Sie sind auf Seite 1von 51

Sammelsurium für Wahrscheinlichkeitsrechnung

thomas weise

Inhaltsverzeichnis

1 GRUNDLAGEN

4

1.1 Begriffe

4

1.2 Wahrscheinlichkeit nach Bernoulli (1713)

5

1.3 Die messtechnische Methode von Richard von Mises (1919)

5

1.4 Das Kolmogorovsche Axiomensystem

7

1.5 kontinuierliche Wahrscheinlichkeit

10

 

1.5.1

geometrische Wahrscheinlichkeit

10

1.6

Kombinatorik

15

1.7

Bedingte Wahrscheinlichkeit

15

1.8

Totale Wahrscheinlichkeit

18

1.9

Satz von Bayes

22

2 ZUFALLSVARIABLE

24

2.1

Ersetzungen im Wahrscheinlichkeitsraum

27

2.2

Verteilungsfunktion

28

2.2.1 Eigenschaften der Verteilungsfunktion

29

2.2.2 Verteilungsfunktionen für diskrete Zufallsvariablen

30

2.2.3 Verteilungsfunktion für kontinuierliche Zufallsvariablen

30

2.3

Wahrscheinlichkeitsdichtefunktion

31

2.3.1 Wahrscheinlichkeitsdichtefunktion für diskrete Zufallsvariablen

31

2.3.2 Wahrscheinlichkeitsdichtefunktion für kontinuierliche Zufallsvariablen . 34

2.4 Zufallsvariablenvektoren und mehrdimensionale Verteilungen

36

2.5 Beschreibung von Zufallsvariablen

38

2.6 Momente von Zufallsvariablen

39

2.6.1

für eine Zufallsvariable X

39

2.6.2

für zwei Zufallsvariablen X 1 und X 2

40

2.6.3

Rechnen mit der Kovarianz und Erwartungswert

41

2.6.4

Beschreibungsparameter vektorieller Zufallsgrößen

41

3 INTEGRALRECHNUNG

43

4 DIFFERENTIALGLEICHUNGEN

44

5 PERMUTATIONEN UND KOMBINATIONEN

45

6 WAHRSCHEINLICHKEITEN

45

Thomas Weise

- 2 -

weise@vs.uni-kassel.de

7

ERWARTUNGSWERT UND VARIANZ

45

8 MOMENTE

46

9 EINIGE VERTEILUNGEN

47

10 MEHRERE VERTEILUNGEN

49

11 GRENZWERTBETRACHTUNGEN

49

12 O-NOTATION

50

13 SPEZIELLE FORMELN/SUMMEN/FOLGEN/REIHEN

51

Thomas Weise

- 3 -

weise@vs.uni-kassel.de

1

Grundlagen

1.1

Begriffe

Definition 1.1: Zufallssituation Zufallssituationen sind beliebig oft wiederholbar, ihre Ergebnisse können nicht vorhergesagt werden.

Definition 1.2: Elementarereignis Die möglichen Ergebnisse eines Zufallsexperiments nennt man Elementarereignisse bzw. Stichproben ω .

Definition 1.3: Ereignisraum Die Menge aller Elementarereignisse/Stichproben bilden den Ereignis-/Stichprobenraum Ω .

{

Ω= ω

i

:

i

1

N

}

Beispiel 1.1 – Würfel:

{

Ω = ω ,,,,,ωωωωω

123456

}

, wobei

ω i Zahl i gewürfelt.

(1.1)

Definition 1.4: zufälliges Ereignis Ein zufälliges Ereignis ist eine Teilmenge A der Ereignismenge Ω . ( A Ω) . Wenn ω A eingetreten ist, so ist A eingetreten.

Definition 1.5: sicheres Ereignis Das sichere Ereignis ist Ω .

Definition 1.6: unmögliches Ereignis Das unmögliche Ereignis ist .

Definition 1.7: unvereinbare Ereignisse A und B heißen unvereinbar, wenn A B = ∅ gilt.

