Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
Teil 2:
Wahrscheinlichkeitsrechnung -
Theoretischer Kalkül
6 Einführung in die
Wahrscheinlichkeitsrechnung
272
6 Einführung in die Wahrscheinlichkeitsrechnung
6.1 Wichtige Grundbegriffe und Regeln
6.1.1 Interpretation von Zufall und Wahrscheinlichkeiten
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
6.2.3 Kalkül nach der Formel von Bayes
6.1.2 Elementare Mengenlehre
6.1.3 Axiomatischer Wahrscheinlichkeitsbegriff und Regeln
6.2.1 Bedingte Wahrscheinlichkeiten und Rechenregeln
6.2.2 Stochastische Unabhängigkeit von Ereignissen
274
274
277
287
300
300
315
325
273
274
6.1 Wichtige Grundbegriffe und Regeln6.1 Wichtige Grundbegriffe und Regeln
● Zufallsvorgang und Zufall ●
6.1.1 Interpretation von Zufall und Wahrscheinlichkeiten
● Zufall ist perspektivisch bedingt ●
● Zufall folgt Gesetzmäßigkeiten ●
Ein Zufallsvorgang ergibt sich aus der Perspektive eines (partiell) Unwissenden
> keinesfalls mit Willkür oder völliger Unberechenbarkeit gleichzusetzen
> Zufallsvorgang ist nicht (genau) vorhersagbar, besitzt aber (vorhersag-bare) Gesetzmäßigkeiten
6.1 Wichtige Grundbegriffe und Regeln
● Beispiele für die Verwendung von Wahrscheinlichkeiten ●
275
(1) „Die Wahrscheinlichkeit eine Sechs zu würfeln beträgt 1/6“
(2) „Die Wahrscheinlichkeit für 6 Richtige im Lotto beträgt 0.00000715%“
(3) „Die Kreditausfallwahrscheinlichkeit für diese Kunden liegt bei 1%“
(4) „Die Wahrscheinlichkeit für eine Mädchengeburt beträgt laut Statistik
48.8%“
(5) „Mit einer Wahrscheinlichkeit von 95% liegt der Stimmenanteil dieser
Partei nach Berechnungen zwischen 29.8% und 31.4%“
(6) „Nach Berechnungen wir die Bevölkerung im Jahr 2050 mit einer Wahr-
scheinlichkeit von 90% bei unter 50 Millionen liegen“
(7) „Dieser Patient wird mit einer Wahrscheinlichkeit von 70% sterben“
(8) „Ich bin mir mit 95%iger Wahrscheinlichkeit sicher, dass dieses Jahr
ein Schaltjahr ist“
6.1 Wichtige Grundbegriffe und Regeln
● Klassische Wahrscheinlichkeit ●
● Statistische Wahrscheinlichkeit - empirisch ●
● Statistische Wahrscheinlichkeit - theoretisch ●
● Frequentistischer Deutungsansatz ●
● Objektive vs. subjektive Wahrscheinlichkeiten ●
● Klassische vs. statistische Wahrscheinlichkeiten ●
● Zielsetzung der Wahrscheinlichkeitsrechnung ●
276
(1), (2)
(3), (4), (7)?
(5), (6), (7)?
(1) bis (6) vs. (7)? u. (8)
6.1 Wichtige Grundbegriffe und Regeln
● Mengen und Elemente ●
6.1.2 Elementare Mengenlehre
> Beispiel 1: Menge Z, welche die Zahlen 2, 4 und 6 enthält:
> Beispiel 2: Menge W mit 4 verschiedenen Wetterzuständen:
> Notation für Elemente, welche bestimmten Mengen angehören odernicht:
277
� = 2, 4, 6
� = ���, ���� ������ , ������ , ��������ℎ
1 ∉ �,> Beschreibungen von Mengen anstelle von Einzelauflistung:
Statt ��� = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 z. B.
