Grundbegriffe der Wahrscheinlichkeit

Wahrscheinlichkeit ist eigentlich ganz logisch: Sie liegt immer zwischen 0 und 1, wobei P(S) = 1 bedeutet, dass irgendein Ereignis zu 100% eintritt. Die absolute Häufigkeit zählt einfach, wie oft etwas passiert, während die relative Häufigkeit das Verhältnis angibt: h = k/n.

Bei den Lagemaßen kennst du bestimmt schon das arithmetische Mittel - alle Werte addieren und durch die Anzahl teilen. Der Median ist der Wert in der Mitte, wenn du alle Zahlen sortierst. Der Modalwert kommt am häufigsten vor.

Streumaße zeigen dir, wie weit deine Daten auseinanderliegen. Die Varianz misst die durchschnittlichen quadratischen Abweichungen vom Mittelwert, die Standardabweichung ist einfach die Wurzel daraus.

Merke: Bei gerader Anzahl von Werten ist der Median das arithmetische Mittel der beiden mittleren Werte!

Ein Zufallsexperiment hat mehrere mögliche Ergebnisse, die du nicht vorhersagen kannst - wie beim Würfeln mit S = {1,2,3,4,5,6}.

Laplace-Experimente und mehrstufige Zufallsexperimente

Laplace-Experimente sind die fairsten Experimente überhaupt - alle Ergebnisse haben die gleiche Wahrscheinlichkeit! Die Formel ist super einfach: P = günstige Ergebnisse / mögliche Ergebnisse.

Mehrstufige Zufallsexperimente bestehen aus mehreren einzelnen Experimenten. Hier helfen dir Baumdiagramme enorm - jeder Pfad entspricht genau einem Ergebnis.

Die Pfadregeln sind dein Werkzeug: Mit der Produktregel multiplizierst du die Wahrscheinlichkeiten entlang eines Pfades. Mit der Summenregel addierst du verschiedene Pfade, die zum gleichen Ergebnis führen.

Tipp: Zeichne immer ein Baumdiagramm - es macht komplexe Aufgaben viel übersichtlicher!

Vierfeldertafeln organisieren zwei Ereignisse A und B übersichtlich. Sie zeigen alle Kombinationen: A∩B, A∩B̄, Ā∩B und Ā∩B̄. Sowohl absolute als auch relative Häufigkeiten lassen sich damit bestimmen.

Bedingte Wahrscheinlichkeit und Unabhängigkeit

Bedingte Wahrscheinlichkeit P(B|A) fragt: "Wie wahrscheinlich ist B, wenn A schon eingetreten ist?" Die Formel P(B|A) = P(A∩B)/P(A) hilft dir bei der Berechnung.

Du kannst dir drei wichtige Formulierungen merken: P(A∩B) für "sowohl A als auch B", P(A|B) für "A von den B" und P(B|A) für "B, wenn A".

Stochastische Unabhängigkeit liegt vor, wenn sich Ereignisse nicht beeinflussen. Dann gilt P(B|A) = P(B) und P(A∩B) = P(A)·P(B). Ein Beispiel ist Kugelziehen mit Zurücklegen.

Eselsbrücke: Unabhängig = "egal was passiert, B bleibt gleich wahrscheinlich!"

Bei Abhängigkeit beeinflusst A das Eintreten von B. Dann ist P(B|A) ≠ P(B), wie beim Kugelziehen ohne Zurücklegen.

Zufallsgrößen ordnen jedem Ergebnis eine Zahl zu. Die Wahrscheinlichkeitsverteilung zeigt, mit welchen Wahrscheinlichkeiten die verschiedenen Werte auftreten.

Erwartungswert, Standardabweichung und Bernoulli-Experimente

Den Erwartungswert μ(X) berechnest du mit μ(X) = Σxi·Pi - er zeigt dir, welcher Wert im Durchschnitt zu erwarten ist. Die Standardabweichung σ(X) misst, wie stark die Werte um μ streuen.

Dein GTR kann beide Werte automatisch berechnen, wenn du die Verteilung in Listen einträgst - das spart Zeit in Klausuren!

Ein faires Spiel erkennst du daran, dass μ des Gewinns = 0 ist. Auf lange Sicht sind Einsatz und Auszahlung gleich groß, oder geringe Gewinnchancen werden durch höhere Gewinne ausgeglichen.

Praxis-Tipp: Lotterien sind nie fair - der Erwartungswert ist immer negativ!

Bernoulli-Experimente haben nur zwei Ausgänge: Treffer (T) mit Wahrscheinlichkeit p oder Fehlschlag (F̄) mit q = 1-p. Eine Bernoulli-Kette wiederholt das Experiment n-mal unabhängig voneinander.

Binomialverteilung

Die Binomialverteilung beschreibt die Trefferanzahl bei Bernoulli-Ketten. Sie ist symmetrisch, wenn p = 0,5 ist - das siehst du sofort am Histogramm!

Für genau k Treffer verwendest du: P$X=k$ = (n über k)·p^k·$1-p$^$n-k$. Der Binomialkoeffizient (n über k) zählt die möglichen Pfade mit k Treffern.

Die Kenngrößen sind praktisch: μ(X) = n·p, Var(X) = n·p·$1-p$ und σ(X) = √$n·p·(1-p)$.