Thomas Weise

- 4 -

(1.2)

weise@vs.uni-kassel.de

1.2

Wahrscheinlichkeit nach Bernoulli (1713)

Unter der Annahme, dass kein Vorwissen existiert, muss man von der Gleichwahrscheinlichkeit der Elementarereignisse ausgehen. Alle Elementarereignisse eines Wahrscheinlichkeitsraumes sind gleichwahrscheinlich, wenn

P

(

ω

)

=

1

N

:

ω ∈Ω gilt. (Laplace-Annahme)

Unter dieser Annahme lässt sich die Wahrscheinlichkeit des Ereignisses A wie folgt festlegen:

P

(

A

)

Anzahl günstiger Ereignisse für A

=

Anzahl möglicher Ereignisse

== n

n

A

H

(

An ,

)

(1.3)

1.3 Die messtechnische Methode von Richard von Mises (1919)

Die (statistische) Wahrscheinlichkeit

Grenzwert der relativen Häufigkeit H des Ereignisses A. Dies ist der Grenzwert des Quotienten aus der Anzahl günstiger Ereignisse für A und der Anzahl der Gesamtereignisse für unendlich viele Durchführungen.

als das Ergebnis eines Messprozesses ist der

P

(

A

)

P

(

A

)

=

lim

H

(

,

An

)

=

lim

 

n

→∞

n

→∞

n

A

n

Eigenschaften der relativen Häufigkeit:

1)

0 H ( An,1)

2)

H (Ω, n) = 1

3)

A

B

=∅⇒

H

(

A

Bn ,

)

=

+

nn

AB

n

A

n

B

n

=

+

nn

 

(1.4)

(1.5)

(1.6)

=

H

(),,()

An

+

H

Bn

(1.7)

Diese Rechenregeln bilden die Grundlage für Kolmogorov’s Axiomsystem.

Beispiel 1.2 – Ausschuss:

Gegeben sei die folgende Tabelle, die die Anzahl von Ausschussteilen n A bei einem bestimmten Produktionsumfang n darstellt.

Teile gesamt

Ausschuss

rel. Häufigkeit

n

n

H ( An,

A

 

3

5

10

20

30

40

50

0

1

3

3

8

9

11

)

0

0,2

0,3

0,15

0,27

0,23

0,22

Man kann leicht ablesen, dass die Wahrscheinlichkeit, dass ein neues Teil Ausschuss ist, etwa 0,2 beträgt.

Thomas Weise

- 5 -

weise@vs.uni-kassel.de

Definition 1.8: Potenzmenge

Die Potenzmenge {

x : xZ

}

= P

(

Z

)

ist die Menge aller Teilmengen x einer Menge Z.

Definition 1.9: σ-Algebra Eine Teilmenge S der Potenzmenge

oder Ereignisfeld (in Ω ), wenn sie folgende Eigenschaften erfüllt:

(

P Z

)

bzw. ein abstraktes Mengensystem heißt σ -Algebra

1)

Ω∈S,∅∈S

2)

A∈⇔∈S

AS

3)

A∈∧∈⇒SBS

ABS∪∈

4)

ASBS∈∧∈⇒ A ∩∈BS

A

i

A

i

∈=

Si

:

∈=

Si

:

1, 2,

1,2,

,

,

n

n

i

n

= 1

n

i = 1

A

i

A

i

 

(1.8)

(1.9)

S

(1.10)

S

(1.11)

Herleitung von 1.11 aus 1.10 und 1.9:

A∈∧∈⇒∈∧∈⇒SBS

ASBS

A∪∈⇒BS

ABS∪∈⇒ ABS∩∈

Herleitung von 1.8 (2. Teil) aus 1.9:

⇒∅∈

Ω∈SSS⇒Ω∈

Definition 1.10: Wahrscheinlichkeitsraum

Ein Wahrscheinlichkeitsraum oder ein zufälliges Experiment wird definiert durch das folgende

Tripel

(1.12)

Es umfasst

(Ω, S, P)

eine Menge von Ereignissen Ω

eine σ-Algebra S, die bestimmte Ereignisse innerhalb des Ereignisraums Ω

definiert

)

Wahrscheinlichkeit, d.h. eine Wahrscheinlichkeit für das Auftreten des

Ereignis eine

ein Wahrscheinlichkeitsmaß

P

(

A

,

das

zu

jedem

Ereignisses A festlegt.

Thomas Weise

- 6 -

weise@vs.uni-kassel.de

1.4

Das Kolmogorovsche Axiomensystem

Eine Abbildung P, die jedem Elementarereignis A eine reelle Zahl zuordnet, heißt Wahrscheinlichkeit(-smaß), wenn für eine σ -Algebra S auf Ω gilt:

Die Wahrscheinlichkeit jedes Ereignisses liegt zwischen 0 und 1:

1)

∀∈A

(

S 0 PA

)

1

(1.13)

Die Wahrscheinlichkeit des sicheren Ereignisses ist 1.

