
Wahrscheinlichkeitsverteilung von X
Die Wahrscheinlichkeitsverteilung W einer Zufallsgröße X weist jedem Wert (mit ) der Zufallsgröße X die Wahrscheinlichkeit zu.
Um die Begrifflichkeiten ein wenig zu vertiefen, kannst Du Dir folgendes Beispiel ansehen:
Du und Dein Freund wollt mit einem Münzwurf entscheiden, wer von Euch beiden das Essen bezahlt. Um es ein wenig interessanter zu machen, werft ihr dreimal, und wer zweimal verliert, muss bezahlen.
Wie groß sind Deine Chancen, nicht bezahlen zu müssen? Dafür gehst Du jetzt einmal das Zufallsexperiment aus Deiner Sicht durch.
1. Ergebnis:
Es wird jetzt dreimal geworfen, entsprechend gibt es 8 verschiedene Ergebnisse:
Fall | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 1 1 1 | 1 1 0 | 1 0 1 | 0 1 1 | 1 0 0 | 0 1 0 | 0 0 1 | 0 0 0 |
2. Ergebnismenge:
Die Ergebnismenge wäre dann in diesem Fall:
3. Zufallsgröße und Wert:
Am Anfang haben Du und Dein Freund festgelegt, dass der Gesamtsieger derjenige ist, der zwei Münzwürfe gewinnt. Du kannst mit dieser Information jetzt die einzelnen Ergebnisse entweder dem Wert 1 für einen Gesamtsieg oder dem Wert 0 für eine Gesamtniederlage zuordnen.
Diese Zuordnung ist die Zufallsgröße.
Fall | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 1 1 1 | 1 1 0 | 1 0 1 | 0 1 1 | 1 0 0 | 0 1 0 | 0 0 1 | 0 0 0 |
| 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
4. Wahrscheinlichkeitsverteilung
Jetzt fehlt nur noch die Wahrscheinlichkeitsverteilung
Dafür musst Du jetzt die Wahrscheinlichkeit Deiner jeweiligen Werte berechnen. Beide Werte können jeweils in 4, also der Hälfte der Fälle erreicht werden.
In der Tabelle ergibt das dann:
Fall | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 1 1 1 | 1 1 0 | 1 0 1 | 0 1 1 | 1 0 0 | 0 1 0 | 0 0 1 | 0 0 0 |
| 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 |
| | | | | | | | |
Fazit:Ihr habt beide eine 50/50 Chance, nicht bezahlen zu müssen!
Die Wahrscheinlichkeitsverteilung findest Du in der Stochastik unter der Wahrscheinlichkeitsrechnung. Diese Wahrscheinlichkeitsrechnung basiert auf drei grundlegenden Aussagen – den Axiomen von Kolmogorow.
Wahrscheinlichkeitsverteilung – Axiome von Kolmogorow
Das Modell von Kolmogorow besitzt drei Axiome – so heißen die Grundsätze einer Theorie –, die die grundlegenden Eigenschaften einer Wahrscheinlichkeit beschreiben, auf denen die gesamte Wahrscheinlichkeitsrechnung und daher die Wahrscheinlichkeitsverteilung beruht.
Seien die Ergebnismenge eines Zufallsexperiments, A und B Teilmengen von Ω und P eine Funktion, die jedem A eine reelle Zahl zwischen 0 und 1 zuordnet.
P(A) wird Wahrscheinlichkeit genannt, falls folgende drei Bedingungen (Axiome) erfüllt werden:
Diese Bedingung besagt, dass jede Wahrscheinlichkeit für das Eintreffen einer Teilmenge von Ω (Ereignis) nicht negativ ist. Man nennt diese Eigenschaft daher auch: Nichtnegativität.
Das zweite Axiom bringt eine weitere Eingrenzung des Wertebereichs von der Funktion P.
Mit Axiom 1 und 2 darf P(A) mit beliebigem A minimal Wert 0 und maximal Wert 1 annehmen.
Dies bedeutet also, dass für kein Ergebnis beide Ereignisse erfüllt werden. A und B nennt man in diesem Fall auch disjunkt.
Wenn Du mehr über die Axiome erfahren möchtest, dann schau Dir doch die Erklärung Axiome von Kolmogorow an.
Da die Axiome von Kolmogorow die Grundlage für die Wahrscheinlichkeitsrechnung bildet, richten sich auch alle Unterteilungen der Wahrscheinlichkeitsverteilung nach diesen Prinzipien.
