-
Notifications
You must be signed in to change notification settings - Fork 1
/
01_grundbegriffe.tex
1264 lines (1073 loc) · 51.8 KB
/
01_grundbegriffe.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
\chapter{%
Grundbegrif"|fe der Wahrscheinlichkeitstheorie%
}
\section{%
Zufallsexperimente%
}
\begin{Bem}
Im Folgenden soll ein mathematisches Fundament aufgebaut werden, sodass
Zufallexperimente in der Realität durch Modellbildung so abstrahiert werden können,
dass sie in ein mathematisches Modell (einen Wahrscheinlichkeitsraum) übersetzt werden.
Durch Theoreme der Wahrscheinlichkeitstheorie sind (Vor-)Aussagen über das Modell möglich,
die dann durch Interpretation auf die Realität, also das Zufallsexperiment übertragen werden
können.
\end{Bem}
\linie
\begin{Bem}
Für die Definition eines Wahrscheinlichkeitsraums (Modell eines Zufallsexperiments)
sind drei Elemente notwendig:
ein Ergebnisraum $\Omega$,
ein Ereignisraum $\A$ und
ein Wahrscheinlichkeitsmaß $P$.
\end{Bem}
\begin{Def}{Ergebnisraum}
Ein \begriff{Ergebnisraum} ist eine Menge $\Omega \not= \emptyset$.
Seine Elemente $\omega \in \Omega$ heißen \begriff{Ergebnisse/Realisierungen}.
Eine Stichprobe ist ein $n$-Tupel $(\omega_1, \dotsc, \omega_n) \in \Omega^n$.
\end{Def}
\begin{Bem}
Nach Durchführung eines Zufallsexperiments soll genau ein Ergebnis $\omega \in \Omega$
feststehen.
Ein Ereignis ist nun eine Aussage, die anhand eines Ergebnisses eines Zufallsexperiments
eindeutig entschieden werden kann.
Daher kann man Ereignisse als Teilmengen $\Omega$ interpretieren.
Dabei sollen für $A, B \subset \Omega$ Ereignisse folgende Interpretationen möglich sein:
\begin{tabular}{p{60mm}p{100mm}}
\toprule
\emph{Ereignis} &
\emph{Interpretation}\\
\midrule
$A^C = \Omega \setminus A$ &
$A$ tritt nicht ein \\
$A \cup B$ &
$A$ oder $B$ tritt ein \\
$A \cap B$ &
$A$ und $B$ treten ein \\
$A \setminus B$ &
$A$, aber nicht $B$ tritt ein \\
$A \vartriangle B = (A \cup B) \setminus (A \cap B)$ &
entweder $A$ oder $B$ tritt ein \\
$\bigcup_{i \in I} A_i$ &
mindestens eins der $A_i$ tritt ein \\
$\bigcap_{i \in I} A_i$ &
alle $A_i$ treten ein \\
$\limsup_{n \in \natural} A_n :=
\bigcap_{n=1}^\infty \left(\bigcup_{k=n}^\infty A_k\right)$ &
unendlich viele der $A_n$ treten ein \\
$\liminf_{n \in \natural} A_n :=
\bigcup_{n=1}^\infty \left(\bigcap_{k=n}^\infty A_k\right)$ &
alle bis auf endlich viele der $A_n$ treten ein \\
$A \subset B$ &
$A$ impliziert $B$ \\
$A \cap B = \emptyset$ &
$A$ und $B$ schließen einander aus \\
\bottomrule
\end{tabular}
Man fordert daher als Ereignismenge eine Teilmenge der Potenzmenge von $\Omega$ mit bestimmten
Abschlusseigenschaften.
\end{Bem}
\begin{Def}{$\sigma$-Algebra}
Sei $\Omega \not= \emptyset$.
Dann heißt $\A \subset \P(\Omega)$ \begriff{$\sigma$-Algebra} über $\Omega$, falls
\begin{enumerate}
\item
$\emptyset \in \A$
\item
$A \in \A \;\Rightarrow\; \Omega \setminus A \in \A$
\item
$A_n \in \A$ für $n \in \natural$ $\Rightarrow\;$ $\bigcup_{n=1}^\infty A_n \in \A$
\end{enumerate}
In diesem Fall heißt $(\Omega, \A)$ \begriff{Messraum} und $A \in \A$ heißt \begriff{messbar}.
\end{Def}
\begin{Satz}{Eigenschaften von Messräumen}
Sei $(\Omega, \A)$ ein Messraum.
Dann gilt:
\begin{enumerate}
\item
$\Omega \in \A$
\item
$\bigcap_{n=1}^\infty A_n, \limsup_{n \in \natural} A_n,
\liminf_{n \in \natural} A_n \in \A$
für $A_n \in \A$ und $n \in \natural$
\item
$A \cup B, A \cap B, A \setminus B, A \vartriangle B \in \A$ für $A, B \in \A$
\end{enumerate}
\end{Satz}
\linie
\pagebreak
\begin{Def}{Ereignisraum}
Ein \begriff{Ereignisraum} über $\Omega \not= \emptyset$ ist eine $\sigma$-Algebra
$\A \subset \P(\Omega)$ über $\Omega$.\\
$\emptyset$ heißt \begriff{unmögliches Ereignis} und
$\Omega$ heißt \begriff{sicheres Ereignis}.\\
Für $\omega \in \Omega$ heißt $\{\omega\}$ \begriff{Elementarereignis}.
\end{Def}
\begin{Bsp}
Es gibt manchmal mehrere Möglichkeiten, ein Zufallsexperiment zu modellieren.
