15 Suchergebnisse

Gilt es, Wahrscheinlichkeiten zum Beispiel im Zusammenhang mit der Binomialverteilung oder mit dem Abzählprinzip für die Gleichverteilung zu berechnen, werden als Binomialkoeffizienten bezeichnete Terme verwandt. Es sind dies die Koeffizienten, die beim Entwickeln der n-ten Potenz eines Binoms $\left(a+b\right)$ auftreten.
Sie werden u.a. angewandt, um Wahrscheinlichkeiten (etwa im Zusammenhang mit der Binomialverteilung oder mit dem Abzählprinzip für Mengen) zu berechnen.

Bei der praktischen Anwendung der Binomialverteilung $B_{n;p}$ treten nicht selten große oder sogar sehr große Werte von n (etwa $n=10000$) auf, wodurch das Berechnen der Wahrscheinlichkeiten aufgrund der dabei zu ermittelnden Fakultäten und Potenzen sehr zeitaufwendig wird. Schon frühzeitig versuchte man deshalb, Näherungsformeln für die Binomialverteilung zu finden.

Hier ist es (unter bestimmten Voraussetzungen) günstig, die Binomialverteilung durch eine POISSON-Verteilung oder eine Normalverteilung zu approximieren und entsprechende Näherungsformeln anzuwenden.

Da Zufallsgrößen oftmals sehr komplizierte mathematische Gebilde sind, sucht man nach zahlenmäßigen Kenngrößen, die über die Zufallsgröße Wesentliches aussagen und zugleich aus Beobachtungsdaten zumindest näherungsweise einfach zu bestimmen sind.
Eine derartige Kenngröße ist der Erwartungswert.

• Es sei X eine endliche Zufallsgröße, die genau die Werte $x_i\left(miti\in \left\{1;2;\mathrm{...};n\right\}\right)$ annehmen kann, und zwar jeweils mit der Wahrscheinlichkeit $P\left(X=x_i\right)$. Dann nennt man die folgende Kenngröße den Erwartungswert der Zufallsgröße X:
  $EX=x_1\cdot P\left(X=x_1\right)+x_2\cdot P\left(X=x_2\right)+\mathrm{...}+x_n\cdot P\left(X=x_n\right)$

Anmerkung: Für EX schreibt man auch $E\left(X\right),\mu \left(X\right),{\mu }_{X}oder\mu$.

Das empirisches Gesetz der großen Zahlen, welches JAKOB BERNOULLI (1655 bis 1705) als „theorema aureum“ (goldenen Satz) bezeichnet hat, lautet folgendermaßen:

• Ist A ein Ereignis eines Zufallsexperiments, so stabilisieren sich bei einer hinreichend großen Anzahl n von Durchführungen dieses Experiments die relativen Häufigkeiten $h_n\left(A\right)$.

Ein Zufallsexperiment (Zufallsversuch) mit einer endlichen Ergebnismenge $\Omega =\left\{e_1;e_2;\mathrm{...};e_n\right\}$ heißt LAPLACE-Experiment, wenn es der LAPLACE-Annahme genügt, d.h. wenn alle seine atomaren Ereignisse gleichwahrscheinlich sind, d.h. wenn diese jeweils mit derselben Wahrscheinlichkeit $P\left(\left\{e_1\right\}\right)=P\left(\left\{e_2\right\}\right)=\mathrm{...}=P\left(\left\{e_n\right\}\right)$ eintreten.

Schon lange vor der axiomatischen Begründung der Stochastik rechnete man mit Wahrscheinlichkeiten. Besonders zu den Zeiten, da die Mathematik hof- und gesellschaftsfähig war, wurden deren professionellen Vertretern immer wieder Fragen zu Glücks- und Kartenspielen gestellt. Dabei erwartete man nicht selten Aussagen über sogenannte zusammengesetzte Ereignisse, wie dies zum Beispiel der am Hof LUDWIG XIV. lebende Literat und Philosoph ANTOINE GOMBAUD CHEVALIER DE MÉRÉ (1610 bis 1685) gegenüber dem Mathematiker BLAISE PASCAL (1623 bis 1662) tat.

Dieser Fragestellung liegt ein sogenanntes LAPLACE-Experiment, ein Zufallsexperiment mit endlich vielen Ergebnissen (Ausfällen), von denen jedes mit der gleichen Wahrscheinlichkeit eintritt, zugrunde. Sie kann mithilfe der LAPLACE-Regel gelöst werden.

Mithilfe eines Baumdiagramms lässt sich der mögliche Ablauf eines mehrstufigen Zufallsexperiments mit endlich vielen möglichen Ergebnissen in seiner komplexen Struktur erfassen, darstellen und analysieren. Zudem ist es damit möglich, auf Grundlage der ersten und zweiten Pfadregel die Wahrscheinlichkeiten für atomare und zusammengesetzte Ereignisse eines solchen Experiments in einfacher Weise zu berechnen.