Wahrscheinlichkeitsverteilung – Diskrete und stetige Zufallsvariable
Die Wahrscheinlichkeitsverteilung wird in zwei Arten unterteilt, die diskrete und die stetige Zufallsvariable. Diese sind dann jeweils noch mehrmals in verschiedene Kategorien unterteilt. Da es sich bei den Wahrscheinlichkeitsverteilungen um Funktionen handelt, gibt es immer einen Funktionswert und einen x-Wert.
Diskrete Zufallsvariable
Die Diskrete Zufallsvariable zeichnet sich dadurch aus, dass sie eine begrenzte, abzählbare Anzahl an möglichen Ausprägungen hat. Beispiele dafür sind der Münz- oder Würfelwurf. Beide haben nur eine begrenzte Anzahl an möglichen Ausprägungen, der Münzwurf hat zum Beispiel zwei und der Würfelwurf hat dafür 6 Ausprägungen.
Das Wort Ausprägungen ist in diesem Fall ein anderes Wort für die verschiedenen Ergebnismöglichkeiten, also Ergebnisse, die bereits weiter oben definiert wurden.
Die diskrete Wahrscheinlichkeitsverteilung ist die Wahrscheinlichkeitsverteilung einer diskreten Zufallsvariablen.
Stetige Zufallsvariable
Die stetige Zufallsvariable dagegen hat eine unbegrenzte Anzahl an möglichen Ausprägungen. Als Beispiel kannst Du dafür die Haarlänge nehmen. Theoretisch könntest Du sagen, dass es von keinen Haaren, bis zu den weltweit längsten Haaren eine begrenzte Anzahl an Zentimetern gibt. Jedoch, wenn Du die Länge in immer genaueren Einheiten angeben würdest, hättest Du unendlich viele verschiedene Haarlängen auf der Welt, zumal es keine festgelegte Grenze für das Haarwachstum gibt.
Die stetige Wahrscheinlichkeitsverteilung ist die Wahrscheinlichkeitsverteilung einer stetigen Zufallsvariablen.
Wahrscheinlichkeitsfunktion – Dichtefunktion
Die Wahrscheinlichkeitsfunktion ist eine Art der Wahrscheinlichkeitsverteilung. Wenn die Wahrscheinlichkeitsfunktion gleichzeitig auch stetig ist, wird sie Dichtefunktion genannt.
Eine Wahrscheinlichkeitsfunktion wird es auch wirklich nur dann genannt, wenn es sich um eine diskrete Wahrscheinlichkeitsverteilung handelt.
Wahrscheinlichkeitsfunktion
Bei der Wahrscheinlichkeitsfunktion wird die Wahrscheinlichkeit immer nur für einen bestimmten Wert oder eine bestimmte Ausprägung dargestellt. In dem Beispiel eines Würfels werden zum Beispiel nur die Wahrscheinlichkeiten für die jeweiligen Augenzahlen 1, 2, 3, 4, 5, oder 6 gezeigt.
Bei der Wahrscheinlichkeitsfunktion kannst Du Dir merken, dass die Funktion immer wie folgt aussieht:
Für den Würfelwurf würde das tabellarisch zum Beispiel so aussehen:
(Augenzahlen) | 1 | 2 | 3 | 4 | 5 | 6 |
| | | | | | |
In einem Graphen umgesetzt, kannst Du deutlich den Unterschied zu den folgenden Kategorien sehen:
Abbildung 1: Graph Wahrscheinlichkeitsfunktion
Dichtefunktion
Die Dichtefunktion ist das Äquivalent der Wahrscheinlichkeitsfunktion, mit dem Unterschied, dass es sich um eine stetige Wahrscheinlichkeitsverteilung handelt. Hier kannst Du unter anderem Fälle, wie die menschliche Haarlänge, darstellen.
Die Summe der Wahrscheinlichkeiten aller Ergebnisse ist in einem Zufallsexperiment immer gleich 1. In einer stetigen Zufallsverteilung muss die 1 auf unendlich viele Ausprägungen verteilt werden. Das führt dazu, dass die Wahrscheinlichkeit für eine einzelne Ausprägung praktisch gegen 0 geht. Ebendarum lässt sich in der Dichtefunktion nicht die Wahrscheinlichkeit einer einzelnen Ausprägung ableiten. Um aber trotzdem an ein Ergebnis zu gelangen, kannst Du über mehrere Ausprägungen hinweg integrieren und erhältst so die Wahrscheinlichkeit für diese Menge an Ausprägungen.
