Stochastische Unabhängigkeit und Bernoulli-Experimente

Die stochastische Unabhängigkeit ist ein wichtiges Konzept in der Wahrscheinlichkeitstheorie. Zwei Ereignisse A und B sind stochastisch unabhängig, wenn die Wahrscheinlichkeit des Eintretens von Ereignis B nicht davon abhängt, ob A eingetreten ist oder nicht.

Definition: Stochastische Unabhängigkeit liegt vor, wenn P_B(A) = P(A) und P_A(B) = P(B).

Für stochastisch unabhängige Ereignisse gilt außerdem:

P(A∩B) = P(A) · P(B)

Example: Beim Werfen zweier Würfel sind die Ereignisse "Erster Würfel zeigt eine 4" und "Zweiter Würfel zeigt eine 2" stochastisch unabhängig.

Ein Bernoulli-Experiment ist ein Zufallsexperiment mit nur zwei möglichen Ausgängen: "Treffer" und "kein Treffer". Die Bernoulli Formel beschreibt die Wahrscheinlichkeit für eine bestimmte Anzahl von Treffern bei mehrfacher Wiederholung eines Bernoulli-Experiments:

P$X = k$ = (n k) · p^k · $1-p$^$n-k$

Vocabulary: Der Binomialkoeffizient (n k) gibt die Anzahl der möglichen Wege an, k Treffer aus n Versuchen zu erhalten.

Die Bedingungen für ein Bernoulli-Experiment sind:

1. Zwei mögliche Ergebnisse (Treffer und Nicht-Treffer)
2. Konstante Trefferwahrscheinlichkeit p
3. Stochastische Unabhängigkeit der Versuche

Zufallsgrößen und Erwartungswert

Eine Zufallsgröße X ist eine Zuordnung, die jedem Ergebnis eines Zufallsexperiments eine reelle Zahl zuordnet. Die Wahrscheinlichkeitsverteilung einer Zufallsgröße gibt an, mit welcher Wahrscheinlichkeit die Zufallsgröße bestimmte Werte annimmt.

Der Erwartungswert E(X) einer Zufallsgröße X ist der Mittelwert der Ergebnisse bei mehreren Durchführungen des Experiments. Er berechnet sich wie folgt:

E(X) = x₁ · P$X=x₁$ + x₂ · P$X=x₂$ + ... + xn · P$X=xn$

Highlight: Der Erwartungswert gibt den langfristig zu erwartenden Durchschnitt der Zufallsgröße an.

Example: Bei einem Glücksspiel mit der Wahrscheinlichkeitsverteilung P$X=1$ = 0,3, P$X=2$ = 0,3, P$X=3$ = 0,2, P$X=4$ = 0,2 beträgt der Erwartungswert E(X) = 2,3.

Standardabweichung und Varianz

Die Standardabweichung und die Varianz sind Maße für die Streuung einer Verteilung um ihren Erwartungswert.

Die Varianz V(X) einer Zufallsgröße X berechnet sich wie folgt:

V(X) = $x₁ - μ$² · P$X=x₁$ + $x₂ - μ$² · P$X=x₂$ + ... + $xn - μ$² · P$X=xn$

Dabei ist μ = E(X) der Erwartungswert von X.

Die Standardabweichung σ(X) ist die Wurzel aus der Varianz:

σ(X) = √V(X)

Definition: Die Standardabweichung ist ein Maß für die durchschnittliche Abweichung vom Mittelwert.

Beide Kenngrößen, Varianz und Standardabweichung, sind wichtige Instrumente zur Beschreibung der Streuung einer Wahrscheinlichkeitsverteilung und finden in vielen Bereichen der Statistik und Wahrscheinlichkeitstheorie Anwendung.

Die fünfte Seite führt das Konzept der Zufallsgröße und des Erwartungswerts ein. Eine Zufallsgröße X ordnet jedem Ergebnis eines Zufallsexperiments eine reelle Zahl zu.

Definition: Die Wahrscheinlichkeitsverteilung einer Zufallsgröße X ordnet jedem möglichen Wert x die Wahrscheinlichkeit P$X=x$ zu.

Der Erwartungswert E(X) einer Zufallsgröße wird als gewichteter Mittelwert der möglichen Werte definiert:

Formel: E(X) = x₁ · P$X=x₁$ + x₂ · P$X=x₂$ + ... + xn · P$X=xn$

Highlight: Der Erwartungswert gibt den langfristig zu erwartenden Durchschnitt der Zufallsgröße an.

Ein Beispiel für ein Glücksspiel wird präsentiert, um zu zeigen, wie man den Erwartungswert berechnet und interpretiert. Es wird erklärt, dass ein Glücksspiel als fair gilt, wenn der Einsatz genau dem Erwartungswert entspricht.

Die sechste Seite behandelt die Konzepte der Varianz und Standardabweichung. Diese Kenngrößen messen die Streuung einer Verteilung um ihren Erwartungswert.

Definition: Die Varianz V(X) einer Zufallsgröße X ist die durchschnittliche quadratische Abweichung vom Erwartungswert μ = E(X).

Die Formel für die Varianz wird präsentiert:

Formel: V(X) = $x₁ - μ$² · P$X=x₁$ + $x₂ - μ$² · P$X=x₂$ + ... + $xn - μ$² · P$X=xn$

Highlight: Die Standardabweichung σ(X) ist die Wurzel aus der Varianz: σ(X) = √V(X)

Es wird betont, dass sowohl Varianz als auch Standardabweichung ein Maß für die Streuung der Verteilung um ihren Erwartungswert sind. Diese Kenngrößen sind besonders wichtig, um die Zuverlässigkeit von Vorhersagen und die Stabilität von Zufallsprozessen zu beurteilen.

Bedingte Wahrscheinlichkeit und Stochastische Unabhängigkeit

Die bedingte Wahrscheinlichkeit ist ein fundamentales Konzept in der Stochastik. Sie beschreibt die Wahrscheinlichkeit, dass ein Ereignis A eintritt, unter der Bedingung, dass ein anderes Ereignis B bereits eingetreten ist.

Die Bedingte Wahrscheinlichkeit Formel lautet:

P(A|B) = P(A∩B) / P(B)

Diese Formel kann auch als P_B(A) geschrieben werden.

Definition: Die bedingte Wahrscheinlichkeit P(A|B) ist die Wahrscheinlichkeit, dass Ereignis A eintritt, wenn Ereignis B bereits eingetreten ist.

Es gibt verschiedene Darstellungsmöglichkeiten für bedingte Wahrscheinlichkeiten:

1. Baumdiagramm
2. Vierfeldertafel

Highlight: Baumdiagramme und Vierfeldertafeln sind nützliche Werkzeuge zur Visualisierung und Berechnung bedingter Wahrscheinlichkeiten.

In einem Baumdiagramm werden die Wahrscheinlichkeiten entlang der Äste multipliziert, während in einer Vierfeldertafel die Wahrscheinlichkeiten in den entsprechenden Feldern abgelesen werden können.

Example: In einer Urne befinden sich 5 rote und 4 orangene Kugeln. Die Wahrscheinlichkeit, dass die zweite gezogene Kugel rot ist, wenn die erste Kugel orange war, beträgt P_B(A) = 5/8 = 62,5%.