Stochastische Signaltheorie/Statistische Abhängigkeit und Unabhängigkeit: Unterschied zwischen den Versionen

Aus LNTwww
Wechseln zu:Navigation, Suche
(Eine dazwischenliegende Version desselben Benutzers wird nicht angezeigt)
Zeile 8: Zeile 8:
 
==Allgemeine Definition von statistischer Abhängigkeit==
 
==Allgemeine Definition von statistischer Abhängigkeit==
 
<br>
 
<br>
Bisher haben wir die ''statistische Abhängigkeit'' zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen bereits verwendet haben: &nbsp; Gehört ein Element zu $A$, so kann es mit Sicherheit nicht auch in der disjunkten Menge $B$ enthalten sein.  
+
Bisher haben wir die&nbsp; ''statistische Abhängigkeit''&nbsp; zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen bereits verwendet haben: &nbsp; Gehört ein Element zu&nbsp; $A$, so kann es mit Sicherheit nicht auch in der disjunkten Menge&nbsp; $B$&nbsp; enthalten sein.  
  
 
+
Die stärkste Form von Abhängigkeit überhaupt ist eine solche&nbsp; '''deterministische Abhängigkeit'''&nbsp; zwischen zwei Mengen bzw. zwei Ereignissen.&nbsp; Weniger ausgeprägt ist die statistische Abhängigkeit. Beginnen wir mit deren Komplement:
Die stärkste Form von Abhängigkeit überhaupt ist eine solche '''deterministische Abhängigkeit''' zwischen zwei Mengen bzw. zwei Ereignissen. Weniger ausgeprägt ist die statistische Abhängigkeit. Beginnen wir mit deren Komplement:
 
  
 
{{BlaueBox|TEXT=   
 
{{BlaueBox|TEXT=   
 
$\text{Definition:}$&nbsp;
 
$\text{Definition:}$&nbsp;
Zwei Ereignisse $A$ und $B$ bezeichnet man dann als '''statistisch unabhängig''' (englisch: ''statistical independent''&nbsp;) , wenn die Wahrscheinlichkeit der Schnittmenge $A ∩ B$ gleich dem Produkt der Einzelwahrscheinlichkeiten ist:
+
Zwei Ereignisse&nbsp; $A$&nbsp; und&nbsp; $B$&nbsp; bezeichnet man dann als&nbsp; '''statistisch unabhängig'''&nbsp; (englisch:&nbsp; ''statistical independent''&nbsp;), wenn die Wahrscheinlichkeit der Schnittmenge&nbsp; $A ∩ B$&nbsp; gleich dem Produkt der Einzelwahrscheinlichkeiten ist:
 
:$${\rm Pr}(A \cap B) = {\rm Pr}(A)\cdot {\rm Pr}(B).$$}}
 
:$${\rm Pr}(A \cap B) = {\rm Pr}(A)\cdot {\rm Pr}(B).$$}}
  
  
*In manchen Anwendungsfällen ist die statistische Unabhängigkeit offensichtlich, zum Beispiel beim Experiment &bdquo;Münzwurf&rdquo;. Die Wahrscheinlichkeit für &bdquo;Zahl&rdquo; oder &bdquo;Bild&rdquo; ist unabhängig davon, ob beim letzten Wurf ''Zahl'' oder ''Bild'' aufgetreten ist.  
+
*In manchen Anwendungsfällen ist die statistische Unabhängigkeit offensichtlich, zum Beispiel beim Experiment &bdquo;Münzwurf&rdquo;. Die Wahrscheinlichkeit für &bdquo;Zahl&rdquo; oder &bdquo;Bild&rdquo; ist unabhängig davon, ob beim letzten Wurf&nbsp; ''Zahl''&nbsp; oder&nbsp; ''Bild''&nbsp; aufgetreten ist.  
  
 
*Und auch die einzelnen Ergebnisse beim Zufallsexperiment &bdquo;Werfen einer Roulettekugel&rdquo; sind bei fairen Bedingungen stets statistisch unabhängig voneinander, auch wenn einzelne Systemspieler dies nicht wahrhaben wollen.  
 
*Und auch die einzelnen Ergebnisse beim Zufallsexperiment &bdquo;Werfen einer Roulettekugel&rdquo; sind bei fairen Bedingungen stets statistisch unabhängig voneinander, auch wenn einzelne Systemspieler dies nicht wahrhaben wollen.  
  
*Bei anderen Anwendungen ist dagegen die Frage, ob zwei Ereignisse statistisch unabhängig sind oder nicht, gefühlsmäßig nicht oder nur sehr schwer zu beantworten. Hier kann man nur durch Überprüfung des oben angegebenen formalen Unabhängigkeitskriteriums zur richtigen Antwort kommen, wie das folgende Beispiel zeigen soll.
+
*Bei anderen Anwendungen ist dagegen die Frage, ob zwei Ereignisse statistisch unabhängig sind oder nicht, gefühlsmäßig nicht oder nur sehr schwer zu beantworten.&nbsp; Hier kann man nur durch Überprüfung des oben angegebenen formalen Unabhängigkeitskriteriums zur richtigen Antwort kommen, wie das folgende Beispiel zeigen soll.
  
  
Zeile 29: Zeile 28:
 
{{GraueBox|TEXT=   
 
{{GraueBox|TEXT=   
 
$\text{Beispiel 1:}$&nbsp;
 
$\text{Beispiel 1:}$&nbsp;
Wir betrachten wieder das Zufallsexperiment &bdquo;Werfen mit zwei Würfeln&rdquo;, wobei die beiden Würfel an ihren Farben Rot $(R)$ und Blau $(B)$ unterschieden werden können.  
+
Wir betrachten wieder das Zufallsexperiment &bdquo;Werfen mit zwei Würfeln&rdquo;, wobei die beiden Würfel an ihren Farben Rot&nbsp; $(R)$&nbsp; und Blau&nbsp; $(B)$&nbsp; unterschieden werden können.  
  
Die Grafik verdeutlicht diesen Sachverhalt, wobei in dem zweidimensionalen Feld $(R, B)$ die Summe $S = R + B$ eingetragen ist.
+
Die Grafik verdeutlicht diesen Sachverhalt, wobei in dem zweidimensionalen Feld&nbsp; $(R, B)$&nbsp; die Summe&nbsp; $S = R + B$&nbsp; eingetragen ist.
  
 
Für die folgende Beschreibung definieren wir folgende Ereignisse:
 
Für die folgende Beschreibung definieren wir folgende Ereignisse:
*$A_1$:&nbsp; Die Augenzahl des roten Würfels ist $R < 4$ (rote Hinterlegung) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1) = 1/2$,
+
*$A_1$:&nbsp; Die Augenzahl des roten Würfels ist&nbsp; $R < 4$&nbsp; (rote Hinterlegung) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1) = 1/2$,
*$A_2$:&nbsp; Die Augenzahl des blauen Würfels ist $B > 4$ (blaue Schrift) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_2) = 1/3$,
+
*$A_2$:&nbsp; Die Augenzahl des blauen Würfels ist&nbsp; $B > 4$&nbsp; (blaue Schrift) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_2) = 1/3$,
*$A_3$:&nbsp; Die Summe der beiden Würfel ist $S = 7$ (grüne Umrahmung) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_3) = 1/6$,
+
*$A_3$:&nbsp; Die Summe der beiden Würfel ist&nbsp; $S = 7$&nbsp; (grüne Umrahmung) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_3) = 1/6$,
*$A_4$:&nbsp; Die Summe der beiden Würfel ist $S = 8$  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_4) = 5/36$,
+
*$A_4$:&nbsp; Die Summe der beiden Würfel ist&nbsp; $S = 8$&nbsp; &nbsp; &rArr; &nbsp; ${\rm Pr}(A_4) = 5/36$,
*$A_5$:&nbsp; Die Summe der beiden Würfel ist $S = 10$  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_5) = 3/36$.
+
*$A_5$:&nbsp; Die Summe der beiden Würfel ist&nbsp; $S = 10$&nbsp; &nbsp; &rArr; &nbsp; ${\rm Pr}(A_5) = 3/36$.
 
