
whlten Spalte jenes Element (Zeilenwahl), mit p
dem er die grten Gewinnchancen hat. In Tab. 2 > KAA mit p > ~ erwarten, was durch die letzte
sind auch schon die Erwartungswerte der jeweiligen Relation ja widerlegt ist.
Muster eingetragen, deren Berechnung Inhalt von
Nichttransitivitt ist bei vielen Relationen im Alltag
Abschnitt 4.2 ist.
nichts Ungewhnliches. Aus ,,A ist Vater von B "
Die Wahrscheinlichkeiten knnen alle nach dem- und ,,B ist Vater von C" kann natrlich nicht ,,A ist
selben Schema wie oben berechnet werden (wobei Vater von C " folgen (dies ist hier sogar unmg-
das Lsen des jeweiligen Gleichungssystems bei lich); aus ,,A ist verliebt in B " und ,,B ist verliebt in
Einsatz eines CAS auch kein zeitliches bzw. moti- C " mu natrlich noch lange nicht ,,A ist verliebt in
vationales Problem darstellen sollte). 8 von den 28 C " folgen. Auch im Bereich der Mathematik sind
mglichen Paarungen dreigliedriger Muster brau- intransitive Beziehungen nichts Ungewhnliches:
chen nicht durchgerechnet zu werden, da von vorn- Aus ,,4 teilt nicht 10" und ,,10 teilt nicht 16" folgt
herein feststeht, da keines der beiden Muster be- natrlich nicht ,,4 teilt nicht 16", die Relation "teilt
vorzugt werden kann (Symmetrieberlegungen nicht" ist also intransitiv.
bzgl. K-A; oder: Unterschiede nur an der dritten
Jedoch bei quantifizierenden Relationen wie "gr-
Stelle). Bei den restlichen 20 Fllen (Paarungen)
er", ,,schwerer", ,,heller" etc. erwartet man natur-
sind jeweils 2 symmetrisch zueinander bzgl. K und
gem Transitivitt. Auch "besser" ist i.a. eine sol-
A, so da also in Wirklichkeit nur 10 Flle (Paarun-
che quantifizierende Relation, bei der man sich be-
gen) zu untersuchen bleiben (aber ohne CAS
rechtigterweise Transitivitt erwartet. Obiger Be-
braucht man auch fr 10 einfache 4x4-Systeme ei-
griff "besser" heit aber nicht ,,absolut besser",
niges an Durchhaltevermgen).
sondern nur besser im Sinne von "das eine Muster
Wir erhalten dadurch ein Beispiel einer nichttransi- gewinnt mit einer gewissen Wahrscheinlichkeit p >
tiven (weil zyklischen) Beziehung: ,,Muster X ~ gegen das andere", es ist also im Zweikampf der
kommt mit einer Wahrscheinlichkeit p > ~ vor jeweils beteiligten Muster zu bevorzugen ("bes-
Muster Y" (bzw. ,,Muster X ist besser als Muster ser"). Weil aber auch diesem "stochastischen Bes-
p
ser-sein" etwas Quantifizierendes anhaftet, so er-
Y "), in Zeichen: X > Y. Es gilt nmlich z.B., wie wartet man sich intuitiv auch hier Transitivitt, eine
man aus Tab. 2 erkennt (ausgehend von AAK Erwartung, die jedoch enttuscht wird, und das ist
kommt man wieder zu AAK, wobei jedesmal die doch fiir die meisten berraschend!
- 9-
H. Humenberger: berraschendes bei Mnzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

Bemerkungen: keit .l , was natrlich unklug wre) lIDd geheim


8
Man sieht an den Zeilen in Tab. 2, da alle rei- whlte, Julian ihr Muster also erst nach seiner
nen lIDd alle symmetrischen Muster (KKK, eigenen Wahl erfahren wrde (bei zufllig
KAK, AKA, AAA) niemals das beste Gegen- gleichem Muster ~ WahlwiederhollIDg), so
mittel zu einem vorher gewhlten Muster des mte Julian jenes Muster aus Tab. 2 nehmen,
Gegenspielers darstellen, und da die Rolle des dessen Zeilensumme maximal ist, um die
besten Gegenmittels zwischen den anderen vier grte durchschnittliche Gewinnchance zu ha-
Mustern gleichmig aufgeteilt ist - bei jeweils ben. Dies ist der Fall bei AKK bzw. KAA
zwei Mustern als Erst.vahl (wichtig fiir Julian).
(durchschnittliche Gewinnchance "'" 0.58). Die
Weiters sieht man an den Spalten auch, da es zweitbesten Muster in diesem Sinne wren
nur drei ,,Klassen" von Erstwahlen gibt (wich- KKA bzw. AAK; durchschnittliche Gewinn-
tig fiir Julia): die schlechtesten wren KKK chance "'" 0.56.
bzw. AAA (hier knnte Julian seine Gewinn-
Die beobachtete Unfairne des Spiels besteht
wahrscheinlichkeit auf 2 steigern), die zweit- nicht nur bei 3-gliedrigen Mustern, sondern bei
8
jedem n ~ 3: zu jedem n-gliedrigen Muster gibt
schlechtesten wren KKA bzw. AAK (Gewinn-
es ein anderes n-gliedriges Muster, das sich mit
wahrscheinlichkeit von Julian = 1), lIDd die einer Wahrscheinlichkeit p > ~ frher in einer
4
zufiilligen Serie ergibt, also "besser" in diesem
drittschlechtesten ("besten") wren KAK, AKK,
Sinne ist (siehe z.B. ChenJZame 1977). Bei je-
KAA, AKA - hier htte Julian eine Chance von
dem n ~ 3 gibt es also Intransitivitten dieses
,,nur" 1. Begriffes "besser".
3
Wenn Julia ihr Muster aus den acht mglichen
gleichverteilt (also jedes mit Wahrscheinlich-
f