Als Simulation bezeichnet man die Nachbildung (das Nachahmen) eines Zufallsversuchs mithilfe eines geeigneten Zufallsgeräts. Als Zufallsgeräte werden Würfel oder Münzen verwendet, mitunter arbeitet man auch mit (in Tabellen zusammengestellten) Zufallszahlen (Zufallsziffern).

Eine Normalverteilung $N\left(\mu ;{\sigma }^2\right)$ wird vollständig bestimmt durch ihren Erwartungswert $\mu$ und ihre Streuung ${\sigma }^2$. Es liegt deshalb die Frage nahe, ob man eine beliebige Normalverteilung in eine spezielle Normalverteilung transformieren kann – und zwar in eine mit solchen Parametern, die den Termen ihrer Dichte- und Verteilungsfunktion eine möglichst einfache Gestalt geben. Für eine $\left(0;1\right)\text{-normalverteilte}$ Zufallsgröße wäre dies der Fall:
Für die Werte $\mu =0und\sigma =1$ erhält man als Spezialfall die Standardnormalverteilung.

Der Grad der Gewissheit über das Eintreten eines zufälligen Ereignisses A wird durch seine Wahrscheinlichkeit $P\left(A\right)$ angegeben.
Liegt jedoch die Information über das Eintreten eines Ereignisses B vor, so kann diese die Bewertung der Eintrittschancen von A verändern, was durch die bedingte Wahrscheinlichkeit $P_B\left(A\right)$ beschrieben wird.

Für zwei beliebige Ereignisse $A,B\left(mitA,B\subseteq \Omega \right)$ gilt:
$P\left(A\cup B\right)=P\left(A\right)+P\left(B\right)-P\left(A\cap B\right)$
Dieser Additionssatz kann auf drei und mehr Ereignisse verallgemeinert werden.
Spezialfälle des Additionssatzes ergeben sich für unvereinbare bzw. unabhängige Ereignisse A und B.

Für das Rechnen mit Wahrscheinlichkeiten existieren grundlegende Regeln, die aus dem kolmogorowschen Axiomensystem ableitbar sind.
Diese Beweise dieser Rechenregeln gewähren Einblicke in wichtige stochastische Beweismechanismen. So besteht eine häufig angewandte Beweisidee in der Zerlegung eines Ereignisses in zwei geeignete (unvereinbare) Ereignisse.

Mitunter wird man mit dem Problem konfrontiert, die Wahrscheinlichkeit für ein Ereignis A zu berechnen, das im Zusammenhang mit n verschiedenen Ereignissen $B_i$ auftritt (in der Praxis können die $B_i$ zum Beispiel verschiedene Fälle oder Ursachen von A sein), wobei sich die Wahrscheinlichkeiten für die Ereignisse $B_i$ und insbesondere für das Eintreten von A unter der Bedingung, dass jeweils ein $B_i$ eingetreten ist, mitunter leichter angeben bzw. ermitteln lassen.

Gesucht ist also eine Aussage über eine „unbedingte“ Wahrscheinlichkeit, wenn Informationen über bedingte Wahrscheinlichkeiten vorliegen bzw. primär bestimmbar sind. Bei einer solchen Problemsituation wird man versuchen, den im Folgenden angeführten Satz der totalen Wahrscheinlichkeit anzuwenden.

Bei der Lösung kombinatorischer Probleme sind zwei Zählprinzipien hilfreich – das für k-Tupel und das für Mengen.

Eine Zufallsgröße wird vollständig durch ihre Verteilungsfunktion beschrieben. Diese gibt an, welche Werte die Zufallsgröße annehmen kann und mit welchen Wahrscheinlichkeiten sie dies tut.
In der Praxis möchte man allerdings meist mit möglichst wenigen, aber typischen Angaben auskommen, denn oftmals reicht schon eine grobe Vorstellung von der Zufallsgröße aus. Es kommt hinzu, dass die Verteilungsfunktion mitunter gar nicht oder nur schwer bestimmbar ist.

Man sucht deshalb nach Kenngrößen (manchmal spricht man auch von Parametern), die einen hinreichenden Aufschluss und eine quantitative Charakterisierung einer Zufallsgröße ermöglichen. Dies leisten Kenngrößen wie Erwartungswert, Median und Modalwert sowie die Streuung (bzw. Varianz) der Zufallsgröße.
Zur Charakterisierung der Asymmetrie einer Zufallsgröße benutzt man darüber hinaus die Kenngröße Schiefe. Eine Definition dieser Kenngröße geht auf den Vater der mathematischen Statistik KARL PEARSON (1857 bis 1936) zurück.