��� = ": " ∈ ℕ &� 1 ≤ " ≤ 10
2 ∈ �, ��� ∈ �2 ∉ �,
6.1 Wichtige Grundbegriffe und Regeln
● Wichtige Standardmengen ●
278
● Teilmenge ●
> Gegeben seien die Mengen
( = 2, 4, 6 , ) = 1, 2, 3, 4 und * = 1, 2, 3, 4, 5, 6Dann gilt z. B.: ( ⊂ *, ) ⊂ *( ⊄ ),
> „Definitorisch“ gilt:
6.1 Wichtige Grundbegriffe und Regeln
279
● Intervalle ●
● Schnittmenge ●
> (a, b) offen: von ausschließlich a bis ausschließlich b
> [a, b] abgeschlossen: von einschließlich a bis einschließlich b
> [a, b) halboffen rechts: von einschließlich a bis ausschließlich b
> (a, b] halboffen links: von ausschließlich a bis einschließlich b
Beispiele:
( ∩ ) = 2, 4 ( ∩ * =) ∩ * =
. �/0
/1�=
2, 4, 61, 2, 3, 4
�� ∩ �2 ∩ �3 ∩ �0
6.1 Wichtige Grundbegriffe und Regeln
280
● Vereinigungsmenge ●
Beispiele: ( ∪ ) =
5 �/0
/1�=
2 und 4 jeweils nur einmal!
● Differenzmenge ●
Beispiele: ( ∖ ) = ) ∖ ( = ( ∖ * =
● Komplementärmenge ●
Beispiele mit Teilmengen der Grundmenge C:
● Disjunkte Mengen ●
�� und �2 disjunkt ⇔ �� ∩ �2 = ∅
1, 2, 3, 4, 6
�� ∪ �2 ∪ �3 ∪ �0
6 1, 3 ∅
1, 3, 5 5, 6 ∅(̅ = * ∖ ( = ): = * ∖ ) = *̅ = * ∖ * =
6.1 Wichtige Grundbegriffe und Regeln
281
● Venn-Diagramme ●
6.1 Wichtige Grundbegriffe und Regeln
282
● Elementare Regeln für Mengenoperationen ●
6.1 Wichtige Grundbegriffe und Regeln
283
● Potenzmenge ●
> Potenzmenge einer Menge ist die Menge aller möglichen Teilmengedieser Menge
> Beispiel 1: � = 2, 4, 6; � =
> Beispiel 2:
� = <��, =���� >����� , >����� , ?�������ℎ; � = @ < , => , > , ? ,
<, => , <, > , <, ? , =>, > , =>, ? , >, ? ,<, =>, > , =>, >, ? , <, >, ? , <, =>, ? ,
<, =>, >, ? , ∅A
2 , 4 , 6 , 2,4 , 2,6 , 4,6 , 2,4,6 , ∅
6.1 Wichtige Grundbegriffe und Regeln
284
● Produktmenge ●
Beispiel mit und�� = 1, 2, 3 �2 = 2, 3, 4�� × �2 = 1,2 , 1,3 , 1,4 , 2,2 , 2,3 , 2,4 , 3,2 , 3,3 , 3,4�2 × �� = 2,1 , 2,2 , 2,3 , 3,1 , 3,2 , 3,3 , 4,1 , 4,2 , 4,3
6.1 Wichtige Grundbegriffe und Regeln
● Mächtigkeit einer Menge ●
● Vergleich der Mächtigkeit von Mengen ●
285
> Beispiele: � = 2, 4, 6 ⇒ � = 3� = ���, ���� ������ , ������ , ��������ℎ⇒ � = 4
> Falls � < ∞ (endliche Menge), so gilt: ; � = 2 F
Beispiele: ; � = 2 G = 23 = 8 und ; � = 2 H = 20 = 16
6.1 Wichtige Grundbegriffe und Regeln
286
● Abzählbare und überabzählbare Mengen ●
Zwei Mengen sind gleichmächtig, wenn eine Bijektion zwischen beiden Mengen existiert
Jede Menge, welche die gleiche Mächtigkeit wie ℕ aufweist, gilt alsabzählbar unendlich oder kurz abzählbar
6.1 Wichtige Grundbegriffe und Regeln
● Ergebnisräume und Ereignisse ●
6.1.3 Axiomatischer Wahrscheinlichkeitsbegriff und Regeln
● Beispiele ●
> Würfelwurf: Ω = 1, 2, 3, 4, 5, 6 Ergebnisraum
J� = 1, J2 = 2, … , JL = 6 Elementarereignisse
M = 2, 4, 6 G ... Ereignis „gerade Zahl“ 287
6.1 Wichtige Grundbegriffe und Regeln
288
> Wetter am nächsten Tag: Ω = ���, ������ , ���� ������ , ��������ℎ
