Statistik I f¨ ur Betriebswirte Vorlesung 1
Dr. Andreas W¨ unsche
TU Bergakademie Freiberg Institut f¨ur Stochastik
1. April 2019
Organisatorisches
I
Vorlesung: Mo, 11:00-12:30, FOR-0270.
I
Ubungen: ¨
I
Di, 7:30-9:00, MIB-1113, Dr. Anna Chekhanova,
I
Di, 9:15-10:45, PR ¨ U-1104, Dr. Felix Ballani,
I
Fr, 7:30-9:00, MIB-1113, Dipl.-Math. Markus Dietz.
I
Selbststudium (Laut Modulbeschreibung zusammen f¨ ur beide Semester 120h Pr¨ asenzzeit und 150h Selbststudium.)
I
Information: http://www.mathe.tu-freiberg.de/wiwistat
I
Pr¨ ufung: Klausur 120 Minuten, zugelassen sind Taschenrechner,
B¨ ucher, Mitschriften; nicht zugelassen sind Laptops, Handys.
Themen
I
Wahrscheinlichkeitsrechnung (ca. 6 Vorlesungen).
I
Zuf¨ allige Ereignisse und Wahrscheinlichkeiten, bedingte Wahrscheinlichkeiten, Unabh¨ angigkeit.
I
Zufallsgr¨ oßen, Typen, Charakterisierung und Kenngr¨ oßen.
I
Wichtige diskrete Wahrscheinlichkeitsverteilungen.
I
Wichtige stetige Wahrscheinlichkeitsverteilungen.
I
Beschreibende (deskriptive) Statistik (ca. 4 Vorlesungen).
I
Grundbegriffe.
I
Merkmale, Grafiken und Kenngr¨ oßen.
I
Konzentrationsmaße.
I
Indexzahlen.
I
Schließende (induktive) Statistik (ca. 3 Vorlesungen).
I
Stichproben.
I
Parametersch¨ atzungen.
I
Fortsetzung im folgenden Semester: Statistik f¨ ur Betriebswirte II.
1. Wahrscheinlichkeitsrechnung
1.1 Einleitung
I
Im praktischen Leben, in den Wissenschaften usw. hat man es oft mit Situationen, Versuchen, Beobachtungen etc. zu tun, bei denen Ergebnisse nicht genau vorausberechnet werden k¨ onnen, eine Unsicherheit besteht, bei denen aber Aussagen und/oder Entscheidungen getroffen werden sollen.
I
Beispiele:
I
Versicherungswesen (Zeitpunkte von Schadensf¨ allen, H¨ ohe von Ein- bzw. Auszahlungen).
I
(Statistische) Qualit¨ atskontrolle (notwendige ¨ Anderungen von Produktionsparametern wegen zu mangelhafter Qualit¨ at der Erzeugnisse).
I
Produktionsplanung (Entwicklung der Nachfrage).
I
Finanzm¨ arkte (Entwicklung von Aktienkursen, Wechselkursen).
I
Wetter- und Klimavorhersagen.
I
Physikalische Grundgesetze (statistische Physik, Quantenphysik).
1.2 Zuf¨ allige Ereignisse und Wahrscheinlichkeiten
I
Ideales Zufallsexperiment, zuf¨ alliger Versuch, Zufallssituation:
I
Genau festgelegte Bedingungen.
I
Ausgang bzw. Ergebnis des Experiments ist nicht vorhersehbar, die m¨ oglichen Ausg¨ ange sind vor Durchf¨ uhrung des Experiments bekannt.
I
Es ist zumindest gedanklich beliebig oft wiederholbar und eine statistische Gesetzm¨ aßigkeit kann beobachtet oder angenommen werden.
I
Menge aller m¨ oglicher Ergebnisse (Ergebnismenge, Grundmenge) Ω.
I
Elemente ω
1, ω
2, . . . der Ergebnismenge sind die
Elementarereignisse, Versuchsausg¨ ange oder Grundrealisierungen.
Beispiele:
W¨ urfeln mit einem oder mehreren W¨ urfeln.
Bildquelle: de.wikipedia.org/wiki/Spielw¨urfel
Zuf¨ allige Ereignisse
I
Zuf¨ alliges Ereignis oder kurz Ereignis A zu einem betrachteten Zufallsexperiment:
Nach Durchf¨ uhrung des Zufallsexperiments muss man mit Sicherheit sagen k¨ onnen, ob das Ereignis A eingetreten ist oder nicht.
I
Im Sinne der (mathematischen) Logik: ”Das Ereignis A ist eingetreten.” ist entweder eine wahre oder eine falsche Aussage.