4.2 Erwartungswerte bei dreigliedrigen Mustern


Ganz analog zu zweigliedrigen Mustern knnen wir EAA = 1 + ~EAA + ~EAK
mit Hilfe bedingter Erwartungswerte lIDd dem "Satz EAK = 1 + ~EKA + ~EKK
vom totalen Erwartungswert" die Erwartungswerte EKA = 1 + 1EM + ~EAK
E
fr die bei den einzelnen dreigliedrigen Mustern
KK= 1 +21 2 +21EKK
ntige Anzahl von Mnzwrfen berechnen. Man dem
erhlt die schon in Tab. 2 angegebenen Erwar- Die erste GleichlIDg besagt z.B., da nach
tlIDgswerte (= durchschnittlich ntige Anzahl von Startmuster AA mit gleicher Wahrscheinlichkeit
Wrfen, bis das jeweilige Muster erstmals zusam- Geweils ~) ein A oder ein K fllt: Fllt ein A an der

m enhngen d ersch emt): 14" 8 10 '"
8 8 10" 8 14 . dritten Stelle, so liegt erneut das Startmuster AA
vor (an zweiter lIDd dritter Stelle; wegen der 1.
An einem Beispiel sei die BerechnlIDg vorgefiihrt: Stelle jeweils ,,1 +... "); fllt ein K, so liegt AK als
E(KKA) = 8. neues Startmuster vor. Ganz analog sind die zweite
Da in diesem Beispiel natrlich nur der Erwar- lIDd dritte GleichlIDg zu interpretieren. Vierte Glei-
tungswert E(KKA) lIDd kein anderer vorkommt, las- chlIDg: Fllt nach KK an dritter Stelle ein A, so ist
sen wir - der bersichtlichkeit halber - das Argu- KKA erreicht (mit 2 Wrfen nach dem ersten 10,
ment KKA im folgenden weg. Wir arbeiten wieder fllt ein weiteres K, so liegt wieder das Anfangs-
mit dem Satz vom totalen Erwartungswert Wld muster KK vor. Dieses lineare GleichlIDgssystem in
brauchen dafr eine geeignete Ereignisdisjunktion vier Unbekannten hat die LSlIDg
bzw. die zugehrigen bedingten Erwartungswerte in EAA = 10, EAK = 8, EKA = 10, EKK = 4.
diesen "Sonderfiillen". Wir fhren diese Ereignis- [Der Wert EKK = 4 ist auch ohne obige Glei-
disjunktion (wie bei den bedingten Wahrschein- chlIDg(en) klar: Wenn bereits KK gefallen ist (2
lichkeiten) nach den vier mglichen Anfangspaaren Wrfe), so ist die Frage nach KKA gleichzusetzen
einer Serie durch lIDd bezeichnen mit EM , EAK, EKA , mit der Frage nach dem nchsten A, auf das man -
EKK die bedingten Erwartungswerte (fiir KKA) Wlter wie wir wissen - durchschnittlich 2 Wrfe lang
der VoraussetZlIDg, da die ersten beiden Wrfe warten mu, daher EKK = 2 + 2 = 4.] Mit diesen
AA, AK, KA, KK waren. Je zwei dieser Startmuster Werten erhalten wir fiir den in Rede stehenden Er-
sind klarerweise wieder gleichwahrscheinlich, so wartlIDgswert E = E(KKA)
da jedem von ihnen eine Wahrscheinlichkeit von * E = *(EM + EAK + EKA + EKK) =
zukommt. Fr die genannten bedingten Erwar- *(10+8+ 10+4)=8.
tungswerte erhalten wir die BeziehlIDgen (hinter
diesen steckt letztlich wieder der Satz vom totalen Damit hat man natrlich auch (Symmetrie) E(AAK)
Erwartungswert): = 8 gezeigt.
- 10 -
H. Humenberger: berraschendes bei MDZWUrfserien
Stochastik in der Sc:hule Band 20(2000), Heft 1

