Sie sind auf Seite 1von 158

Kombinatorik

Vorlesen

Übersicht über den Kurs


Play Video

Kombinatorik
Play Video

Kombinatorik ist die Kunst des Zählens. Genauer befasst man sich mit Anordnungen in endlichen
Mengen und dem Abzählen der verschiedenen Anordnungsmöglichkeiten unter geeigneten
Bedingungen. Hierbei kann es sich um Anordnungsmöglichkeiten von Buchstaben eines Wortes, von
Gewinnmöglichkeiten in einem Glücksspiel oder um die Sitzanordnung von Personen an einem
Tisch handeln. Man kann die hier betrachteten Probleme der Kombinatorik einteilen in

 Permutationen

 Variationen

 Kombinationen,

und zwar jeweils

 mit Wiederholung und

 ohne Wiederholung.

Demnach erhält man also sechs (nämlich 3·2 = 6) mögliche Fälle. Die Abb. 1.1 (in Anlehnung an das
Buch von Assenmacher, Induktive Statistik, Springer-Verlag) zeigt die in Klausuren relevanten Fälle.
Abb. 1.1: Übersicht über die Kombinatorik

Beim Ziehen „ohne Wiederholung“ ist „(B,B)“, also das doppelte Ziehen einer Kugel mit dem
Buchstaben „B“, nicht möglich. Beim Ziehen „mit Wiederholung" ist dies hingegen sehr wohl
möglich.

Permutationen
Vorlesen

Permutationen ohne Wiederholung


Permutieren heißt vertauschen. Man stellt sich hier die Frage, auf wieviele verschiedene Arten und
Weisen n Objekte angeordnet werden können.

Antwort: auf n! (sprich: „n Fakultät“) verschiedene Arten, dabei ist

n! = 1·2·3·4·...·(n-2)·(n-1)·n.

Also z.B.

1!= 1

2!= 1·2 = 2

3!= 1·2·3 = 6

4!= 1·2·3·4 = 24

5!= 1·2·3·4·5 = 120

6!= 1·2·...·6 = 720

7!= 5.040

8!= 40.320

9!= 362.880

10!= 3.628.800

Tab: Die Zahl n!.

Außerdem ist 0! = 1 definiert.

Genauer: die Anzahl aller n-stelligen Permutationen ohne Wiederholung beträgt n!.

BEISPIEL

Die Anzahl der verschiedenen Sitzanordnungen von n = 3 Personen auf 3 Stühlen beträgt 3! = 1 .2.3 =
6. Benennt man die Personen mit A, B und C, so lassen sich nämlich die Anordnungen (A,B,C),
(A,C,B), (B,A,C), (C,A,B), (C,B,A) und (B,C,A) unterscheiden.
Man beachte, dass das A wandert: zuerst steht A vorne und B und C werden vertauscht (=
permutiert). Danach steht A in der Mitte und B und C werden wieder vertauscht (was jeweils zwei
Möglichkeiten liefert). Schließlich ist A ganz hinten und liefert über die Permutation von B und C
wieder zwei Möglichkeiten.

Man sollte sich stets eine systematische Anordnung angewöhnen, damit man nicht
durcheinanderkommt.
Play Video

Permutationen mit Wiederholung

METHODE

Wenn unter den Elementen eines n-Tupels k-Elemente voneinander verschieden sind (k ≤ n) und
jeweils mit den Häufigkeiten n1, n2, ..., nk auftreten und n1 + n2 + ... + nk = n gilt, dann nennt man dies
eine n-stellige Permutation mit n1, n2, ..., nk Wiederholungen. Es gibt insgesamt  n!n1!⋅n2!⋅...⋅nx! dieser
n-stelligen Permutationen.

BEISPIEL

Aus den Buchstaben A, A, B, C lassen sich  4!2!⋅1!⋅1!=12 verschiedene Permutationen mit


Wiederholung, das heißt zwölf unterschiedliche 4-Tupel der betrachteten Art bilden.

Es gibt n1 = 2 mal den Buchstaben A, n2 = 1 mal den Buchstaben B sowie n3 = 1 mal das C. Dies macht
insgesamt n = n1 + n2 + n3 = 2 + 1 + 1 = 4 Buchstaben, die alle in einem 4-Tupel hingelegt werden
sollen. Man erhält folglich:

(A,A,B,C) (A,B,C,A)

(A,A,C,B) (A,C,B,A)

(B,A,A,C) (A,B,A,C)

(C,A,A,B) (A,C,A,B)

(B,C,A,A) (B,A,C,A)

(C,B,A,A) (C,A,B,A)
Die beiden Buchstaben A sind also insbesondere nicht unterscheidbar. Das heißt, wenn man die
beiden A noch beschriften würde mit einem kleinen Index 1 und 2, so wäre (A 1,A2,B,C) und (A2,A1,B,C)
dasselbe Ereignis und wird deswegen nur kurz (A,A,B,C) geschrieben.

BEISPIEL

Aus den Zahlen 2,2,2,3,3,5,7,9,9 lassen sich  9!3!⋅2!⋅1!⋅1!⋅2!=9!6⋅2⋅2=15.120 verschiedene,


neunstellige Zahlen bilden.

Es kommt auch hier beispielsweise nicht auf die Reihenfolge der Zweien und der Dreien an, denn
egal an welcher Stelle die einzelnen (künstlich unterscheidbaren) Ziffern stehen, die Zahl ist die
gleiche. So ist z.B. (mit nummerierten Dreien, nämlich 31 und 32) die Zahl 22312325997 die gleiche
Zahl wie 22322315997, nämlich beide Male einfach 223.235.997.

Wir haben mit (A,B,C) ein sogenanntes „Tupel“ (hier ein Dreier-Tupel) eingeführt. An der ersten Stelle
steht ein A, an der zweiten passiert B, an der dritten C. Ein Tupel gibt also mögliche Anordnungen
wieder. Wir werden im Folgenden immer wieder auf Tupel zurückgreifen.

MERKE

Wir werden die Formel

 n!n1!⋅n2!⋅...⋅nx!
an späterer Stelle, nämlich bei der Multinomialverteilung (= Polynomialverteilung), nochmals
kennenlernen.

Bei beiden Arten von Permutationen haben wir alle vorhandenen n-Objekte angeordnet. Wenn man
dies allerdings nur für einige der Elemente tut, kommt man zum Begriff der Variation.
Play Video

 1Permutationen
 2Permutationen
 3Permutationen
 4Permutationen
 5Permutationen
 6Permutationen
 7Permutationen
 8Permutationen

Permutationen
Aufgabe 1 von 8

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Mit der Fakultät lassen sich die mögliche Anzahl von Zügen beim Ziehen aus einer Urne ohne
Zurücklegen und ohne Beachten der Reihenfolge beschreiben.

 
Mit der Fakultät lassen sich die mögliche Anzahl von Zügen beim Ziehen aus einer Urne ohne
Zurücklegen, aber mit Beachten der Reihenfolge beschreiben.

 
Mit der Fakultät lassen sich die mögliche Anzahl von Zügen beim Ziehen aus einer Urne mit
Zurücklegen und mit Beachten der Reihenfolge beschreiben.

Lösen

Variationen
Vorlesen

Variationen ohne Wiederholung

METHODE

Wenn man aus n Objekten ein k-Tupel (a1, a2, ... ,ak) bildet (k ≤ n) und sich die Elemente des Tupels
nicht wiederholen (ai ≠ aj für i ≠ j), so spricht man von einer Variation k. Ordnung von n Elementen
ohne Wiederholung. Es gibt  n!(n−k)! viele hiervon.

BEISPIEL

Wir wollen n = 4 Stühle mit k = 2 Personen besetzen. Es ist k = 2 ≤ n = 4, die Elemente wiederholen
sich nicht (ein- und dieselbe Person kann nicht auf unterschiedlichen Stühlen sitzen).

Es gibt  4!(4−2)!=4!2!=1⋅2⋅3⋅41⋅2=3⋅4=12 Möglichkeiten, dies zu tun, nämlich


(1,2,*,*) (2,1,*,*)

(*,2,1,*) (*,1,2,*)
(*,*,1,2) (*,*,2,1)

(1,*,*,2) (2,*,*,1)

(1,*,2,*) (2,*,1,*)

(*,2,*,1) (*,1,*,2)

Die Zahlen 1 und 2 stehen für die Personen, die Sterne * für die Stühle. Wichtig ist, dass die
Personen 1 und 2 zwar unterscheidbar sind, die Sterne * aber nicht! So ist, wenn man die Sterne
durch Stuhl 3 und Stuhl 4 ersetzt, die Anordnung (1,3,4,2) die gleiche wie (1,4,3,2), denn nur die
unbesetzten Stühle werden vertauscht, was für die Fragestellung keine Rolle spielt. Denn die
Aufgabe war es ja, die Möglichkeiten zu finden, k = 2 Personen auf n = 4 Stühle anzuordnen.

Video zu Variationen ohne Wiederholung


Play Video

Variationen mit Wiederholung

METHODE

Ein k-Tupel (a1,a2,...,ak) aus k-Elementen einer n-elementigen Obermenge heißt Variation k. Ordnung
von n-Elementen mit Wiederholung. Es gibt nk viele Möglichkeiten hierfür.

MERKE

 Die einzelnen Elemente ai, aj müssen also nicht ungleich sein, die Bedingung ai ≠ aj für i ≠ j
fehlt im Gegensatz zu den Variationen ohne Wiederholung.
 Die Reihenfolge der Elemente in den k-Tupeln wird unterschieden

BEISPIEL

Beim dreifachen Münzwurf gibt es (k = 3 faches Werfen einer Münze mit n = 2 Ausprägungen,
nämlich Kopf und Zahl) insgesamt nk = 23 = 8 unterschiedliche Möglichkeiten.

Diese lauten (K,K,K), (K,Z,Z), (Z,K,Z), (Z,Z,K), (K,K,Z), (K,Z,K), (Z,K,K), (Z,Z,Z).
Bei den nun folgenden Kombinationen kommt es auf die Elemente selber an, nicht hingegen auf
ihre Reihenfolge.

Video zu Variationen mit Wiederholung


Play Video

 1Variationen
 2Variationen
 3Variationen
 4Variationen
 5Variationen
 6Variationen
 7Variationen

Variationen

Aufgabe 1 von 7

Ein Parlament bestehe aus sechs Abeordneten. Es soll ein Ausschuss mit drei
Parlamentariern gebildet werden. Wieviele Möglichkeiten existieren hierfür, wenn man
die Reihenfolge (aus praktisch unerfindlichen Gründen) beachtet? 

 
120

 
40

 
10

Lösen

 Kombinationen
Kombinationen ohne Wiederholung
Vorlesen

METHODE
So ist es z.B. beim Kartenspiel gleichgültig, in welcher Reihenfolge die Karten ausgegeben werden,
die der Spieler hinterher in der Hand hält – es kommt lediglich auf die Karten selbst an. So ist (Pik 10,
Herzbube, Karo Ass) in der Hand eines Kartenspielers das gleiche wie (Herzbube, Pik 10, Karo Ass).
Statt eines k-Tupels interessieren hier also lediglich k-elementige Teilmengen einer Obermenge mit
n Elementen. Diese heißen dann Kombinationen k. Ordnung von n Elementen ohne Wiederholung.
Es gibt hierfür

(nk)=n!k!⋅(n−k)!

viele verschiedene Möglichkeiten.

MERKE

Die Zahl (nk) (sprich „n über k“) nennt man Binomialkoeffizient.

BEISPIEL

Studenten und Professor stoßen auf die Statistik an. Die Studenten Britta, Daniel und Klara
bestehen – nach dem Besuch des richtigen Repetitoriums – mit großem Erfolg ihre Statistik-Klausur
und gehen deshalb mit ihrem Professor einen trinken. Jeder hält ein Glas in der Hand und jeder
stößt mit jedem an.

Wie oft klirren die Gläser?

Es müssen zweielementige Teilmengen aus einer vierelementigen Obermenge gebildet werden,


wobei es auf die Reihenfolge nicht ankommt (denn wichtig ist, dass die Gläser klirren, nicht
hingegen, ob z.B. Britta mit Klara oder Klara mit Britta anstößt). Es handelt sich um Kombinationen

zweiter Ordnung von vier Elementen ohne Wiederholung. Hierfür gibt es (42)=4!2!⋅(4−2)!

=6 Möglichkeiten. Diese lauten explizit:

(B,D), Britta (B) stößt mit jedem der anderen anwesenden


(B,K), Personen an, nämlich mit Daniel (B,D), Klara (B,K) und
(B,P) dem Professor (B,P)

(D,K), Daniel stößt nur noch mit Klara und dem Professor an, da er
(D,P) mit Britta vorher schon angestoßen hatte

(K,P) Klara prostet lediglich noch dem Professor zu, denn sie hat
bereits mit Daniel und Britta angestoßen.

BEISPIEL

Gegeben sei eine Urne mit fünf Kugeln. Wir ziehen zweimal ohne Zurücklegen. Wie viele
Möglichkeiten existieren? Wie lauten diese explizit?

Es liegt eine Kombination k = 2. Ordnung von n = 5 Elementen ohne Wiederholung vor. Hierfür

existieren (52)=5!2!⋅(5−2)!=10 unterschiedliche Möglichkeiten. Beschriftet man die Kugeln mit

A,B,C,D,E, so lauten die zehn Möglichkeiten:


(A,B), (A,C), (A,D), (A,E)

(B,C), (B,D), (B,E)

(C,D), (C,E)

(D,E).

BEISPIEL

Wie viele Möglichkeiten existieren beim bekannten Samstags-Lotto, genau k = 1, 2, 3, 4, 5 bzw. 6


Richtige zu ziehen?

Die Anzahl der Möglichkeiten, 6 Zahlen aus 49 möglichen auszuwählen, ist (496)=13.983.816.

Will man 5 Richtige haben, so existieren hierfür (65)⋅(431)=6⋅43=258 Möglichkeiten, denn

es gibt (65)=6 Möglichkeiten, fünf vorgegebene Zahlen in dem 6-Tupel zu erhalten. Außerdem

gibt es für die sechste Zahl des 6-Tupels, die nicht aus den fünf vorgegebenen Zahlen stammen soll,

noch von den verbliebenen 43 Zahlen insgesamt (431)=43 Möglichkeiten. Also erhält man

insgesamt die behaupteten 6·43 = 258 Kombinationen.


 für genau 4 Richtige erhält man aus denselben

Überlegungen (64)⋅(432)=13.545 Möglichkeiten,

 für genau 3 Richtige entsprechend (63)⋅(433)=246.820,

 für genau 2 Richtige analog (62)⋅(434)=1.851.150 und

 für genau einen Richtigen genau so (61)⋅(435)=5.775.588.

MERKE

 Es handelt sich also um ein Ziehen ohne Zurücklegen. Wenn B gezogen wird, dann bleibt
die Kugel B außerhalb der Urne, d.h. das Ereignis (B,B) ist unmöglich.
 Darüber hinaus zieht man ohne Beachten der Reihenfolge. Damit ist es unerheblich, ob
zuerst A und dann B oder umgekehrt gezogen wird: (A,B) und (B,A) sind dasselbe Ereignis.

Man kann sich die Anwendbarkeit der Kombinationen k. Ordnung ohne Wiederholung mit
folgendem Spruch merken:

MERKE

Die Anzahl der Möglichkeiten, aus einer n-elementigen Obermenge k-elementige Teilmengen zu

bilden (ohne Beachten der Reihenfolge, Ziehen ohne Zurücklegen) beträgt (nk) .

Video
Play Video

 1Kombinationen ohne Wiederholung


 2Kombinationen ohne Wiederholung
 3Kombinationen ohne Wiederholung
 4Kombinationen ohne Wiederholung

Kombinationen ohne Wiederholung

Aufgabe 1 von 4
Ein Parlament bestehe aus sechs Abeordneten. Es soll ein Ausschuss mit drei
Parlamentariern gebildet werden. Wieviele Möglichkeiten existieren hierfür? 

 
20

 
10

 
40

Lösen

Kombinationen mit Wiederholung


Vorlesen

METHODE

Wenn man bei den o.e. Variationen mit Wiederholung auf die Unterscheidung der Reihenfolge der
Elemente in den k-Tupeln verzichtet, dann erhält man Kombinationen mit Wiederholung. Es gibt

(n+k−1k)

viele von ihnen.

BEISPIEL

Wieviele Möglichkeiten für unterschiedliche Würfe existieren, wenn man k = 2 nicht unterscheidbare
Würfel wirft (die jeweils n = 6 Seiten haben)?

Die Antwort ist:

(n+k−1k)=(6+2−12)=(72)=21. Schreiben wir die einzelnen, überhaupt möglichen,

Ergebnisse auf:
{(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)

(2,1), (2,2), ... , (2,6),


... , (6,1), (6,2), (6,6)}

Nun sind aber die einzelnen Würfel nicht unterscheidbar, d.h. (1,2) und (2,1) sind dasselbe Ereignis,
genauso (3,1) und (1,3) etc. Man streicht daher alle Elemente oberhalb der Hauptdiagonalen weg,
dies sind (1,2), (1,3), ..., (1,6), (2,3), ..., (2,6), (3,4),...,(3,6),(4,5),...,(4,6),(5,6), also insgesamt 15 Elemente.
Zurück bleiben 36 – 15 = 21 Möglichkeiten, nämlich (1,1),(2,1),(2,2),(3,1),(3,2),(3,3),(4,1),(4,2),(4,3),(4,4),
(5,1),(5,2),(5,3),(5,4),(5,5),(6,1),(6,2),(6,3),(6,4),(6,5),(6,6).

Video zu Kombinationen
Play Video

 1Variationenund Kombinationen
 2Kombinationen mit Wiederholung
 3Kombinationen mit Wiederholung
 4Kombinationen mit Wiederholung
 5Kombinationen mit Wiederholung

Variationen und Kombinationen

Aufgabe 1 von 5

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Variationen ohne Wiederholung unterscheide sich von Kombinationen ohne Wiederholung dadurch,
dass bei ersteren zusätzlich die Reihenfolge beachtet wird.

 
Variationen ohne Wiederholung unterscheide sich von Kombinationen ohne Wiederholung dadurch,
dass bei ersteren zusätzlich zurückgelegt wird.

 
Variationen ohne Wiederholung unterscheide sich von Kombinationen mit Wiederholung dadurch,
dass bei ersteren zusätzlich die Reihenfolge beachtet wird.

Lösen

Aufgaben, Beispiele und Berechnungen zur Kombinatorik


Vorlesen
Aufgabe 1:
Die XY-GmbH aus Dortmund beschäftigt zehn Mitarbeiterinnen und acht Mitarbeiter. Der
Betriebsrat soll aus fünf Frauen und drei Männern bestehen.

a) Wie viele Möglichkeiten gibt es, diesen Betriebsrat zu bilden?

b) In den Betriebesrat sollen die beiden Außendienstmitarbeiterinnen nicht gewählt werden, der
Vorsitzende der Finanzbuchhaltung hingegen auf jeden Fall. Wie viele Möglichkeiten gibt es nun, den
Betriebsrat zu bilden?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Die erste Fußballbundesliga besteht aus 20 Vereinen. Wie lässt sich die Anzahl der Hin- und der
Rückspiele berechnen? Wie viele Spiele werden insgesamt pro Saison ausgetragen?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3:
Der Studienabbrecher Karl möchte seine zehn vorhandenen Bücher auf seine (ehemaligen)
Kommilitonen Anton, Berta und Klara verteilen. Wie viele Möglichkeiten gibt es hierfür, wenn Anton
drei Bücher, Berta fünf Bücher und Klara zwei Bücher erhalten soll?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:
Aufgabe 4:
Student Max von der Uni Köln verspricht seiner Freundin, auf einer Party lediglich fünf Gläser zu
trinken. Er darf wählen zwischen Altbier, Kölsch und Cola. Wie viele Zusammenstellungen hat Max?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 5:
Eine Urne enthält vier rote, drei weiße und fünf schwarze Kugeln. Wieviele
Anordnungsmöglichkeiten entstehen, wenn nacheinander alle zwölf Kugeln ohne Zurücklegen
entnommen werden?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 6:
Aus der Gesamtheit von drei nummerierten Kugeln sollen zwei Kugeln ohne Zurücklegen gezogen
werden, wobei die Reihenfolge der Stichprobe eine Rolle spielt.

a) Welche Anordnungsvorschrift liegt vor und wie viele Anordnungsmöglichkeiten existieren?

b) Gib die Möglichkeiten explizit an.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 7:
Das Alphabet hat 26 Buchstaben mit fünf Vokalen. Wie viele Wörter mit sechs Buchstaben erhält
man mit vier verschiedenen Konsonanten und zwei verschiedenen Vokalen ohne Berücksichtigung
der Reihenfolge? Es ist wichtig, dass hier auch „sinnlose“ Wörter wie „asdfok“ dazuzählen.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 8:
In einer Urne befinden sich sechs Lose mit den Nummern 1 bis 6. Wenn man die Lose nacheinander
zieht und sie nicht zurücklegt, wie viele verschiedene Reihenfolgen sind möglich?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 9:
Frau Maier will ihre fünf Kinder für eine Gruppenaufnahme in einer Reihe anordnen. Auf wie viele
Arten kann sie dies tun?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 10:
Frau Maier hat vier Kleider, neun Hüte und zehn Paar Schuhe.

a) Auf wie viele Arten kann sie sich kleiden, wenn sie ein Kleid, einen Hut und ein Paar Schuhe tragen
will?
b) Wie ist es im Urlaub am Badestrand, wo das Tragen eines Kleidungsstückes freiwillig ist? Auf das
Kleid darf allerdings nicht verzichtet werden, es handelt sich nicht um einen FKK-Strand.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 11:
Fünf Sprinter kämpfen um drei Medaillen (Gold, Silber, Bronze). Auf wie viele Arten kann die
Preisverteilung erfolgen?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 12:
Wie viele zweistellige Zahlen kann man aus 1, 2, 3 bilden? Führe die Zahlen einzeln auf.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 13:
In einem Raum gibt es acht Lampen, die man unabhängig voneinander ein- und ausschalten kann.

Wie viele Beleuchtungsarten gibt es,

a) wenn fünf Lampen brennen sollen,

b) mindestens fünf Lampen brennen sollen?

VERTIEFUNG
Hier klicken zum Ausklappen
Lösung:

Aufgabe 14:
Der Bochumer Student Max würfelt viermal mit einem fairen Würfel. Wie groß ist die
Wahrscheinlichkeit, dass er dabei eine Zahl würfelt, die größer ist als 4444?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Kapitelabschlusstest
Sie sind zum Kapitelabschlusstest zugelassen.

Jetzt Kapitelabschlusstest starten Überspringen 

Ereignisse
Vorlesen
Play Video

Begriffe
In der Wahrscheinlichkeitsrechnung existieren viele unterschiedliche Begriffe in Zusammenhang mit
dem Wort „Ereignis“. Diese sollen an dem folgenden Beispiel klargemacht werden.

BEISPIEL

Wirf einen fairen Würfel zweimal. Erläutere die folgenden Begriffe:

 Elementarereignis  Durchschnitt
 Ereignis  Ausschluss von
 sicheres Ereignis Ereignissen
 unmögliches Ereignis  Komplement
 disjunkte Ereignisse  Teilmenge
 Vereinigung von  Ergebnismenge
Mengen

Ein Elementarereignis lässt sich nicht weiter in kleinere Ergebnisse zerlegen. So lautet hier die
Menge der Elementarereignisse beim doppelten Würfelwurf

{(1,1), (1,2), (1,3), (1,4), (1,5), (1,6)

Ω = (2,1), (2,2), (2,6),

(6,1), (6,2), (6,6)}

Der erste Eintrag gibt das Ergebnis des ersten Wurfs an, der zweite jenes des zweiten Wurfs.

Wir werden manche der folgenden Begriffe auch bildlich klarmachen anhand eines sogenannten
Venn-Diagramms, das aus den Mengen A und B besteht:

Abb. 2.1: Venn-Diagramm

Elementarereignis

 gibt die kleinsten, sich gegenseitig ausschließenden Situationen an. Ein Elementarereignis


kann nicht mehr aufgeteilt werden in kleinere Ereignisse. Beispiele im obigen Fall 2.1 sind (1,3),
(2,6) und jedes andere der 36 Elemente von Ω, also der Elementarereignisse.
Ereignis

 eine Teilmenge von Ω und damit i.A. eine Vereinigung von Elementarereignissen (Ausnahme:


das unmögliche Ereignis Ø – dieses ist ein Ereignis, das eintreten kann, ist aber keine
Teilmenge der Menge der Elementarereignisse). So ist z.B. A das Ereignis, dass beim
zweifachen Würfelwurf „Pasch“ fällt, d.h. A= {(1,1), (2,2), (3,3), … (6,6)}. A besteht damit aus
sechs Elementen, d.h. # A = 6,

sicheres Ereignis

 ein Ereignis, das auf jeden Fall eintritt, also A = Ω. Es ist z.B. sicher, dass eine Zahl zwischen 1
und 6 in jedem der Versuche gewürfelt wird

unmögliches Ereignis

 ein Ereignis, das auf keinen Fall eintritt, d.h. A = Ø. So ist z.B. das Ereignis, dass im ersten
Wurf eine 7 gewürfelt wird, unmöglich, genau wie eine 9 im zweiten Wurf etc.

 es gibt also nicht das unmögliche Ereignis, sondern viele unmögliche Ereignisse

disjunkte Ereignisse

 zwei Ereignisse, die nicht gleichzeitig eintreten können, d.h. A∩B=Ø. So ist es z.B. nicht
möglich, dass im ersten Wurf gleichzeitig eine 5 und eine 4 gewürfelt wird.

