Wahrscheinlichkeit P
Hier findest du folgende Inhalte
Formeln
Einstufige Zufallsexperimente und deren Wahrscheinlichkeiten
Ein Zufallsexperiment ist ein grundsätzlich beliebig oft wiederholbarer "Versuch", welcher unter identischen Bedingungen zu 2 oder mehreren nicht vorhersagbaren Ergebnissenführt. Dabei ist das zeitlich jeweils nächste Ergebnis unabhängig von den zeitlich vorhergehenden Ergebnissen.
Ergebnismenge \(\Omega\)
Ein Ergebnis ist der spezifische Ausgang von einem Zufallsexperiment. Die Ergebnismenge, auch Ergebnisraum genannt, ist die Menge aller möglichen Ergebnisse Ai eines Zufallsexperiments, die grundsätzlich auftreten können.
\(\Omega = \left\{ {{A_1},{A_2},...,{A_n}} \right\}\)
- Ergebnis eines einmaligen Würfelwurfs: "2 Augen"
- Die Menge aller möglichen Ergebnisse - also der Ergebnisraum \(\Omega\) - beim Würfeln ist \(\Omega = \left\{ {1;2;3;4;5;6} \right\}\)
- Die Menge aller möglichen Ergebnisse - also der Ergebnisraum \(\Omega\) - beim Wurf einer Münze ist \(\Omega = \left\{ {{\rm{Kopf;Zahl}}} \right\}\)
- Die Menge aller möglichen Ergebnisse - also der Ergebnisraum \(\Omega\) - beim Würfeln mit 2 Würfeln ist \(\Omega = \left\{ {\left( {1;1} \right);\left( {1;2} \right);...;\left( {1;6} \right);\left( {2;1} \right);\left( {2;2} \right);....\left( {6;6} \right)} \right\}\)
Ereignismenge \(P\left( \Omega \right)\)
Ereignismengen, auch Ereignisräume genannt, sind Teilmengen der Ergebnismenge.
\(P\left( \Omega \right) = \left\{ {A\left| {A \subseteq \Omega } \right.} \right\}\)
Beispiel Würfel:
- Ergebnismenge: \(\Omega = \left\{ {{1},{2},...,{6}} \right\}\)
- Ereignismenge "nur" die gerade Augenzahl: \(\Omega = \left\{ {{2},{4},{6}} \right\}\)
Elementarereignis
Das Elementarereignis Ai ist eine Teilmenge der Ergebnismenge \(\Omega\) mit genau einem Element.
\({A_i} \in \Omega\)
Zur Veranschaulichung:
Wirft man einen Würfel, so umfasst die Ergebnismenge \(\Omega = \left\{ {1,2,3,4,5,6} \right\}\) genau 6 Elementarereignisse : 1 Auge, 2 Augen, 3 Augen, 4 Augen, 5 Augen, 6 Augen
Gegenereignis
Das Gegenereignis A‘ tritt genau dann ein, wenn das Ereignis A nicht eintritt. Alle Elemente des Ereignisses A und seines Gegenereignisses A‘ ergeben zusammen die Ergebnismenge \(\Omega\).
\(A' + A = \Omega\)
Die Verneinung vom Ereignis E heißt Gegenereignis \(\overline E \). Für ein Ereignis E und sein Gegenereignis \(\overline E \) gilt folgender Zusammenhang:
\(P\left( E \right) = 1 - P\left( {\overline E } \right)\)
Wahrscheinlichkeit
Die Wahrscheinlichkeit ist ein Maß dafür, wie wahrscheinlich der Eintritt eines Ereignisses ist. Bei der wiederholten Durchführung eines Zufallsexperiments tritt eine Abfolge von einzelnen Elementarereignissen Ai auf. Man kann zwar nicht vorhersagen genau welches Elementarereignis als nächstes auftritt, aber man kann eine Aussage darüber machen, wie häufig ein bestimmtes Elementarereignis im Vergleich zu den anderen Elementarereignissen auftritt. Die Wahrscheinlichkeit nach Laplace P(A)=P(X=x) leitet sich aus der Häufigkeit eines bestimmten Elementarereignisses, im Verhältniss zur Häufigkeit aller Elementarereignisse ab.
\(0 \leqslant P\left( A \right) \leqslant 1\) | Die Wahrscheinlichkeit dafür, dass ein beliebiges Elementarereignis eintritt, muss zwischen 0 und 1 liegen |
\(P\left( \Omega \right) = 1\) | Die Wahrscheinlichkeit dafür, dass alle Elementarereignisse eintreten, muss 1 sein. |
Gleichwahrscheinlichkeit
Eine Gleichwahrscheinlichkeit liegt vor, wenn jedes der n Elementarereignisse die gleiche Wahrscheinlichkeit 1/n hat.