2)

P

(

Ω

)

= 1

(1.14)

Für jede Folge sich paarweise ausschließender Ereignisse A i gilt, dass die Wahrscheinlichkeit ihrer Vereinigungsmenge A gleich der Summe ihrer Einzelwahrscheinlichkeiten ist.

3)

disjunkte A

i

S

∈⇒

P

(

A

)

=

P

(

i

A

ii (

i

)

=

P

A

)

Aus diesen Axiomen folgt unter anderem:

a)

P

(

)

= 0

b) PA ) =1PA

c)

d)

(

(

(

(

)

()

)

(

PA∩=B

PA ∪=B

)

)

PA PAB

)

(

(

(

)

PA + PB PA B

Thomas Weise

)

- 7 -

(1.15)

(1.16)

(1.17)

(1.18)

(1.19)

weise@vs.uni-kassel.de

Beispiel 1.3 – Münzwurf:

Wir wollen ein so genanntes „Sequenzereignis“ betrachten. Dazu werfen wir eine Münze mehrfach hintereinander. Wir überlegen zuerst, welche Möglichkeiten es dafür gibt. Das kann man gut mit einem Baumdiagramm tun:

n=1 n=2 n=3 n=4 Abbildung 1 Baumdiagramm eines mehrfachen Münzwurfs
n=1
n=2
n=3
n=4
Abbildung 1 Baumdiagramm eines mehrfachen Münzwurfs

Offenbar sind in der n-ten Verzweigung genau 2 n Blätter zu finden. Also ist die

Wahrscheinlichkeit für genau einen Pfad

1

2

n

(

= P = PA

n

n

)

.

Wollen wir also die Frage beantworten „Mit welcher Wahrscheinlichkeit tritt das Ereignis A n ein, dass bei n-maligem Werfen das erste Mal Zahl (Z) genau beim n-ten Wurf auftritt?“, so muss die Antwort also genau lauten:

P

(

A

n

)

=

1

2

n

(1.20)

Wir wollen nun die Punkte 2) und 3) der „Kolmogorovschen Wahrscheinlichkeit“ prüfen.

2)

3)

P

(

Ω

)

= 1

disjunkte A

i

S

∈⇒

P

(

A

)

=

P

(

i

A

ii (

i

)

=

P

A

)

Dazu betrachten wir das komplett zusammengesetzte Ereignis

Thomas Weise

- 8 -

Ω =

n =∞

j

=

1

A

j

.

(1.14)

(1.15)

weise@vs.uni-kassel.de

Das entspricht der Frage: „Mit welcher Wahrscheinlichkeit tritt beim n-maligem Werfen das erste Mal Zahl Z beim n-ten Wurf auf?“, wobei n beliebig/unendlich ist. Denn Zahl kann auch erst bei unendlich vielen Würfen auftreten. Es ist also so, als könne man unendlich oft probieren. Stellt man sich diese Frage für z.B. n = 5, d.h. fünfmaligem Werfen, dann könnte Zahl das erste Mal beim 1., 2., 3., 4. oder 5. Mal oder gar nicht auftreten, andere Möglichkeiten gibt es nicht.

Zurück aber zu n = ∞ und

P

(

)

Ω=

P

j = 1

A

j

=

Aus 1.20 folgt dann:

P

(

)

Ω=

=

1

j

(

PA

j

)

=

j = 1

(

PA

j

)

laut 1.15, Seite 7.

∞∞

∑∑ 1

=

2

j

jj 11

==

(

2

1

)

j

Hierbei handelt es sich offenbar um eine geometrische Reihe, und für die gilt:

∀<

qq

1:

j

=

0

j

Damit folgt:

P

(

)

Ω=

j

= 1

(

1

2

)

=

1

1

q

=

1

j

j

=

1

1

1

2

−=

1

q

1

j

1

2

=

11

0

q

=

11 −− qq

−= 1

211 −=

1

(1.21)

Offenbar haben wir also unsere A n und dann den Zusammenhang zu Ω korrekt definiert. Bei unendlich oftmaligem Münzwurf ist die Wahrscheinlichkeit, dass Zahl auftritt, gleich 1. Auf dieser Rechnung aufbauend wollen wir nun zwei ähnliche Fragen beantworten:

a) Mit welcher Wahrscheinlichkeit tritt beim n-maligem (beliebig, unendlich) Werfen der Münze das erste Mal Zahl Z bei einer geradzahligen Wurfnummer auf?

b) Mit welcher Wahrscheinlichkeit tritt beim n-maligem (beliebig, unendlich) Werfen der Münze das erste Mal Zahl Z bei einer ungeradzahligen Wurfnummer auf?

