Stochastik – grundlegende Begriffe

1. Stochastik – Bereich der Mathematik, beschaeftigt sich mit dem Zufall.

2. Zufaellige Vorgaenge:
a. Bildung eines Modells,
b. Experimentell Belegung des Modells (Statistik);
c. Folgerungen ausziehen (Wahrscheinlichkeitstheorie)
Beispiel fuer Wahrscheinlichkeit :
Ein Teich, eine Ente, die in dem untergetaucht ist.
Wo auftaucht sie  ???
Angenommen ist  jede Stelle gleich wahrscheinlich ist.
Modell des Teichs  ebenes Gebiet   achsenparalleles Rechteck in der (x1, x2) – Ebene.
Moegliche Ergebnisse => modeliert sind als Teilmengen A  .
Wenn die Ente in A aufteicht => das Ergebnis A ist eingetreten.
Den Ergebnissen A sind Wahrscheinlichkeiten P(A) zugeordnet:

Problem:
Man kann den Flaecheninhalt jeder Teilmenge nicht genau definieren  (Schwierigkeiten der
matematisch korrekten Behandlung der Stochastik).
 Die Definition von P(A) gilt nur fuer Teilmengen mit einem vernuenftig definierbaren
Flaecheninhalt, z.B. Achsenparallele Rechtecke (Flaecheninhalt = Produkt der
Seitenlaengen).
 Fuer Komplemente, endliche Vereinigungen / Durchschnitte von solchen Rechtecke kann
man auch Flaecheninhalte bilden.
 Mengen, die durch Mengenoperationen (K, V, D) aus Rechtecken erzeugt werden
koennen => Borelmengen genannt.
Beispiel:
2-malig Werfens einer Muenze (die Ausgaenge sind Kopf, Zahl); moegliche Ergebnisse sind 4
Paare:
(K, K), (K, Z), (Z, K), (Z, Z)
Ergebnismenge =
Alle Ergebnisse gleich wahrscheinlich sind.
 Man ordnet jedem Ergebnis die Wahrscheinlichkeit ¼.

Potenzmenge = => Menge von Teilmengen A (Ergebnisse)

Wahrscheinlichkeit P auf der Potenzmenge:

Definition – Zufallsexperiment, Ergebnismenge:

Man ordnet Wahrscheinlichkeiten den Teilmengen der Ergebnismenge zu. (Das geht nicht immer
fuer jede Teilmenge – das Beispiel mit der Ente und dem Teich).
Dafuer – Definition von  - Algebra:

Nach dieser Definition gilt auch:

 (a) => aus (i)   A und (ii) –> das Komplement von    A
(b) Benutzt man die Formel:

Da alle Ak A wegen (ii) und (iii)

Fuer jede Teilmenge B P()  kleinste  - Algebra A, die B enthaelt:

A1, A2, A3 – erzeugen A

{2, 4} = (A2 A3)c
{1, 3, 5, 6} = A1 A3
{1,2,3,4,5} = A2  {2, 4}
{1,2,3,4,5,6} =  = A1 A2
{}= c.

(c)  - Algebra der Borelmengen: fur  = Rn und B -> die Menge aller achsenparallelen
Quader  nicht gut zu beschreiben ist
 Ist Lebesgue – messbar.

Ereignis => Teilmenge A  mit einer zugeordneten Wahrscheinlichkeit.

Ein Ereignis tritt ein  fuer das Ergebnis    eines Zufallsexperiments gilt   A.
Definition von Wahrscheinlichkeitsraum

!!! Wahrscheinlichkeitsraum => Ergebnismenge,  - Algebra, Wahrscheinlichkeitsfunktion

Fuer ein Wahrscheinlichkeitsraum gilt:
Definition von Laplace – Experiment:

Auch .
Wenn man die Wahrscheinlichkeitsfunktion durch Abzaehlen der Ergebnismenge ermittelt
 geht es um Begrife und Situationen der Kombinatorik an:
Begriffe der Kombinatorik:
(Beweis durch Induktion -> im Script S.98-99.)
Modelle mit Permutationen und Kombinationen – Faechermodell und Urnenmodell.
Faechermodell – n Teilchen auf N Facher zu verteilen.
Urnenmodell – ziehen von n Kugeln aus einer Urne mit N Kugeln.

a) Permutationen mit Wiederholung – die Reihenfolge der Eintraege in w ist wichtig und
festgelegt. Die einzelnen Eintraege duerfen sich wiederholen, z.B.
w = (2,5,7,2) oder w = (3,3,3,1) fuer N = 7 und n = 4
Beispiel:
Fussballtoto => n = 11 Spiele, einzelne Eintraege wj = {0,1,2} (untentschieden, Heimsieg,
Auswartssieg); => N = 3
Ein Ergebnis w = (w1, w2 ,…, w11) mit Reihenfolge festgelegt durch die ausgewaehlten Spiele.
Anzahl der Moeglichkeiten:
card() = Nn = 311 = 177147
Wahrscheinlichkeit fuer ein Elementarereignis
P(w) = 1/177147

b) Permutationen ohne Wiederholung – die Reihenfolge ist wichtig, doppelte Eintraege –

nicht erlaubt, d.h. w = (2,5,3,4) oder w = (1,2,4,7) fuer N = 7 und n = 4; n  N muss gelten
Beispiel – zufallige Verteilung von n = 100 Studenten auf N = 120 Plaetze im Hoersaal.