N = ���, ���� ������ S ... Ereignis „zumindest teilweise sonnig“
> Zweimaliger Münzwurf: Ω = �Oℎ�, �Oℎ� , �Oℎ�, �OPP� , �OPP�, �Oℎ� , �OPP�, �OPP�
�� = �Oℎ�, �Oℎ� , �Oℎ�, �OPP� , �OPP�, �Oℎ��� ... Ereignis „mindestens einmal Zahl“
> Würfeln bis zur ersten Sechs: Ω = 1, 2, 3, … = ℕ
��� = 11, 12, 13, … ��� ... Ereignis „mindestens 11 Versuche“
> Lebensdauer einer Computer-Festplatte: Ω = Q0, ∞R
S� =Q10000, ∞R S� ... Ereignis „mindestens 10 000 Stunden“
S2 = 10 000, 20 000 S2 ... Ereignis „zwischen 10 000 und 20 000 Stunden
6.1 Wichtige Grundbegriffe und Regeln
289
● Wahrscheinlichkeiten und Ereignisse diskreter Ergebnisräume ●
6.1 Wichtige Grundbegriffe und Regeln
290
● Allgemeine Anmerkungen zur Axiomatik ●
● Wahrscheinlichkeiten als Funktionswerte ●
> Vorliegende Definition gilt zunächst einmal nur für diskrete Ergebnisräume
> Überabzählbare Ergebnisräume erzeugen mathematisches Problem bei derDefinition von Wahrscheinlichkeiten (siehe später)
> Sämtliche Rechenregeln letztlich auf diese 3 Axiome zurückführbar
> Axiome geben keine Anhaltspunkte darüber, wie konkrete Wahrscheinlich-keiten berechnet werden sollen
6.1 Wichtige Grundbegriffe und Regeln
291
● Die Bedeutung der Axiome im Einzelnen ●
Beispiel:In einer Urne liegen 3 Kugeln, die mit den Zahlen 2, 4 und 6 beschriftet sind.Es wird zufällig eine Kugel gezogen. Dann gilt:
Ergebnisraum: Ω = 2, 4, 6Definitionsbereich von P:
; � = 2 , 4 , 6 , 2,4 , 2,6 , 4,6 , 2,4,6 , ∅Wertebereich von P:
[0, 1] oder genauer eine Teilmenge davon wie etwa{0, 1/3, 2/3, 1}
> (K1): Wahrscheinlichkeiten sind nicht negativ
> (K2): Normierungsaxiom (Beschränkung auf Wertebereich [0, 1])
> (K3): Einzige Rechenregel (Additionssatz für disjunkte Ereignisse)
6.1 Wichtige Grundbegriffe und Regeln
● Schlussfolgerungen aus den Axiomen ●
292
6.1 Wichtige Grundbegriffe und Regeln
293
6.1 Wichtige Grundbegriffe und Regeln
● Beispiel 6.1.1: Würfelwurf ●
294
Ω = 1, 2, 3, 4, 5, 6Betrachte Ereignisse ( = 2, 4, 6 und T = 6Gemäß Regel Nr. 3 (Folie 290) muss dann gelten: U T ≤ U (Gemäß Regel Nr. 4 muss gelten: U (̅ = 1 − U (Man beachte, dass aus den bisherigen Rechenregeln nicht hervorgehtwelche konkreten Wahrscheinlichkeiten hier gelten sollten.Beispielsweise könnte im vorliegenden Fall gelten:
sofern man jedem Elementarereignis die Wahrscheinlichkeit 1/6zuordnet.
U T = 16 ≤ U ( = 1
2 = U (̅
6.1 Wichtige Grundbegriffe und Regeln
295
U ( ∪ ) ∪ * = U ( + U ) + U *−U ( ∩ ) − U ) ∩ * − U ( ∩ *+U ( ∩ ) ∩ *
● Beispiel 6.1.2: Additionssatz für 3 Ereignisse ●
6.1 Wichtige Grundbegriffe und Regeln
296
● Additionskalkül für diskrete Ergebnisräume ●
> Unter Kenntnis der Wahrscheinlichkeiten der Elementarereignisselässt sich im Falle eines diskreten Ergebnisraumes die Wahrschein-lichkeit für jedes beliebige Ereignis über Addition bestimmen.