<br clear=all>
 
<br clear=all>
 
Die Grafik kann wie folgt interpretiert werden:  
 
Die Grafik kann wie folgt interpretiert werden:  
*Die beiden Ereignisse $A_1$ und $A_2$ sind statistisch unabhängig, da die Wahrscheinlichkeit ${\rm Pr}(A_1 ∩ A_2) = 1/6$ der Schnittmenge gleich dem Produkt der beiden Einzelwahrscheinlichkeiten ${\rm Pr}(A_1) = 1/2$ und ${\rm Pr}(A_2) = 1/3$ ist. Aufgrund der Aufgabenstellung hätte auch jedes andere Ergebnis sehr überrascht.  
+
*Die beiden Ereignisse&nbsp; $A_1$&nbsp; und&nbsp; $A_2$&nbsp; sind statistisch unabhängig, da die Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_1 ∩ A_2) = 1/6$&nbsp; der Schnittmenge gleich dem Produkt der beiden Einzelwahrscheinlichkeiten&nbsp; ${\rm Pr}(A_1) = 1/2$&nbsp; und&nbsp; ${\rm Pr}(A_2) = 1/3$&nbsp; ist.&nbsp; Aufgrund der Aufgabenstellung hätte auch jedes andere Ergebnis sehr überrascht.  
*Aber auch die Ereignisse $A_1$ und $A_3$  sind wegen ${\rm Pr}(A_1) = 1/2$, ${\rm Pr}(A_3) = 1/6$ und ${\rm Pr}(A_1 ∩ A_3) = 1/12$ statistisch unabhängig. Die Wahrscheinlichkeit der Schnittmenge $1/12$ ergibt sich, weil drei der $36$ Felder sowohl rot hinterlegt als auch grün umrandet sind.
+
*Aber auch die Ereignisse&nbsp; $A_1$&nbsp; und&nbsp; $A_3$&nbsp; sind wegen&nbsp; ${\rm Pr}(A_1) = 1/2$,&nbsp; ${\rm Pr}(A_3) = 1/6$&nbsp; und&nbsp; ${\rm Pr}(A_1 ∩ A_3) = 1/12$&nbsp; statistisch unabhängig.&nbsp; Die Wahrscheinlichkeit der Schnittmenge&nbsp; $(1/12)$&nbsp; ergibt sich, weil drei der&nbsp; $36$&nbsp; Felder sowohl rot hinterlegt als auch grün umrandet sind.
*Dagegen bestehen zwischen den Ereignissen $A_1$ und $A_4$ statistische Bindungen, da die Wahrscheinlichkeit der Schnittmenge  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1 ∩ A_4) = 1/18 = 4/72$ ungleich dem Produkt ${\rm Pr}(A_1) \cdot {\rm Pr}(A_4)= 1/2 \cdot 5/36 = 5/72$ ist.  
+
*Dagegen bestehen zwischen den Ereignissen&nbsp; $A_1$&nbsp; und&nbsp; $A_4$&nbsp; statistische Bindungen, da die Wahrscheinlichkeit der Schnittmenge  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1 ∩ A_4) = 1/18 = 4/72$&nbsp; ungleich dem Produkt&nbsp; ${\rm Pr}(A_1) \cdot {\rm Pr}(A_4)= 1/2 \cdot 5/36 = 5/72$&nbsp; ist.  
*Die beiden Ereignisse $A_1$ und $A_5$ sind sogar disjunkt &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1 ∩ A_5) = 0$: &nbsp; Keines der rot hinterlegten Felder ist mit $S=10$ beschriftet. Dieses Beispiel zeigt, dass Disjunktivität eine besonders ausgeprägte Form von statistischer Abhängigkeit ist. }}
+
*Die beiden Ereignisse&nbsp; $A_1$&nbsp; und&nbsp; $A_5$&nbsp; sind sogar disjunkt &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1 ∩ A_5) = 0$: &nbsp; Keines der rot hinterlegten Felder ist mit&nbsp; $S=10$&nbsp; beschriftet. Dieses Beispiel zeigt, dass Disjunktivität eine besonders ausgeprägte Form von statistischer Abhängigkeit ist. }}
  
 
==Bedingte Wahrscheinlichkeit==
 
==Bedingte Wahrscheinlichkeit==
 
<br>
 
<br>
Bestehen zwischen den beiden Ereignissen $A$ und $B$ statistische Bindungen, so ist durch die (unbedingten) Wahrscheinlichkeiten ${\rm Pr}(A)$ und ${\rm Pr}(B)$ der Sachverhalt im statistischen Sinne nicht eindeutig beschrieben. Man benötigt dann noch so genannte bedingte Wahrscheinlichkeiten.
+
Bestehen zwischen den beiden Ereignissen&nbsp; $A$&nbsp; und&nbsp; $B$&nbsp; statistische Bindungen, so ist durch die (unbedingten) Wahrscheinlichkeiten&nbsp; ${\rm Pr}(A)$&nbsp; und&nbsp; ${\rm Pr}(B)$&nbsp; der Sachverhalt im statistischen Sinne nicht eindeutig beschrieben.&nbsp; Man benötigt dann noch so genannte bedingte Wahrscheinlichkeiten.
  
 
{{BlaueBox|TEXT=   
 
{{BlaueBox|TEXT=   
 
$\text{Definitionen:}$&nbsp;
 
$\text{Definitionen:}$&nbsp;
Die '''bedingte Wahrscheinlichkeit''' (englisch: ''Conditional Probability'') von $A$ unter der Bedingung $B$ ist wie folgt berechenbar:
+
Die&nbsp; '''bedingte Wahrscheinlichkeit'''&nbsp; (englisch:&nbsp; ''Conditional Probability'')&nbsp; von&nbsp; $A$&nbsp; unter der Bedingung&nbsp; $B$&nbsp; ist wie folgt berechenbar:
 
:$${\rm Pr}(A\hspace{0.05cm} \vert \hspace{0.05cm} B) = \frac{ {\rm Pr}(A \cap B)}{ {\rm Pr}(B)}.$$
 
:$${\rm Pr}(A\hspace{0.05cm} \vert \hspace{0.05cm} B) = \frac{ {\rm Pr}(A \cap B)}{ {\rm Pr}(B)}.$$
  
In gleicher Weise gilt für die bedingte Wahrscheinlichkeit von $B$ unter der Bedingung $A$:
+
In gleicher Weise gilt für die bedingte Wahrscheinlichkeit von&nbsp; $B$&nbsp; unter der Bedingung&nbsp; $A$:
 
:$${\rm Pr}(B\hspace{0.05cm} \vert \hspace{0.05cm}A) = \frac{ {\rm Pr}(A \cap B)}{ {\rm Pr}(A)}.$$
 
:$${\rm Pr}(B\hspace{0.05cm} \vert \hspace{0.05cm}A) = \frac{ {\rm Pr}(A \cap B)}{ {\rm Pr}(A)}.$$
  
Verknüpft man diese beiden Gleichungen, so ergibt sich der Satz von [https://de.wikipedia.org/wiki/Thomas_Bayes Bayes]:
+
Verknüpft man diese beiden Gleichungen, so ergibt sich der Satz von&nbsp; [https://de.wikipedia.org/wiki/Thomas_Bayes Bayes]:
 
:$${\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A) = \frac{ {\rm Pr}(A\hspace{0.05cm} \vert \hspace{0.05cm} B)\cdot {\rm Pr}(B)}{ {\rm Pr}(A)}.$$}}
 
:$${\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A) = \frac{ {\rm Pr}(A\hspace{0.05cm} \vert \hspace{0.05cm} B)\cdot {\rm Pr}(B)}{ {\rm Pr}(A)}.$$}}
  
  
 
Nachfolgend sind einige Eigenschaften von bedingten Wahrscheinlichkeiten zusammengestellt:  
 