\begin{enumerate}
\item
Wurf eines Würfels und "`gerade Augenzahl"':
$\Omega = \{1, \dotsc, 6\}$, $A = \{2, 4, 6\}$
\item
Wurf zweier Würfel und "`Pasch"':\\
$\Omega_1 = \{(k, \ell) \;|\; k, \ell \in \{1, \dotsc, 6\}\}$
für Beachtung der Reihenfolge, $A_1 = \{(1, 1), \dotsc, (6, 6)\}$,\\
$\Omega_2 = \{\{k, \ell\} \;|\; k, \ell \in \{1, \dotsc, 6\}\}$
ohne Beachtung der Reihenfolge, $A_2 = \{\{1\}, \dotsc, \{6\}\}$,\\
$\Omega_3 = \{2, \dotsc, 12\}$ mit Summe der Augenzahlen,
hier ist das Ereignis nicht modellierbar
\item
Mischen eines Kartenblatts mit 52 Karten:
$\Omega = \{\text{mögliche Anordnungen}\}$,\\
$|\Omega| = 52! \approx 8 \cdot 10^{67}$
\item
unendlicher Münzwurf mit Reihenfolge:
$\Omega = \{(\omega_k)_{k \in \natural} \;|\; \omega_k \in \{0, 1\}\}$
(0 = Kopf, 1 = Zahl),\\
z.\,B. "`der fünfte Wurf ist Zahl"` durch
$A = \{(\omega_k)_{k \in \natural} \;|\; \omega_5 = 1\}$\\
oder "`es wird unendlich oft Zahl geworfen"' durch
$B = \{(\omega_k)_{k \in \natural} \;|\;
\forall_{n \in \natural} \exists_{k \ge n}\; \omega_k = 1\}$
\item
Brechen eines Stabs der Länge $L$ an einer zufälligen Stelle:
$\Omega = [0, L]$ überabzählbar,\\
z.\,B. "`Bruch ist ist linken Dritten"' durch $A = [0, \frac{1}{3} L]$\\
oder "`Bruch ist genau in der Mitte"' durch $B = \{\frac{1}{2} L\}$
\item
Schadenshöhe bei einem Autounfall:
$\Omega = [0, \infty)$
\item
zufällige Bewegung eines Teilchens in einer Flüssigkeit (\begriff{random walk}):\\
$\Omega = \{\omega \in [0, \infty) \rightarrow \real^3 \;|\; \omega \text{ stetig}\}$
\end{enumerate}
\end{Bsp}
\section{%
Wahrscheinlichkeitsmaße%
}
\begin{Def}{Maß}
Sei $(\Omega, \A)$ ein Messraum.\\
Dann heißt eine Abbildung $\mu\colon \A \rightarrow [0, \infty]$ \begriff{Maß}
auf $(\Omega, \A)$, falls
\begin{enumerate}
\item
$\mu(\emptyset) = 0$ (\begriff{Nulltreue})
\item
$\mu(\bigcup_{n=1}^\infty A_n) = \sum_{n=1}^\infty \mu(A_n)$ für
$A_n \in \A$ paarweise disjunkt (\begriff{$\sigma$-Additivität})
\end{enumerate}
Falls zusätzlich $\mu(\Omega) < \infty$ gilt, dann heißt $\mu$ \begriff{endlich}.\\
Falls sogar $\mu(\Omega) = 1$ gilt, dann heißt $\mu = P$ \begriff{Wahrscheinlichkeitsmaß}
(\begriff{W-Maß}).
\end{Def}
\begin{Def}{Wahrscheinlichkeitsraum}\\
Ein \begriff{Wahrscheinlichkeitsraum} (\begriff{W-Raum}) ist ein Tripel $(\Omega, \A, P)$ mit
\begin{enumerate}
\item
$\Omega \not= \emptyset$ (Ergebnisraum)
\item
$\A$ eine $\sigma$-Algebra über $\Omega$ ($\sigma$-Algebra der messbaren Ereignisse)
\item
$P$ ein Wahrscheinlichkeitsmaß auf $(\Omega, \A)$
\end{enumerate}
\end{Def}
\linie
\pagebreak
\begin{Satz}{Eigenschaften von W-Räumen}\\
Seien $(\Omega, \A, P)$ ein W-Raum und $A, B, A_k \in \A$ für $k \in \natural$. Dann gilt:
\begin{enumerate}
\item
$P(B \setminus A) = P(B) - P(A \cap B)$
\item
$A \subset B \;\Rightarrow\; P(A) \le P(B)$
(\begriff{Monotonie})
\item
$0 \le P(A) \le 1$, $P(\Omega \setminus A) = 1 - P(A)$
\item
$P(A \cup B) = P(A) + P(B) - P(A \cap B) \le P(A) + P(B)$
\item
$P(\bigcup_{k=1}^n A_k) = \sum_{k=1}^n (-1)^{k+1} \sum_{1 \le i_1 < \dotsb < i_k \le n}
P(A_{i_1} \cap \dotsb \cap A_{i_k}) \le \sum_{k=1}^n P(A_k)$\\
(\begriff{\name{Poincaré}-\name{Sylvester}-Formel},
\begriff{Formel des Ein- und Ausschließens})
\item
$A_1 \subset A_2 \subset \dotsb \;\Rightarrow\;
P(\bigcup_{k=1}^\infty A_k) = \lim_{n \to \infty} P(A_n)$
(\begriff{Stetigkeit von unten})
\item
$A_1 \supset A_2 \supset \dotsb \;\Rightarrow\;
P(\bigcap_{k=1}^\infty A_k) = \lim_{n \to \infty} P(A_n)$
(\begriff{Stetigkeit von oben})
\item
$P(\bigcup_{k=1}^\infty A_k) \le \sum_{k=1}^\infty P(A_k)$
(\begriff{$\sigma$-Subadditivität})
\item
$\sum_{k=1}^\infty P(A_k) < \infty \;\Rightarrow\; P(\limsup_{k \to \infty} A_k) = 0$
(\begriff{Satz von \name{Borel}-\name{Cantelli}, 1. Teil})
\item
$\lim_{k \to \infty} P(A_k) = 0,\; \sum_{k=1}^\infty P(A_k^c \cap A_{k+1}) < \infty
\;\Rightarrow\; P(\limsup_{k \to \infty} A_k) = 0$\\
(\begriff{\name{Barndorff-Nielsen}s Verschärfung des
Satzes von \name{Borel}-\name{Cantelli}})
\end{enumerate}
\end{Satz}
\begin{Bsp}
\begin{enumerate}
\item
Für $\Omega \not= \emptyset$ endlich ist $(\Omega, \P(\Omega), P)$ mit
$P\colon \P(\Omega) \rightarrow [0, 1]$, $A \mapsto \frac{|A|}{n}$ ein W-Raum.\\
$P$ heißt \begriff{Gleichverteilung}.
\item
Für $\Omega \not= \emptyset$ beliebig ist $(\Omega, \P(\Omega), \mu)$
mit dem \begriff{Zählmaß}
$\mu\colon \P(\Omega) \rightarrow [0, \infty]$, $A \mapsto |A|$ für $A$ endlich und
$A \mapsto \infty$ für $A$ unendlich ein W-Raum.
\item
Für $\Omega \not= \emptyset$ beliebig und festes $\omega \in \Omega$ ist
$(\Omega, \P(\Omega), P_{\{\omega\}})$ mit dem \begriff{\name{Dirac}maß}\\
$P_{\{\omega\}}\colon \P(\Omega) \rightarrow [0, 1]$,
$A \mapsto 1$ für $\omega \in A$ und $A \mapsto 0$ für $\omega \notin A$ ein W-Raum.
\end{enumerate}
\end{Bsp}
\section{%
Diskrete Wahrscheinlichkeitsräume%
}
\begin{Def}{diskreter W-Raum}\\
Ein W-Raum $(\Omega, \A, P)$ heißt \begriff{diskret}, falls $\Omega$ höchstens abzählbar ist
und $\A = \P(\Omega)$ gilt.
\end{Def}
\begin{Def}{Zähldichte}
Wenn $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum ist, dann gilt für jedes Ereignis\\
$A \subset \Omega$, dass $P(A) = P(\bigcup_{\omega \in A} \{\omega\}) =
\sum_{\omega \in A} P(\{\omega\}) = \sum_{\omega \in A} p_\omega$
für $p_\omega := P(\{\omega\})$.\\
Für die $p_\omega$ gilt $p_\omega \in [0, 1]$ und
$\sum_{\omega \in \Omega} p_\omega = P(\Omega) = 1$.
Die Folge $(p_\omega)_{\omega \in \Omega}$ heißt \begriff{Zähldichte}.
