Grundsatz: elementare Probleme in einer endlichen Grundmenge lösen mit den Begriffen Ereignis, unvereinbare (disjunkte) Ereignisse, Gegenereignis, unabhängige Ereignisse; Vereinigung und Schnitt von Ereignissen; Ereignisbäume; bedingte Wahrscheinlichkeit.
1 Grundbegriffe und Laplace-Wahrscheinlichkeit
| Begriff | Bedeutung |
|---|---|
| Ereignis $A$ | Teilmenge der Grundmenge $\Omega$ |
| Gegenereignis $\bar A$ | $P(\bar A)=1-P(A)$ |
| Disjunkte Ereignisse | $A\cap B=\emptyset$ (können nicht gleichzeitig eintreten) |
| Unabhängige Ereignisse | $P(A\cap B)=P(A)\cdot P(B)$ |
Laplace: $P(A)=\dfrac{\text{günstige Fälle}}{\text{mögliche Fälle}}$
2 Additionssatz und Multiplikationssatz
$$P(A\cup B)=P(A)+P(B)-P(A\cap B)$$
Sind $A$ und $B$ disjunkt: $P(A\cup B)=P(A)+P(B)$.
Sind $A$ und $B$ unabhängig: $P(A\cap B)=P(A)\cdot P(B)$.
Pfadregeln im Baumdiagramm: Wahrscheinlichkeiten entlang eines Pfades multiplizieren; Wahrscheinlichkeiten paralleler Pfade addieren.
3 Bedingte Wahrscheinlichkeit
$$P(A\mid B)=\frac{P(A\cap B)}{P(B)}, \quad P(B)>0$$
Totale Wahrscheinlichkeit (vollständige Fallunterscheidung über disjunkte $B_1,\ldots,B_n$):
$$P(A)=\sum_{i=1}^{n}P(A\mid B_i)\cdot P(B_i)$$
Satz von Bayes (Umkehren der Bedingung):
$$P(B_j\mid A)=\frac{P(A\mid B_j)\cdot P(B_j)}{P(A)}=\frac{P(A\mid B_j)\cdot P(B_j)}{\sum_{i}P(A\mid B_i)\cdot P(B_i)}$$
Beispiel: Ein Test erkennt eine Krankheit (Prävalenz 1 %) mit Sensitivität 99 % und Spezifität 95 %. Wie gross ist die Wahrscheinlichkeit, tatsächlich krank zu sein, wenn der Test positiv ist?
Sei $K$=krank, $+$=positiv.
$$P(+)=0.99\cdot0.01+0.05\cdot0.99=0.0099+0.0495=0.0594$$
$$P(K\mid+)=\frac{0.99\cdot0.01}{0.0594}\approx0.167;(16.7,%)$$
4 Kombinatorik
| Situation | Formel |
|---|---|
| Permutationen (Reihenfolge wichtig, alle $n$ Elemente) | $n!$ |
| Kombinationen ohne Wiederholung (Auswahl von $k$ aus $n$, Reihenfolge egal) | $\binom{n}{k}=\dfrac{n!}{k!,(n-k)!}$ |
Beispiel: Wie viele 3-er-Auswahlen gibt es aus 6 Personen?
$$\binom{6}{3}=\frac{6!}{3!\cdot3!}=\frac{720}{6\cdot6}=20$$
5 Binomialverteilung
Wird ein Zufallsexperiment mit Erfolgswahrscheinlichkeit $p$ genau $n$-mal unabhängig wiederholt, gilt für die Anzahl $k$ der Erfolge:
$$P(X=k)=\binom{n}{k}\cdot p^k\cdot(1-p)^{n-k}$$
Erwartungswert: $E(X)=n\cdot p$
Beispiel: Münzwurf, $n=4$, $p=0.5$; Wahrscheinlichkeit von genau 3 Köpfen:
$$P(X=3)=\binom{4}{3}\cdot0.5^3\cdot0.5^1=4\cdot0.125\cdot0.5=0.25$$
6 Häufige Fehler
- Disjunkt ≠ unabhängig: Disjunkte Ereignisse schliessen sich aus ($P(A\cap B)=0$); unabhängige Ereignisse beeinflussen sich nicht — das ist eine andere Eigenschaft.
- Bei $P(A\cup B)$ den Schnitt $P(A\cap B)$ nicht vergessen.
- Gegenereignis-Trick nutzen: $P(\text{mindestens eines})=1-P(\text{keines})$.
- $\binom{n}{k}$ nicht mit $k!\cdot\binom{n}{k}$ (= geordnete Auswahl von $k$ aus $n$) verwechseln.