> Beispiel: Laplace Modell (klassische Wahrscheinlichkeiten)
U ( = (Ω für Ω < ∞
6.1 Wichtige Grundbegriffe und Regeln
297
● Beispiel 6.1.1 fortgesetzt ●
Einmaliger Würfelwurf mit Ω = 1, 2, 3, 4, 5, 6Betrachte folgende Ereignisse:
( = 2, 4, 6 , ) = 2, 3, 6 , * = 1, 2, 3, 4 , T = 6Dann gilt z. B. (gemäß Additionskalkül und Rechenregeln):
U ( = (Ω = 3
6 = 1/2 U ) = )Ω = 3
6 = 1/2
U * = *Ω = 4
6 = 2/3 U T = TΩ = 1/6
( ∪ * = 1, 2, 3, 4, 6 ( ∩ * = 2, 4⇒ U ( ∪ * = 5/6 ⇒ U ( ∩ * = 2/6 = 1/3
U ( ∪ * = U ( + U * − U ( ∩ * = 12 + 2
3 − 13 = 5/6
6.1 Wichtige Grundbegriffe und Regeln
298
● Das Problem überabzählbarer Ergebnisräume ●
> Additionskalkül funktioniert nicht: Es ist mathematisch nicht möglich, jedemElementarereignis eines überabzählbaren Ergebnisraumes eine positive Wahr-scheinlichkeit zuzuordnen, ohne die Axiomatik zu verletzen.
> Eine (nichttriviale) Konsequenz davon ist, dass als Definitionsbereich eines Wahrscheinlichkeitsmaße eine „deutlich kleinere“ Menge als die Potenzmenge gewählt werden muss (sog. „Sigma-Algebren)
● Integrationskalkül für überabzählbare Ergebnisräume ●
> Additionskalkül wird durch Integrationskalkül ersetzt:Wahrscheinlichkeiten werden nicht über Addition sondern über Integrationbestimmt
> Integrationskalkül erzeugt jedoch Messbarkeitsproblem:Nicht mehr jeder Teilmenge von Ω kann eine Wahrscheinlich-keit zugeordnet werden (Verkleinerung der Potenzmenge)
> Weiteres hierzu später bei stetigen Zufallsvariablen
6.1 Wichtige Grundbegriffe und Regeln
299
● Maßtheoretische Verallgemeinerungen ●
> Axiome und Rechenregeln auf überabzählbare Ergebnisräume erweiterbar
> Im Grunde bleibt alles erhalten, lediglich für Definitionsmenge desW‘maßes (auch Ereignisraum genannt), wird i. d. R. nicht mehrdie Potenzmenge, sondern eine sog. Sigma-Algebra gewählt(„kleineres“ Teilmengensystem)
> Primär rein theoretisches Problem; keine praktische Relevanz
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
● Definition ●
6.2.1 Bedingte Wahrscheinlichkeiten und Rechenregeln
300
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
301
● Beispiel 6.2.1 ●
> Empirischer Kalkül (bisher):
Y�� = 0.16Raucheranteil insgesamt:
Raucheranteil bei Frauen: Y��[|] = Y��
Y��= 0.04
0.40 = 0.10
> Theoretischer Kalkül (jetzt):
Ω = ^, _ , ^, M_ , ^, `_ , &, _ , &, M_ , &, `_Zufallsvorgang: Eine Person werde zufällig gezogen
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
302
Betrachte Ereignisse:
_ = ^, _ , &, _ ... ein Raucher wird gezogen
a = ^, _ , ^, M_ , ^, `_ ... eine Frau wird gezogen
Dann gilt jetzt z. B.:
