Unabhängigkeit von (mehr als zwei) Ereignissen

Zwei Ereignisse A und B mit positiver Wahrscheinlichkeit sind genau dann voneinander stochastisch unabhängig, wenn gilt:
$P (A \cap B) = P (A) \cdot P (B)$
Man kann diesen Ansatz auf endlich oder abzählbar viele Ereignisse ausdehnen, wobei der Einfachheit halber vorausgesetzt wird, dass alle betrachteten Ereignisse eine positive Wahrscheinlichkeit besitzen. Dabei ist aber Vorsicht geboten. Es ist zum Beispiel möglich, dass die Ereignisse $A_{1}, A_{2}, ..., A_{n}$ paarweise voneinander unabhängig sind (d.h., je zwei der Ereignisse sind voneinander unabhängig), die Ereignisse $A_{1}, A_{2}, ..., A_{n}$ in ihrer Gesamtheit sind dies aber nicht.

Kim hat in Deutsch, Mathe, Englisch und 6 weiteren Schulfächern immer eine von Lehrkräften geprüfte Erklärung, Video oder Übung parat.
24/7 auf Learnattack.de und WhatsApp mit Bildupload und Sprachnachrichten verfügbar. Ideal, um bei den Hausaufgaben und beim Lernen von Fremdsprachen zu unterstützen.
Viel günstiger als andere Nachhilfe und schützt deine Daten.

Jetzt 30 Tage risikofrei testen

Ein Beispiel, das auf den russischen Mathematiker SERGEJ NATANOWITSCH BERNSTEIN (1880 bis 1968) zurückgeht, soll das im Folgenden erläutern (neben den Problemen der Wahrscheinlichkeitstheorie beschäftigte sich BERNSTEIN auch mit der Approximationstheorie und mit partiellen Differentialgleichungen).

Beispiel 1: Von den vier Flächen eines fairen Tetraeders sei eine rot, eine blau, eine grün gefärbt. Die vierte Fläche ist mit allen drei Farben bunt bemalt. Das Tetraeder wird geworfen, und es werden die folgenden Ereignisse betrachtet:
$\begin{array}{l} A_{1} - D a s T e t r a e d e r f ä l l t a u f e i n e F l ä c h e m i t r o t e r F a r b e . \\ A_{2} - D a s T e t r a e d e r f ä l l t a u f e i n e F l ä c h e m i t b l a u e r F a r b e . \\ A_{3} - D a s T e t r a e d e r f ä l l t a u f e i n e F l ä c h e m i t g r ü n e r F a r b e . \end{array}$

Da bei jeweils zwei von den vier Flächen des Tetraeders die Farbe rot bzw. blau bzw. grün vorkommt, gilt $P (A_{1}) = P (A_{2}) = P (A_{3}) = \frac{1}{2}$ . Andererseits ist nur eine Fläche mit allen drei Farben bunt bemalt, sodass sich ergibt:
$\begin{array}{l} P (A_{1} \cap A_{2}) = \frac{1}{4} = P (A_{1}) \cdot P (A_{2}) \\ P (A_{1} \cap A_{3}) = \frac{1}{4} = P (A_{1}) \cdot P (A_{3}) \\ P (A_{2} \cap A_{3}) = \frac{1}{4} = P (A_{2}) \cdot P (A_{3}) \end{array}$

Damit sind die Ereignisse $A_{1}, A_{2}, A_{3}$ paarweise voneinander unabhängig.

Es gilt aber nicht $P (A_{1} \cap A_{2} \cap A_{3}) = P (A_{1}) \cdot P (A_{2}) \cdot P (A_{3})$ , denn es ist $P (A_{1} \cap A_{2} \cap A_{3}) = \frac{1}{4}$ (nur eine Fläche trägt alle drei Farben) und $P (A_{1}) \cdot P (A_{2}) \cdot P (A_{3}) = \frac{1}{8}$ .

Eine Definition der Unabhängigkeit für n Ereignisse $A_{1}, A_{2}, ..., A_{n}$ muss also gewährleisten, dass alle Kombinationen von Ereignissen, die man mit $A_{1}, A_{2}, ..., A_{n}$ bilden kann, voneinander unabhängig sind, d.h. es muss jegliche Abhängigkeit ausgeschlossen werden. Man spricht deshalb auch von vollständiger stochastischer Unabhängigkeit oder von stochastischer Unabhängigkeit in der Gesamtheit.