Unbedingte Wahrscheinlichkeit P(A)
Die unbedingte Wahrscheinlichkeit gibt an, wie hoch die Wahrscheinlichkeit für den Eintritt eines Ereignisses ist, unabhängig von irgend welchen Vorbedingungen.
Beispiel: Wie hoch ist die Wahrscheinlichkeit, dass morgen in Wien die Temperatur 30° C überschreitet? Antwort: Nieder, weil es nur ca. 30 derartige Hitzetage pro Jahr gibt.
Bedingte Wahrscheinlichkeit P(B│A)
Die bedingte Wahrscheinlichkeit P(B|A) ist die Wahrscheinlichkeit für das Eintreten von B, unter der Voraussetzung (Bedingung), dass bereits das Ereignis A eingetreten ist, also bei von einander stochastisch abhängigen Ereignissen
\(P\left( {{B}\left| {{A}} \right.} \right) = \dfrac{{P\left( {{A} \cap {B}} \right)}}{{P\left( {{A}} \right)}}\)
Obige Formel ist lediglich die umformulierte Multiplikationsregeln für Wahrscheinlichkeiten ("Und Regel").
Beispiel: Heute wird in Wien eine Temperatur von 35° C gemessen. Wie hoch ist die Wahrscheinlichkeit, dass morgen in Wien die Temperatur 30° C überschreitet? Antwort: Hoch, da sich die Klimalage nur alle paar Tage verändert.
Gegenwahrscheinlichkeit
Die Gegenwahrscheinlichkeit vom Ereignis A ist die Wahrscheinlichkeit dafür, dass das Ereignis A nicht eintritt. Oft ist es einfacher die Gegenwahrscheinlichkeit von einem Ereignis auszurechnen und daraus die Wahrscheinlichkeit des Ereignisses selbst zurückzurechnen.
\(\eqalign{ & P\left( {A'} \right) = 1 - P\left( A \right) \cr & P\left( A \right) = 1 - P\left( {A'} \right) \cr}\)
Anmerkung zur Notation:
\(P\left( {A'} \right) = P\left( {\neg A} \right)\)
Bernoulli Experiment
Ein Bernoulli Experiment ist ein Zufallsexperiment, welches
- genau 2 mögliche Ergebnisse hat: Treffer / Niete.
- Die Wahrscheinlichkeit p für einen Treffer oder für eine Niete muss aber keinesfalls 50:50 bzw. 0,5 sein. Die Formel für die Laplace Wahrscheinlichkeit ("günstige" durch "mögliche") gilt auch für Bernoulli Experimente, da diese ja nur ein Sonderfall vom Laplace Experiment sind.
Beispiel: gerade und ungerade Tage im Jänner:
Jeder Tag muss entweder gerade oder ungerade sein, aber es gibt im Jänner 15 gerade aber 16 ungerade Tage.
\(\eqalign{ & P\left( {X = {\text{gerader Tag}}} \right) = \dfrac{{15}}{{31}} \cr & P\left( {X = {\text{ungerader Tag}}} \right) = \dfrac{{16}}{{31}} \cr} \)
Gegenwahrscheinlichkeiten in einem Bernoulli Experiment
Wenn in einem Bernoulli Experiment p die Wahrscheinlichkeit für einen Treffer ist, dann ist 1-p die Wahrscheinlichkeit für eine Niete, man nennt dies die Gegenwahrscheinlichkeit.
Laplace Experiment
Ein Laplace Experiment ist ein Zufallsexperiment, welches n mögliche Ergebnisse hat, wobei die Wahrscheinlichkeit für jedes der n Ergebnisse gleich groß ist. Man spricht dann von der Laplace Wahrscheinlichkeit.
Beispiel für ein Laplace Experiment: Würfelwurf; Es gibt 6 mögliche Elementarereignisse, die die gleiche Wahrscheinlichkeit haben. 1 Auge, 2 Augen, 3 Augen, 4 Augen, 5 Augen, 6 Augen
Laplace Wahrscheinlichkeit
Die Laplace Wahrscheinlichkeit P(E) gibt den relativen Anteil der „günstigen“ Versuchsausgänge zu den „möglichen“ Versuchsausgängen an. Sie ist also eine Maßzahl für die Chance, dass ein bestimmtes Ereignis E bei mehreren möglichen Ereignissen eintritt. Alle Elementarergebnisse / Ausgänge müssen die gleiche Eintrittswahrscheinlichkeit haben.