\end{Def}
\begin{Satz}{Konstruktion von diskreten W-Räumen}
\begin{enumerate}
\item
Sei $\Omega \not= \emptyset$ höchstens abzählbar und $(p_\omega)_{\omega \in \Omega}$
eine Folge von Zahlen in $[0, 1]$ mit\\
$\sum_{\omega \in \Omega} p_\omega = 1$ (d.\,h. eine Zähldichte).
Dann ist $(\Omega, \P(\Omega), P)$ mit $P\colon \P(\Omega) \rightarrow [0, 1]$,\\
$A \mapsto \sum_{\omega \in A} p_\omega$ ein diskreter W-Raum mit
$P(\{\omega\}) = p_\omega$ für $\omega \in \Omega$.
\item
Ist $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum, so ist $(p_\omega)_{\omega \in \Omega}$
mit $p_\omega := P(\{\omega\})$ eine Zähldichte
auf $\Omega$ und $P$ entsteht aus $(p_\omega)_{\omega \in \Omega}$ durch die Konstruktion
in (a).
\end{enumerate}
\end{Satz}
\linie
\pagebreak
\begin{Def}{diskrete Gleichverteilung}
Seien $N \in \natural$, $\Omega := \{1, \dotsc, N\}$ und $p_k := \frac{1}{N}$
für $k \in \Omega$.
Dann ist $(p_k)_{k \in \Omega}$ eine Zähldichte und heißt \begriff{Gleichverteilung} oder
\begriff{\name{Laplace}-Verteilung}.
Dadurch ist ein diskreter W-Raum $(\Omega, \P(\Omega), P)$, ein sog.
\begriff{\name{Laplace}scher W-Raum} gegeben.\\
Für ein Ereignis $A \subset \Omega$ gilt
$P(A) = \sum_{\omega \in A} p_\omega = \frac{|A|}{|\Omega|}$.
\end{Def}
\begin{Bsp}
\begin{enumerate}
\item
Wurf eines fairen, sechsseitigen Würfels:
$\Omega = \{1, \dotsc, 6\}$, Laplace-W-Raum $(\Omega, \P(\Omega), P)$.\\
Für das Ereignis $A :=$ "`Augenzahl gerade"' $= \{2, 4, 6\}$ gilt
$P(A) = \frac{|A|}{|\Omega|} = \frac{3}{6} = \frac{1}{2}$.
\item
$n$-maliger Wurf einer fairen Münze:\\
$\Omega = \{0, 1\}^n = \{(\omega_1, \dotsc, \omega_n) \;|\; \omega_k \in \{0, 1\}\}$,
Laplace-W-Raum $(\Omega, \P(\Omega), P)$.\\
Für $n = 3$ und das Ereignis $A$, dass mindestens einmal Zahl auftritt, gilt
$\Omega \setminus A = \{0, 0, 0\}$, d.\,h.
$P(A) = P(\Omega \setminus (\Omega \setminus A)) = 1 - P(\Omega \setminus A) =
1 - \frac{|\Omega \setminus A|}{|\Omega|} = 1 - \frac{1}{8} = \frac{7}{8}$.
\item
\begriff{Ziegenproblem}:
In einer Spielshow gibt es drei Tore.
Hinter genau einem befindet sich ein Auto, hinter den anderen beiden sind Nieten.
Nach Auswahl eines Tores durch einen Kandidaten öffnet der Showmaster ein anderes Tor,
hinter dem sich eine Niete befindet, und fragt den Kandidaten, ob er das Tor wechseln
möchte.
Wie soll der Kandidat sich entscheiden, wenn er das Auto gewinnen will?\\
Angenommen, der Kandidat wählt Tor 1 und es ist unbekannt, hinter welchem das Auto steht.
Es liegt Gleichverteilung vor und es gibt drei Möglichkeiten:
\begin{enumerate}[label=\arabic*.]
\item
Das Auto ist hinter Tor 1.
Der Showmaster öffnet also Tor 2 oder Tor 3, aber in beiden Fällen sollte der Kandidat
nicht wechseln.
\item
Das Auto ist hinter Tor 2.
Der Showmaster öffnet also Tor 3, in diesem Fall sollte der Kandidat wechseln.
\item
Das Auto ist hinter Tor 3.
Der Showmaster öffnet also Tor 2,
in diesem Fall sollte der Kandidat ebenfalls wechseln.
\end{enumerate}
Mit einer Wahrscheinlichkeit von $p = \frac{2}{3}$ ist es also ratsam, das Tor zu wechseln.
\end{enumerate}
\end{Bsp}
\linie
\begin{Def}{\name{Bernoulli}-Verteilung}
Seien $\Omega := \{0, 1\}$, $p \in [0, 1]$, $p_0 := 1 - p$ und $p_1 := p$.
Dann ist $(p_k)_{k \in \Omega}$ eine Zähldichte und
heißt \begriff{\name{Bernoulli}-Verteilung}.
Sie definiert ein diskretes W-Maß.
\end{Def}
\begin{Bsp}
\begin{enumerate}
\item
Wurf einer unfairen Münze: $\Omega = \{0, 1\}$,
Wahrscheinlichkeit für Zahl (1) sei $p \in [0, 1]$
\item
$n$-maliger Wurf einer unfairen Münze: $\Omega = \{0, 1\}^n =
\{\omega = (\omega_1, \dotsc, \omega_n) \;|\; \omega_k \in \{0, 1\}\}$.\\
Ein Ergebnis $\omega$ hat die Wahrscheinlichkeit
$p_\omega = \prod_{k=1}^n$
\matrixsize{$\begin{cases}p & \omega_k = 1\\1 - p & \omega_k = 0\end{cases}$},
da jeder Wurf unabhängig von allen anderen ist.
Definiert man $k(\omega) = \sum_{k=1}^n \omega_k$ als die Anzahl von Zahl in $\omega$,
so gilt $p_\omega = p^{k(\omega)} (1 - p)^{n - k(\omega)}$.
Diese Zähldichte definiert ein diskretes W-Maß auf $\Omega$.
Wie groß ist die Wahrscheinlichkeit, genau $k$-mal Zahl zu werfen?
Dazu sei\\
$A_k := \text{"`es wird genau } k\text{-mal Zahl geworfen"'} =
\{\omega \in \Omega \;|\; k(\omega) = k\}$.
Für die Wahrscheinlichkeit gilt aufgrund der Diskretheit
$P(A_k) = \sum_{p_\omega \in A_k} p_\omega = p^k (1 - p)^{n-k} \cdot |A_k|$.\\
Um $|A_k|$ zu bestimmen, verteilt man in das $n$-Tupel $\omega = (0, \dotsc, 0)$ $k$
Einsen und zählt die verschiedenen möglichen Resultate.
Allerdings darf es auf die Reihenfolge nicht ankommen
(ob man zuerst $\omega_1 = 1$ und dann $\omega_2 = 1$ setzt oder andersherum muss
egal sein).
Daher muss man noch durch die Anzahl der verschiedenen Verteilungen mit gleichen Resultaten
dividieren.