Lösung zu a) – „geradzahlige Wurfnummer“

Man darf nicht alle Ereignisse A j addieren, sondern nur die geradzahligen:

B

g

=

j

= 1

A

2

j

()

PB

g

=

=

1

j

Thomas Weise

(

PA

2

j

)

=

∞∞

∑∑ 1

=

2

2 j

jj == 11

(

4

1

)

j

=

11

−= 1

1

1

4

3

4

- 9 -

−= 1

413

−=

33

3

weise@vs.uni-kassel.de

Lösung zu b) – „ungeradzahlige Wurfnummer“

Man darf nicht alle Ereignisse A j addieren, sondern nur die ungeradzahligen:

B

u

=

j = 1

A

2

j +

u )

(

PB

=

j

=

0

1

(

PA

2

j +

1

)

=

∞∞

∑∑ 1

=

2

2

j +

1

00

jj

==

(

2

1

)

21

j

+

=

1

2

j

=

0

(

1

2

)

2

j

=

1

1

11

=

21

1

4

2

3

4

14

==

2

23

3

Offensichtlich ergänzen sich die beiden Ereignisse zu Ω , deshalb muss die Summe ihrer Wahrscheinlichkeiten nach Formel 1.14, Seite 7 genau 1 ergeben.

(

PB

g

)

(

+ PB

u

)

(

== P Ω

1

)

1.5 kontinuierliche Wahrscheinlichkeit

Die Anzahl der Elementarereignisse wird bei Kontinuierlichkeit unendlich groß. Bei Experimenten mit abzählbar unendlich vielen Elementarereignissen können alle Ereignisse gebildet werden, dies Entspricht dann der Potenzmenge, der Menge aller Teilmengen. Für überabzählbar unendlich viele kann die Potenzmenge nicht gebildet werden.

1.5.1

geometrische Wahrscheinlichkeit

 

Die

geometrische

Wahrscheinlichkeit

ist

eine

kontinuierliche

Wahrscheinlichkeit

mit

den

Voraussetzungen:

1)

Ω lässt sich als geometrisches Gebilde mit endlichem Inhalt darstellen

2)

Teilmengen

von

Ω

mit

gleichem

Inhalt

sind

gleiche

Wahrscheinlichkeiten

zugeordnet.

Für die geometrische Wahrscheinlichkeit gilt:

P

(

A

)

Thomas Weise

für A günstige Fläche

=

Gesamtfläche

- 10 -

(1.22)

weise@vs.uni-kassel.de

Beispiel 1.4 – Glücksrad: gelb 4 rot weiß 16 7 grün 9
Beispiel 1.4 – Glücksrad:
gelb
4
rot
weiß
16
7
grün
9

Abbildung 2 Glücksrad

Gegeben sei in vierfarbiges Glücksrad, bei dem die Farben rot :

gelb : weiß : grün im Verhältnis 16:4:7:9 auftreten.

Das Ereignis A sei definiert als „Zeiger bleibt auf rot stehen“.

Zwei grundlegende Herangehensweisen sind möglich:

Bei der diskreten Herangehensweise über die Fläche teilt man die für das Auftreffen des Zeigers günstige Fläche durch die Gesamtfläche.

günstige:

mögliche:

P

(

A

)

=

= N = 16 +++=4

N

16

A

7

9

16

N 4

A

N

==

36

9

36

Bei der kontinuierlichen Herangehensweise über den Kreisbogen stellt man sich vor, dass die Zeigerspitze auf einem Punkt des Umfangs stehen bleibt.

Für Kreissektoren gelten die Formeln:

Bogenlänge:

L

=

2

π

r

Sektorfläche

Kreisfläche

Umfang:

u = 2π r

P

(

A

)

=

Länge Bogen L

 

16

2

π

r

=

36

Umfang Kreis u

2

π

r

 

16

==

4

36

9

(1.23)

(1.24)

Die Aufteilung muss nicht durch Flächenverhältnisse gegeben sein, sondern kann irgendwie

2 durch den Maler so entstanden sein, dass z.B. L = 2π r gilt. 2
2
durch den Maler so entstanden sein, dass z.B.
L =
2π r gilt.
2
2
Länge Bogen L
2
π
r
P
(
A
)
2
=
=
===
2 1
irrationale Zahl
2 2
Umfang Kreisu
2
π r

Eine wichtige Eigenschaft der geometrischen Wahrscheinlichkeit ist also, dass sie im Gegensatz zur Bernoulli-Wahrscheinlichkeit auch irrationale Zahlen annehmen kann. Durch die Teilung von Ereignisanzahlen können bei der Bernoulli-Wahrscheinlichkeit nur gemeine Brüche, also rationale Zahlen entstehen.