Bei der Wahrscheinlichkeitsfunktion kannst Du Dir merken, dass die Funktion immer wie folgt aussieht:
und
Ein bekanntes Beispiel für eine stetige Wahrscheinlichkeitsverteilung ist die Körpergröße, in einer Dichtefunktion sieht das dann so aus:
Abbildung 3: Graph Dichtefunktion
Wahrscheinlichkeitsverteilung – Verteilungsfunktion
Die Verteilungsfunktion gibt es sowohl als stetige als auch diskrete Wahrscheinlichkeitsverteilung. Man nennt sie auch kumulierte Wahrscheinlichkeitsverteilung, da die Wahrscheinlichkeiten aufsummiert werden.
Diskrete Verteilungsfunktion
Bei der Verteilungsfunktion werden die Wahrscheinlichkeiten mehrerer Ausprägungen aufsummiert und dargestellt. Charakteristisch für die Verteilungsfunktion diskreter Zufallsvariablen ist die Stufenform, wie Du sie unten im Beispiel erkennen kannst.
Bei der diskreten Verteilungsfunktion kannst Du Dir merken, dass die Funktion immer so aussieht:
Deine Tabelle könnte in diesem Fall so aussehen:
(Augenzahlen) | | | | | | | |
| 0 | | | | | | 1 |
Oder in einem Graphen:
Abbildung 2: Graph Verteilungsfunktion
Stetige Verteilungsfunktion
Die Verteilungsfunktion der stetigen Wahrscheinlichkeitsverteilung ist wiederum das Analog zur Verteilungsfunktion der diskreten Wahrscheinlichkeitsfunktion. Hier kannst Du die Wahrscheinlichkeit wieder direkt ablesen, da der Graph Dir jeweils sagt, wie wahrscheinlich es ist, diese Körpergröße oder eine niedrigere zu erreichen.
Bei der stetigen Verteilungsfunktion kannst Du Dir merken, dass die Funktion immer wie folgt aussieht:
Für das Beispiel der Körpergröße würdest Du dann zum Beispiel so einen Graphen erhalten:
Abbildung 4: stetige Verteilungsfunktion
Wahrscheinlichkeitsverteilung – Beispiele
In den folgenden Beispielen kannst Du üben, die einzelnen Wahrscheinlichkeitsverteilungen auseinanderzuhalten.
Aufgabe 1
Entscheide anhand der gegebenen Fragestellung, ob es sich um eine diskrete oder stetige Wahrscheinlichkeitsverteilung handelt.
Im Sportunterricht übt Deine Klasse den Weitsprung, wie wahrscheinlich ist es, dass Du genau zwei Meter weit springst?
Lösung
In diesem Beispiel handelt es sich um eine stetige Wahrscheinlichkeitsverteilung. Theoretisch ist es möglich, unendlich viele Strecken weit zu springen, da die Distanz mit immer größerer Genauigkeit bemessen werden könnte.
Aufgabe 2
Entscheide, bei welchem der beiden folgenden Fragestellungen es sich um eine Wahrscheinlichkeitsfunktion handelt.
a)
In einem Sack befinden sich 3 gelbe, 2 blaue und eine grüne Murmel, mit welcher Wahrscheinlichkeit ziehst Du die jeweiligen Farben?
b)
Du ziehst ohne zu schauen einen Zettel aus einer Box, wo die Nummern 1 bis 10 auf Zettel geschrieben sind. Wie groß ist die Wahrscheinlichkeit, dass Du mindestens eine, höchstens eine Sieben ziehst?
Lösung
Die Fragestellung a) ist eine Wahrscheinlichkeitsfunktion, da Du die Wahrscheinlichkeit für jeweils ein Ergebnis berechnest und es nur genau 10 verschiedene Murmeln gibt.
Die Fragestellung b) dagegen handelt es sich um eine diskrete Verteilungsfunktion, das erkennst Du daran, dass Du zwar genauso wie in a) eine abzählbare Menge an Ergebnissen hast, hier aber die Wahrscheinlichkeiten bis zu einem bestimmten Ergebnis aufsummiert werden.
Aufgabe 3
Entscheide anhand der folgenden Fragestellung, ob es sich um eine diskrete oder stetige Verteilungsfunktion handelt.
Du pflanzt Dir Anfang des Jahres eine Avocadopflanze, wie groß ist die Wahrscheinlichkeit, dass die Avocadopflanze, am Ende des Jahres höchstens 15 Zentimeter hoch gewachsen ist?