Dies entspricht genau den $k!$ Permutationen der Einsen, daher ist
$|A_k| = \frac{n (n - 1) \dotsm (n - k + 1)}{k (k - 1) \dotsm 1} =
\frac{n!}{(n - k)! k!} = \binom{n}{k}$ ein \begriff{Binomialkoef"|fizient}.\\
Damit gilt $P(A_k) = \binom{n}{k} p^k (1 - p)^{n-k}$.
\end{enumerate}
\end{Bsp}
\linie
\pagebreak
\begin{Def}{Binomialverteilung}
Seien $n \in \natural$ und $p \in [0, 1]$.
Auf $\Omega := \natural_0$ ist $p_k := \binom{n}{k} p^k (1 - p)^{n-k}$ für $0 \le k \le n$
und $p_k := 0$ sonst mit $k \in \Omega$ eine Zähldichte.
Das zugehörige W-Maß heißt \begriff{Binomialverteilung} $B(n, p)$.
Man definiert $B(n, p, k) := p_k$.
\end{Def}
\begin{Def}{\name{Poisson}-Verteilung}
Sei $\lambda > 0$.
Auf $\Omega := \natural_0$ ist $p_k := \frac{\lambda^k}{k!} e^{-\lambda}$ eine Zähldichte
und heißt \begriff{\name{Poisson}-Verteilung} zum Parameter $\lambda$.
Man definiert $\Pois(\lambda, k) := p_k$.
Das zugehörige W-Maß heißt \begriff{\name{Poisson}-Maß} $\Pois(\lambda)$.
\end{Def}
\begin{Satz}{\name{Poisson}-Verteilung als Grenzwert der Binomialverteilung}\\
Für $\lambda > 0$ und $k \in \natural_0$ gilt
$\lim_{n \to \infty} B(n, \frac{\lambda}{n}, k) = \Pois(\lambda, k)$.
\end{Satz}
\begin{Bsp}
Beim Roulette gibt es 37 mögliche Zahlen, die alle gleich wahrscheinlich sind.
Die Gewinnwahrscheinlichkeit pro Spiel beträgt also $p = \frac{1}{37}$.\\
Wie groß ist die Wahrscheinlichkeit für genau $k$ Gewinne bei 37 Spielen?\\
Die Binomialverteilung ergibt $B(37, \frac{1}{37}, k) = \binom{37}{k} p^k (1 - p)^{37-k} =
\frac{37!}{(37 - k)! k!} \cdot \frac{36^{37-k}}{37^{37}}$.\\
Weil sich das nicht so leicht ausrechnen lässt, nutzt man die ungefähre Gleichheit zu\\
$\Pois(1, k) = \frac{1}{e \cdot k!}$ aus.
Die Abweichung beträgt nur $0{,}005$.
\end{Bsp}
\section{%
Kombinatorik%
}
\begin{Satz}{Produktregel}
Wenn eine Auswahl von Objekten in $n$ Schritten getroffen werden soll, dabei die Reihenfolge
wichtig ist und für die $k$-te Auswahl $\alpha_k$ Möglichkeiten zur Verfügung stehen,
so gibt es für die Gesamtauswahl $\alpha_1 \dotsm \alpha_n$ verschiedene
Möglichkeiten.
\end{Satz}
\begin{Satz}{Summenregel}
Wenn ein einzelnes Objekt in der Weise ausgewählt werden soll, dass zunächst eine Wahl unter
$n$ Sorten von Objekten getrof"|fen und dann ein Objekt der gewählten Sorte ausgewählt wird,
so gibt es, falls es jeweils $\alpha_k$ verschiedene Objekte der $k$-ten Sorte gibt,
insgesamt $\alpha_1 + \dotsb + \alpha_n$ Möglichkeiten, ein Objekt auszuwählen.
\end{Satz}
\linie
\begin{Def}{Permutation}
Gegeben seien $n$ Objekte $a_1, \dotsc, a_n$ (nicht notwendigerweise verschieden).\\
Dann heißt ein $n$-Tupel $(a_{i_1}, \dotsc, a_{i_n})$ mit $i_j \in \{1, \dotsc, n\}$ und
$i_j \not= i_k$ für $j \not= k$ \begriff{Permutation} der gegebenen Objekte.
\end{Def}
\begin{Bsp}
Es gibt $6$ Permutationen der Zahlen $1, 2, 3$, nämlich
$(1, 2, 3)$, $(1, 3, 2)$, $(2, 1, 3)$, $(2, 3, 1)$, $(3, 1, 2)$ und $(3, 2, 1)$.\\
Dagegen gibt es nur die $3$ Permutationen $(1, 2, 2)$, $(2, 1, 2)$ und $(2, 2, 1)$
der Zahlen $1, 2, 2$.
\end{Bsp}
\begin{Satz}{Anzahl an Permutationen}
\begin{enumerate}
\item
Es gibt $n!$ viele Permutationen von $n$ verschiedenen Objekten.
\item
Es gibt $\frac{n!}{n_1! \dotsm n_p!}$ viele Permutationen von $n$ Objekten,
unter denen es $p \le n$ verschiedene Objekte gibt,
falls das $i$-te Objekt insgesamt $n_i$-mal unter den gegebenen Objekten vorkommt
($i = 1, \dotsc, p$).
\end{enumerate}
\end{Satz}
\begin{Bsp}
Die $32$ Karten eines Skatblatts lassen sich in $32! \approx 2{,}6 \cdot 10^{35}$
verschiedene Anordnungen bringen.
Wenn es nur auf die $8$ verschiedenen Symbole ankommt, die jeweils in $4$ Farben vorkommen,
so gibt es $\frac{32!}{(4!)^8} \approx 2{,}4 \cdot 10^{24}$ Möglichkeiten.
Bei der gleichen Frage für die Farben gibt es $\frac{32!}{(8!)^4} \approx 1{,}0 \cdot 10^{16}$
Möglichkeiten.
\end{Bsp}
\linie
\pagebreak
\begin{Bem}
Bei wahrscheinlichkeitstheoretischen Fragen im Zusammenhang mit Kombinatorik müssen häufig
aus $n$ Objekten $k$-viele ausgewählt werden.
Solche Sachverhalte werden durch \begriff{Urnenmodelle} veranschaulicht.
Dabei stellt man sich vor, dass man eine Urne $S$ gegeben hat, in der sich $n$ Kugeln befinden.
Aus dieser werden $k$ Kugeln zufällig gezogen (\begriff{Stichprobe}).\\
Es gibt vier Möglichkeiten der Ziehung:
\begin{enumerate}
\item
\begriff{geordnete Stichprobe ohne Zurücklegen}:\\
Stichprobe ist $k$-Tupel $(\omega_1, \dotsc, \omega_k)$ mit
$\omega_1, \dotsc, \omega_k \in S$ paarweise verschieden
\item
\begriff{geordnete Stichprobe mit Zurücklegen}:\\
Stichprobe ist $k$-Tupel $(\omega_1, \dotsc, \omega_k)$ mit
$\omega_1, \dotsc, \omega_k \in S$
\item
\begriff{ungeordnete Stichprobe ohne Zurücklegen}:\\
Stichprobe ist $k$-elementige Teilmenge $\{\omega_1, \dotsc, \omega_k\}$ von $S$
\item
\begriff{ungeordnete Stichprobe mit Zurücklegen}:\\
Stichprobe ist "`Sammlung"' $[\omega_1, \dotsc, \omega_k]$ von $k$ Elementen aus $S$,
die mehrfach vorkommen können, hinsichtlich ihrer Reihenfolge aber nicht unterschieden
werden (\begriff{Multimenge})
\end{enumerate}
\end{Bem}
\begin{Satz}{Anzahl der Möglichkeiten beim Urnenmodell}
Sei $S$ eine $n$-elementige Menge und\\
$k \in \natural_0$.