Thomas Weise

- 11 -

weise@vs.uni-kassel.de

Beispiel 1.5 – quadratische Zielscheibe:

A a
A
a

2

a

2

a

a

Abbildung 3 quadratische Zielscheibe

gegeben:

Seitenlänge a

gesucht: Die Wahrscheinlichkeit, dass ein

zufällig abgegebener Schuss in das Feld A trifft. (Es sei vorausgesetzt, dass der Schuss die Zielscheibe trifft.)

Wieder sind zwei Herangehensweisen möglich:

Bei der diskreten Herangehensweise nutzt man die Erkenntnis, dass alle Dreiecke gleichgroß sind und das Quadrat vollständig bedecken. Damit gibt es ein günstiges Ereignis (Dreieck A getroffen) von insgesamt acht möglichen Ereignissen (irgendein Dreieck getroffen).

P

(

A

)

=

N

A

N

=

1

8

Bei der kontinuierlichen Herangehensweise nutzt man den Flächeninhalt:

P

(

A

)

Flächeninhalt von A

=

=

Flächeninhalt gesamt

Thomas Weise

1

a

a

222

a

*

a

a

2

8

==

2

a

1

8

- 12 -

weise@vs.uni-kassel.de

Beispiel 1.6 – Bertrandsches Paradoxon:

C r a l M A B
C
r
a
l
M
A
B

Abbildung 4 Bertrandsches Paradoxon 1

Flächeninhalt eines Kreises:

Umfang eines Kreises:

A = π r

2

u

= 2π r

Gegeben ist ein Kreis mit dem Radius r. Im

Kreis ist ein gleichseitiges Dreieck enthalten dessen Eckpunkte allesamt auf dem Kreis liegen. Gesucht ist die Wahrscheinlichkeit,

dass eine zufällig gewählte Sehne l länger ist als eine Seite a des Dreiecks.

(1.25)

(1.24)

Alle Seitenhalbierenden, Winkelhalbierenden und Höhen fallen im gleichseitigen Dreieck zusammen. Sie schneiden sich im Verhältnis 1:2. Der Innen- und der Umreis haben denselben Mittelpunkt.

(2) C (1) a M r A B
(2)
C
(1)
a
M
r
A
B

Abbildung 5 Bertrandsches Paradoxon 2

Ansatz 1:

Schneidet eine Sehne den Innenkreis, so ist sie auf jeden Fall länger als die Dreiecksseiten

(1). Berührt sie ihn nicht, so ist sie garantiert kürzer (2). Das motiviert die Verwendung der

Kreisflächen zur Berechnung der Wahrscheinlichkeit.

Setzen wir also die Flächen des Innenkreises und des Umkreises ins Verhältnis, um die Wahrscheinlichkeit zu bestimmen, so erhalten wir folgende Gleichung:

P

(

A

)

Thomas Weise

=

A

Innenkreis

A

Umkreis

π

(

r

2

) 2

==

π

r

2

1

4

- 13 -

weise@vs.uni-kassel.de

C a l A B
C
a
l
A
B

Ansatz 2:

Wählen wir als Sehnen diejenigen durch Punkt A und legen ihren Verlauf so fest, dass ihr zweiter Schnittpunkt mit dem zwischen B und C liegt, so sind sie länger als Seite a. In den anderen beiden Bereichen des Umkreises (zwischen A und B bzw. A und C) ist die Sehnenlänge kürzer als a.

Abbildung 6 Bertrandsches Paradoxon 3 In diesem Falle werden also die Abschnitte des Umkreises zur Berechnung verwendet.

P

(

A

1 2 π ) u über A r 1 3 = == 3 u 2
1
2
π
)
u über A
r 1
3
=
==
3
u
2
π r
gesamt
C
R
D
M
A
B

Abbildung 7 Bertrandsches Paradoxon 4

Ansatz 3:

Wir konstruieren eine Gerade als Verlängerung der Mittelsenkrechten von a. Wir betrachten nun nur die Strecke zwischen dem Kreismittelpunkt M und dem Radiuspunkt R. Konstruieren wir eine Sehne parallel zu a, so sind offensichtlich alle Sehnen, die die

die

anderen nicht.

Strecke

MD

schneiden,

länger

als

a,

Da außerdem

die möglichen Strecken beziehen, an denen der Schnitt mit der Sehne erfolgt.