GTR-Hack: Mit binompdf(n,p,k) für genau k Treffer und binomcdf(n,p,k) für höchstens k Treffer sparst du Rechenzeit!

Dein GTR löst Binomialverteilungs-Aufgaben blitzschnell: trials = n, p = Trefferwahrscheinlichkeit, xvalue = k für die gesuchte Trefferanzahl.

Sprache der Stochastik und Zufallsgrößen

Die Übersetzung zwischen Alltagssprache und Mathematik ist entscheidend! "Höchstens k" bedeutet P(X≤k), "mindestens k" ist P(X≥k) = 1-P$X≤k-1$.

Für Bereiche gilt: P(k₁≤X≤k₂) = binomcdf(n,p,k₂) - binomcdf$n,p,k₁-1$. Dein GTR macht diese Rechnungen automatisch.

Diskrete Zufallsgrößen kannst du aufzählen - wie die Anzahl der Sechsen beim Würfeln. Du berechnest Einzelwahrscheinlichkeiten P$X=k$.

Wichtig: Bei stetigen Zufallsgrößen sind Einzelwahrscheinlichkeiten P$X=k$ immer 0!

Stetige Zufallsgrößen nehmen alle reellen Zahlen in einem Intervall an - wie Geschwindigkeiten. Hier berechnest du nur Bereichswahrscheinlichkeiten mit Integralen: P(k₁≤X≤k₂) = ∫f$x$dx.

Normalverteilung

Die Normalverteilung ist die wichtigste stetige Verteilung! Ihre Dichtefunktion beschreibt die berühmte Glockenkurve mit μ als Maximum und σ als Abstand zu den Wendestellen.

Wichtige Eigenschaften: Die gesamte Fläche unter der Kurve ist 1, sie ist symmetrisch zu μ, und σ bestimmt, wie "breit" oder "schmal" die Glocke ist.

Wahrscheinlichkeiten berechnest du als Flächeninhalte: P(X≤a) = ∫ρ$x$dx von -∞ bis a. Dein GTR macht das mit normalcdf(a,b,μ,σ) für Bereiche.

GTR-Tipp: normalcdf für Wahrscheinlichkeiten, invnorm für Werte bei gegebener Wahrscheinlichkeit!

Wenn ein Parameter (μ oder σ) unbekannt ist, setzt du eine Variable ein und löst über Schnittpunkte. Das ist ein häufiger Aufgabentyp in Klausuren!

Approximation und Prognoseintervalle

Stochastische Modelle helfen dir, Zufallsereignisse zu beschreiben. Du musst sie aber immer mit echten Daten vergleichen, um ihre Brauchbarkeit zu prüfen.

Die Normalverteilung approximiert Binomialverteilungen, wenn σ > 3 ist (Laplace-Bedingung). Beide haben dieselben μ und σ, aber die Normalverteilung ist einfacher zu berechnen.

Prognoseintervalle sind symmetrische Bereiche um μ, in die die Trefferanzahl mit bestimmter Wahrscheinlichkeit fällt. Ein 95%-Prognoseintervall bedeutet: 95% der Werte liegen darin.

Praxis: Wenn σ < 3 ist, musst du bei der Binomialverteilung bleiben - keine Approximation möglich!

Dein GTR berechnet Prognoseintervalle mit binomcdf oder durch Schnittpunktprobleme. Bei Normalverteilungen nutzt du die Intervallgrenzen mit den entsprechenden σ-Werten.

Sigma-Regeln

Die Sigma-Regeln geben dir feste Wahrscheinlichkeiten für symmetrische Intervalle um μ an. Sie sind dein Werkzeug für schnelle Abschätzungen ohne GTR!

Die wichtigsten Regeln: 1σ-Umgebung = 68,3%, 2σ-Umgebung = 95,5%, 3σ-Umgebung = 99,7%. Für genau 95% nimmst du 1,96σ.

Bei Binomialverteilungen (wenn σ ≥ 3) rundest du die Intervallgrenzen auf ganze Zahlen: untere Grenze abrunden, obere aufrunden.

Faustregel: 95% liegen in der 2σ-Umgebung - das merkst du dir leicht!

Entscheidungen mit Prognoseintervallen: Liegt ein Wert außerhalb des 95%-Intervalls, ist er "statistisch unverträglich" - aber mit 5% Irrtumswahrscheinlichkeit.

Histogramme

Histogramme stellen Wahrscheinlichkeitsverteilungen als Balkendiagramme dar, wobei die Wahrscheinlichkeit der Fläche entspricht. Die Summe aller Flächen ergibt immer 1.

Bei Binomialverteilungen zeigt die Y-Achse direkte Wahrscheinlichkeiten P$X=x$, die X-Achse einzelne Werte. Jeder Balken hat die Breite 1, deshalb entspricht die Höhe der Wahrscheinlichkeit.

Bei Normalverteilungen teilst du die X-Achse in Klassen mit Breite Δx auf. Die Y-Achse zeigt die Häufigkeitsdichte d = relative Häufigkeit/Klassenbreite.

Wichtig: Bei unterschiedlichen Klassenbreiten ändern sich die Höhen der Balken, aber die Flächeninhalte bleiben korrekt!

Die Flächeninterpretation ist der Schlüssel: P(X≤2) findest du durch Addition aller Balkenflächeninhalte von links bis zum Wert 2. Das macht Wahrscheinlichkeiten visuell greifbar.