Zusammenfassung von ..berraschungen" bei 3- und 2-gliedrigen Mustern


Es gibt bei 3-gliedrigen Mustern einige Paanmgen, Genauso gibt es bei 3-gliedrigen Mustern einige
die zwar gleichen Erwartungswert haben, wobei Flle (Paanmgen), bei denen die Auftrittswahr-
aber die Auftrittswahrscheinlichkeit des einen vor scheinlichkeit des einen vor dem anderen gleich ~
dem anderen Wlgleich ~ ist (in Tab. 2 mit type- ist, aber die Erwartw1gswerte (deutlich) verschieden
writer-Schriftbild), z.B.: sind (siehe Tab. 2, KennzeichnWlg durch kursiv-
AKK - KKA: E(AKK) = E(KKA) = 8, Schriftbild), z.B.:
aber P(AKK vor KKA) = 1; KKK - KKA: E(KKK) = 14 E(KKA) = 8 ,
KKA-KAA: E(KKA)=E(KAA) = 8, KAK-AKK: E(KAK) = 10 E(AKK) = 8,
aber P(KKA vor KAA) = i; KAK - KAA: E(KAK) = 10 E(KAA) = 8 ;
(analog bei VertauschWlg von K Wld A). Dieses (analog bei VertauschWlg von K Wld A). Dieses
Phnomen kann bei 2-gliedrigen Mustern noch zweite Phnomen war schon bei 2-gliedrigen Mus-
nicht beobachtet werden: es gibt bei 2-gliedrigen tern zu sehen:
Mustern nmlich nur zwei Paanmgen, bei denen P(KA vor KK) = ~,
sich in der Sichtweise kommt frher als ein Wert ;;t; aber E(KA) = 4 Wld E(KK) = 6 ;
~ ergibt (siehe oben) - die durch kommt frher als P(AK vor AA) = ~,
bevorzugten Muster haben aber auch kleineren Er- aber E(AK) = 4 Wld E(AA) = 6 .
wartWlgswert: Die beiden Sichtweisen knnen also schon bei 2-
P(AK vor KK) = i; E(AK) = 4, E(KK) = 6 . bzw. 3-gliedrigen Mustern bei einer festen Muster-
P(KA vor AA) = t E(KA) = 4, E(AA) = 6 . paanmg Gleichwahrscheinlichkeit bzw. Bevorzu-
gung eines Musters bringen!
4.3 Viergliedrige Muster
Die oben schon angegebene Wahrscheinlichkeit In ganz analoger Weise knnen auch die Erwar-
P(KAKA vor AKAA) = ~ kann (mittels des nWl be-
tungswerte bei viergliedrigen Mustern berechnet
14 werden durch 8 lineare GleichWlgen in 8 Unbe-
reits bekannten Schemas Wld des Satzes von der kannten, i.e. bedingte ErwartWlgswerte EAAA , EAAK,
totalen Wahrscheinlichkeit) durch ein 8x8-System EAKA , Ef(AA, EAKK, EKAK, EKJ(A, EKKK - Satz vom to-
fr die einzelnen bedingten Wahrscheinlichkeiten talen Erwartungswert. Es bezeichne EAAA den be-
(PAM, PAAK, PAKA, Pf(AA, PAKK, PKAK, PKKA , PKKK) be- dingten Erwartungswert der Anzahl ntiger Wrfe
rechnet werden [PAM bezeichne die bedingte Wahr- fr KAKA Wlter der Bedingung, da die ersten drei
scheinlichkeit fr das Ereignis ,,KAKA vor AKAA" Wrfe das Ergebnis AAA hatten; die anderen be-
unter der Bedingung, da die ersten drei Wrfe das dingten Erwartungswerte analog. So knnen z.B.
Ergebnis AAA hatten; die anderen Werte analog]. die oben schon angegebenen Werte fr E(AKAA) =
Durch die Lsung des GleichWlgssystems (die L- 18 Wld E(KAKA) = 20 berechnet werden. Wir wol-

~ E(KAKA)
sungen sind rechts in Klammer angegeben)
PAAA = ~PAAA + ~PAAK (PAAA = . )
len dies zunchst fr IE = 20 I zei-
7
gen. Es gilt (Satz vom totalen Erwartungswert)
E = k(EAAA + EAAK + EAKA + Ef(AA +
EAKK + EKAK + EKJ(A + EKKJJ .
(PAKA = 1)
7 Wir haben also zuerst diese bedingten Erwartungs-
werte zu berechnen mit Hilfe der folgenden 8 linea-
ren GleichWlgen (die jeweiligen Lsungen sind
rechts in Klammer angegeben):
EAAA = 1 + ~EAAA + ~EAAK (EAAA = 23)
EAAK = 1 + ~EAKA + ~EAKK (EAAK = 21)
EAKA = 1 + ~Ef(AA + ~EKAK (EAKA = 19)
EKAA = 1 + ~EAAA + ~EAAK (Ef(AA = 23)
PKKK = ~PKKA + ~PKKK (PKKK = i) EAKJ( = 1 + ~EKJ(A + ~EKKK (EAKK = 21)
7 EKAK = 1 + l3 + ~EAKK (EKAK = 13)
ergibt sich rur den Wert der gesuchten Wahr-
EKKA = 1 + ~Ef(AA + ~EKAK (EKJ(A = 19)
scheinlichkeit P P(KAKA vor AKAA)
EKKK = 1 + !EKJ(A + ~EKKK (EKKK = 21).
1 (4.+A+l+4.+~+~+~+~) = ~
8 7 7 7 7 7 7 7 7 14 . Fr E = E(KAKA) - das arithmetische Mittel dieser
8 Werte - erhalten wir dadurch 20.
- 11-
B. Bumenberger: berraschendes bei MDzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

Nun interessieren wir uns fiir den Erwartungswert EAJ(K = 1 + ~EKM + ~EKKJ( (EAKK =21)
1 + ~EAM + ~EAKK
IE ~ E(AKAA)I. Ganz analog ergibt sich in diesem
EMK = (EKAK = 17)
EKM = 1 + ~EMA + tEMK (E KM = 19)
Fall (die Lsungen sind wieder rechts in Klammer EKKJ( = 1 + tEKM + tEKKJ( (EKKJ(= 21).
angegeben):
Fr E = E(AKAA) (arithmetisches Mittel) erhalten
EAAA = 1 + ~EAAA + ~EAAK (EAAA = 19) wir hier 18. Tabelle 3 gibt einen berblick ber die
EAAK = 1 + ~EAM + ~EAJ(K (EAAK = 11) ErwartImgswerte bei den einzelnen 4-gliedrigen
EAM = 1 + l3 + ~EKAK (EAM = 11) Mustern.
EMA = 1 + ~EAAA + ~EAAK (EMA = 19)

KKKK KKKA KKAK KAKK AKKK KKAA KAKA KAAK


30 16 18 18 16 16 20 18
AAAA AAAK AAKA AKAA KAAA AAKK AKAK. AKKA
Tab. 3: Erwartungswerte der emzelnen vlergliedngen Muster
Trotz aller gettigten Rechmmgen bzgl. Wahr- nmg, die zwar etwas ,,salopp" ausgefiihrt ist, ist
scheinlichkeiten md Erwartungswerten kann u. U. folgende. Sie kamt durchaus ein (erstes, letztes)
ein Unbehagen bleiben: wie ist dieser "Wider- Aha-Erlebnis bzw. vor allem persnliches Einsehen
spruch" in den Sichtweisen berhaupt mglich, wie md Verstndnis fiir den inneren Gnmd dieses "Wi-
ist dieser zu erklren? Wenn ein Muster X im Ver- derspruches" bringen md Abhilfe schaffen gegen
gleich zu einem anderen Muster Y meistens frher (trotz der numerischen Ergebnisse allenfalls weiter-
kommt, so mte ja auch die mittlere ntige Wurf- hin vorhandene) Gedanken wie: ,,Ich habe die ma-
zahl fiir X kleiner sein als jene fiir Y, oder?! thematischen Begrndmgen md Rechnmgen zwar
verstanden md glaube daher an deren Resultat, aber
Da dies nicht mbedingt so sein mu, zeigen zwar
innerlich verstanden, warum es zu diesem Wider-
die Rechnmgen, aber eine u.E. wichti~e Formulie-
spruch kommt, habe ich nicht."