\(P\left( E \right) = \dfrac{{{\text{Anzahl der günstigen Fälle}}}}{{{\text{Anzahl der möglichen Fälle}}}}\)
wobei: \(0 \leqslant P\left( E \right) \leqslant 1{\text{ und }}P\left( 0 \right) = 0{\text{ sowie P}}\left( \Omega \right) = 1\)
E | Ereignisse A, B |
P(A) | Wahrscheinlichkeit für das Eintreten vom Ereignis A |
P(A)=1 | Das Ereignis tritt sicher ein |
P(A)=0 | Das Ereignis tritt sicher nicht ein |
Schon den nächsten Urlaub geplant?
Auf maths2mind kostenlos auf Prüfungen vorbereiten!
Nach der Prüfung mit dem gesparten Geld deinen Erfolg genießen.
Zufallsvariable
Eine Zufallsvariable X ist eine Funktion, die jedem Ergebnis ω vom Ergebnisraum Ω eines Zufallsexperiments eine reelle Zahl x zuordnet.
\(X:\Omega \to R;\,\,\,X:\omega \to X\left( \omega \right) = x\)
Das Ergebnis einfacher Zufallsexperimente ist etwa eine Augenzahl beim Würfeln oder "Kopf" oder "Zahl" beim Werfen einer Münze. Bei komplexeren Zufallsexperimenten ist das Ergebnis vom Experiment meist praktischer Weise eine Zahl. Der Großbuchstabe X steht dabei für die Zufallsvariable und der Kleinbuchstabe x steht für den einen, ganz konkreten Wert, den X annimmt. Man sagt auch, dass x die Zufallsvariable X "realisiert" und dass diese konkrete Realisation mit einer bestimmten Wahrscheinlichkeit eintritt.
Man unterscheidet zwischen
- diskreten Zufallsvariablen, die durch eine Wahrscheinlichkeitsfunktion beschrieben werden
- stetigen Zufallsvariablen, die durch eine Dichtefunktion beschrieben werden
Wahrscheinlichkeitsverteilung
Die Wahrscheinlichkeitsverteilung beschreibt, mit welcher Wahrscheinlichkeit die einzelnen Ergebnisse eines Zufallsexperiments auftreten. Sie lässt sich auf 2 Arten, bei gleichem Informationsgehalt aber unterschiedlicher Darstellung, beschreiben:
Wahrscheinlichkeitsverteilung für diskrete Zufallsvariablen
Für diskrete Zufallsvariablen (Bernoulli Verteilung, Binomialverteilung, Poissonverteilung, hypergeometrische Verteilung) liegt die Wahrscheinlichkeit für das Auftreten von jedem einzelnen Wert zwischen 0 und 1. Die Summe der Einzelwahrscheinlichkeiten beträgt 1 (entsprechend 100%). Die Beschreibung erfolgt durch die
- Wahrscheinlichkeitsfunktion f(x): \(f\left( x \right) = P\left( {X = x} \right)\)
- Verteilungsfunktion F(x): \(F\left( x \right) = P\left( {X \leqslant x} \right) = \sum\limits_{{x_i} \leqslant x} {f\left( {{x_i}} \right)} \)
Wahrscheinlichkeitsverteilung für stetige Zufallsvariablen
Für stetige Zufallsvariablen (Normalverteilung, Gleichverteilung, Exponentialverteilung) beträgt die Wahrscheinlichkeit für das Auftreten jedes einzelnen Werts der Zufallsvariablen exakt Null. Die Beschreibung erfolgt durch die
- Dichtefunktion f(x): \(P\left( {a < X \le b} \right) = \int\limits_a^b {f\left( x \right)} \,\,dx = F\left( b \right) - F\left( a \right)\) wobei \(\int\limits_{ - \infty }^\infty {f\left( x \right)} \,\,{\mathop{\rm dx}\nolimits} = 1\)
- Die Dichtefunktion ist für stetige Zufallsvariablen das Äquivalent zur Wahrscheinlichkeitsfunktion von diskreten Zufallsvariablen. Sie kann nur positive Werte annehmen und die gesamte Fläche unter ihrem Graph hat den Wert 1. Aus der Dichtefunktion f(x) lässt sich keine Wahrscheinlichkeit P(X) ablesen, da die Wahrscheinlichkeit dafür, dass eine stetige Zufallsvariable X einen konkreten Wert x annimmt immer Null ist. Es gilt also: \(f\left( x \right) \ne P\left( {X = x} \right)\)
- Die Dichtefunktion ist für stetige Zufallsvariablen das Äquivalent zur Wahrscheinlichkeitsfunktion von diskreten Zufallsvariablen. Sie kann nur positive Werte annehmen und die gesamte Fläche unter ihrem Graph hat den Wert 1. Aus der Dichtefunktion f(x) lässt sich keine Wahrscheinlichkeit P(X) ablesen, da die Wahrscheinlichkeit dafür, dass eine stetige Zufallsvariable X einen konkreten Wert x annimmt immer Null ist. Es gilt also: \(f\left( x \right) \ne P\left( {X = x} \right)\)
- Verteilungsfunktion F(x): \(F\left( x \right) = P\left( {X \leqslant x} \right) = \int\limits_{ - \infty }^x {f\left( t \right)\,\,dt} \)
- Auf der y-Achse der Verteilungsfunktion kann man die Wahrscheinlichkeit \(P\left( {X \le {x_1}} \right)\) ablesen, höchstens den Wert x1 zu erreichen.
