Schulmathematik 5 - Stochastik: Mitschrift Zur Vorlesung

Schulmathematik 5 –
Stochastik
Mitschrift zur Vorlesung
von Lukas Ostermann
Mitschrift der Vorlesung von ao. Univ.-Prof. Mag. Dr. Stefan Götz im Sommersemester 2016
(250020).
Schulmathematik 5 (Stochastik) Mitschrift von Lukas Ostermann
Inhaltsverzeichnis
I Konkrete Umsetzung stochastischer Inhalte im Mathematikunterricht – AHS-Unterstufe ............... 3
1 Datenerhebung ................................................................................................................................................... 3
2 Diagramme erstellen und lesen ..................................................................................................................... 4
3 Daten zusammenfassen: Mittelwert ............................................................................................................. 7
3.1 Arithmetisches Mittel...................................................................................................................................................7
3.2 Der Median ......................................................................................................................................................................8
3.3 Gewichtetes arithmetisches Mittel ..........................................................................................................................8
3.4 Der Modus ..................................................................................................................................................................... 10
4 Vergleichen von Daten und ihren Verteilungen ...................................................................................... 10
4.1 Die Vierfeldertafel ...................................................................................................................................................... 10
4.2 Banddiagramme und Säulendiagramme ............................................................................................................ 10
4.3 Klasseneinteilung metrischer Daten .................................................................................................................... 11
4.4 Boxplots (Kastenschaubilder) ............................................................................................................................... 12
5 Didaktisches Resümee .................................................................................................................................... 15
II Übergang AHS Unter- zur Oberstufe............................................................................................................... 16
1 Vernetzung beschreibende Statistik und Vektorgeometrie................................................................. 16
1.1 Eine Beziehung zwischen arithmetischen Mittel und Median .................................................................... 16
1.2 Minimalitätseigenschaft des arithmetischen Mittels ..................................................................................... 17
1.3 Der Regressionskoeffizient ..................................................................................................................................... 17
1.4 Der Korrelationskoeffizient .................................................................................................................................... 19
1.5 Das Eingangsbeispiel................................................................................................................................................. 20
1.6 Schlussbemerkungen ................................................................................................................................................ 20
2 Auf dem Weg zur bedingten Wahrscheinlichkeit ................................................................................... 21
2.1 Graphische Vierfeldertafel und Einheitsquadrat ............................................................................................. 21
2.2 Beschreibung von Unterschieden ......................................................................................................................... 22
2.3 Analyse des Unterschieds ........................................................................................................................................ 23
III AHS-Oberstufe 6.Klasse .................................................................................................................................... 24
1 Der klassische Wahrscheinlichkeitsbegriff............................................................................................... 24
1.1 Motivation ..................................................................................................................................................................... 24
1.2 Force majeure .............................................................................................................................................................. 25
1.3 Eigenschaften des klassischen Wahrscheinlichkeitsbegriffs ....................................................................... 25
2 Die Pfadregeln ................................................................................................................................................... 26
2.1 Ziehen geordneter Stichproben mit Zurücklegen ........................................................................................... 26
2.2 Ziehen geordneter Stichproben ohne Zurücklegen ........................................................................................ 26
2.3 Ziehen ungeordneter Stichproben – die zweite Pfadregel ........................................................................... 28
3 Elementare Kombinatorik ............................................................................................................................. 29
3.1 Auswählen..................................................................................................................................................................... 29
3.2 Reihenfolgen – Permutationen .............................................................................................................................. 29
4 Der empirische Wahrscheinlichkeitsbegriff............................................................................................. 30
4.1 Eine Beobachtung ....................................................................................................................................................... 30
4.2 Eine Konsequenz daraus .......................................................................................................................................... 30
Seite 1
5 Bedingte Wahrscheinlichkeiten ................................................................................................................... 31

5.1 Einführung .................................................................................................................................................................... 31
5.2 Rechenregeln ............................................................................................................................................................... 31
5.3 Typisches Beispiel aus der Medizin ..................................................................................................................... 32
5.4 Unabhängigkeit ........................................................................................................................................................... 32
5.5 Lernen aus Erfahrung ............................................................................................................................................... 33
5.6 Der subjektivistische Wahrscheinlichkeitsbegriff........................................................................................... 34
IV AHS-Oberstufe 7.Klasse..................................................................................................................................... 35
1 Diskrete Zufallsvariable ................................................................................................................................. 35
1.1 Beschreibung ............................................................................................................................................................... 35
1.2 Erwartungswert und Varianz ................................................................................................................................. 36
2 Die Binomialverteilung................................................................................................................................... 37
2.1 Ausgangssituation und Definition......................................................................................................................... 37
2.3 Beispiele ........................................................................................................................................................................ 37
V AHS-Oberstufe 8.Klasse ...................................................................................................................................... 39
1 Stetige Zufallsvariable .................................................................................................................................... 39
1.1 Beschreibung ............................................................................................................................................................... 39
1.3 Ein Beispiel ................................................................................................................................................................... 41
1.4 Didaktische Bemerkungen ...................................................................................................................................... 42
2 Die Normalverteilung ..................................................................................................................................... 42
2.1 Definition und Handhabung.................................................................................................................................... 42
2.2 Streubereiche ............................................................................................................................................................... 43
2.3 Qualitätskontrolle....................................................................................................................................................... 45
3 Approximation der Binomialverteilung durch die Normalverteilung .............................................. 46
3.1 Stetigkeitskorrektur .................................................................................................................................................. 46
3.2 Anwendungsaufgaben mit Streubereichen ....................................................................................................... 46
4 Konfidenzintervalle für Anteilschätzungen.............................................................................................. 48
4.1 Schätzen von Parametern ........................................................................................................................................ 48
4.2 Einpunktschätzung .................................................................................................................................................... 48
4.3 Bereichsschätzung ..................................................................................................................................................... 48
4.4 Eine wichtige Differenzierung ................................................................................................................................ 50
5 Anteiltests .......................................................................................................................................................... 51
5.1 Hypothesentests ......................................................................................................................................................... 51
5.2 Ein Beispiel ................................................................................................................................................................... 51
5.3 Alternativhypothesen ............................................................................................................................................... 52
Seite 2
I Konkrete Umsetzung stochastischer Inhalte im

Mathematikunterricht – AHS-Unterstufe
Lehrplan: „Arbeiten mit Modellen, Statistik“
„Untersuchen und Darstellen von Datenmengen unter Verwendung statistischer Kennzahlen

(z.B. Mittelwert, Median, Quartil, relative Häufigkeit, Streudiagramm).“
Datenorientierter Zugang: Für SchülerInnen interessantes Thema als Datenquelle, (wenig)

zeitaufwändig
1 Datenerhebung
Merkmal: Eigenschaft eines Datenträgers
Merkmalsausprägungen: Konkrete Werte des Merkmals (Sammeln von Merkmalsausprägungen

statistische Daten).
Zum Beispiel:
Alter Geburtsmonat Lieblingstier
in Jahren Mai, Juni,… Hund, Schwein,…

metrische Daten ordinale Daten nominale/kategoriale Daten
Anzahlen, Messwerte Reihenfolge Bezeichnungen
Datentabelle (für mehrere Merkmale):

Merkmale
Name Wohnort Verkehrsmittel Dauer
Objekte/Personen
Sonst: Urliste, z.B. Schulwegdauern
Häufigkeitstabelle: Absolute Häufigkeiten Anzahlen
Mögliche Datenquellen:
i) Pulsmessung,
ii) Messung von täglichen Regenmengen Garten,
iii)Temperaturverlauf an einem Tag,
iv) Fingerlänge,…
„Was läuft ab?“: Vorgang bestimmen
„Wie kann ich die Ergebnisse erfassen?“: Messmethode definieren
„Welche Ergebnisse sind möglich?“: Festlegung der Merkmalsausprägungen
„Wovon hängt ab, was eintrifft?“: Bedingungen des Vorgangs
Seite 3
2 Diagramme erstellen und lesen

Ziele: „reading (within) the graph“ (Herauslesen einzelner Daten) und „reading behind the
graph“ (Beziehungen zwischen Diagramm und Kontext).
Häufigkeitstabelle: relative Häufigkeiten ab . Klasse Summenprobe: ∑ .
Säulendiagramm: Stapeln von Datenkärtchen als Ausgang
Reale Daten: Bevölkerungsstand Wien 2007-2015 (Moodle)
Stabdiagramm: sehr dünne Säulen
Oder: Rohdaten im Säulendiagramm als Ausgang, geordnet:
Balkendiagramm: aus Säulendiagramm durch Vertauschen von waagrechter und senkrechter

Achse.
Reale Daten: Big-Mac-Index (gewichteter Nettostundenlohn aus 14 Berufen, Maß für die
Kaufkraft, Moodle)
Liniendiagram: Zum Beispiel Temperaturverlauf über einen Tag.
„Reale“ Daten: Maturatermin 2013/14 – Besucherzahlen in einem Hallenbad (Moodle)
Seite 4
Band- und Kreisdiagramm:
absolute Häufigkeit
Relative Häufigkeit bzw. kurz:
Anzahl Daten
Zum Beispiel:
Klasse a: Mädchen unter S ,

