| Druckversion: | Nach dem Drucken: | und zurück zum Dokument |
Sollte das Drucken mit diesem Schaltknopf nicht funktionieren, nutzen Sie bitte die Druckfunktion in Ihrem Browser: Menü Datei -> Drucken
| ViLeS 2 > Kap. I Grundlagen der Wahrscheinlichkeitsrechnung > I-2 Begriffe und Axiome zur Wahrscheinlichkeit > Konzepte und Definitionen |
Die Wahrscheinlichkeit des Ereignisse A wird mit P(A) bezeichnet. Sie ist ein Zahlenwert, mit dem die Realisationschance dieses bestimmten Ereignisses quantifiziert wird. Es gibt dazu verschiedene Ansätze zur konkreten Bestimmung seines Wertes und ein Axiomensystem zum Rechnen mit diesen Werten.
Nach dem Konzept der klassischen objektiven Wahrscheinlichkeitt werden mit P(A) die Anzahl der, dem Ereignis A zuzurechnenden Elementarereignisse [= n(A)] ins Verhältnis zur Anzahl aller Elementarereignisse [= n(E)] gesetzt:
So ergibt sich die Wahrscheinlichkeit eine gerade Zahl zu würfeln aus dem Verhältnis der günstigen Ereignisse (=3) zu den möglichen Ereignissen (=6) mit P(A) = 3/6 = 0,5.
Ist die Durchführungsvorschrift des Zufallsexperimentes
bekannt, so kann nach dieser Definition die Wahrscheinlichkeit jedes
möglichen Ergebnisses bereits ermittelt werden, bevor das
Experiment tatsächlich ausgeführt wird. Aus diesem Grunde
wird die klassische objektive Wahrscheinlichkeit nach Laplace
auch als a-priori-Wahrscheinlichkeit
bezeichnet.
Es ist jedoch zu beachten, dass bei dieser Definition
nach dem Prinzip des unzureichenden Grundes unterstellt wird,
dass die Realisation aller Elementarereignisse gleich wahrscheinlich
ist. Daher wird z.B. ein „idealer Würfel“, dessen
Augenzahlen exakt mit der gleichen Wahrscheinlichkeit von
1/6 fallen, häufig auch als „Laplace-Würfel“ bezeichnet.
Sobald es hinreichenden Grund zu der Annahme gibt, dass für die Elemente des Ereignisraumes eines Zufallsexperimentes ungleiche Eintrittswahrscheinlichkeiten vorliegen, ist das Konzept der klassischen objektiven Wahrscheinlichkeit ungeeignet.
Wenn die
Elementarereignisse eines Zufallsexperimentes mit ungleicher
Wahrscheinlichkeit auftreten, muss die tatsächliche
Wahrscheinlichkeit als statistische objektive Wahrscheinlichkeit approximativ empirisch bestimmt werden.
Dies gilt z.B. für die Ermittlung der Wahrscheinlichkeit dafür, dass eine Reißzwecke auf den Kopf oder auf die Seite fällt.
Diese statistische objektive Wahrscheinlichkeit ist
definiert als Grenzwert der relativen Häufigkeit des Auftretens
von A bei wiederholter Durchführung des Experimentes:
Je häufiger das Zufallsexperiment wiederholt wird, desto mehr
nähert sich P(A) der tatsächlichen Wahrscheinlichkeit an.
Diese Wahrscheinlichkeit wird deshalb auch als
a-posteriori-Wahrscheinlichkeit genannt.
Wirft man z.B. eine Münze immer wieder und ermittelt wie
oft „Wappen“ im Verhältnis zur Zahl der Würfe
gefallen ist, so wird sich die Wahrscheinlichkeit bei einer idealen
Münze immer näher bei 0,5 stabilisieren.
In vielen, oft nicht objektivierbaren Kontexten, z. B. bei zukünftigen Ereignissen, über deren Realisierungschancen noch keine Erfahrungswerte vorliegen, also etwa bei der Analyse von Wettkampf- oder von ökonomischen Entscheidungssituationen, sind die bisher entwickelten Ansätze nicht brauchbar. Dazu ist das Konzept der subjektiven Wahrscheinlichkeit entwickelt worden.
Bei dem von Bayes
entwickelte Konzept der subjektiven Wahrscheinlichkeit
wird die subjektive Wahrscheinlichkeit als zahlenmäßiger
Ausdruck der persönlichen Einschätzung der
Realisierbarkeit des Ereignisses A gewertet.