Diskrete Zufallsvariable
Die Anzahl der Ergebnisse des Zufallsexperiments ist endlich / abzählbar. Eine diskrete Zufallsvariable ist durch die Angabe ihres Wertebereichs \({x_1},{x_2},...,{x_n}\) und den Einzelwahrscheinlichkeiten fur das Auftreten von jedem Wert des Wertebereichs, also \(P\left( {X = {x_1}} \right) = {p_1},\,\,\,P\left( {X = {x_2}} \right) = {p_2},...P\left( {X = {x_n}} \right) = {p_n}\) vollständig definiert. Man spricht von der Wahrscheinlichkeitsfunktion, welche es nur für diskrete Zufallsvariablen gibt. (Bei stetigen Zufallsvariablen gibt es entsprechend die Dichtefunktion.)
Spezielle Verteilungen diskreter Zufallsvariabler sind
- Bernoulli-Verteilung
- Binomialverteilung (mit Zurücklegen)
- Poissonverteilung
- hypergeometrische Verteilung (ohne Zurücklegen)
Wahrscheinlichkeitsfunktion
Die Wahrscheinlichkeitsfunktion, welche es nur für diskrete Zufallsvariablen gibt, beschreibt eine diskrete Wahrscheinlichkeitsverteilung, indem sie jedem \(x \in {\Bbb R}\) einer Zufallsvariablen X genau eine Wahrscheinlichkeit P aus dem Intervall \(\left[ {0;1} \right]\) zuordnet.
\(f:x \to p\)
\(f:x \to \left\{ {\begin{array}{*{20}{l}} {P\left( {X = {x_i}} \right)}&{für\,\,x = {x_i}}\\ 0&{für\,\,\,x \ne {x_i}} \end{array}} \right.\)
Funktionsgraph der Wahrscheinlichkeitsfunktion
Im Funktionsgraph der Wahrscheinlichkeitsverteilung werden über jedem (diskreten) Wert x die jeweilige Wahrscheinlichkeit P(X=x) dargestellt, wobei die einzelnen Wahrscheinlichkeiten P(X=x) mit Hilfe der Laplace-Wahrscheinlichkeit berechnet werden. Im Stabdiagramm wird über jedem (diskreten) Wert x ein Stab (dünner Balken) aufgetragen, dessen Höhe der jeweilige Wahrscheinlichkeit P(X=x) entspricht.
Verteilungsfunktion
Die Verteilungsfunktion einer diskreten Zufallsvariablen, auch kumulative Verteilfunktion genannt, gibt die Wahrscheinlichkeit dafür an, dass die Zufallsvariable X höchstens den Wert x annimmt.
\(F\left( x \right) = P\left( {X \leqslant x} \right)\)
Sie ist eine monoton steigende Treppenfunktion mit Sprüngen an den Stellen xi und daher nicht stetig. Geometrisch entspricht die Wahrscheinlichkeit P(X=x) der Sprunghöhe der Verteilungsfunktion F(x) an der Stelle x.
F(x) ist für jedes x definiert und nimmt Werte von mindestens 0 bis höchstens 1 an.
\(\eqalign{ & \mathop {\lim }\limits_{x \to - \infty } F(x) = 0 \cr & \mathop {\lim }\limits_{x \to \infty } F(x) = 1 \cr} \)
Darüber hinaus gilt:
\(\eqalign{ & P\left( {X \geqslant x} \right) = 1 - P\left( {X < x} \right) \cr & P\left( {X > x} \right) = 1 - P\left( {X \leqslant x} \right) \cr} \)
Mittelwert einer Vollerhebung bzw. einer Stichprobe
Der arithmetische Mittelwert bezieht sich immer auf die grundsätzlich abzählbare Anzahl n an Durchgängen eines Zufallsexperiments. Er ist definiert als die Summe aller beobachteten Werte dividiert durch die Anzahl der beobachteten Werte.
\(\overline x = \dfrac{1}{n} \cdot \sum\limits_{i = 1}^n {{x_i}} \)
Unterschied Mittelwert und Erwartungswert
Wiederholt man das Zufallsexperiment unendlich oft, geht also \(n \to \infty \), so wird aus dem Mittelwert der Erwartungswert.