Lösung
Es handelt sich um eine stetige Verteilungsfunktion, da die Pflanze theoretisch unendlich viele Höhen am Ende des Jahres erreicht haben kann. Das liegt daran, dass die Höhe mit immer größerer Genauigkeit bemessen werden könnte.
Wahrscheinlichkeitsverteilung – Das Wichtigste auf einen Blick
- Die Ergebnismenge ist die Menge aller möglichen Ergebnisse eines Zufallsexperiments
- Das Ergebnis ist eines der möglichen Ergebnisse der Ergebnismenge
- Die Zufallsgröße oder auch Zufallsvariable genannt, ist eine Funktion, die jedem Ergebnis der Ergebnismenge eines Zufallsexperiments eine reelle Zahl zuordnet.
- Die Wahrscheinlichkeitsverteilung W einer Zufallsgröße X weist jedem Wert (mit ) der Zufallsgröße X die Wahrscheinlichkeit zu.
- Das Modell von Kolmogorow mit drei Axiomen beschreibt bloß die grundlegenden Eigenschaften einer Wahrscheinlichkeit. Du kannst aber innerhalb dieser Eigenschaften noch zwischen verschiedenen Realisierungen von Wahrscheinlichkeit unterscheiden. Die Axiome lauten:
- Die Diskrete Zufallsvariable zeichnet sich dadurch aus, dass sie eine begrenzte, abzählbar Anzahl an möglichen Ausprägungen hat, es wird zwischen Wahrscheinlichkeitsfunktion und diskreter Verteilungsfunktion unterschieden
- Bei der Wahrscheinlichkeitsfunktion wird die Wahrscheinlichkeit immer nur für einen bestimmten Wert oder eine bestimmte Ausprägung dargestellt, mit der Form
- Bei der diskreten Verteilungsfunktion werden stattdessen die Wahrscheinlichkeiten mehrerer Ausprägungen aufsummiert und dargestellt. Charakteristisch für die Verteilungsfunktion diskreter Zufallsvariablen ist die Stufenform, mit der Form
- Die stetige Zufallsvariable dagegen hat eine unbegrenzte Anzahl an möglichen Ausprägungen, es wird zwischen Dichtefunktion und stetiger Verteilungsfunktion unterschieden
- Die Dichtefunktion ist das Äquivalent der Wahrscheinlichkeitsfunktion, mit dem Unterschied, dass es sich um eine stetige Wahrscheinlichkeitsverteilung handelt, mit der Form und
- Die Verteilungsfunktion der stetigen Wahrscheinlichkeitsverteilung ist wiederum analog zur Verteilungsfunktion der diskreten Wahrscheinlichkeitsfunktion, mit der Form
Nachweise
- Ulrich Krengel (2005). Einführung in die Wahrscheinlichkeitstheorie und Statistik. Springer
- Hans-Otto Georgii (2009). Einführung Einführung in die Wahrscheinlichkeitstheorie und Statistik. de Gruyter
- David Meintrup (2005). Stochastik. Theorie und Anwendungen. Springer
Wie stellen wir sicher, dass unser Content korrekt und vertrauenswürdig ist?
Bei StudySmarter haben wir eine Lernplattform geschaffen, die Millionen von Studierende unterstützt. Lerne die Menschen kennen, die hart daran arbeiten, Fakten basierten Content zu liefern und sicherzustellen, dass er überprüft wird.
Content-Erstellungsprozess:
Lily Hulatt ist Digital Content Specialist mit über drei Jahren Erfahrung in Content-Strategie und Curriculum-Design. Sie hat 2022 ihren Doktortitel in Englischer Literatur an der Durham University erhalten, dort auch im Fachbereich Englische Studien unterrichtet und an verschiedenen Veröffentlichungen mitgewirkt. Lily ist Expertin für Englische Literatur, Englische Sprache, Geschichte und Philosophie.
Lerne Lily
kennen
Inhaltliche Qualität geprüft von:
Gabriel Freitas ist AI Engineer mit solider Erfahrung in Softwareentwicklung, maschinellen Lernalgorithmen und generativer KI, einschließlich Anwendungen großer Sprachmodelle (LLMs). Er hat Elektrotechnik an der Universität von São Paulo studiert und macht aktuell seinen MSc in Computertechnik an der Universität von Campinas mit Schwerpunkt auf maschinellem Lernen. Gabriel hat einen starken Hintergrund in Software-Engineering und hat an Projekten zu Computer Vision, Embedded AI und LLM-Anwendungen gearbeitet.
Lerne Gabriel
kennen