Heuristische, aber vielleicht lehrreiche Formulierung:


Das Muster AKAA kommt zwar ,,meistens" (mit nem gewichtete arithmetische Mittelwerte. Das
arithmetische Mittel ist bekanntlich sehr empfind-
Wahrscheinlichkeit ~) erst spter als KAKA, aber
14 lich gegenber sogenannten ,,Ausreiern" (beson-
wenn AKAA frher kommt, so kommt es offenbar ders groe bzw. kleine Werte), so da sich diese
meist deutlich frher, so da "im Mittel" die rur Eigenschaft in natrlicher Weise auf Erwartungs-
AKAA ntige Wurfzahl trotzdem kleiner ist. Er- werte bertrgt! D.h. wenn AKAA in einigen Fllen
wartungswerte stehen in einer engen BeziehWlg zu deutlich frher kommt als KAKA (,,Ausreier"), so
Mittelwerten: Erwartungswerte sind einerseits Vor- kann dies ,,ausreichen", da im Mittel fiir AKAA
hersage- bzw. Schtzwerte fiir die zugehrigen weniger Wrfe ntig sind, obwohl AKAA in den
(empirischen) Mittelwerte md umgekehrt (genauso meisten Fllen bzw. Serien (offenbar nur relativ)
wie Wahrscheinlichkeiten md relative Hufigkei- spter kommt als KAKA.
ten) md andererseits sind sie selbst per definitio-
"Interpretationen" bei KAKA - AKAA:
Zwei Personen vereinbaren, jeweils eines der hei- zweiten (in der jeweiligen Serie spter erscheinen-
den Muster KAKA bzw. AKAA zu whlen. Eine den) Musters erfolgt ein Abbruch der laufenden Se-
Mnze wird wiederholt geworfen; nm kann man rie md Start einer neuen (z.B.:in einer Serie er-
sich (mindestens) drei verschiedene Spielregeln scheint KAKA erstmalig an der 12. Stelle md nach
vorstellen, die mit mserem Paradoxon zusammen- insgesamt 20 Wrfen, also 8 Wrfe spter, ergibt
hngen: sich auch AKAA in dieser Serie; nm wird eine neue
Serie gestartet). Jeder Spieler notiert bei jeder Serie
(I) Gewonnen hat derjenige, dessen Muster zuerst
die Anzahl von Wrfen, bis sein Muster erschienen
als Wort (Ergebnis von 4 aufeinanderfolgenden
ist md bekommt dadurch viele (z.B. 100 oder
Wrfen) kommt; damt ist es klger, sich fiir KAKA
1000) Werte; der Spieler mit KAKA mte bei obi-
zu entscheiden.
ger Beispielserie 12 md der Spieler mit AKAA
(2) Es wird vereinbart, viele (z.B. 100 oder 1000) mte 20 notieren. Sieger ist nm derjenige, dessen
Serien zu werfen. Jede Serie dauert solange, bis Durchschnittswert aller 100 bzw. 1000 Werte
beide Muster erschienen sind Gedes endliche Mus- (arithmetisches Mittel) kleiner ist. Bei diesem Spiel
ter erscheint mit Wahrscheinlichkeit I in einer be- ist der Spieler mit AKAA bevorzugt!
liebig langen Serie): Nach dem Erscheinen des
- 12 -
H. Humenberger: berraschendes bei MDzWUrfserien
Stochastik in der Schule Band 20(lOOO), Heft 1