Konkret definiert Bayes
dazu die Wahrscheinlichkeit des Ereignisses A als Verhältnis
des durchschnittlichen zu erwartenden Gewinns und des Gewinns bei
Eintreten des Ereignisses.
Geht man davon aus, dass in einer fairen Entscheidungssituation der durchschnittlich zu erwartende Erfolg oder Gewinn dem Einsatz entspricht, kann man dies auch formulieren als
Werden z.B. bei einem Pferderennen 50 € auf den Sieg des Pferdes A gesetzt, wobei beim Sieg von A 150 € Gewinn ausgezahlt würden, ergäbe sich:
Die Einschätzung erfolgt also aus der speziellen Entscheidungssituation heraus, daher der Begriff subjektive Wahrscheinlichkeit.
Nun ist klar ersichtlich, dass die oben skizzierten Definitionen kein Fundament für eine allgemein gültige Wahrscheinlichkeitstheorie liefern können, da sie alle auf bestimmte Problemstellungen abheben und nur im jeweils passenden Kontext Verwendung finden können. Ein übergreifendes Konzept muss also unabhängig von der jeweiligen Problemstellung definiert werden.
Dieser Begriff der Wahrscheinlichkeit, der auf Kolmogoroff zurückgehen, stützt sich ausschließlich auf die mathematischen Eigenschaften der Wahrscheinlichkeit und basiert auf folgenden drei Axiomen:
1. Axiom: Die Wahrscheinlichkeit P(A i ), mit i = (1....n) ist eine eindeutig bestimmte, reelle, positive Zahl zwischen Null und Eins.1
2. Axiom: Die Wahrscheinlichkeit des sicheren Ereignisses
ist Eins:
3. Axiom: Die Wahrscheinlichkeit der Vereinigung disjunkter Ereignisse A i , mit i = (1....n) ergibt sich als Summe der Wahrscheinlichkeiten der einzelnen Ereignisse (Additionssatz für disjunkte Ereignisse):
oder allgemein:
Aus diesen drei Axiomen folgt:
Die Wahrscheinlichkeit des komplementären Ereignisses
ist
Die Wahrscheinlichkeit der Schnittmenge zweier diskunkter
Ereignisse A und B ist Null.
Die Wahrscheinlichkeit eines Teilereignisses ist immer kleiner (oder gleich) als die des übergeordneten Ereignisses:
Für nicht disjunkte Ereignisse folgt daraus der Additionssatz für beliebige Ereignisse:
Die Wahrscheinlichkeit des Durchschnitts P(A ∩ B) muss hier subtrahiert werden, da sie sonst doppelt enthalten wäre.
Wenn Ereignisse zusammen oder nacheinander auftreten, d.h. im Falle mehrdimensionaler Ereignisse, stellt sich
die Frage nach der Abhängigkeit bzw. Unabhängigkeit der Ereignisse. Bei
Abhängigkeit ist zu klären, wie sich ihre
Wahrscheinlichkeit verändert, wenn bestimmte Bedingungen erfüllt
sind.
Klassisches Beispiel dafür ist die Ziehung verschieden
markierter Kugeln aus einer Urne, ohne dass die gezogenen Kugeln in
die Urne zurück gelegt werden (z.B. Ziehung der Lottozahlen).
Bei solchen klassischen Urnenexperimenten ändern sich die
Wahrscheinlichkeiten offensichtlich nach jeder Ziehung, da sich
sowohl die Zahl der günstigen als auch die Zahl der möglichen
Fälle mit jeder entnommenen Kugel verändern.
Stellen wir uns dazu eine Urne vor, die vier rote und sechs grüne
Kugeln enthält. Aus dieser Urne werden nun nacheinander zwei
Kugeln gezogen und beiseite gelegt (also nicht zurück in die
Urne).
Die Wahrscheinlichkeit, im ersten Zug eine rote Kugel zu ziehen,
beträgt als Verhältnis der günstigen zu den möglichen
Fällen P(A) = 4/10. Es sind danach noch insgesamt 9 Kugeln in der Urne, davon 3 rote, d.h. die Bedingung für den zweiten Zug ist eine andere als die für den ersten Zug.