Vereinigung von Ereignissen

 verbal: die Vereinigung bedeutet, dass

o A allein eintritt oder

o B allein eintritt oder

o A und B beide eintreten

 in Formeln: A∪B
 anders ausgedrückt: mindestens eines der Ereignisse A oder B tritt ein
 das Vereinigt-Zeichen „∪“ bedeutet also nichts anderes als „oder“
 so ist z.B. A das Ereignis, dass die Augensumme kleiner oder gleich 5 ist: A = {(1,1), (1,2), (1,3),
(1,4), (2,1), (2,2), (2,3), (3,1), (3,2), (4,1)} und B das Ereignis, dass ein Pasch gewürfelt wird, also B
= {(1,1), (2,2), (3,3) … (6,6)}. Dann ist A∪B=(1,1),(1,2),…(4,1)∪(1,1),(2,2),(3,3),…
(6,6)=A∪(3,3),(4,4),(5,5),(6,6)

Abb. 2.2: Vereinigung von Ereignissen

Durchschnitt von Ereignissen

 verbal: beide Ereignisse müssen eintreten, d.h. dass

o A eintritt und

o B eintritt

 in Formeln: A ∩ B
 anders ausgedrückt: beide Ereignisse A und B treten ein

 das Geschnitten-Zeichen „∩“ bedeutet also nichts anderes als „und“


 so muss im Beispiel 2.1 also die Augensumme kleiner oder gleich 5 sein (Ereignis A) und
gleichzeitig müssen beide Zahlen gleich sein, d.h. ein Pasch tritt ein (Ereignis B). Dies passiert
aber dann, wenn in beiden Würfen eine 1 oder in beiden eine 2 auftritt:

A ∩ B = {(1,1), (1,2), ... (4,1)} ∩ {(1,1), (2,2), (3,3), ... (6,6)} = {(1,1), (2,2)}.
Abb. 2.3: Schnitt von Ereignissen

Ausschluss von Ereignissen

 sprich „A ohne B“

 in Zeichen: A \ B

 hierin sind alle Elemente von A enthalten mit Ausnahme jener Elemente, die auch in B sind

 so ist z.B. im Beispiel 2.1 also A \ B die Menge aller Elementareignisse, deren Augensumme
kleiner oder gleich 5 ist und die zusätzlich kein Pasch sind:

 A\B = {(1,1), (1,2), (1,3), (1,4), (2,1), (2,2), (2,3), (3,1), (3,2), (4,1)}\{(1,1), (2,2), (3,3), ,6,6)} = {(1,2),
(1,3), (1,4), (2,1), (2,3), (3,1), (3,2), (4,1)} , denn in A sind die beiden Paschs (1,1), (2,2) enthalten,
die natürlich auch in B sind und deswegen in A \ B nicht enthalten sein dürfen

Komplement

 das Gegenteil eines Ereignisses
 wenn A das Ereignis ist, ein Pasch zu würfeln, dann ist das Komplement von A,
geschrieben A¯¯¯ , der gesamte Rest, d.h. alle Elementarereignisse, in denen kein Pasch
auftritt: = {(1,2), (1,3), …, (1,6), (2,1), (2,3), …, (2,6),…, (6,5)}
 da A aus sechs Ereignissen besteht, umfasst das Komplement, also das Gegenteil
wegen A¯¯¯ = Ω\ A insgesamt #A¯¯¯ = # Ω - # A = 36 – 6 = 30 Elementarereignisse.

Abb. 2.4: Komplement eines Ereignisses

Teilmenge

 eine Menge A heißt Teilmenge einer Menge B, wenn jedes Element aus A auch in B enthalten
ist, man schreibt A ⊆ B
 so ist die Menge aller Paschs A enthalten in der Menge B der geraden Augensummen B =
{(1,1), (1,3), (1,5), (2,2), (2,4), … , (6,6)} (eine Menge mit 18 Elementen), d.h. es ist A ⊆ B
 wenn außerdem in B, der sogenannten Obermenge, mehr Elemente enthalten sind als in A,
so spricht man von A als „echter Teilmenge“ von B
Abb. 2.5: Echte Teilmenge

Ergebnismenge

 dies bezeichnet die Menge aller Elementarereignisse, man schreibt Ω

 im vorliegenden Beispiel ist Ω = {(1,1), …, (1,6), (2,1), … (2,6), …, (6,1), …, (6,6)}, eine Menge mit
# Ω = 36 Elementen

 Ω ist die Menge all jener Ereignisse, die tatsächlich eintreten können

 die Elemente von Ω sind die Elementarereignisse, Teilmengen von Ω heißen Ereignisse

Es gibt außerdem die Regeln nach de Morgan:

A∩B¯¯¯¯¯¯¯¯¯=A¯¯¯∪B¯¯¯ sowie
A∪B¯¯¯¯¯¯¯¯¯=A¯¯¯∩B¯¯¯

Videos zu Begriffen
Play Video

Play Video

Play Video

 1Ereignisse
 2Ereignisse
 3Ereignisse
 4Ereignisse
 5Einfacher Wurf

Ereignisse

Aufgabe 1 von 5

Welche der folgenden Aussagen ist falsch?

 
Die Vereinigung zweier Mengen A und B meint alle Elemente, die in A und in B liegen.

 
Die Vereinigung zweier Mengen A und B meint alle Elemente, die in A oder in B liegen.

 
Die Vereinigung zweier Mengen A und B meint alle Elemente, die in A oder in B oder in beiden
liegen.

Lösen

Übungsaufgaben zu Ereignissen
Vorlesen

Aufgabe 1:
Es werde eine faire Münze mit den Seiten Kopf und Zahl insgesamt dreimal geworfen. Gib folgendes
an:

a) die Ereignismenge.

b) Berechne mit den Regeln der Kombinatorik, aus wie vielen Elementen sie bestehen muss

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Wirf eine faire Münze mit den Seiten Kopf und Zahl dreimal.

a) Gib folgende Ereignisse explizit an:

 A: Zahl kommt häufiger vor als Kopf

 B: Kopf tritt häufiger ein als Zahl

 C: es fallen genau zwei Köpfe

 D: insgesamt erscheint dreimal Zahl

b) Beschreibe verbal und analytisch folgende Ereignisse:

 A ∩B,A∪B,A¯¯¯,D¯¯¯,

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3:
Überprüfen Sie diese Aussagen auf Wahrheitsgehalt:

a) Wenn ein Ereignis die Wahrscheinlichkeit null aufweist, ist es unmöglich und umgekehrt.

b) In einem Venn-Diagramm lassen sich bestimmte Wahrscheinlichkeiten visualisieren.

c) Die de Morganschen Regeln besagen z.B., dass das Komplement des Schnitts zweier Ereignisse
gleich ist dem Schnitt der Komplemente der Ereignisse.

d) Das Ereignis A ∪ B bedeutet, dass entweder Ereignis A oder Ereignis B eintritt.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Wahrscheinlichkeiten
Vorlesen
Play Video
Wir interessieren uns nun für die Frage, welche Wahrscheinlichkeit ein zufälliges Ereignis A besitzt.

Wahrscheinlichkeitsbegriffe
Es existieren unterschiedliche Möglichkeiten, eine Wahrscheinlichkeit zu definieren:

 klassischer Wahrscheinlichkeitsbegriff,

 axiomatischer Wahrscheinlichkeitsbegriff (= Kolmogoroffscher Wahrscheinlichkeitsbegriff),

 statistischer Wahrscheinlichkeitsbegriff,

 subjektiver Wahrscheinlichkeitsbegriff.

Klassischer Wahrscheinlichkeitsbegriff

MERKE

Zunächst zum klassischen Wahrscheinlichkeitsbegriff (= Laplacescher


Wahrscheinlichkeitsbegriff), d.h. man zählt die Elemente der Menge A und dividiert dies durch die
Anzahl der Elemente von Ω:

P(A)=#A#Ω=Anzahl günstige FälleAnzahl mögliche Fälle.

Achtung: wir schreiben im folgenden immer P(A) für die Wahrscheinlichkeit (= Probability) des
Ereignisses A. Manche Autoren schreiben eher W(A) (mit W wie Wahrscheinlichkeit).

 Beispiel

 Beispiel

Beispiel 1:

Beim zweifachen Würfelwurf ist nach der Wahrscheinlichkeit dafür gefragt, eine Augensumme von 7
zu würfeln.
Die Menge A der günstigen Elemente ist A = {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)} und besteht aus # A =
6 Elementen (hierbei ist „#“ das Anzahlzeichen). Die Menge aller Elementarereignisse Ω besteht aus
# Ω = 36 Elementen, d.h. die Wahrscheinlichkeit für A ist P(A)=#A#Ω=636=16.

Voraussetzungen des klassischen Wahrscheinlichkeitsbegriffs

 die Ergebnismenge Ω hat nur endlich viele Elemente

 die Elemente von Ω, also die sogenannten Elementarereignisse, sind gleichwahrscheinlich.

Diese Bedingungen bereiten bei vielen Experimenten Schwierigkeiten. Es gibt nämlich Situationen, in
denen der klassische Wahrscheinlichkeitsbegriff nicht anwendbar ist, so z.B. wenn A nicht endlich
viele Elemente hat (und damit Ω erst recht nicht) oder die Elementarereignisse nicht
gleichwahrscheinlich sind.

Axiomatischer Wahrscheinlichkeitsbegriff
Man behilft sich dann mit dem

MERKE

Kolmogoroffschen Wahrscheinlichkeitsbegriff (= axiomatischer Wahrscheinlichkeitsbegriff)

Die Axiome lauten

1. P(A) ≥ 0 für alle Ereignisse A

2. P(Ω) = 1

3. P(A1 ∪ A2 ∪ ...) = P(A1) + P(A2) + ... für endlich viele bzw. für abzählbar unendlich viele paarweise
disjunkte Ereignisse, d.h. für die Ai ∩ Aj = Ø gilt, wenn i ≠ j ist.

MERKE:

 Das dritte Axiom lässt sich für endlich viele Ai auch lesen als P(A1 ∪ A2 ∪ ... ∪ An) = P(A1) +
P(A2) + ... + P(An) für paarweise disjunkte Ereignisse.
 Ein Axiom ist ein Gesetz, das sich nicht beweisen lässt. Man muss es also hinnehmen, alles
weitere lässt sich auf diesen Axiomen aufbauen, d.h. beweisen. Wenn man ein Axiom
nicht hinnimmt, d.h. als falsch ansieht, so muss man alles, was sich nur mit diesem Axiom
beweisen lässt, verwerfen.

Statistische Wahrscheinlichkeitsbegriff
Der statistische Wahrscheinlichkeitsbegriff lässt sich mit einem Beispiel motivieren:

BEISPIEL

Bei einer Münze ist unbekannt, ob sie fair ist oder nicht, d.h. ob die Wahrscheinlichkeit für Kopf
sowie für Zahl genau gleich ½ ist.

Wie kann man herausfinden, welche Wahrscheinlichkeit die Ereignisse Kopf bzw. Zahl besitzen?

Um sich eine Vorstellung hiervon zu machen, kann man die Münze einfach 100-mal werfen und die
Anzahl der gefallenen Köpfe und Zahlen aufschreiben. Sollten z.B. genau 30 Köpfe gefallen sein, so
würde man als Anhaltspunkt (nicht als genauen Wert!) die Zahl 30/100= 0,3 für P(Kopf) nehmen;
entsprechend 70100 = 0,7 für P(Zahl). Genauer: als Wahrscheinlichkeit für das Eintreten von A
definiert man den Grenzwert der relativen Häufigkeit des Eintretens dieses Ereignisses bei
zunehmender Anzahl von Wiederholungen des Zufallsexperiments, d.h. P(ω) = limn→∞hn(ω) .

MERKE

Da die Münze lediglich endlich oft gewürfelt werden kann, ist der Grenzwert in der Praxis nicht
ausrechenbar. Insbesondere ist nicht gesichert, dass dieser Grenzwert überhaupt existiert.

Folgende Aussage ist hingegen möglich und aus dem statistischen Wahrscheinlichkeitsbegriff
herleitbar: die Wahrscheinlichkeit ist der beste Schätzwert, den man für die relative Häufigkeit in
einer langen Zufallsversuchsreihe angeben kann.

Subjektiver Wahrscheinlichkeitsbegriff

MERKE

Unter der subjektiven Wahrscheinlichkeit verwendet man den Überzeugtheitsgrad einer Person


bei Eintreten eines zufälligen Ereignisses, so z.B. eine Expertenmeinung.
Nachfolgend nochmal ein Überblick über die verschiedenen Wahrscheinlichkeitsbegriffe:
Play Video

 1Wahrscheinlichkeitsbegriffe
 2Wahrscheinlichkeitsbegriffe
 3Wahrscheinlichkeitsbegriffe
 4Wahrscheinlichkeitsbegriffe

Wahrscheinlichkeitsbegriffe

Aufgabe 1 von 4

Welche der folgenden Aussagen ist falsch?

 
Statistischer und Kolmogoroffscher Wahrscheinlichkeitsbegriff sind synonym.

 
Axiomatischer und Kolmogoroffscher Wahrscheinlichkeitsbegriff sind synonym.

 
Klassischer und Laplacescher Wahrscheinlichkeitsbegriff sind synonym. 

Lösen

Formeln für Wahrscheinlichkeiten


Vorlesen

Man kann Eigenschaften über Wahrscheinlichkeiten konkret aus den Kolmogoroffschen Axiomen
herleiten, allerdings keine konkreten Wahrscheinlichkeiten errechnen. Die Regeln, die aus den
Axiomen ableitbar sind, lauten (ohne Beweis):

 P(A) ≤ 1

o jedes Ereignis A hat eine Wahrscheinlichkeit von höchstens 1

 P(Ø) = 0

o das unmögliche Ereignis besitzt eine Wahrscheinlichkeit von null.

o ACHTUNG: wenn ein Ereignis eine Wahrscheinlichkeit von null besitzt, so bedeutet


dies nicht, dass es sich um ein unmögliches Ereignis handelt.
 A ⊆ B ⇒ P(A) ≤ P(B)
o wenn A eine Teilmenge von B ist, dann ist die Wahrscheinlichkeit für das Eintreten
von A höchstens gleich der Wahrscheinlichkeit für das Eintreten von B

 P(A¯¯¯) = 1 - P(A)
o die Wahrscheinlichkeit, dass A nicht eintritt (dass also das Komplement von A
passiert), ist gleich 1 minus der Wahrscheinlichkeit, dass A passiert.

 P(A∪ B) = P(A) + P(B) – P(A ∩ B)


o der sogenannte Additionssatz für zwei Ereignisse

o Die Wahrscheinlichkeit der Vereinigung (also von A ∪ B) ergibt sich durch Addition
der Einzelwahrscheinlichkeiten P(A) und P(B) und Subtraktion der
Schnittwahrscheinlichkeit P(A ∩ B), da es ansonsten hier zu einer Doppelzählung dieser
Schnittwahrscheinlichkeit käme
 Der Additionssatz für drei Ereignisse A,B und C lautet P(A ∪ B ∪ C) = P(A) + P(B) + P(C) –
P(A ∩ B) – P(B ∩ C) – P(A ∩ C) + P(A ∩ B ∩ C).
Ein Bild unterstützt hierbei das Verständnis:

 die Einzelwahrscheinlichkeiten werden addiert,

 danach die Schnittmengen aus jeweils zwei Mengen subtrahiert,

 schließlich – wegen der Doppelzählung, die sonst stattfände – die Schnittmenge aus drei
Mengen addiert.
Abb. 3.1: Venn-Diagramm mit drei Ereignissen
Play Video

Unabhängigkeit von Ereignissen


Kommen wir zur sog.

METHODE

Zwei Ereignisse A und B heißen unabhängig, wenn gilt

P(A ∩ B) = P(A)·P(B).

A und B beeinflussen sich in einer derartigen Situation nicht, das Eintreten von B hängt nicht vom
Eintreten von A ab und das Eintreten von A nicht vom Eintreten von B.

BEISPIEL

Im zweiten Wurf eines doppelten Würfelwurfes eine 5 zu würfeln (Ereignis A) ist unabhängig davon,
im ersten Wurf eine 3 zu würfeln (Ereignis B).
Denn A ∩ B heißt, im ersten Wurf eine 3 und im zweiten eine 5 zu würfeln, es ist also A ∩ B = {(3,5)}
und damit P(A ∩ B) = P({(3,5)}) = 136 . Andererseits gilt P(A) = P(*,5) = #((1,5),(2,5), ... ,
(6,5))#Ω=636=16 sowie P(B) = P(3,*) =#((3,1),(3,2), ... ,(3,6))#Ω=636=16 und also gilt P(A)·P(B)
= 16⋅16=136 = P(A ∩ B) und damit die Unabhängigkeit der beiden Ereignisse A und B.

BEISPIEL

Beim einmaligen Werfen eines Würfels werden die folgenden Ereignisse betrachtet:

A: Die Augenzahl ist gerade.

B: Die Augenzahl ist kleiner als 4.

C: Die Augenzahl ist 1 oder 5

Welche Aussagen sind richtig?

A und B sind unabhängig

A und C sind nicht unabhängig

B und C sind nicht unabhängig

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Etwas aufwändiger ist der Begriff der Unabhängigkeit bei drei Ereignissen.

MERKE

Drei Ereignisse A, B, C heißen (gemeinsam) unabhängig, wenn die folgenden Eigenschaften alle
gelten:

P(A ∩ B) = P(A)·P(B),

P(A ∩ C) = P(A)·P(C),
P(B ∩ C) = P(B)·P(C),

P(A ∩ B ∩ C) = P(A)·P(B)·P(C)

MERKE:

 Die drei ersten Zeilen, also P(A ∩ B) = P(A)·P(B), P(A ∩ C) = P(A) · P(C), P(B ∩ C) = P(B)·P(C)
bedeuten, dass die Ereignisse A, B und C paarweise unabhängig sind.
 Für die gemeinsame Unabhängigkeit von drei Ereignissen ist also die paarweise
Unabhängigkeit notwendige, wenngleich nicht hinreichende, Voraussetzung
 Aus der gemeinsamen Unabhängigkeit folgt die zweiseitige Unabhängigkeit, aber nicht
umgekehrt.

Video
Play Video

 1Formeln für Wahrscheinlichkeiten


 2Formeln für Wahrscheinlichkeiten
 3Formeln für Wahrscheinlichkeiten
 4Formeln für Wahrscheinlichkeiten
 5Unabhängigkeit von Ereignissen
 6Unabhängigkeit von Ereignissen
 7Unabhängigkeit von Ereignissen
 8Unabhängigkeit von Ereignissen

Formeln für Wahrscheinlichkeiten

Aufgabe 1 von 8

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Wahrscheinlichkeit einer Vereinigungsmenge ist gleich der Summe der
Einzelwahrscheinlichkeiten zuzüglich der Wahrscheinlichkeit des Schnitts.

 
Die Wahrscheinlichkeit einer Schnittmenge ist gleich der Summe der Einzelwahrscheinlichkeiten
abzüglich der Wahrscheinlichkeit der Vereinigung.

 
Die Wahrscheinlichkeit einer Vereinigungsmenge ist gleich der Summe der
Einzelwahrscheinlichkeiten abzüglich der Wahrscheinlichkeit des Schnitts.

Lösen

Übungen, Beispiele und Berechnungen zu


Wahrscheinlichkeiten
Vorlesen

Aufgabe 1:
Der Professor Emil F. sagt in der Vorlesung: „Die Wahrscheinlichkeit, dass die Studenten die Prüfung
bestehen, beträgt 70 %.“ Welcher Wahrscheinlichkeitsbegriff liegt dieser Aussage zu Grunde?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Die axiomatische Wahrscheinlichkeitsdefinition von Kolmogoroff ist ein Spezialfall der


Laplaceschen Wahrscheinlichkeitsdefinition.

b) Bei der Wahrscheinlichkeitsdefinition von Laplace wird vorausgesetzt, dass die Ereignisse jeweils
die gleiche Wahrscheinlichkeit aufweisen.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3:
Die Eingangstür der Wiwi-Fakultät an der Uni Greifswald wird innerhalb der nächsten fünfzehn
Minuten mit einer Wahrscheinlichkeit von 0,8 von mindestens fünf Studenten passiert und mit einer
Wahrscheinlichkeit von 0,7 von höchstens acht. Wie groß ist die Wahrscheinlichkeit, dass innerhalb
der nächsten Vierstelstunde genau fünf, sechs, sieben oder acht Studenten durch die Tür gehen?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 4:
A, B und C seien drei beliebige Ereignisse. Gesucht ist P(A ∪ B ∪ C).
Richtig oder falsch?

a) P(A) + P(B) + P(C)

b) P(A) + W(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(C ∩ B)


c) P(A) + P(B) + P(C) - P(A ∩ B ∩ C)
d) P(A) + P(B) + P(C) – P(A ∩ B) – P(A ∩ C) – P(C ∩ B) + P(A ∩ B ∩ C)
e) 1 - P ( A¯¯¯ ∩ B¯¯¯ ∩ C¯¯¯)

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 5:
Ein Würfel wird zweimal geworfen. Das Ereignis A bestehe darin, beim erstem Wurf eine Vier zu
werfen, das Ereignis B darin, im zweiten Wurf eine Drei zu werfen, und das Ereignis C sei das
Ereignis, dass die Augensumme gerade ist.

Untersuche die

a) paarweise Unabhängigkeit und

b) die gemeinsame Unabhängigkeit.


VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 6:
a) Wenn drei Ereignisse jeweils paarweise unabhängig sind, dann sind sie auch gemeinsam
unabhängig.

b) Wenn drei Ereignisse gemeinsam unabhängig sind, dann sind sie auch paarweise unabhängig.

c) Wenn zwei Ereignisse disjunkt sind, dann sind sie auch unabhängig und umgekehrt.

d) Wenn A und B unabhängig sind, dann sind auch die Ereignisse A¯¯¯ und B unabhängig.
e) Bei unabhängigen Ereignissen A und B ist die bedingte Wahrscheinlichkeit P(A|B) immer
ausrechenbar als Wahrscheinlichkeit des vorne stehenden Ereignisses, also P(A|B) = P(A). Damit sind
bedingte Wahrscheinlichkeiten im Falle der Unabhängigkeit ausrechenbar als unbedingte
Wahrscheinlichkeiten.

Beachte, dass sich die Aufgabe e) erst bearbeiten lässt mit dem Wissen aus dem Kapitel 4 „Bedingte
Wahrscheinlichkeiten“.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Bedingte Wahrscheinlichkeiten
Vorlesen
Play Video

Man unterscheidet

 unbedingte Wahrscheinlichkeiten
und

 bedingte Wahrscheinlichkeiten.
Unbedingte Wahrscheinlichkeiten
Die unbedingten Wahrscheinlichkeiten P(A) (bekannt aus Kapitel 3 „Wahrscheinlichkeiten“) stehen
nicht unter irgendeiner Bedingung. Man redet also über die Wahrscheinlichkeit des Ereignisses A,
egal ob irgend etwas anderes passiert ist.

Bedingte Wahrscheinlichkeiten
Bei bedingten Wahrscheinlichkeiten P(A|B) geht es um die Wahrscheinlichkeit, dass ein Ereignis A
eintritt, wenn (!) ein Ereignis B vorher eingetreten sein möge. Um sie geht es im vorliegenden Kapitel
4 „Bedingte Wahrscheinlichkeiten“.

Bedingte Wahrscheinlichkeiten berechnen


Vorlesen

Wir erklären die folgenden Überlegungen anhand eines Beispiels:

BEISPIEL

In einer Urne liegen 17 Kugeln. Von diesen sind sechs weiß und elf grau. Bei den weißen Kugeln
haben vier den Buchstaben A, der Rest den Buchstaben B. Sechs der grauen Kugeln tragen den
Buchstaben A, der Rest hat B als Aufschrift.

Nun werde eine Kugel gezogen, die den Buchstaben A trägt.

Wie groß ist die Wahrscheinlichkeit, dass diese Kugel grau ist?

Wir haben es mit sog. bedingten Wahrscheinlichkeiten P(A|B) zu tun. Das Ereignis B (mit P(B) > 0)
sei bereits passiert. Wie groß ist dann die Wahrscheinlichkeit, dass dann A eintritt?

Aufgaben mit bedingten Wahrscheinlichkeiten lassen sich mit fünf unterschiedlichen Methoden
angehen:

METHODE

Bedingte Wahrscheinlichkeiten
- Erste Methode: Definition

- Zweite Methode: Vierfeldertafel

- Dritte Methode: Bayessche Formel

- Vierte Methode: Bäumchen

- Fünfte Methode: Einschränkung der Grundgesamtheit

Kommen wir zum Beispiel und erklären die fünf Methoden anhand desen. Zunächst malt man die
Urne auf und markiert die Farben sowie die Buchstaben auf die Kugeln:

Abb. 4.1: Urnenbeispiel

Nun zu den einzelnen Methoden:

Erste Methode: Definition


Die bedingte Wahrscheinlichkeit von A unter der Hypothese B, in Zeichen P(A|B), ist definiert als
P(A|B) =P(A∩B)P(B) , wenn P(B) > 0.
Berechne also zuerst die Wahrscheinlichkeit des Schnitts und dann die Wahrscheinlichkeit des
hinten stehenden Ereignisses.
Man rechnet im vorliegenden Beispiel also

P(G|A) =P(A∩B)P(B)=6171017=617⋅1710=610 = 0,6.


Sechs von 17 Kugeln sind gleichzeitig grau und tragen den Buchstaben A, daher P(G ∩ A) = 6/17.
Man muss hier von allen 17 Kugeln den Anteil jener berechnen, die grau sind und A als Aufschrift
haben! Genau so sind zehn Kugeln von 17 mit dem Buchstaben A versehen, d.h. P(A) = 10/17.
Play Video

Zweite Methode: Vierfeldertafel

A A¯¯¯ Σ

B P(A ∩ B) P(A¯¯¯ ∩ B) P(B)

B¯¯ P(A ∩ B¯¯¯  P(A¯¯¯ ∩ B¯¯¯  P(B¯¯¯


¯ ) ) )

Σ P(A) P(A¯¯¯) 1

In der Tabelle selbst stehen die „Und-Wahrscheinlichkeiten“, nicht die bedingten


Wahrscheinlichkeiten selbst! Mit diesen kann man dann in die Definition unter 1. gehen.