Dann gilt für die Anzahl an Stichproben bei Ziehung von $k$ Elementen aus $S$:
\begin{enumerate}
\item
\begriff{geordnete Stichprobe ohne Zurücklegen}:
$\frac{n!}{(n - k)!} = n \cdot (n - 1) \cdot \dotsm \cdot (n - k + 1)$
\item
\begriff{geordnete Stichprobe mit Zurücklegen}:
$n^k$
\item
\begriff{ungeordnete Stichprobe ohne Zurücklegen}:
$\binom{n}{k} = \frac{n!}{(n - k)! \cdot k!} =
\frac{n \cdot (n - 1) \cdot \dotsm \cdot (n - k + 1)}{k!}$
\item
\begriff{ungeordnete Stichprobe mit Zurücklegen}:
$\binom{n + k - 1}{k}$
\end{enumerate}
\end{Satz}
\begin{Bsp}
\begin{enumerate}
\item
In einem Turnier mit $20$ Teilnehmern sollen die ersten drei Podiumspläte zufällig
ermittelt werden.
Das entspricht einer geordneten Stichprobe ohne Zurücklegen mit $n = 20$ und $k = 3$.
Es gibt daher $20 \cdot 19 \cdot 18 = 6840$ Möglichkeiten.
\item
Die Verteilung von Geburtstagen von $k$ Schülern einer Klasse ist äquivalent zu
einer geordneten Stichprobe mit Zurücklegen mit $n = 365$.
Hier gibt es $365^k$ Möglichkeiten.
\item
Beim Lotto (6 aus 49) ist das Ergebnis eine ungeordnete Stichprobe ohne Zurücklegen
mit $n = 49$ und $k = 6$.
Es gibt $\binom{49}{6} = 13983816$ Möglichkeiten.\\
Um die Wahrscheinlichkeit für genau $\ell$ Richtige zu berechnen, zählt man die
Anzahl der Möglichkeiten, aus 49 Zahlen $\ell$ Richtige und $6 - \ell$ Falsche zu ziehen.
Es gibt genau $\binom{6}{\ell} \binom{43}{6 - \ell}$ solche Möglichkeiten.
Somit erhält man für die gesuchte Wahrscheinlichkeit\\
$p_\ell = \binom{6}{\ell} \binom{43}{6 - \ell} \left/\binom{49}{6}\right.$.
Es gilt $p_0 \approx 43{,}6\%$, $p_1 \approx 41{,}5\%$, $p_2 \approx 13{,}2\%$,
\dots, $p_6 \approx 0{,}0000072\%$.
\end{enumerate}
\end{Bsp}
\linie
\begin{Def}{hypergeometrische Verteilung}
Seien $n, k \in \natural$ und $m \in \natural_0$ mit $m, k \le n$.
Auf $\Omega := \natural_0$ ist
$p_\ell := \binom{m}{l}\binom{n - m}{k - \ell} \left/\binom{n}{k}\right.$ für
$\ell \in \{\max\{0, k - (n - m)\}, \dotsc, \min\{m, k\}\}$ und
$p_\ell := 0$ sonst mit $\ell \in \Omega$ eine Zähldichte.
Das zugehörige W-Maß heißt \begriff{hypergeometrische Verteilung} $H(n, m, k)$
mit Parametern $n$, $m$ und $k$.
Man definiert $H(n, m, k, \ell) := p_\ell$.\\
$H(n, m, k, \ell)$ gibt die Wahrscheinlichkeit an, dass bei einer ungeordneten Ziehung
von $k$ Kugeln ohne Zurücklegen aus einer Urne mit $m$ schwarzen Kugeln und $n - m$
weißen Kugeln genau $\ell$ schwarze Kugeln gezogen werden.
\end{Def}
\begin{Satz}{Grenzwert der hypergeometrischen Verteilung}\\
Sei $n_0(n) \in \{0, \dotsc, n\}$ eine Folge mit
$\lim_{n \to \infty} \frac{n_0(n)}{n} = p \in (0, 1)$.\\
Dann gilt $\lim_{n \to \infty} H(n, n_0(n), k, l) = \binom{k}{l} p^l (1 - p)^{k-l}$
für $k \in \natural$ und $l \in \{0, \dotsc, k\}$.
\end{Satz}
\linie
\begin{Bsp}
Die Wahrscheinlichkeit, dass in einer Klasse mit $k$ Schülern mindestens zwei am selben Tag
Geburtstag haben, lässt sich mit der Wahrscheinlichkeit des Komplementärereignisses berechnen,
d.\,h. alle Schüler haben an unterschiedlichen Tagen Geburtstag.
Dies entspricht einer geordneten Ziehung von $k$ Kugeln aus einer Urne mit 365 Kugeln
ohne Zurücklegen.
Dementsprechend gibt es $\frac{365!}{(365 - k)!}$ Möglichkeiten.
Insgesamt gibt es $365^k$ verschiedene Geburtstagsverteilungen, d.\,h. die gesuchte
Wahrscheinlichkeit, dass alle an unterschiedlichen Tagen Geburtstag haben, beträgt
$1 - \frac{365!}{(365 - k)! 365^k}$.
Schon für $k = 23$ ist das ungefähr $50{,}7\%$.
Das erscheint intuitiv erstaunlich, was als \begriff{Geburtstagsparadoxon} bekannt ist.\\
Die auf"|tretenden Fakultäten lassen sich mit der \begriff{\name{Stirling}-Formel} gut
abschätzen:\\
$n! \approx \sqrt{2\pi n} (n/e)^n e^{n/12}$.
\end{Bsp}
\section{%
Bedingte Wahrscheinlichkeiten%
}
\begin{Bsp}
Einer Gruppe von $66$ Menschen wird befragt, ob sie Sport machen und
welches Geschlecht sie haben.
Es stellt sich heraus, dass von den Männern $12$ Sport machen und $18$ nicht;
bei den Frauen machen $16$ Sport und $20$ nicht.
Nun wird zufällig eine Person ausgewählt.
Dann ist die Wahrscheinlichkeit, dass diese Person weiblich ist, gleich
$\frac{38}{66} = \frac{19}{33}$.\\
Angenommen, man weiß schon, dass die Person Sport treibt.
Wie hoch ist dann die Wahrscheinlichkeit, dass die Person eine Frau ist?
Of"|fensichtlich muss man nur noch die Befragten anschauen, die Sport machen.
Von diesen sind $12$ männlich und $16$ weiblich, d.\,h. die Wahrscheinlichkeit ist jetzt
gleich $\frac{|\text{Frau} \cap \text{Sport}|}{|\text{Sport}|} = \frac{18}{30} = \frac{3}{5}$.