, aber .
Klasse b: Mädchen unter S , …
}
Banddiagramm: Länge Vielfaches oder Teiler von
Zum Beispiel: cm
Reale Daten: Kinderzahlen in Familien in Österreich 1961-2011 (Moodle)
Wird auch Streifendiagramm oder Prozentstreifen genannt.
Kreisdiagramm: Mittelpunktswinkel
. Klasse Bruchrechnung: um Beispiel von ,

von
[Achtung: wei Deutungen von „von“!]
rozentrechnung: ,
Eignet sich zur Veranschaulichung von wenigen Anteilen: zu viele unübersichtlich!
Anteile über 50% besonders deutlich!
Vergleich zweier Grundgesamtheiten: Streifendiagramm
( )
Mehrfachnennungen: Säulendiagramm besser geeignet, da ∑ !
Seite 5
Stängel-Blatt- oder Stamm-Blätter-Diagramm und Histogramm:
Für metrische Daten wie Ruhepuls, Armspannweiten, Fingerlängen,…
Idee der Gruppierung Klasseneinteilung
Reale Daten: -Emission in g/km (Moodle: Top 30 Benzin auf www.autoverbrauch.at)
82, 84, 88, 88, 93, 93, 94, 94, 95, 95, 95, 96, 97, 97, 97, 99, 99, 99, 99, 99, 99, 99, 99, 100, 100, 100, 100, 102, 102, 104
Blätter
Stamm
Zum Beispiel: Zehner als Stamm und Einer als Blätter
8 2 4 88
9 33 44 555 6 777 99999999
10 0 0 0 0 2 2 4
Drehung um 90° gegen den Uhrzeigersinn:
ACHTUNG: Wahrgenommen wird die Fläche, nicht die

Höhe der Rechtecke!
Anzahl
Daher: H he der Rechtecke ,
Klassenbreite
wenn Klassenbreiten nicht paarweise gleich sind!
Fingierte Daten:
Gehalt [GE] Anzahl
0-5000 3
5001-10000 5
10001-15000 10
15001-20000 1
20001-25000 2 eine Klasse
25001-30000 4
Seite 6
Richtig:
Nebenrechnung:
3 Daten zusammenfassen: Mittelwert

3.1 Arithmetisches Mittel
Nur bei metrischen Daten, NICHT bei ordinalskalierten Daten bei NOTEN nicht erlaubt!
Im Fokus:
Berechnung/Bestimmung Interpretation
i) fiktive Größe:
... Reales Datum: € Monatsnettoeinkommen
i)
2014 (siehe Moodle)
ABER: Verdient jemand wirklich genau
soviel?!
ii) ∑ ∑
ii) Vergleichswert:
Männer: €
iii) ∑( ) … ist Ausgleichswert Frauen: €
iii) Prognosewert: z.B. Durchschnittsverbrauch

beim eigenen PKW nach Jahreszeit bzw.
Einsatzgebiet
iv) empfindlich gegen Ausreißer:
Reale Daten: Niederschläge in Wien 2015 – Monatssumme in mm Wasserhöhe (siehe Moodle)

I II III IV V VI VII VIII IX X XI XII
71 37 40 22 48 24 34 44 50 80 37 25
min max
M gliche Fehlvorstellung: ( rund: Ausrei erempfindlichkeit)
Allg.
Seite 7
3.2 Der Median

Nochmals monatliche gesamte Niederschläge in Wien 2015:
„mittlerer ert“ geordnete Urliste , , , , , ⏟, , , , , , .

,
min max
Allg.
Wenn ungerade, dann mittlerer Wert!
Beispiel:
„Lebende Statistik“ – S der Größe nach ordnen enaktiver Zugang
ODER: Papierstreifen falten (gleiche Breite der ):
Vorstellung:
Zentrum einer Verteilung (auch: Zentralwert) aus Stamm-Blätter-Diagramm ablesbar.
A HTUN bei Interpretation: „Die eine Hälfte weniger als , die andere mehr.“
Bei vielen gleichen Daten um stimmt das nicht mehr!
, , , , , , ,⏟, , , … (Ausschnitt von eben)

Das ist nicht die Hälfte!
Nochmals:
Messreihe
keine Ausreißerempfindlichkeit:
, , , , 12 13
Ändern der extremen Werte hat keinen Einfluss auf !
, , , , 30 13
Formal:
gerade
… aus geordneter Datenlste ... .
ungerade
3.3 Gewichtetes arithmetisches Mittel

Merkmalsausprägungen …
Abs. Häufigkeiten …
...
∑
ACHTUNG: Ist z.B. , dann trägt nichts zum Zähler von bei, aber für zum
Nenner!
Seite 8
Reale Daten: Geschossene Tore von FK Austria Wien in Bundesligasaison 2015/2016 bis zur 23.
Runde (siehe Moodle).
#Tore 0 1 2 3 4 5
3 7 11 1 0 1
, … (fiktive r e)
Schwerpunkteigenschaft:
| , …| | , …| | , …| | , …| | , …|
↪ Wegen der Ausgleichseigenschaft!
MITTELWERTABAKUS:
↪ Von außen nach innen Umstapeln, ohne den Gleichgewichtspunkt zu ändern.
Seite 9
Zum Abschluss: Klimadiagramme, z.B. Mauritius und Korsika (siehe Moodle).

Vergleich von langjährigen Mittelwerten: reale Daten.
Fragen dazu:
 Wann ist es auf Mauritius besonders regnerisch?
 Wann ist es auf Korsika besonders warm?
 Wie ändern sich die durchschnittlichen Monatswerte über den Jahresverlauf hinweg?
 Wie wurden diese Durchschnittswerte ermittelt?
3.4 Der Modus

Der Modus ist der häufigste Wert in einer Datenreihe (nicht immer eindeutig).
4 Vergleichen von Daten und ihren Verteilungen

4.1 Die Vierfeldertafel
Dafür genügen kategoriale Daten wie Geschlecht, Sportvereinszugehörigkeit, Haustierbesitz,
spielt Musikinstrument…
Hier: Dichotome Merkmale ja/nein oder männlich/weiblich
spielt Instrument spielt kein Instrument Σ

Jungen 4 8 12
Mädchen 15 5 20
Σ 19 13 32
Vergleiche ( neue Grundgesamtheiten)…
i) unter den Jungen spielen 4 ein Instrument, das sind , ̇ .
ii) unter den Mädchen spielen 15 von 20 ein Instrument, das sind .
iii) Aber auch: Unter den InstrumentenspielerInnen sind Jungen, also Mädchen.
Vorbereitung der bedingten Wahrscheinlichkeiten und der (Un-)Abhängigkeit.
4.2 Banddiagramme und Säulendiagramme

Siehe Kapitel 2, reale Daten:
i) Bildungsstand der Arbeitskräfte ohne österreichischen Pass 2004/2013 gepaartes

Säulendiagramm (siehe Moodle).
ii) Forschungsplattform FD: „Ein guter L ist noch kein FD“ bzw. weibliches endant Frage
unter LA-Studierenden 2010 – Stimme zu bzw. Stimme nicht zu. Gegebene Begründungen
( Prozentstreifen, siehe Moodle):
1) L FD [Theorie Praxis],
2) L muss bestimmt FD können [FD notwendig],
3) Guter L auch ohne FD [L ohne FD],
4) Ein guter L braucht mehr als FD [L > FD],
5) [zu allgemein].
Seite 10
4.3 Klasseneinteilung metrischer Daten

Reale Daten: Mittlere Tagestemperaturen April 2015 Hohe Warte, Wien (siehe Moodle).
Klasseneinteilung:
4 bis 5,9 6 bis 7,9 8 bis 9,9 10 bis 11,9 12 bis 13,9 14 bis 15,9 16 bis 17,9 18 bis 19,9
5 2 3 5 3 8 3 1
Arithmetisches Mittel…
...
… der Rohdaten: ,
… nach Klasseneinteilung: Kl ,
Wie groß kann der Unterschied höchstens sein?
| Klassenmitte| halbe Klassenbreite
| Klassenmitte| . . . | Klassenmitte| halbe Klassenbreite

| Kl | halbe Klassenbreite
Hier: 1°C.
Vergleiche:
i) April 2014: , , .
ii) März – Dezember 2013:
März Dezember
3,7°C 3,5°C
3,5°C 4,0°C
Spannweite min max 17,1°C 12,7°C
-5 bis -3,1 -3 bis -1,1 -1 bis 0,9 1 bis 2,9 3 bis 4,9 5 bis 6,9 7 bis 8,9 9 bis 10,9 11 bis 12,9 13 bis 14,9
März 2 2 6 3 6 5 3 3 0 1
Dez. 0 3 2 8 6 9 2 1 0 0
Seite 11
4.4 Boxplots (Kastenschaubilder)

Ordnen der Daten: mittlere Tagestemperatur April 2015 Hohe Warte.
Stamm-Blätter-Diagramm:
4 Lagemaße:
5 , ,
i) Median: ,
6
7 ii) Minimaler ert: ,
8 iii) Maximaler ert: ,
9
10 8 iv) 1. Quartil (Viertelwert) Median der unteren Hälfte ,
11 v) 3. Quartil Median der oberen Hälfte , C
12
13 vi) 2. Quartil Median
14
15
16
17
18
Streumaße:
i) Spannweite , , ,
ii) Quartilsabstand , , , C( Länge der Box)
Feinheiten:
i) Bestimmung von und :
Rangplatz von ⌈ ⌉ und von ⌈ ⌉ wobei ⌈ ⌉ … „Aufrunden“
Zum Beispiel:
a) (Tage eines Monats) ⌈ ⌉ ⌈ , ⌉ und ⌈ ⌉ ⌈ , ⌉ .
Aber auch wie oben (Median der Datenhälften), wieder :
[ ] und [ ] wenn Median nicht mitspielt,
[ ] [ ] [ ] [ ]
und wenn Median mitspielt.
b) (Tage eines Monats) ⌈ ⌉ ⌈ , ⌉ und ⌈ ⌉ ⌈ , ⌉ .

DER (Median der Datenhälften): [ ] und [ ].
Siehe Moodle: eo ebra April .

c) (Tage des Februars in Schalt ahren) ⌈ ⌉ ⌈ , ⌉ und ⌈ ⌉ ⌈ , ⌉ .
DER (Median der Datenhälften):
[ ] [ ] [ ] [ ]
und wenn Median nicht mitspielt,
[ ] und [ ] wenn Median mitspielt.
Seite 12
d) (Tage des Februars in einem normalen Jahr) ⌈ ⌉ und ⌈ ⌉ .