7 Ergänzungen: Ziehen, Bernoulli, Binomialkoeffizient
Ziehen mit und ohne Zurücklegen
- Mit Zurücklegen sind die Züge unabhängig; die Wahrscheinlichkeiten ändern sich von Zug zu Zug nicht. Beispiel: Schale mit 3 roten und 2 blauen Kugeln, zwei Züge mit Zurücklegen, beide gleichfarbig:
$$P=\left(\frac{3}{5}\right)^2+\left(\frac{2}{5}\right)^2=\frac{9+4}{25}=0.52$$
- Ohne Zurücklegen sind die Züge abhängig: Im zweiten Zug ändern sich Anzahl und Anteile (bedingte Wahrscheinlichkeit entlang des Pfades). Beispiele: 4 weisse und 6 schwarze Kugeln, beide weiss:
$$P=\frac{4}{10}\cdot\frac{3}{9}=\frac{12}{90}\approx0.1333$$
verschiedene Farben: $\dfrac{4}{10}\cdot\dfrac{6}{9}+\dfrac{6}{10}\cdot\dfrac{4}{9}=\dfrac{48}{90}\approx0.5333$. Bei 8 Gewinnlosen unter 50: $\dfrac{8}{50}\cdot\dfrac{7}{49}\approx0.0229$. Bei 5 roten und 3 blauen Kugeln beide rot: $\dfrac{5}{8}\cdot\dfrac{4}{7}\approx0.3571$.
Laplace und Zählen von Ergebnissen
- Die Formel «günstige durch mögliche Ergebnisse» gilt nur bei gleich wahrscheinlichen Ergebnissen. Bei zwei Würfeln gibt es 36 gleich wahrscheinliche Paare. Augensumme 7: 6 günstige Paare, $6/36$. Produkt 12: vier günstige Paare $(2,6),(6,2),(3,4),(4,3)$, also $4/36\approx0.1111$. Zweite Zahl grösser als die erste: 15 Paare, $15/36\approx0.4167$.
- Bei «oder» mit überlappenden Ereignissen darf man nicht einfach addieren: gerade Zahl (3 von 6) oder Zahl grösser als 4 (2 von 6) überschneiden sich bei der 6, also $P=\dfrac{3}{6}+\dfrac{2}{6}-\dfrac{1}{6}=\dfrac{4}{6}$, nicht $\dfrac{5}{6}$. Beispiel mit Prozenten: 60 % Fussball, 30 % Tennis, 20 % beide: $0.6+0.3-0.2=0.7$.
- «Mindestens ein» über das Gegenereignis: Dreimal Münze, mindestens einmal Kopf: $1-0.5^3=0.875$. Viermal Würfel, mindestens eine Sechs: $1-\left(\dfrac{5}{6}\right)^4\approx0.5177$.
Bedingte Wahrscheinlichkeit aus Anteilen
- Aus Anteilen entsteht ein Baum: 40 % Frauen (30 % davon Teilzeit), 60 % Männer (20 % Teilzeit). Teilzeit insgesamt $0.4\cdot0.3+0.6\cdot0.2=0.24$; Anteil Frauen unter den Teilzeitkräften $\dfrac{0.12}{0.24}=0.5$.
- Totale Wahrscheinlichkeit: 60 % der Teile aus Maschine A (2 % fehlerhaft), 40 % aus B (5 %): $0.6\cdot0.02+0.4\cdot0.05=0.032$. Test: 5 % erkrankt, 90 % richtig positiv, 8 % falsch positiv: $P(+)=0.05\cdot0.9+0.95\cdot0.08=0.121$ und $P(\text{krank}\mid+)=\dfrac{0.045}{0.121}\approx0.37$.
Bernoulli-Experiment und Binomialkoeffizient
- Ein Bernoulli-Experiment hat genau zwei Ausgänge («Treffer» und «Niete»). Unabhängige Wiederholungen mit gleichbleibender Trefferwahrscheinlichkeit führen auf die Binomialverteilung. Der Binomialkoeffizient $\binom{n}{k}$ gibt die Zahl der Pfade mit genau $k$ Treffern an.
- Symmetrie: $\binom{n}{k}=\binom{n}{n-k}$, zum Beispiel $\binom{12}{9}=\binom{12}{3}$.
- Beispiele: genau 1 fehlerhaftes von 3 Werkstücken mit $p=0.1$: $3\cdot0.1\cdot0.9^2=0.243$; genau 4-mal Kopf bei 10 Würfen: $\binom{10}{4}\cdot0.5^{10}\approx0.2051$; genau 3 Treffer bei 5 Schüssen mit $p=0.6$: $\binom{5}{3}\cdot0.6^3\cdot0.4^2=0.3456$.
- Kombinationen ohne Reihenfolge: Ausschuss von 4 aus 9 Personen $\binom{9}{4}=126$; 5 Zahlen aus 35 $\binom{35}{5}=324'632$.