Definition: Die Ereignisse heißen (vollständig) stochastisch unabhängig, wenn für jede natürliche Zahl k mit $1 < k \leq n$ und für jede Teilmenge von k Ereignissen $A_{i_{1}}, A_{i_{2}}, ..., A_{i_{k}}$ der Menge ${A_{1}, A_{2}, ..., A_{n}}$ gilt:
$P (A_{i_{1}} \cap A_{i_{2}} \cap ... \cap A_{i_{k}}) = P (A_{i_{1}}) \cdot P (A_{i_{2}}) \cdot ... \cdot P (A_{i_{k}})$

Anmerkung: Zum Nachweis der Unabhängigkeit von n Ereignissen sind $2^{n} - n - 1$ Gleichungen zu überprüfen.

Für drei Ereignisse $A_{1}, A_{2}, A_{3}$ bedeutet das, dass sie stochastisch unabhängig sind, wenn die folgenden vier Gleichungen erfüllt sind:
$\begin{array}{l} (1) P (A_{1} \cap A_{2}) = P (A_{1}) \cdot P (A_{2}) \\ (2) P (A_{1} \cap A_{3}) = P (A_{1}) \cdot P (A_{3}) \\ (3) P (A_{2} \cap A_{3}) = P (A_{2}) \cdot P (A_{3}) \\ (4) P (A_{1} \cap A_{2} \cap A_{3}) = P (A_{1}) \cdot P (A_{2}) \cdot P (A_{3}) (M u l t i p l i k a t i o n s f o r m e l) \end{array}$

Die Notwendigkeit eines so umfassenden Unabhängigkeitsbegriffs wird auch dadurch bekräftigt, dass sich bezogen auf drei Ereignisse aus der Gültigkeit der Gleichung (4) nicht zwangsläufig die Gültigkeit der drei anderen Gleichungen ergibt. Auch das soll durch ein spezielles Beispiel belegt werden.

Beispiel 2: Es werden zwei faire Würfel einmal geworfen, von denen der eine weiß und der andere schwarz ist.
Betrachtet werden die folgenden Ereignisse:
$\begin{array}{l} A_{1} - D i e A u g e n z a h l a u f d e m w e i ß e n W ü r f e l i s t g r ö ß e r a l s v i e r . \\ A_{2} - D i e A u g e n s u m m e i s t d u r c h d r e i t e i l b a r . \\ A_{3} - D i e A u g e n s u m m e i s t d u r c h v i e r t e i l b a r . \end{array}$

In Mengenschreibweise können die Ereignisse $A_{1}, A_{2}, A_{3}$ auch wie folgt angegeben werden:
$\begin{array}{l} A_{1} = {(i; j) : i \in {5; 6}, j \in {1; 2; 3; 4; 5; 6}} \\ A_{2} = {(i; j) : i, j \in {1; 2; 3; 4; 5; 6} u n d 3 | i + j} \\ A_{3} = {(i; j) : i, j \in {1; 2; 3; 4; 5; 6} u n d 4 | i + j} \end{array}$

Dann gilt:
$\begin{array}{l} P (A_{1} \cap A_{2} \cap A_{3}) = \frac{1}{36} = P (A_{1}) \cdot P (A_{2}) \cdot P (A_{3}) = \frac{1}{3} \cdot \frac{1}{3} \cdot \frac{1}{4} = \frac{1}{36} \\ P (A_{1} \cap A_{2}) = \frac{4}{36} = \frac{1}{9} = P (A_{1}) \cdot P (A_{2}) = \frac{1}{3} \cdot \frac{1}{3} = \frac{1}{9} \\ P (A_{1} \cap A_{3}) = \frac{3}{36} = \frac{1}{12} = P (A_{1}) \cdot P (A_{3}) = \frac{1}{3} \cdot \frac{1}{4} = \frac{1}{12} \\ P (A_{2} \cap A_{3}) = \frac{1}{36} \neq P (A_{2}) \cdot P (A_{3}) = \frac{1}{3} \cdot \frac{1}{4} = \frac{1}{12} \end{array}$