[ ] [ ] [ ] [ ]
DER (Median der Datenhälften): und .
ii) Höhe der Kästen Maß für
iii) 25% der Daten (Voraussetzung: Daten paarweise verschieden):

asst!
Hintergrund: ( )
( )
mehr als der Daten ! ( )
( )
}
iv) Viele gleiche Daten „ruinieren“ die Boxplot-Idee:

um Beispiel: ⏟, … , , ⏟, … , , ⏟, … ,
Mal Mal Mal
min
max
⏟⁄
!
v) Ausreißer:
Länge der Whiskers , Quartilsabstand.
Außerhalb liegende Werte werden als Punkte einzeln eingezeichnet.
Reale Daten: Monatliche Niederschlagsmenge in Wien 01/2014-01/2016 in mm Wasserhöhe

(siehe Moodle).
01 02 03 04 05 06 07 08 09 10 11 12
2014 8 21 12 66 189 33 91 110 109 37 34 43
2015 71 37 40 22 48 24 34 44 50 80 37 25
2016 43
eo ebra: min
,
max
( ) , , , , max max (im Boxplot).
Seite 13
Interpretation von Boxplots:

Rechtecke:
Säulendiagramm/Histogramm Boxplot
rel. Häufigkeiten als Höhen oder Flächen der Daten, die „mittlere Hälfte“ der
geordneten Daten und Länge Datendichte
Streuung der Daten.
Beispiel:
⏟ ⏟ | ⏟ … Noten auf eine Mathematikschularbeit.
Zwischen und liegen 8 von 10 Daten (einschließlich und ), das sind 80%.
MINDESTENS 50% der Daten liegen in [ , ].
VORSICHT bei kleinen Datensätzen!
Beispiel (Aufgabenpool bifie AHS-Zentralmatura Mathematik: Nettogehälter von 44 Angestellten –

siehe Moodle):
Die Nettogehälter von 44 Angestellten einer Firmenabteilung werden durch folgendes

Kastenschaubild (Boxplot) dargestellt:
Aufgabenstellung:
Kreuzen Sie die beiden zutreffenden Antworten an!
A Angestellte verdienen mehr als € . .

B Drei Viertel der Angestellten verdienen €2.100 oder mehr.
C Ein Viertel aller Angestellten verdient €1.400 oder weniger. X
D Es gibt Angestellte, die mehr als €3.300 verdienen.
E Das Nettogehalt der Hälfte aller Angestellten liegt im Bereich [€1.400;€ . ]. X
Ad C) Es könnten auch mehr als ein Viertel sein!
Ad E) ⌈ ⌉ und ⌈ ⌉ , d.h. von bis liegen Gehälter, also mehr als

die Hälfte!
Vergleich zweier Boxplots: Benzinverbrauch in L/100km.

Sommer 7,3 7,5 7,6 7,6 7,7 7,7 7,8 7,8 8,0 8,0 8,0 8,0 8,2 8,3 8,3 8,6 8,7
(21.6.-21.9.) 7,95
Winter 8,1 8,3 8,4 8,6 8,9 9,0 9,0 9,0 9,2 9,2 9,2 9,7
(21.12.-21.3.) 8,88
Seite 14
Folgerungen:
 Im Winter deutlich höherer Verbrauch: die Boxen überlappen einander nicht (Gründe:
niedrigere Temperaturen, mehr Kurzstrecken?).
 Im Sommer mindestens , L/100km im Winter.
 Streuung im Winter größer.
 -Vergleich (z.B. 8,5L/100km):
im Winter darunter, aber im Sommer darunter.
 Quotientenvergleich:
Winter 8,88 9 8,5 9,2

Sommer 7,95 8 7,7 8,2
Quotient (W/S) 1,12 1,13 1,10 1,12 Mehrverbrauch im Winter
5 Didaktisches Resümee
1. Erkennen der Notwendigkeit von Daten („recognition of the need for data“), aus
Überzeugungen werden empirische Daten.
2. Flexible Repräsentation von Daten („transnumeration“):
Neue Problemstellung sinnvolle Analyse der Daten ( unterschiedliche Perspektiven).
3. Einsicht in die Variabilität von Daten („consideration of variation“):
Neue Umfrage/Stichprobenziehung/Daten andere Ergebnisse, auch wenn sich die
Rohdaten nicht ändern.
4. Erkennen von Mustern in den Daten und Beschreibung der Muster mit statistischen Modellen
(„reasoning with statistical models“): führt auf ahrscheinlichkeitsrechnung und
beurteilende Statistik ( Oberstufe).
„WANDERER“: Verfolgen von Analysewegen Ziel (vorher festgelegt).
5. Verbinden von Kontext und Statistik („integrating the statistical and contextual“):
Abarbeiten von Algorithmen Computer Gewinn von Interpretationsspielräumen.
Didaktisches Leitbild: „DatendetektivIn“
Herausforderung: fragendes Interesse wecken/heraushören
„WUNDERER“: Auffälligkeiten, Muster Theorien
Hypothesen bilden ( Bestätigung) und verändern: Erfahrung und (empirisches) Wissen
aufbauen
„gute“ Daten, nicht unbedingt viele:
 Keine Verzerrung: Verteilung von Automarken in Wolfsburg/München
 Genaue Festsetzung der Datengenerierung; Spannweite von Fingerspitze des Mittelfingers
links bis zu … rechts.
 Grundgesamtheit definieren: Verkehrszählung zwischen 8:00 und 12:00 in bestimmter
Straße/Hausnummer/Spur Anteil von LKWs.
Aufbau von Kritikfähigkeit:
Beurteilung der einzelnen Bausteine einer empirischen Untersuchung:
1) Datenerhebung,
2) Datenauswertung,
3) Schlussfolgerungen.
Seite 15
II Übergang AHS Unter- zur Oberstufe

Übergang: fiktiv, . Klasse „stochastikfrei“ ( . Schulstufe).
4. Klasse: Untersuchen und Darstellen von Datenmengen unter Verwendung statistischer

Kennzahlen (z.B. Mittelwert, Median, Quartil, rel. Häufigkeit, Streudiagramm).
6. Klasse:
 Arbeiten mit Darstellungsformen und Kennzahlen der beschreibenden Statistik.
 Vektoren im und deren Rechenoperationen kennen, in Anwendungssituationen
interpretieren und verständig einsetzen können.
1 Vernetzung beschreibende Statistik und Vektorgeometrie

1.1 Eine Beziehung zwischen arithmetischen Mittel und Median
Es gilt: | | √ ∑( ) … empirische Standardabweichung
… empirische Varianz
Beweis:
| | |∑( )| ∑| | (Dreiecksungleichung)
z.z. Minimalitätseigenschaft des Medians

∑| | ( )
für mittlere lineare Abweichung
| |
Standpunktwechsel: ( ) ( ) und ( ) .
| |
Damit: ∑ √ ∑ ist zu zeigen.
(∑ ) ∑ ( ) ist richtig wegen der S Ungleichung:
( ) cos ( , ) .
⏟
|… |
Korollar:
( )
… mittlere lineare Abweichung
∑| | ∑| | √ ∑( )
( ) … Minimalitätseigenschaft des Medians
Seite 16
1.2 Minimalitätseigenschaft des arithmetischen Mittels
Es gilt: ∑( ) min, wenn .
Beweis:
( ) mit ( ) und wie in . .
( ) , ,
Minimale Länge, wenn .
Nun ist aber: | | √∑( ) min.
!
Also: ( ) ⏟ ⏟ ∑ .
∑
Korollar:
Verschiebungssatz für die empirische Varianz: ∑
Beweis:
Nebenrechnung: | | √∑( ) √
ythagoras: ( ) ( ) ( ) ⏟ ∑ ∑ .
⏟ NR
1.3 Der Regressionskoeffizient

Es werden zweidimensionale kardinalskalierte Daten – Datenpaare – ( ) erhoben. Gesucht ist
die enige erade („Ausgleichs“- oder Regressionsgerade ), die die Daten „m glichst
gut“ annähert.
Die -Werte stehen dabei fest: …unabhängige Variable und …abhängige Variable.
Beispiel:
Handelstag 1 2 3 4 5 6
Werbeausgaben 56 53 52 54 57 58
Tageskurse 95 93 92 96 95 99
Seite 17
1. Möglichkeit: Trendgerade „nach Gefühl“: soeben.
2. Möglichkeit: Summe der Normalabstände Punkt-Gerade min.
ABER:
i) -Werte fehlerbehaftet, -Werte: Stützstellen.
ii)Wenn beide Größen fehlerbehaftet, wäre diese Vorgangsweise
korrekt, aber nicht üblich.
3. Möglichkeit: Summe der vertikalen Abstände verschwindet.
!
Also: ∑( ) .
Bestimmung von und .

Steigung …empirischer Regressionskoeffizient
Idee: ünstige ahl des Koordinatensystems: Schwerpunkt ( ) als Ursprung.
Neue Koordinaten: ( ) ( ).
Mit ( ), ( ) und ( ) ist .
∑ ∑( ) ∑ ∑ .
! ! !
Damit: ∑( ) ∑ ∑ .
Also: Jede Gerade durch den Schwerpunkt bringt die Summe der vertikalen Abweichungen zum
Verschwinden!
4. Möglichkeit: Summe der vertikalen Abstandsquadrate minimieren („Methode der kleinsten

Quadrate“ – C.F. Gauß).
∑( ) min, d.h. suche so, dass m glichst kurz wird.
Seite 18
Also: wird auf projeziert:

!
( )
as hei t das
( )( )
Rückübersetzung: (∑( )( ))⁄(∑( ) ) ( )
( )
ähler von ( ) ∑ ∑ ∑ ∑
⏟ ⏟
Nenner von ( ) ∑ ∑ ∑
⏟
∑ ∑ ∑ ∑
Damit ist: (für ).
∑ ∑ (∑ )
Und: Schwerpunkt ( , ) liegt edenfalls auf der Ausgleichsgeraden .
1.4 Der Korrelationskoeffizient

„…Maß dafür, wie gut die Ausgleichsgerade zur Punktwolke passt.“
i) Wenn alle Daten auf einer Geraden:
cos ( , ) minimale Abweichung von linearem Verlauf.
ii) Maximale Abweichung cos ( , ) .
cos ( , ) ist ein gutes Ma für die Abweichung der Daten von der eraden.
| | | |
ieder Rückübersetzung: ∑
(vgl. Berechnung von a) | | | |
√∑ √∑
∑ ∑ ∑
√ ∑ (∑ ) √ ∑ (∑ )
… earson scher Korrelationskoeffizient
Anmerkung: heißt Bestimmtheitsmaß.
positve Korrelation,
Es gilt: (i) und {
negative Korrelation.
(ii) Je näher | | bei , desto besserer ist der lineare usammenhang.
Seite 19
1.5 Das Eingangsbeispiel

( ... ) ( ... ) ( ... )
, .
( ... ) ( ... )
( ... ) ( ... ) ,
Ausgleichsgerade: , ,
( ... ) ( ... ) ( ... )

, .
√ ( ...) ( ... ) √ ( ... ) ( ... ) √ √
, .
Anmerkung:
eo ebra: „Analyse zweier Variablen“ Streudiagramm, Regressionsgerade, Residual-Plot.
Residual Plot ( | ) Mustererkennung.
1.6 Schlussbemerkungen
i) ∑[( ) ] Min , ohne Umweg.
ii) Regression von bezüglich : ∑( ) Min.
Spiegelung an der ersten Mediane: .