Nachfolgend sind einige Eigenschaften von bedingten Wahrscheinlichkeiten zusammengestellt:  
*Auch eine bedingte Wahrscheinlichkeit liegt stets zwischen $0$ und $1$ einschließlich dieser beiden Grenzen: &nbsp; $0 \le {\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) \le 1$.
+
*Auch eine bedingte Wahrscheinlichkeit liegt stets zwischen&nbsp; $0$&nbsp; und&nbsp; $1$&nbsp; einschließlich dieser beiden Grenzen: &nbsp; $0 \le {\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) \le 1$.
*Kann die Bedingung $B$ als konstant angesehen werden, so gelten alle im Kapitel [[Stochastische_Signaltheorie/Mengentheoretische_Grundlagen|Mengentheoretische Grundlagen]] für die unbedingten Wahrscheinlichkeiten ${\rm Pr}(A)$ und ${\rm Pr}(B)$ angegebenen Rechenregeln weiterhin.  
+
*Kann die Bedingung&nbsp; $B$&nbsp; als konstant angesehen werden, so gelten alle im Kapitel&nbsp; [[Stochastische_Signaltheorie/Mengentheoretische_Grundlagen|Mengentheoretische Grundlagen]]&nbsp; für die unbedingten Wahrscheinlichkeiten&nbsp; ${\rm Pr}(A)$&nbsp; und&nbsp; ${\rm Pr}(B)$&nbsp; angegebenen Rechenregeln weiterhin.  
*Sind die existierenden Ereignisse $A$ und $B$ disjunkt, so ist ${\rm Pr}(A\hspace{0.05cm} | \hspace{0.05cm} B) = {\rm Pr}(B\hspace{0.05cm} | \hspace{0.05cm}A)= 0$.   
+
*Sind die existierenden Ereignisse&nbsp; $A$&nbsp; und&nbsp; $B$&nbsp; disjunkt, so ist&nbsp; ${\rm Pr}(A\hspace{0.05cm} | \hspace{0.05cm} B) = {\rm Pr}(B\hspace{0.05cm} | \hspace{0.05cm}A)= 0$.   
*Ist $B$ eine echte oder unechte Teilmenge von $A$, so ist ${\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) =1$.  
+
*Ist&nbsp; $B$&nbsp; eine echte oder unechte Teilmenge von&nbsp; $A$, so ist&nbsp; ${\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) =1$. &nbsp;
*Sind zwei Ereignisse $A$ und $B$ statistisch voneinander unabhängig, so sind deren bedingte Wahrscheinlichkeiten gleich den unbedingten, wie folgende Rechnung zeigt:
+
*Sind zwei Ereignisse&nbsp; $A$&nbsp; und&nbsp; $B$ statistisch voneinander unabhängig, so sind deren bedingte Wahrscheinlichkeiten gleich den unbedingten, wie folgende Rechnung zeigt:
 
:$${\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) = \frac{{\rm Pr}(A \cap B)}{{\rm Pr}(B)} = \frac{{\rm Pr} ( A) \cdot {\rm Pr} ( B)} { {\rm Pr}(B)} = {\rm Pr} ( A).$$
 
:$${\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) = \frac{{\rm Pr}(A \cap B)}{{\rm Pr}(B)} = \frac{{\rm Pr} ( A) \cdot {\rm Pr} ( B)} { {\rm Pr}(B)} = {\rm Pr} ( A).$$
  
Zeile 73: Zeile 72:
 
{{GraueBox|TEXT=   
 
{{GraueBox|TEXT=   
 
$\text{Beispiel 2:}$&nbsp;
 
$\text{Beispiel 2:}$&nbsp;
Wir betrachten wieder das Zufallsexperiment &bdquo;Werfen mit zwei Würfeln&rdquo;, wobei wie im [[Stochastische_Signaltheorie/Statistische_Abhängigkeit_und_Unabhängigkeit#Allgemeine_Definition_von_statistischer_Abh.C3.A4ngigkeit|$\text{Beispiel 1}$]] $S = R + B$ die Summe des roten und des blauen Würfels bezeichnet.  
+
Wir betrachten wieder das Zufallsexperiment &bdquo;Werfen mit zwei Würfeln&rdquo;, wobei wie im&nbsp; [[Stochastische_Signaltheorie/Statistische_Abhängigkeit_und_Unabhängigkeit#Allgemeine_Definition_von_statistischer_Abh.C3.A4ngigkeit|$\text{Beispiel 1}$]]&nbsp; $S = R + B$&nbsp; die Summe des roten und des blauen Würfels bezeichnet.  
  
 
Wir betrachten hier Bindungen zwischen den beiden Ereignissen
 
Wir betrachten hier Bindungen zwischen den beiden Ereignissen
*$A_1$:&nbsp; Die Augenzahl des roten Würfels ist $R < 4$ (rote Hinterlegung) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1) = 1/2$,
+
*$A_1$:&nbsp; Die Augenzahl des roten Würfels ist&nbsp; $R < 4$&nbsp; (rote Hinterlegung) &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1) = 1/2$,
*$A_4$:&nbsp; Die Summe der beiden Würfel ist $S = 8$ (grüne Umrahmung)  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_4) = 5/36$,
+
*$A_4$:&nbsp; Die Summe der beiden Würfel ist&nbsp; $S = 8$&nbsp; (grüne Umrahmung)  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_4) = 5/36$,
  
  
 
und nehmen nochmals Bezug auf das Ereignis
 
und nehmen nochmals Bezug auf das Ereignis
*$A_3$:&nbsp; Die Summe der beiden Würfel ist $S = 7$ &nbsp;&rArr;&nbsp; ${\rm Pr}(A_3) = 1/6$.
+
*$A_3$:&nbsp; Die Summe der beiden Würfel ist&nbsp; $S = 7$ &nbsp; &rArr; &nbsp; ${\rm Pr}(A_3) = 1/6$.
 
<br clear=all>
 
<br clear=all>
 
Zu dieser Grafik ist anzumerken:  
 
Zu dieser Grafik ist anzumerken:  
*Zwischen den Ereignissen $A_1$ und $A_4$ bestehen statistische Bindungen, da die Wahrscheinlichkeit der Schnittmenge  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1 ∩ A_4) = 2/36 = 4/72$ ungleich dem Produkt ${\rm Pr}(A_1) \cdot {\rm Pr}(A_4)= 1/2 \cdot 5/36 = 5/72$ ist.  
+
*Zwischen den Ereignissen&nbsp; $A_1$&nbsp; und&nbsp; $A_4$&nbsp; bestehen statistische Bindungen, da die Wahrscheinlichkeit der Schnittmenge  &nbsp; &rArr; &nbsp; ${\rm Pr}(A_1 ∩ A_4) = 2/36 = 4/72$&nbsp; ungleich dem Produkt&nbsp; ${\rm Pr}(A_1) \cdot {\rm Pr}(A_4)= 1/2 \cdot 5/36 = 5/72$&nbsp; ist.  
*Die bedingte Wahrscheinlichkeit ${\rm Pr}(A_1 \hspace{0.05cm} \vert \hspace{0.05cm} A_4) = 2/5$ kann aus dem Quotienten der Verbundwahrscheinlichkeit ${\rm Pr}(A_1 ∩ A_4) = 2/36$ und der Wahrscheinlichkeit ${\rm Pr}(A_4) = 5/36$ berechnet werden.  
+
*Die bedingte Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_1 \hspace{0.05cm} \vert \hspace{0.05cm} A_4) = 2/5$&nbsp; kann aus dem Quotienten der Verbundwahrscheinlichkeit&nbsp; ${\rm Pr}(A_1 ∩ A_4) = 2/36$&nbsp; und der Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_4) = 5/36$&nbsp; berechnet werden.  
*Da $A_1$ und $A_4$ statistisch abhängig sind, ist die bedingte Wahrscheinlichkeit ${\rm Pr}(A_1 \hspace{0.05cm}\vert \hspace{0.05cm} A_4) = 2/5$  (zwei der fünf grün umrandeten Felder sind rot hinterlegt) ungleich der absoluten Wahrscheinlichkeit ${\rm Pr}(A_1) = 1/2$ (die Hälfte aller Felder sind rot hinterlegt).  
+
*Da&nbsp; $A_1$&nbsp; und&nbsp; $A_4$&nbsp; statistisch abhängig sind, ist die bedingte Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_1 \hspace{0.05cm}\vert \hspace{0.05cm} A_4) = 2/5$&nbsp; (zwei der fünf grün umrandeten Felder sind rot hinterlegt)&nbsp; ungleich der absoluten Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_1) = 1/2$&nbsp; (die Hälfte aller Felder sind rot hinterlegt).  
*Ebenso ist die bedingte Wahrscheinlichkeit ${\rm Pr}(A_4 \hspace{0.05cm} \vert \hspace{0.05cm} A_1) = 2/18 = 4/36$  (zwei der 18  rot hinterlegten Felder sind grün umrandet) ungleich der absoluten Wahrscheinlichkeit ${\rm Pr}(A_4) = 5/36$ (insgesamt sind fünf der 36 Felder grün umrandet).  
+
*Ebenso ist die bedingte Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_4 \hspace{0.05cm} \vert \hspace{0.05cm} A_1) = 2/18 = 4/36$&nbsp; (zwei der&nbsp; $18$&nbsp; rot hinterlegten Felder sind grün umrandet) ungleich der absoluten Wahrscheinlichkeit&nbsp; ${\rm Pr}(A_4) = 5/36$&nbsp; (insgesamt sind fünf der&nbsp; $36$&nbsp; Felder grün umrandet).  
*Dieses letzte Ergebnis lässt sich zum Beispiel auch über den '''Satz von Bayes''' ableiten:
+
*Dieses letzte Ergebnis lässt sich zum Beispiel auch über den&nbsp; '''Satz von Bayes'''&nbsp; ableiten:
 