Es gilt folgender Satz (wobei diese Aussage nicht umgekehrt werden kann, wie das obige Beispiel gezeigt hat):

Multiplikationsformel:
Sind die Ereignisse $A_{1}, A_{2}, ..., A_{n}$ (vollständig) stochastisch unabhängig, dann gilt:
$P (A_{1} \cap A_{2} \cap ... \cap A_{n}) = P (A_{1}) \cdot P (A_{2}) \cdot ... \cdot P (A_{n})$

Lernhelfer (Duden Learnattack GmbH): "Unabhängigkeit von (mehr als zwei) Ereignissen." In: Lernhelfer (Duden Learnattack GmbH). URL: http://www.lernhelfer.de/schuelerlexikon/mathematik-abitur/artikel/unabhaengigkeit-von-mehr-als-zwei-ereignissen (Abgerufen: 19. May 2025, 17:01 UTC)

Suche nach passenden Schlagwörtern

Jetzt durchstarten

Entspannt durch die Schule mit KI-Tutor Kim und Duden Learnattack.

Kim hat in Deutsch, Mathe, Englisch und 6 weiteren Schulfächern immer eine von Lehrkräften geprüfte Erklärung, Video oder Übung parat.
24/7 auf Learnattack.de und WhatsApp mit Bildupload und Sprachnachrichten verfügbar. Ideal, um bei den Hausaufgaben und beim Lernen von Fremdsprachen zu unterstützen.
Viel günstiger als andere Nachhilfe und schützt deine Daten.

Verwandte Artikel

Bedingte Wahrscheinlichkeit

Der Grad der Gewissheit über das Eintreten eines zufälligen Ereignisses A wird durch seine Wahrscheinlichkeit $P (A)$ 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 $P_{B} (A)$ beschrieben wird.

Unabhängigkeit von Zufallsgrößen

Für die Definition der Unabhängigkeit von Zufallsgrößen werden die Ansätze und Erkenntnisse genutzt, die im Zusammenhang mit dem Begriff der stochastischen Unabhängigkeit von Ereignissen gewonnen wurden.
Die Unabhängigkeit von Zufallsgrößen wird als Unabhängigkeit von Ereignissen interpretiert.

Unabhängigkeit von zwei Ereignissen

Im Folgenden soll der Begriff der (stochastischen) Unabhängigkeit von zwei Ereignissen A und B mit positiven Wahrscheinlichkeiten betrachtet werden.
Die Unabhängigkeit von Ereignissen darf nicht mit der Unvereinbarkeit von Ereignissen verwechselt werden.

Rechenregeln für Erwartungswerte

Für die Erwartungswerte von Zufallsgrößen gelten eine Reihe wichtiger und nützlicher Rechneregeln. Der Einfachheit halber sollen hier nur endliche Zufallsgrößen betrachtet werden.
Erwartungswerte können nach diesen Sätzen, nach Definitionen bzw. durch Simulationen bestimmt werden.

Histogramme

Zum grafischen Veranschaulichen der Häufigkeits- und der Wahrscheinlichkeitsverteilungen von endlichen Zufallsgrößen X mit
$X ≙ (\begin{matrix} x_{1} & x_{2} & ... & x_{n} \\ P (X = x_{1}) & P (X = x_{2}) & ... & P (X = x_{n}) \end{matrix})$
werden ihre relativen Häufigkeiten der Klassen bzw. ihre Einzelwahrscheinlichkeiten häufig als Stäbe oder als Säulen (Rechtecke) dargestellt, die senkrecht auf der Abszissenachse stehen.
Ist bei einem derartigen aufrechten Säulendiagramm jeweils der Flächeninhalt des über der Klasse $K_{i}$ bzw. über $x_{i}$ errichteten Rechtecks gleich der relativen Häufigkeit $h_{n} (K_{i})$ bzw. der Einzelwahrscheinlichkeit $P (X = x_{i})$ so nennt man es Histogramm.

Unabhängigkeit von (mehr als zwei) Ereignissen

Schule wird easy mit KI-Tutor Kim und Duden Learnattack

Suche nach passenden Schlagwörtern