(3) Es wird vereinbart, da "die fr das Spiel ent- weils Neustart.] Sieger ist derjenige, dessen Muster
scheidenden 4-gliedrigen Muster" nur jene der Bl- frher in einem "gltigen Viererblock" erscheint
cke 1-4, 5-8, 9-12, etc. sind (im Gegensatz zu den Dann sind die Muster der einzelnen Viererblcke
obigen beiden Spielregeln, bei denen alle mgli- (1-4, 5-8, 9-12, etc.) wohl voneinander Wlabhn-
chen 4-er Blcke einer Serie zhlen, also auch Z.B. gig (einzelne Wlabhngige Serien der Lnge 4) Wld
die Blcke 2-5, 3-6, 4-7, etc.) Ma.W.: Nach je- beide Muster sind fr dieses Spiel gleichgut!
dem abgeschlossenen Viererblock gilt die Devise:
Die Tab. 4 Wld 5 (siehe Beitragsende) geben einen
Neues Spiel, neues Glck; "berschneidWlgen"
berblick ber ErwartWlgswerte Wld Siegeswahr-
zwischen den "gltigen" Viererblcken werden
scheinlichkeiten bei viergliedrigen Mustern (siehe
nicht beachtet. [Man knnte auch sagen: es werden
dazu auch die Legende zu Tab 2).
immer nur Serien der Lnge 4 geworfen, dann je-
Bemerkungen:
(a) Es gibt bei 4-gliedrigen Mustern (wie bei 3- P(KAKK vor AKKK) = .l > l,
gliedrigen) sowohl eine Flle von Paarungen mit 12 2
zwar gleichen Erwartungswerten, aber Wlterschied- aber E(KAKK) = 18 > 16 = E(AKKK).
lichen Wahrscheinlichkeiten bzgl. ,,kommt frher P(KAKK vor KKAA) = > l
als" (in den Tab. 4 Wld 5 durch typewriter ge- 7 2'
kennzeichnet) als auch viele Paarungen mit zwar aber E(KAKK) = 18 > 16 = E(KKAA).
gleichen diesbezglichen Wahrscheinlichkeiten, P(KAAK vor AAKK) = .l > l,
aber Wlterschiedlichen durchschnittlichen Warte- 12 2
zeiten (ErwartWlgswerten) - in den Tab. 4 Wld 5 aber E(KAAK) = 18 > 16 = E(AAKK).
kursiv gekennzeichnet.
(c) Wrden Julia Wld Julian mit 4-g1iedrigen
(b) Erstmalig bei 4-g1iedrigen Mustern knnen Mustern spielen, so betrge Julians Gewinnwahr-
aber die beiden Sichtweisen ,,kommt frher als"
scheinlichkeitjedenfalls (mindestens) ~,ein Wert,
bzw. ,,ErwartWlgswert" das echte Gegenteil von- 14
einander bringen, d.h. nicht nur "Gleichwahr- der sogar etwas kleiner als der entsprechende Wert
scheinlichkeit" gegen ,,Bevorzugwg - eines Mus-
1 bei 3-gliedrigen Mustern ist. D.h. mit wachsen-
ters", sondern sogar Bevorzugung des einen Mus- 3
ters gegen Bevorzugung des anderen Musters (bei dem n mu bei diesem Spiel die Unfairne nicht
allen vier Paaren auch VertauschWlg der Rollen K notwendig noch grer werden.
~ A mglich):
(d) Beispiel einer zyklischen Kette bei 4-gliedrigen
P(KAKA vor AKAA) = ~ > l Mustern (nichttransitive Relation besser bei
14 2'
,,kommt frher als"):
aber E(KAKA) = 20 > 18 = E(AKAA). 5/7 9/14 4/7 9/14
KKAK> KAKA > AKAA > AAKK > KKAK
5 Erwartungswerte bei n-gliedrigen Mustern
Trivialerweise haben je zwei Muster, die K-A- n
E(K.. .K A) = 2
symmetrisch sind, dieselbe durchschnittliche War- ~
(n-l)oma!
tezeit (denselben ErwartWlgswert), z.B. KAKKAA
Wld AAKKAK Geweils 64). Es gilt auerdem (zwar
nicht trivialerweise, aber doch): Je zwei Muster,
von denen jedes das ,,rckwrts" gelesene des je-
weils anderen ist, haben gleiche durchschnittliche [Die Maximalitt bleibt hier Wlbewiesen. Sie folgt
Wartezeit (ErwartWlgswert); dies folgt auch z.B. Z.B. - wie die vorher erwhnte Minimalitt - aus
aus Li 1980. der Arbeit von Li 1980.] Obwohl die beiden Wahr-
Allgemein gilt bei n-gliedrigen Mustern: Der Er- scheinlichkeiten, da das eine Muster bzw. das an-
wartungswert (durchschnittliche Wartezeit) fiir die dere zuerst kommt, gleich gro sind (nach (n-l)-
mal K fllt mit gleicher Wahrscheinlichkeit ein
Serie K. ..K A = 2" ist minimal Wlter allen n-
~
(,,-l}mal
weiteres K oder A), mu man somit im Durch-
schnitt fast doppelt so lange auf eine reine K-Serie
gliedrigen Mustern, er betrgt 2". Die ,,reinen Se-
der Lnge n warten wie auf eine K-Serie der Lnge
rien" (n-mal K oder n-mal A) haben die lngsten
n-l Wld darauffolgendes A.
durchschnittlichen Wartezeiten, sie betragen 21t+1 - 2
n
= 2(2 - 1): Man knnte vermuten, da dieses Phnomen -
eventuell unbewut - eine Ursache dafr ist, da
viele Leute nach einer relativ langen "Rot-Serie
- 13-
H. Humenberger: berraschendes bei Mnzwurfserien
Stochastik in der Schule Band 20(2000), Heft I

beim Roulette" intuitiv viel eher "Schwarz" er- E(~=2n+l_2


warten als erneut "Rot" (oder A noch einer K- lH11IIl
Serie). zu zeigen.
Lemma:
Wir betrachten das "Geschehen" nach dem ersten
Block K.. .K. Der Erwartungswert fiir diesen ers-
..............
(n-l}-ma1
n
'" ten Block betrgt 2 - 2, wie wir aus der lndukti-
Beweis: Aus der bekannten Beziehung I nxn-
1
onsvoraussetzung wissen.
Die Mnze kann nun beim nchsten Wurf K zeigen

(i:x n=l
n
)' = C~ J' = _1-2 fiir
(I-x)
lxi < 1 ergibt
n n 1
(E = 2 - 2 + 1 = 2 - 1, P = 2) oder A. Im zweiten
Fall ist erneut auf den nchsten K-Block [(n-l)-mal

sich fiir x = ~ unmittelbar: fn=l _n_ = 1 + 2


n 1
2 - 2
1
+~
hintereinander K] zu warten und wieder entscheidet
der darauf folgende Wurf: er kann K sein (E =
n n n
(2 _ 1)+(2 - 1) = 2 (2 - 1), P = H = t) oder wie-
1 1 1
3,- +4,- + = - - - =4 der A usw. Wir erhalten insgesamt (siehe Abb. 1)
2 2
2
3
'" (1-~r . E~K)=
(n-l)-maI
Vollstndige Induktion: IE(~ = 2+ _21 n I
n n
(2 _ 1)-~ + 2(2 -l)+~ + 3(2n_l)+l~ + ... =