U _|a = U _ ∩ aU a = 0.04
0.40 = 0.10
^ … ^������ℎ, & … &ä���ℎ_ … _Oc�ℎ��, M_ … M�����ℎ�� ��Oc�ℎ��, `_ … `��ℎ �Oc�ℎ��
● Arithmetik bedingter Wahrscheinlichkeiten ●
U _ = 0.16
Für bedingte Wahrscheinlichkeiten gelten die gleichen Rechenregeln wie für „gewöhnliche“ (unbedingte)
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
303
● Beispiel 6.1.1 fortgesetzt ●
Einmaliger Würfelwurf mit Ω = 1, 2, 3, 4, 5, 6Betrachte folgende Ereignisse:
( = 2, 4, 6 , ) = 2, 3, 6 , * = 1, 2, 3, 4Dann gilt z. B. :
U (|) = U ( ∩ )U ) = U 2, 6
U ) = 2/63/6 = 2/3
U *|) = U * ∩ )U ) = U 2, 3
U ) = 2/63/6 = 2/3
U ( ∩ *|) = U ( ∩ * ∩ )U ) = U 2
U ) = 1/63/6 = 1
3
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
304
U ( ∪ *|) = U (|) + U *|) − U ( ∩ *|) = 23 + 2
3 − 13 = 1
U *̅|) = U *̅ ∩ )U ) = U 6
U ) = 1/63/6 = 1
3
U *̅|) = 1 − U *|) = 1 − 23 = 1
3
U ( ∪ *|) = U ( ∪ * ∩ )U ) = U 2, 3, 6
U ) = 3/63/6 = 1
Einerseits gilt:
Andererseits gilt mit Rechenregel Nr. 6:
Einerseits:
Andererseits gilt mit Rechenregel Nr. 4:
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
305
● Multiplikationsregel ●
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
306
2 Ereignisse: U (2|(� = U (� ∩ (2U (�
⇔ U (� ∩ (2 = U (2|(� U (�
3 Ereignisse: U (3|(� ∩ (2 = U (� ∩ (2 ∩ (3U (� ∩ (2
⇔ U (� ∩ (2 ∩ (3 = U (3|(� ∩ (2 U (� ∩ (2
⇒ U (� ∩ (2 ∩ (3 = U (3|(� ∩ (2 U (2|(� U (�
... analog geht es immer weiter. Für 4 Ereignisse erhält man dann
U (� ∩ (2 ∩ (3 ∩ (0= U (0|(� ∩ (2 ∩ (3 U (3|(� ∩ (2 U (2|(� U (�
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
307
aus Hartung und Heine [2004]● Beispiel 6.2.2 ●
Die Entwicklungsabteilung eines Produzenten von Haushaltsgeräten ist in90% der Fälle für die Markteinführung der von ihr entwickelten Geräte.Ein positives Votum der Entwicklungsabteilung führt mit einer Wahrschein-lichkeit von 0.7 bei der Marketingabteilung ebenfalls zu einem positivenVotum. Sind beide Abteilungen für die Markteinführung des neuen Gerätes,so entscheidet die Geschäftsleitung dennoch mit einer Wahrscheinlichkeitvon 0.2 dagegen. Ist die Marketingabteilung gegen die Markteinführung,die Entwicklungsabteilung aber dafür, so stimmt die Geschäftsleitung nurmit einer Wahrscheinlichkeit von 0.4 zu.
a) Wie groß ist die Wahrscheinlichkeit, dass die Markteinführung einesneuen Produktes sowohl von der Geschäftsleitung als auch von derEntwicklungs- und der Marketingabteilung getragen wird?
b) Mit welcher Wahrscheinlichkeit entscheiden sich Geschäftsleitung und Entwicklungsabteilung für die Markteinführung eines neuenProduktes?