Die Vierfeldertafel (die bei mehr als zwei Ausprägungen pro Merkmal natürlich eine Sechsfelder-
oder Achtfeldertafel usw. ist), lautet

A B Σ

W 4/17 2/17 6/17

G 6/17 5/17 11/17

Σ 10/17 7/17 1

Z.B. ist P(W ∩ B) die Wahrscheinlichkeit dafür, dass eine Kugel gleichzeitig weiß ist und den
Buchstaben B trägt. Hiervon gibt es zwei Stück, also P(W ∩ B) = 2/17. Mit der Vierfeldertafel lässt sich
dann die Definition anwenden:
P(G|A) =P(G∩A)P(A)=6171017=617⋅1710=610 = 0,6.
MERKE

Es ist P(G|A) ≠ P(A|G)!

Die Ereignisse lassen sich also nicht einfach umdrehen!

 die Wahrscheinlichkeit, dass


eine graue Kugel den
Buchstaben A trägt, ist P(A|
G) = 6/11 = 0,5455
 hingegen ist die
Wahrscheinlichkeit, dass
eine Kugel mit dem
Buchstaben A grau ist, P(G|
A) = 6/10 = 0,6.

Play Video

Dritte Methode: Bayessche Formel

METHODE

P(A|B) = P(B|A)⋅P(A)P(B) Bayessche Formel.

Wenn also die umgekehrte Wahrscheinlichkeit P(B|A) bekannt ist und P(A|B) gesucht, dann lässt
sich die Bayessche Formel anwenden. Für den Nenner P(B) benutzt man den Satz von der totalen
Wahrscheinlichkeit, wenn P(B) nicht bekannt ist. Man rechnet

P(G|A) = P(A|G)⋅P(G)P(A)=611⋅11171017=617⋅1710=610 = 0,6.

METHODE

Wenn P(G|A) gesucht ist, aber lediglich die „umgedrehte“ Wahrscheinlichkeit P(A|G) bekannt, ist die
Bayessche Formel eine gute Möglichkeit, zur Lösung zu gelangen.

Play Video
Vierte Methode: Bäumchen (inkl. Satz von der totalen
Wahrscheinlichkeit)
Oftmals die anschaulichste Methode. Hilfreich insbesondere für den Satz von der totalen
Wahrscheinlichkeit. P(A) = P(A|B)·P(B) + P(A|B¯¯¯)·P(B¯¯¯), wenn man die Grundgesamtheit
lediglich in zwei Ereignisse B und sein Komplement einteilt. Man multipliziert also die
Wahrscheinlichkeiten auf den Ästen, die zu A führen auf und addiert die Stränge.

Abb. 4.2: Bäumchen ? Satz von der totalen Wahrscheinlichkeit

Die Möglichkeit, sich Bäumchen aufzumalen, dient der Anschaulichkeit und ist ein Hilfsmittel für den
Satz von der totalen Wahrscheinlichkeit:
Abb. 4.3: Bäumchen mit konkreten Wahrscheinlichkeiten

Man rechnet

P(G) = P(G|A)·P(A) + P(G|B)·P(B)

= 610⋅1017+57⋅717=617+517=1117
 man multipliziert entlang der
Stränge und

 addiert die relevanten Zahlen


auf.

Fünfte Methode: Einschränkung der Grundgesamtheit


Oftmals sieht man intuitiv das Ergebnis für P(A|B). Hierfür betrachtet man ausschließlich Elemente,
für die B gilt. Diese seien nun die neue (kleinere) Grundgesamtheit. Von diesen werden jene
Elemente gezählt, für die A gilt. Mathematisch nichts anderes als die Definition, d.h. Methode 1, aber
anschaulich manchmal klarer.

MERKE
man beachte den Unterschied zwischen

 P(A ∩ B) (die
Wahrscheinlichkeit, dass
A und B eintreten) und
 P(A|B) (die
Wahrscheinlichkeit, dass A
eintritt, wenn B bereits
passiert ist).

P(G|A) bedeutet: wie viele von den Kugeln mit dem Buchstaben A (= Hypothese, Voraussetzung) sind
grau (= Ereignis)? Wir betrachten also lediglich jene Kugeln, die ein A tragen:

Abb. 4.4: Methode der Einschränkung der Grundgesamtheit

Von diesen zehn Kugeln sind sechs graue dabei, also ist P(G|A) = 6/10.

Zusammenfassung

MERKE

Die fünf Methoden sind nicht wirklich verschieden voneinander. So ist z.B. die fünfte identisch zur
ersten. Methode 2 ist eine Veranschaulichung und geht in Methode 1, der Definition, auf. Die
Bayessche Formel, Methode 3, wiederum bedient sich ebenfalls der Zahlen aus Methode 2.
 1Berechnungsmethoden
 2Berechnungsmethoden
 3Berechnungsmethoden
 4Berechnungsmethoden

Berechnungsmethoden

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Bayessche Formel berechnet eine unbedingte Wahrscheinlichkeit über die Wahrscheinlichkeit
der umgekehrt stehenden Ereignisse, multipliziert mit der unbedingten Wahrscheinlichkeit des
vorne stehenden Ereignisses, dividiert durch die unbedingte Wahrscheinlichkeit der Voraussetzung.

 
Die Bayessche Formel berechnet eine bedingte Wahrscheinlichkeit über die Wahrscheinlichkeit der
umgekehrt stehenden Ereignisse, multipliziert mit der unbedingten Wahrscheinlichkeit des hinten
stehenden Ereignisses, dividiert durch die unbedingte Wahrscheinlichkeit der Voraussetzung.

 
Die Bayessche Formel berechnet eine bedingte Wahrscheinlichkeit über die Wahrscheinlichkeit der
umgekehrt stehenden Ereignisse, multipliziert mit der unbedingten Wahrscheinlichkeit des vorne
stehenden Ereignisses, dividiert durch die unbedingte Wahrscheinlichkeit der Voraussetzung. 

Lösen

Richtige Reihenfolge erkennen


Vorlesen

Die größte Schwierigkeit bei einer Aufgabe mit bedingten Wahrscheinlichkeiten ist aber oftmals, zu
erkennen, wonach eigentlich gefragt ist. Soll eine graue Kugel den Buchstaben A haben oder
umgekehrt, d.h. soll eine Kugel mit dem Buchstaben A grau sein?

Hierbei hilft dem sprachlich interessierten Leser die folgende

METHODE

LAMBERTSCHE GRAMMATIKREGEL:
Oftmals hilft es, sich die Aufgabe unter Zuhilfenahme einiger Grammatik-Tools anzuschauen:

 die Voraussetzung (=
Hypothese) steht
im eingeschobenen
Nebensatz. Diesen erkennt
man daran, dass er durch
Kommata eingegrenzt ist
und man ihn auch
rauslassen kann, ohne dass
der Satz zerstört wird.
 das, wonach gefragt ist,
bildet den Hauptsatz. Er
kann nicht weggelassen
werden.

Hier also: wie groß ist die Wahrscheinlichkeit, dass eine Kugel, die den Buchstaben A trägt, grau ist?

 ..., die den Buchstaben A trägt, ...


ist der eingeschobene
Nebensatz.

o A ist die Voraussetzung


und steht damit hinten

 Wie groß ist die


Wahrscheinlichkeit, dass eine
Kugel, ..., grau ist?

o G wie grau steht also


vorne. Der Hauptsatz
kommt ohne den
eingeschobenen
Nebensatz aus, er kann
für sich alleine gelesen
werden.
 1Richtige Reihenfolge erkennen
 2Richtige Reihenfolge erkennen
 3Richtige Reihenfolge erkennen
 4Richtige Reihenfolge erkennen

Richtige Reihenfolge erkennen

Aufgabe 1 von 4

Es bezeichne A das Ereignis, dass ein Student seine Klausur bestehe. B bezeichne das
Ereignis, dass der Student den Onlinekurs Wahrscheinlichkeitsrechnung bei einem
bekannten Kursanbieter belegt hat (Achtung Werbung) ;-).

Welche der folgenden Ausdrücke bezeichne die Wahrscheinlichkeit für das Ereignis,
dass der Student die Klausur besteht, wenn er den Kurs besucht hat? 

 
P(B|A)

 
P(A und B)

 
P(A|B) 

Lösen

Satz von der totalen Wahrscheinlichkeit


Vorlesen

Wir haben ihn schon öfter benutzt, trotzdem hier nochmals formal:

MERKE

Satz von der totalen Wahrscheinlichkeit

Sei A1, ... , An eine Zerlegung der Grundgesamtheit Ω, d.h.

 Ω = A1 ∪ A2 ∪ ... ∪ An, d.h.
die Ai bilden die gesamte
Ereignismenge und
 Ai ∩ Aj = Ø, i ≠ j, d.h. die
einzelnen Ai sind disjunkt,
schneiden sich also nicht.

Dann gilt für ein Ereignis B:

P(B) = ∑ni=1 P(B|Ai)·P(Ai)= P(B|A1)·P(A1) + ... + P(B|An)·P(An)

Den Satz von der totalen Wahrscheinlichkeit haben wir bereits auf der vorigen Seite unter „Vierte
Methode: Bäumchen (inkl. Satz von der totalen Wahrscheinlichkeit)“ erwähnt. Da er von großer
Bedeutung ist, gehen wir hier aber nochmals gesondert auf ihn ein.

METHODE

LAMBERT-TRICK:

den Satz von der totalen Wahrscheinlichkeit behält man besser verbal: die Wahrscheinlichkeit für B,
also P(B), ist gleich der

 Wahrscheinlichkeit für B
unter allen Hypothesen Ai ...
P(B|Ai)
 multipliziert mit der
Wahrscheinlichkeit dieser
Hypothesen Ai ... . P(Ai)
 dies dann aufsummiert über
alle
Hypothesen ... ∑ni=1 P(B|

Ai)·P(Ai).

Wenn es nun statt zwei sogar drei Hypothesen A1, A2, A3 gibt, dann lautet der Satz von der totalen
Wahrscheinlichkeit speziell P(B) = P(B|A1)·P(A1) + P(B|A2)·P(A2) + P(B|A3)·P(A3).

Es werden also im entsprechenden Bäumchen alle Äste aufsummiert, die mit dem gefragten
Ereignis B enden.

P(B) = P(A1 ∩ B) + P(A2 ∩ B) + P(B ∩ A3)


= P(B|A1)·P(A1) + P(B|A2)·P(A2) + P(B|A3)·P(A3).

Graphisch dargestellt:

Abb. 4.5: Bäumchen

MERKE

MERKE:

 Die Berechnung von


bedingten
Wahrscheinlichkeiten macht
keinen Sinn bei
unabhängigen Ereignissen,
da
die bedingte Wahrscheinlichk
eit von bspw. B unter der
Hypothese A , also P(B|A),
sowieso gleich
der unbedingten Wahrscheinl
ichkeit von B ist, d.h. P(B),
d.h. es gilt P(B|A) = P(B), egal
ob die Hypothese A nun
eintritt oder nicht.
 Es wäre nicht ohne weiteres
richtig, die Unabhängigkeit
von A und B darüber zu
definieren, ob P(B|A) = P(B)
gilt. Diese Beziehung ist
nämlich lediglich für P(A) > 0
überhaupt erklärt. Für P(A) =
0, also z.B. für unmögliche
Ereignisse A, hilft Beziehung
P(B|A) = P(B) daher nicht
weiter. Mit der obigen
Definition der
Unabhängigkeit von
Ereignissen hingegen sieht
man, dass auch hier eine
Aussage getroffen werden
kann. Konkret nämlich gilt
für das unmögliche Ereignis
A, d.h. A = Ø, dass P(A)·P(B) =
P(Ø)·P(B) = 0·P(B) = 0 und
P(A ∩ B) = P(Ø ∩ B) = P(Ø) =
0, d.h. da beide null sind, gilt
insbesondere auch P(A ∩ B)
= P(A)·P(B).
 Also: das unmögliche
Ereignis ist unabhängig von
jedem anderen Ereignis!
 1Satz von der totalen
Wahrscheinlichkeit
 2Satz von der totalen
Wahrscheinlichkeit
 3Satz von der totalen
Wahrscheinlichkeit
 4Satz von der totalen
Wahrscheinlichkeit

Satz von der totalen Wahrscheinlichkeit

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Beim Satz von der totalen Wahrscheinlichkeit wird eine bedingte Wahrscheinlichkeit mithilfe von
bedingten als auch von unbedingten Wahrscheinlichkeiten berechnet.

 
Beim Satz von der totalen Wahrscheinlichkeit wird eine bedingte Wahrscheinlichkeit mithilfe von
bedingten Wahrscheinlichkeiten berechnet.

 
Beim Satz von der totalen Wahrscheinlichkeit wird eine unbedingte Wahrscheinlichkeit mithilfe von
bedingten Wahrscheinlichkeiten berechnet.

Lösen

Aufgaben, Beispiele und Berechnungen zur bedingten


Wahrscheinlichkeit
Vorlesen

Aufgabe 1:
Der Mathestudent D aus K glaubt am Anfang seines Studiums, dass er dieses mit einer
Wahrscheinlichkeit von 0,7 erfolgreich beenden wird. Mit erfolgreich abgeschlossenem Studium
beträgt die Wahrscheinlichkeit, die gewünschte Position zu erhalten, 0,8, ohne Studienabschluss nur
0,1. Wie groß ist die Wahrscheinlichkeit, dass der Student die Position erhalten wird?
VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Im Bistum Essen wird untersucht, wer von verheirateten Paaren regelmäßig in die Kirche geht.
Hierbei hat sich ergeben, dass 40 % der Männer und 50 % der Frauen regelmäßige Kirchgänger sind.
Geht eine Frau in die Kirche, so beträgt die Wahrscheinlichkeit 0,3, dass ihr Mann auch hingeht.

Bestimmen Sie die Wahrscheinlichkeit dafür, dass

a) beide Ehepartner regelmäßig in die Kirche gehen

b) eine Frau Kirchgängerin ist, wenn dies ihr Mann auch ist

c) wenigstens einer der beiden Ehepartner regelmäßiger Kirchgänger ist.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3:
Im Krankenhaus der Kleinstadt X sind Geburten von Jungen und Mädchen jeweils gleich
wahrscheinlich. Wie groß ist die Wahrscheinlichkeit, dass bei drei aufeinander folgenden Geburten
genau zwei Jungen zur Welt kommen, wenn

a) keine weiteren Informationen vorhanden sind,

b) wenn zusätzlich bekannt ist, dass mindestens ein Junge geboren wird,

c) wenn bekannt ist, dass die jüngste Geburt ein Junge ist?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:
Aufgabe 4:
In der südfranzösischen Stadt Grasse – Welthauptstadt des Parfums – produzieren drei Fabriken
den Duft Chalence. Auf das erste Werk entfällt 30 % des Ausstoßes, auf das zweite 50 % und auf das
dritte der Rest.

Die drei Fabriken stellen das Produkt leider nicht fehlerfrei her: die Wahrscheinlichkeit, dass Werk 1
einen fehlerhaften Duft herstellt, ist 40 %, bei den Fabriken 2 und 3 lauten die Werte jeweils 25 %
bzw. 35 %.

In einer Düsseldorfer Edelparfumerie wird nun ein fehlerbehaftetes Parfum entdeckt.

a) Wie groß ist die Wahrscheinlichkeit, dass ein Parfum generell fehlerhaft ist?

b) Wie groß ist die Wahrscheinlichkeit, dass das in Düsseldorf gefundene fehlerhafte Teil von der
zweiten Parfumerie aus Grasse stammt?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 5:
Der Student Theo Pfusch ist bezüglich seines Studienverhaltens nicht immer ganz ehrlich. Er pfuscht
in der Matheklausur mit einer Wahrscheinlichkeit von 0,7. Dies tut er, weil er sich eine höhere
Wahrscheinlichkeit zu bestehen ausrechnet, wenn er pfuscht. Diese liegt dann nämlich bei 0,8, wenn
er hingegen nicht pfuscht, lediglich bei 0,6.

a) Wie groß ist die Wahrscheinlichkeit, dass Theo die Matheklausur besteht?

b) Theo hat die Klausur bestanden. Wie groß ist die Wahrscheinlichkeit, dass er dafür gepfuscht hat?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Kapitelabschlusstest
Sie sind zum Kapitelabschlusstest zugelassen.

Jetzt Kapitelabschlusstest starten Überspringen ?


Schriftfarbe 
Markieren 

Eindimensionale Verteilungen (ohne Namen)


Vorlesen
Play Video

Wir unterscheiden im folgenden

 diskrete Verteilungen

o ohne Namen und

o mit Namen sowie

 stetige Verteilungen

 ohne Namen und

 mit Namen.

METHODE

Die Unterscheidung „ohne Namen“ und „mit Namen“ werden Sie so nur in diesem Werk vorfinden,
dieser ist, da völlig unmathematisch, so in der Literatur nicht auffindbar. Wir finden diese allein aus
didaktischen Gründen jedoch sehr praktikabel und verwenden sie daher hier.

Zufallsvariable

MERKE

Definition:

Gegeben sei eine Ereignismenge Ω. Eine reelle Funktion X : Ω → R, die jedem Elementarereignis
eine reelle Zahl zuordnet, heisst Zufallsvariable.
Die Definition ist eigentlich deutlich komplizierter. Wir lassen – allein aus didaktischen Gründen – die
korrekte Definition außen vor.

So ist z.B. der doppelte Würfelwurf zu betrachten:

Ω = {(1,1), (1,2), (1,3), ...,(1,6)

(2,1), (2,2), (2,3), ...,(2,6)

(6,1), ... ,(6,6)}.

Wir interessieren uns nun lediglich für das Ereignis Pasch.

 ohne den Begriff der Zufallsvariablen würden wir die Elementarereignisse aufschreiben


müssen, die günstig sind:

o P(Pasch) = P({(1,1), (2,2), (3,3), ... (6,6)})

 mit einer Zufallsvariablen hingegen ist deutlich weniger Schreibarbeit zu leisten. Man notiert

X(ω) = (1ω ist Pasch0sonst).

Gemeint ist hiermit folgendes: wenn (2,3) das Ergebnis des doppelten Würfelwurfes ist, dann
hat die Zufallsvariable den Wert 0. Wenn (4,4) herauskommt, ist sie hingegen 1. Also X((2,3)) = 0,
X((4,4)) = 1. Damit gilt aber:

 P(Pasch) = P(X = 1).

Man schreibt also nicht mehr die einzelnen Elementarereignisse auf, sondern nur noch, welche
Werte die Zufallsvariable in den gewünschten Fällen annimmt.

Die Zufallsvariablen lassen sich nun einteilen nach der Größe des Bereiches Ω, auf dem sie definiert
ist, in

 diskrete und

 stetige Zufallsvariablen.

MERKE

Eine Zufallsvariable heißt diskret, wenn sie nur abzählbar viele Werte annimmt. Eine Menge heißt
wiederum abzählbar, wenn man sie abzählen kann.
Klingt tautologisch, ist aber schwerer als man denkt:

 jede endliche Menge ist abzählbar, weil man die Elemente anordnen und durchzählen kann,

 eine Menge mit unendlich vielen Elemente ist abzählbar, wenn sie so viele Elemente hat wie
natürliche Zahlen existieren. Genauer gesagt: falls eine Bijektion existiert zwischen der Menge
der natürlichen Zahlen und der beschriebenen Menge.

BEISPIEL

Die Anzahl der Menschen auf der Erde, wenn die Erde und die Menschheit unendlich lange
existieren.

MERKE

Eine diskrete Zufallsvariable ist also dadurch gekennzeichnet, dass sie Löcher hat. So ist die
Augenzahl beim einfachen Würfelwurf 1 oder 2 oder 3 usw., aber nicht 1,23, nicht 1,79 usw.
Genauso im beschriebenen Beispiel der Menschen: es gibt im Laufe der Zeit 314.000 oder 314.001
Menschen, aber nicht 314.000,739.

Eine Zufallsvariable heißt stetig, wenn sie überabzählbar viele Werte annehmen kann.

Sie ist damit durch zwei Eigenschaften gekennzeichnet:

 es müssen auf jeden Fall unendlich viele Elemente sein

 es müssen „mehr Zahlen“ als natürliche Zahlen sein, nämlich so viele wie es reelle Zahlen
gibt.

Mathematiker sprechen von der Mächtigkeit  einer Menge. Die Mengen R der reellen Zahlen und N
der natürlichen Zahlen N besitzen beide zwar beide unendlich viele Elemente, R hat aber eine
größere Mächtigkeit und damit – im Rahmen der Anschauung - „mehr“ Elemente.

MERKE

Beispiele aus der Praxis sind schwer zu finden und hängen immer von der Denkweise ab. Die
Körpergröße eines Menschen ...

 ist eine stetige Zufallsvariable, wenn man unendlich genau messen könnte


 ist hingegen eine diskrete Zufallsvariable,
Abschließend gibt die folgende Übersicht Aufschluss über diskrete und stetige Zufallsvariablen.

Abb. 5.1: Einteilung von Zufallsvariablen

Unterschied abzählbar - überabzählbar


Play Video

Übersicht über die Zufallsvariablen


Play Video

 1Zufallsvariablen
 2Zufallsvariablen
 3Zufallsvariablen
 4Zufallsvariablen

Zufallsvariablen

Aufgabe 1 von 4
Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Ein diskrete Zufallsvariable hat endlich viele Werte.

 
Ein diskrete Zufallsvariable hat abzählbar viele Werte.

 
Ein diskrete Zufallsvariable hat überabzählbar viele Werte.

Lösen

Wahrscheinlichkeitsfunktion
Vorlesen
Play Video

Charakteristisch für die Verteilung einer Zufallsvariablen sind ihre Wahrscheinlichkeits- und ihre
Verteilungsfunktion.
Play Video

MERKE

Unter einer Wahrscheinlichkeitsfunktion f versteht man jene Abbildung, die den Werten x einer
gegebenen Zufallsvariablen X ihre Wahrscheinlichkeiten zuordnet: f(x) = P(X = x).

Man beachte dabei den Unterschied zwischen

 der Zufallsvariablen X (sprich: groß X) und

 dem Wert x (sprich: klein x), den diese Zufallsvariable annimmt.

MERKE

Man redet nur bei diskreten Zufallvariablen von Wahrscheinlichkeitsfunktionen. Bei stetigen
hingegen spricht man analog von Dichtefunktionen, die im Kapitel „Dichtefunktionen“ noch
behandelt werden.

BEISPIEL

Beim einfachen Würfelwurf bezeichne X die gewürfelte Augenzahl. Damit gilt, dass die
Wahrscheinlichkeit, eine Zahl von 1 bis 6 zu würfeln, jeweils genau gleich 1/6 ist.
 In der Schreibweise ohne den Begriff der Zufallsvariablen würden wir P(1 würfeln) = P(2
würfeln) = ... = P(6 würfeln) schreiben.

 Mit einer Zufallsvariablen, genauer mit einer Wahrscheinlichkeitsfunktion, schreibt man f(x) =


P(X = x) = 1/6 oder auch f(1) = f(2) = ... = f(6) = 1/6.

Bildlich gesprochen:

Abb. 5.2: Wahrscheinlichkeitsfunktion beim einfachen Würfelwurf

MERKE

Man beachte hier nochmals den Unterschied zwischen der Schreibweise

 ohne eine Zufallsvariable:

P(4) ... die Wahrscheinlichkeit, dass die Zahl 4 geworfen wird

 und mit Zufallsvariable:

P(X = 4) ... die Wahrscheinlichkeit, dass der Zufallsvariable der Wert 4 zugewiesen wird.

BEISPIEL
Beim zweifachen Münzwurf lautet die Menge der Elementarereignisse Ω = {(K,K), (K,Z), (Z,K), (Z,Z)}. Es
sei X die Anzahl der gefallenen Köpfte beim zweifachen Münzwurf. Gib die
Wahrscheinlichkeitsfunktion von X an.

Wenn X die Anzahl der gefallenen Köpfe bei jedem zweifachen Münzwurf angibt, dann ist

 X = 0, wenn kein Kopf fällt, d.h. wenn das Elementarereignis (Z,Z) eintritt, es ist

 X = 1 bei (Z,K) und (K,Z) und schließlich

 X = 2 bei (K,K).

Also gilt als Verteilung und damit als Wahrscheinlichkeitsfunktion für X die Darstellung

Wert, den die Zufallsvariable X dahinterstehende Ereignisse P


annimmt

0 (Z,Z) 1/4

1 (Z,K), (K,Z) 1/2

2 (K,K) 1/4

METHODE

LAMBERT – KOCHREZEPT WAHRSCHEINLICHKEITSFUNKTION:

1) Was ist überhaupt möglich? Mit anderen Worten: was ist die Menge der Elementarereignisse?

2) Wofür interessiert man sich? Mit anderen Worten: welche Werte kann die Zufallsvariable
annehmen?

ACHTUNG: oftmals nimmt die Zufallsvariable auch den Wert 0 an, was mancher gerne übersieht.

3) Was sind die zugehörigen Wahrscheinlichkeiten P? Finde also die rechte Seite der Tabelle.

ACHTUNG: die Summe der Wahrscheinlichkeiten muß immer 1 ergeben. Hieran kann man gut
kontrollieren, ob man alle relevanten Ereignisse beachtet hat.
4) Eintragen der Werte in das Koordinatensystem. Auf die Abszisse trägt man die Werte ein, die die
Zufallsvariable annehmen kann (Schritt 2), auf die Ordinate die zugehörige Wahrscheinlichkeit
(Schritt 3).

ACHTUNG: oftmals trägt man Stäbe ein, was mathematisch unkorrekt ist, weil nur der obige Punkt
von der Wahrscheinlichkeitsfunktion angenommen wird.

 1Wahrscheinlichkeitsfunktion
 2Wahrscheinlichkeitsfunktion
 3Wahrscheinlichkeitsfunktion
 4Zufallsvariablen
 5Wahrscheinlichkeiten berechnen

Wahrscheinlichkeitsfunktion

Aufgabe 1 von 5

Eine Zufallsvariable nehme die Werte 0 und 2 an, und zwar mit den
Wahrscheinlichkeiten 0,3 und 0,7. Welche der folgenden Aussagen kommt der
Wahrheit am nächsten?