Fr n = 1, 2, 3 haben wir die entsprechenden Werte


n
(2 -1)+(1 +2'-;'+3 '~+4'~+"') = 2n+l -2.
2, 6, 14 schon besttigt. Unter der Annahme der
Gltigkeit von E( K. ..K) = 2 - 2 haben wir
n
\,
2
.
2 2
=4 (siehe Lemma)
I

.............. r
(n-l}-mal

K ..... K f <
K/
___>~ A ~
n K ..... Kf<K - /
I 2 -2 1I ___ >~ A ~

n
I 2 -2

Abb.l:
E(K. .. K): Mglichkeiten nach den einzelnen K-Blcken [(n-l)-mal hintereinander K]

Beweis von E(K ...K A) = 2" : Bemerkung: Es gibt auer der hier dargestellten
.............. Methode noch einige andere zur Berechnung von
(n-l)-mal
mittleren Wartezeiten (Erwartungswerten) und Sie-
Wir wissen von oben und verwenden im folgenden,
n geswahrscheinlichkeiten (,,Muster X kommt frher
da E(K...K) = 2 - 2 ist. Ganz kurz und lapidar als Muster Y "). Drei davon seien mit einem Lite-
..............
(n-l}-rml raturverweis erwhnt: (1) mit Hilfe unendlicher
knnte so argumentiert werden: K ... K A bedeutet Reihen Geweiliges Einsetzen in die Definition der
..............
(n-l}-ma1 Erwartungswerte - siehe z.B. Humenberger 1998b;
nichts anderes als Warten auf den ersten K-Block (2) mit Hilfe von Graphen und den ,,Mittelwertsre-
der Lnge n - 1 (der Erwartungswert dafiir betrgt geln" - siehe Z.B. Engel 1976, S. 18t! (insbesonde-
n re S. 22-26); (3) mit Hilfe des sogenannten Con-
2 - 2) und anschlieendes Warten auf das nchste
A (dieser Erwartungswert betrgt 2), woraus sich way-Algorithmus - beschrieben z.B. in Gardner
n (1974, S. 123) oder Szekely (1990, S. 62); dieser ist
der behauptete Erwartungswert E(K. .. K A) = 2
.............. zwar sehr "verblffend" und auch sehr leicht
(n-l}-rml durchzufilhren, aber relativ schwierig einzusehen
unmittelbar ergibt! bzw. zu begrnden (z.B. Li 1980).

- 14-
B. Bumenberger: berraschendes bei Mfinzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

K.KKK (30) KK.KA (16) KKAK (18) KAKK (18) AKKK (16) KKAA (16) KAKA (20) KAAK (18)
K.KKK(30) - 112 2/5 3/10 1/16 2/5 5/12 4/11
KK.KA (16) 112 - [I~ 112 1/8 l2/31 5/8 4/7
KKAK(l8) 3/5 1/3 - 3/5 5/12 112 771 1/2
KAKK (18) 7/10 112 2/5 - 7/12 4/7 112 1/2
AKKK (16) rr5/!! r7/81 7/12 5/12 - 7/12 9/16 112
KKAA (16) 3/5 1/3 112 3/7 5/12 - 5/9 ~~
KAKA (20) 7/12 3/8 2/7 112 7/16 4/9 - 112
KAAKJI8) 7/11 3/7 1/2 1/2 112 1/3 112 -
AKKA (18) 5/8 7/16 7/12 5/12 112 7/12 9/16 1/2
AKAK(20) 5/8 7/16 7/16 ~ji41 112 7/16 1/2 7/16
AAKK (16) 3/4 7/12 9/14 9/16 r2 / 3] 1/2 9/16 5/12
KAAA (16) 7/11 3/7 112 112 1/2 1/3 112 112
AKAA (18) 5/8 7/16 7/16 1/2 112 7/16 5/14 7/12
AAKA (18) 5/8 7/16 1/2 9/16 112 5/14 9/16 5/12
AAAKJ16) 15/22 112 9/16 9/16 4/7 5/12 9/16 9/16
AAAA (30) 112 7/22 3/8 3/8 4/11 114 3/8 3/8

Tab. 4:
Teil 1 - Viergliedrige Muster: Erwartungswerte; Gewinnwahrscheinlichkeiten des jeweiligen Zeilenmusters
bei ,,kommt frher als" in einer Wurfserie mit einer Laplace-MDze. Zustzlich zur Legende zu Tab. 2: 9/14 ...
fett sind jene Werte (t: Yl) gedruckt, bei denen die Sichtweisen ,,Erwartungswerte" bzw. "Wahrscheinlichkei-
ten fiir kommt frher als" sogar zur gegenteiligen Einschtzung fiihren (kommt bei 2- und 3-gliedrigen Mus-
tern nicht vor).
AKKA (18) AKAK(20) AAKK(l6) KAAA (16) AKAA (18) AAKA (18) AAAK(16) AAAA (30)
K.KKK(30) 3/8 3/8 114 4/11 3/8 3/8 7/22 112
KKKAJl6) 9/16 9/16 5/12 4/7 9/16 9/16 1/2 15/22
KKAK (18) 5/12 9/16 5/14 1/2 9/16 112 7/16 5/8
KAKK(18) 7/12 5/14 7/16 112 1/2 7/16 7/16 5/8
AKKK (16) 112 112 1/3 112 112 1/2 3/7 7/11
KKAA (16) 5/12 9/16 112 [2/~ 9/16 9/14 7/12 3/4
KAKA (20) 7/16 1/2 7/16 112 ~~ 7/16 7/16 5/8
KAAK (18) 112 9/16 7/12 112 5/12 7/12 7/16 5/8
AKKA (18) - 1/2 l/3 112 1/2 112 3/7 7/11
AKAK(20) 112 - 4/9 7/16 112 2/7 3/8 7/12
AAKK(16) 12/~ 5/9 - 5/12 3/7 1/2 1/3 3/5
KAAA (16) 112 9/16 7/12 - 5/12 7/12 r7/8l fI5/!!
AKAA (18) 1/2 1/2 4/7 7/12 - 2/5 112 7/10
AAKA (18) 1/2 Im! 112 5/12 3/5 - l/3 3/5
AAAK(16) 4/7 5/8 [2/3] 1/8 112 ~j3J - 112
AAAA (30) 4/11 5/12 2/5 1/16 3/10 2/5 112 -
Tab. 5:
Teil 2 - Viergliedrige Muster: Erwartungswerte; Gewinnwahrscheinlichkeiten des jeweiligen Zeilenmusters
bei ,,kommt frher als" in einer Wurfserie mit einer Laplace-MDze.