:$${\rm Pr}(A_4 \hspace{0.05cm} \vert\hspace{0.05cm} A_1) =  \frac{ {\rm Pr}(A_1 \hspace{0.05cm} \vert\hspace{0.05cm} A_4)\cdot {\rm Pr} ( A_4)} {  {\rm Pr}(A_1)}  = \frac{2/5 \cdot 5/36}{1/2}  = 1/9.$$
 
:$${\rm Pr}(A_4 \hspace{0.05cm} \vert\hspace{0.05cm} A_1) =  \frac{ {\rm Pr}(A_1 \hspace{0.05cm} \vert\hspace{0.05cm} A_4)\cdot {\rm Pr} ( A_4)} {  {\rm Pr}(A_1)}  = \frac{2/5 \cdot 5/36}{1/2}  = 1/9.$$
*Dagegen gelten für $A_1$ und das hierzu statistisch unabhängige Ereignis $A_3$ die folgenden bedingten Wahrscheinlichkeiten, siehe [[Stochastische_Signaltheorie/Statistische_Abhängigkeit_und_Unabhängigkeit#Allgemeine_Definition_von_statistischer_Abh.C3.A4ngigkeit| Beispiel 1]]:
+
*Dagegen gelten für&nbsp; $A_1$&nbsp; und das hierzu statistisch unabhängige Ereignis&nbsp; $A_3$&nbsp; die folgenden bedingten Wahrscheinlichkeiten, siehe&nbsp; [[Stochastische_Signaltheorie/Statistische_Abhängigkeit_und_Unabhängigkeit#Allgemeine_Definition_von_statistischer_Abh.C3.A4ngigkeit| Beispiel 1]]:
 
:$${\rm Pr}(A_{\rm 1} \hspace{0.05cm}\vert \hspace{0.05cm} A_{\rm 3}) = {\rm Pr}(A_{\rm 1}) = \rm 1/2\hspace{0.5cm}{\rm bzw.}\hspace{0.5cm}{\rm Pr}(A_{\rm 3} \hspace{0.05cm} \vert \hspace{0.05cm} A_{\rm 1}) = {\rm Pr}(A_{\rm 3}) = 1/6.$$}}
 
:$${\rm Pr}(A_{\rm 1} \hspace{0.05cm}\vert \hspace{0.05cm} A_{\rm 3}) = {\rm Pr}(A_{\rm 1}) = \rm 1/2\hspace{0.5cm}{\rm bzw.}\hspace{0.5cm}{\rm Pr}(A_{\rm 3} \hspace{0.05cm} \vert \hspace{0.05cm} A_{\rm 1}) = {\rm Pr}(A_{\rm 3}) = 1/6.$$}}
  
Zeile 96: Zeile 95:
 
==Allgemeines Multiplikationstheorem==
 
==Allgemeines Multiplikationstheorem==
 
<br>
 
<br>
Wir betrachten mehrere Ereignisse, die mit $A_i$ mit $1 ≤ i ≤ I$ bezeichnet werden. Diese Ereignisse $A_i$ stellen nun aber kein [[Stochastische_Signaltheorie/Mengentheoretische_Grundlagen#Vollst.C3.A4ndiges_System|vollständiges System]]  mehr dar, das heißt,  
+
Wir betrachten mehrere Ereignisse, die als&nbsp; $A_i$&nbsp; mit&nbsp; $1 ≤ i ≤ I$&nbsp; bezeichnet werden.&nbsp; Diese Ereignisse&nbsp; $A_i$&nbsp; stellen nun aber kein&nbsp; [[Stochastische_Signaltheorie/Mengentheoretische_Grundlagen#Vollst.C3.A4ndiges_System|vollständiges System]]&nbsp; mehr dar, das heißt,  
 
*sie sind nicht paarweise zueinander disjunkt, und
 
*sie sind nicht paarweise zueinander disjunkt, und
 
*es können zwischen den einzelnen Ereignissen auch statistische Bindungen bestehen.
 
*es können zwischen den einzelnen Ereignissen auch statistische Bindungen bestehen.
Zeile 103: Zeile 102:
 
{{BlaueBox|TEXT=   
 
{{BlaueBox|TEXT=   
 
$\text{Definition:}$&nbsp;
 
$\text{Definition:}$&nbsp;
Für die so genannte '''Verbundwahrscheinlichkeit''', also für die Wahrscheinlichkeit der Schnittmenge aller $I$&nbsp; Ereignisse $A_i$, gilt in diesem Fall:
+
Für die so genannte&nbsp; '''Verbundwahrscheinlichkeit''', also für die Wahrscheinlichkeit der Schnittmenge aller&nbsp; $I$&nbsp; Ereignisse&nbsp; $A_i$, gilt in diesem Fall:
 
:$${\rm Pr}(A_{\rm 1} \cap \hspace{0.02cm}\text{ ...}\hspace{0.1cm} \cap A_{I})  =  
 
:$${\rm Pr}(A_{\rm 1} \cap \hspace{0.02cm}\text{ ...}\hspace{0.1cm} \cap A_{I})  =  
  {\rm Pr}(A_{I})\hspace{0.05cm}\cdot\hspace{0.05cm}{\rm Pr}(A_{I \rm \hspace{-0.05cm}-\hspace{-0.05cm}1} \hspace{0.05cm}\vert  \hspace{0.05cm} A_I) \hspace{0.05cm}\cdot \hspace{0.05cm}{\rm Pr}(A_{I \rm \hspace{-0.05cm} -\hspace{-0.05cm}2} \hspace{0.05cm}\vert\hspace{0.05cm} A_{I \hspace{-0.05cm} - \hspace{-0.05cm} \rm 1}\cap A_I)\hspace{0.05cm} \cdot  \hspace{0.02cm}\text{ ...}  \hspace{0.1cm}  \cdot\hspace{0.05cm} {\rm Pr}(A_{\rm 1} \hspace{0.05cm}\vert  \hspace{0.05cm}A_{\rm 2} \cap \hspace{0.02cm}\text{ ...}  \hspace{0.1cm}\cap A_{ I}).$$
+
  {\rm Pr}(A_{I})\hspace{0.05cm}\cdot\hspace{0.05cm}{\rm Pr}(A_{I \rm -1} \hspace{0.05cm}\vert  \hspace{0.05cm} A_I) \hspace{0.05cm}\cdot \hspace{0.05cm}{\rm Pr}(A_{I \rm -2} \hspace{0.05cm}\vert\hspace{0.05cm} A_{I - \rm 1}\cap A_I)\hspace{0.05cm} \cdot  \hspace{0.02cm}\text{ ...}  \hspace{0.1cm}  \cdot\hspace{0.05cm} {\rm Pr}(A_{\rm 1} \hspace{0.05cm}\vert  \hspace{0.05cm}A_{\rm 2} \cap \hspace{0.02cm}\text{ ...}  \hspace{0.1cm}\cap A_{ I}).$$
  
 
In gleicher Weise gilt natürlich auch:
 
In gleicher Weise gilt natürlich auch:
Zeile 113: Zeile 112:
 
{{GraueBox|TEXT=   
 
{{GraueBox|TEXT=   
 
$\text{Beispiel 3:}$&nbsp;
 
$\text{Beispiel 3:}$&nbsp;
Eine Lostrommel enthält zehn Lose, darunter drei Treffer (Ereignis $T_1$). Dann gilt für die Wahrscheinlichkeit, dass man mit zwei Losen zwei Treffer zieht:
+
Eine Lostrommel enthält zehn Lose, darunter drei Treffer&nbsp; $($Ereignis $T_1)$.&nbsp; Dann gilt für die Wahrscheinlichkeit, dass man mit zwei Losen zwei Treffer zieht:
  