Erwartungswert
Der Erwartungswert einer diskreten Zufallsvariablen X, welche die diskreten Werte x1, x2, ..., xn mit den zugehörigen Wahrscheinlichkeiten P(X=x1), P(X=x2), ... P(X=xn) annimmt, errechnet sich aus der Summe der Produkte vom jeweiligen Wert xi und seiner Wahrscheinlichkeit P(X=xi). Merkregel: "Was passiert" mal "mit welcher Wahrscheinlichkeit passiert es".
\(E\left( X \right) = \mu = {x_1} \cdot P\left( {X = {x_1}} \right) + {x_2} \cdot P\left( {X = {x_2}} \right) + ... + {x_n} \cdot P\left( {X = {x_n}} \right) = \sum\limits_{i = 1}^n {{x_i} \cdot P\left( {X = {x_i}} \right)} \)
mit: \(P\left( E \right) = \frac{{{\text{Anzahl günstige Fälle}}}}{{{\text{Anzahl möglicher Fälle}}}}\)
Der Erwartungswert ist ein Maß für die mittlere Lage der Verteilung, und somit ein Lageparameter der beschreibenden Statistik.
- Ist die Wahrscheinlichkeit für jeden Versuch die selbe (z.B. bei binomialverteilten Experimenten), dann ist der Erwartungswert gleich dem arithmetischen Mittel.
- Ist die Wahrscheinlichkeit für jeden Versuch unterschiedlich , dann ist der Erwartungswert gemäß obiger Formel ein gewichtetes arithmetisches Mittel.
Erwartungswert für den Fall dass die diskrete Verteilung eine Binomialverteilung ist,
die nur zwei Werte (Erfolg / Misserfolg) annehmen kann und deren Trefferwahrscheinlichkeit immer p ist:
\(E\left( X \right) = n \cdot p\)
Physikalische Analogie
- Physikalisch entspricht der Erwartungswert dem Schwerpunkt. Man muss sich dabei die Massen R(X=xi) an den Positionen xi entlang vom Zahlenstrahl x platziert vorstellen.
- Physikalisch entspricht die Varianz dem Trägheitsmoment, wenn man den oben beschriebenen Zahlenstrahl um eine Achse dreht, die senkrecht auf den Zahlenstrahl steht und die durch den Schwerpunkt verläuft.
Varianz
Die Varianz einer diskreten Zufallsvariablen ist die mittlere quadratische Abweichung der Zufallsvariablen von ihrem Erwartungswert und somit ein Streumaß der beschreibenden Statistik.
\({\sigma _x}^2 = Var\left( X \right) = {\sum\limits_{i = 1}^n {\left( {{x_i} - E\left( x \right)} \right)} ^2} \cdot P\left( {X = {x_i}} \right)\)
Verschiebungssatz
Der Verschiebungssatz für diskrete Zufallsvariablen kann den Rechenaufwand für die Berechnung der Varianz verringern, es kann aber zum Verlust von Rechengenauigkeit kommen.
\({\sigma _x}^2 = Var\left( X \right) = E\left( {{X^2}} \right) - E{\left( X \right)^2} = \sum\limits_{i = 1}^n {{x_i}^2 \cdot P\left( {X = {x_i}} \right) - E{{\left( X \right)}^2}} \)
Standardabweichung
Die Varianz hat den Nachteil, als Einheit das Quadrat der Einheit der zugrunde liegenden Zufallsvariablen zu haben. Das ist bei der Standardabweichung (auf Grund der Quadratwurzel) und beim Erwartungswert nicht der Fall.
\({\sigma _x} = \sqrt {Var\left( X \right)} \)
Physikalische Analogie für den Erwartungswert und für die Varianz:
- Physikalisch entspricht der Erwartungswert dem Schwerpunkt. Man muss sich dabei die Massen R(X=xi) an den Positionen xi entlang vom Zahlenstrahl x plaziert vorstellen.