( )
( )
| | | |
enn .
iii) Ein hoher Korrelationskoeffizient lässt nicht auf vorliegende Kausalität schließen (dies geht
nur über den Kontext): Es könnte eine versteckte Hintergrundvariable geben. Es handelt
sich dann um eine Scheinkorrelation.
Berühmtes Beispiel: Anzahl der Störche – Geburtenrate.
a) …in mehreren Regionen,
b) …in einer Region: zeitlicher Verlauf.
In beiden Fällen gibt es eine positive Korrelation, ABER:
Ad a) Größe des Landes als Drittvariable (siehe Tabelle bei Matthews, Moodle).
ODER: Urbanität/Ländlichkeit weniger/mehr Störche und niedrigere/höhere
Geburtenrate: soziokulturelle Unterschiede.
Seite 20
2 Auf dem Weg zur bedingten Wahrscheinlichkeit

2.1 Graphische Vierfeldertafel und Einheitsquadrat
Vierfeldertafel aus 4.1 in Kapitel I relative Häufigkeiten:

spielt Instrument spielt kein Instrument Σ
Jungen ⁄ , ⁄ , 0,375
Mädchen ⁄ , ⁄ , 0,625
Σ 0,59375 0,40625 1
Interpretation:
i) , …Anteil der Mädchen in dieser Klasse, die ein Instrument spielen, kurz:
( ) , (Notation: für „Mädchen“, für „und“ bzw. für „Instrument“).
ii) Betrachte linke Spalte:
,
( |) , … (Notation: | für „unter der Bedingung“)
,
↪ Anteil der Mädchen unter jenen SchülerInnen, die ein Instrument spielen.
( )
Allgemein: ( |) ( |) () ( ).
()
iii)Betrachte zweite Zeile:
,
(| ) , … Anteil der Instrumentenspielerinnen unter den Mädchen.
,
iv) Wie viele Jungen spielen ein Instrument?
, , .
Erweiterung: „Verbildlichung“ der Vierfeldertafel
Graphische Vierfeldertafel Einheitsquadrat
Folgerungen:
i) Zeilensumme im Einheitsquadrat:
() (|) () (| ) ( )
↪ Satz von der totalen Wahrscheinlichkeit in Häufigkeitsschreibweise
ii) Bedingte Häufigkeiten für Voraussetzung „Junge“ oder „Mädchen“ ( nicht direkt aus
Einheitsquadrat ablesbar):
(|) ( ) Flächenvergleich (|) ()
(| )
() (|) () (| ) ( )
↪ „Bayes’sches Theorem“ in Häufigkeitsschreibweise.
Seite 21
Didaktischer Mehrwert:
Einfache, bedingte und konjugierte Häufigkeiten unterscheiden können.
Bemerkung:
Es können auch mit dem Geschlecht als Grundlage die Graphiken erstellt werden ( Übungen).
2.2 Beschreibung von Unterschieden

Vergleich der Merkmale „ eschlecht“ und „Instrument“ NI HT durch kon ugierte
Wahrscheinlichkeiten:
( ) , , ( ) Mädchen spielen häufiger ein Instrument.
NEIN, denn: Daten, bei denen Geschlecht keinen Einfluss auf Instrument spielen oder nicht hat…
Jetzt: (| ) (| )
bwohl: ( ) , , ( )
eiters ist: (|) , , ( |)
Allerdings auch: (| ) , , ( | )
(|) , ()
Au erdem: (| ) () (| ) und
bzw. ( |) , ( )
Geschlecht ist unabhängig von Instrument und umgekehrt.

Es gilt: (| ) () (|) ()
( )
Beweis: (| ) () ( ) () ()
()
( ) () ()
(|) ( ).
() ()
Graphisch:
Linien bilden ein Kreuz im Einheitsquadrat bzw. in graphischer Vierfeldertafel.
Merkmale sind unabhängig voneinander!
Seite 22
Zurück zu den eigentlichen Daten:

i) Instrument als Bedingung: (|) , … , … ( |)
ii) Geschlecht als Bedingung: (| ) (| )
(|) () , , ( ) ,
(| ) , ̇
⏟ () , , , , ⏟ () ,
aus Einheits uadrat aus Vierfeldertafel
( |) () ( ) ,
(| ) , (| ) (| )
⏟ ( ) ⏟ ( ) ,
aus Einheits uadrat aus Vierfeldertafel
Ursache-Wirkung nur aus dem Kontext erklärbar:

Hier: Mädchen spielen häufiger ein Instrument.
Anderes Szenario: Tod bei Unfall – Alkohol im Spiel.
(Alkohol|Tod bei Unfall) vs. (Tod bei Unfall|Alkohol)

↪ kann klein sein, da es noch viele andere ↪ ist gr er als (Tod bei Unfall| Alkohol)
Risikofaktoren wie zum Beispiel überhöhte ↪ Alkohol erhöht das Risiko bei Unfall zu
Geschwindigkeit gibt. sterben!
2.3 Analyse des Unterschieds

Assoziationsma : (|) (| ) , … , … , …
↪ kein Einfluss:
( ) () ()
Jedenfalls gilt: .
Ab welchem Wert von kann man von einem Einfluss sprechen?
↪ Kommt auf die Stichprobengröße an Methoden der beurteilenden Statistik…
ABER: Vergleich verschiedener Einflüsse wird möglich.
Seite 23
III AHS-Oberstufe 6.Klasse

1 Der klassische Wahrscheinlichkeitsbegriff
1.1 Motivation
Beispiel 1 (Würfeln mit drei Würfeln):

Würfel Zufallsgenerator: Augenzahlen haben gleiche Wahrscheinlichkeit aufgrund der
Symmetrie der Figur, vgl. Münzen, Tetraeder,…
Augensumme 12 sechs verschiedene Möglichkeiten:

, , , , , .
Augensumme 11 ebenfalls sechs verschiedene Möglichkeiten:

, , , , ,
ABER: 11 kommt häufiger vor als 12.

i) Chevalier de Méré (1607-84).
ii) Heute: Simulation mit GeoGebra (siehe Moodle).
WARUM?
Ad i) Briefwechsel mit Blaise Pascal (1623-62):
Modell: „Alle möglichen Ausgänge sind gleichwahrscheinlich.“
: , , , , ,
, , , , , } e ! M glichkeiten
, , , , ,
, ,
} e M glichkeiten
, ,
M glichkeit
Insgesamt: M glichkeiten
analog
M glichkeiten „ “ ist wahrscheinlicher als „ “!
ALSO: Die einzelnen Ereignisse für die Augensumme „ “ bzw. „ “ sind nicht
gleichwahrscheinlich!
Dem liegt zugrunde:

Anzahl der für das Ereignis günstigen Fälle
ahrscheinlichkeit ( ) für ein bestimmtes ( ufalls )Ereignis
Anzahl der m glichen Fälle
Voraussetzungen:
i) Je zwei mögliche Fälle sind gleichwahrscheinlich.
ii) Es gibt nur endlich viele mögliche Fälle.
↪ sogenannter Laplace’scher bzw. klassischer Wahrscheinlichkeitsbegriff (1812 nach Jakob
Bernoulli posthum 1713).
Seite 24
1.2 Force majeure
Beispiel 2 (Höhere Gewalt):

Zwei Spieler A und B: faires Glücksspiel auf fünf gewonnene Spiele, Sieger erhält den Einsatz.
[H here ewalt…z. B. Kriegserklärung oder Naturkatastrophe]
ABER: Unterbrechung des Spiels beim Stand von .
FRAGE: ie ist der Einsatz „gerecht“ aufzuteilen
ZWEI VORSCHLÄGE: oder ( ) ( ) .
ascal: Drei m gliche Spielverläufe…
) A gewinnt A gewinnt
etzt NI HT Aufteilungs uote , denn:
) uerst gewinnt B, dann A A gewinnt}
Spielverläufe sind nicht gleichwahrscheinlich (vgl. BS )
) B gewinnt beide B gewinnt
SONDERN:
Spielverlauf : Laplace
Spielverlauf : Laplace für B gewinnt nächstes Spiel,
Bewertung Laplace für A gewinnt übernächstes Spiel:

der drei Fälle In der Hälfte von der Hälfte aller Spielverläufe:
UND
{Spielverlauf : Analog
DAMIT: A gewinnt mit und B gewinnt mit .