 
:$${\rm Pr}(T_1 \cap T_2) = {\rm Pr}(T_1) \cdot {\rm Pr}(T_2 \hspace{0.05cm }\vert \hspace{0.05cm} T_1) = 3/10 \cdot 2/9 = 1/15 \approx 6.7 \%.$$
 
:$${\rm Pr}(T_1 \cap T_2) = {\rm Pr}(T_1) \cdot {\rm Pr}(T_2 \hspace{0.05cm }\vert \hspace{0.05cm} T_1) = 3/10 \cdot 2/9 = 1/15 \approx 6.7 \%.$$
  
*Hierbei ist berücksichtigt, dass sich bei der zweiten Ziehung (Ereignis $T_2$) nur mehr neun Lose und zwei Treffer in der Urne befänden, wenn im ersten Durchgang ein Treffer gezogen worden wäre &nbsp; &rArr; &nbsp;  ${\rm Pr}(T_2 \hspace{0.05cm} \vert\hspace{0.05cm} T_1) = 2/9$ .  
+
*Hierbei ist berücksichtigt, dass sich bei der zweiten Ziehung&nbsp; $($Ereignis $T_2)$&nbsp; nur mehr neun Lose und zwei Treffer in der Urne befänden, falls im ersten Durchgang ein Treffer gezogen worden ist &nbsp; &rArr; &nbsp;  ${\rm Pr}(T_2 \hspace{0.05cm} \vert\hspace{0.05cm} T_1) = 2/9$ .  
*Würde man jedoch die Lose nach der Ziehung wieder in die Trommel zurücklegen, so wären die Ereignisse $T_1$ und $T_2$ statistisch unabhängig und es würde gelten:   
+
*Würde man jedoch die Lose nach der Ziehung wieder in die Trommel zurücklegen, so wären die Ereignisse&nbsp; $T_1$&nbsp; und&nbsp; $T_2$&nbsp; statistisch unabhängig und es würde gelten:   
 
:$$ {\rm Pr}(T_1 ∩ T_2) = (3/10)^2 = 9\%.$$}}
 
:$$ {\rm Pr}(T_1 ∩ T_2) = (3/10)^2 = 9\%.$$}}
  
 
==Rückschlusswahrscheinlichkeit==
 
==Rückschlusswahrscheinlichkeit==
 
<br>
 
<br>
Gegeben seien wieder Ereignisse $A_i$ mit $1 ≤ i ≤ I$, die ein vollständiges System bilden. Das heißt:  
+
Gegeben seien wieder Ereignisse&nbsp; $A_i$&nbsp; mit&nbsp; $1 ≤ i ≤ I$, die ein vollständiges System bilden. Das heißt:  
*Alle Ereignisse sind paarweise disjunkt $(A_i ∩ A_j = ϕ$&nbsp; für alle $i ≠ j$).
+
*Alle Ereignisse sind paarweise disjunkt&nbsp; $(A_i ∩ A_j = ϕ$&nbsp; für alle&nbsp; $i ≠ j$&nbsp;).
 
*Die Vereinigungsmenge ergibt die Grundmenge:
 
*Die Vereinigungsmenge ergibt die Grundmenge:
 
:$$\rm \bigcup_{\it i=1}^{\it I}\it A_i = \it G.$$
 
:$$\rm \bigcup_{\it i=1}^{\it I}\it A_i = \it G.$$
  
Daneben betrachten wir noch das Ereignis $B$, von dem alle bedingten Wahrscheinlichkeiten ${\rm Pr}(B \hspace{0.05cm} | \hspace{0.05cm} A_i)$ mit den Indizes $1 ≤ i ≤ I$&nbsp; bekannt sind.
+
Daneben betrachten wir noch das Ereignis&nbsp; $B$, von dem alle bedingten Wahrscheinlichkeiten&nbsp; ${\rm Pr}(B \hspace{0.05cm} | \hspace{0.05cm} A_i)$&nbsp; mit den Indizes&nbsp; $1 ≤ i ≤ I$&nbsp; bekannt sind.
  
 
{{BlaueBox|TEXT=   
 
{{BlaueBox|TEXT=   
 
$\text{Satz von der totalen Wahrscheinlichkeit:}$&nbsp;
 
$\text{Satz von der totalen Wahrscheinlichkeit:}$&nbsp;
Unter den oben genannten Voraussetzungen gilt für die (unbedingte) Wahrscheinlichkeit des Ereignisses $B$:
+
Unter den oben genannten Voraussetzungen gilt für die (unbedingte) Wahrscheinlichkeit des Ereignisses&nbsp; $B$:
 
:$${\rm Pr}(B) = \sum_{i={\rm1} }^{I}{\rm Pr}(B \cap A_i) = \sum_{i={\rm1} }^{I}{\rm Pr}(B \hspace{0.05cm} \vert\hspace{0.05cm} A_i)\cdot{\rm Pr}(A_i).$$}}
 
:$${\rm Pr}(B) = \sum_{i={\rm1} }^{I}{\rm Pr}(B \cap A_i) = \sum_{i={\rm1} }^{I}{\rm Pr}(B \hspace{0.05cm} \vert\hspace{0.05cm} A_i)\cdot{\rm Pr}(A_i).$$}}
  
Zeile 138: Zeile 137:
 
{{BlaueBox|TEXT=   
 
{{BlaueBox|TEXT=   
 
$\text{Definition:}$&nbsp;
 
$\text{Definition:}$&nbsp;
Aus dieser Gleichung folgt mit dem  [[Stochastische_Signaltheorie/Statistische_Abhängigkeit_und_Unabhängigkeit#Bedingte_Wahrscheinlichkeit|Satz von Bayes]]  für die '''Rückschlusswahrscheinlichkeit''':
+
Aus dieser Gleichung folgt mit dem&nbsp; [[Stochastische_Signaltheorie/Statistische_Abhängigkeit_und_Unabhängigkeit#Bedingte_Wahrscheinlichkeit|Satz von Bayes]]&nbsp; für die&nbsp; '''Rückschlusswahrscheinlichkeit''':
 
:$${\rm Pr}(A_i \hspace{0.05cm} \vert \hspace{0.05cm} B) = \frac{ {\rm Pr}( B \mid A_i)\cdot {\rm Pr}(A_i )}{ {\rm Pr}(B)} = \frac{ {\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A_i)\cdot {\rm Pr}(A_i )}{\sum_{k={\rm1} }^{I}{\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A_k)\cdot{\rm Pr}(A_k) }.$$}}
 
:$${\rm Pr}(A_i \hspace{0.05cm} \vert \hspace{0.05cm} B) = \frac{ {\rm Pr}( B \mid A_i)\cdot {\rm Pr}(A_i )}{ {\rm Pr}(B)} = \frac{ {\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A_i)\cdot {\rm Pr}(A_i )}{\sum_{k={\rm1} }^{I}{\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A_k)\cdot{\rm Pr}(A_k) }.$$}}
  
Zeile 145: Zeile 144:
 
$\text{Beispiel 4:}$&nbsp;
 
$\text{Beispiel 4:}$&nbsp;
 
In Münchner Studentenheimen wohnen Studierende  
 
In Münchner Studentenheimen wohnen Studierende  
*der LMU (Ereignis $L$ &nbsp; &rArr; &nbsp; ${\rm Pr}(L) = 70\%$) und  
+
*der Ludwig&ndash;Maximilian&ndash;Universität&nbsp; $($Ereignis&nbsp; $L$ &nbsp; &rArr; &nbsp; ${\rm Pr}(L) = 70\%)$&nbsp; und  
*der TUM (Ereignis $T$ &nbsp; &rArr; &nbsp;  ${\rm Pr}(T) = 30\%$).  
+
*der Technischen Universität München&nbsp; $($Ereignis&nbsp; $T$ &nbsp; &rArr; &nbsp;  ${\rm Pr}(T) = 30\%)$.  
  
  
Es ist weiterhin bekannt, dass an der LMU $60\%$ aller Studierenden weiblich sind, an der TUM nur $10\%$.  
+
Es ist weiterhin bekannt, dass an der LMU&nbsp; $60\%$&nbsp; aller Studierenden weiblich sind, an der TUM nur&nbsp; $10\%$.  
  