 
Die Wahrscheinlichkeitsfunktion der Zufallsvariablen nimmt die Werte 0 und 2 an. 

 
Die Wahrscheinlichkeitsfunktion der Zufallsvariablen nimmt die Werte 0,3 und 0,7 an.

 
Die Wahrscheinlichkeitsfunktion der Zufallsvariablen nimmt die Werte 0 und 0,3 an.

Lösen

Dichtefunktionen
Vorlesen

Eine stetige Zufallsvariable hat immer eine sog. Dichtefunktion. Zunächst müssen wir den Begriff
definieren:

Definition
MERKE

Eine Funktion f heißt Dichtefunktion, wenn sie folgende Eigenschaften erfüllt:

1. f(x)dx = 1

2. f(x) ≥ 0 für alle x Df.

Eigenschaften
Eigenschaft 1 besagt, dass dass die Fläche zwischen der Abszisse und dem Funktionsgraphen
insgesamt gleich 1 ist.

Eigenschaft 2 verlangt, dass der Graph der Funktion lediglich in den Quadranten I und II verläuft,
nicht hingegen im Bereich III oder im Bereich IV.

Abb. 5.3: Dichtefunktion verläuft in Quadranten I und II

MERKE
Jede Funktion, die die o.e. Eigenschaften aufweist, ist eine Dichtefunktion. Es kommt also lediglich
hierauf an. Damit kann man auch entscheiden, ob eine vorliegende Funktion f Dichtefunktion ist
oder nicht.

Die folgende Funktion ist keine Dichtefunktion, weil einzelne Werte im IV. Quadranten liegen:

Abb. 5.4: Funktion, aber keine Dichtefunktion

Die Werte sind alle größer oder gleich 0. Die Tatsache, ob die Funktion stetig oder unstetig ist, ist
nicht entscheidend. Da die Eigenschaften 1 und 2 erfüllt sind, spielt die Stetigkeit keine Rolle.

Merke

MERKE

 Die Werte der Dichtefunktion sind vollkommen unbedeutend


 Was zählt, ist allein der Flächeninhalt unterhalb der Dichtefunktion.

Video zur Dichtefunktion


Play Video

 1Dichtefunktionen
 2Dichtefunktionen
 3Dichtefunktionen
 4Dichtefunktionen

Dichtefunktionen

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Nur Funktionen mit nichtnegativen Werten kann eine Dichtefunktion sein.  

 
Nur Funktionen mit negativen Werten kann eine Dichtefunktion sein.  

 
Nur Funktionen mit positiven Werten kann eine Dichtefunktion sein.  

Lösen

Verteilungsfunktion
Vorlesen

Die Wahrscheinlichkeit, dass die Zufallsvariable X Werte bis zur Stelle x annimmt, ist gleich dem
Flächeninhalt bis zur Zahl x, in Zeichen:

P(X ≤ x) = ∫x−∞ f(u)du

MERKE

Eine Verteilungsfunktion F gibt die Wahrscheinlichkeit an, dass höchstens ein vorgegebener Wert x
angenommen wird:

F(x) = P(X ≤ x).

 Für diskrete Zufallsvariablen heißt dies konkret, dass man alle Werte der
Wahrscheinlichkeitsfunktion bis zum Wert x aufaddiert:

F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) + … + P(X = x – 1) + P(X = x) = f(0) + f(1) + … + f(x – 1) + f(x) = f(k).
 Für stetige Zufallsvariablen addiert man streng genommen auch – nur dass dies nun
integrieren genannt wird. Man berechnet die Fläche unterhalb der Dichtefunktion bis zum
Wert x:

F(x) = f(u)du.

METHODE

ACHTUNG: man bezeichnet mit f sowohl eine Wahrscheinlichkeits- als auch eine Dichtefunktion,
obwohl hiermit ganz unterschiedliche Sachverhalte gemeint sind. Eine Wahrscheinlichkeitsfunktion
gibt Wahrscheinlichkeiten an, eine Dichtefunktion hingegen nicht. Die Werte der Dichtefunktion
selbst sind vollkommen unerheblich, lediglich die Fläche unterhalb der Dichtefunktion interessiert
für das Berechnen von Wahrscheinlichkeiten.

BEISPIEL

Für das Beispiel des einfachen Würfelwurfs (Beim einfachen Würfelwurf bezeichne X die gewürfelte
Augenzahl. Damit gilt, dass die Wahrscheinlichkeit, eine Zahl von 1 bis 6 zu würfeln, jeweils genau
gleich 1/6 ist) berechne man die Verteilungsfunktion.

Man kalkuliert die Verteilungsfunktion F für den Fall des einfachen Würfelwurfs folgendermaßen:

F(1) = P(X ≤ 1) = P(X = 1) = f(1) = 1/6,

F(2) = P(X ≤ 2) = P(X = 1) + P(X = 2) = f(1) + f(2)=1/6 + 1/6= 1/3,

F(3) = P(X ≤ 3) = f(1) + f(2) + f(3) = 1/6 + 1/6 + 1/6 = ½ sowie

F(4) = 2/3,

F(5) = 5/6 und

F(6) = 1.

F gibt also jeweils die Wahrscheinlichkeit an, dass höchstens der Wert x angenommen wird. Dieser
wiederum berechnet sich dann mit Hilfe der Werte der Wahrscheinlichkeitsfunktion f:

MERKE

F(X ≤ x) = ∑xk=0f(k). Verteilungsfunktion, ausgedrückt als Summe von Werten der

Wahrscheinlichkeitsfunktion
Dabei ist insbesondere wichtig, dass man auch an „krummen“ Stellen die Verteilungsfunktion
berechnen kann. So gilt z.B. bei 2,5:

F(2,5) = P(X = 1) + P(X = 2) = 1/6 + 1/6 = 1/3. An der Stelle 10 hingegen ist der Wert schon bei 1:

F(10) = P(X ≤ 10) = P(X ≤ 6) = f(1) + ... + f(6) = 1/6 + 1/6 + … + 1/6 = 1.

Zwischen 3 und 4 liegt der Wert der Verteilungsfunktion immer bei 0,5, ohne zu wechseln: F(3,2) =
F(3,4) = F(3,7) = P(X ≤ 3) = 3/6 = ½.

an der Stelle 4 dann bei 4/6:

F(4) = P(X ≤ 4) = 4/6 usw.

F gibt also jeweils die Wahrscheinlichkeit des Ereignisses an, höchstens eine bestimmte Augenzahl zu
würfeln. Dies heißt aber konkret nichts anderes, als dass man eine 1, eine 2, ..., oder die Zahl x
würfelt.

Bildlich erhält man:

Abb. 5.5: Verteilungsfunktion beim einfachen Würfelwurf

METHODE:

METHODE
Dann einige Fragen und Antworten zu Verteilungsfunktionen (die Antworten beziehen sich
beispielhaft auf den einfachen Würfelwurf aus Beispiel 5.2)

 Beispiel

 Beispiel
 Beispiel
 Beispiel
 Beispiel
 Beispiel

FRAGE 1:

Wie kommt es dazu, dass wir eine treppenförmige Funktion erhalten?

ANTWORT:

Es ist ganz einfach: interessiert man sich z.B. für F(2,5), also für den Wert der Verteilungsfunktion an
der Stelle 2,5, so sucht man die Wahrscheinlichkeit, dass höchstens 2,5 gewürfelt wird. Dies heißt
aber nichts anderes als eine 1 oder eine 2 zu würfeln, also

P(X ≤ 2,5) = P(X = 1) + P(X = 2) = 1/6 + 1/6 = 1/3.

Genauso für andere Kommazahlen wie

F(2,9) = F(2)= 2/6 = 1/3,

F(3,7) = F(3) = 3/6 = 1/2 etc.

Stetige Verteilungsfunktion
An dieser Stelle folgen zwei Videos zur stetigen Verteilungsfunktion.

Zunächst ein einfacheres Beispiel:


Play Video

Nun ein schwierigeres Beispiel:


Play Video
Frage:

Wie groß ist die Wahrscheinlichkeit, im oben beschriebenen Experiment höchstens k Erfolge zu
erzielen?

Antwort:

Gefragt ist – wie immer bei Verteilungsfunktionen nach - P(X ≤ k). Dies ist gleich F(k), der Wert der
Verteilungsfunktion F errechnet sich also (bei diskreten Zufallsvariablen) durch Aufsummieren der
Werte der Wahrscheinlichkeitsfunktion f bis an die Stelle k.

Achtung: der erste mögliche Wert ist oftmals null!

Als Bild erhält man

Abb. 6.3: Verteilungsfunktion der B(3,1/2) - Verteilung

Wichtig ist außerdem, dass sich die B(n,p) - Verteilung herleitet aus n unabhängigen B(1,p) -
Verteilungen, also aus n unabhängigen Laplace-Verteilungen. Es gilt folgende
Reproduktionseigenschaft:

Es seien X1, X2, ..., Xk jeweils B(ni,p)-verteilt und unabhängig voneinander. Dann ist die Summe dieser
Zufallsvariablen, also X = X1 + X2 + ... + Xk, damit B(n, p)-verteilt, wobei n = n1 + n2 + ... + nk ist.

Die Fragen, die wir beim Beispiel gestellt haben, lassen sich verallgemeinern zu folgenden fünf
Eigenschaften einer Verteilungsfunktion
Eigenschaften einer Verteilungsfunktion F
1. für immer kleinere x strebt die Verteilungsfunktion gegen 0, d.h. F(x) = 0.

2. für immer größere x strebt die Verteilungsfunktion gegen +1, d.h. F(x) = 1.

3. F ist monoton steigend, d.h. es gilt für alle x

4. F ist rechtsseitig stetig, d.h. F(x) = F(x0).

5. F ist für alle reellen Zahlen x definiert.

Aufgabe:
Die folgenden Aussagen sind entweder richtig oder falsch. Entscheide.

a) Bei einer Verteilungsfunktion zu einer diskreten Zufallsvariablen X setzt sich der Wert F(x)
zusammen aus der Summe der Werte der Wahrscheinlichkeitsfunktion bis an die Stelle x, d.h. F(x) =
f(xi).

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

b) Der Wert einer Dichtefunktion lässt sich – im Gegensatz zum Wert einer
Wahrscheinlichkeitsfunktion – nicht als Wahrscheinlichkeit interpretieren.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

c) Eine Wahrscheinlichkeit lässt sich im stetigen Fall als Flächeninhalt unterhalb der
Verteilungsfunktion verstehen.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:
d) Die Verteilungsfunktion einer stetigen Verteilung ist immer stetig, während die
Verteilungsfunktion einer diskreten Zufallsvariablen lediglich linksseitig stetig ist.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Videos
Play Video

Play Video

Play Video

 1Verteilungsfunktion
 2Verteilungsfunktion
 3Verteilungsfunktion
 4Verteilungsfunktion

Verteilungsfunktion

Aufgabe 1 von 4

Eine Zufallsvariable nehme die Werte 0 und 2 an, und zwar mit den
Wahrscheinlichkeiten 0,3 und 0,7. Welche der folgenden Aussagen kommt der
Wahrheit am nächsten?

 
Die Verteilungsfunktion der Zufallsvariablen nimmt die Werte 0 und 1 an. 

 
Die Verteilungsfunktion der Zufallsvariablen nimmt an der Stelle 3 den Wert 1 an.

 
Die Verteilungsfunktion der Zufallsvariablen nimmt die Werte 0,5 an der Stelle 1 an.

Lösen

 Verteilungsparameter
Lageparameter
Vorlesen

Verteilungsparamter
In der deskriptiven Statistik sind bereits die Begriffe Modus, Median und arithmetisches Mittel für
eindimensionale Häufigkeitsverteilungen bekannt. Der Korrelationskoeffizient war für
zweidimensionale Häufigkeitsverteilungen eingeführt worden. Wir werden nun ganz analog
Verteilungsparameter für Zufallsvariablen einführen, und zwar

 Lageparameter

 Streuungsparameter.

Diese Parameter werden jetzt ganz analog für Zufallsvariablen erklärt. Gegeben seien hierfür
zunächst eine eindimensionale Zufallsvariable.

 Wenn diese diskret ist, sei sie erklärt für x1, x2, x3, ...

o möglicherweise endlich viele Zahlen (es gibt dann ein letztes Glied, hier x n genannt),

o möglicherweise aber auch abzählbar unendlich viele. Die Wahrscheinlichkeitsfunktion


f hat dann abzählbar unendlich viele Werte f(x1), f(x2), f(x3),...

 Ist sie hingegen stetig, so habe die Verteilung die Dichtefunktion f mit den Werten f(x).

Lageparameter
Verschiedene Zahlen kennzeichnen die Verteilung, genauer gesagt, die Verteilung liegt „um diese
Zahlen herum“. Wir sprechen in diesem Kapitel von den Begriffen

 Modus

 Median

 α-Fraktil

 Erwartungswert
Modus

MERKE

Man spricht von einem (oder dem ) Modus als dem Wert xmod einer Zufallsvariablen, bei dem die
Wahrscheinlichkeits- oder Dichtefunktion f den höchsten Wert hat, an dem f(x) also maximal ist.

 Beispiel

 Beispiel

Beispiel 1:

Gegeben sei die (stetige) Zufallsvariable X mit

f(x) = ⎧⎩⎨0,2−x,0,xx,1≤x≤20,x≥20≤x≤1⎫⎭⎬

Bestimme den Modus xmod.

Modus ist die Zahl xmod = 1, denn die Dichtefunktion f hat hier ein absolutes Maximum.

MERKE

Der Modus existiert zwar in der Regel, muss aber nicht eindeutig bestimmt sein, wie im Beispiel des
einfachen Würfelwurfes zu sehen war. Er ist dann als Lageparameter wenig nützlich.

Median
Der Median xmed einer Zufallsvariablen ist durch die beiden Bedingungen P(X ≥ x med) ≥ 0,5 und P(X ≤
xmed) ≥ 0,5 definiert.

Mit mindestens 50 % Wahrscheinlichkeit nimmt die Zufallsvariable X also Werte an,


die mindestens so groß sind wie der Median. Ebenfalls mit 50 % Wahrscheinlichkeit ist
X höchstens gleich dem Median.

BEISPIEL

Bestimme den Median beim einfachen Würfelwurf.


Beim einfachen Würfelwurf ist der Median xmed = 3, denn die Wahrscheinlichkeit, dass mindestens die
3 gewürfelt wird, ist P(X ≥ 3) ≥ P(X = 3) + P(X = 4) + ... + P(X = 6) = 1/6 + 1/6 + … + 1/6 = 4/6 = 2/3 und
damit größer oder gleich 0,5. Die Wahrscheinlichkeit, höchstens eine 3 zu würfeln, ist P(X ≤ 3) = P(X =
1) + P(X = 2) + P(X = 3) = 1/6 + 1/6 + 1/6 = ½, also auch größer oder gleich 0,5 (die Gleichheit ist in der
Aussage „größer oder gleich“ explizit eingeschlossen – es reicht, dass eine der beiden Aussagen
richtig ist).

MERKE

Im Gegensatz zum Modus ist die Existenz des Medians immer gesichert.

Nicht gesichert hingegen (genau wie beim Modus) ist die Eindeutigkeit. So ist im Fall des einfachen
Würfelwurfes auch die Zahl 3,5 Median, denn

 P(X ≥ 3,5) = P(X = 4) + ... + P(X = 6) = 3·(1/6) = 0,5 und

 P(X ≤ 3,5) = P(X = 1) + ... + P(X = 3) = 3·(1/6) = 0,5.

Wir definieren also jede Zahl xmed als Median, die die o.e. beiden Bedingungen erfüllt. Manche
Autoren sprechen in diesem Fall dann lediglich von der kleinsten Zahl x, die die beiden Bedingungen
erfüllt, als Median. So wäre im Fall des einfachen Würfelwurfes lediglich die Zahl 3 Median .

Man kann den Median auch – genau wie in der deskriptiven Statistik – verstehen mit Hilfe der
Verteilungsfunktion F. Im Beispiel des einfachen Würfelwurfes zeigt sie dann das folgende Bild:
Abb. 5.6: Ermittlung des Medians mithilfe der Verteilungsfunktion

Wir ziehen auf der Höhe von 0,5 eine gestrichelte Linie. Da, wo diese Linie zum erstenmal auf die
Verteilungsfunktion F trifft, „tropft“ man nach unten.

Was passiert in der graphischen Methode, wenn die gestrichelte Linie „durchrutscht“ wie z.B. im
folgenden Diagramm, die zu der Zufallsvariablen X mit der Wahrscheinlichkeitsfunktion f passt:

x f(x)

1 1/4

2 1/2

3 1/8

4 1/8
Abb. 5.7: Probleme bei der graphischen Ermittlung des Medians

Es gibt hier also keine Punkte, bei denen eine der beiden Bedingungen aus der Definition des
Medians als Gleichheit gegeben ist. Hingegen fällt ins Auge, dass x = 2 sich als Median anbietet:

 P(X ≥ 2) = P(X = 2) + ... P(X = 4) = ½ + 1/8 + 1/8 = 6/8 = 0,75 und

 P(X ≤ 2) = P(X = 1) + P(X = 2) = ¼ + ½ = 0,75,

also in beiden Fällen größer oder gleich 0,5 und damit erfüllt die Zahl die Bedingungen an einen
Median. Man beachte, dass es hier nicht richtig wäre, z.B. die Zahl x = 2,5 als Alternative zu nehmen:

P(X ≥ 2,5) = P(X = 3) + P(X = 4) = 1/8 + 1/8 = 0,25

und dies ist kleiner als 0,5. Im Fall einer diskreten Zufallsvariable, wo die gestrichelte Linie
„durchrutscht“, ist der Median sogar eindeutig definiert.

Fraktil
Der Begriff des α -Fraktils ist im diskreten Fall schwerer als im stetigen, deshalb sei zunächst
letzterer behandelt:

MERKE
Ein α - Fraktil (α - Quantile, α - Punkte) einer stetigen Zufallsvariablen ist die Zahl xα mit F(xα) = P(X ≤
xα) = α.

Die Wahrscheinlichkeit, dass die Zufallsvariable X höchstens den Wert x αannimmt, ist also genau
gleich α.

BEISPIEL

Die Dichtefunktion f einer Zufallsvariablen X sei, wie oben erwähnt,

f(x) = ⎧⎩⎨0,2−x,0,xx,1≤x≤20,x≥20≤x≤1⎫⎭⎬

a) Zeichne die Dichtefunktion.

b) Berechne das 0,3 und das 0,7-Fraktil.

c) Zeichne die beiden.

a) Die zugehörige Graphik ist

Abb. 5.8: Dichtefunktion einer Dreiecksverteilung


b) Das 0,3-Fraktil x0,3 ist offenbar x0,3 = 0,7746. Man sieht das Fraktil aber auch anhand der Dichte:
dort, wo die Fläche unterhalb der Dichtefunktion den gewünschten Wert erreicht (hier 0,3), liegt das
gewünschte Fraktil.

Abb. 5.10: Ermittlung des 0,7-Fraktils

 Die Berechnung ist hier recht aufwendig, da ein Integral zu lösen ist. Man stellt sich die Frage,
bis zu welchem Wert x0,7 die Fläche unterhalb der Dichtefunktion genau 0,7 ist. Die Fläche bis 1
ist 0,5, da hier der Median liegt. Es fehlen also noch 0,2, die zwischen 1 und dem (zu
suchenden) x0,7-Wert liegen. Also rechnet man

∫xα1(2 – x)dx = ∫xα1 2dx - ∫xα1 xdx = 2·x ∣∣∣xα1 - 12·x2 ∣∣∣xα1


= 2xα – 1 - 12 x2α + 12·12 = - 12 x2α + 2xα – 1,5 = 0,2.
Dies führt auf die Gleichung x2α- 4x  + 3,4 = 0. Die Lösung hierzu lässt sich mit der p-q-Formel
α

berechnen:

MERKE

x + px + q = 0 ⇒ x1/2=−p2±(p2)2−q−−−−−−−√: pq-Formel

Also konkret:

x1/2=−−42±(−4)24−3,4−−−−−−−−−√=2±4−3,4−−−−−−√=2±0,6−−
−√=2±0,7746
d.h. die Lösung ist xmed = 1,2254. Das andere Ergebnis, nämlich 2,736022, liegt außerhalb des
Bereiches, auf dem die Dichtefunktion f definiert ist.

Für diskrete Zufallsvariablen ist die Definition des α - Fraktils ein wenig komplizierter:

MERKE

xα={xn⋅α+1,12⋅(x[n⋅α]+xn⋅α+1,n⋅α∈Zn⋅α∈Z}

Es bezeichnet [c] die untere Gaußklammer der Zahl c. Diese erhält man durch Abschneiden der
Nachkommastellen. Also [3,7] = 3, [1,39] = 1, [0,8] = 0 sowie [4] = 4. Vorsicht: [5,] = 6, weil 5, bereits
gleich 6 ist.

Wir halten insgesamt (für den stetigen und diskreten Fall) fest:

MERKE

Das α - Fraktil gibt jene Stelle einer Verteilung an, an der α % der Werte erreicht oder gerade eben
überschritten sind.
BEISPIEL

Im einfachen Würfelwurf ist das 0,3 - Fraktil x 0,3 gefragt. Es ist n = 6, also diese Zahl ist nicht
ganzzahlig. Also, das 0,3-Fraktil ist damit x0,3 = 2. Dies bedeutet, dass an dieser Stelle 30 % der
Verteilung erreicht oder gerade überschritten sind (dies ist richtig, denn bei 2 sind die Zahlen 1 und
2, also 2/6 = 33,3 % der Verteilung erreicht. Die gefragten 30% der Verteilung sind also gerade eben
überschritten).

Erwartungswert
Der weitaus wichtigste Lageparameter ist der Erwartungswert, der häufig mit dem griechischen
Buchstaben μ bezeichnet wird.

MERKE

Unter einem Erwartungswert E(X) einer diskreten Zufallsvariablen X versteht man die


Zahl ∑∞i=1 xi·f(xi).

Es bezeichnet wie immer f(xi) = P(X = xi) die Wahrscheinlichkeit, dass die Zufallsvariable X den Wert
xi annimmt. f(xi) ist also der Wert der Wahrscheinlichkeitsfunktion an der Stelle x i. Sollte die
Zufallsvariable lediglich endlich viele Werte annehmen (z.B. n Werte), dann berechnet man den
Erwartungswert einfach als

MERKE

E(X) = ∑∞i=1 xi·f(xi). Erwartungswert bei einer Zufallsvariablen mit endlich vielen Werten, nämlich n

Stück.

Beispiel

BEISPIEL

Das bereits mehrfach erwähnte Beispiel des einfachen Würfelwurfs besitzt die
Wahrscheinlichkeitsfunktion
Augenzahl i 1 2 3 4 5 6

Wahrscheinlichkeit 1/ 1/ 1/ 1/ 1/ 1/
f(i) 6 6 6 6 6 6

Damit ist der Erwartungswert

E(X) = 1·f(1) + 2·f(2) + ... + 6·f(6) = 3,5.

Man sieht hier, dass der E(X) keine Zahl sein muss, die von der Zufallsvariablen X auch wirklich
angenommen wird. Sie ist vielmehr der Schwerpunkt der Verteilung.

Merke

MERKE

Es kann sein, dass der Erwartungswert nicht existiert. Wenn die o.e. Summe nicht konvergiert, liegt
dieser Fall vor.

Für eine stetige Zufallsvariable X berechnet man den Erwartungswert E(X) als Integral der


zugehörigen Dichtefunktion f:

E(X) = ∫+∞−∞x·f(x)dx.

Beispiel

BEISPIEL

Gegeben sei eine Dichtefunktion f(x) = {1/10   x∈[5;15]0              sonst.

Berechne den Erwartungswert.

Der Erwartungswert ist dann

E(X) = ∫+∞−∞x·f(x)dx = ∫155x·1/10dx = 120x2 ∣∣∣155 = 120⋅152 - 120⋅52 = 10.


LAMBERT-REGEL

METHODE

Wir werden später die o.e. Verteilung als stetige Gleichverteilung zwischen den Zahlen 5 und 15
kennenlernen, siehe Kapitel „Stetige Gleichverteilung“.

Play Video

Play Video

 1Lageparameter
 2Lageparameter
 3Lageparameter
 4Lageparameter

Lageparameter

Aufgabe 1 von 4

Eine Zufallsvariable nehme die Werte 0 und 2 an, und zwar mit den
Wahrscheinlichkeiten 0,3 und 0,7. Welche der folgenden Aussagen kommt der
Wahrheit am nächsten?

 
Der Erwartungswert der Zufallsvariable beträgt 1,4.

 
Der Erwartungswert der Zufallsvariable beträgt 2,8.

 
Der Erwartungswert der Zufallsvariable beträgt 2,2.

Lösen

Streuungsparameter
Vorlesen

Ein Lageparameter reicht zur Kennzeichnung einer Verteilung nicht aus, denn er gibt lediglich an, um
welche Zahl herum die Werte liegen. Die Frage allerdings, ob die Werte weit weg oder nah dran liegen
an einem Lageparameter, wird erst beantwortet durch sog. Streuungsparameter. Es existieren
 die Varianz

 die Standardabweichung.

Man muss zunächst die Varianz berechnen, um hieraus die Standardabweichung ermitteln zu
können.

MERKE

Die Varianz einer Zufallsvariablen X ist definiert als

Var(X) = E([X - E(X)]2).

Dies ist jedoch schwerfällig zu rechnen. Deshalb seien folgende Formeln erwähnt:

 Var(X) = 1n∑ni=1(xi - E(X))2 für eine diskrete Zufallsvariable X, die die Ausprägungen x1, x2, ...,

xn besitzt.
 Var(X) = ∫∞−∞ x2·(f(x) - E(X))dx, für eine stetige Zufallsvariable X, wenn f die zugehörige

Dichtefunktion ist.
Man schreibt oftmals Var(X) = bzw. kürzer einfach Var (X) = σ2. Für das Beispiel des einfachen
Würfelwurfes ist die Varianz gegeben durch

Var(X) = (1/6)·∑6i=1 (xi – 3,5)2

= (1/6)·[(1 – 3,5)2 + (2 – 3,5)2 + ... + (6 – 3,5)2]

= (1/6)·[2,52 + 1,52 + ... + 2,52]

= 2,9167.