- 15-
H. Humenberger: berraschendes bei Mnzwurfserien
Stochastik in der Schule Band 20(2000), Heft 1

Literatur
Hentz, H. J. (1983a): Hat die Mnze doch ein Gedchtnis? - In: Der Mathematikunterricht 29 (R I), S. 8-10
Bentz, H. J. (1983b): Willkrliche Wld WlwillkrIiche implizite Lotterien. - In: Der Mathematikunterricht 29
(H. 1), S. 41-46
Bentz, H. J. (l983c): Fehlerhafte ModellbildWlgen. - In: Der Mathematikunterricht 29 (R I), S. 70-76
Bentz, H.J. (l983d): Hufigkeiten, relativ Wld absolut. - In: Der Mathematikunterricht 29 (H. I), S. 77-82
Bentz, H. J. (1985): ber den didaktischen Wert stochastischer Paradoxa. - In: Didaktik-Reihe der Sterrei-
chischen Mathematischen Gesellschaft (R 13), S. 3-18
Borovcnik, M (1992): Stochastik im Wechselspiel zwischen Intuitionen Wld Mathematik. - Mannheim u.a.:
Bibliographisches Institut
Buth, M (1991): Die Behindertmg des gesWlden Menschenverstandes durch Stochastik. - In: Stochastik in der
Schule 11 (R 3), S. 12-22
Buth, M (1996): Schwierigkeiten im Umgang mit dem Zufall. -In: mathematica didactica 19 (R 2), S. 3-17
Bhler, W. J. (1992): Wahrheit Wld Lge in der Statistik - hufige Fehlerquellen in der Statistik. - In: Der
Mathematiktmterricht 38 (H. 4), S. 34-45
Chen, R; Zame, A (1977): A Remark on Fair Coin-Tossing Process. - In: Bull. Inst. Math. Statist. 6, S.278
Christensen, R; Utts, J. (1992): Bayesian Resolution ofthe ,,Exchange Paradox". - In: The American Statisti-
cian 46 (R 4), S. 274-276
Drfler, W.; Fischer, R (Hg.) (1981): Stochastik im SchulWlterricht. - Stuttgart: Teuboer Wld Wien: Hlder-
Pichler-Tempsky
Engel, A (1973, 1976): WahrscheinlichkeitsrechnWlg und Statistik (zwei Bnde). - Stuttgart: Klett
Engel, J. (1996): Das Achensee-Paradoxon. - In: Stochastik in der Schule 16 (R I), S. 3-10
Falk, R (1983a): Vereinfachte DarstellWlgen einiger VerteilWlgen Wld ihrer Erwartungswerte. - In: Der Ma-
thematikunterricht 29 (H. I), S. 62-69
Falk, R (1983b): Haben Mnner mehr Schwestern als Frauen? - In: Stochastik in der Schule 3 (H. 1), S. 21-23
Falletta, N. (1989): Paradoxon. - Fr~: Fischer Taschenbuch
FeIler, W. (1968): An Introduction to Probability Theory and Its Applications. - New York: John Wiley
Gardner, M. (1970): The Paradox of the Nontransitive Dice and the Elusive Principle of Indifference. - In:
Scientific American (R 223), Dezember 1970, S. 110-114
Gardner, M. (1974): On the Paradoxical Situations That Arise From Nontransitive Relations. - In: Scientific
American (H. 231), Oktober 1974, S. 120-125
Gardner, M. (1982): Gotcha. Paradoxes to Puzzle And DeIight. - New York: Freeman and Company
Gardner, M. (1983): Wheels, Life and Other Mathematical Amusements. - New York: Freeman and Company
Gray, M. W. (1983): Statistics and the Law. - In: Mathematics Magazine 56 (R 2), S. 67-81
Green, D.; ROWlcefield, M. (1990): Condorcet's Paradoxon. - In: Stochastik in der Schule 10 (R I), S. 20-25
von Harten, G.; Steinbring, H. (1984): Stochastik in der SekWldarstufe I. - Kln: Aulis Verlag Deuboer (IDM-
Reihe UntersuchWlgen zum MathematikWlterricht; 8)
Henze, N. (1995): Einige Fallstricke im Zusammenhang mit bedingten Wahrscheinlichkeiten. - In: Der ma-
thematische Wld naturwissenschaftliche Unterricht 48 (R 5), S. 275-281
Henze, N. (1997): Stochastik fllr Einsteiger. - BraWlschweig-Wiesbaden: Vieweg
Humenberger, R; Reichei, R-C. (1995): Fundamentale Ideen der Angewandten Mathematik und ihre Umset-
ZWlg im Unterricht. - Mannheim u.a: Bibliographisches Institut
Humenberger, H. (1996): Das Benford-Gesetz ber die VerteilWlg der ersten Ziffer von Zahlen. - In: Sto-
chastik in der Schule 16 (R 3), S. 2-17
Humenberger, H. (1997): Eine ErgnZWlg zum Benford-Gesetz - weitere mgliche schulrelevante Aspekte. -
In: Stochastik in der Schule 17 (H. 3), S. 42-48
Humenberger, R (1998a): Bedingte Erwartungswerte. - In: Stochastik in der Schule 18 (R 3)
Humenberger, H. (1998b): Kopf-Adler-Muster in Mnzwurfserien, Wlendliche Reihen Wld Fibonacci-Folgen.
Preprint Universitt fiir Bodenkultur, Wien
Ineichen, R (1983): Zufllig oder nicht-zufllig? - In: Der Mathematikunterricht 29 (H. I), S. 24-40
Jahnke, T. (1993): Das Simpsonsche Paradoxon verstehen - ein Beitrag des Mathematikunterrichts zur AUge-
meinbildWlg. - In: Journal fllr Mathematik-Didaktik 14 (H. 3/4), S. 221-242
Kilian, R (1987): Bedingte Erwartungswerte im StochastikWlterricht. - In: Stochastik in der Schule 7 (H. 3),
S.24-45
Kirsch, A; Blum, W. (1994): BemerkWlgen zu einer bekannten "probabilistischen Paradoxie". - In: Pickert,
G.; Weidig, I. (Hg.), Mathematik erfahren Wld lehren. Festschrift fllr Hans-Joachim Vollrath. Stuttgart:
KIen. S. 125-133
- 16-
H. Humenberger: berraschendes bei Miinzwnrfserien
Stochastik in der Schule Band 20(2000), Beft 1