DER
Aufteilungs uote .
Zu – zwei Gegenbeispiele:
 Was wäre dann bei bzw. ? – In beiden Fällen bekäme A alles.
 Es spielt keine Rolle, ob 5 oder 100 Spiele zu gewinnen wären.
1.3 Eigenschaften des klassischen Wahrscheinlichkeitsbegriffs

Kurz: ( ) für ein Ereignis { , … , } wobei Elementarereignis.
[ für „probability“].
Laplace’sches ufallsexperiment: Mit Wahrscheinlichkeit ⁄ tritt Ereignis ein ( , … , ).
Zufallsgerät: Laplace-Gerät mit -zähliger Symmetrie, z.B. Glücksrad mit Sektoren wobei
Zentriwinkel für jeden Sektor.
) ( )
) ( )
) Tritt stets auf, dann ist ( ) und umgekehrt.
) Tritt niemals auf, dann ist ( ) und umgekehrt.
Seite 25
2 Die Pfadregeln
2.1 Ziehen geordneter Stichproben mit Zurücklegen
Beispiel:
„Urne“ als Laplace erät: Dreimal ziehen Gewinn, wenn OMO entsteht.
Baumdiagramm zur Veranschaulichung möglicher Verläufe:
Acht m gliche Verläufe, einer davon günstig: ( M ) (Laplace ).
2.2 Ziehen geordneter Stichproben ohne Zurücklegen

Beispiel:
Wieder dreimal ziehen Gewinn wie in 2.1.
Baumdiagramm:
wei günstige unter sechs m glichen: ( M ) (Laplace ).
SCHWIERIGKEIT: Erst werden die ’s unterschieden, dann wieder nicht!
Seite 26
AUSWEG…auf Kosten der leichwahrscheinlichkeit der (Teil-)Pfade gewichtete Pfade:
( M ) , weil:
UND UND
In der Fälle beim . ug „ “.
In der Hälfte dieser Fälle beim . ug „M“,
also insgesamt .
V N
Dann edenfalls „ “.
1. PFADREGEL:
Die Wahrscheinlichkeit einer geordneten Stichprobe ist das Produkt aller Wahrscheinlichkeiten
längs des zugehörigen Pfades im Baumdiagramm.
Beispiel (Lotto „ aus “):
(Sechser)
…ein Ast des Baumdiagramms mit gewichteten Zweigen (Gewinnzahl vs. Niete).
Beispiel (Elferschießen beim Fußball):

Aus zehn Feldspielern werden fünf Schützen per Los bestimmt. Wie groß ist die
Wahrscheinlichkeit, dass der Spieler mit der Nummer 8 als vierter Schütze bestimmt wird?
(Nr. als vierter Schütze)
…ein Ast des Baumdiagramms mit gewichteten Zweige (Nr. 8 vs. alle anderen).
FALSCH: wegen sieben Spieler noch zur Verfügung, drei sicher gewählt. Denn Nr. 8 könnte auch
unter den ersten drei durch Los bestimmten sein ist zu groß.
Seite 27
2.3 Ziehen ungeordneter Stichproben – die zweite Pfadregel

↪ „ iehen mit einem riff“
Beispiel (Stundenwiederholung):
In einer Klasse mit 15 Schülerinnen und
Schülern kommen zwei zur Wiederholung
dran. Gesucht ist die Wahrscheinlichkeit,
dass eine bestimmte Schülerin bzw. ein
bestimmter Schüler drankommt?
(best. S kommt dran)

beim DER beim
. Mal . Mal
UND
Anders: egenereignisregel ( bungen)

nicht beim . Mal
nicht beim . Mal
2. PFADREGEL:
Die Wahrscheinlichkeit einer ungeordneten Stichprobe ist die Summe der zugehörigen
Pfadwahrscheinlichkeiten.
Beispiel („Lotto aus “):
(Fünfer) …sechs ste eines Baumdiagramms,

{
also Niete an ., .,…, . Stelle.
Beispiel (Stundenwiederholung mit Zurücklegen):

Selbe Klasse, Wiederholungen in Physik und Chemie, gesucht ist wieder die Wahrscheinlichkeit,
dass eine bestimmte Schülerin bzw. ein bestimmter Schüler drankommt.
(best. S kommt dran)

beide Male nur beim nur beim
. Mal . Mal
der: egenereignisregel
SCHWIERIGKEIT: „ iehen mit einem riff“ passt hier NI HT, es wird nacheinander gezogen und
zurückgelegt, aber auf die Reihenfolge kommt es nicht an:
genau einmal drankommen
Seite 28
3 Elementare Kombinatorik
3.1 Auswählen
↪ „ iehen von Elementen aus “ ( Übungen)
Stichprobe
geordnet ungeordnet
mit Zurücklegen ( )
ohne Zurücklegen ( ) … ( ) ( )
VARIATIONEN KOMBINATIONEN
Nochmals: „Elferschießen beim Fu ball“ aus 2.2:

( )
(Nr. wird ausgewählt)
( )
(Nr. als vierter Schütze) … (an ., ., ., . oder . Stelle ausgewählt)
Nochmals: „Lotto aus “:

( )( )
(Sechser) aus . . UND (Fünfer) aus . .
( ) ( )
↪ „Günstig durch möglich“
3.2 Reihenfolgen – Permutationen

i) paarweise verschiedene Objekte ! Möglichkeiten, diese anzuordnen.
ii) darunter gleiche, andere gleiche,…, gleiche:
!
mit ... .
!… !
Für Begründungen siehe Übungen.
Beispiel (Fahnen):
Fahne aus 3 Farben in fester Reihenfolge aus fünf möglichen Farben zusammenstellen:
vertikal⁄horizontal gestreift: .
ODER: Zwei gleiche Farben auch erlaubt (z.B. Österreich):
.
Fragestellung so nicht eindeutig Übungen.
Beispiel (Kaderauswahl):
Berechne, wie viele Möglichkeiten es gibt, aus einem 16 Mann Kader
(a) (nach Trikotnummer geordnet) 10 Feldspieler,
(b) 10 Feldspieler auszuwählen.
(a) …
TRIK TNUMMERN
….
(b) ( )
!
Seite 29
4 Der empirische Wahrscheinlichkeitsbegriff

4.1 Eine Beobachtung
Versuchsreihe beim Münzwurf Beobachtung der relativen Häufigkeit für „Kopf“: Simulation
mit Excel (siehe Moodle).
FRA E: Ist lim ( ) ( )
Anzahl der Versuche mit Eintritt des Ereignisses ( )

obei: ( )
esamtanzahl der Versuche
4.2 Eine Konsequenz daraus

Eigenschaften von ( ):
. ( ) ,
. ( ) ,
. ( ) für das sichere Ereignis ,
. ( ) für das unm gliche Ereignis .
ANTWORT:
NEIN, nicht im Sinne der Analysis, | ( ) ( )| ( ) kann nicht garantiert werden!
AUSWEG: Empirisches Gesetz der großen Zahlen – Postulat: ( ).

Bei hinreichend langen Versuchsreihen ist es praktisch sicher, dass ( ) ungefähr gleich ( )
ist.
ABER: Berechnung von ( )?

Symmetrischer Zufallsgenerator: Laplace.
Sonst: ( ) schätzt/approximiert ( ) immer besser, je größer ist.
ALSO: Stabilität von ( ) für große erkennbar: ( ) ( ).
MATHEMATISCHER HINTERGRUND:
Bernoulli sches esetz der gro en ahlen: lim (| ( ) ( )| ) .
[Anmerkung: … ufallsvariable]
↪ Mathematisches Modell zur Beschreibung der Stabilisierung von ( ).
NUTZEN DIESES ZUGANGS:

i) In vielen Fällen anwendbar, um Werte für Wahrscheinlichkeiten zu bekommen.
ii) Wahrscheinlichkeiten sagen relative Häufigkeiten voraus.
Seite 30
5 Bedingte Wahrscheinlichkeiten
5.1 Einführung
( )
Definition: ( | ) aus bedingten Häufigkeiten Kapitel . .
( )
um Beispiel „ iehen ohne urücklegen“: ufallsexperiment hängt vom Ergebnis der Vorigen ab.
Sprich: Wahrscheinlichkeit für das Eintreten von unter der Bedingung (bzw. Voraussetzung
oder Annahme), dass eingetreten ist.
Dagegen: ( )…unbedingte (bzw. totale) ahrscheinlichkeit von
DARSTELLUNGEN:
i) Vierfeldertafel: Siehe bedingte Häufigkeiten Kapitel 2/2.1.
Σ
( ) ( ) ( )
( ) ( ) ( )
Σ ( ) ( ) 1
ii) Baumdiagramm: Zwei Varianten…
ODER
5.2 Rechenregeln
i) ( ) ( ) ( ) … Summenregel (Spalte⁄ eile aus Vierfeldertafel)
ii) ( | ) ( | ) … Regel von der totalen ahrscheinlichkeit (aus Baumdiagramm)
iii) ( ) ( ) ( | ) ( | ) ( ) … roduktregel (aus Baumdiagramm und . fadregel)
( | ) ( )
Satz von Bayes: ( | ) aus roduktregel
( )
Satz von der totalen : ( ) ⏟( | ) ( ) ⏟( | ) ( ) (aus Summenr. und Baumd.)

( ) ( )
Seite 31
5.3 Typisches Beispiel aus der Medizin

Seltene Krankheit : 20 von 100 000 Personen Prävalenz ( )
Medizinischer Test (mit für positiv und für negativ):
wei Kennzahlen Sensitivität ( | ) , und Spezifität ( | ) ,
(hier empirische Beispielwerte).
( | ) ( ) ( | ) ( )
( | )
( ) ( | ) ( ) ( | ) ( )
, ,
, …
, , ( , ) ( , )
↪ ( | ) , … ist relativ klein, aber Risiko für Krankheit ist um den Faktor
, …⁄ , , … gestiegen.
Woher kommen die Werte für die Wahrscheinlichkeiten?