Die Standardabweichung σ errechnet sich, wenn die Varianz σ2 bekannt sich, durch σ = σ2−−√.
Also erhält man hier σ = 2,9167−−−−−−√ = 1,7078. Es gibt noch die Möglichkeit, die Varianz

über den Steinerschen Verschiebungssatz auszurechnen:

METHODE

Var(X) =(1n∑ni=1x2i) - (E(X))2 im diskreten Fall bzw.

Var(X) = ∫∞−∞(x2·f(x)) - (E(X))2 für eine stetige Zufallsvariable X.

Man erhält mit dieser – anders aussehenden Formel – natürlich das gleiche Ergebnis wie oben:
Var(X) = (1/6)·(12 + 22 + ... + 62) – (3,5)2 = 2,9167.

Varianz und Streuung - diskrete Verteilungen


Play Video

Verständnis
Play Video

Stetig
Play Video

Varianz und Streuung


Play Video

Übersicht Erwartungswert und Varianz


Play Video

 1Streuungsparameter
 2Streuungsparameter
 3Streuungsparameter
 4Streuungsparameter

Streuungsparameter

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Varianz berechnet sich, im Falle der diskreten Gleichverteilung, als arithmetisches Mittel aus den
Abweichungen der einzelnen möglichen Ausprägungen und dem Erwartungswert.

 
Die Varianz berechnet sich, im Falle der diskreten Gleichverteilung, als arithmetisches Mittel aus den
quadrierten Abweichungen der einzelnen möglichen Ausprägungen und dem Erwartungswert.

 
Der Erwartungswert berechnet sich, im Falle der diskreten Gleichverteilung, als arithmetisches Mittel
aus den quadrierten Abweichungen der einzelnen möglichen Ausprägungen und der Varianz. 

Lösen

Linearkombinationen von Zufallsvariablen


Vorlesen

Oftmals hat man es mit linear zusammengesetzten Zufallsvariablen zu tun, d.h. mit Funktionen, die
als Summe oder Differenz aus anderen Zufallsvariablen aufgebaut sind.

Wir interessieren uns im folgenden speziell für die Linearkombination a·X + b·Y + c·Z, wenn die
Zufallsvariablen X, Y und Z gegeben sind.

Beispiel

BEISPIEL

Die Studenten Egon, Paul und Klara bilden eine Wohngemeinschaft und legen zur Finanzierung
derselben ihr Geld zusammen. X1 gibt das Einkommen von Egon an, X2 jenes von Paul und X3 jenes
von Klara.

Wir diskutieren speziell drei Linearkombinationen aus X1, X2 und X3, die für die Studenten relevant
sind:

 Die Frage des Gesamteinkommens wird beantwortet durch X1 + X2 + X3 = ∑3i=1 Xi. Für den

Vermieter der Wohnung bspw. ist nicht wichtig, wieviel jeder einzelne verdient, d.h. was X i ist, i
= 1,2,3, sondern wie hoch das Gesamteinkommen ist, d.h. welche Werte ∑3i=1Xi annimmt.

 Genauso können sich die drei Studenten fragen, wie hoch ihr Durchschnittseinkommen ist.
Hierfür bildet man13 (X1 + X2 + X3), kürzer geschrieben als 13 ∑3i=1 Xi. Wir reden also im
allgemeinen Fall vom arithmetischen Mittel X¯¯¯ = 1n ∑ni=1Xi.

 Wenn Paul doppelt soviel wie die beiden anderen einzahlt, erhält der Vermieter als Summe
X1 + 2·X2 + X3. Über diese neue Zufallsvariable hat er dann Erwartungen zu bilden und
möglicherweise eine Streuung zu berechnen.
All jene Fragen führen auf den Begriff der Linearkombination.

Eine Linearkombination der Zufallsvariablen X, Y und Z ist gegeben durch LK = a·X + b·Y + c·Z, wobei
a, b und c reelle Zahlen sind.

Im ersten Beispiel war a = b = c = 1, im zweiten ist a = b = c = 1/3, im dritten hingegen a = c = 1 und b


= 2.

Merke

MERKE

 a, b und c sind Zahlen, also konstant und werden i.A. mit kleinen Buchstaben bezeichnet,
 X, Y und Z hingegen sind zufällig (also nur in Ausnahmefällen konstant, nämlich bei
konstanten Zufallsvariablen) und i.a. mit großen Buchstaben benannt
 LK ist als Summe von Zufallsvariablen selbst eine Zufallsvariable, denn a·X ist als Produkt von
Zahl und Zufallsvariable eine Zufallsvariable, genauso b·Y und c·Z.

Wichtig ist der Begriff der Linearkombination von Zufallsvariablen insbesondere für Erwartungswert
und Streuung:

MERKE

E(a·X + b·Y + c·Z ) = a·E(X) + b·E(Y) + c·E(Z)

für den Erwartungswert dreier Zufallsvariablen und

MERKE

Var(a·X + b·Y + c·Z ) = a2 Var(X) + b2 Var(Y) + c2 Var(Z) + 2abVar(X)−−−−−−√Var(Y)−−−


−−−√ ρ + 2ac Var(X)−−−−−−√Var(Z)−−−−−−√ρ
X,Y  X,Z  + 2bc Var(Y)−−−−
−−√Var(Z)−−−−−−√ρ Y,Z

für die Varianz dreier Zufallsvariablen.

Für zwei Zufallsvariablen X und Y liest sich diese Formel ein bißchen leichter:

MERKE

Var (a·X + b·Y ) = a2·Var(X) + b2·Var(Y) +2abVar(X)−−−−−−√Var(Y)−−−−−−√ ρX,Y.


Sollten X und Y außerdem unabhängig sein (also insbes. unkorreliert, d.h. ρX,Y = 0), dann gilt sogar

Var (a·X + b·Y ) = a2·Var(X) + b2·Var(Y)

BEISPIEL

Für das vorige Beispiel lässt sich nun ausrechnen, welche Zahlungen bzw. welches
Durchschnittseinkommen man erwarten kann. Angenommen, Egon verdient im Jahr gesehen
unterschiedlich viel, aber im Durchschnitt 1.000 € pro Monat bei einer Streuung von 200 €. Paul
erwartet mehr, nämlich 1.500 €. Diese Erwartung ist unsicherer, die Streuung beträgt nämlich 500 €.
Klara wiederum verdient jeden Monat den gleichen Betrag, nämlich 1.200 €. Die Einkommensströme
von Egon und Paul hängen linear zusammen mit einem Korrelationskoeffizienten von 0,6. Das
Einkommen von Klara ist unabhängig von jenen der beiden anderen.

 Der Erwartungswert für das Einkommen in der WG insgesamt ist

E(X + Y + Z ) = 1·1.100 + 1·1.500 + 1·1.200 = 3.700 €.

 Die Varianz berechnet sich durch

Var(X + Y + Z ) = Var(X) + Var(Y) + Var(Z) + 2 Var(X)−−−−−−√Var(Y)−−−−−


−√ρ + 2acVar(X)−−−−−−√Var(Z)−−−−−−√ ·0 + 2bc Var(Y)−−−−
X,Y 

−−√Var(Z)−−−−−−√· 0 = 200  + 500  + 0  + 200 · 500 · 0,6 + 0 + 0 = 350.000€ .


2 2 2 2

Die Streuung der Summe der Einkommen ist damit die Wurzel aus der Varianz, also 591,61 €.
Die drei Studenten können damit insgesamt im langfristigen Durchschnitt 3.700 € für ihre
Ausgaben aufwenden, wobei ihr Gesamteinkommen streut mit σX + Y + Z = 591,61 €.

 Für den Fall des Durchschnittseinkommens gilt, dass der Erwartungswert E(13 (X1 + X2 + X3))
=13 E(X1) + 13E(X2) + 13E(X3) = 13× 1.000 +13 × 1.500 +13 · 1.200 = 1.233,33 € ist. Die Varianz lautet

Var ( 13(X1 + X2 +X3)) = (13)2Var(X) +(13)2 Var(Y) + (13)2Var(Z) + 2 ·13 ·13Var(X)−−−−

−−√Var(Y)−−−−−−√ ρ  =19 ·2002 +19 ·5002 +19 · 02+ 2 ·13 ·13· 200·500·0,6 =


X,Y

38.888,89 €2.
Für die Streuung gilt damit σ = 197,20 €.

 Für den Fall 3 rechnet man E(X + 2Y + Z) = 1.000 + 2·1500 + 1.200 = 5.200 €. Die Varianz ist
Var (X + 2Y + Z) = 2002 + 22 ·5002 + 12 ·02 + 1·2·200·500·0,6 = 1.160.000 €2, die Streuung damit
1.077,03 €.
Wenn Paul also die doppelte Last trägt, so ist klarerweise ein höheres Einkommen zu erwarten
(5.200 € statt 3.700 €), wobei die Unsicherheit hierüber größer ist (1.077,03 € statt 591,61 €).

Videos

Berechnung des Erwartungswertes


Play Video

Varianz für korrelierte Zufallsvariablen


Play Video

Varianz für unkorrelierte Zufallsvariablen


Play Video

 1Linearkombinationen von Zufallsvariablen


 2Linearkombinationen von Zufallsvariablen
 3Linearkombinationen von Zufallsvariablen
 4Linearkombinationen von Zufallsvariablen

Linearkombinationen von Zufallsvariablen

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Summe zweier Zufallsvariablen ist wieder eine Zufallsvariable.

 
Die Summe zweier Zufallsvariablen ist keine Zufallsvariable.

 
Die Summe zweier Zufallsvariablen ist eine Konstante.

Lösen
Aufgaben, Beispiele und Berechnungen zur
eindimensionalen Verteilung (ohne Namen)
Vorlesen

Aufgabe 1:
Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Wenn die Zufallsvariable X linear transformiert wird durch Y = aX + b mit einem Parameter a > 1,
so ist die Varianz von Y echt größer als jene von X.

b) Es gilt für die Varianz der Differenz Var(a·X - b·Y) = a 2·Var(X) – b2·Var(Y), wenn X und Y unabhängige
Zufallsvariablen sind.

c) Es gilt stets E(X2) = Var(X) + E(X)2.

d) Die Gleichheit E(X·Y) = E(X)·E(Y) gilt nur für unabhängige Zufallsvariablen X und Y.

e) Für konstante Zufallsvariablen X = b gilt E(b) = b und Var(b) = b.

f) Die Varianz einer Summe von Zufallsvariablen Xi also Var(∑ni=1Xi), lässt sich berechnen durch
Var(X) = Var(∑ni=1Xi) + 2∑j<kCov(Xj, Xk).

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Entscheide, ob die folgenden Aussagen über Erwartungswerte und Varianzen richtig oder falsch
sind:

a) Wenn man eine Zufallsvariable X mit einer reellen Zahl a multipliziert, so lässt dies die Varianz
unverändert: Var(X) = Var (a×X).

b) Die Varianz der Differenz zweier Zufallsvariablen ist, wenn diese unabhängig sind, gleich der
Differenz der Varianzen der Zufallsvariablen, d.h. es gilt Var(X - Y) = Var(X) - Var(Y).
c) Für unabhängige Zufallsvariablen X und Y gilt die Beziehung E(X + Y) = E(X) + E(Y).

d) Es ist immer richtig, dass die Kovarianz einer Zufallsvariablen mit sich selbst gleich 0 ist, also
Cov(X,X) = 0.

e) Wenn zwei Zufallsvariablen gemeinsam normalverteilt sind, dann sind Unabhängigkeit und
Unkorreliertheit äquivalent.

f) Es ist immer richtig, dass der Erwartungswert einer quadrierten Zufallsvariablen X größer oder
gleich dem Quadrat des Erwartungswertes ist, d.h. E(X 2) ≥ E(X)2.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3:
Gib zu den folgenden Aussagen über Verteilungs- und Dichtungsfunktionen von Zufallsvariablen an,
ob sie richtig oder falsch sind.

a) Die Dichtefunktion einer stetigen Verteilung gibt, genau wie die Wahrscheinlichkeitsfunktion einer
diskreten Verteilung, die Wahrscheinlichkeiten an, mit denen die verschiedenen möglichen
Realisationswerte angenommen werden.

b) Bei jeder stetigen Verteilung ist die Wahrscheinlichkeit, einen möglichen Realisationswert
anzunehmen, exakt gleich null.

c) Die Wahrscheinlichkeit der Realisation der Zufallsvariable in einem bestimmten Intervall


berechnet man mit Hilfe des Integrals unter der zugehörigen Verteilungsfunktion.

d) Die Werte der Dichtefunktion sind größer oder gleich null und höchstens gleich Eins.

e) Die Verteilungsfunktion einer stetigen Zufallsvariablen ist immer stetig.

f) Die Dichtefunktion einer stetigen Verteilung muss nicht stetig sein.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:
 indimensionale Verteilungen (mit
Namen)
Diskrete Verteilungen
Vorlesen
Play Video

Wir behandeln nun Zufallsvariablen, die in Lehrbüchern bekannt sind und insofern einen Namen
haben. Sehr wohl lässt sich auch zu ihnen eine Wahrscheinlichkeitsfunktion oder eine
Dichtefunktion, wie im vorigen Kapitel „Eindimensionale Verteilungen (ohne Namen)“ Geschehen,
explizit hinschreiben...

Diskrete Verteilungen

Diskrete Gleichverteilungen

Die diskrete Gleichverteilung ist dadurch gekennzeichnet, dass die Wahrscheinlichkeit für das
Auftreten eines jeden möglichen Werts der Zufallsvariablen genau gleich sind:

MERKE

Definition:

Eine Zufallsvariable, die die n Ausprägungen x1,x2,...,xn besitzt und deren Wahrscheinlichkeitsfunktion


f

f(k) = {1n   k=1,2,...,n0,         sonst}

lautet, heißt diskret gleichverteilt.

 Beispiel

 Beispiel
Beispiel 1:

Die möglichen Ausprägungen beim einfachen Würfelwurf sind diskret gleichverteilt mit sechs
möglichen Ausprägungen).

Lösung:

Die möglichen Ausprägungen 1, 2, 3, 4, 5, 6 (also n = 6 Werte) werden jeweils mit Wahrscheinlichkeit


1/n = 1/6 angenommen.

Wahrscheinlichkeits- und Verteilungsfunktion haben eine denkbar einfache Gestalt: hierzu das
Beispiel vom einfachen Würfelwurf (siehe Beispiel 1).

Abb. 6.1: Wahrscheinlichkeitsfunktion beim einfachen Würfelwurf

Die Wahrscheinlichkeit für das Eintreten der jeweiligen Würfelzahl ist 1/6.

Geometrische Verteilung

Die geometrische Verteilung ist eine derjenigen Verteilungen, die man sich „aus der Natur“ erklären
kann, zusammen mit der diskreten Gleichverteilung, der Laplace-Verteilung, der Binomialverteilung
und der hypergeometrischen Verteilung. Die anderen, so wie z.B. die Normal- oder die
Poissonverteilung, müssen entweder vom Klausurensteller vorgegeben sein oder vom Studenten als
approximativ richtig gesehen werden.
Die geometrische Verteilung beantwortet folgende Frage:

METHODE

Frage: Wie groß ist die Wahrscheinlichkeit, dass bei einem Experiment mit jeweils genau zwei
Ergebnissen – Erfolg und Misserfolg -, wobei der Erfolg mit der Wahrscheinlichkeit p, der Misserfolg
mit der Wahrscheinlichkeit 1 - p auftritt und n unabhängige Wiederholungen dieses Experiments der
Erfolg im k. Versuch, 1 ≤ k ≤ n, zum erstenmal auftritt?

Antwort: (1 - p)k-1·p.

Das ist ja auch klar: in den ersten k - 1 Versuchen tritt jeweils der Misserfolg ein, und zwar mit der
(Misserfolgs-)Wahrscheinlichkeit 1 - p. Da die Versuche unabhängig voneinander sind, lassen sich
diese Wahrscheinlichkeiten multiplizieren: (1 – p)k - 1 ist die Wahrscheinlichkeit dafür, dass k - 1 mal
hintereinander der Misserfolg eintritt. Im k. Versuch schließlich soll der Erfolg eintreten, was mit
Wahrscheinlichkeit p geschieht. Da der k. Versuch unabhängig von den vorhergehenden ist, lässt
sich auch hier multiplizieren: man erhält (1 – p)k - 1·p als die Wahrscheinlichkeit, dass in den ersten k -
1 Versuchen nur der Misserfolg auftritt und schließlich im k. Versuch zum erstenmal der Erfolg.
Hierzu das

BEISPIEL

Beispiel:

Beim Mensch-ärgere-Dich-nicht-Spiel darf man bis zu dreimal hintereinander versuchen, eine 6 zu


würfeln, um „rauszukommen“. Wie groß ist die Wahrscheinlichkeit, dass man

a) beim erstenmal,

b) erst beim zweitenmal,

c) erst beim drittenmal,

d) gar nicht rauskommt?

a) p = 1/6, k = 1, die Antwort lautet (1 – p)k-1·p = (1 – p)1-1·p = (1 – p)0·p = p = 1/6,

b) die Wahrscheinlichkeit ist (1 – p)k-1·p = (1 - (1/6))2-1·(1/6) = (5/6)·(1/6) = 5/36


(klar, denn (1,6), (2,6), (3,6), ..., (5,6) sind die günstigen Ereignisse von 36 möglichen).

c) die Lösung ist (1 – p)k-1·p = (1 -(1/6))3-1·(1/6) = (5/6)2·(1/6) = 25/63

d) (1 - (1/6))3 = (5/6)3.

Für die geometrische Verteilung existiert die Rekursionsformel

MERKE

pk+1 = (1 – p)∙pk Rekursionsformel geometrische Verteilung.

Hiermit lässt sich leicht ausrechnen, wie groß die Wahrscheinlichkeit ist, erst im k + 1. Versuch zum
ersten Mal Erfolg zu erzielen, wenn man die Wahrscheinlichkeit dafür kennt, dass man im k. Versuch
zum ersten Mal Erfolg hatte. So ist z.B. im Beispiel dann

p3 = (1 - p)·p2 = (1 – 1/6)·(5/36) = (5/6)·(5/36) = 25/63.

Aufgabe:

Der Kioskbesitzer K. aus Bochum ist der Meinung, dass es ihm gelingt, das Spielzeugauto X mit einer
Wahrscheinlichkeit von 60 % zu verkaufen. Es kommen zehn potenzielle Kunden in seinen Laden. X
sei die Anzahl der verkauften Autos an diesem Tag.

1. Mit welcher Wahrscheinlichkeit kriegt er fünf Autos nicht verkauft, bevor er im sechsten
Versuch erstmalig ein Auto verkauft bekommt bzw. mit welcher Wahrscheinlichkeit verkauft er
mindestens zwei Autos nicht, bevor er das erste Auto verkaufen kann?

2. Mit wie vielen nicht verkauften Autos vor dem ersten Vertragsabschluss muss der
Kioskbesitzer rechnen?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Laplaceverteilung

Oftmals gibt es bei Zufallsexperimenten nur genau zwei Ergebnisse:


 Gewinn oder Verlust beim Lotto,

 Bestehen oder Nicht-Bestehen in der Klausur,

 Tod oder Überleben in der Lebensversicherung.

Kurz gesagt, es sind die beiden Ereignisse

 Erfolg oder

 Misserfolg

zu unterscheiden.

Die Wahrscheinlichkeit für einen „Erfolg“ sei p, jene für „Misserfolg“ dann 1 - p.
Die Indikatorvariable lässt sich formal darstellen durch

IA(ω) = {1,   ω∈A,0,   ω∉A} mit p = P(A).

Die Zufallsvariable IA nennt man Laplace-verteilt.

BEISPIEL

 Im einfachen Würfelwurf gewinnt man, wenn man eine Zahl aus der Menge A = {1, 2, 3, 4}
würfelt und verliert, wenn man eine Zahl aus dem Komplement = {5,6}. Die
Indikatorvariable ist dann

IA(ω) ={1,   ω∈A,0,   ω∉A = {1,   ω∈{1,2,3,4},0,         ω∈{5,6}.

Die Wahrscheinlichkeit für Erfolg ist p = P(A) = 4/6 = 0,67.

 Beim einfachen Münzwurf interessiert man sich für „Kopf“ als Erfolg. Es ist Ω = {Z,K} die
Menge aller Elementarereignisse, d.h. aller Möglichkeiten, die überhaupt beim einfachen
Münzwurf eintreten können, außerdem A = {K} und = {Z}. Die Indikatorvariable ist dann

IA(ω) = {1,   ω∈{K},0,   ω∈{Z}.
Die Indikatorvariable wird gleich bei der Binomialverteilung noch eine große Bedeutung erlangen.
Anders ausgedrückt: die Laplace-Verteilung dient als Herleitung und Vorbereitung der – viel
wichtigeren – Binomialverteilung.

 1Diskrete Gleichverteilung
 2Diskrete Gleichverteilung
 3Diskrete Gleichverteilung
 4Diskrete Gleichverteilung
 5Geometrische Verteilungen
 6Geometrische Verteilungen
 7Geometrische Verteilung
 8Geometrische Verteilung
 9Laplace-Verteilung
 10Laplace-Verteilung
 11Laplace-Verteilung

Diskrete Gleichverteilung

Aufgabe 1 von 11

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Bei der diskreten Gleichverteilung sind die Werte der Wahrscheinlichkeitsfunktion oft gleich hoch.

 
Bei der diskreten Gleichverteilung sind die Werte der Wahrscheinlichkeitsfunktion gleich hoch.

 
Bei der diskreten Gleichverteilung sind die Werte der Wahrscheinlichkeitsfunktion fast immer gleich
hoch.

Lösen

Binomialverteilung
Vorlesen

Es gibt spezielle Verteilungen, die sich „aus der Natur heraus“ erklären lassen. Hierzu gehören die
Laplace-Verteilung, die Binomialverteilung B(n, p), die hypergeometrische Verteilung H(N, M, n), die
geometrische Verteilung, die diskrete als auch die stetige Gleichverteilung.

Wann benutzt man die Binomialverteilung?


LAMBERT-REGEL BINOMIALVERTEILUNG B(n,p):

METHODE

Voraussetzung:

Gegeben seien n Experimente, die

 unabhängig voneinander sind und


 mit jeweils genau zwei Ergebnissen, nämlich Erfolg und Misserfolg.

Die Wahrscheinlichkeit für Erfolg sei p, die Misserfolgswahrscheinlichkeit entsprechend 1 - p.

- Frage: wie groß ist die Wahrscheinlichkeit, beim vorliegenden Experiment genau k Erfolge zu
erzielen mit 0 ≤ k ≤ n?

- Antwort: X bezeichne die Zufallsvariable, die die Anzahl der Erfolge angibt. Dann lässt sich die
gesuchte Wahrscheinlichkeit berechnen mit

f(k) = P(X = k) = (nk)·pk·(1 – p)n – k.

MERKE

MERKE

 Die Binomialverteilung lässt sich immer dann anwenden, wenn die beiden Punkte in der
obigen LAMBERT-REGEL BINOMIALVERTEILUNG gegeben sind. Entscheidend ist daher,
diese beiden Bedingungen abzuprüfen.
 Das oben beschriebene Experiment lässt sich auch verstehen als Ziehen aus einer Urne mit
Zurücklegen. Dadurch, dass die gezogene Kugel wieder zurückgelegt wird, sind die
Ereignisse unabhängig voneinander.
 Die o.e. Funktion f ist die Wahrscheinlichkeitsfunktion der Binomialverteilung B(n,p).

Beispiel
BEISPIEL

Wie groß ist die Wahrscheinlichkeit, dass beim dreifachen Werfen einer fairen Münze genau zweimal
Kopf fällt?

Das Beispiel wurde weiter oben schon gelöst, nämlich in Beispiel 2 unter Klassischer
Wahrscheinlichkeitsbegriff. Wir zeigen hier, dass man auch über die Binomialverteilung herangehen
kann.

METHODE

METHODE

Wenn Sie also verstehen, dass man dieselbe Aufgabenstellung sowohl

 „zu Fuß“ (s. altes Beispiel) als auch


 mit der Binomialverteilung (siehe dieses Beispiel)

lösen kann, haben Sie den Sinn der Binomialverteilung verstanden!

Hierzu überprüfen wird die o.e. Voraussetzungen.

Es handelt sich um n = 3 Experimente, nämlich das dreimalige Werfen einer fairen Münze.

 Die einzelnen Würfe sind unabhängig voneinander. Das Ergebnis des zweiten Wurfs
beispielsweise beeinflusst den dritten nicht usw.

 In jedem einzelnen Wurf sind genau zwei Ergebnisse möglich, nämlich Kopf und Zahl.

In der Aufgabenstellung 6.5 wird nach dem Auftreten des Ereignisses „Kopf“ gefragt, dies ist damit
der Erfolg. Die Erfolgswahrscheinlichkeit ist p = ½, da in jedem einzelnen der Würfe entweder Kopf
oder Zahl fällt, und zwar beide Ereignisse mit Wahrscheinlichkeit ½. Wir verwenden also die
Binomialverteilung B(3;½).