*Der Anteil aller Studentinnen (Ereignis $W$) kann dann mit dem Satz von der totalen Wahrscheinlichkeit ermittelt werden:
+
*Der Anteil aller Studentinnen im Studentenheim&nbsp; $($Ereignis $W)$&nbsp; kann dann mit dem Satz von der totalen Wahrscheinlichkeit ermittelt werden:
 
:$${\rm Pr}(W) = {\rm Pr}(W \hspace{0.05cm} \vert \hspace{0.05cm} L)\hspace{0.01cm}\cdot\hspace{0.01cm}{\rm Pr}(L) \hspace{0.05cm}+\hspace{0.05cm} {\rm Pr}(W \hspace{0.05cm} \vert \hspace{0.05cm} T)\hspace{0.01cm}\cdot\hspace{0.01cm}{\rm Pr}(T) = \rm 0.6\hspace{0.01cm}\cdot\hspace{0.01cm}0.7\hspace{0.05cm}+\hspace{0.05cm}0.1\hspace{0.01cm}\cdot \hspace{0.01cm}0.3 = 45 \%.$$
 
:$${\rm Pr}(W) = {\rm Pr}(W \hspace{0.05cm} \vert \hspace{0.05cm} L)\hspace{0.01cm}\cdot\hspace{0.01cm}{\rm Pr}(L) \hspace{0.05cm}+\hspace{0.05cm} {\rm Pr}(W \hspace{0.05cm} \vert \hspace{0.05cm} T)\hspace{0.01cm}\cdot\hspace{0.01cm}{\rm Pr}(T) = \rm 0.6\hspace{0.01cm}\cdot\hspace{0.01cm}0.7\hspace{0.05cm}+\hspace{0.05cm}0.1\hspace{0.01cm}\cdot \hspace{0.01cm}0.3 = 45 \%.$$
 
*Trifft man eine Studentin, so kann man mit der Rückschlusswahrscheinlichkeit
 
*Trifft man eine Studentin, so kann man mit der Rückschlusswahrscheinlichkeit
 
:$${\rm Pr}(L \hspace{-0.05cm}\mid  \hspace{-0.05cm}W) = \frac{ {\rm Pr}(W \hspace{-0.05cm}\mid  \hspace{-0.05cm}L)\cdot  {\rm Pr}(L) }{ {\rm Pr}(W \hspace{-0.05cm}\mid  \hspace{-0.05cm}L) \cdot  {\rm Pr}(L) +{\rm Pr}(W \hspace{-0.05cm}\mid  \hspace{-0.05cm}T) \cdot  {\rm Pr}(T)}=\rm \frac{0.6\cdot 0.7}{0.6\cdot 0.7 + 0.1\cdot 0.3}=\frac{14}{15}\approx 93.3 \%$$
 
:$${\rm Pr}(L \hspace{-0.05cm}\mid  \hspace{-0.05cm}W) = \frac{ {\rm Pr}(W \hspace{-0.05cm}\mid  \hspace{-0.05cm}L)\cdot  {\rm Pr}(L) }{ {\rm Pr}(W \hspace{-0.05cm}\mid  \hspace{-0.05cm}L) \cdot  {\rm Pr}(L) +{\rm Pr}(W \hspace{-0.05cm}\mid  \hspace{-0.05cm}T) \cdot  {\rm Pr}(T)}=\rm \frac{0.6\cdot 0.7}{0.6\cdot 0.7 + 0.1\cdot 0.3}=\frac{14}{15}\approx 93.3 \%$$
:vorhersagen, dass sie an der LMU studieren wird. Ein durchaus realistisches Ergebnis.}}
+
:vorhersagen,&nbsp; dass sie an der LMU studieren wird. Ein durchaus realistisches Ergebnis&nbsp; (zumindest in der Vergangenheit).}}
  
  
Die Aussagen dieses Abschnitts sind im Lernvideo [[Statistische_Abhängigkeit_und_Unabhängigkeit_(Lernvideo)|Statistische Abhängigkeit und  Unabhängigkeit]] zusammengefasst.
+
Die Aussagen dieses Abschnitts sind im Lernvideo&nbsp; [[Statistische_Abhängigkeit_und_Unabhängigkeit_(Lernvideo)|Statistische Abhängigkeit und  Unabhängigkeit]]&nbsp; zusammengefasst.
  
 
==Aufgaben zum Kapitel==
 
==Aufgaben zum Kapitel==

Version vom 9. November 2019, 16:43 Uhr

Allgemeine Definition von statistischer Abhängigkeit


Bisher haben wir die  statistische Abhängigkeit  zwischen Ereignissen nicht besonders beachtet, auch wenn wir sie wie im Fall zweier disjunkter Mengen bereits verwendet haben:   Gehört ein Element zu  $A$, so kann es mit Sicherheit nicht auch in der disjunkten Menge  $B$  enthalten sein.

Die stärkste Form von Abhängigkeit überhaupt ist eine solche  deterministische Abhängigkeit  zwischen zwei Mengen bzw. zwei Ereignissen.  Weniger ausgeprägt ist die statistische Abhängigkeit. Beginnen wir mit deren Komplement:

$\text{Definition:}$  Zwei Ereignisse  $A$  und  $B$  bezeichnet man dann als  statistisch unabhängig  (englisch:  statistical independent ), wenn die Wahrscheinlichkeit der Schnittmenge  $A ∩ B$  gleich dem Produkt der Einzelwahrscheinlichkeiten ist:

$${\rm Pr}(A \cap B) = {\rm Pr}(A)\cdot {\rm Pr}(B).$$


  • In manchen Anwendungsfällen ist die statistische Unabhängigkeit offensichtlich, zum Beispiel beim Experiment „Münzwurf”. Die Wahrscheinlichkeit für „Zahl” oder „Bild” ist unabhängig davon, ob beim letzten Wurf  Zahl  oder  Bild  aufgetreten ist.
  • Und auch die einzelnen Ergebnisse beim Zufallsexperiment „Werfen einer Roulettekugel” sind bei fairen Bedingungen stets statistisch unabhängig voneinander, auch wenn einzelne Systemspieler dies nicht wahrhaben wollen.
  • Bei anderen Anwendungen ist dagegen die Frage, ob zwei Ereignisse statistisch unabhängig sind oder nicht, gefühlsmäßig nicht oder nur sehr schwer zu beantworten.  Hier kann man nur durch Überprüfung des oben angegebenen formalen Unabhängigkeitskriteriums zur richtigen Antwort kommen, wie das folgende Beispiel zeigen soll.


Beispiele für statistisch unabhängige Ereignisse

$\text{Beispiel 1:}$  Wir betrachten wieder das Zufallsexperiment „Werfen mit zwei Würfeln”, wobei die beiden Würfel an ihren Farben Rot  $(R)$  und Blau  $(B)$  unterschieden werden können.

Die Grafik verdeutlicht diesen Sachverhalt, wobei in dem zweidimensionalen Feld  $(R, B)$  die Summe  $S = R + B$  eingetragen ist.

Für die folgende Beschreibung definieren wir folgende Ereignisse:

  • $A_1$:  Die Augenzahl des roten Würfels ist  $R < 4$  (rote Hinterlegung)   ⇒   ${\rm Pr}(A_1) = 1/2$,
  • $A_2$:  Die Augenzahl des blauen Würfels ist  $B > 4$  (blaue Schrift)   ⇒   ${\rm Pr}(A_2) = 1/3$,
  • $A_3$:  Die Summe der beiden Würfel ist  $S = 7$  (grüne Umrahmung)   ⇒   ${\rm Pr}(A_3) = 1/6$,
  • $A_4$:  Die Summe der beiden Würfel ist  $S = 8$    ⇒   ${\rm Pr}(A_4) = 5/36$,
  • $A_5$:  Die Summe der beiden Würfel ist  $S = 10$    ⇒   ${\rm Pr}(A_5) = 3/36$.