- Physikalisch entspricht die Varianz dem Trägheitsmoment, wenn man den oben beschriebenen Zahlenstrahl um eine Achse dreht, die senkrecht auf den Zahlenstrahl steht und die durch den Schwerpunkt verläuft
Illustration zur Veranschaulichung einer kleinen Varianz:
\(\eqalign{ & {x_1} = 3;\,\,\,\,\,{x_2} = 4;\,\,\,\,\,{x_3} = 5; \cr & P\left( {{x_1}} \right) = 0,2;\,\,\,\,\,P\left( {{x_2}} \right) = 0,6;\,\,\,\,\,P\left( {{x_3}} \right) = 0,2; \cr & E(X) = \mu = \sum\limits_{i = 1}^3 {{x_i} \cdot P\left( {X = {x_i}} \right)} = 3 \cdot 0,2 + 4 \cdot 0,6 + 5 \cdot 0,2 = 4 \cr & Var(X) = {\sum\limits_{i = 1}^3 {\left( {{x_i} - E\left( X \right)} \right)} ^2} \cdot P\left( {X = {x_i}} \right) = {\left( {3 - 4} \right)^2} \cdot 0,2 + {\left( {4 - 4} \right)^2} \cdot 0,6 + {\left( {5 - 4} \right)^2} \cdot 0,2 = 0,4 \cr} \)
Alternativ errechnet sich die Varianz unter Zuhilfenahme vom Verschiebungssatz wie folgt:
\(Var(X) = \sum\limits_{i = 3}^3 {{x_i}^2 \cdot P\left( {X = {x_i}} \right)} - {\left( {E\left( X \right)} \right)^2} = {3^2} \cdot 0,2 + {4^2} \cdot 0,6 + {5^2} \cdot 0,2 - {4^2} = 0,4\)
Illustration zur Veranschaulichung einer großen Varianz mit dem gleichen Erwartungswert:
\(\eqalign{ & {x_1} = 2;\,\,\,\,\,{x_2} = 4;\,\,\,\,\,{x_3} = 6; \cr & P\left( {{x_1}} \right) = 0,2;\,\,\,\,\,P\left( {{x_2}} \right) = 0,6;\,\,\,\,\,P\left( {{x_3}} \right) = 0,2; \cr & E(X) = \mu = \sum\limits_{i = 1}^3 {{x_i} \cdot P\left( {X = {x_i}} \right)} = 2 \cdot 0,2 + 4 \cdot 0,6 + 6 \cdot 0,2 = 4 \cr & Var(X) = {\sum\limits_{i = 1}^3 {\left( {{x_i} - E\left( X \right)} \right)} ^2} \cdot P\left( {X = {x_i}} \right) = {\left( {2 - 4} \right)^2} \cdot 0,2 + {\left( {4 - 4} \right)^2} \cdot 0,6 + {\left( {6 - 4} \right)^2} \cdot 0,2 = 1,6 \cr} \)
Alternativ errechnet sich die Varianz unter Zuhilfenahme vom Verschiebungssatz wie folgt:
\(Var(X) = \sum\limits_{i = 3}^3 {{x_i}^2 \cdot P\left( {X = {x_i}} \right)} - {\left( {E\left( X \right)} \right)^2} = {2^2} \cdot 0,2 + {4^2} \cdot 0,6 + {6^2} \cdot 0,2 - {4^2} = 1,6\)
Aufgaben
Aufgabe 1401
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 11. Mai 2015 - Teil-1-Aufgaben - 21. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Mehrere Wahrscheinlichkeiten
In einer Unterrichtsstunde sind 15 Schülerinnen und 10 Schüler anwesend. Die Lehrperson wählt für Überprüfungen nacheinander zufällig drei verschiedene Personen aus dieser Schulklasse aus. Jeder Prüfling wird nur einmal befragt.
- Aussage 1: Die Wahrscheinlichkeit, dass die Lehrperson drei Schülerinnen auswählt, kann mittels \(\dfrac{{15}}{{25}} \cdot \dfrac{{14}}{{25}} \cdot \dfrac{{13}}{{25}}\) berechnet werden.
- Aussage 2: Die Wahrscheinlichkeit, dass die Lehrperson als erste Person einen Schüler auswählt, ist \(\dfrac{{10}}{{25}}\).
- Aussage 3: Die Wahrscheinlichkeit, dass die Lehrperson bei der Wahl von drei Prüflingen als zweite Person eine Schülerin auswählt, ist \(\dfrac{{24}}{{25}}\).
- Aussage 4: Die Wahrscheinlichkeit, dass die Lehrperson drei Schüler auswählt, kann mittels \(\dfrac{{10}}{{25}} \cdot \dfrac{9}{{24}} \cdot \dfrac{8}{{23}}\) berechnet werden.
- Aussage 5: Die Wahrscheinlichkeit, dass sich unter den von der Lehrperson ausgewählten Personen genau zwei Schülerinnen befinden, kann mittels \(\dfrac{{15}}{{25}} \cdot \dfrac{{14}}{{24}} \cdot \dfrac{{23}}{{23}}\) berechnet werden.
Aufgabenstellung:
Kreuzen Sie die beiden zutreffenden Aussagen an!
Schon den nächsten Urlaub geplant?
Auf maths2mind kostenlos auf Prüfungen vorbereiten!