I
Im Fall einer Ergebnismenge Ω: Teilmenge A der Ergebnismenge Ω;
das Ereignis A tritt ein, falls das realisierte Ergebnis des zuf¨ alligen Versuchs in der Menge A enthalten ist.
Beispiele:
I
W¨ urfeln mit einem oder mehreren W¨ urfeln.
I
T¨ agliche DAX-Schlusskurse.
Bildquelle: www.boerse.de
Stabilisierung von relativen H¨ aufigkeiten – Beispiel
Quelle: N. Henze, Stochastik f¨ ur Einsteiger, 2013, 10. Auflage, Kap. 4 . Ergebnisse von 300 W¨ urfen einer Reißzwecke auf einen Steinboden mit den beiden m¨ oglichen Ergebnissen ”Spitze nach oben” = b ”1” und ”Spitze schr¨ ag nach unten” = b ”0”.
Fortlaufend notierte relative H¨ aufigkeiten f¨ ur ”1”:
Wahrscheinlichkeiten
I
Jedem zuf¨ alligen Ereignis A zu einem betrachteten Zufallsexperiment wird eine Zahl P(A) zwischen 0 und 1 zugeordnet, die sogenannte Wahrscheinlichkeit (f¨ ur das Eintreten) des Ereignisses A.
I
P (A) ist ein quantitatives Maß f¨ ur die Chancen, dass das zuf¨ allige Ereignis A bei einer Realisierung des Experiments eintritt, z.B.
P (A) ≈ 0 ⇒ sehr geringe; P(A) ≈ 1 ⇒ sehr große Chancen.
I
Hintergrund sind Eigenschaften von relativen H¨ aufigkeiten
h
n(A) = H
n(A)
n ≈ P (A) (falls n groß) ; H
n(A) H¨ aufigkeit des Eintretens von A in n (unabh¨ angigen) Realisierungen des Zufallsexperiments.
I
H¨ aufigkeitsinterpretation f¨ ur P (A): bei n Realisierungen des
Zufallsexperiments wird das zuf¨ allige Ereignis A ungef¨ ahr n · P (A)
mal eintreten und n · (1 − P(A)) mal nicht eintreten.
Verkn¨ upfungen von Ereignissen
Geg.: Zufallsexperiment mit Ergebnismenge Ω und zuf¨ alligen Ereignissen A, B .
I
Vereinigung A ∪ B : A oder B (oder beide) treten ein.
I
Durchschnitt A ∩ B : A und B treten beide ein.
I
Differenz A \ B : A tritt ein, aber B nicht.
I
Das zu A komplement¨ are (entgegengesetzte) Ereignis A = A
c= ¬A : tritt genau dann ein, wenn A nicht eintritt;
A = Ω \ A .
I
Unm¨ ogliches Ereignis ∅ : tritt niemals ein.
I
Sicheres Ereignis Ω : tritt immer ein (gleich Ergebnismenge).
I
A und B sind unvereinbar (sind disjunkt, schließen einander aus) : sie k¨ onnen nicht gemeinsam eintreten, d.h. A ∩ B = ∅ .
I
Das Ereignis A zieht das Ereignis B nach sich : A ⊂ B (wenn A
eintritt, dann tritt auch B ein).
Rechenregeln f¨ ur Verkn¨ upfungen von Ereignissen
Geg.: Zufallsexperiment mit Ergebnismenge Ω und zuf¨ alligen
Ereignissen A, B , C . Dann gelten wie allgemein f¨ ur Teilmengen A, B, C einer Menge Ω die folgenden Rechenregeln.
I
Kommutativit¨ at : A ∪ B = B ∪ A , A ∩ B = B ∩ A .
I
Assoziativit¨ at : (A ∪ B) ∪ C = A ∪ (B ∪ C ) , (A ∩ B ) ∩ C = A ∩ (B ∩ C ) .
I
Distributivit¨ at : (A ∪ B ) ∩ C = (A ∩ C ) ∪ (B ∩ C ) , (A ∩ B ) ∪ C = (A ∪ C ) ∩ (B ∪ C ) .
I
Regeln von de Morgan : A ∩ B = A ∪ B , A ∪ B = A ∩ B .
I
A ∪ A = Ω , A ∩ A = ∅ , A \ B = A ∩ B , A
= A , A ∪ ∅ = A , A ∩ ∅ = ∅ , A ∪ Ω = Ω , A ∩ Ω = A .
