Wahrscheinlichkeitsrechnung
Die Wahrscheinlichkeitsrechnung untersucht Zufallsexperimente und entwickelt mathematische Modelle zur Berechnung von Wahrscheinlichkeiten. Sie bildet die Grundlage für Statistik, Risikoanalyse und datengetriebene Entscheidungen.
Alternative Begriffe: Wahrscheinlichkeitstheorie.
Lernziele
Nach diesem Abschnitt können Sie …
- Mengenoperationen (Schnitt, Vereinigung, Komplement, Differenz) anwenden und mit Venn-Diagrammen darstellen
- Den klassischen Wahrscheinlichkeitsbegriff erläutern und die Kolmogorov-Axiome benennen
- Wahrscheinlichkeiten mit Additions- und Multiplikationssatz berechnen
- Zufallsexperimente (Laplace, Bernoulli) analysieren und Baumdiagramme erstellen
- Permutationen, Kombinationen und Variationen mithilfe der Kombinatorik berechnen
- Bedingte Wahrscheinlichkeiten bestimmen und den Satz von Bayes anwenden
- Diskrete und stetige Wahrscheinlichkeitsverteilungen beschreiben und den Erwartungswert berechnen
- Gesetz der großen Zahlen und Zentralen Grenzwertsatz interpretieren
Von der Mengenlehre über Zufallsexperimente und Kombinatorik bis zu Verteilungsmodellen und Grenzwertsätzen – Wahrscheinlichkeitsrechnung im strukturierten Überblick.
Mathematische Grundlage der Wahrscheinlichkeitsrechnung – Mengenoperationen, Teilmengen, De Morgansche Regeln und Venn-Diagramme.
Grundbegriffe und Axiome der Wahrscheinlichkeit – Kolmogorov-Axiome, Additions- und Multiplikationssatz.
Zufallsexperimente modellieren – Laplace- und Bernoulli-Experiment, mehrstufige Experimente und Zufallsvariablen.
Klassisches Modell zur Veranschaulichung von Zufallsexperimenten – Ziehen mit und ohne Zurücklegen.
Zum Unterkapitel →
Zählen ohne Aufzählen – Permutationen, Kombinationen, Variationen und Fakultät.
Wahrscheinlichkeiten unter Zusatzinformation – Satz von Bayes, Stochastische Unabhängigkeit und totale Wahrscheinlichkeit.
Kumulative Darstellung von Wahrscheinlichkeiten – von der Verteilungsfunktion zur Quantilfunktion.
Wahrscheinlichkeitsdichte stetiger Zufallsvariablen – Zusammenhang mit Verteilungsfunktion und Flächeninhalt.
Zum Unterkapitel →
Diskrete und stetige Verteilungsmodelle – Binomial-, Normal-, Poisson-, Exponentialverteilung und mehr.
Mittlerer Wert einer Zufallsvariablen – Erwartungswert, Markov- und Tschebyscheff-Ungleichung.
Stabilisierung relativer Häufigkeiten bei wachsendem Stichprobenumfang – schwaches und starkes Gesetz der großen Zahlen.
Zum Unterkapitel →
Normalverteilung als Grenzverteilung von Summen unabhängiger Zufallsvariablen – mit Anwendungen in der Statistik.
Zum Unterkapitel →
Fazit
- Wahrscheinlichkeitsrechnung untersucht Zufallsexperimente und berechnet Wahrscheinlichkeiten nach den Kolmogorov-Axiomen
- Mengenlehre und Kombinatorik liefern die mathematischen Werkzeuge für Wahrscheinlichkeitsberechnungen
- Bedingte Wahrscheinlichkeit und Satz von Bayes erlauben die Berücksichtigung von Vorinformationen
- Diskrete und stetige Verteilungsmodelle (Binomial-, Normal-, Poisson-Verteilung) beschreiben das Verhalten von Zufallsvariablen
- Grenzwertsätze erklären, warum Stichprobenmittel bei großem Umfang gegen den Erwartungswert konvergieren