Krmer, W. (1995): Denkste! Trugschlsse aus der Welt des Zufalls und der Zahlen. - Frankfurt - New York:
Campus
KDZel, E. (1991): ber Simpsons Paradoxon. - In: Stochastik in der Schule 11 (H. I), S. 54-62
Ktting, H. (1994): Didaktik der Stochastik. - Mannheim u.a.: Bibliographisches Institut
Li, S.-Y.R (1980): A Martingale Approach to the Study of Occurence of Sequence Patterns in Repeated Ex-
periments. - In: The Annals ofProbability 8 (H. 6), S. 1171-1176
McColl, J. H. (1995): Probability. Modular Mathematics Series. - London: Edward Amold
Meyer, J. (1994): ber einige Paradoxa aus der Stochastik. - In: Beitrge zwn Mathematikunterricht 1994, S.
239-242
Meyer, J. (1995a): Einfache Paradoxien in der beschreibenden Statistik. - In: Stochastik in der Schule 15 (H.
2), S. 27-50
Meyer, J. (1995b): Wahlen: Paradoxa bei der Sitzverteilung. - In: mathematica didactica 18 (H. 1), S. 21-34
Palm, G. (1983): Wo kommen die Wahrscheinlichkeiten eigentlich her? - In: Der Mathematikunterricht 29 (H.
1), S. 50-61
Penney, W. (1969): Problem: Penney-ante. - In: Journal ofRecreational Mathematics 2, S. 241
Pfeifer, D. (1992): Kettenbriefe - was sie versprechen, was sie halten. - In: Stochastik in der Schule 12 (H. 3),
S.37-47
Pflug, G. (1981): Paradoxien in der Wahrscheinlichkeitsrechnung. - In: Drfler, W.; Fischer, R (Hg.), S. 155-
163
Reichei, H.-C.; Hanisch, G.; Mller, R (1992): Wahrscheinlichkeitsrechnung und Statistik. Wien: Hlder-
Pichler-Tempsky (Mathematik fiir Schule und Praxis; 1)
Riemer, W. (1989): Das Arcsin-Gesetz der Wahrscheinlichkeitsrechnung. - In: Der Mathematikunterricht 35
(H. 4), S. 64-75
Schmidt, G. (1990): Schwchen im gegenwrtigen Stochastikunterricht und Anstze zu ihrer Behebung. - In:
Der Mathematikunterricht 36 (H. 6), S. 20-28
Scholz, R (1981): Stochastische Problemaufgaben - Analysen aus didaktischer und psychologischer Perspek-
tive. - Universitt Bielefeld (10M-Reihe Materialien und Studien; 23)
Schrage, G. (1971): Ein Paradoxon in der Wahrscheinlichkeitsrechnung? - In: Praxis der Mathematik 13, S.
309-312
Schrage, G. (1984): Stochastische Trugschlsse. - In: mathematica didactica 7 (H. 3), S. 3-19
Stadler, H. (1986): Paradoxien der Wahrscheinlichkeitsrechnung und Statistik. Teil 1: Didaktik der Mathema-
tik 14 (H. 2), S. 134-152; Teil 2: Didaktik der Mathematik 14 (H. 3), S. 167-182
Szekely, G. J. (1990): Paradoxa - klassische und neue berraschungen aus Wahrscheinlichkeitsrechnung und
mathematischer Statistik. - Frankfurt: Harri Deutsch
Tenney, R L.: Foster, C. C. (1976): Non-Transitive Dominance. - In: Mathematics Magazine 49 (H. 3), S.
115-120
Walter, H. (1983): Heuristische Strategien und Fehlvorstellungen in stochastischen Situationen. - In: Der Ma-
thematikunterricht 29 (H. 1), S. 11-23
Winter, H. (1992): Zur intuitiven Aufklrung probabilistischer Paradoxien. - In: Journal fiir Mathematik-
Didaktik 13 (H. 1), S. 23-53
Wirths, H. (1995): Der Erwartungswert. Unterrichtsskizzen zur Begriffsentwicklung von Klasse 8 bis 13. - In:
Mathematik in der Schule 33 (H. 6), S. 330-343

Anschrift des Verfassers:


Hans Humenberger
Institut fiir Mathematik und Angewandte Statistik
Universitt fiir Bodenkultur
Gregor Mendel-Strae 33
A-1180 Wien
E-mail: hans@mail.boku.ac.at

- 17-
B. Bumenberger: berraschendes bei Minzwurfserien