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
308
Definiere EreignisseA1 = Entwicklungsabteilung ist für die MarkteinführungA2 = Marketingabteilung ist für die MarkteinführungA3 = Geschäftsleitung ist für die Markteinführung
U (� = 0.9 U (2|(� = 0.7U (3|(� ∩ (2 = 0.2 U (3|(� ∩ (2 = 0.4
Aus Text geht hervor:
U (� ∩ (2 ∩ (3 U (� ∩ (3Die gefragten Wahrscheinlichkeiten sind:
a) b)
Zu a):
U (� ∩ (2 ∩ (3 = U (� U (2|(� U (3|(� ∩ (2
= U (� U (2|(� 1 − U (3|(� ∩ (2
= 0.9 × 0.7 × 1 − 0.2 = 0.504
und
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
309
Zu b):
(� ∩ (3 = (� ∩ (2 ∩ (3 ∪ (� ∩ (2 ∩ (3
⇒ U (� ∩ (3 = U (� ∩ (2 ∩ (3 + U (� ∩ (2 ∩ (3
= 0.504 + U (� U (2|(� U (3|(� ∩ (2
= 0.504 + 0.9 × 1 − 0.7 × 0.4 = 0.612
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
310
● Wahrscheinlichkeitsbäume ●
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
311Entscheidend für a) und b): Pfade Nr. 1 und Nr. 3
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
312
● Beispiel 6.2.3 ●
Angenommen, in einem Raum befinden sich 30 Personen. Mit welcher Wahr-scheinlichkeit haben dann wenigstens zwei von diesen Personen am gleichenTag Geburtstag? Zur Beantwortung dieser Frage wird die vereinfachende An-nahme getroffen, dass Geburtstage allgemein über die 365 Tage des Jahresgleichmäßig verteilt sind.
Definiere EreignisseB = Alle 30 Personen haben unterschiedlichen Tagen GeburtstagA2 = die 2. Person hat an einem anderen Tag Geburtstag als die 1. PersonA3 = die 3. Person hat an einem anderen Tag Geburtstag als die ersten beiden
An = die n-te Person hat an einem anderen Tag Geburtstag als die erstenn Personen
Die gefragte Wahrscheinlichkeit ist: U ):
⋮
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
313
Es gilt dann:
⇒ U ) = U (2 U (3|(2 U (0|(2 ∩ (3 … U (3�|(2 ∩ (3 ∩ ⋯ ∩ (2f
) = (2 ∩ (3 ∩ ⋯ ∩ (3�
Gemäß der Annahme gleichwahrscheinlicher Geburtstage ergibt dies:
U ) = 364365 × 363
365 × 362365 × ⋯ × 336
365 ≈ 0.294
⇒ U ): = 1 − U ) = 1 − 0.294 = 0.706
Die Wahrscheinlichkeit, dass 30 Personen alle an einem verschiedenenTagen Geburtstag haben, beträgt also 70.6%.
Bei n = 70 Personen beträgt die Wahrscheinlichkeit dafür bereits 99%.
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
314
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
315
● Definition ●
6.2.2 Stochastische Unabhängigkeit von Ereignissen
Kriterium (iii) ist die stochastische Variante des (empirischen)Multiplikationskriteriums Y/h = Y/�Y�h
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
● Implizierte Unabhängigkeit von Gegenereignissen ●
Die Unabhängigkeit von A und B impliziert weitere paarweise Unab-hängigkeiten in Bezug auf die Gegenereignisse. Beispielweise gilt:
U (|) = U (⇒ U (̅|) = 1 − U (|) = U (̅ ⇒ (̅ und ) unabhängig
Analog folgt auch die Unabhängigkeit von ( und ): und (̅ und ):
316
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
317
● Interpretation ●
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
318
● Beispiel 6.2.4 ●
Definiere EreignisseR = Ein Raucher wird gezogenGR = Ein Gelegenheitsraucher wird gezogenNR = Ein Nichtraucher wird gezogenF = Eine Frau wird gezogenM = Ein Mann wird gezogen
Zufallsvorgang: Eine Person werde zufällig gezogen
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
319
Dann sind R und F abhängig. Denn es gilt:
U _|a = U _ ∩ aU a = 0.04
0.40 = 0.1 U a|_ = U _ ∩ aU _ = 0.04
0.16 = 0.25(iR 0.1 = U _|a ≠ U _ = 0.16 (iiR 0.25 = U a|_ ≠ U a = 0.40
(iiiR 0.04 = U _ ∩ a ≠ U _ U a = 0.064⇒ Die Wahrscheinlichkeit, ob jemand Raucher ist oder nicht, hängt also vom
Geschlecht ab.
Für GR und F erhalten wir hingegen Unabhängigkeit. Die Wahrscheinlichkeitob jemand Gelegenheitsraucher ist oder nicht, ist von Geschlecht unabhängig.
Multiplikationskriterium (iii) erfüllt
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
320
● Disjunkte Ereignisse sind abhängig ●
● Unabhängigkeit ist nicht transitiv ●
Betrachte als Beispiel(, ) und * = (̅,
wobei A und B unabhängig sind
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
● Unabhängigkeit von mehreren Ereignissen ●
> Wären in Abb. 6.2.7 auch A und C unabhängig, so läge eine Situationpaarweise Unabhängigkeit vor.