MERKE

MERKE
 Es ist nicht notwendig, dass die Erfolgswahrscheinlichkeit p immer gleich der
Misserfolgswahrscheinlichkeit 1 - p ist, nämlich beide gleich ½.
 Man sieht, dass man das Experiment auch verstehen kann also Ziehen aus einer Urne mit
Zurücklegen: in einer Urne sind zwei Kugeln, auf der einen steht „Kopf“, auf der anderen
„Zahl“. Man zieht eine Kugel, notiert das Ergebnis und legt die gezogene Kugel wieder in
die Urne zurück. Danach zieht man noch mal usw. Das Ergebnis ist identisch mit dem
dreimaligen Werfen einer fairen Münze. Man sieht, dass nur durch das Zurücklegen der
gezogenen Kugeln die einzelnen Züge unabhängig voneinander sind. Die Verteilung der
Kugeln in der Urne wird durch das Zurücklegen gerade nicht verändert (anders beim Fall
ohne Zurücklegen: hier beeinflusst ein Zug den darauffolgenden, da die gezogene Kugel
nicht nochmals gezogen werden kann. Wir kommen bei der hypergeometrischen
Verteilung hierauf zurück).
 „Zwei“ mögliche Ergebnisse heißt nur, dass nach zweien gefragt ist. Wenn in einer Urne rote,
blaue und grüne Kugeln liegen und nach dem Auftreten von blauen Kugeln gefragt ist, so
ist die B(n,p) - Verteilung sehr wohl anwendbar, denn es sind blaue und nicht-blaue (=
rote, grüne) Kugeln in der Urne vorhanden.

Es sei nun X die Anzahl der gefallenen Köpfe. Man rechnet die Wahrscheinlichkeit, dass genau zwei
Köpfe fallen, aus als (n = 3, p = ½, k = 2):

f(2) = = P(X = 2) = (32)· (12)2·(1 - 12)3–2 = 38 = 0,375.

Dieses Ergebnis hatten wir schon vorher gesehen nämlich beim alten Beispiel, als wir die Aufgabe
ohne die Kenntnis einer Verteilung ausgerechnet hatten.

Man kann nun auch die Wahrscheinlichkeiten der anderen möglichen Ereignisse berechnen, nämlich
drei Köpfe zu werfen (P(X = 3)), genau einen (P(X = 1)) sowie gar keinen (P(X = 0)). Man erhält also
wieder folgende Wahrscheinlichkeitsfunktion:

X P

0 0,125

1 0,375

2 0,375
3 0,125

Als Graphik erhält man hierzu:

Abb. 6.2: Wahrscheinlichkeitsfunktion der B(3;1/2) ? Verteilung

Aus dieser Wahrscheinlichkeitsfunktion kann man die Verteilungsfunktion herleiten.

Rekursionsformel der Binomialverteilung

MERKE

Die Rekursionsformel der Binomialverteilung B(n,p) ist

p0 = (1 – p)^n,

pk+1 = n−kk+1· p1−p·pk für k = 0, 1, 2, …, n - 1.

Dies erleichtert die Arbeit, wenn man z.B. die Werte der Wahrscheinlichkeitsfunktion ausrechnen
möchte, d.h. „hintereinander liegende“ Werte f(0) = P(X = 0), f(1) = P(X = 1), f(2) = P(X = 2) usw.

So lässt sich die Wahrscheinlichkeitsfunktion beim obigen Beispiel 6.5 des dreifachen Münzwurfes
(mit „Kopf“ als Erfolg) auch mit der Rekursionsformel berechnen:
p0 = (1 - 0,5)^3 = 0,125,

p1 = 3−00+1· 0,51−0,5·0,125 = 0,375,
p2 = 3−11+1· 0,51−0,5·0,375 = 0,375,
p3 = 3−22+1· 0,51−0,5·0,375 = 0,125.

Aufgabe (Richtig-Falsch-Fragen zur Binomialverteilung)


Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Eine binomialverteilte Zufallsvariable X zu den Parametern n und p, d.h. X ~ B(n,p), setzt sich
zusammen aus n Zufallsvariablen Xi, die jede für sich binomialverteilt sind zu den Parametern 1 und
p, d.h. Xi ~ B(1,p).

b) Eine B(3,p)-verteilte Zufallsvariable kann lediglich die Werte 1, 2 und 3 annehmen.

c) Die Varianz einer binomialverteilten Zufallsvariable ist maximal, wenn – für festes n – die
Erfolgswahrscheinlichkeit p = 0,4 ist.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Video zur Binomialverteilung


Play Video

 1Binomialverteilung
 2Binomialverteilung
 3Binomialverteilung
 4Binomialverteilung

Binomialverteilung

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?


 
Die Binomialverteilung eignet sich im Fall von Urnenexperimenten, egal ob die gezogene Kugel
wieder zurückgelegt wird oder nicht. 

 
Die Binomialverteilung eignet sich im Fall von Urnenexperimenten, wenn die gezogene Kugel nicht
wieder zurückgelegt wird. 

 
Die Binomialverteilung eignet sich im Fall von Urnenexperimenten, wenn die gezogene Kugel wieder
zurückgelegt wird. 

Lösen

Weitere diskrete Verteilungen


Vorlesen

Multinomialverteilung
Für die Multinomialverteilung (= Polynomialverteilung) betrachten wir ein

Beispiel

BEISPIEL

Wir ziehen aus einer Urne mit insgesamt sieben Kugeln, von denen eine grüne, drei weiße, zwei
schwarze und eine graue dabei sein möge. Wie groß ist beim dreifachen Ziehen mit Zurücklegen die
Wahrscheinlichkeit, zwei weiße und eine schwarze Kugel zu ziehen?

Die Frage ist nun nicht mehr mit der Binomialverteilung zu beantworten, da die einzelnen Ereignisse
nicht lediglich zwei Ausgänge besitzen – z.B. weiß und nicht weiß. Vielmehr sind hier mehr als zwei
Ereignisse von Interesse. Folgender Merksatz gilt

Regel Multinomialverteilung (=Polynomverteilung)

METHODE

Voraussetzungen:
 Es seien r Ereignisse A1, A2, ..., Ar eines Versuchs gegeben
 Diese treten mit den Wahrscheinlichkeiten p1, p2, ..., pr ein
 Die Ereignisse seien unabhängig voneinander

Frage:

Wie groß ist die Wahrscheinlichkeit, dass bei n hintereinander ausgeführten Versuchen

 genau k1 mal das Ereignis A1,


 genau k2 mal das Ereignis A2,
 ...
 genau kr mal das Ereignis Ar eintritt?
 Insgesamt gilt ∑ri=1ki = 1 und ∑ri=1pi = 1.

Antwort:

f(k1, k2, ..., kr) = n!k1!k2!...kr!pk11⋅pk22⋅...⋅pkrr..

Kommen wir zur Fragestellung des Beispiels zurück:

Es handelt sich um r = 4 mögliche Ereignisse A1, A2, A3 und A4, nämlich die einzelnen Farben. So kann
die gezogene Kugel in jedem Zug grün sein (A1), weiß (A2), grau (A3) oder schwarz (A4). Dadurch, dass
die Kugel wieder zurückgelegt wird, sind die einzelnen Züge unabhängig voneinander. Gewünscht ist
nun, dass k1 = 0 grüne Kugeln gezogen werden sowie k2 = 2 weiße, k3 = 0 graue und k4 = 1 schwarze
Kugel. Die Erfolgswahrscheinlichkeiten sind in jedem einzelnen Zug p1 = 1/7, p2 = 3/7, p3 = 1/7 und
p4 = 2/7. So ist z.B. p2 = 3/7 die Wahrscheinlichkeit, im zweiten (genau wie im dritten) Zug eine weiße
Kugel zu ziehen, denn es sind drei Kugeln weiß von sieben Kugeln insgesamt. Die Zahl n ist k 1 + k2 +
k3 + k4 = 0 + 2 + 0 + 1 = 3, da dreimal gezogen wird. Insgesamt erhält man

f(0, 2, 0, 1) = 3!0!2!0!1!(17)0⋅(37)2⋅(17)0⋅(27)1=5473.

Merke

MERKE
Die Binomialverteilung ist – wie es der Name schon vermuten lässt – ein Spezialfall der
Multinomialverteilung für r = 2.

Beispiel

BEISPIEL

Berechne die Wahrscheinlichkeit, dass im Urnenexperiment aus dem vorigen Beispiel

 genau drei weiße Kugeln


 zwei graue und eine grüne Kugel

gezogen werden.

 In der ersten Aufgabenstellung ist auch (!) die Binomialverteilung anwendbar, da es um


„weiß“ bzw. „nicht weiß“ geht, also genau zwei Ausgänge erwähnt, d.h. r = 2.

o mit der Binomialverteilung B(3,37 ) rechnet man die gesuchte Wahrscheinlichkeit aus

als P(X = 3) = (33)⋅(37)3⋅(1−37)3−3=2773 .

o mit der Multinomialverteilung kommt man klarerweise auf dasselbe Ergebnis: f(0, 3,

0, 0) = 3!0!3!0!0!(17)0⋅(37)3⋅(17)0⋅(27)0=2773.

 Im zweiten Fall ist lediglich die Multinomialverteilung möglich, da es mehr als zwei Ausgänge
gibt, nämlich „grau“, „grün“ und „nicht grün“. Also f (1, 0, 2, 0) = 3!1!0!2!0!

(17)1⋅(37)0⋅(17)2⋅(27)0=373.

Hypergeometrische Verteilung
Folgende Regel gilt hier:

Regel Hypergeometrische Verteilung H(N,M,n)

METHODE
Voraussetzungen

Gegeben sei eine Urne mit N Kugeln insgesamt, von denen M eine gewünschte Eigenschaft
aufweisen. Es werde nun n mal ohne Zurücklegen aus dieser Urne gezogen.

Frage:

wie groß ist die Wahrscheinlichkeit, genau k mal eine Kugel mit der gewünschten Eigenschaft
gezogen zu haben?

Antwort:

f(k) = P(X = k) = ⎛⎝Mk⎞⎠⋅⎛⎝N−Mn−k⎞⎠⎛⎝Nn⎞⎠.

Entscheidender Unterschied zur Binomialverteilung ist, dass aus der Urne nicht zurückgelegt wird,
die einzelnen Ereignisse nicht mehr unabhängig voneinander sind, sondern abhängig.

Beispiel

BEISPIEL

Gegeben sei eine Urne mit sechs Kugeln, von denen drei mit „Kopf“ und drei mit „Zahl“ bedruckt
sind. Gezogen werde dreimal ohne Zurücklegen. Wie groß ist die Wahrscheinlichkeit, genau zwei
Köpfe zu ziehen?

Man rechnet hier mit der hypergeometrischen Verteilung, da alle Voraussetzungen gegeben sind. N,
also die Anzahl der Kugeln insgesamt, ist N = 6. Die Zahl M der Kugeln mit der gewünschten
Eigenschaft, nämlich den Aufdruck „Kopf“ zu besitzen, ist M = 3. Die Anzahl der Züge n ist ebenfalls n
= 3, die Anzahl der Erfolge k lautet k = 2. Also:

P(X = 2) = ⎛⎝32⎞⎠⋅⎛⎝6−33−2⎞⎠⎛⎝63⎞⎠ = 3⋅3⎛⎝63⎞⎠= \ 3⋅36!3!3! = 920 = 0,45,


Zur Vervollständigung auch die anderen Werte der Wahrscheinlichkeitsfunktion von X:

P(X = 1) = ⎛⎝31⎞⎠⋅⎛⎝6−33−1⎞⎠⎛⎝63⎞⎠ = 3⋅320 = 920 = 0,45


P(X = 0) = ⎛⎝30⎞⎠⋅⎛⎝6−33−0⎞⎠⎛⎝63⎞⎠ = 1⋅120 = 120 = 0,05
P(X = 3) = ⎛⎝33⎞⎠⋅⎛⎝6−33−3⎞⎠⎛⎝63⎞⎠ = 1⋅120 = 0,05.
Damit erhält man als tabellarische Darstellung der Verteilung
X P

0 0,05

1 0,45

2 0,45

3 0,05

Die Rekursionsformel der hypergeometrischen Verteilung ist

pk + 1 = ··pk, k = 0, 1, 2, …, n - 1.

Hiermit lassen sich aus pk = P(X = k) die weiteren Wahrscheinlichkeiten berechnen.

Es ist z.B. P(X = 3) = p3 = p2 + 1 =3−22+1⋅3−26−3−3+2+1⋅p2 = 13· 13·0,45 = 0,05, was wir auch oben
bereits ausgerechnet hatten.
Im Video gehen wir nochmal auf die Hypergeometrische Verteilungen ein
Play Video

Ein weiteres Video


Play Video

Aufgabe (Richtig-Falsch-Fragen zur hypergeometrischen


Verteilung)

Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Die Binomial- als auch die hypergeometrische Verteilung gehen beide von der Idee einer
Stichprobe mit Zurücklegen aus.

b) Die hypergeometrische Verteilung lässt sich immer zurückführen auf ein Urnenexperiment mit N
Kugeln insgesamt in der Urne, von denen M eine gewisse (wünschenswerte) Eigenschaft aufweisen.
Von diesen M Kugeln sollen nun bei n-fachem Ziehen ohne Zurücklegen genau k Kugeln gezogen
werden, damit die Wahrscheinlichkeitsfunktion der hypergeometrischen Verteilung anwendbar ist.

VERTIEFUNG
Hier klicken zum Ausklappen
Lösung:

Poissonverteilung
Die Poissonverteilung kommt in der Natur nicht vor. Sie ist lediglich approximativ (= annähernd)
benutzbar, da sie unter bestimmten Umständen Grenzverteilung für die Binomialverteilung ist – und
zwar umso besser, je kleiner bei der Binomialverteilung B(n, p) die Erfolgswahrscheinlichkeit p und
je größer der Stichprobenumfang n ist. Man nennt die Poissonverteilung deshalb auch Verteilung der
seltenen Ereignisse.

Wir definieren sie über ihre Wahrscheinlichkeitsfunktion:

Definition

MERKE

Jede Zufallsvariable X, deren Wahrscheinlichkeitsfunktion

f(k) =⎧⎩⎨Λkk!⋅e−Λfürk=0,1,2,3,...0                   sonst

lautet, wobei λ > 0 ist, heißt poissonverteilt zum Parameter λ, in Zeichen X ~ ∏λ.

Merke

MERKE

 Der Parameter λ ist zum einen Erwartungswert und gleichzeitig auch Varianz der
Zufallsvariablen X, es gilt also E(X)= λ und Var(X) = λ.
 Will man die Poissonverteilung benutzen, wobei das Ereignis, wenn man es genau
nimmt, binomialverteilt ist, so rechnet man mit der Poissonverteilung λ= n*p.

Diese Approximation ist brauchbar für n ≥ 50, p ≤ und n×p ≤ 10.

 Die Poissonverteilung besitzt eine Reproduktionseigenschaft, nämlich dass die Summe


unabhängig poissonverteilter Zufallsvariablen wieder poissonverteilt ist. Anders ausgedrückt:
X1, X2, ..., Xn ~ ∏λi Xi ~ ∏λi + ... + λn.

Wir rechnen zum besseren Verständnis das

Beispiel

BEISPIEL

Eine Maschine produziert Werkstücke, die mit Wahrscheinlichkeit von insg. 3 % Ausschuss sind. Das
Auftreten von Ausschuss bei den einzelnen Teilen sei unabhängig voneinander, d.h. die Produktion
verschiedener Stücke ist bzgl. der Frage „Ausschuss oder nicht“ als unabhängig anzusehen. Wie groß
ist die Wahrscheinlichkeit, dass von 60 produzierten Teilen

 genau zwei
 mindestens vier

Ausschuss sind?

Will man diese Aufgabe lösen, so kann man unterscheiden zwischen

 der exakten Lösung – hier über die Binomialverteilung

 der approximativen Lösung – hier über die Poissonverteilung.

Exakte Lösung - über die Binomialverteilung

Wir definieren die Zufallsvariable Xi, die das Ergebnis des i. Zugs angibt. Xi ist = 1, wenn das
Werkstück fehlerhaft ist (man vergibt die 1 immer für den Erfolg). Ansonsten, sollte das Werkstück
nicht fehlerhaft sein, ist Xi = 0. Kurz gesagt:

Xi ={1   fehlerhaft0       sonst

Xi ist binomialverteilt, also Xi ~ B(1; 0,03).

Da Ausschuss unabhängig über die einzelnen Werkstücke auftritt, ist die Summe unabhängig
binomialverteilter Zufallsvariablen wieder binomialverteilt: X =∑60i=1 Xi und X ~ B(60; 0,03).

Die Ergebnisse sind also exakt mit der Binomialverteilung ausrechenbar:


P(X = 2) =(602) ·0,032·0,9760 - 2

= 1770·0,0009·0,1709073

= 0,2722553

P(X ≥ 4) = 1 - P(X < 4)

= 1 - [P(X = 0) + P(X = 1) + … + P(X = 3)]

= 1 - [0,9760 + 60·0,03·0,9759 + 0,2722553 +(603) ·0,033·0,9757]

= 1 – [0,16080667 + 0,29840413 + 0,2722553 + 0,16279184]

= 0,105742.

Man sieht, dass das konkrete Ausrechnen sehr mühsam ist, wenn man mit der exakten Verteilung –
hier der exakten Verteilung – rechnet.

Approximative Lösung – über die Poissonverteilung

Da die Approximationskriterien erfüllt sind:

n = 60 ≥ 50, p = 0,03 ≤ und n·p = 60·0,03 = 1,8 ≤ 10,

rechnen wir mit der Poissonverteilung zum Parameter λ = n·p = 60·0,03 = 1,8, wir benutzen also
∏1,8 statt B(60; 0,03).

Konkret:

P(X = 2) = 1,822!·e - 1,8 = 3,242·0,16529889


= 0,2677842

P(X ≥ 4) = 1 - P(X < 4) = 1 - P(X ≤ 3)

= 1 – [(X = 0) + P(X = 1) + … P(X = 3)]

=1 - [1,800!·e - 1,8 + 1,811!·e - 1,8 + ... + 1,833!·e - 1,8]


= 1 - e - 1,8 [1 + 1,8 + 1,62 + 0,972]

= 1 – 0,16529889·5,392

= 0,10870839
Man sieht, dass die Approximation in beiden Fällen recht brauchbar ist.

Rekursionsformel

MERKE

Die Rekursionsformel für die Poisson-Verteilung ist

p0 = e - λ pk,

pk+1 = Λk+1·pk, für k = 0, 1, 2, 3, …

Im Beispiel der produzierten Werkstücke würde man aus

p3 = P(X = 3) = 0,16279 die Wahrscheinlichkeit für p4 = P(X = 4) schließen: p4 = 1,83+1·0,16279 =
0,0733, was man auch anders ausrechnen kann: p4 = P(X = 4) = 1,843+1·e - 1,8 = 0,0723.

Videos
Play Video

Aufgabe (Richtig-Falsch-Fragen zur Poissonverteilung)

Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Wenn man die Streuung einer poissonverteilten Zufallsvariable kennt, so ist ihr Erwartungswert
automatisch auch bekannt.

b) Eine poissonverteilte Zufallsvariable zum Erwartungswert 5 kann lediglich die Werte 0 bis
einschließlich 5 annehmen.

c) Es gilt bei der Poissonverteilung, dass die Summe von n unabhängigen poissonverteilten
Zufallsvariablen wieder poissonverteilt ist.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:
 1Multinomialverteilung
 2Multinomialverteilung
 3Weitere diskrete Verteilungen
 4Multinomialverteilung
 5Hypergeometrische Verteilung
 6Hypergeometrische Verteilung
 7Hypergeometrische Verteilung
 8Hypergeometrische Verteilung
 9Poissonverteilung
 10Poissonverteilung
 11Poissonverteilung
 12Poissonverteilung
 13Verteilungen

Multinomialverteilung

Aufgabe 1 von 13

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Eine Binomialverteilung ist ein Spezialfall einer Multinomialverteilung.

 
Weder ist eine Multinomialverteilung ein Spezialfall einer Binomialverteilung noch umgekehrt.

 
Eine Multinomialverteilung ist ein Spezialfall einer Binomialverteilung.

Lösen

Stetige Verteilungen
Vorlesen

Stetige Gleichverteilung

Definition

MERKE

Eine Zufallsvariable, deren Dichtefunktion f


f(x) ={1b−a,  füra≤x≤b0,          sonst

lautet, heißt stetig gleichverteilt (= rechteckverteilt) im Intervall [a;b].

Bildlich erhält man

Abb. 6.4: Dichtefunktion der stetigen Gleichverteilung

als Dichtefunktion einer Rechteckverteilung.

Eine stetige Gleichverteilung (= Rechteckverteilung) hat dann folgende Verteilungsfunktion:

F(x) ={0,    xb
und sieht folgendermaßen aus:
Abb. 6.5: Verteilungsfunktion der stetigen Gleichverteilung

Zum Verständnis das nachfolgende

Beispiel

BEISPIEL

Die Wartezeit an einer Bushaltestelle beträgt maximal 15 Minuten. Wie groß ist die
Wahrscheinlichkeit, dass ein zufällig eintreffender Fahrgast mehr als x Minuten warten muss?

Am besten verfährt man, wenn man sich die Funktion aufmalt: wenn X die verbleibende Wartezeit
bezeichnet, ist mit a = 0 und b = 15 die Fläche zwischen 5 und 15 zu kalkulieren (s. Abb. 6.6):
Abb. 6.6: Verständnis einer Wahrscheinlichkeit als Fläche

 über die Dichtefunktion (man berechnet die Fläche unterhalb der Dichtefunktion in den


Grenzen von 5 bis 15).

Auszurechnen ist hier die schraffierte Fläche. Sie ergibt sich durch

P(X ≥ 5) = ∫∞5115−0·dx = ∫155115·dx = 115⋅x∣∣155 = 115·15 - 115·5 = 23 .

 über die Verteilungsfunktion (man dreht das „Größer-Gleich-Zeichen“ in „Kleiner-Gleich“


um, so dass man die Verteilungsfunktion anwenden darf und setzt dann dort ein).

P(X ≥ 5) = 1 – P(X < 5) = 1 – F(5) = 1 - 5−015−0 = 23.

 1Stetige Verteilungen
 2Stetige Verteilungen
 3Stetige Verteilungen
 4Stetige Verteilungen

Stetige Verteilungen

Aufgabe 1 von 4

Betrachtet sei eine Rechteckverteilung R(3,7). Was sind die Ordinatenwerte der
Dichtefunktion?
 
0,25 und 1

 
0 und 0,5

 
0 und 0,25

Lösen

Normalverteilung
Vorlesen

Die Normalverteilung hat eine überaus große Bedeutung in der Statistik, weil sie als Approximation
(= Annäherung) an andere Verteilungen ist:

LAMBERT-KOCHREZEPT NORMALVERTEILUNG

METHODE

1) um welche Normalverteilung handelt es sich? Was ist der Erwartungswert µ was ist die Streuung
σ?

2) Nach welcher Wahrscheinlichkeit ist gefragt?

a) P(X ≤ a) die Wahrscheinlichkeit, dass die Zufallsvariable X höchstens den Wert a annimmt


Abb. 6.7: Fläche bis zu bestimmter Stelle unterhalb Glockenkurve

b) P(X ≥ a) die Wahrscheinlichkeit, dass die Zufallsvariable X min destens den Wert a annimmt
Abb. 6.8: Fläche ab bestimmter Stelle unterhalb der Glockenkurve

c) P(b ≤ X ≤ c) Die Wahrscheinlichkeit, dass die Zufallsvariable zwischen den Werten b und c liegt.
Abb. 6.9: Fläche zwischen zwei Zahlen unterhalb der Glockenkurve

3) Standardisiere, d.h. ziehe den Erwartungswert µ ab und dividiere durch die Streuung σ.

a) P(X ≤ a) = P(X−μσ ≤ a−μσ)

b) P(X ≥ a) = 1 – P(X

c) P(b ≤ X ≤ c) = P(X ≤ c) – P(X ≤ b) = P(X−μσ ≤ c−μσ) - P(X−μσ ≤ d−μσ)

4) da die neue Zufallsvariable XST: = standardnormalverteilt ist XSt ~N(0,1) gilt und die
Verteilungsfunktion der N(0,1) - Verteilung mit Φ geschrieben wird, wende diese Φ -Schreibweise an:

a) P(X ≤ a) = ... = Φ (a−μσ)

b) P(X ≥ a) = ... = 1 - Φ (a−μσ)

c) P(b ≤ X ≤ c) = ... = Φ (c−μσ) - Φ (d−μσ).


5) Wende, falls nötig, einen Trick an: Φ (- g) = 1 – Φ (g), da die Tabellen zur Standardnormalerteilung
N(0,1) meistens erst beim Abszissenwert 0 beginnen.

6) Schlage in der Tabelle der N(0,1)-Verteilung nach.

Merke

MERKE

 ob man P(X ≤ a) oder P(X

P(X ≤ a) = P(X

 in manchen Lehrbüchern findet man als „Symbol“ der Normalverteilung N(µ,σ), in anderen
N(µ,σ2).Wir schreiben N(µ,σ), also mit der Streuung σ statt mit der Varianz σ2.
 Der Abstand zwischen dem Erwartungswert µ und den Wendepunkten ist genau gleich der
Streuung σ.

Nun zum besseren Verständnis ein

Beispiel

BEISPIEL

Die Körpergröße von Männern in Deutschland sei normalverteilt mit einem Erwartungswert von 1,7
m bei einer Streuung von 0,1 m. Wie groß ist die Wahrscheinlichkeit,
a) kleiner zu sein als 1,65,
b) größer zu sein als 1,72 sowie
c) eine Körpergröße zwischen 1,55 m und 1,75 m zu haben?

Wir wenden zur Lösung das obenstehende Kochrezept an:

Schritt 1) Es handelt sich offenbar um die Normalverteilung N(1,7; 0,1).