DR = MD =

1 2 r ist, kann man im 3. Ansatz die Wahrscheinlichkeit nunmehr auf

P

(

A

)

MD

=

MR

1

2

r 1

2

==

r

Wie man sieht, ergeben die drei Ansätze verschiedene Lösungen. Paradox.

Thomas Weise

- 14 -

weise@vs.uni-kassel.de

1.6

Kombinatorik

Die folgenden Formeln geben die Anzahl der möglichen Versuchausgänge beim Ziehen von n Elementen aus einer Grundgesamtheit von M Elementen unter bestimmten Bedingungen wieder.

Ziehen mit Zurücklegen, geordnete Ergebnismenge

Ziehen mit Zurücklegen, ungeordnete Ergebnismenge

Ziehen ohne Zurücklegen, geordnete Ergebnismenge

Ziehen ohne Zurücklegen, ungeordnete Ergebnismenge

1.7 Bedingte Wahrscheinlichkeit

M

n

M

+

n

n

(

M !

M

n

)

M

n

1

!

(1.26)

(1.27)

(1.28)

(1.29)

Als bedingte Wahrscheinlichkeit bezeichnet man die Wahrscheinlichkeit für das Auftreten von Ereignis A bedingt durch oder unter der Voraussetzung, dass das Ereignis B erfüllt ist.

PAB

(

|

)

Thomas Weise

=

(

PA

B

)

P

(

B

)

oder

PBA

(

|

)

=

(

PA

B

)

P

- 15 -

(

A

)

(1.30)

weise@vs.uni-kassel.de

Beispiel 1.7 – Bauteile:

10000 Teile

B

Firma Y

5%
5%
10%
10%

A

Firma X

7000 Teile

3000 Teile

Abbildung 8 Bauteile

Wir definieren die drei Ereignisse:

A:

Das Bauteil ist von Firma X.

B:

Das Bauteil ist von Firma Y.

C:

Das Bauteil ist defekt, hat also einen Fehler.

Aus der Grafik können wir nun folgende Wahrscheinlichkeiten bestimmen:

A

P

P

P

( A

( B

(

C

)

)

)

3000

=

=

10000

7000

=

=

(

PA

∩Ω

)

(

PA

)

0,3

0,7

P

P

(

B

(

)

| Ω=

)

| Ω=

=

P (

(

PB

Ω )

∩Ω

)

1

(

PB

)

=

(

Ω )

1

0,065

10000

10%*3000

P

65

==

10000

+ 5%*7000

=

10000

PA∩=C

(

)

PB ∩=C

(

)

(

PC

(

PC

)

| *

A

)

| *

B

PA =

(

)

PB =

(

)

10%*

3000

10000

=

0,03

5%*

7000

10000

=

0,035

Wir stellen uns die Frage „Wie groß ist die Wahrscheinlichkeit, dass ein zufällig ausgewähltes, defektes Teil von Firma X stammt?“ Wir suchen also PAC( | ), was der Schreibweise der Wahrscheinlichkeit nach eher der Fragestellung „Unter der Bedingung/Vorraussetzung, dass ein zufällig ausgewähltes Bauteil fehlerhaft ist, mit welcher Wahrscheinlichkeit ist es dann von der Firma X?“ entspricht.

PAC

(

|

)

Thomas Weise

=

(

PA

C

)

=

0,03

P

(

C

)

0,065

6

=≈

13

0,45

- 16 -

weise@vs.uni-kassel.de

Beispiel 1.8 – Wählergruppen:

Zur Interpretation des Wählverhaltens der Bevölkerung werden folgende Ereignisse definiert:

A 18 :

Wähler ist Person zwischen 18 und 30

B:

Wähler wählt eine bestimmte Partei (SPD)

Gegeben sind folgende Angaben:

P

P

(

(

(

18

B

)

= 0, 2

= 0,4

)

A

)

PBA|

18

= 0,6

Wir wissen also, dass die Wahrscheinlichkeit, dass ein Wähler die SPD wählt, gleich 0.6 ist, unter der Bedingung dass er/sie zwischen 18 und 30 Jahren alt ist.

Nun wird aber die umgekehrte Frage gestellt: Unter der Bedingung, dass ein Wähler SPD gewählt hat, wie groß ist dann die Wahrscheinlichkeit, dass er/sie zwischen 18 und 30 Jahren alt ist?