Die Grafik kann wie folgt interpretiert werden:

  • Die beiden Ereignisse  $A_1$  und  $A_2$  sind statistisch unabhängig, da die Wahrscheinlichkeit  ${\rm Pr}(A_1 ∩ A_2) = 1/6$  der Schnittmenge gleich dem Produkt der beiden Einzelwahrscheinlichkeiten  ${\rm Pr}(A_1) = 1/2$  und  ${\rm Pr}(A_2) = 1/3$  ist.  Aufgrund der Aufgabenstellung hätte auch jedes andere Ergebnis sehr überrascht.
  • Aber auch die Ereignisse  $A_1$  und  $A_3$  sind wegen  ${\rm Pr}(A_1) = 1/2$,  ${\rm Pr}(A_3) = 1/6$  und  ${\rm Pr}(A_1 ∩ A_3) = 1/12$  statistisch unabhängig.  Die Wahrscheinlichkeit der Schnittmenge  $(1/12)$  ergibt sich, weil drei der  $36$  Felder sowohl rot hinterlegt als auch grün umrandet sind.
  • Dagegen bestehen zwischen den Ereignissen  $A_1$  und  $A_4$  statistische Bindungen, da die Wahrscheinlichkeit der Schnittmenge   ⇒   ${\rm Pr}(A_1 ∩ A_4) = 1/18 = 4/72$  ungleich dem Produkt  ${\rm Pr}(A_1) \cdot {\rm Pr}(A_4)= 1/2 \cdot 5/36 = 5/72$  ist.
  • Die beiden Ereignisse  $A_1$  und  $A_5$  sind sogar disjunkt   ⇒   ${\rm Pr}(A_1 ∩ A_5) = 0$:   Keines der rot hinterlegten Felder ist mit  $S=10$  beschriftet. Dieses Beispiel zeigt, dass Disjunktivität eine besonders ausgeprägte Form von statistischer Abhängigkeit ist.

Bedingte Wahrscheinlichkeit


Bestehen zwischen den beiden Ereignissen  $A$  und  $B$  statistische Bindungen, so ist durch die (unbedingten) Wahrscheinlichkeiten  ${\rm Pr}(A)$  und  ${\rm Pr}(B)$  der Sachverhalt im statistischen Sinne nicht eindeutig beschrieben.  Man benötigt dann noch so genannte bedingte Wahrscheinlichkeiten.

$\text{Definitionen:}$  Die  bedingte Wahrscheinlichkeit  (englisch:  Conditional Probability)  von  $A$  unter der Bedingung  $B$  ist wie folgt berechenbar:

$${\rm Pr}(A\hspace{0.05cm} \vert \hspace{0.05cm} B) = \frac{ {\rm Pr}(A \cap B)}{ {\rm Pr}(B)}.$$

In gleicher Weise gilt für die bedingte Wahrscheinlichkeit von  $B$  unter der Bedingung  $A$:

$${\rm Pr}(B\hspace{0.05cm} \vert \hspace{0.05cm}A) = \frac{ {\rm Pr}(A \cap B)}{ {\rm Pr}(A)}.$$

Verknüpft man diese beiden Gleichungen, so ergibt sich der Satz von  Bayes:

$${\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A) = \frac{ {\rm Pr}(A\hspace{0.05cm} \vert \hspace{0.05cm} B)\cdot {\rm Pr}(B)}{ {\rm Pr}(A)}.$$


Nachfolgend sind einige Eigenschaften von bedingten Wahrscheinlichkeiten zusammengestellt:

  • Auch eine bedingte Wahrscheinlichkeit liegt stets zwischen  $0$  und  $1$  einschließlich dieser beiden Grenzen:   $0 \le {\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) \le 1$.
  • Kann die Bedingung  $B$  als konstant angesehen werden, so gelten alle im Kapitel  Mengentheoretische Grundlagen  für die unbedingten Wahrscheinlichkeiten  ${\rm Pr}(A)$  und  ${\rm Pr}(B)$  angegebenen Rechenregeln weiterhin.
  • Sind die existierenden Ereignisse  $A$  und  $B$  disjunkt, so ist  ${\rm Pr}(A\hspace{0.05cm} | \hspace{0.05cm} B) = {\rm Pr}(B\hspace{0.05cm} | \hspace{0.05cm}A)= 0$.
  • Ist  $B$  eine echte oder unechte Teilmenge von  $A$, so ist  ${\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) =1$.  
  • Sind zwei Ereignisse  $A$  und  $B$ statistisch voneinander unabhängig, so sind deren bedingte Wahrscheinlichkeiten gleich den unbedingten, wie folgende Rechnung zeigt:
$${\rm Pr}(A \hspace{0.05cm} | \hspace{0.05cm} B) = \frac{{\rm Pr}(A \cap B)}{{\rm Pr}(B)} = \frac{{\rm Pr} ( A) \cdot {\rm Pr} ( B)} { {\rm Pr}(B)} = {\rm Pr} ( A).$$
Beispiel für statistisch abhängige Ereignisse

$\text{Beispiel 2:}$  Wir betrachten wieder das Zufallsexperiment „Werfen mit zwei Würfeln”, wobei wie im  $\text{Beispiel 1}$  $S = R + B$  die Summe des roten und des blauen Würfels bezeichnet.

Wir betrachten hier Bindungen zwischen den beiden Ereignissen

  • $A_1$:  Die Augenzahl des roten Würfels ist  $R < 4$  (rote Hinterlegung)   ⇒   ${\rm Pr}(A_1) = 1/2$,
  • $A_4$:  Die Summe der beiden Würfel ist  $S = 8$  (grüne Umrahmung)   ⇒   ${\rm Pr}(A_4) = 5/36$,


und nehmen nochmals Bezug auf das Ereignis

  • $A_3$:  Die Summe der beiden Würfel ist  $S = 7$   ⇒   ${\rm Pr}(A_3) = 1/6$.


Zu dieser Grafik ist anzumerken:

  • Zwischen den Ereignissen  $A_1$  und  $A_4$  bestehen statistische Bindungen, da die Wahrscheinlichkeit der Schnittmenge   ⇒   ${\rm Pr}(A_1 ∩ A_4) = 2/36 = 4/72$  ungleich dem Produkt  ${\rm Pr}(A_1) \cdot {\rm Pr}(A_4)= 1/2 \cdot 5/36 = 5/72$  ist.
  • Die bedingte Wahrscheinlichkeit  ${\rm Pr}(A_1 \hspace{0.05cm} \vert \hspace{0.05cm} A_4) = 2/5$  kann aus dem Quotienten der Verbundwahrscheinlichkeit  ${\rm Pr}(A_1 ∩ A_4) = 2/36$  und der Wahrscheinlichkeit  ${\rm Pr}(A_4) = 5/36$  berechnet werden.
  • Da  $A_1$  und  $A_4$  statistisch abhängig sind, ist die bedingte Wahrscheinlichkeit  ${\rm Pr}(A_1 \hspace{0.05cm}\vert \hspace{0.05cm} A_4) = 2/5$  (zwei der fünf grün umrandeten Felder sind rot hinterlegt)  ungleich der absoluten Wahrscheinlichkeit  ${\rm Pr}(A_1) = 1/2$  (die Hälfte aller Felder sind rot hinterlegt).
  • Ebenso ist die bedingte Wahrscheinlichkeit  ${\rm Pr}(A_4 \hspace{0.05cm} \vert \hspace{0.05cm} A_1) = 2/18 = 4/36$  (zwei der  $18$  rot hinterlegten Felder sind grün umrandet) ungleich der absoluten Wahrscheinlichkeit  ${\rm Pr}(A_4) = 5/36$  (insgesamt sind fünf der  $36$  Felder grün umrandet).
  • Dieses letzte Ergebnis lässt sich zum Beispiel auch über den  Satz von Bayes  ableiten:
$${\rm Pr}(A_4 \hspace{0.05cm} \vert\hspace{0.05cm} A_1) = \frac{ {\rm Pr}(A_1 \hspace{0.05cm} \vert\hspace{0.05cm} A_4)\cdot {\rm Pr} ( A_4)} { {\rm Pr}(A_1)} = \frac{2/5 \cdot 5/36}{1/2} = 1/9.$$
  • Dagegen gelten für  $A_1$  und das hierzu statistisch unabhängige Ereignis  $A_3$  die folgenden bedingten Wahrscheinlichkeiten, siehe  Beispiel 1:
$${\rm Pr}(A_{\rm 1} \hspace{0.05cm}\vert \hspace{0.05cm} A_{\rm 3}) = {\rm Pr}(A_{\rm 1}) = \rm 1/2\hspace{0.5cm}{\rm bzw.}\hspace{0.5cm}{\rm Pr}(A_{\rm 3} \hspace{0.05cm} \vert \hspace{0.05cm} A_{\rm 1}) = {\rm Pr}(A_{\rm 3}) = 1/6.$$


Allgemeines Multiplikationstheorem


Wir betrachten mehrere Ereignisse, die als  $A_i$  mit  $1 ≤ i ≤ I$  bezeichnet werden.  Diese Ereignisse  $A_i$  stellen nun aber kein  vollständiges System  mehr dar, das heißt,

  • sie sind nicht paarweise zueinander disjunkt, und
  • es können zwischen den einzelnen Ereignissen auch statistische Bindungen bestehen.