Schritt 2) Danach schreiben wir die Aufgabenstellung formal auf

a) P(X ≤ 1,65)
b) P(X ≥ 1,72)

c) P(1,55 ≤ X ≤ 1,75)

Wir drehen die Richtung, wenn nötig, auf „kleiner oder gleich“

a) man muss nichts ändern

b) P(X ≥ 1,72) = 1 – P(X ≤ 1,72)

c) P(1,55 ≤ X ≤ 1,75) = P(X ≤ 1,75) – P(X ≤ 1,55)

Schritt 3) Danach standardisieren wir

a) P(X ≤ 1,65) = P(XST ≤ 1,65−1,70,1) = P(XST ≤ - 0,5)


b) P(X ≥ 1,72) = 1 – P(XST ≤ 1,72−1,70,1 ) = 1 – P(XST ≤ 0,2)
c) P(1,55 ≤ X ≤ 1,75) = P(XST ≤ 0,5) – P(XST ≤ - 1,5)

Schritt 4) Φ – Schreibweise anwenden liefert

a) P(XST ≤ - 0,5) = Φ ( - 0,5)

b) 1 – P(XST ≤ 0,2) = 1 – Φ (0,2)

c) P(XST ≤ 0,5) – P(XST ≤ - 1,5) = Φ (0,5) – Φ ( - 1,5)

Schritt 5) Trick anwenden bei a) und c), nämlich Φ ( - g)=1 - Φ (g)

a) Φ ( - 0,5) = 1 – Φ (0,5)

b) nicht notwendig, da Φ an einer positiven Stelle nachgeschlagen wird

c) Φ (0,5) – Φ ( - 1,5) = Φ (0,5) – [1 - Φ (1,5)] = Φ (0,5) – 1 + Φ (1,5)

Schritt 6) in einer Tabelle zur N(0,1)-Verteilung nachschlagen:

a) 1 – Φ (0,5) = 1 – 0,691462 = 0,308538

b) 1 – Φ (0,2) = 1 – 0,57926 = 0,42074

c) Φ (0,5) – 1 + Φ (1,5) = 0,691462 – 1 + 0,933193 = 0,624655.

Merke

MERKE
Die Ergebnisse kann man dadurch überprüfen, indem man die Dichtefunktion und die Größe der
schraffierten Fläche anschaut. Die Fläche insgesamt unterhalb der Dichtefunktion ist 1, die gefragte
Fläche hat dann insgesamt den ausgerechneten Anteil.

Eine andere Art von Aufgabenstellung behandeln wir hier extra:

Beispiel

BEISPIEL

Welche Körpergröße überschreiten 30 % der deutschen Männer?

Diese Abwandlung der Aufgabe führt auf das „Nachschauen von innen nach außen“ und wird
deshalb gesondert behandelt. Das Ergebnis der Wahrscheinlichkeit, nämlich 30 %, ist bereits
bekannt, es geht nun darum, die Körpergröße zu finden, die mit der Wahrscheinlichkeit von 30%
überschritten wird: P(X ≥ a) = 0,3.

Eben verhielt es sich genau umgekehrt: die Körpergröße war bekannt, die Wahrscheinlichkeit
hingegen gesucht.

Man löst die Aufgabe nach dem o.e. Lambert-Kochrezept:

Schritt 1) X ~ N(1,7; 0,1)

Schritt 2) P(X ≥ a) = 0,3, also Fall b), weil eine Mindestwahrscheinlichkeit gegeben ist. Hieran kann
man sehen, wonach gefragt ist.

Wir drehen das Zeichen um, damit man die Verteilungsfunktion anwenden kann:

P(X ≥ a) = 0,3 ⇔ 1 – P(X ≤ a) = 0,3⇔ - P(X ≤ a) = - 0,7 ⇔ P(X ≤ a) = 0,7.


Schritt 3) Standardisiere P(X ≤ a) = 0,7⇔ P(XST ≤ ) = 0,7.
Schritt 4) Wende die Φ - Schreibweise an:

P(XST ≤ a−1,70,1) = 0,7 ⇔ Φ (a−1,70,1) = 0,7.


Schritt 5) war hier nicht nötig

Schritt 6) Nachgucken von innen nach außen: man schlägt innen in der Tabelle nach, wo 0,7 erreicht
oder gerade überschritten wird und schaut dann, für welche Zahlen dies außen geschieht. Hier wird
die Zahl 0,7 zum erstenmal bei 0,53 überschritten. Also:
a−1,70,1 = 0,53 ⇔ a = 0,53·0,1 + 1,7 = 1,753.
Das heißt, dass 30 % der deutschen Männer größer sind als 1,753 m.

Merke

MERKE

Man sieht, dass die Tabellen zur N(0,1)-Verteilung erst bei 0,5 starten. Was passiert, wenn danach
gefragt ist, welche Körpergröße 40 % der deutschen Männer überschreiten?

Hier braucht man 0,4 als Wert innerhalb der Tabelle und findet keine Zahl. Da hilft folgender Trick,
der speziell für die Standardnormalverteilung gilt (da diese symmetrisch ist um null herum):

MERKE

xα = - x 1 - α.

Also x0,4 = - x1 - 0,4 = - x0,6. Man schlägt also das 0,6 - Fraktil nach und schreibt ein Minus-Zeichen davor.
Es überschreiten 60 % der deutschen Männer eine Körpergröße von 1,675m.

Man sieht im oben gerechneten Beispiel, dass wir noch recht ungenau gerechnet haben. Wir
nahmen in der Tabelle jenen Wert, der das gesuchte Fraktil gerade überschritt, nicht traf. Diesen
Fehler können wir zwar nicht ganz auslöschen, aber durch lineare Interpolation vermindern, auf
die wir hier nicht weiter eingehen werden.

Das 0,7 - Fraktil der N(0,1) - Verteilung liegt also ungefähr bei 0,5244. Diese Schätzung ist genauer als
0,53.

Merke

MERKE

Die Dichtefunktion von N(0,1) ist


Abb. 6.10: Dichtefunktion der Standardnormalteilung N(0,1)

Die Verteilungsfunktion der Standardnormalverteilung lautet


Abb. 6.11: Verteilungsfunktion der Standardnormalverteilung N(0,1)

Videos
Play Video

Play Video

Play Video

Play Video

Aufgabe (Richtig-Falsch-Fragen zur Normalverteilung)


Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Bei der Normalverteilung stimmen Modus, Erwartungswert und Median stets überein.

b) Wenn eine beliebige normalverteilte Zufallsvariable standardisiert wird, erhält man immer eine
standardnormalverteilte Zufallsvariable.

c) Im 1 - σ - Bereich der Normalverteilung liegen ca. 95 % aller Werte.


d) Bei der Normalverteilung ist es wichtig, dass man standardisiert. Hierbei ist der Prozess des
Zentrierens ein wichtiger Teil.

e) Bei der Standardnormalverteilung lassen sich durch lineare Interpolation Zwischenwerte, die in
der Verteilungsfunktionstabelle der N(0,1)-Verteilung nicht angegeben sind, exakt berechnen.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

 1Normalverteilung
 2Normalverteilung
 3Normalverteilung
 4Normalverteilung

Normalverteilung

Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Dichtefunktion eine jeden Normalverteilung ist symmetrisch.

 
Die Dichtefunktion mancher Normalverteilungen ist symmetrisch.

 
Die Dichtefunktion einer jeden Normalverteilung ist unsymmetrisch.

Lösen

Exponentialverteilung
Vorlesen

Definition

MERKE
Eine stetige Zufallsvariable, die die Dichtefunktion

f(x) ={λ⋅eλ⋅x,   x≥00,          sonst

besitzt ( > 0), heißt exponentialverteilt zum Parameter λ mit λ > 0.

Die Dichtefunktion sieht für λ = 2 so aus:

Abb. 6.12: Dichtefunktion der Exponentialverteilung

Verteilungsfunktion

MERKE

Die Verteilungsfunktion lautet F(x) = $\left\{\genfrac{}{}{0pt}{0}{0,\ \ \ \ \ \ \ \ \ \ \ \ x\;

und sieht für λ = 2 folgendermaßen aus:


Abb. 6.13: Verteilungsfunktion einer Exponentialverteilung

Merke

MERKE

 Die Exponentialverteilung bezeichnet man auch als Verteilung ohne Gedächtnis, da gilt

P(X > c + x | X ≥ c) = P(X > c).

Das heißt konkret: wenn z.B. die Lebensdauer eines Bauteils exponentialverteilt ist und
bereits das Alter c erreicht hat (Hypothese, die hinten steht, vgl. das Kapitel „Bedingte
Wahrscheinlichkeiten„ ab S. 36), dann ist die Wahrscheinlichkeit, dann noch x Jahre zu
leben, gleich der Wahrscheinlichkeit, dass man x Jahre lebt (ohne also bereits das Alter c
erreicht zu haben). Die Exponentialverteilung merkt sich also das bereits erreichte Alter c
nicht.

 zum Begriff der Ausfallrate: diese lässt sich definieren als

f(x)1−F(x).
Wenn F(x) = P(X ≤ x) den Anteil derjenigen bezeichnet, die ein bestimmtes Alter nicht
erreichen, dann gibt das Komplement, also 1- F(x) den Anteil derjenigen an, die
mindestens das Alter x erreichen. Der Zähler f(x) lässt sich interpretieren als Abnahme des
Anteils der noch funktionierenden Bauteile im Alter x, der Nenner, wie o.e., als Anteil der
noch funktionierenden Teile im Alter x.

Die Ausfallrate lässt sich damit berechnen als

f(x)1−F(x) = Λ⋅e−Λ⋅xe−Λ⋅x = λ für x > 0, sie ist also stets gleich dem Parameter λ, der die
Exponentialverteilung ausmacht.

Aufgabe (Richtig-Falsch-Fragen zur Exponentialverteilung):


Die folgenden Aussagen sind richtig oder falsch. Entscheide.

a) Die Exponentialverteilung wird auch als Verteilung ohne Gedächtnis bezeichnet.

b) Eine Verteilung ohne Gedächtnis besagt folgendes: an jeder Stelle x ist die Restlebensdauer genau
so verteilt wie die Ausgangsvariable X (Lebensdauer eines neuen Gerätes).

c) Der Modus einer exponentialverteilten Zufallsvariable ist null.

d) Der Erwartungswert einer exponentialverteilten Zufallsvariablen zum Parameter λ ist gleich dieser
Zahl λ.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Zusammenfassung
Wichtig ist, dass man Erwartungswert und Varianz (und damit auch die Standardabweichung) der
wichtigen Verteilungen kennt, deshalb hier nochmals zusammengestellt für die wichtigsten
Verteilungen:

Verteilung Erwartungswert Varianz


Laplace-Verteilung p p∙(1 - p)

Binomialverteilung B(n,p) n∙p n∙p∙(1 - p)

hypergeometrische Verteilung H(N,M,n) n∙MN n·MN⋅N−MN⋅N−n


N−1

Poissonverteilung λ λ

a+b2 (b−a)212
Stetige Gleichverteilung auf [a,b] mit a

1λ 1λ2
Exponentialverteilung exp(λ)

Normalverteilung N(µ,σ2) µ° σ2

Merke

MERKE

Wenn n/N klein ist, lässt sich die Varianz der hypergeometrischen Verteilung auch ohne
Korrekturfaktor N−nN−1 angeben, sie ist dann approximativ gegeben durch n·MN⋅N−MN.

Video zur Exponentialverteilung


Play Video

 1Exponentialverteilung
 2Exponentialverteilung
 3Exponentialverteilung
 4Exponentialverteilung

Exponentialverteilung

Aufgabe 1 von 4

Welche der folgenden Aussagen ist korrekt?


 
Die Exponentialverteilung wird als Verteilung mit Gedächtnis bezeichnet.

 
Die Exponentialverteilung nicht wird als Verteilung ohne Gedächtnis bezeichnet.

 
Die Exponentialverteilung wird als Verteilung ohne Gedächtnis bezeichnet.

Lösen

Aufgaben, Lösungen und Beispiele zu eindimensionalen


Verteilungen (mit Namen)
Vorlesen

Aufgabe 1
Im Land Lowtax, welches in fernen Welten gelegen ist, führt die dortige Steuerfahndung jährlich
intensive Prüfungen durch. Es ist so, dass die Behörde aus einem Pool von zehn Unternehmen
jeweils vier auswählt und intensiv überprüft. Ohne dass die Steuerbehörde dies weiß, hinterziehen
zwei der zehn Unternehmen Steuern.

a) Welcher Verteilung genügt die Zufallsvariable der Anzahl der steuerhinterziehenden


Unternehmen in Lowtax?

b) Wie groß ist die Wahrscheinlichkeit, dass die Behörde beide Steuerbetrüger im selben Jahr
dingfest machen kann?

c) Wie groß ist die Wahrscheinlichkeit, dass kein steuerhinterziehendes Unternehmen ausfindig
gemacht wird?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2
Betrachte eine Urne mit vier schwarzen, zwei weißen und drei roten Kugeln. Es werde dreimal
gezogen. Wie groß ist die Wahrscheinlichkeit, genau zwei rote Kugeln zu ziehen wenn

a) mit Zurücklegen

b) ohne Zurücklegen gezogen wird?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3
Wie groß ist die Wahrscheinlichkeit, dass man beim Werfen von sechs fairen Münzen folgendes
wirft?

a) genau zweimal Kopf

b) mindestens viermal Kopf

c) keinmal Kopf?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Mehrdimensionale Verteilungen
Vorlesen
Play Video

Wenn man

 mehrere Merkmale bei ein- und demselben Zufallsvorgang beobachtet oder

 hintereinander ausführbare Zufallsvorgänge betrachtet

und die einzelnen Zufallsvariablen mit Xi bezeichnet, i = 1,...,n, so spricht man von einer n-
dimensionalen Zufallsvariablen X = (X1,X2,...,Xn) mit Werten im Rn.
So lassen sich z.B. bei Menschen mehrere Dinge messen

 die Körpergröße (in cm),

 die Schuhgröße,

 der Intelligenzquotient.

So bezeichnet X = (X1,X2,X3) = (180,40,120) das Ereignis, dass ein 1,80 m großer Mensch eine
Schuhgröße von 40 und einen IQ von 120 besitzt.

Beispiel

BEISPIEL

Die gemeinsame Verteilung der Zufallsvariablen sei gegeben durch

X\Y 1 2 3 Summ
e

0 0,1 0, 0,1 0,35


1 5

1 0,0 0, 0,0 0,3


5 2 5

2 0,2 0, 0,0 0,35


1 5

Summ 0,3 0, 0,2 1


e 5 4 5

Berechne folgende Größen

 andere Darstellungen der gemeinsamen Wahrscheinlichkeitsfunktion


 die gemeinsame Verteilungsfunktion
 die bedingten Verteilungen
 die Randverteilungen
 die Randverteilungsfunktionen
 sind X und Y unabhängig?
Gemeinsame Wahrscheinlichkeitsfunktion
Es gibt als Darstellungsform einer diskreten zweidimensionalen Wahrscheinlichkeitsfunktion

 die Tabelle

 das Streuungsdiagramm

 das Stabdiagramm.

Die tabellarische Darstellung kennen wir bereits durch die Tabelle

X\Y 1 2 3 Summe

0 0,1 0,1 0,1 0,35


5

1 0,05 0,2 0,0 0,3


5

2 0,2 0,1 0,0 0,35


5

Summe 0,35 0,4 0,2 1


5

Das Streudiagramm lautet:
Abb. 7.1: Streudiagramm einer zweidimensionalen Verteilung

Das Stabdiagramm entsprechend
Abb. 7.2: Stabdiagramm einer zweidimensionalen Verteilung

Unabhängigkeit und Unkorreliertheit


Play Video

 1Gemeinsame Wahrscheinlichkeitsfunktion
 2Gemeinsame Wahrscheinlichkeitsfunktion
 3Gemeinsame Wahrscheinlichkeitsfunktion
 4Gemeinsame Wahrscheinlichkeitsfunktion

Gemeinsame Wahrscheinlichkeitsfunktion

Aufgabe 1 von 4

Wir betrachten folgende Tabelle:

Y→ 0 1 Summe
X↓
2 0,250,5
3 xxx 0
Summe

Wann handelt es sich um eine zweidimensionale Wahrscheinlichkeitsfunktion?

 
Wen xxx = 0,3

 
Wenn xxx = 0,5

 
Wenn xxx = 0,25

Lösen

Gemeinsame Verteilungsfunktion
Vorlesen

MERKE

Unter einer gemeinsamen Verteilungsfunktion einer n-dimensionalen Zufallsvariablen X = (X 1, X2, ...,


Xn) versteht man die Wahrscheinlichkeit F(x1,x2, ..., xn) = P (X1 ≤ x1,X2 ≤ x2, ..., Xn ≤ xn), die also jedem n-
Tupel (x1,x2,...,xn) die Wahrscheinlichkeit zuordnet, dass jeweils höchstens der Wert xi, i = 1, ..., n
angenommen wird.

Für den Fall n = 2 lässt sich dies noch graphisch verstehen:

F(x~1,x~2 ) = (X1 ≤ x~1, X2 ≤ x~2) bezeichnet die Wahrscheinlichkeit, dass jeweils höchstens der
(Abszissen-) Wert x~1 und höchstens der (Ordinaten-) Wert x~2 angenommen wird:
Abb. 7.3: Zweidimensionale Verteilungsfunktion

Wenn man nun z.B. F(1;3) berechnen möchte, so heißt dies: beziehe alle Werte ein, für die X1 ≤ 1
und gleichzeitig X2 ≤ 3 ist:

X\Y 1 2 3 Summe

0 0,1 0,1 0,1 0,35


5

1 0,05 0,2 0,0 0,3


5

2 0,2 0,1 0,0 0,35


5

Summe 0,35 0,4 0,2 1


5

Also F(1;3) = (X1 ≤ 1,X2 ≤ 3) = 0,1 + 0,1 + 0,15 + 0,05 + 0,2 + 0,05 = 0,65.

Die Verteilungsfunktion F mit F(x~1,x~2 ) = (X1 ≤ x~1,X2 ≤x~2 ) läßt sich dann elementweise


angeben:
F(0;1) = 0,1, F(0;2) = 0,2 F(0;3) = 0,35

F(1;1) = 0,15 F(1;2) = 0,45 F(1;3) = 0,65

F(2;1) = 0,35 F(2;2) = 0,75 F(2;3) = 1

Merke

MERKE

Im diskreten Fall bildet man die Verteilungsfunktion wie im vorgegebenen Beispiel geschehen durch
Aufsummieren der möglichen Werte.

Im stetigen Falle erhält man die Verteilungsfunktion durch Integration:

F(x1,x2,...,xn) =∫∞−∞∫∞−∞ ... ∫∞−∞f(u1,u2, ..., un)dun ... du2du1. Die obige Formel wird also

konkretisiert durch die Bildung des Integrals. Die Funktion f ist Dichtefunktion der Zufallsvariablen X
= (X1, X2, ...,Xn).

Korrelationskoeffizient
Play Video

 1Gemeinsame Verteilungsfunktion
 2Gemeinsame Verteilungsfunktion
 3Gemeinsame Verteilungsfunktion
 4Gemeinsame Verteilungsfunktion

Gemeinsame Verteilungsfunktion
Aufgabe 1 von 4

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Eine Verteilungsfunktion ist, bei einer zweidimensionalen Wahrscheinlichkeitsfunktion, meistens
eine Stufenfunktion, ganz im Gegensatz zum eindimensionalen Fall.

 
Eine Verteilungsfunktion ist, bei einer zweidimensionalen Wahrscheinlichkeitsfunktion auch eine
Stufenfunktion, genauso wie im eindimensionalen Fall.

 
Eine Verteilungsfunktion ist, bei einer zweidimensionalen Wahrscheinlichkeitsfunktion, keine
Stufenfunktion, ganz im Gegensatz zum eindimensionalen Fall.

Lösen

Randverteilungen
Vorlesen

Randverteilungen
Die Randverteilungen (hier als Randwahrscheinlichkeitsfunktion, da der diskrete Fall gegeben ist)
werden dadurch berechnet, dass X2 unerheblich ist und lediglich X1 angeschaut wird:

X1 P

0 0,35

1 0,3

2 0,35

So erhält man bspw. P(X1 = 0) durch P(X1 = 0) = P(X1 = 0, X2 = 1) + P(X1 = 0, X2 = 2) + P(X1 = 0, X2 = 1) = 0,1
+ 0,1 + 0,15 = 0,35.
Man bildet also die Summen der Wahrscheinlichkeiten aus der Tabelle, anders ausgedrückt: die
Randwahrscheinlichkeitsfunktion ist durch die Randwahrscheinlichkeiten bereits gegeben. Jene für
X2 lautet deswegen

X2 P

1 0,35

2 0,4

3 0,25

Merke

MERKE

Im stetigen Falle sind die Randdichten gegeben durch


f1(x1) = ∫∞−∞f(x1, x2)dx2 und f2(x2) = ∫∞−∞f(x1, x2)dx1, man integriert also jeweils über

die andere Variable.

Video zur Herleitung einer Kontingenztabelle


Play Video

Randverteilungsfunktion
Die Randverteilungsfunktion erhält man durch

 F1(x1) = F(x1, ∞) für alle x1 und

 F2(x2) = F(∞, x2) für alle x2.

Also hier konkret

 F1(0) = F(0, ∞) = F(0,3) = 0,35,

 F1(1) = F(1, ∞) = F(1,3) = 0,65


 F1(2) = F(2, ∞) = F(2,3) = 1.

Die zweite Variable X2 wird also bis zum Maximum ausgereizt, hier konkret geht sie bis 3.

Bedingte Verteilungen
Bedingte Verteilungen lassen sich ermitteln durch

 f1(x1|x2) = f(x1,X2)f2(x2), wobei x1 R, also aus den reellen Zahlen ist,
 f2(x2|x1) = f(x1,X2)f2(x2), wobei x2 R.
Es bedeutet also z.B. f(2|3) die Wahrscheinlichkeit, dass X 1 = 2 ist, wenn bereits bekannt ist, dass X2 =
3. Also: f2(2|3) = f(2,3)f2(3) = 0,050,25 = 0,2.
Wenn also X2 = x2 fest ist, dann lässt sich für diesen festen Wert x2 (!) die bedingte Verteilung für die
andere Zufallsvariable X1 ausrechnen. Für ein anderes x2 ist die bedingte Verteilung wiederum eine
andere.

Wenn also X2 = 1 ist, dann ist hierfür (!) die bedingte Verteilung f(x 1|1) gegeben durch

 f(0|1) = f(0,1)f(1) = 0,10,35 = 27
 f(1|1) = f(1,1)f(1) = 0,050,35 = 17
 f(2|1) = f(2,1)f(1) = 0,20,35 = 47.
Wenn X2 = 2, dann ist die bedingte Verteilung wiederum anders:

 f(0|2) = 0,10,4 = 0,25


 f(1|2) = 0,20,4 = 0,5
 f(2|2) = 0,10,4 = 0,25.
Gilt schließlich X2 = 3, dann ist die bedingte Verteilung:

 f(0|3) = 0,150,25 = 0,6


 f(1|3) = 0,050,25 = 0,2
 f(2|3) = 0,050,25 = 0,2.

Video zur Randverteilung


Play Video

Unabhängigkeit von Zufallsvariablen


Unabhängigkeit

MERKE

Die Zufallsvariablen X1 und X2 sind unabhängig, wenn gilt


P(X1$\ ∈ A1, X2 ∈ A2) = P(X1 ∈ A1)×( X1 ∈ A1)
für jeden Bereich A1, A2.

Das heißt konkret, dass z.B. für A1 = {0,2}, A1= {2,3} der folgende Bereich zu betrachten ist:

X\Y 1 2 3 Summe

0 0,1 0,1 0,1 0,35


5

1 0,05 0,2 0,0 0,3


5

2 0,2 0,1 0,0 0,35


5

Summe 0,35 0,4 0,2 1


5

Es muss also gleichzeitig gelten,

 dass X1 = 0 oder 2 ist, und

 dass X2 = 2 oder 3 ist.

Dies ist aber lediglich in vier Fällen richtig,

 nämlich wenn X1 = 0 und X2 = 2,

 wenn X1 = 0 und X2 = 3,

 wenn X2 = 2 und X2 = 2,

 sowie wenn X1 = 2 und X2 = 3.


Das heisst für die Wahrscheinlichkeiten dann, dass wir die linke und die rechte Seite der o.e.
Gleichung getrennt untersuchen müssen.

Für die linke Seite rechnet man

 P(X1 ∈ A1, X2 ∈ A2) = P(X1 = 0, X2 = 2) + P(X1 = 0, X2 = 3) + P(X2 = 2, X2 = 2) + P(X1 = 2, X2 = 3) = 0,1 +
0,15 + 0,1 + 0,05 = 0,4.
Dagegen gilt für die rechte Seite

 P(X1 ∈ A1) = P(X1 = 0 oder X1 = 2) = 0,35 + 0,35 = 0,7 und


 P(X2 ∈ A2) = P(X2 = 2 oder X2 = 3) = 0,4 + 0,25 = 0,65,
(also jeweils die Summen der entsprechenden Randwahrscheinlichkeiten ausrechnen).

Für die Unabhängigkeit müsste nun gelten, dass das Produkt der unteren beiden Zahlen gleich der
oberen Zahl ist: 0,4 = 0,7×0,65, was aber nicht richtig ist, denn die rechte Seite ergibt 0,455 statt 0,4.

Also sind die beiden Zufallsvariablen X1 und X2 nicht unabhängig, sondern abhängig.

Es gibt äquivalente Formulierungen der Unabhängigkeit:

 die bedingten Verteilungen sind gleich den Randverteilungen

 die gemeinsame Verteilungsfunktion ist gleich dem Produkt der Randverteilungsfunktionen,

o in Zeichen F(x1,x2,...,xn) = F(x1)×F(x2)×…×F(xn) für alle x1,x2,...,xn.

 die gemeinsame Dichtefunktion f ist gleich dem Produkt der Dichefunktionen,

o also f(x1,x2,...,xn) = f(x1) ×f(x2) ×…×f(xn) für alle x1,x2,...,xn

Merke

MERKE

Bedingung 2 heißt im diskreten Fall, dass sich im Falle der Unabhängigkeit die Zahl in der Zelle als
Produkt der jeweiligen Randwahrscheinlichkeiten ergibt, und zwar für alle Zellen.

Das heißt darüber hinaus, dass im Falle der Unabhängigkeit die gemeinsame Verteilung bereits
durch die Randverteilungen eindeutig bestimmt sind.