Das ist PA ( | B ) . 18 PBA| ( )() *PA = PB
Das ist
PA
(
| B
)
.
18
PBA|
(
)()
*PA
= PB ∩ A
(
)
= PA
(
∩=B
)
PA
(
|*B
)
PB
(
)
18
18
18
18
18
also gilt:
PBA
(
|
)()
*
PA
PB
(
∩ A
)
0,6*0, 2
PA
(
18
18
18
|
B
)
=
=
==
12
0,3
18
(
40
P
B
)
0, 4
Alters-
grenze:
B
SPD
A18

Thomas Weise

Abbildung 9 Wahlbeispiel 1

- 17 -

weise@vs.uni-kassel.de

1.8

Totale Wahrscheinlichkeit

Sind die Ereignisse A 1 , A 2 , …, A n paarweise unvereinbar, d.h.

AA

i

j

=∅

ij

und spannen diese das sichere Ereignis Ω auf

AA

1

2

A

n

=

i

n

=

1

A

i

dann gilt für ein beliebiges Ereignis B mit

n

A

i

B

(

AA

1

2

A

n

)

=

i = 1 die totale Wahrscheinlichkeit n PB ( ) = ∑ PBA ( |
i =
1
die totale Wahrscheinlichkeit
n
PB
(
)
= ∑
PBA
(
|
)
*
PA
()
i
i
i
= 1
Ω
B

Abbildung 10 totale Wahrscheinlichkeit 1

Ω

 

(1.31)

(1.32)

(1.33)

(1.34)

Die Wahrscheinlichkeit für

P

(

B

)

folgt z.B.

aus der Anzahl günstiger Versuchsausgänge

N

B

für B und der aller möglicher N.

P

(

B

)

=

N

B

N

Ist aber über B selbst nichts bekannt, dann kann man eventuell die Partitionierung von Ω

und die Wahrscheinlichkeit von B in diesen Teilen verwenden.

Kennt man dann in jeder Teilmenge A i die A5 A4 Wahrscheinlichkeit von B, also
Kennt man dann in jeder Teilmenge A i die
A5
A4
Wahrscheinlichkeit von B, also
PB ∩ A
(
)
i
A1
B
und beachtet außerdem, dass Ω nur aus diesen
n
A3
A i besteht
Ω =
A ⎠ ⎟ ,
dann
ist
auch
i
A2
i
=
1
n
B
=
(
B
A
)
und also
i
Abbildung 11 totale Wahrscheinlichkeit 2
i
=
1
n
PB
(
A
)
PB
(
)
=
PB
(
)
(
)
i
A
mit
PBA
|
=
folgt dann 1.34.
i
i
P
(
A
)
i
=
1
i

Thomas Weise

- 18 -

weise@vs.uni-kassel.de

Beispiel 1.9 – Gesamtwähler

Ähnlich wie bei der Betrachtung der einzelnen Wählergruppen (A 18 ) im vorigen Beispiel, betrachten wir hier das Mengendiagramm der Wähler.

A

1

A

2

A

3

A

4

=

=

=

=

A

18

30

A

A

30

40

40

60

A

60

+

P

P

P

P

(

(

(

(

A

1

A

2

A

3

A

4

A4 ) = 0,2 A2 ) A3 = 0,3 B ) = 0,3 SPD A1
A4
)
= 0,2
A2
)
A3
= 0,3
B
)
= 0,3
SPD
A1
)
= 0,2

Abbildung 12 Wahlbeispiel 2

B Wähler einer bestimmten Partei, z.B. SPD

Unter der Bedingung, dass A i vorliegt, wie groß ist dann die Wahrscheinlichkeit, dass auch B vorliegt?

PBA

i

(

|

)

=

(

PB

A

i

)

P

(

A

i

)

also ist

PBA

(

|

PA

ii

)

(

)

(

= PB A

i

)

.

Außerdem sei gegeben:

(

PBA|

1

)

= 0,6

(

PBA|

2

)

= 0,5

(

PBA|

3

)

= 0, 2

(

PBA|

4

)

= 0,3

Betrachtet man dazu die obige Skizze, so ist leicht einzusehen, dass sich die Menge B aus der

Vereinigung der „Tortenstücke“ zusammengesetzt ist, die jeweils (

Man kann also mit obiger Definition von B ausrechnen, wie die Gesamtwahrscheinlichkeit ist, dass ein Wähler die bestimmte Partei (B = SPD) wählt.

B A

i

)

sind.