Man kann das zu $\frac{|\text{Frau} \cap \text{Sport}|/|\Omega|}{|\text{Sport}|/|\Omega|} =
\frac{P(\text{Frau} \cap \text{Sport})}{P(\text{Sport})}$ umschreiben.
Genau diese Darstellung verwendet man nun zur Verallgemeinerung von so einer
bedingten Wahrscheinlichkeit auf allgemeine Wahrscheinlichkeitsräume.
\end{Bsp}
\linie
\begin{Def}{bedingte Wahrscheinlichkeit}
Seien $(\Omega, \A, P)$ ein W-Raum und $A, B \in \A$ mit $P(A) > 0$.\\
Dann heißt $P(B \,|\, A) := \frac{P(B \cap A)}{P(A)}$ die \begriff{bedingte Wahrscheinlichkeit}
von $B$ unter dem Vorwissen von $A$.
\end{Def}
\begin{Satz}{Aussagen über bedingte Wahrscheinlichkeit}\\
Seien $(\Omega, \A, P)$ ein W-Raum und $A \in \A$.
Dann gilt:
\begin{enumerate}
\item
$P(\cdot \,|\, A)\colon \A \rightarrow [0, 1]$, $B \mapsto P(B \,|\, A)$ ist ein W-Maß
auf $\Omega$ mit $P(A \,|\, A) = 1$.
\item
Für $B \in \A$ mit $P(B) > 0$ gilt
$P(A \,|\, B) = P(B \,|\, A) \cdot \frac{P(A)}{P(B)}$
(\begriff{erste Formel von \name{Bayes}}).
\item
Für $B_1, \dotsc, B_m \in \A$ mit $P(B_1 \cap \dotsb \cap B_m) > 0$ gilt\\
$P(B_1 \cap \dotsb \cap B_m) = P(B_1) \cdot P(B_2 \,|\, B_1) \cdot
P(B_3 \,|\, (B_1 \cap B_2)) \cdot \dotsm \cdot
P(B_m \,|\, (B_1 \cap \dotsb B_{m-1}))$.
\end{enumerate}
\end{Satz}
\begin{Satz}{bedingte Wahrscheinlichkeit mit unendlich vielen Ereignissen}\\
Seien $(\Omega, \A, P)$ ein W-Raum und $A_i, B \in \A$ mit $P(A_i) > 0$ für $i \in I$
mit $I$ höchstens abzählbar.
Die $A_i$ sollen eine Zerlegung von $\Omega$ bilden
(d.\,h. $A_i$ paarweise disjunkt, $\bigcup_{i \in I} A_i = \Omega$).
Dann gilt:
\begin{enumerate}
\item
$P(B) = \sum_{i \in I} P(B \,|\, A_i) \cdot P(A_i)$
(\begriff{Formel von der totalen Wahrscheinlichkeit})
\item
$P(A_j \,|\, B) = \frac{P(B \,|\, A_j) \cdot P(A_j)}
{\sum_{i \in I} P(B \,|\, A_i) \cdot P(A_i)}$ für $j \in I$
(\begriff{zweite Formel von \name{Bayes}})
\end{enumerate}
\end{Satz}
\linie
\pagebreak
\begin{Bsp}
\begin{enumerate}
\item
Ein Ehepaar hat zwei Kinder.
Man weiß, dass mindestens eines davon männlich ist.\\
Wie hoch ist die Wahrscheinlichkeit, dass das Ehepaar sogar zwei Söhne hat?\\
Mit $A := \text{"`mindestens ein Sohn"'}$ und $B := \text{"`zwei Söhne"'}$ gilt
mithilfe der ersten Formel von Bayes
$P(B \,|\, A) = P(A \,|\, B) \cdot \frac{P(B)}{P(A)} = 1 \cdot \frac{1/4}{3/4} =
\frac{1}{3}$, wieder ein unintuitives Ergebnis.
\item
Ein Test auf eine Krankheit hat eine Zuverlässigkeit von $99{,}9\%$.
Die Krankheit tritt für eine einzelne Person mit einer Wahrscheinlichkeit von
$0{,}01\%$ auf.
Nun ist der Test bei einer bestimmten Person positiv ausgefallen.
Wie hoch ist die Wahrscheinlichkeit, dass die Person tatsächlich erkrankt ist?\\
Mit $A := \text{"`Test positiv"'}$ und $B := \text{"`Person krank"'}$ ist zunächst
mit der Formel von der totalen Wahrscheinlichkeit
$P(A) = P(A \,|\, B) \cdot P(B) + P(A \,|\, B^c) \cdot P(B^c)$\\
$= (1 - 10^{-3}) \cdot 10^{-4} + 10^{-3} \cdot (1 - 10^{-4}) = \frac{10998}{10^7}$.
Damit kann man nun\\
$P(B \,|\, A) = P(A \,|\, B) \cdot \frac{P(B)}{P(A)}
= (1 - 10^{-3}) \cdot 10^{-4} \cdot \frac{10^7}{10998} =
\frac{999}{10998} \approx 9{,}1\%$ errechnen.
Diese geringe Wahrscheinlichkeit lässt sich damit erklären, dass die Krankheit im Vergleich
zur Zuverlässigkeit des Tests zu selten auftritt.
Ohne weitere Tests oder andere Anhaltspunkte lässt sich also nicht pauschal sagen, dass
die Person krank ist.
\item
Auch das Ziegenproblem lässt sich bedingten Wahrscheinlichkeiten erklären:\\
Angenommen, der Kandidat wählt Tor 1.
Seien $A_k := \text{"`Auto hinter Tor } k \text{"'}$ und\\
$B := \text{"`Showmaster öf"|fnet Tor } 2 \text{"'}$.
Wenn der Showmaster nun tatsächlich Tor 2 öf"|fnet, wie groß ist die Wahrscheinlichkeit,
dass das Auto hinter Tor $k$ ist?
Es gilt $P(A_k) = \frac{1}{3}$ sowie $P(B \,|\, A_1) = \frac{1}{2}$,
$P(B \,|\, A_2) = 0$ und $P(B \,|\, A_3) = 1$.
Damit gilt mit der zweiten Formel von Bayes
$P(A_k \,|\, B) = \frac{P(A_k) \cdot P(B \,|\, A_k)}
{\sum_{i=1}^3 P(A_i) \cdot P(B \,|\, A_i)} = \frac{1/3 \cdot P(B \,|\, A_k)}{1/2} =
\frac{2}{3} \cdot P(B \,|\, A_k)$,
d.\,h. $P(A_1 \,|\, B) = \frac{1}{3}$, $P(A_2 \,|\, B) = 0$ und
$P(A_3 \,|\, B) = \frac{2}{3}$, der Kandidat sollte also wechseln.
\end{enumerate}
\end{Bsp}
\section{%
Unabhängigkeit von Ereignissen%
}
\begin{Bem}
Man möchte einen Unabhängigkeitsbegriff für Ereignisse definieren.
Für zwei unabhängige Ereignisse $A$ und $B$ soll $P(B) = P(B \,|\, A)$ gelten,
d.\,h. die Wahrscheinlichkeit von $B$ soll sich mit dem Vorwissen von $A$ nicht ändern
(und umgekehrt).