c) Kombinationen ohne Wiederholung – Reihenfolge der Eintraege nicht wichtig, die wj kann
man beliebig sortieren.
Bedeutung – man sucht die Anzahl von n – elementigen Teilmengen einer N – elementigen
Menge.
Man legt eine aufsteigende Anordnung der Eintraege zur Beschreibung eines
Elementarereignisses fest.
Beispiel – Zahlenlotto. Aus N = 49 nummerierten Kugeln werden n = 6 gezogen ohne
zuruecklegen.
𝑁 𝑁! 49 𝑁(𝑁−1)…(𝑁−𝑛+1) 49.48…44
Man erhaltet ( ) = 𝑛!(𝑁−𝑛)! = ( 6 ) = = 1.2…6 = 13983816 Moeglichkeiten.
𝑛 𝑛!

d) Kombinationen mit Wiederholung – wenn man zwei nicht unterschiedbare Wuerfel werft,
es ist nicht wichtig welcher Wuerfel eine bestimmte Augenzahl anzeigt.
Die Anzahl an verschiedenen Zahlenkombinationen ist von der Reihenfolge unabhaengig, es
koennen Wiederholungen auftreten.
Fuer N = 6 und n = 2 die unterschiedliche Ergebnisse sind:
Bedingte Wahrscheinlichkeit = Wahrscheinlichkeit eines Ereignisses A unter der Bedingung,
dass Ereignis B eintritt.

N = die Gesamtzahl der Bevoelkerung

A – Gruppe der kranken Personen
B – Gruppe der Personen mit positivem Test
Gesuchte Wahrscheinlichkeit  Anzahl der Kranken mit positivem Test durch Gesamtzahl aller
Personen mit positivem Test:

Wir nehmen an => die Zugehoerigkeit zu jeder dieser Gruppen gleich wahrscheinlich ist.
Mit den gegebenen Daten:

 die Wahrscheinlichkeit dass unter allen Ergebnissen von B das

Ereignis A auftritt.
Man ersetzt den Grundraum  durch B, dividiert durch N die Gleichung von P 
Definition fuer bedingte Wahrscheinlichkeit:

Rechenregeln:

Beweis:
a) aus P(A\B) = P(A B) / P(B) und P(Ac\B) = P(Ac B) / P(B) 
P(A B) / P(B) + P(Ac B) / P(B) = (P(A B) + P(Ac B) ) / P(B) = P(B) / P(B) = 1

A
B

Die Formel von Bayes  direkt aus der Definition.

b) nach der dritte Axiome von Kolmogofoff:

( gegeben in Satz 5.12 (b) 

und , auch
A=A)
Sensitivitaet:

=> nach dem Beispiel Wahrscheinlichkeit, dass eine

Kranke Person positiv getestet wird.
Spezifitaet:

=> Wahrscheinlichkeit, dass ein Gesunder nicht

positiv getestet wird.

Beispiel 5.10 mit diesen Begriffe:

Nach der Definion fuer bedingte Wahrscheinlichkeit 

= P(A B)
Wenn man in Satz 5.12 a) mit P(B) die beide Seiten der Gleichung multipliciert:
Sei p = P(A);  P(Ac) = 1 – p
Auch P(BAc) = 1 - P(BcAc)
Wahrscheinlichkeit jemand mit positivem Test krank ist

bezeichnet mit der Sensivitaet P(BA) und der Spezifitaet P(BcAc) und p.

Definition von stochastische Unabhangigkeit:

Seien A, B Ereignisse  A in einem Wahrscheinlichkeitsraum ( , A, P) , P(A) > 0, P(B) > 0.

Wenn P( AB) = P(A)  das Eintretten des Ereignisses B keinen Einfluss auf das Ereignis A
hat.
 Aequivalent zu

und zu P( BA) = P(B)

 Stochastisch unabhaengige Ereignisse.
Eine wichtige Klasse von Zufallsexperimenten  Einzelexperiment mit
Ausgaenge “Treffer” / “kein Treffer”;
n – mal stochastisch unabhaengig voneinander zu viederholen  Bernoulli –
Experimente.
Ergebnismenge 

Beispiel:
Wiederholtes Wuerfeln, der Ausgang eine “Sechs” zu wuerfeln = ein Treffer.

- das Ereignis im 1. Wurf eine Sechs zu wuerfeln, und in

allen anderen Wuerfeln keine Sechs zu haben.
p  [0, 1] -> Wahrscheinlichkeit eines Treffers im Einzelexperiment (mit dem
Wuerfel p = 1/6); 1 – p  Wahrscheinlichkeit fuer einen Fehlversuch im
Einzelexperiment.
Interessant wird in n Einzelexperimenten r Treffer zu erreichen.

Beweis:
Der Treffer im m – ten Einzelexperiment:

P(Tm) = p
Die Niete im m-ten Versuch:

P(Nm) = 1 – p
Wahrscheinlichkeit fuer r Treffer in einem Elementarereignis {(a1, …, an)}:
J – Indexmenge fuer a mit aj = 1; card (J) = r

Die Wuerfe stochastisch unabhaengig sind 

Sei

 es gibt Kombinationen mit r – mal “1” und (n – r) – mal

“0” auf die n Versuche.