Die Wahrscheinlichkeit, im zweiten Zug wieder eine rote Kugel zu ziehen, nachdem im ersten bereits eine der roten Kugeln entnommen wurde, liegt nun bei 3/9, d.h. die Wahrscheinlichkeit für "rot im ersten Zug" unterscheidet sich von der Wahrscheinlichkeit für "rot im 2. Zug". Wir nennen diese Wahrscheinlichkeit für den 2. Zug bedingte Wahrscheinlichkeit, weil sie sich unter der Bedingung des 1. Zuges ergibt.
Für die bedingte Wahrscheinlichkeit, dass ein Ereignis B eintritt, nachdem zuvor bereits A eingetreten ist, verwenden wir die Schreibweise
In unserem Beispiel also: P(B | A) = 3/9
Die Gesamtwahrscheinlichkeit für den Fall „rot im ersten Zug, rot im zweiten Zug“ liegt bei P(A ∩ B) = 4/10 · 3/9 = 0,1333 . Graphisch lässt sich diese Wahrscheinlichkeit in Abb. I-4 als Verhältnis der Kreuze in der grau unterlegten Fläche (12 Kreuze) zu den Kreuzen der Gesamtfläche (90 Kreuze) darstellen.
Abbildung I-4: Urnenexperiment und Ereignisraum
Allgemein formuliert dies der Multiplikationssatz für abhängige Ereignisse:
Daraus resultiert die Formel für die bedingte Wahrscheinlichkeit:
Betrachten wir noch den Fall der Ziehung von drei Kugeln aus
obiger Urne, exemplarisch für den Fall „rot, grün,
rot“. Hier erhalten wir:
P(A ∩ B ∩ C) = 4/10 · 6/9 · 3/8 = 0,10,
oder allgemein:
Anders liegt der Fall für das obige Experiment, wenn nach der Ziehung jede Kugel sofort wieder in die Urne zurück gelegt wird (Ziehung mit Zurücklegen). In diesem Fall ist die Bedingungg für den zweiten Zug identisch mit der für den ersten Zug, d.h. Ereignisse sind voneinander unabhängig und die bedingten Wahrscheinlichkeiten entsprechen den einfachen Wahrscheinlichkeiten.
Ausgedrückt wird dies durch den Multiplikationssatz für unabhängige Ereignisse:
,
bzw. allgemein für n beliebige Ereignisse:
.
Für den obigen Beispielsfall („rot, rot“) ergibt: P(A ∪ B = 4/10 · 4/10 = 0,16. Auch dieser Fall kann an Abb. I-4 veranschaulicht werden: Im Falle des Zurücklegens wäre die Hauptdiagonale ebenfalls mit Kreuzen besetzt. Die grau unterlegte Fläche würde 16 Kreuze und der gesamte Ereignisraum 100 Kreuze aufweisen.
Sind A i , (i = 1....n) originär disjunkte Ereignisse mit
so wird die Menge derart definierter Ereignisse A i , (i = 1....n) . als Einteilung bezeichnet (vgl. Abb. I-5). Das Theorem der totalen Wahrscheinlichkeit bezieht sich nun auf die Wahrscheinlichkeit der Ereignisses B als Summe von Teilereignissen von A i , (i = 1....n) .
Abbildung I-5: Theorem der totalen Wahrscheinlichkeit
Das Theorem der totalen Wahrscheinlichkeit bestimmt unter obiger Bedingung nun die Wahrscheinlichkeit eines Ereignisses B als Summe der Wahrscheinlichkeiten von sich gegenseitig ausschließenden Ereignissen (A1 ∪ B):
.
Aus der der Identität von (B ∩ A) = (A ∩ B und der Formel für bedingte Wahrscheinlichkeiten resultiert:
.
Satz von Bayes bestimmt daraus die a-posteriori-Wahrscheinlichkeit eines Ereignisses A als Ursache des Ereignisses B:
1d.h. streng genommen dürften wir deshalb Wahrscheinlichkeiten nicht in Prozentwerten ausdrücken.
letzte Änderung am 5.4.2019 um 4:24 Uhr.
Adresse dieser Seite (evtl. in mehrere Zeilen zerteilt)
http://viles.uni-oldenburg.de/navtest/viles2/kapitel01_Grundlagen~~lder~~l~~lWahrscheinlichkeitsrechnung/modul02_Begriffe~~lund~~lAxiome~~lzur~~lWahrscheinlichk
eit/ebene01_Konzepte~~lund~~lDefinitionen/01__02__01__01.php3