Videos
Unabhängigkeit von Zufallsvariablen
Play Video

Kovarianz mehrdimensionaler Verteilungen


Play Video

Stetige mehrdimensionale Verteilungen


Play Video

 1Randverteilungen
 2Randverteilungen
 3Randverteilungen
 4Randverteilungen
 5Randverteilungsfunktionen
 6Randverteilungsfunktionen
 7Randverteilungsfunktionen
 8Bedingte Verteilungen
 9Bedingte Verteilungen
 10Bedingte Verteilungen
 11Bedingte Verteilungen
 12Unabhängigkeit von Zufallsvariablen
 13Unabhängigkeit von Zufallsvariablen
 14Unabhängigkeit von Zufallsvariablen
 15Zufallsvariablen

Randverteilungen

Aufgabe 1 von 15

Wir betrachten folgende Tabelle:

Y→ 0 1 Summe
X↓
2 0,250,50,75
3 0,250 0,2
Summe0,5 0,51

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?


 
Der Wert der Randverteilung für X = 2 ist 0,75.

 
Der Wert der Randverteilung für X = 2 ist 1.

 
Der Wert der Randverteilung für X = 2 ist 0,5.

Lösen

Aufgaben, Beispiele und Berechnungen zur


mehrdimensionalen Verteilung
Vorlesen

Aufgabe 1:
Die Zufallsvariablen X1 sei gegeben durch die folgende Wahrscheinlichkeitsfunktion: f(0) = 0,15, f(1) =
0,3, f(2) = 0,35, f(3) = 0,2. Die Zufallsvariable X 2 hingegen sei definiert durch: f(0) = 0,6, f(1) = 0,4.

Außerdem ist bekannt, dass für die gemeinsamen Verteilungsfunktion gilt F(2,0) = 0,5.
Darüberhinaus ist f(0,0) = f(1,1) = 0,1.

a) Bestimme die bedingte Verteilung von X1 unter der Bedingung X2 = 0.

b) Bestimme die Wahrscheinlichkeiten der Realisierungen von X1 unter der Bedingung X2 = 1.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Ein Würfel mit sechs Seiten sei so verändert worden, dass die Wahrscheinlichkeit, mit ihm eine Zahl
zu werfen, proportional zu eben dieser Zahl ist.

a) Mit welcher Wahrscheinlichkeit werden die einzelnen Zahlen geworfen?


b) Der Würfel werde zweimal geworfen. Bestimme die gemeinsame Verteilung der Zufallsvariablen
X, die das Ergebnis des ersten Wurfes und Y, welche das Ergebnis des zweiten Wurfes mit dem
Würfel angibt.

c) Wie groß ist bei dem doppelten Würfelwurf die Wahrscheinlichkeit, dass die Summe der
Augenzahlen

 gleich 1

 nicht größer als 4

 zwischen 3 und 6 liegt?

d) Wie groß ist der Erwartungswert der Summe der Augenzahlen?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Gesetz der großen Zahlen


Vorlesen
Play Video

Grundlagen
Im Folgenden unterstellen wir, dass Xi unabhängig, identisch verteilte Zufallsvariablen sind. Die neue
Zufallsvariable X¯¯¯n = 1n∑ni=1Xi bezeichnet das arithmetische Mittel dieser Zufallsvariablen.

Beispiel

BEISPIEL

Wir werfen eine faire Münze n mal. Wenn Kopf fällt, ist die Zufallsvariable X i, die das Ergebnis des i.
Wurfs angibt, gleich 1, bei Zahl ist sie gleich null (Kopf werfen ist also hier der Erfolg):

Xi = {1,   Kopf0,   Zahl.
 Beispielsweise ist dann bei n = 5 maligem Werfen ein mögliches Ergebnis unter vielen
(1,0,0,1,1), d.h. dass im ersten, vierten und fünften Wurf Kopf fällt, in allen anderen Würfen
Zahl.

 Das arithmetische Mittel X¯¯¯n = 1n∑ni=1Xi ist dann =15 (1 + 0 + 0 + 1 + 1) = 0,6. Man


weiß also durch die Summe der Zufallsvariablen 1n∑ni=1Xi = 1 + 0 + 0 + 1 + 1 = 3, dass

insgesamt dreimal Kopf fiel. Man weiß jedoch nicht, in welchen Würfen genau.
 Durch die Zufallsvariable des arithmetischen Mittels X¯¯¯ ist bekannt, dass in fast der
Hälfte der Fälle, nämlich in 60 %, Kopf fiel. X¯¯¯ misst also die relative Häufigkeit des
Eintretens des Ereignisses Kopf.
Bei der von Misesschen Wahrscheinlichkeitsdefinition hatten wir das Problem angesprochen, mit
der Zufallsvariablen X¯¯¯ (die eine relative Häufigkeit angibt) für immer größeres n
die Wahrscheinlichkeit für Kopf zu messen. Bei fünfmaligem Werfen würden wir sagen, dass P(Kopf) =
0,6 ist, wenn z.B. (1,1,0,0,1) fällt. Bei zwanzigfachem Werfen, also für deutlich größeres n, könnte
(1,0,0,1,0,0,1,1,1,1,0,0,0,1,1,1,0,0,1,1) das Ergebnis sein, d.h. X¯¯¯20 = 1120 = 55 %. Also könnte man
durch die Erhöhung der Anzahl der Würfe näher drankommen an das, was man sich bei einem
fairen Würfel erhofft, nämlich P(Kopf) = 50 %. Es ist aber selbstverständlich auch möglich, dass bei n
= 20 fachem Wurf das Ergebnis ganz anders lautet, nämlich bspw.
(1,1,1,0,0,0,0,1,1,0,0,1,1,0,1,0,0,0,0,0), d.h. X¯¯¯20 = 820 = 40 %. Wir lägen dann also weiter weg von
der erhofften (und bei einem fairen Würfel richtigen) Zahl P(Kopf) = 50 %. Das folgende Gesetz,
nämlich das schwache Gesetz der großen Zahlen, zeigt uns, dass diese Situation jedoch für immer
größeres n immer unwahrscheinlicher wird.

Schwaches Gesetz der großen Zahlen

Schwaches Gesetz der großen Zahlen

MERKE

Es sei Xi unabhängig, identisch verteilte Zufallsvariablen mit bekanntem Erwartungswert und


bekannter Varianz. Dann gilt
limn→∞ P(X¯¯¯n| - E(X )| ≥ c) = 0 für alle c > 0
i

bzw. äquivalent hierzu


limn→∞ P(X¯¯¯n| - E(X )| ≤ c) = 1 für alle c > 0.
i
In Worten:

 die Wahrscheinlichkeit, dass die Abweichung des arithmetischen Mittels X¯¯¯n vom


Erwartungswert E(Xi) der einzelnen Zufallsvorgänge größer oder gleich einer beliebigen, fest
vorgegebenem Wert c ist, (der echt größer als null sein muss!), konvergiert gegen 0 (oberer
Grenzwert).
 die Wahrscheinlichkeit, dass die Abweichung des arithmetischen Mittels X¯¯¯n vom
Erwartungswert E(Xi) der einzelnen Zufallsvorgänge kleiner oder gleich einer beliebigen, fest
vorgegebenem Wert c ist, (der echt größer als null sein muss!), konvergiert gegen 1 (unterer
Grenzwert)
Angewendet auf unser Beispiel heißt dies, dass E(Xi) = ½ (da die Münze fair ist). Die Abweichung |
X¯¯¯n - E(X )| wird immer kleiner, d.h. X¯¯¯n wird, wenn n immer größer wird, nahe bei ½ liegen.
i

Merke

MERKE

In diesem Sinne konvergiert die relative Häufigkeit X¯¯¯n gegen die Wahrscheinlichkeit P(Xi), das
von Misesche Verständnis einer Wahrscheinlichkeit ist also wegen des schwachen Gesetzes der
großen Zahlen berechtigt.

 1Gesetz der großen Zahlen


 2Gesetz der großen Zahlen

Gesetz der großen Zahlen

Aufgabe 1 von 2

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Das schwache Gesetz der großen Zahlen hängt eng zusammen mit dem Wahrscheinlichkeitsbegriff
nach Kolmogoroff.

 
Das schwache Gesetz der großen Zahlen hängt eng zusammen mit dem Wahrscheinlichkeitsbegriff
nach von Mises.
 
Das schwache Gesetz der großen Zahlen hängt eng zusammen mit dem Wahrscheinlichkeitsbegriff
nach de Laplace.

Lösen

Zentraler Grenzwertsatz
Vorlesen

Die Aussage des Zentralen Grenzwertsatzes lässt sich in Worten dadurch beschreiben, dass die
Summe von unabhängigen, identisch verteilten Zufallsvariablen Xi für immer größeres n sich
beliebig genau durch eine Normalverteilung berechnen lässt, d.h. dass die Verteilung
von ∑ni=1Xi immer besser durch N(n·μ, σ·n√) beschrieben wird – hierbei bezeichnet μ den
Erwartungswert von Xi, also μ = E(Xi), und σ die Standardabweichung von Xi, also σ = Var(Xi)−−
−−−−−√. Also:

Zentraler Grenzwertsatz

METHODE

Xi seien unabhängig, identisch verteilte Zufallsvariablen mit bekanntem Erwartungswert E(X i) = μ und
bekannter Varianz Var(Xi) = σ. Dann gilt, dass die standardisierte Zufallsvariable
Yn = ∑ni=1Xi−nμσn√ = X¯n−μσ· n√ für wachsendes n immer besser durch die
Standardnormalverteilung N(0,1) approximiert werden kann, anders ausgedrückt:
P(Yn ≤ x) n→∞→ Ф (x).

Merke

MERKE

 Man standardisiert die Zufallsvariable X¯¯¯n, da die Grenzverteilung von ∑ni=1 Xi,


nämlich N(n·μ, σ·n√), noch von der Anzahl n abhängig ist, was als störend empfunden
wird. Die standardisierte Zufallsvariable Yn =∑ni=1Xi−nμσn√ hat diesen Nachteil nicht
mehr, die Zufallsvariable N(0,1) ist unabhängig von n.
 Der Sinn des Zentralen Grenzwertsatzs ist: obwohl die exakte Verteilung der einzelnen
Xi unbekannt ist, so ist es doch möglich, einfach die entsprechende Normalverteilung zu
nehmen, um Wahrscheinlichkeiten approximativ zu berechnen, denn das Ergebnis ist für
immer größeres n brauchbar.

Beispiel

BEISPIEL

Wir werfen die o.e. faire Münze aus Beispiel 8.1 n = 10 mal bzw. n = 20 mal. Berechne die
Wahrscheinlichkeit, dass bei n – fachem Münzwurf höchstens 0,6×n mal Kopf fällt, und zwar

 exakt
 mit Hilfe des Zentralen Grenzwertsatzes.

Exakte Lösung mit der Binomialverteilung


Die einzelnen Xi sind binomialverteilt mit dem Erwartungswert μ = E(Xi) = 1·½ = 0,5 und der

Standardabweichung σ = 1⋅12⋅(1−12)−−−−−−−−−−−−−−√ = 0,5. Da die einzelnen

Xi unabhängig voneinander sind, gilt ∑ni=1 Xi ~ B(n, 1/2) als exakte Verteilung.

Für n = 10 rechnet man also mit der B(10,1/2) – Verteilung:

P(∑10i=1 Xi ≤ 6) = P(∑10i=1 Xi = 0) + P(∑10i=1 Xi = 1) + ... + P(∑10i=1 Xi = 6)

= (100)· (12)0· (1−12)10−0 + (101)· (12)1· (1−12)10−1 + ...

+ (106)· (12)6· (1−12)10−6

= (12)10 + 10· (12)10 + 45· (12)10 + 120· (12)10 + 210· (12)10 + 252· (12)10 + 210· (12)10

= (12)10 ·(1 + 10 + 45 + 120 + 210 + 252 + 210)

= 848210
= 0,828.

Für n = 20 gilt analog

P(∑20i=1Xi ≤ 12) = P(∑10i=1Xi = 0) + P(∑10i=1Xi = 1) + ... + P(∑10i=1Xi = 12)


= (200)· (12)0· (1−12)20−0 + (201)· (12)1· (1−12)20−1 + ...

+ (2012)· (12)12· (1−12)20−12

= (12)20 ·(1 + 20 + 190 + 1.140 + 4.845 + 15.504 + 38.760 + 77.520 + 125.970 + 167.960 + 184.756 +

167.960 + 125.970)
= 910.596220 = 0,8684
als exakte Wahrscheinlichkeit.

Approximative Lösung
Approximativ – d.h. mit Hilfe des Zentralen Grenzwertsatzes – rechnet man mit der entsprechenden
Normalverteilung, die von n abhängig ist:

für n = 10: ∑10i=1 Xi ~ N(10·12; 10−−√· 0,25−−−−√) = N(5; 2,5−−−√)


für n = 20: ∑20i=1 Xi ~ N(20·12; 20−−√· 0,25−−−−√) = N(10; 5√)

also für n = 10:

P(∑10i=1Xi ≤ 6) = P(∑10i=1Xi−10⋅1212⋅10√ ≤ 6−512⋅10√)

= Ф(112⋅10√) = Ф (0,6325) = 0,736.


Die Abweichung zwischen dem exakten Wert – 0,828 und dem approximativen Ergebnis ist also
0,092.

Für n = 20 rechnet man approximativ

P(∑20i=1Xi ≤ 12) = Ф(12−1012⋅20√) = Ф(0,8944) = 0,8133.

Die Abweichung zwischen dem wahren Wert 0,8684 und dem approximativ richtigen ist nun lediglich
noch –0,0551. Bei größerem n wird diese Abweichung daher immer kleiner.

Zentraler Grenzwert
Play Video

 1Zentraler Grenzwertsatz
 2Zentraler Grenzwertsatz
 3Approximationen
 4Approximationen
 5Approximationen
 6Approximationen

Zentraler Grenzwertsatz

Aufgabe 1 von 6

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Aussage des Zentralen Grenzwertsatzes lässt sich dadurch beschreiben, dass die Summe von
unabhängigen Zufallsvariablen für immer größeres n sich beliebig genau durch eine
Normalverteilung berechnen lässt.

 
Die Aussage des Zentralen Grenzwertsatzes lässt sich dadurch beschreiben, dass die Summe von
unabhängigen, identisch verteilten Zufallsvariablen für immer größeres n sich beliebig genau durch
eine Normalverteilung berechnen lässt.

 
Die Aussage des Zentralen Grenzwertsatzes lässt sich dadurch beschreiben, dass die Summe von
identisch verteilten Zufallsvariablen für immer größeres n sich beliebig genau durch eine
Normalverteilung berechnen lässt.

Lösen

Aufgabe, Berechnung und Lösung zum Gesetz der großen


Zahlen
Vorlesen

Aufgabe :
An einer Klausur haben n = 500 Studenten teilgenommen. Die Zufallsvariable X i (mit dem
Erwartungswert von 30 und der Streuung von 3 Minuten) beschreibe die für die Korrektur der i-ten
Klausur benötigte Zeit. Wie groß ist die Wahrscheinlichkeit dafür, dass der Korrektor für die
Korrektur höchstens 20 Arbeitstage (à acht Zeitstunden) benötigt?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:
Tschebyscheffsche Ungleichung
Vorlesen
Play Video

Abschätzungen
Wir haben bisher Verfahren kennengelernt, Wahrscheinlichkeiten auszurechnen, wenn eine
konkrete Verteilung vorliegt. Einige dieser Verteilungen lassen sich „aus der Natur heraus“ erklären –
wie die Binomial, die Hypergeometrische, die geometrische, die Multinomial-, die diskrete und die
stetige Gleichverteilung – andere müssen dem Benutzer gegeben sein, so wie die Normal- die
Poisson- und die Exponentialverteilung.

Wenn nun die Verteilung einer Zufallsvariablen nicht bekannt ist, so ist es nicht möglich,
Wahrscheinlichkeiten exakt zu berechnen. Trotzdem hat man in manchen Fällen Glück und kann
gewisse Wahrscheinlichkeiten zumindest abschätzen. Hierzu dient die Tschebyscheffsche
Ungleichung. Wichtig ist, dass man die Voraussetzungen überprüft. Das Vorgehen erläutet das
nachfolgende

LAMBERT-KOCHREZEPT Tschebyscheffsche
Ungleichung

METHODE

Voraussetzungen

 die konkrete Verteilung ist unbekannt


 Erwartungswert µ und Varianz σ2 hingegen sind bekannt.
 es ist gefragt nach einer Mindest- oder nach einer Höchstwahrscheinlichkeit, nicht danach,
eine Wahrscheinlichkeit exakt zu berechnen.
 der fragliche Bereich, über den eine Wahrscheinlichkeitsaussage gemacht werden soll,
liegt symmetrisch um den Erwartungswert µ herum. Rechts und links um den
Erwartungswert herum beträgt die Länge des fraglichen Bereichs genau ε bzw. k·σ.

Anwendung der Ungleichung


1. Fall

 verbal: dann ist die Wahrscheinlichkeit, dass die Zufallsvariable X vom eigenen
Erwartungswert µ um höchstens ε abweicht, mindestens 1 - σ2ε2
 in Formeln: P(|X - μ|

2. Fall

 verbal: die Wahrscheinlichkeit, dass die Zufallsvariable X vom eigenen Erwartungswert um


mindestens abweicht, beträgt höchstens σ2ε2
 in Formeln: P(|X - μ| > ε) ≤ σ2ε2.

Merke

MERKE

 im Fall 1 ist es entscheidend, dass die Wahrscheinlichkeiten nicht ungefähr 1 - σ2ε2 ist,


sondern irgendwo rechts von dieser Zahl liegt (und klarerweise kleiner oder gleich 1 ist).
Gleiches gilt für Fall 2 mit der Zahl σ2ε2. Hier ist die Wahrscheinlichkeit nicht ungefähr
gleich diese Zahl, sondern liegt links hiervon (und ist größer oder gleich null)
 Die Tschebyscheffsche Ungleichung ist also eine Abschätzung, keine Schätzung!

Beispiele

 Beispiel

 Beispiel
 Beispiel

Beispiel 1:

Lässt sich etwas über die Wahrscheinlichkeit aussagen, dass eine Zufallsvariable, deren Verteilung
unbekannt ist, die aber den Erwartungswert von 5 und die Streuung von 1 hat, zwischen 3 und 7
liegt?

Lösung:
Gefragt ist also nach einer Aussage über P(3 ≤ X ≤ 7). Dies lässt sich umrechnen in

P(3 ≤ X ≤ 7) = P(3 – 5 ≤ X – 5 ≤ 7 – 5)

= P(- 2 ≤ X – 5 ≤ 2)

= P(|X – 5| ≤ 2).

Damit ist genau die Gestalt der Tschebyscheffschen Ungleichung erreicht. Der Erwartungswert μ ist
5, der Abstand ε zwischen den Grenzen 3 und 7 zu diesem Wert ist jeweils genau ε = 2 (und also liegt
5 in der Mitte des fraglichen Bereichs!) und die Streuung lautet σ = 1. Also

P(|X – 5| < 2) ≥ 1 - = 1 - = 0,75.

Damit liegt die gefragte Wahrscheinlichkeit zwischen 0,75 und 1.

Merke

MERKE

 die gute Nachricht damit zuerst: die Aussage der Tschebyscheffschen Ungleichung, dass die
gesuchte Wahrscheinlichkeit größer als 0,75 ist, war richtig.
 die schlechte Nachricht: die Wahrscheinlichkeit kann dann nochmal sehr weit weg liegen von
0,75. Hieran wird am Beispiel die obige Aussage klar, dass die Tschebyscheffsche
Ungleichung eine Abschätzung, hingegen keine Schätzung ist.

Videos
Play Video

Play Video

Aufgabe 1 (Richtig-Falsch-Fragen Tschebyscheffsche


Ungleichung)
Die folgenden Aussagen sind richtig oder falsch. Entscheide.
a) Die Tschebyscheffsche ist eine Schätzung und nicht lediglich eine Abschätzung, wenn die
Zufallsvariable normalverteilt ist.

b) Wenn man die Tschebyscheffsche Ungleichung rechnet und hinterher als Zusatzinformation
erfährt, dass der Verteilungstyp doch bekannt ist und die gesuchte Wahrscheinlichkeit mit dieser
Zusatzinformation nochmals ausrechnet, dann kann die Aussage der Tschebyscheffschen
Ungleichung manchmal als verkehrt angesehen werden.

c) Die Tschebyscheffsche Ungleichung kann auch solche Ergebnisse liefern wie P(|X – μ| ≥ ε) ≤ σ2ε2 =
1,6, d.h. eine Tautologie, denn dass eine Wahrscheinlichkeit kleiner oder gleich 1,6 ist, ist sowieso
immer richtig, denn sie liegt ja zwischen 0 und 1.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Rechnen wir zum Abschluss des Kapitels über die Tschebyscheffsche Ungleichung noch ein Beispiel,
damit sich die Methode festigt – denn sie ist in Klausuren immer identisch!

Beispiel

BEISPIEL

Es sei X die Temperatur in der sonnigen Kleinstadt B an einem beliebigen Tag. Der Erwartungswert
der Temperatur ist 20°C bei einer Streuung von 50°C.

a) Schätze die Wahrscheinlichkeit ab, dass an einem beliebigen Tag die Temperatur in der Stadt
zwischen 14° und 26°C liegt.

b) Lässt sich mit Hilfe der Tschebyscheffschen Ungleichung eine Abschätzung im Bereich von 14° bis
35°C finden?

a) Die genaue Verteilung ist unbekannt, Erwartungswert und Streuung hingegen bekannt. Weiterhin
liegt der Erwartungswert von 20°C genau in der Mitte von 14° und 26°C. Darüber hinaus ist lediglich
nach einer Abschätzung gefragt, nicht nach einer Schätzung oder genauen Berechnung der
Wahrscheinlichkeit. Man rechnet daher mit der Tschebyscheffschen Ungleichung. Es gilt
P(14 ≤ X ≤ 26) = P(14 - 20 ≤ X – 20 ≤ 26 - 20)

= P(- 6 ≤ X – 20 ≤ 6)

= P(|X – 20| ≤ 6).

Diesen Ausdruck schätzt man mit der Tschebyscheffschen Ungleichung für ε = 6 ab. Wegen P(|X – μ|
≤ ε) ≥ σ2ε2 gilt
P(|X – 20| ≤ 6) ≥ 1 - σ2ε2
= 0,3056.

Die gesuchte Wahrscheinlichkeit liegt also mindestens bei 0,3056.

b) Da der Erwartungswert von 20° nicht exakt in der Mitte des Bereiches von 14° und 35° liegt, lässt
sich mit der Tschebyscheffschen Ungleichung keine Abschätzung für den fraglichen Bereich
vornehmen.

 1Tschebyscheffsche Ungleichung
 2Tschebyscheffsche Ungleichung
 3Tschebyscheffsche Ungleichung
 4Tschebyscheffsche Ungleichung
 5Tschebyscheffsche Ungleichung
 6Lückentext
 7Multiple-Choice
 8Lückentext

Tschebyscheffsche Ungleichung

Aufgabe 1 von 8

Welche der folgenden Aussagen kommt der Wahrheit am nächsten?

 
Die Wahrscheinlichkeit, dass eine Zufallsvariable von ihrem eigenen Erwartungswert um höchstens
einen bestimmten Betrag abweicht, ist mindestens gleich dem Quotienten aus dem quadrierten
Wert des Abstands und der eigenen Varianz.

 
Die Wahrscheinlichkeit, dass eine Zufallsvariable von ihrem eigenen Erwartungswert um mindestens
einen bestimmten Betrag abweicht, ist mindestens der Quotient aus dem quadrierten Wert des
Abstands und der eigenen Varianz.

 
Die Wahrscheinlichkeit, dass eine Zufallsvariable von ihrem eigenen Erwartungswert um genau
einen bestimmten Betrag abweicht, ist genau gleich dem Quotienten aus dem quadrierten Wert des
Abstands und der eigenen Varianz.

Lösen

Aufgaben, Beispiele und Berechnungen zur


Tschebyscheffschen Ungleichung
Vorlesen

Aufgabe 1:
Eine faire Münze werde zehnmal geworfen. Die Zufallsvariable X sei definiert als die Anzahl der
gefallenen Köpfe.

a) Wie ist die Zufallsvariable X verteilt und was sind ihr Erwartungswert und ihre Varianz?

b) Berechne die Wahrscheinlichkeit, dass mehr als zwei und weniger als achtmal Kopf fällt?

c) Berechne die unter b) gesuchte Wahrscheinlichkeit unter der Annahme, dass die Verteilung von X
mit ausreichender Genauigkeit durch eine Normalverteilung mit den unter a) berechneten
Parametern angenähert werden kann.

d) Gib eine Abschätzung der unter b) gesuchten Wahrscheinlichkeit mit Hilfe der
Tschebyscheffschen Ungleichung an.

e) Vergleiche die Ergebnisse b)-d) und erläutere die Unterschiede.

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 2:
Die Verteilung der Preise von Büchern in einer Buchhandlung ist unbekannt. Sehr wohl bekannt sind
allerdings der Durchschnittspreis (10 €) und die Varianz der Preise (12,25 € 2).
a) Gib eine untere Abschätzung für die Wahrscheinlichkeit an, dass ein zufällig entnommenes Buch
zwischen 4,75 € und 15,25 € kostet.

b) Wie würde sich das Ergebnis zu a) ändern, wenn angenommen werden könnte, dass die Preise
der Bücher normalverteilt sind?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung:

Aufgabe 3:
a) Ein Bäcker möchte abschätzen, ob die Anzahl der verkauften Croissants an einem beliebigen
Sonntag mit einer Wahrscheinlichkeit von mindestens 90 % zwischen 400 und 600 Croissants liegt.
Er weiß jedoch lediglich, dass der Erwartungswert der verkauften Stücke an einen Sonntag bei 500
mit einer Standardabweichung von 50 liegt.

b) Wie groß müsste die Streuung der Zufallsvariablen sein, damit die Abschätzung aus a) möglich ist?

c) Angenommen es handelt sich bei der Verteilung der verkauften Brötchen um eine
Normalverteilung mit den in a) angegebenen Parametern. Wie groß ist dann die Wahrscheinlichkeit
des in a) angegebenen Ereignisses?

VERTIEFUNG

Hier klicken zum Ausklappen


Lösung: