Wahrscheinlichkeitsrechnung und Statistik für

Studierende der Informatik

Dozentin: U. Ludwig

WS 20/21

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 1 / 46

1 Grundbegriffe der Wahrscheinlichkeitstheorie
1.1. Grundlegende Begriffe
Wiederholung: Mengenlehre, Funktionen
1.2. Berechnung von Wahrscheinlichkeiten durch kombinatorische
Überlegungen
1.3. Mehrstufige Zufallsexperimente
1.4. Bedingte Wahrscheinlichkeiten, der Satz von Bayes

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 2 / 46

Ideales Zufallsexperiment und Grundraum eines
Zufallsexperiments

Bei den Experimenten (eines Stochastikers) kennt man in der Regel die
Menge aller möglichen Ereignisse, kann aber nicht vorhersagen, welches
konkrete Ereignis bei einem konkreten Versuch eintritt.
Solche Experimente wollen wir Zufallsexperimente nennen.
Die Menge aller möglichen Ereignisse eines Zufallsexperiments nennen
wir Grundraum (oder auch Ergebnisraum/Raum der
Elementarereignisse.). Der Grundraum wird meist mit dem
griechischen Buchstaben Ω bezeichnet.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 3 / 46

Beispiele von Zufallsexperimenten und Grundräumen

Experiment Grundraum

Würfeln Ω = {1, 2, 3, 4, 5, 6}

Münzwurf Ω = {Kopf, Zahl}

Wählerbefragung Ω = {SPD, CDU/CSU, Grüne, FDP, Linke, ...}

Temperaturmessung Ω=R

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 4 / 46

Ereignisalgebra

Definition 1.3.
Ein System A von Teilmengen von Ω heißt eine Ereignisalgebra (oder
σ-Algebra) auf Ω, wenn folgende Bedingungen erfüllt sind:
(E1) Ist A ∈ A, so ist auch A = Ω \ A ∈ A.
(E2) Es ist stets Ω ∈ A.
(E3) Ist I eine endliche oder[abzählbare Indexmenge und gilt Ak ∈ A für
alle k ∈ I , so ist auch Ak ∈ A.
k∈I
M.a.W. beliebige endliche oder abzählbare Vereinigungen von Mengen
in A, sind ebenfalls Mengen in A.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 5 / 46

Sei Ω ein Grundraum und A eine Ereignisalgebra auf Ω. Es seien A und B
zwei Ereignisse, also A, B ∈ A. Sprechweisen:

•Ω : das sichere Ereignis.

• Ā : A tritt nicht ein.
• A∪B : A oder B treten ein.
• A∩B : A und B treten ein.
• A∩B =∅ : A und B sind disjunkte (unvereinbare) Ereignisse.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 6 / 46

Axiomatisierung der Wahrscheinlichkeitstheorie. Andrei
Nikolajewitsch Kolmogorow (1903-1987)

Quelle Bild: Wikipedia

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 7 / 46

Wahrscheinlichkeitsmaß

Definition 1.6.
Es sei A eine Ereignisalgebra auf Ω; eine Abbildung P : A → [0, 1] heißt
ein Wahrscheinlichkeitsmaß (oder eine Wahrscheinlichkeits-
verteilung), wenn P folgende Axiome erfüllt:
(P1) P(Ω) = 1.
(P2) σ-Additivität: Es sei I eine endliche oder abzählbare Indexmenge.
Seien {Ak }k∈I paarweise disjunkte Ereignisse in A. Dann gilt
!
[ X
P Ak = P(Ak ).
k∈I k∈I

Erklärung zu (P2): Ein System von Teilmengen {Ak }k∈I heißt paarweise
disjunkt wenn für je zwei beliebige Indizes i, j ∈ I mit i 6= j gilt:
Ai ∩ Aj = ∅.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 8 / 46

Wahrscheinlichkeitsraum

Definition 1.6. (Fortsetzung)

Ein Wahrscheinlichkeitsraum ist ein Tripel (Ω, A, P) bestehend aus
einer Menge Ω, Grundraum (oder Ereignisraum) genannt;
einer Ereignisalgebra A auf Ω;
einem Wahrscheinlichkeitsmaß P : A → [0, 1].

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 9 / 46

Endliche Wahrscheinlichkeitsräume

Wahrscheinlichkeitsräume mit endlichem Grundraum heißen endliche

Wahrscheinlichkeitsräume.
Sei Ω = {ω1 , . . . , ωn } ein endlicher Grundraum.
Als Ereignisalgebra auf Ω nimmt man oft die Potenzmenge P(Ω).
Um das Wahrscheinlichkeitsmaß P zu definieren reicht es P({ωi }),
i = 1, . . . , n, anzugeben, so dass

P({ωi }) ≥ 0

und
P({ω1 }) + . . . P({ωn }) = 1.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 10 / 46

Laplace-Räume

Definition 1.8.
Ein endlicher Wahrscheinlichkeitsraum mit Ω = {ω1 , . . . , ωn }, in dem gilt

P({ω1 }) = P({ω2 }) = . . . = P({ωn }),

heißt Laplace’scher Wahrscheinlichkeitsraum (kurz Laplace-Raum).

Beispiele von Laplace-Räumen: Münzwurf mit einer fairen Münze, Würfeln

mit einem fairen Würfel. In einem Laplace-Raum mit n Elementen gilt:
1
P({ωi }) = für i ∈ {1, . . . , n}.
n
Für ein Ereignis A ⊂ Ω gilt:
X |A|
P(A) = P({ωi }) = .
|Ω|
ωi ∈A

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 11 / 46

Diskrete Wahrscheinlichkeitsräume

Definition (Abzählbare Menge)

Eine Menge M heißt abzählbar, wenn es eine bijektive Abbildung
f : M → N gibt.

Salopp gesagt: In einer abzählbaren Menge lassen sich die Elemente

“durchnummerieren.”
Definition (Diskreter Wahrscheinlichkeitsraum)
Ein Wahrscheinlichkeitsraum mit endlichem oder abzählbarem Grundraum
heißt diskreter Wahrscheinlichkeitsraum.
Experiment “Warten auf die erste 6” ist ein Zufallsexperiment mit
diskretem Wahrscheinlichkeitsraum. Temperaturmessung ist kein diskreter
Wahrscheinlichkeitsraum.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 12 / 46

Folgerungen aus den Axiomen eines
Wahrscheinlichkeitsraums

Satz 1.7.
Sei (Ω, A, P) ein Wahrscheinlichkeitsraum und seien A, B, A1 , A2 , . . . ∈ A.
Dann gilt:
(1) P(∅) = 0 und P(A) ≤ 1 für alle A ∈ A.
(2) P(Ā) = 1 − P(A).
(3) A ⊂ B ⇒ P(A) ≤ P(B) i.e. P ist monoton.
(4) P(A ∪ B) = P(A) + P(B) − P(A ∩ B) ≤ P(A) + P(B).
∞
[ ∞
X
(5) P( Ai ) ≤ P(Ai ).
i=1 i=1
(6) A ⊂ B ⇒ P(B \ A) = P(B) − P(A).

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 13 / 46

1 Grundbegriffe der Wahrscheinlichkeitstheorie
1.1. Grundlegende Begriffe
Wiederholung: Mengenlehre, Funktionen
1.2. Berechnung von Wahrscheinlichkeiten durch kombinatorische
Überlegungen
1.3. Mehrstufige Zufallsexperimente
1.4. Bedingte Wahrscheinlichkeiten, der Satz von Bayes

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 14 / 46

Wiederholung: Mengenlehre

Hier folgt eine kurze Wiederholung zu Begriffen der Mengenlehre. Bei

Bedarf sollten Sie diese anhand des MAFIN1-Skriptes auffrischen.
Wir verstehen unter einer Menge M die Zusammenfassung gewisser
wohlunterschiedener Objekte x unserer Anschauung zu einem Ganzen.
Die Objekte x nennen wir die Elemente der Menge und schreiben:
x ∈ M.
Ist x kein Element der Menge M, so schreiben wir: x 6∈ M.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 15 / 46

Wiederholung: Mengenlehre. Beispiele von Mengen

N = {1, 2, 3, . . .} die natürlichen Zahlen

N0 = {0, 1, 2, 3, . . .} die natürlichen Zahlen mit Null
Z = {. . . , −2, −1, 0, 1, 2, . . .} die ganzen Zahlen
Q = {m
n | m ∈ Z, n ∈ N} die rationalen Zahlen
R die reellen Zahlen
∅ leere Menge

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 16 / 46

Wiederholung: Mengenlehre. Operationen von Mengen

Sei M eine Menge. Seien A und B Teilmengen von M, also A ⊂ M

und B ⊂ M.
Vereinigung: A ∪ B
Durchschnitt: A ∩ B
Komplement von A in M: A := M \ A
Die Menge aller Teilmengen einer Menge M heißt Potenzmenge und
wird mit P(M) bezeichnet.
Ist M eine endliche Menge, so bezeichnen wir mit |M| die Anzahl der
Elemente in M.
Ist M eine Menge mit n Elementen, so hat die Potenzmenge P(M) 2n
Elemente.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 17 / 46

Wiederholung: Funktionen

Definition einer Funktion

Gegeben seien zwei nichtleere Mengen M und N. Unter einer Abbildung
oder Funktion f von M nach N verstehen wir eine (Zuordnungs-)
Vorschrift, die jedem x ∈ M genau ein y ∈ N in eindeutiger Weise
zuordnet. Dieses Element y bezeichnen wir auch mit f (x) und nennen es
den Wert der Funktion f an der Stelle x oder das Bild von x unter f ,
während x ein Urbild von f (x) heißt. M heißt Definitionsbereich von f , N
Bildbereich von f . Wir schreiben auch
f : M −→ N
x 7→ f (x).

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 18 / 46

1 Grundbegriffe der Wahrscheinlichkeitstheorie
1.1. Grundlegende Begriffe
Wiederholung: Mengenlehre, Funktionen
1.2. Berechnung von Wahrscheinlichkeiten durch kombinatorische
Überlegungen
1.3. Mehrstufige Zufallsexperimente
1.4. Bedingte Wahrscheinlichkeiten, der Satz von Bayes

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 19 / 46

Kartesisches Produkt. Geordnete r -Tupel

Seien A1 , . . . , Ar Mengen.

Definition (Kartesisches Produkt)

Die Menge

A1 × . . . × Ar := {(a1 , . . . , ar ) | ak ∈ Ak für k = 1, . . . , r }

heißt kartesisches Produkt der Mengen A1 , . . . , Ar .

Die Menge Ak habe nk Elemente. Dann gilt

r
Y
|A1 × . . . × Ar | = ni = n1 · n2 · . . . · nr .
i=1

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 20 / 46

Permutationen und Kombinationen

Definition
Perr (n) := {1, . . . , n}r = {(a1 , . . . , ar ) | ai ∈ {1, . . . , n}} heißt die
Menge der r -Permutationen der Menge {1, . . . , n}.
Perr∗ (n) := {(a1 , . . . , ar ) | ai ∈ {1, . . . , n}, ai 6= aj falls i 6= j} heißt
die Menge der r -Permutationen ohne Wiederholung der Menge
{1, . . . , n}.
Komr (n) := {(a1 , . . . , ar ) | 1 ≤ a1 ≤ . . . ≤ ar ≤ n} heißt die Menge
der r -Kombinationen aus {1, . . . , n} mit Wiederholung.
Komr∗ (n) := {(a1 , . . . , ar ) | 1 ≤ a1 < . . . < ar ≤ n} heißt die Menge
der r -Kombinationen aus {1, . . . , n} ohne Wiederholung.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 21 / 46

Erinnerung: n-Fakultät, Binomialkoeffizienten

Sei n ∈ N. Wir bezeichnen mit

n! = 1 · 2 · . . . · n,

und sagen n-Fakultät. Konvention: 0! = 1.

Seien r , n ∈ N0 mit r ≤ n. Wir bezeichnen mit

 
n n!
=
r (n − r )!r !

den Binomialkoeffizienten n über r .

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 22 / 46

Anzahl der Permutationen und Kombinationen

Satz
Die Anzahl der r -Permutationen der Menge {1, . . . , n} ist
|Perr (n)| = nr .
Sei r ≤ n. Die Anzahl der r -Permutationen der Menge {1, . . . , n}
ohne Wiederholung ist
n
|Perr∗ (n)| = n · (n − 1) · . . . · (n − (r − 1)) = (n−r
n!


)! = r · r!
Die Anzahl der r -Kombinationen aus {1, . . . , n} ohne bzw. mit
Wiederholung ist
   
∗ n n+r −1
|Komr (n)| = , |Komr (n)| = .
r r

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 23 / 46

Urnenmodelle

Wir betrachten eine mit n durchnummerierten Kugeln gefüllte Urne. Nun

ziehen wir r -mal hintereinander je eine Kugel aus der Urne und notieren
nach jeder Ziehung die Nummer der gezogenen Kugel.
Wie groß ist der Grundraum Ω des Experiments?

ohne Zurücklegen mit Zurücklegen

ohne Berück-
n+r −1
| Kom∗r (n) |= n



sichtigung der r | Komr (n) |= r
Reihenfolge

mit Berück-
| Per ∗r (n) |= n
| Per r (n) |= nr


sichtigung der r · r!
Reihenfolge

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 24 / 46

Fächermodelle
Es sollen r Teilchen auf n von 1 bis n nummerierte Fächer verteilt werden.
Die Anzahl der Besetzungen sowie des Grundraums Ω hängen davon ab, ob
die Teilchen unterscheidbar sind und ob Mehrfachbesetzungen zugelassen
werden oder nicht.
Wie groß ist der Grundraum Ω des Experiments?

ohne Mehrfachbesetzung mit Mehrfachbesetzung

Teilchen
n+r −1
| Kom∗r (n) |= n



nicht r | Komr (n) |= r
unterscheidbar

Teilchen
| Per ∗r (n) |= n
| Per r (n) |= nr


unterscheidbar r · r!

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 25 / 46

1 Grundbegriffe der Wahrscheinlichkeitstheorie
1.1. Grundlegende Begriffe
Wiederholung: Mengenlehre, Funktionen
1.2. Berechnung von Wahrscheinlichkeiten durch kombinatorische
Überlegungen
1.3. Mehrstufige Zufallsexperimente
1.4. Bedingte Wahrscheinlichkeiten, der Satz von Bayes

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 26 / 46

Häufig besteht ein Zufallsexperiment aus mehreren Teilexperimenten. Zwei
Beispiele:
das n-fache Werfen einer Münze ist ein mehrstufiges
Zufallsexperiment.
Wir betrachten eine Urne mit 2 roten und 3 schwarzen Kugeln. Es
wird rein zufällig eine Kugel aus der Urne gezogen; ihre Farbe wird
notiert. Anschließend werden diese Kugel und eine weitere Kugel
derselben Farbe in die Urne zurückgelegt. Nach gutem Durchmischen
wird wiederum eine Kugel aus der Urne gezogen. Mit welcher
Wahrscheinlichkeit ist diese Kugel rot?

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 27 / 46

Wahrscheinlichkeitsraum bei einem 2-stufigen Experiment
Gegeben sind:
Ω1 und Ω2 , die Mengen der Elementarereignisse der ersten Stufe und
der zweiten Stufe. Ω1 , Ω2 seien diskret.
eine Wahrscheinlichkeitsverteilung P1 auf Ω1 .
ein System von Übergangswahrscheinlichkeiten, d.h. für jedes
a1 ∈ Ω1 und jedes a2 ∈ Ω 2 , Übergangswahrscheinlichkeiten
X
P2 (a2 |a1 ) ≥ 0, so dass P2 (a2 |a1 ) = 1.
a2 ∈Ω2

Wir erhalten den Wahrscheinlichkeitsraum (Ω, A, P) für das 2-stufige

Experiment, wie folgt:
Der Grundraum ist Ω = Ω1 × Ω2 . Als Ereignisalgebra nehmen wir
P(Ω).
Die Wahrscheinlichkeit P(ω) für ω = (a1 , a2 ) ∈ Ω ist:
P(ω) = P2 (a2 |a1 ) · P1 (a1 ) (erste Pfadregel).
Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 28 / 46
Modellieren eines n-stufigen Wahrscheinlichkeitsexperiments

Definition 1.12.
Gegeben sind
diskrete Mengen Ωj , j = 1, . . . , n.
eine Wahrscheinlichkeitsverteilung P1 auf Ω1 .
Für jedes j = 2, . . . , n ein System von Übergangswahrschein-
lichkeiten. D.h. für jedes (a1 , . . . , aj−1 ) ∈ Ω1 × . . . × Ωj−1 und jedes
aj ∈ Ωj Übergangswahrscheinlichkeiten
X
Pj (aj |a1 , . . . , aj−1 ) ≥ 0 mit Pj (aj |a1 , . . . , aj−1 ) = 1.
aj ∈Ωj

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 29 / 46

Modellieren eines n-stufigen Wahrscheinlichkeitsexperiments
(Fortsetzung)

Definition 1.12. (Fortsetzung)

Wir erhalten den Wahrscheinlichkeitsraum (Ω, A, P) des n-stufigen
Experiments, wie folgt:
Grundraum Ω = Ω1 × . . . × Ωn , Ereignisalgebra P(Ω).
Das Wahrscheinlichkeitsmaß P ist definiert durch
Erste Pfadregel: Für ω = (a1 , . . . , an ) ∈ Ω gilt:

P(ω) = P1 (a1 ) · P2 (a2 |a1 ) · . . . · Pn (an |a1 , . . . , an−1 ).

Zweite Pfadregel: Für eine Teilmenge A ⊂ Ω gilt:

X
P(A) = P(ω).
ω∈A

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 30 / 46

Produktexperimente
Gilt in einem n−stufigen Zufallsexperiment für die Übergangs-
wahrscheinlichkeiten

Pj (aj |a1 , . . . , aj−1 ) = Pj (aj )

für alle aj ∈ Ωj und alle (a1 , . . . , aj−1 ) ∈ Ω1 × · · · × Ωj−1 , dann lautet die
erste Pfadregel:
n
Y
P(ω) = Pj (aj ) für ω = (a1 , . . . , an ). (1)
j=1

Definition 1.13.
Ein mehrstufiges Zufallsexperiment, in dem sich die Wahrscheinlichkeiten
mit der Formel aus (1) errechnen lassen, heißt Produktexperiment.

Beispiel: n-facher Wurf mit einer fairen Münze.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 31 / 46
1 Grundbegriffe der Wahrscheinlichkeitstheorie
1.1. Grundlegende Begriffe
Wiederholung: Mengenlehre, Funktionen
1.2. Berechnung von Wahrscheinlichkeiten durch kombinatorische
Überlegungen
1.3. Mehrstufige Zufallsexperimente
1.4. Bedingte Wahrscheinlichkeiten, der Satz von Bayes

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 32 / 46

Beispiel

Alex, Bob und Charly spielen Skat. Jeder erhält 10 Karten, 2 Karten bilden
den Skat.
Mit welcher Wahrscheinlichkeit ist das Pik-Ass bei Alex? Mit welcher
Wahrscheinlichkeit ist das Pik-Ass im Skat?
Antwort: 10/32, 2/32.
Bob weiß, dass er das Pik-Ass nicht hat. Er beantwortet die obigen
Fragen mit: 10/22, 2/22.
A = “Alex hat das Pik-Ass”. B = “Bob hat das Pik-Ass nicht”. Wir
bezeichnen mit P(A|B) die Wahrscheinlichkeit von A unter der Bedingung,
dass B schon eingetreten ist. In unserem Beispiel gilt

P(A) = 10/32, P(A|B) = 10/22.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 33 / 46

Bedingte Wahrscheinlichkeiten (Definition)

Definition 1.15.
Es sei (Ω, A, P) ein Wahrscheinlichkeitsraum; sind A und B zwei Ereignisse
(d.h. A; B ∈ A), mit P(B) > 0, so ist die bedingte Wahrscheinlichkeit
P(A|B) = PB (A) (sprich: “Wahrscheinlichkeit von A unter der Bedingung
B”) definiert durch

P(A ∩ B)
P(A|B) = PB (A) := .
P(B)

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 34 / 46

Multiplikationssatz

Bemerkung 1.16. (Multiplikationssatz)

(a) Sind A, B ∈ A mit P(A) > 0 und P(B) > 0, so folgt aus der Definition
1.15
P(A ∩ B) = PB (A) · P(B) = PA (B) · P(A).

(b) Seien A1 , A2 , . . . , An ∈ A mit n ≥ 2. Für alle j = 2, . . . , n gelte dass

P(A1 ∩ A2 ∩ · · · ∩ Aj−1 ) > 0. Dann ist

P(A1 ∩ · · · ∩ An ) =
= P(A1 ) · P(A2 |A1 ) · P(A3 |A1 ∩ A2 ) · · · P(An |A1 ∩ · · · ∩ An−1 ).

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 35 / 46

Beispiel (Beispiel 1.14 im Skript)

3 Maschinen produzieren den gleichen Artikel. Man weiß, dass Maschine 1

nur 2 % Ausschuss produziert, Maschine 2 dagegen 10 % und Maschine 3
schließlich 4 %. Die Anteile der drei Maschinen an der Gesamtproduktion
betragen 30 %, 50 % bzw. 20 %. Wir betrachten die Ereignisse:
U :=“Artikel ist unbrauchbar”.
M1 :=“Artikel ist von der Maschine 1 produziert”.
Analog M2 und M3 ....
Die Wahrscheinlichkeit, dass ein Artikel, der von Maschine 1 produziert
wurde, unbrauchbar ist, beträgt PM1 (U) = 0, 02. Analog
PM2 (U) = 0, 1 und PM3 (U) = 0, 04. Bekannt sind auch P(M1 ) = 0, 3,
P(M2 ) = 0, 5, P(M3 ) = 0, 2.

Von der Gesamtproduktion wird ein Artikel zufällig ausgewählt. Wie groß
ist die Wahrscheinlichkeit, dass der Artikel unbrauchbar ist?

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 36 / 46

Satz von der totalen Wahrscheinlichkeit

Satz 1.17. (Satz von der totalen Wahrscheinlichkeit)

n
[
Es sei (Ω, A, P) ein Wahrscheinlichkeitsraum. Es sei Ω = Bk eine
k=1
disjunkte Zerlegung mit P(Bk ) > 0 für 1 ≤ k ≤ n. Dann gilt für beliebiges
A∈A:
Xn
P(A) = P(Bk ) · PBk (A).
k=1

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 37 / 46

Zurück zu unserem Beispiel 1.14
U :=“Artikel ist unbrauchbar”.
Mi :=“Artikel ist von der Maschine i produziert”.

i PMi (U) P(Mi )

1 0, 02 0, 3
2 0, 1 0, 5
3 0, 04 0, 2

Von der Gesamtproduktion wird ein Artikel zufällig ausgewählt. Wie groß
ist die Wahrscheinlichkeit, dass der Artikel unbrauchbar ist?

Mit dem Satz von der totalen Wahrscheinlichkeit erhalten wir die Antwort:
P(U) = PM1 (U) · P(M1 ) + PM2 (U) · P(M2 ) + PM3 (U) · P(M3 )
= 0.02 · 0.3 + 0.1 · 0.5 + 0.04 · 0.2 = 0.064.

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 38 / 46

Simpson-Paradoxon

Frauen Männer

Bewerbungen zugelassen Bewerbungen zugelassen

Fach 1 900 720 (80 %) 200 180 (90 %)

Fach 2 100 20 (20 %) 800 240 (30 %)

Summe 1000 740 (74 %) 1000 420 (42 %)

Der Prozentsatz in der letzten Zeile der Tabelle wurde mit dem Satz über
die totale Wahrscheinlichkeit berechnet:

0, 74 = 0, 9 · 0, 8 + 0, 1 · 0, 2 und 0, 42 = 0, 2 · 0, 9 + 0, 8 · 0, 3.
Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 39 / 46
Satz von Bayes

Satz 1.19. (Satz von Bayes)

n
[
Es sei Ω = Bk eine disjunkte Zerlegung mit P(Bk ) > 0 für 1 ≤ k ≤ n.
k=1
Ist A ∈ A beliebig mit P(A) > 0, so gilt