Wenn man die Definition von $P(B \,|\, A)$ ausschreibt, kommt man auf
$P(A \cap B) = P(A) \cdot P(B)$, eine Definition, die auch für $P(A) = 0$ oder $P(B) = 0$
verwendet werden kann.
\end{Bem}
\begin{Def}{(stochastisch) unabhängig}
Seien $(\Omega, \A, P)$ ein W-Raum und $A, B \in \A$.\\
$A$ und $B$ heißen \begriff{(stochastisch) unabhängig}, falls $P(A \cap B) = P(A) \cdot P(B)$.
\end{Def}
\begin{Bsp}
Man wirft einen Würfel zweimal unter Beachtung der Reihenfolge,
$\Omega = \{1, \dotsc, 6\}^2$.
Seien $A := \text{"`erster Wurf gerade"'}$, $B := \text{"`zweiter Wurf gerade"'}$ und
$C := \text{"`Summe gerade"'}$.\\
Dann ist $P(A) = P(B) = P(C) = \frac{1}{2}$ und
$P(A \cap B) = P(A \cap C) = P(B \cap C) = \frac{9}{36} = \frac{1}{4}$.\\
Somit sind $A$ und $B$, $A$ und $C$ bzw. $B$ und $C$ stochastisch unabhängig.
\end{Bsp}
\linie
\pagebreak
\begin{Bem}
Im Folgenden soll ein W-Raum $(\Omega, \A, P)$ konstruiert werden,
der die Durchführung von zwei Experimenten, dargestellt von zwei W-Räumen
$(\Omega_1, \A_1, P_1)$ und $(\Omega_2, \A_2, P_2)$, hintereinander darstellt.
Es soll also $\Omega = \Omega_1 \times \Omega_2$ sein.
Für den Ereignisraum $\A$ soll gelten, dass alle Ereignisse $A_1 \times A_2$ mit
$A_1 \in \A_1$ und $A_2 \in \A_2$ messbar sein sollen.
Allerdings reichen diese "`Rechtecke"' noch nicht, denn die Vereinigung von zwei disjunkten
Rechtecken ist i.\,A. nicht wieder ein Rechteck.
Somit wählt man $\A$ als die kleinste $\sigma$-Algebra, die alle $A_1 \times A_2$ enthält.
Für das Wahrscheinlichkeitsmaß $P$ soll $P(A_1 \times A_2) = P_1(A_1) \times P_2(A_2)$ für alle
$A_1 \in \A_1$ und $A_2 \in \A_2$ gelten, weil die beiden Experimente sich nicht
beeinflussen sollen.
\end{Bem}
\begin{Satz}{Existenz und Eindeutigkeit des Produktraums}
Seien $(\Omega_1, \A_1, P_1)$ und $(\Omega_2, \A_2, P_2)$ zwei W-Räume.
Dann gibt es eine kleinste $\sigma$-Algebra $\A_1 \otimes \A_2$ auf $\Omega_1 \times \Omega_2$
mit $A_1 \times A_2 \in \A_1 \otimes \A_2$ für alle $A_1 \in \A_1$ und $A_2 \in \A_2$
und es gibt genau ein W-Maß $P_1 \otimes P_2$ auf dem Messraum
$(\Omega_1 \times \Omega_2, \A_1 \otimes \A_2)$ mit
$(P_1 \otimes P_2)(A_1 \times A_2) = P_1(A_1) \cdot P_2(A_2)$
für alle $A_1 \in \A_1$ und $A_2 \in \A_2$.
\end{Satz}
\begin{Def}{Produktraum}
Seien $(\Omega_1, \A_1, P_1)$ und $(\Omega_2, \A_2, P_2)$ zwei W-Räume.\\
Dann heißt $P_1 \otimes P_2$ \begriff{Produktmaß} und
$(\Omega_1 \times \Omega_2, \A_1 \otimes \A_2, P_1 \otimes P_2)$ heißt \begriff{Produktraum}
der beiden W-Räume $(\Omega_1, \A_1, P_1)$ und $(\Omega_2, \A_2, P_2)$.
\end{Def}
\linie
\begin{Def}{(stochastisch) unabhängig für beliebige Familien}
Seien $(\Omega, \A, P)$ ein W-Raum und $A_i \in \A$ für $i \in I$.
Die $(A_i)_{i \in I}$ heißen \begriff{(stochastisch) unabhängig},
falls $P(\bigcap_{i \in K}) = \prod_{i \in K} P(A_i)$
für alle $K \subset I$ endlich.
\end{Def}
\begin{Bem}\\
$(A_i)_{i \in I}$ sind unabhängig genau dann, wenn die Komplemente
$(\Omega \setminus A_i)_{i \in I}$ unabhängig sind.
\end{Bem}
\begin{Satz}{Satz von \name{Borel}-\name{Cantelli}, 2. Teil}\\
Seien $(\Omega, \A, P)$ ein W-Raum und $A_k \in \A$ für $k \in \natural$.
Gilt $\sum_{k=1}^\infty P(A_n) = \infty$ und sind die $(A_k)_{k \in \natural}$ stochastisch
unabhängig, dann gilt $P(\limsup_{k \to \infty} A_k) = 1$.
\end{Satz}
\begin{Bem}
Somit gilt für $(A_k)_{k \in \natural}$ stoch. unabhängig,
dass entweder $P(\limsup_{k \to \infty} A_k) = 0$ oder $P(\limsup_{k \to \infty} A_k) = 1$
(\begriff{Null-Eins-Gesetz für stochastisch unabhängige Ereignisse}).
\end{Bem}
\section{%
Zufallsvariablen in diskreten Wahrscheinlichkeitsräumen%
}
\begin{Def}{Zufallsvariable}
Seien $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum und $E$ eine Menge.\\
Dann heißt eine Abbildung $X\colon \Omega \rightarrow E$ eine
\begriff{Zufallsvariable (ZV) mit Werten in $E$}.
\end{Def}
\begin{Bem}
Seien $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum und $X\colon \Omega \rightarrow E$
eine Zufallsvariable.
Dann ist $(p_x)_{x \in \widetilde{E}}$ mit
$p_x := P(\{\omega \in \Omega \;|\; X(\omega) = x\})$
eine Zähldichte auf dem Bild $\widetilde{E} := X(\Omega)$,
da $p_x \ge 0$ für alle $x \in \widetilde{E}$ und $\sum_{x \in \widetilde{E}} p_x = 1$.
Somit ist $\widetilde{P}_X\colon \P(\widetilde{E}) \rightarrow [0, 1]$,
$B \mapsto \sum_{x \in B} p_x$ ein diskretes W-Maß auf $(\widetilde{E}, P(\widetilde{E}))$.
Man kann dieses W-Maß auf $E$ fortsetzen, indem man $p_x := 0$ für
$x \in E \setminus \widetilde{E}$ setzt.
Dann erhält man ein W-Maß auf $(E, \P(E))$ durch
$P_X\colon \P(E) \rightarrow [0, 1]$, $B \mapsto \widetilde{P}_X(B \cap \widetilde{E})
= \sum_{x \in B \cap \widetilde{E}} p_x = P(\{\omega \in \Omega \;|\; X(\omega) \in B\})$.