> Paarweise Unabhängigkeit impliziert jedoch keine „vollständige Unab-hängigkeit.
> Bei paarweiser Unabhängigkeit von A, B und C gilt lediglich:
U *|( ∩ ) = U ( ∩ ) ∩ *U ( ∩ )
= U ( ∩ ) ∩ *U ( U ) =
> Bei (vollständiger) Unabhängigkeit von A, B und C gilt auch:
U ( ∩ ) ∩ * = U ( U ) U *⇒ U *|( ∩ ) = U *
?
321
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
322
● Unabhängigkeit von mehreren Ereignissen ●
Die Wahrscheinlichkeit des „Schnittereignisses“ muss für jede Teil-menge bestehend aus bis zu n Ereignissen dem Produkt der Wahr-scheinlichkeiten der jeweiligen einzelnen Ereignisse entsprechen.
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
● Beispiel 6.2.5 ●
323
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
324
● Implizierte Unabhängigkeit weiterer Ereignisse ●
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
325
● Satz von der totalen Wahrscheinlichkeit ●
6.2.3 Kalkül nach der Formel von Bayes
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
326
> Eine derart beschriebene Menge von Ereignissen heißt auch disjunkte Zerlegung oder Partition des Ergebnisraumes.
> Es gilt:
) = (� ∩ ) ∪ (2 ∩ ) ∪ ⋯ ∪ (s ∩ ) = 5 (/ ∩ )s
/1�
> Man beachte, dass die Ereignisse (� ∩ ), (2 ∩ ), ..., (s ∩ ), disjunktsind
⇒ U ) = U 5 (/ ∩ )s
/1�= t U )|(/ U (/
s
/1�
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
● Bayes-Formel ●
327
> Allgemein gilt nun für die j-te Zelle der Partition
U (h|) = U (h ∩ )U )
U )|(h = U (h ∩ )U (h
⇔ U (h ∩ ) = U )|(h U (h
(i)
(ii)
> Einsetzen von (ii) im Zähler von (i) und Einsetzen des Satzes von der
totalen Wahrscheinlichkeitscheinlichkeit im Nenner von (i) ergibt...
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
328
● Beispiel 6.2.6 ●
In Australien wird ein Patient, der von einer unbekannten Giftschlange gebis-sen wurde, in die Notaufnahme einer Klinik gebracht. Es muss nun möglichstschnell das richtige Antiserum gespritzt werden. Angenommen, es kommen imvorliegenden Fall nur drei verschiedene Schlangenarten in Frage, die wir hiermit A1, A2 und A3 bezeichnen. Nach hauseigenen Statistiken des betroffenenKrankenhauses seien in der Vergangenheit 70% aller Bisse auf Schlange A1,20% auf Schlange A2 und 10% auf Schlange A3 zurückzuführen gewesen.Der Patient weist nun aber ein ganz bestimmtes Vergiftungssymptom auf, daseiner landesweiten Studie zu Folge mit einer Wahrscheinlichkeit von 5% beiA1, mit 20% bei A2 und mit 30% bei A3 auftritt. Wie sollte nun entschiedenwerden?
Definiere Ereignisse(/ = Patient wurde von Schlange (/ gebissen (i = 1, 2, 3)) = Das betreffende Symptom tritt beim Patienten auf
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
U (� = 0.7Aus Text geht hervor:
U (2 = 0.2U (3 = 0.1
U )|(� = 0.05U )|(2 = 0.20U )|(3 = 0.30
329
Mit Bayes-Formel folgt:
U (�|) = 0.33U (2|) = 0.38U (3|) = 0.29
Beispielrechnung für U (�|) :
U (�|) = U )|(� U (�∑ U )|(/ U (/3/1�
= 0.05 × 0.70.05 × 0.7 + 0.2 × 0.2 + 0.3 × 0.1 = 0.33
Entscheidung für ...
(� (3 (2
6.2 Rechnen mit abhängigen und unabhängigen Ereignissen
● Bayes-Kalkül vs. Maximum-Likelihood-Kalkül ●