↪ aus Erfahrung, also empirischer Wahrscheinlichkeitsbegriff.
Zum intuitiven Verständnis:
↪ ositiv etestete, davon tatsächlich krank, also , … ( | ).
5.4 Unabhängigkeit
inhaltlich einsichtig ( | ) ( )
von unabhängig ( | ) ( ) ( ) ( | ) ( )
( )
von unabhängig ( symmetrische Beziehung).
Anderer Kriterium:
Symmetrie
( ) ( | ) ( ) ( ) ( ), wenn von unabhängig ist.
( ) ( ) ( ) Inhalt
Umgekehrt: ( ) ( ) ( ) ( | ) ( ).
( ) ( )
Beispiel von 5.3:
Σ
0,00019 0,009998 0,010188
, 0,989802 0,989812
Σ 0,0002 0,9998 1
Nebenrechnungen:
( ) ( | ) ( ) , , ,
( ) ( | ) ( ) ( , ) ( , ) ,
Unabhängigkeit oder Abhängigkeit?

um Beispiel: ( ) , ( ) ( ) , , , .
,
DER: ( | ) , … ( ) , .
,
↪ Testergebnis und Gesundheitszustand sind voneinander (hochgradig) abhängig!
Seite 32
5.5 Lernen aus Erfahrung

Gegeben sind drei „ ürfel“ (siehe Riemer-Würfel):
Quaderwürfel Laplace-Würfel U-Würfel
1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
0,05 0,1 0,35 0,35 0,1 0,05 ⁄ ⁄ ⁄ ⁄ ⁄ ⁄ 0,12 0,08 0,21 0,39 0,08 0,12
↪ empirischer und klassischer Wahrscheinlichkeitsbegriff.
Einer von den drei „ ürfeln“ wird verdeckt genommen:
( ) ( ) ( ) nehmen wir a priori (vor der Datengewinnung)an.
↪ subjektiver Wahrscheinlichkeitsbegriff.
UND: „ “ wird geworfen…

( | ) ( )
↪ ( | ) , …
( | ) ( ) ( | ) ( ) ( | ) ( )
⏟ , ,
( | ) ,
↪ ( | ) , …
( | ) ,
↪ ( | ) , …
↪ a posteriori-Verteilung (nach der Datengewinnung) neue a priori-Verteilung.
Nun wird „ “ geworfen mit demselben Würfel:

,
↪ ( | ) , …
⏟ , , , , ,
, ,
↪ ( | ) , …
, ,
↪ ( | ) , …
Usw…
Seite 33
5.6 Der subjektivistische Wahrscheinlichkeitsbegriff

Maß für die Sicherheit der persönlichen Einschätzung eines Sachverhalts, zum Beispiel:
i) In 5.5: Jeder „ ürfel“ a priori gleichwahrscheinlich.

ABER: Sub ektives Vorwissen z.B. ( ) ( ) ( )
↪ ( | ) , …
⏟ , ,
andere a posteriori Einschätzung.

,
↪ ( | ) , …
,
↪ ( | ) , … }
ii) Im Alltag: Ich bin ziemlich sicher, dass der gewohnte Weg zu meiner Arbeitsstelle frei ist,
weshalb ich ihn auch heute wähle.
ABER: Baustelle Umleitung bzw. U-Bahn (oft) Störung Änderung des Verhaltens.
Seite 34
IV AHS-Oberstufe 7.Klasse
1 Diskrete Zufallsvariable
1.1 Beschreibung
Zum Beispiel: Anzahl der „Erfolge“ beim -maligen Durchführen eines Zufallsexperiments
Wertevorrat { , , , … , }.
↪ Zufallsvariable: Variable, deren konkreter Wert prinzipiell nicht feststeht bzw. nicht
vorhersehbar ist, nur die möglichen Werte liegen fest.
endlich diskrete Zufallsvariable.
Festlegung einer Zufallsvariable mittels…

i) ( ) … Verteilung der ahrscheinlichkeiten,
ii) ( ) ( ) ∑ ( ) … Verteilungsfunktion.
Beispiel:
Sendung von neun Stück, vier davon beschädigt. Entnahme von drei Stück Stichprobe.
…Anzahl der beschädigten Stücke in der Stichprobe
↪ verbale Beschreibung der Zufallsvariable.
Gesucht: Verteilung der Wahrscheinlichkeiten und Verteilungsfunktion von .
{ , , , }
,
( ) , ( ) , ,
( ) ,
( ) , ( ) , ,
{ .
Seite 35
1.2 Erwartungswert und Varianz

Motiv: Durchführungen eines Zufallsexperiments -Mal wiederholt.
Durchführungen Mal „Erfolge“

Durchführungen Mal „Erfolge“
„ akete“
{ Durchführungen Mal „Erfolge“
∑ .
∑ ∑ ( ).
Im Nachhinein: Anzahl der „Erfolge“ im Durchschnitt, d.h. pro Versuchdurchführungen.
Im Vorherein:
Durch ( ) ∑ ⏟( ) den Durchschnittswert vorhersagen, also durch den

prophezeihen
die rel. Häufigk.
Erwartungswert der Zufallsvariable , die die Erfolge bei Versuchsdurchführungen zählt.
Analog zur empirischen Varianz ∑( ) (siehe Kapitel II, . ) bilden wir:
( ) ∑[ ( )] ( ) ⏟([ ( )] ).
Hintergrundwissen
Das ist die Varianz von . Die Standardabweichung von ist gleich ( ) √ ( ).
Beispiel aus 1.1:

( )
Deutung: Auf lange Sicht wird der Durchschnittswert ⁄ ( ) der

beschädigten Stücke in einer Stichprobe nahe bei liegen.
( ) ( ) ( ) ( ) ( )
√
( )
Seite 36
2 Die Binomialverteilung
2.1 Ausgangssituation und Definition
Bernoulli-Experiment als Grundlage: Durchführungen eines Zufallsexperiments mit den zwei
möglichen Ausgängen Ereignis tritt ein („Erfolg“) oder nicht.
Die Zufallsvariable zähle, wie oft eintritt: { , , … , }.
enn ( ) ( , ), dann ist ( ) ( ) ( ) für , ,…, .
Dabei ist ( ) konstant, d.h. die Versuchsdurchführungen beeinflussen einander nicht.
heißt dann binomialverteilt mit Parametern und . KURZ: BV( , ).
Beachte:
UND
( ) ( ) ( ) ⏟ ( ) ( ) ( )
DER UND
( ) Summanden, weil ( ) M glichkeiten lätze aus auszuwählen.
Faktoren Faktoren
⏞ …
⏟ ⏞
( ) … ( ) ... ( ) .
Mal tritt „Erfolg“ (Ereignis ) ein und ( ) Mal nicht.

( ) und ( ) ( )
Nachweis mittels:
i) direkter Rechnung.
∑ { für tritt ein beim ten Mal,

ii) wobei
sonst.
bungen
und ( ) ( ) für , ,…, .
iii) erzeugender Funktionen. }
2.3 Beispiele
A) Packungen von 250 Stück mit Ausschussanteil (konstant aus Fließbandproduktion) von 3%
(empirischer ‘-Begriff).
esucht: ) , dass weniger als ,
) genau , } defekte Schrauben in einer ackung sind.
) h chstens
Zufallsvariable zähle die defekten Schrauben in einer Packung in einer Packung:

BV( , ).
) ( ) ( ) ( ) ( ) ( ) ( ) ( )
AS
∑( ) , , , …
AS
) ( ) ( ) , , ,
AS
) ( ) ( ) ( ) ,
Seite 37
Zusatz:
i) ( ) , , … as hei t das
Auf lange Sicht wird das arithmetische Mittel der Anzahlen der fehlerhaften Stücke pro Packung
in der Nähe von 7,5 liegen.
ii) Schwankungen der erhobenen erte („Daten“) wird durch ( ) √ , , , …
vorhergesagt.
B) Eine Schreibkraft macht durchschnittlich 2 Fehler pro Seite. Wie groß ist die Wahrscheinlichkeit,
dass sie eine Seite fehlerfrei schreibt, wenn für eine Seite durchschnittlich 1000 Zeichen/Abstände
zu tippen sind?
…Anzahl der fehlerhaften Zeichen pro Seite: BV( )
( ) , BV( , )
( ) ( ) , …
Anmerkung Vortragender:
ufallsvariable „misst“ Normalverteilung.
ufallsvariable „zählt“ Binomialverteilung.
Seite 38
V AHS-Oberstufe 8.Klasse
1 Stetige Zufallsvariable
1.1 Beschreibung
Nun: überabzählbar Verteilung der Wahrscheinlichkeiten nicht mehr sinnvoll, denn:
( ) und stetige Zufallsvariable, weil:
( ) ( ) ( ) ( ).
Für folgt ( ) , weil stetig ( später) ist!
Auswege:
i) Verteilungsfunktion
ii) Dichtefunktion
Definition:
Eine Zufallsvariable heißt stetig, wenn eine nichtnegative integrierbare Funktion existiert,
sodass gilt:
( ) ∫ ( ) .
Die Funktion heißt Dichte der stetigen Zufallsvariable .
Also:
( )
Folgerung: | ( ) ( )| ∫ ( ) ∫ stetig.
( ) … integrierbar beschränkt.
Eigenschaften von :
( ) ( ) ,
( ) ist integrierbar,
( ) ∫ ( ) ( ),
( ) lim ( ) , sonst funktioniert ( ) nicht.
Umgekehrt: Jede Funktion mit den Eigenschaften (1) (4) ist Dichte einer stetigen ZV.
Seite 39
Folgerung aus (3):
∫ ( ) ∫ ( ) ∫ ( ) ( ) ( ).
Dies entspricht der Gegenereignisregel aus Kapitel III, 2.3.

Wenn uneigentliche Integrale existieren, gilt:
Erwartungswert von : ( ) ∫ ( ) .
Varianz von : ( ) ∫( ) ( ) .
Beispiel:
Dichtefunktion mit ( ) .
erfüllt (1), (2), (4) wie leicht zu sehen ist.