Man beachte, dass die Summe zwar überabzählbar viele Glieder enthält, aber nur
höchstens abzählbar viele davon können ungleich Null sein.
\end{Bem}
\begin{Def}{Notation}
Man definiert für $B \subset E$ und $x \in B$ die Schreibweisen\\
$\{X \in B\} := \{\omega \in \Omega \;|\; X(\Omega) \in B\}$ und
$\{X = x\} := \{\omega \in \Omega \;|\; X(\Omega) = x\}$.
Die Mengenklammern können weggelassen werden.
(Für $E \subset \real$ kann man auch "`$\le$"' und "`$<$"' statt "`$=$"' verwenden.)
\end{Def}
\begin{Def}{Verteilung einer Zufallsvariablen}
Seien $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum und\\
$X\colon \Omega \rightarrow E$ eine Zufallsvariable.
Dann heißt das W-Maß $P_X\colon \P(E) \rightarrow [0, 1]$, $B \mapsto P(X \in B)$
die \begriff{Verteilung von $X$ unter $P$}.
\end{Def}
\linie
\pagebreak
\begin{Bsp}
\begin{enumerate}
\item
Wurf von zwei fairen Würfeln mit Reihenfolge:
$\Omega = \{1, \dotsc, 6\}^2$ mit\\
$X\colon \Omega \rightarrow \natural$, $(\omega_1, \omega_2) \mapsto \omega_1 + \omega_2$
der Summe der Augenzahlen.\\
Um $P(X = n)$ für $n \in \{2, \dotsc, 12\}$ zu berechnen, ermittelt man wegen\\
$P(X = n) = P(\{\omega \in \Omega \;|\; X(\omega) = n\}) =
\frac{|\{\omega \in \Omega \;|\; X(\omega) = n\}|}{|\Omega|}$ die Mengen
$\{X = 2\} = \{(1, 1)\}$, $\{X = 3\} = \{(1, 2), (2, 1)\}$ usw.\\
Somit ist $P(X = 2) = P_X(\{2\}) = \frac{1}{36}$,
$P(X = 3) = P_X(\{3\}) = \frac{2}{36}$ etc.
\item
Angenommen, ein Kongress mit 500 Teilnehmern wird eröf"|fnet.
Zur Überraschung der Gäste sollen diejenigen ein Geschenk bekommen, die am Tag der
Eröf"|fnung Geburtstag haben.
Wie viele Geschenke sollen gekauft werden, damit zu einer vorgegebenen Wahrscheinlichkeit
(z.\,B. $99\%$) die Anzahl der Geschenke für die Gäste ausreichen?\\
Sei $\Omega = \{1, \dotsc, 365\}^{500}$, wobei
$\omega = (\omega_1, \dotsc, \omega_{500}) \in \Omega$ bedeutet, dass Gast Nummer $k$
an Tag $\omega_k$ Geburtstag hat ($k = 1, \dotsc, 500$).
Außerdem sei $h \in \{1, \dotsc, 365\}$ der Tag der Kongresseröf"|fnung.
Definiere nun $X_k\colon \Omega \rightarrow \natural_0$,
$\omega \mapsto 1$ für $\omega_k = h$ und $\omega \mapsto 0$ sonst.
Damit ist $X\colon \Omega \rightarrow \natural_0$ mit
$\omega \mapsto \sum_{k=1}^{500} X_k(\omega)$ die Anzahl der Teilnehmer in $\omega$,
die am Tag $h$ der Kongresseröf"|fnung Geburtstag haben.
Für die Anzahl der Blumensträuße $n \in \natural_0$ ist nun $P(X \le n)$ gesucht,
d.\,h. die Wahrscheinlichkeit, dass weniger als $n$ Leute am Tag $h$ Geburtstag haben.\\
Es gilt $P_X(\{n\}) = P(X = n) = \frac{|\{X = n\}|}{|\Omega|} =
\frac{1}{365^{500}} \cdot \binom{500}{n} \cdot 364^{500-n}$
(Binomialverteilung: Ziehen von $500$ Kugeln aus einer Urne mit $365$ Kugeln mit
Zurücklegen ohne Beachtung der Reihenfolge).
Damit ist $P(X \le n) = P_X(\{0, \dotsc, n\}) = \sum_{k=0}^n P_X(\{k\})
= \frac{1}{365^{500}} \cdot \sum_{k=0}^n 364^{500-k} \cdot \binom{500}{k}$.
Es gilt zum Beispiel $P(X \le 4) \approx 98{,}7\%$ und
$P(X \le 5) \approx 99{,}7\%$.
\end{enumerate}
\end{Bsp}
\linie
\begin{Def}{Verteilungsfunktion}
Seien $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum und\\
$X\colon \Omega \rightarrow E$ eine Zufallsvariable.
Dann heißt $F_X\colon \real \rightarrow [0, 1]$,\\
$F_X(x) := P(X \le x) = P_X((-\infty, x])$ die
\begriff{Verteilungsfunktion von $X$ unter $P$}.
\end{Def}
\begin{Satz}{Eigenschaften der Verteilungsfunktion}
Seien $(\Omega, \P(\Omega), P)$ ein diskreter W-Raum und\\
$X\colon \Omega \rightarrow E$ eine Zufallsvariable.
Dann gilt:
\begin{enumerate}
\item
$F_X$ ist monoton wachsend und rechtsseitig stetig.
\item
$\lim_{x \to -\infty} F_X(x) = 0$,
$\lim_{x \to +\infty} F_X(x) = 1$
\item
Es gilt $F_X(x) - \lim_{y \to x - 0} F_X(y) = P(X = x)$,
d.\,h. $P$ kann aus $P_X$ rekonstruiert werden und
$F_X$ hat höchstens abzählbar viele Sprungstellen.
\item
$F_X(x) = \sum_{y \le x} P(X = y)$
\end{enumerate}
\end{Satz}
\linie
\begin{Def}{geometrische Verteilung}
Sei $p \in (0, 1]$. Auf $\Omega := \natural$ ist
$p_k := p \cdot (1 - p)^{k-1}$ eine Zähldichte.
Das zugehörige W-Maß heißt \begriff{geometrische Verteilung} $G(p)$ mit Parameter $p$.
Man definiert $G(p, k) := p_k$.\\
$G(p, k)$ gibt die Wahrscheinlichkeit an, dass bei unabhängigen Würfen auf eine Dartscheibe
mit $p = \frac{1}{4}$ im $k$-ten Wurf erstmals das rechte obere Viertel trifft.
\end{Def}
\begin{Satz}{Zufallsvariable geometrisch verteilt $\iff$ gedächtnislos}\\
Eine Zufallsvariable $X\colon \Omega \rightarrow \natural$ auf einem diskreten W-Raum
$(\Omega, \P(\Omega), P)$ ist geometrisch verteilt genau dann, wenn sie \begriff{gedächtnislos}
ist, d.\,h. $P(\{X > n + k\} \;|\; \{X > n\}) = P(X > k)$ für alle $n, k \in \natural$.
\end{Satz}
\pagebreak
\section{%
Erwartungswert in diskreten Wahrscheinlichkeitsräumen%
}