B

=

i

n

=

1

(

B

A

i

)

(

, somit PB

)

=

n

=

1

i

(

PB

A

i

)

und damit

(

PB

)

n

=

i

=

1

PBA

i

(

|

)

*

()

PA

i

Am Bespiel gilt dann:

PB =+PBA

PA

11

(

)

(

||

)(

)

PBA

2

(

)

(

PA

2

)

++PBA

3

PA

3

(

|

)

(

)

PBA

4

(

|

)(

PA

4

=

0,6*0,2

+

0,5*0,3

+

0,2*0,3

0,15

=+++

0,12

0,06

0,24

0,15

+=

0,39

)

Thomas Weise

- 19 -

weise@vs.uni-kassel.de

Beispiel 1.10 – Übertragungskanal

Dies ist ein Beispiel für das Zusammenspiel von bedingter und totaler Wahrscheinlichkeit. Auf einem Übertragungskanal zur Übermittlung binär (0, 1) kodierter Daten können Fehler auftreten, wenn ein übertragenes Zeichen nicht richtig erkannt wird.

Gegeben:

Das Zeichen 1 wird mit Wahrscheinlichkeit 0,95 richtig übertragen. Das Zeichen 0 wird mit Wahrscheinlichkeit 0,92 richtig übertragen. Außerdem sind 45% aller übertragenen Zeichen 0en und 55% der Zeichen 1.

Gesucht:

Wie groß ist die Wahrscheinlichkeit dafür, dass ein Übertragungsfehler auftritt?

Lösung:

“1 gesendet” “1 empfangen”

(

)

= 0,55 ,

P

PB | A

(

A

1

1

1

)

P

(

= 0,95 ,

A

2

)

(

= 0,45

0

| A

1

)

PB

A1: 1 1 B1 A0: 0 0 B0 “0 gesendet” “0 empfangen”
A1:
1
1
B1
A0:
0
0
B0
“0 gesendet” “0 empfangen”

Abbildung 13 binärer Übertragungskanal

= 0,05 ,

(

PB

0

| A

0

)

= 0,92 ,

(

PB | A

1

0

)

= 0,08

Es gibt zwei Fehlerfälle, die logisch so zu beschreiben sind:

FF=

1

Thomas Weise

F 1 ) F 2 )

„1 gesendet“ und „0 empfangen“ „0 gesendet“ und „1 empfangen“

F wobei

2

FAB=

11

0

und

FAB=

001

- 20 -

weise@vs.uni-kassel.de

nach bedingter Wahrscheinlichkeit (Formel 1.30) gilt:

(

PA

1

|

B

0

)

=

(

PA

1

B

0

)

P

(

B

0

)

(

PB

0

|

A

1

)

=

Das multiplizieren wir aus:

PB

(

(

| A

01

PB | A

10

(

)

)(

PA

1

PA

0

)

)

= PB ∩=A

0

1

(

)

= PB ∩=A

1

0

(

)

(

PF

1

)

(

PF

2

)

(

PB

P

0

(

A

1

A

1

)

)

Außerdem war:

FF=

1

F

2

also:

(

PF

(

PF

)

)

= PF

1

= PB

()

(

+ PF

2

| A

01

)

()

(

PA

PF ∩=F

12

1

)

(

)

(

PA

0

1

)

(

)

(

PF

+ PB | A

10

)

(

+ PF

2

)

(

PB

1

|

A

0

)

=

(

PB

P

1

(

A

0

A

0

)

)

… und das ist die Formel der totalen Wahrscheinlichkeit (Formel 1.34, Seite 18) für dieses Problem.

P

(

F

)

Thomas Weise

=+=0,05*0,55

0,08*0,45

0,0635

- 21 -

weise@vs.uni-kassel.de

1.9

Satz von Bayes

In vielen Fällen, in deinen eine bekannte bedingte Wahrscheinlichkeit PBA( | ) bekannt ist, wird

jedoch

die

in

umgekehrter

Reihenfolge

lautende

Rückschlusswahrscheinlichkeit

PAB(

|

)

gesucht.

Thomas

Berechnungsvorschrift entwickelt.

Sie

Wahrscheinlichkeit dar.

Bayes

im

hat

für

die

Umrechnung

Kombination

dieser

aus

Wahrscheinlichkeiten

ineinander

eine

stellt

Grunde

eine

bedingter

Wahrscheinlichkeit

und

totaler

(1.35)

(1.36)

Aus des bedingten Wahrscheinlichkeiten (1.30, Seite 15) zweier Ereignisse B und A i

(

PA

i

erhält man

(

PA

i

|

|

BPB ( ) = PA ∩=B

)

(

i

)

B

)

=

PBA

i

(

|

)(

PA

i

)

P

(

B

)

(