Auch ( ) ist erfüllt, da:
∫ ( ) ∫ arctan | ( ( )) .
ABER: Erwartungswert existiert nicht ungleich Null, obwohl symmetrisch zur -Achse, also
gilt, dass ( ) ( ).
Beweis:
Betrachte: ∫ … Integrand ist punktsymmetrisch zum Ursprung
∫ ∫
( )
∫
∫ divergent.
( )… .
Seite 40
1.3 Ein Beispiel
( ) { cos für [ , ],
sonst.
(I) ( ) ( ) ,
( ) stetig integrierbar,
⁄ !
( ) ∫ ( ) ∫ cos sin | ⁄
( ( )) ,
( ) lim ( ) .
(II) Graph von :
(III) ( ) aus Symmetriegründen.
DER Integral berechnen: ∫ cos … artielle Integration oder AS.
AS
( ) ( ) ∫( ) cos ( ) √ .
√ √
( ) ( ) ∫ cos .
( ) ( ) ( ) ∫ cos sin | ⁄ (sin ( )) (sin ) für [ , ).
( ) für und ( ) für .
Seite 41
1.4 Didaktische Bemerkungen

(i) Für die Berechnung von ( ) ist oft der Verschiebungssatz ( ) ( ) ( ) (gilt
auch für stetige Zufallsvariablen) von Vorteil, weil:
( ) ∫ ( ) ist im Allgemeinen einfacher zu berechnen als ∫ ( ) ( ) .
(ii) Apropos: Berechnung der auftretenden Integrale mit CAS ( Entlastung) oder mit
(teilweise aufwändigen) Integrationstechniken:
. B. Familie von Exponentialverteilungen: ( ) , , sonst.
(iii) Integralrechnung bereitet stetige Zufallsvariable vor: Anwendung Ersterer
zurückschrauben, um genügend Zeit für Zweiteres zu haben.
(iv) Innermathematische Begriffe (aus der Analysis): Stetigkeit, renzwerte von Funktionen, …
kommen hier konzentriert vor.
(v) darf nicht mit verwechselt werden: muss nicht stetig sein!
2 Die Normalverteilung
2.1 Definition und Handhabung
Spezielle Dichtefunktionen ( Übungen) einer stetigen Zufallsvariable :
( )
( ) ( ) wobei und gilt.
√
N( , ), sprich: „ ist normalverteilt mit den Parametern und .“
Erwartungswert von : ( )
Varianz von : ( )
Standardabweichung von : ( )
Verteilungsfunktion:
( ) ( )
( ) ∫ exp ( ) ∫ exp ( ) ( )
√ √
( ) … Substitution (Standardisierung):
Mit: ( ) ∫ exp ( ) ∫ ( )
√
Dabei: ( ) exp ( ) … Dichtefunktion von spezieller Normalvert. mit und :

√
↪ Standardnormalverteilung oder N( , ) Verteilung.
Seite 42
eiters: ∫ exp ( ) … aus der Analysis

√
ur Berechnung von ( ) ∫ ( ) bzw. ( ) ∫ ( ) …
Das sind Integralfunktionen, die NICHT geschlossen analytisch darstellbar sind.
↪ Tabelle in Schulbüchern für ( ) Standardisierung notwendig!
↪ CAS Wahrscheinlichkeitsrechner in GeoGebra: (vorerst) keine Standardisierung notwendig.

Z. B. ( , ) , oder ( ) , mit , und , .
Numerische Beispiele:
N( , ) und N( , )
(i) ( , ) , .
(ii) (| | , ) ( , , ) ( , ) ( , ) , .
(iii) ( ) , für und , .
(iv) (| | ) ( ) ( ) ( )
( ) ( ) , , .
2.2 Streubereiche
Streubereich für ( , ): ( ) ( ) ( ) ( ( )) ( ) .
Antistreubereich für N( , ): (| | ) ( ) ( ) ( )
⏟( ) ( ) ( ( ))
( )
Beide symmetrisch um .
Seite 43
Gebe ( , ) vor für Streubereich:

!
( ) ( ) … Quantil der N( , ) Verteilung.
AS
um Beispiel: , , , , (| | , ) , .
ODER: N( , ) mit Verteilungsfunktion .
Streubereich für ( , ): (| | ) ( ) ( ) ( )
( ) ( ( )) ( ) .
Antistreubereich für ( , ): (| | ) ( ( )).
Gebe wieder ( , ) vor für Streubereich:
!
( ) ( )
… Quantil der N( , ) Verteilung.

.
AS
. B. , wenn , und , , , ,
, , , (| , | , ) ( , , ) , .
Seite 44
2.3 Qualitätskontrolle
WARUM? – Weil Normalverteilung immer dort passt, wo eine Größe von vielen
unkontrollierbaren Faktoren abhängt, von denen aber keiner dominiert, und wo bestimmte
Richtung erkennbar ist.
Beispiele:
A) Länge von Nägeln normalverteilt mit cm und , cm. ie gro ist die ‘, dass die
Länge eines zufällig herangezogenen Nagels um maximal , cm von abweicht?
… Länge eines zufällig herangezogenen Nagels in cm N( , ).
AS
(| | , ) (| | , ) ( , , ) ( , ) ( , ) , .
B) Was ist die „normale“ K rpergr e? Die Körpergröße von Schülern eines bestimmten
Jahrganges sei normalverteilt mit cm und cm. Vereinbarung: Oberste 5%
„Riesen“, Untersten „ werge“ und Rest „normal“. Wo liegt die Grenze?
… r e eines zufällig herausgegriffenen Schülers dieses Jahrganges in cm
N( ).
(| | ) , ( ) ( ) .
, AS
( ) , , , , cm.
( , , , ) ( , , ) … „normal“.
C) Bestimmtes Waschmittel: Mindestens 800 Liter Lauge in 80% aller Haushalte. Wie viel Liter
Lauge werden in einem zufällig gewählten Haushalt (durchschnittlich) erzielt, wenn die
Laugenmenge normalverteilt ist mit Liter?
… Laugenmenge in Liter eines zufällig gewählten Haushaltes N( ).
( ) , , ( ) ,
Standardisierung: ( ) , [Anm.: und bekannt!]
AS
, , , Liter
D) Packungen der Sollmenge 1000 g werden so abgefüllt, dass in höchstens 5% der Fälle der
Inhalt mehr als 1010 g beträgt. Gesucht ist der Abfüllmaschine, wenn Füllmenge
normalverteilt ist.
… Füllmenge in g einer beliebig herausgegriffenen Packung N( )
( ) , , ( ) ,
Nochmals Standardisierung: ( ) ,
AS
, , , g.
Seite 45
3 Approximation der Binomialverteilung durch die

Normalverteilung
3.1 Stetigkeitskorrektur
BV( , ): ( )} näherungsweise N( ,√ ( ) ).
Dabei sogenannte Stetigkeitskorrektur:
( BV ) N( , )
Bzw. ( BV ) N( , )
3.2 Anwendungsaufgaben mit Streubereichen

Streubereiche sagen Wertebereiche von absoluten bzw. relativen Häufigkeiten voraus mit
Wahrscheinlichkeit .
Absolute Häufigkeiten:
!
( ) ( , ) wobei N ( ,√ ( ) )
, ,
(| | ) (| | , )
Relative Häufigkeiten:
,
(| | ) (| | )
Beispiele:
A) Die Rücklaufquote von Pfandflaschen beträgt 90%. Wie groß ist die Wahrscheinlichkeit, dass
von 1000 ausgelieferten Flaschen die Rücklaufquote um nicht mehr als 0,05 von 90%
abweicht?
… ANZAHL der zurückgegebenen Flaschen von 1000 verkauften BV( , ).
(| | , ) (| | , )
,√
( , , ) ⏟ ,√
( , ) .
Seite 46
B) Freiwillige Feuerwehr mit 120 Leuten sind im Ernstfall verfügbar. Wie viele
Feuerwehrleute stehen im Ernstfall mit 90% Sicherheit zur Verfügung?
… AN AHL der zur Verfügung stehenden Feuerwehrleute im Ernstfall BV( , ).
(| | ) ,
AS
, , , , , , , , [ ( ,√ , )]
| | .
hne Stetigkeitskorrektur: | | .
C) Rockkonzert: Auslastung von 80%. Veranstaltungsort soll wie viele Plätze bieten, um mit
Wahrscheinlichkeit von 90% höchstens 100 Plätze zu viel oder zu wenig zur Verfügung zu
haben?
… Anzahl der tatsächlich kommenden BesucherInnen des Konzerts BV( , ).
Dabei beschreibt die Anzahl der angebotenen Plätze.
! ,
(| | ) , , ( ) ( , ) ( ) .
Standard.
√ ( )
, , ,
, ( ) , ,
√ ( ) √ ( )
, ,
, √ ( ) , … √ , ,
√ ( ) ,
( , …)
,… .
, ,
hne Stetigkeitskorrektur: ,… .
, , ,
D) Prüfung: 200 KandidatInnen jährlich und % fallen durch. Dieser Prozentsatz weicht mit 90%
Wahrscheinlichkeit um höchstens 0,05 von ab. Wie groß ist ?
… Anzahl der Durchfallenden unter den pro Jahr BV( ).
(| | , ) , , ( ) ( , , )
,
( )
Standard.
√ ( )
,
, , √ ( ) , … ( ) , …
√ ( )
, … (
⏟ , …) , …
aus Kontext!
hne Stetigkeitskorrektur: , ( , …) , …
√ ( )
Seite 47
4 Konfidenzintervalle für Anteilschätzungen