Nach der Prüfung mit dem gesparten Geld deinen Erfolg genießen.
Aufgabe 1422
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 21.September 2015 - Teil-1-Aufgaben - 24. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Sammelwahrscheinlichkeit bei Überraschungseiern
Ein italienischer Süßwarenhersteller stellt Überraschungseier her. Das Ei besteht aus Schokolade. Im Inneren des Eies befindet sich in einer gelben Kapsel ein Spielzeug oder eine Sammelfigur. Der Hersteller wirbt für die Star-Wars Sammelfiguren mit dem Slogan „Wir sind jetzt mit dabei, in jedem 7. Ei!“.
Aufgabenstellung:
Peter kauft in einem Geschäft zehn Überraschungseier aus dieser Serie. Berechnen Sie die Wahrscheinlichkeit, dass Peter mindestens eine Star-Wars-Sammelfigur erhält!
Aufgabe 1424
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 21.September 2015 - Teil-1-Aufgaben - 22. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Augensumme beim Würfeln
Zwei unterscheidbare, faire Würfel mit den Augenzahlen 1, 2, 3, 4, 5, 6 werden gleichzeitig geworfen und die Augensumme wird ermittelt. Das Ereignis, dass die Augensumme durch 5 teilbar ist, wird mit E bezeichnet. (Ein Würfel ist „fair“, wenn die Wahrscheinlichkeit, nach einem Wurf nach oben zu zeigen, für alle sechs Seitenflachen gleich groß ist.)
Aufgabenstellung:
Berechnen Sie die Wahrscheinlichkeit des Ereignisses E!
Aufgabe 1448
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 15. Jänner 2016 - Teil-1-Aufgaben - 22. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Maturaball-Glücksspiele
Bei einem Maturaball werden zwei verschiedene Glücksspiele angeboten: Ein Glücksrad und eine Tombola, bei der 1000 Lose verkauft werden. Das Glücksrad ist in zehn gleich große Sektoren unterteilt, die alle mit der gleichen Wahrscheinlichkeit auftreten können. Man gewinnt, wenn der Zeiger nach Stillstand des Rades auf das Feld der „1“ oder der „6“ zeigt.
Aufgabenstellung:
Max hat das Glücksrad einmal gedreht und als Erster ein Los der Tombola gekauft. In beiden Fällen hat er gewonnen. Die Maturazeitung berichtet darüber: „Die Wahrscheinlichkeit für dieses Ereignis beträgt 3 %.“ Berechnen Sie die Anzahl der Gewinn-Lose!
Aufgabe 1449
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 15. Jänner 2016 - Teil-1-Aufgaben - 21. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Augensumme
Zwei unterscheidbare, faire Spielwürfel mit den Augenzahlen 1, 2, 3, 4, 5, 6 werden geworfen und die Augensumme wird ermittelt. (Ein Würfel ist „fair“, wenn die Wahrscheinlichkeit, nach einem Wurf nach oben zu zeigen, für alle sechs Seitenflachen gleich groß ist.)
Aufgabenstellung:
Jemand behauptet, dass die Ereignisse „Augensumme 5“ und „Augensumme 9“ gleichwahrscheinlich sind. Geben Sie an, ob es sich hierbei um eine wahre oder eine falsche Aussage handelt, und begründen Sie Ihre Entscheidung!
Schon den nächsten Urlaub geplant?
Auf maths2mind kostenlos auf Prüfungen vorbereiten!
Nach der Prüfung mit dem gesparten Geld deinen Erfolg genießen.
Aufgabe 1471
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 10. Mai 2016 - Teil-1-Aufgaben - 23. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Verschiedenfärbige Kugeln
Auf einem Tisch steht eine Schachtel mit drei roten und zwölf schwarzen Kugeln. Nach dem Zufallsprinzip werden nacheinander drei Kugeln aus der Schachtel gezogen, wobei die gezogene Kugel jeweils wieder zurückgelegt wird.
- Aussage 1: Es wird höchstens eine schwarze Kugel gezogen.
- Aussage 2: Es werden genau zwei schwarze Kugeln gezogen.
- Aussage 3: Es werden zwei rote Kugeln und eine schwarze Kugel gezogen.
- Aussage 4: Es werden nur rote Kugeln gezogen.
- Aussage 5: Es wird mindestens eine rote Kugel gezogen.
- Aussage 6: Es wird keine rote Kugel gezogen
Aufgabenstellung:
Gegeben ist der folgende Ausdruck: \(3 \cdot {0,8^2} \cdot 0,2\)
Kreuzen Sie dasjenige Ereignis an, dessen Wahrscheinlichkeit durch diesen Ausdruck berechnet wird!