$\text{Definition:}$  Für die so genannte  Verbundwahrscheinlichkeit, also für die Wahrscheinlichkeit der Schnittmenge aller  $I$  Ereignisse  $A_i$, gilt in diesem Fall:

$${\rm Pr}(A_{\rm 1} \cap \hspace{0.02cm}\text{ ...}\hspace{0.1cm} \cap A_{I}) = {\rm Pr}(A_{I})\hspace{0.05cm}\cdot\hspace{0.05cm}{\rm Pr}(A_{I \rm -1} \hspace{0.05cm}\vert \hspace{0.05cm} A_I) \hspace{0.05cm}\cdot \hspace{0.05cm}{\rm Pr}(A_{I \rm -2} \hspace{0.05cm}\vert\hspace{0.05cm} A_{I - \rm 1}\cap A_I)\hspace{0.05cm} \cdot \hspace{0.02cm}\text{ ...} \hspace{0.1cm} \cdot\hspace{0.05cm} {\rm Pr}(A_{\rm 1} \hspace{0.05cm}\vert \hspace{0.05cm}A_{\rm 2} \cap \hspace{0.02cm}\text{ ...} \hspace{0.1cm}\cap A_{ I}).$$

In gleicher Weise gilt natürlich auch:

$${\rm Pr}(A_{\rm 1} \cap \hspace{0.02cm}\text{ ...}\hspace{0.1cm} \cap A_{I}) = {\rm Pr}(A_1)\hspace{0.05cm}\cdot\hspace{0.05cm}{\rm Pr}(A_2 \hspace{0.05cm}\vert \hspace{0.05cm} A_1) \hspace{0.05cm}\cdot \hspace{0.05cm}{\rm Pr}(A_3 \hspace{0.05cm}\vert \hspace{0.05cm} A_1\cap A_2)\hspace{0.05cm} \cdot \hspace{0.02cm}\text{ ...}\hspace{0.1cm} \cdot\hspace{0.05cm} {\rm Pr}(A_I \hspace{0.05cm}\vert \hspace{0.05cm}A_1 \cap \hspace{0.02cm} \text{ ...} \hspace{0.1cm}\cap A_{ I-1}).$$


$\text{Beispiel 3:}$  Eine Lostrommel enthält zehn Lose, darunter drei Treffer  $($Ereignis $T_1)$.  Dann gilt für die Wahrscheinlichkeit, dass man mit zwei Losen zwei Treffer zieht:

$${\rm Pr}(T_1 \cap T_2) = {\rm Pr}(T_1) \cdot {\rm Pr}(T_2 \hspace{0.05cm }\vert \hspace{0.05cm} T_1) = 3/10 \cdot 2/9 = 1/15 \approx 6.7 \%.$$
  • Hierbei ist berücksichtigt, dass sich bei der zweiten Ziehung  $($Ereignis $T_2)$  nur mehr neun Lose und zwei Treffer in der Urne befänden, falls im ersten Durchgang ein Treffer gezogen worden ist   ⇒   ${\rm Pr}(T_2 \hspace{0.05cm} \vert\hspace{0.05cm} T_1) = 2/9$ .
  • Würde man jedoch die Lose nach der Ziehung wieder in die Trommel zurücklegen, so wären die Ereignisse  $T_1$  und  $T_2$  statistisch unabhängig und es würde gelten:
$$ {\rm Pr}(T_1 ∩ T_2) = (3/10)^2 = 9\%.$$

Rückschlusswahrscheinlichkeit


Gegeben seien wieder Ereignisse  $A_i$  mit  $1 ≤ i ≤ I$, die ein vollständiges System bilden. Das heißt:

  • Alle Ereignisse sind paarweise disjunkt  $(A_i ∩ A_j = ϕ$  für alle  $i ≠ j$ ).
  • Die Vereinigungsmenge ergibt die Grundmenge:
$$\rm \bigcup_{\it i=1}^{\it I}\it A_i = \it G.$$

Daneben betrachten wir noch das Ereignis  $B$, von dem alle bedingten Wahrscheinlichkeiten  ${\rm Pr}(B \hspace{0.05cm} | \hspace{0.05cm} A_i)$  mit den Indizes  $1 ≤ i ≤ I$  bekannt sind.

$\text{Satz von der totalen Wahrscheinlichkeit:}$  Unter den oben genannten Voraussetzungen gilt für die (unbedingte) Wahrscheinlichkeit des Ereignisses  $B$:

$${\rm Pr}(B) = \sum_{i={\rm1} }^{I}{\rm Pr}(B \cap A_i) = \sum_{i={\rm1} }^{I}{\rm Pr}(B \hspace{0.05cm} \vert\hspace{0.05cm} A_i)\cdot{\rm Pr}(A_i).$$


$\text{Definition:}$  Aus dieser Gleichung folgt mit dem  Satz von Bayes  für die  Rückschlusswahrscheinlichkeit:

$${\rm Pr}(A_i \hspace{0.05cm} \vert \hspace{0.05cm} B) = \frac{ {\rm Pr}( B \mid A_i)\cdot {\rm Pr}(A_i )}{ {\rm Pr}(B)} = \frac{ {\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A_i)\cdot {\rm Pr}(A_i )}{\sum_{k={\rm1} }^{I}{\rm Pr}(B \hspace{0.05cm} \vert \hspace{0.05cm} A_k)\cdot{\rm Pr}(A_k) }.$$


$\text{Beispiel 4:}$  In Münchner Studentenheimen wohnen Studierende

  • der Ludwig–Maximilian–Universität  $($Ereignis  $L$   ⇒   ${\rm Pr}(L) = 70\%)$  und
  • der Technischen Universität München  $($Ereignis  $T$   ⇒   ${\rm Pr}(T) = 30\%)$.


Es ist weiterhin bekannt, dass an der LMU  $60\%$  aller Studierenden weiblich sind, an der TUM nur  $10\%$.

  • Der Anteil aller Studentinnen im Studentenheim  $($Ereignis $W)$  kann dann mit dem Satz von der totalen Wahrscheinlichkeit ermittelt werden:
$${\rm Pr}(W) = {\rm Pr}(W \hspace{0.05cm} \vert \hspace{0.05cm} L)\hspace{0.01cm}\cdot\hspace{0.01cm}{\rm Pr}(L) \hspace{0.05cm}+\hspace{0.05cm} {\rm Pr}(W \hspace{0.05cm} \vert \hspace{0.05cm} T)\hspace{0.01cm}\cdot\hspace{0.01cm}{\rm Pr}(T) = \rm 0.6\hspace{0.01cm}\cdot\hspace{0.01cm}0.7\hspace{0.05cm}+\hspace{0.05cm}0.1\hspace{0.01cm}\cdot \hspace{0.01cm}0.3 = 45 \%.$$
  • Trifft man eine Studentin, so kann man mit der Rückschlusswahrscheinlichkeit
$${\rm Pr}(L \hspace{-0.05cm}\mid \hspace{-0.05cm}W) = \frac{ {\rm Pr}(W \hspace{-0.05cm}\mid \hspace{-0.05cm}L)\cdot {\rm Pr}(L) }{ {\rm Pr}(W \hspace{-0.05cm}\mid \hspace{-0.05cm}L) \cdot {\rm Pr}(L) +{\rm Pr}(W \hspace{-0.05cm}\mid \hspace{-0.05cm}T) \cdot {\rm Pr}(T)}=\rm \frac{0.6\cdot 0.7}{0.6\cdot 0.7 + 0.1\cdot 0.3}=\frac{14}{15}\approx 93.3 \%$$
vorhersagen,  dass sie an der LMU studieren wird. Ein durchaus realistisches Ergebnis  (zumindest in der Vergangenheit).


Die Aussagen dieses Abschnitts sind im Lernvideo  Statistische Abhängigkeit und Unabhängigkeit  zusammengefasst.

Aufgaben zum Kapitel


Aufgabe 1.4: 2S/3E-Kanalmodell

Aufgabe 1.4Z: Summe von Ternärgrößen

Aufgabe 1.5: Karten ziehen

Aufgabe 1.5Z: Ausfallwahrscheinlichkeiten