4.1 Schätzen von Parametern
Schluss von der Stichprobe auf die Grundgesamtheit: Empirische Größen (aus der gezogenen
Stichprobe gewonnen) schätzen zugrundeliegende Parameter.
↪ Einpunktschätzung (ein Wert) oder Bereichsschätzung (ein Intervall).
↪ Ziel: Parameter einer BV.
4.2 Einpunktschätzung
Relative Häufigkeit: als V aufgefasst, weil abhängig von der eweiligen Stichprobe:
BV( , ) wobei unbekannt ist.
Es gilt: (i) ( ) ( ) ( ) .
↪ ist erwartungstreuer Schätzer für .
( ) ( )
(ii) ( ) ( ) ( ) .
↪ ist konsistenter Schätzer für .
Realisation von schätzt Parameter .
4.3 Bereichsschätzung
…um die „Trefferwahrscheinlichkeit zu erh hen.
Dazu: (| | ) ( ) ( )
( ) ( )
unbek. !
( ) ( ) .
Standard.
√ ( )
!
(| | ) ( )
( ) ( )
| | ( )
( ) ( ) ( ) ( ) .
Dies fassen wir nun als quadratische Gleichung in auf und damit ergibt sich:
( ) √( ) ( ) √
,
( ) ( )
( √ ( ) ) ( ) .
√ ⏟
( )
Damit ergibt sich das -Konfidenzintervall für zu:
( ) ( )
[ ( √ ), ( √ )].
Seite 48
Weitere Approximation:
Ersetze in den arameter durch die relative Häufigkeit , womit folgt:
√ ( ) √ ( ) ( )
| | √
( ) ( )
[ √ , √ ] … wird in der Schule in der Regel verwendet.
Für , , passt die Näherungsformel gut, denn:
Interpretation (sehr wichtig!): Bei sehr vielen Stichprobenentnahmen vom Umfang wird in
der Fälle das entsprechende Konfidenzintervall den Parameter überdecken.
NICHT: (fester Wert) liegt mit Wahrscheinlichkeit im Konfidenzintervall (Zufallsgröße).
Beispiel:
, , , [ , , ] für Ausschussanteil .
Länge des Konfidenzintervalls:

( )
Die Länge √ des Konfidenzintervalls hängt von …
(i) … Stichprobenergebnis ( max , wenn ⁄ ),

(ii) … Stichprobenumfang ( sinkt, wenn wächst),
(iii) … Konfidenzniveau ( ) ( steigt, wenn steigt) ab.
Seite 49
Notwendiger Stichprobenumfang bei vorgegebener Länge :
( ) ! ( ) ( )
√ … aus Vorerhebung,
bzw. … keine Vorerhebung [ ( ) ].
Beispiel:
Schwankungsbreite ⁄ bei Wahlumfragen.
( ) , ( )
√ , √ …siehe dazu Standard Blog.
. B. und ,
} „gro e“ arteien haben h here Schwankungsbreite!
,
√ ( )
. B. ALLU ( . . ): und max , , passt!
4.4 Eine wichtige Differenzierung

Unterscheide: Zufallsvariable Parameter Realisierung einer ZV (empirische Größe)
Seite 50
5 Anteiltests
5.1 Hypothesentests
↪ Schluss von der Grundgesamtheit auf die Stichprobe: Ist die gezogene Stichprobe (noch) mit
der Grundgesamtheit verträglich?
Dazu: Hypothesenformulierung für den Anteil in einer Grundgesamtheit.
Nullhypothese: : : :
Gegenhypothese: : oder : oder :
beidseitiger rechtsseitiger linksseitiger
Test
Ablehnung von , wenn Anteile in der Stichprobe mit Umfang …
zu stark abweichend zu hoch zu niedrig
sind. Gewisse Abweichungen werden als zufallsbedingt toleriert.
„ as hei t zu… “ – Vorgabe von ( , ) klein, z. B. 5% oder 1%.
Hier: Normalverteilung approximiert Binomialverteilung muss nicht sein, Prinzip ist aber so
besser darstellbar.
ABER: fällt mit ‘ in Ablehnungsbereich von , obwohl zutrifft Fehler 1. Art.
5.2 Ein Beispiel

Partei ÖEP bei der letzten Wahl 32% der Stimmen.
Meinungsumfrage: Unter ersonen würden diese „am nächsten Sonntag“ wählen.
Ist diese Partei signifikant ( ) stärker geworden?
…Anzahl der ÖE -WählerInnen unter 100 zufällig ausgesuchten und befragten Personen
BV( , )
: ,
: ,
↪ ist der tatsächliche Anteil der ÖEP-WählerInnen unter der wahlberechtigten

Gesamtbevölkerung
↪ rechtsseitiger Test, weil: , , .
Ablehnungsbereich für : { , ,…., , } und kritischer Wert Min.
( ) , ∑( ) , , ,
Seite 51
( ) , ( ) ,
Approx. AS
( , ) , , , , ,
√ ,
Entscheidungsregel: { , ,…, , } ablehnen!
Stichprobenergebnis: ablehnen!
↪ artei ÖE ist tatsächlich signifikant stärker geworden!
Hochsignifikante Änderung? .
AS
( , ) , , , , ,
√ ,
{ , ,…, , } ÖE ist nicht hochsignifikant stärker geworden!
Mehr Klarheit durch größeren Stichprobenumfang!
Interpretation von :
Wenn stimmt, dann entscheiden wir in der Fälle ( oftmaliges Durchführen des
Tests) falsch.
↪ Aussage über das Testverfahren, nicht über (die Richtigkeit von) .
5.3 Alternativhypothesen
Beispiel aus 5.2:
, wegen Stichprobenergebnis als Alternativhypothese versus , aus der
Vergangenheit.
∑( ) , , ( )
…ist die Wahrscheinlichkeit, zu Unrecht beizubehalten: Fehler 2. Art.
Zum Beispiel:
0,42 0,4 0,38 0,36 0,34
0,38 0,54 0,70 0,83 0,91
⏟
ziemlich hoch!
Test nicht trennscharf!
Übersicht durch Operationscharakteristik (siehe Moodle):
raph
mittels
AS ,
( ) ∑( ) ( ) ( , ] ( ).
√ ( )
Seite 52

Schulmathematik 5 - Stochastik: Mitschrift Zur Vorlesung

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Schulmathematik 5 - Stochastik: Mitschrift Zur Vorlesung

Hochgeladen von

Copyright:

Verfügbare Formate

Schulmathematik 5 –

5 Bedingte Wahrscheinlichkeiten ................................................................................................................... 31

I Konkrete Umsetzung stochastischer Inhalte im

„Untersuchen und Darstellen von Datenmengen unter Verwendung statistischer Kennzahlen

Datenorientierter Zugang: Für SchülerInnen interessantes Thema als Datenquelle, (wenig)

Merkmalsausprägungen: Konkrete Werte des Merkmals (Sammeln von Merkmalsausprägungen

Alter Geburtsmonat Lieblingstier

in Jahren Mai, Juni,… Hund, Schwein,…

Datentabelle (für mehrere Merkmale):

Sonst: Urliste, z.B. Schulwegdauern

Häufigkeitstabelle: Absolute Häufigkeiten Anzahlen

„Was läuft ab?“: Vorgang bestimmen

„Wie kann ich die Ergebnisse erfassen?“: Messmethode definieren

„Welche Ergebnisse sind möglich?“: Festlegung der Merkmalsausprägungen

„Wovon hängt ab, was eintrifft?“: Bedingungen des Vorgangs

2 Diagramme erstellen und lesen

Häufigkeitstabelle: relative Häufigkeiten ab . Klasse Summenprobe: ∑ .

Säulendiagramm: Stapeln von Datenkärtchen als Ausgang

Reale Daten: Bevölkerungsstand Wien 2007-2015 (Moodle)

Stabdiagramm: sehr dünne Säulen

Oder: Rohdaten im Säulendiagramm als Ausgang, geordnet:

Balkendiagramm: aus Säulendiagramm durch Vertauschen von waagrechter und senkrechter

Liniendiagram: Zum Beispiel Temperaturverlauf über einen Tag.

„Reale“ Daten: Maturatermin 2013/14 – Besucherzahlen in einem Hallenbad (Moodle)

Band- und Kreisdiagramm:

Klasse a: Mädchen unter S ,

Banddiagramm: Länge Vielfaches oder Teiler von

Reale Daten: Kinderzahlen in Familien in Österreich 1961-2011 (Moodle)

Wird auch Streifendiagramm oder Prozentstreifen genannt.

. Klasse Bruchrechnung: um Beispiel von ,

[Achtung: wei Deutungen von „von“!]

Eignet sich zur Veranschaulichung von wenigen Anteilen: zu viele unübersichtlich!

Anteile über 50% besonders deutlich!

Vergleich zweier Grundgesamtheiten: Streifendiagramm

Stängel-Blatt- oder Stamm-Blätter-Diagramm und Histogramm:

Für metrische Daten wie Ruhepuls, Armspannweiten, Fingerlängen,…

Idee der Gruppierung Klasseneinteilung

Reale Daten: -Emission in g/km (Moodle: Top 30 Benzin auf www.autoverbrauch.at)

Drehung um 90° gegen den Uhrzeigersinn:

ACHTUNG: Wahrgenommen wird die Fläche, nicht die

3 Daten zusammenfassen: Mittelwert

iii) Prognosewert: z.B. Durchschnittsverbrauch

iv) empfindlich gegen Ausreißer:

Reale Daten: Niederschläge in Wien 2015 – Monatssumme in mm Wasserhöhe (siehe Moodle)

3.2 Der Median

„mittlerer ert“ geordnete Urliste , , , , , ⏟, , , , , , .

Wenn ungerade, dann mittlerer Wert!

ODER: Papierstreifen falten (gleiche Breite der ):

, , , , , , ,⏟, , , … (Ausschnitt von eben)

3.3 Gewichtetes arithmetisches Mittel

Zum Abschluss: Klimadiagramme, z.B. Mauritius und Korsika (siehe Moodle).

3.4 Der Modus

4 Vergleichen von Daten und ihren Verteilungen

Hier: Dichotome Merkmale ja/nein oder männlich/weiblich

spielt Instrument spielt kein Instrument Σ

Vergleiche ( neue Grundgesamtheiten)…

i) unter den Jungen spielen 4 ein Instrument, das sind , ̇ .

Vorbereitung der bedingten Wahrscheinlichkeiten und der (Un-)Abhängigkeit.

4.2 Banddiagramme und Säulendiagramme

i) Bildungsstand der Arbeitskräfte ohne österreichischen Pass 2004/2013 gepaartes

4.3 Klasseneinteilung metrischer Daten

Wie groß kann der Unterschied höchstens sein?

| Klassenmitte| halbe Klassenbreite