P(Bk ∩ A) P(Bk ∩ A)
PA (Bk ) = = n .
P(A) X
P(Bk ) · PBk (A)
k=1

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 40 / 46

Beispiel 1.20: Labortest

In der BRD waren 1975 etwa 0, 5% der Bevölkerung an Tbc erkrankt. Man
weiß aufgrund langjähriger Erfahrung, dass durch eine spezielle
Tbc-Röntgenuntersuchung 90 % der Kranken und 99% der Gesunden
richtig diagnostiziert werden.
1. Wie groß ist die Wahrscheinlichkeit, dass eine als krank diagnostizierte
Person wirklich an Tbc erkrankt ist?
2. Wie groß ist die Wahrscheinlichkeit, dass eine als gesund
diagnostizierte Person wirklich gesund ist?

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 41 / 46

Beispiel 1.20: Labortest (Fortsetzung)

K :=”die Person ist krank”, K :=”die Person ist gesund”,

N:=”der Test ist negativ” (m.a.W. die Person ist als gesund diagnostiziert),
N:=”der Test ist positiv”.

P(K ) = 0, 005 PK (N) = 0, 9 PK (N) = 0, 99.

1. Wie groß ist die Wahrscheinlichkeit, dass eine als krank diagnostizierte
Person wirklich an Tbc erkrankt ist? PN (K ) =?
2. Wie groß ist die Wahrscheinlichkeit, dass eine als gesund
diagnostizierte Person wirklich gesund ist? PN (K ) =?

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 42 / 46

Stochastische Unabhängigkeit

Definition 1.21.
Zwei Ereignisse A und B heißen stochastisch unabhängig, wenn gilt

P(A ∩ B) = P(A) · P(B),

andernfalls heißen sie stochastisch abhängig.

Lemma 1.23.
1 Mit A, B sind auch A, B und A, B stochastisch unabhängig.
2 Ist P(B) > 0, so gilt die folgende Äquivalenz:

A, B stochastisch unabhängig ⇐⇒ P(A|B) = P(A).

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 43 / 46

Stochastische Unabhängigkeit mehrerer Ereignisse

Definition 1.20 (Fortsetzung)

Drei Ereignisse A, B und C heißen stochastisch unabhängig, wenn je
zwei der Ereignisse unabhängig sind, und wenn gilt:

P(A ∩ B ∩ C ) = P(A) · P(B) · P(C ).

n Ereignisse A1 , . . . , An (mit n ≥ 2) heißen stochastisch unabhängig,

wenn je n − 1 der Ereignisse stochastisch unabhängig sind, und wenn
zudem gilt  
\n Yn
P  Aj  = P(Aj ).
j=1 j=1

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 44 / 46

n-stufiges Bernoulliexperiment

Definition
In einem Zufallsexperiment mit den möglichen Ergebnissen {A, A}, trete
das Ereignis A mit der Wahrscheinlichkeit p ein. Das Experiment werde
n-mal wiederholt. Sind die Ereignisse “A tritt beim i-ten Versuch ein”
stochastisch unabhängig, so heißt das Experiment ein n-stufiges
Bernoulliexperiment.

Der Ergebnisraum bei einem n-stufigen Experiment ist Ω = {A, A}n . Für
ω ∈ Ω ist

P({ω}) = p Anzahl der A’s in ω · (1 − p) Anzahl der A’s in ω .

Die Wahrscheinlichkeit dafür, dass A genau k-mal eintritt ist

 
n k
Bn,p (k) = p (1 − p)n−k .
k

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 45 / 46

Beispiel: Ziehen mit Zurücklegen aus einer dichotomen Urne

Beispiel
In einer Urne befinden sich N Kugeln, S schwarze und W weiße, wobei
S + W = N. Aus der Urne werden zufällig n Kugeln gezogen, nach jedem
Zug wird die Kugel wieder zurückgelegt. Die Wahrscheinlichkeit dafür,
dass genau k schwarze Kugeln gezogen werden, ist:
   k  n−k
n S W
P(Anzahl der schwarzen Kugeln = k) = .
k N N

Ziehen OHNE Zurücklegen aus der dichotomen Urne ist hingegen kein
Bernoulliexperiment!

Dozentin: PD U. Ludwig Wahrscheinlichkeit+Statistik WS 20/21 46 / 46