Aufgabe 1473
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 10. Mai 2016 - Teil-1-Aufgaben - 21. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Zollkontrolle
Eine Gruppe von zehn Personen überquert eine Grenze zwischen zwei Staaten. Zwei Personen führen Schmuggelware mit sich. Beim Grenzübertritt werden drei Personen vom Zoll zufällig ausgewählt und kontrolliert.
Aufgabenstellung:
Berechnen Sie die Wahrscheinlichkeit P, dass unter den drei kontrollierten Personen die beiden Schmuggler der Gruppe sind!
Aufgabe 1497
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 20. September 2016 - Teil-1-Aufgaben - 21. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Einlasskontrolle
Beim Einlass zu einer Sportveranstaltung führt eine Person P einen unerlaubten Gegenstand mit sich. Bei einer Sicherheitskontrolle wird ein unerlaubter Gegenstand mit einer Wahrscheinlichkeit von 0,9 entdeckt. Da es sich bei dieser Sportveranstaltung um eine Veranstaltung mit besonders hohem Risiko handelt, muss jede Person zwei derartige voneinander unabhängige Sicherheitskontrollen durchlaufen.
Aufgabenstellung:
Berechnen Sie die Wahrscheinlichkeit, dass bei der Person im Zuge der beiden Sicherheitskontrollen der unerlaubte Gegenstand entdeckt wird!
Aufgabe 1498
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 20. September 2016 - Teil-1-Aufgaben - 20. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Wahrscheinlichkeit für eine Mädchengeburt
Im Jahr 2014 wurden in Österreich 42 162 Buben und 39 560 Mädchen geboren.
Aufgabenstellung:
Geben Sie anhand dieser Daten einen Schätzwert für die Wahrscheinlichkeit P an, dass ein in Österreich geborenes Kind ein Mädchen ist!
Schon den nächsten Urlaub geplant?
Auf maths2mind kostenlos auf Prüfungen vorbereiten!
Nach der Prüfung mit dem gesparten Geld deinen Erfolg genießen.
Aufgabe 1520
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 12. Jänner 2017 - Teil-1-Aufgaben - 22. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Weiche und harte Eier
Beim Frühstücksbuffet eines Hotels befinden sich in einem Körbchen zehn äußerlich nicht unterscheidbare Eier. Bei der Vorbereitung wurde versehentlich ein hart gekochtes Ei zu neun weich gekochten Eiern gelegt.
Aufgabenstellung:
Eine Dame entnimmt aus dem noch vollen Körbchen ein Ei, das sie zufällig auswählt. Geben Sie die Wahrscheinlichkeit an, dass der nächste Gast bei zufälliger Wahl eines Eies das harte Ei entnimmt!
Aufgabe 1521
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 12. Jänner 2017 - Teil-1-Aufgaben - 21. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Online-Glücksspiel
Ein Mann spielt über einen längeren Zeitraum regelmäßig dasselbe Online-Glücksspiel mit konstanter Gewinnwahrscheinlichkeit. Von 768 Spielen gewinnt er 162.
- Aussage 1: 0,162 %
- Aussage 2: 4,74 %
- Aussage 3: 16,2 %
- Aussage 4: 21,1 %
- Aussage 5: 7,68 %
- Aussage 6: 76,6 %
Aufgabenstellung:
Mit welcher ungefähren Wahrscheinlichkeit wird er das nächste Spiel gewinnen? Kreuzen Sie den zutreffenden Schätzwert für diese Wahrscheinlichkeit an!
Aufgabe 1635
Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik
Quelle: AHS Matura vom 09. Mai 2018 - Teil-1-Aufgaben - 22. Aufgabe
Angabe mit freundlicher Genehmigung vom Bundesministerium für Bildung; Lösungsweg: Maths2Mind
Vergleich zweier Wahrscheinlichkeitsverteilungen
In den nachstehenden Diagrammen sind die Wahrscheinlichkeitsverteilungen zweier Zufallsvariablen X und Y dargestellt. Die Erwartungswerte der Zufallsvariablen werden mit E(X) und E(Y), die Standardabweichungen mit σ (X) und σ (Y) bezeichnet.
Aufgabenstellung:
Kreuzen Sie die beiden zutreffenden Aussagen an!
- Aussage 1: \(E\left( X \right) = E\left( Y \right)\)
- Aussage 2: \(\sigma \left( X \right) > \sigma \left( Y \right)\)
- Aussage 3: \(P\left( {X \leqslant 3} \right) < P\left( {Y \leqslant 3} \right)\)
- Aussage 4: \(P\left( {3 \leqslant X \leqslant 7} \right) = P\left( {3 \leqslant Y \leqslant 7} \right)\)
- Aussage 5: \(P\left( {X \leqslant 5} \right) = 0,3\)