I
Entsprechend k¨ onnen auch Vereinigungen und Durchschnitte von mehr als zwei Ereignissen definiert werden und auch die
Rechenregeln k¨ onnen entsprechend verallgemeinert werden.
Ubungsbeispiel 1.1 ¨
Entwicklung von 3 konkreten Aktienkursen in einem festen Zeitraum an einer bestimmten B¨ orse.
S
i= {Wert der Aktie i steigt} .
Ges.: Darstellung der folgenden Ereignisse durch die Ereignisse S
i.
I
A = {Wert aller 3 Aktien steigt} .
I
B = {Wert keiner der 3 Aktien steigt} .
I
C = {Wert mindestens einer der 3 Aktien steigt} .
I
D = {Wert genau einer der 3 Aktien steigt} .
I
E = {Wert aller 3 Aktien f¨ allt oder bleibt gleich} .
Axiomatische Wahrscheinlichkeitsdefinition (Kolmogorow)
I
Mathematisches Modell f¨ ur ein Zufallsexperiment ist ein Wahrscheinlichkeitsraum (Ω, A, P ) .
I
Ω ist eine nichtleere Menge (Grundraum, Ergebnismenge), sie wird in komplizierteren Situationen oft nicht explizit angegeben.
I
A ist eine Menge von Teilmengen von Ω, so dass endlich viele oder abz¨ ahlbar unendliche Verkn¨ upfungen von Elementen aus A wieder zu einem Ergebnis in A f¨ uhren (Ereignisalgebra, σ−Algebra).
I
Die Wahrscheinlichkeitsfunktion P ordnet jeder Menge A aus A die reelle Zahl P (A) zu, so dass die folgenden Axiome gelten:
1. 0 ≤ P(A) ≤ 1 . 2. P(Ω) = 1 .
3. P(A
1∪ A
2) = P(A
1) + P(A
2) falls A
1∩ A
2= ∅ . 4. P
∞
[
i=1
A
i!
=
∞
X
i=1
P(A
i) falls die Ereignisse A
ipaarweise unvereinbar
sind, d.h. A
i∩ A
j= ∅ (i 6= j ) .
Bemerkungen zu und Folgerungen aus den Axiomen
I
Man benutzt oft weiter die Wahrscheinlichkeitsterminologie (z.B.
”Ereignis” statt ”Teilmenge”).
I
Axiome 1.-3. spiegeln Eigenschaften der relativen H¨ aufigkeiten wider.
I
Alle Zuordnungen von Wahrscheinlichkeiten, die den Axiomen gen¨ ugen, sind mathematisch gesehen erst einmal korrekt (insbesondere auch subjektive Zuordnungen).
I
P ( ∅ ) = 0 .
I
P (A
1∪ A
2∪ . . . ∪ A
n) = P (A
1) + P (A
2) + . . . + P(A
n) falls die Ereignisse A
ipaarweise unvereinbar sind.
I
P (A) = 1 − P (A) , P (A) = 1 − P (A) . (Oft sehr n¨ utzlich!)
I
A ⊂ B ⇒ P (A) ≤ P(B) , P (B \ A) = P (B) − P(A) .
I
Additionsgesetz: P (A ∪ B) = P (A) + P (B) − P (A ∩ B ) .
I
Siebformel: P (A ∪ B ∪ C ) =
P (A)+P(B)+P (C )−P (A∩B )−P (A∩C )−P (B ∩C )+P (A∩B ∩C ) .
Ubungsbeispiel 1.2 ¨
F¨ ur die Ereignisse A und B zu einem Zufallsexperiment seien folgende Wahrscheinlichkeiten bekannt:
P (A) = 0.25 , P (B) = 0.45 , P(A ∪ B) = 0.5 .
Berechnen Sie P (A ∩ B), P (A ∩ B ) und P ((A ∩ B) ∪ (A ∩ B)) !
Klassische Wahrscheinlichkeitsdefinition (Laplace-Modell)
I
Gilt f¨ ur Zufallsversuche mit
I
endlich vielen m¨ oglichen Versuchsergebnissen (n elementare Versuchsausg¨ ange oder Elementarereignisse),
I
die alle gleichwahrscheinlich sind (keines wird bevorzugt, alle haben dieselbe Chance einzutreten).
I
Beispiele:
I
W¨ urfeln mit einem fairen oder gerechten W¨ urfel, n = 6, Elementarereignisse sind 1, 2, 3, 4, 5, 6 .
I
Zahlenlotto
” 6 aus 49“ ,
n = Anzahl der m¨ oglichen Tipps mit 6 aus 49 Zahlen.
I
Aus den Axiomen f¨ ur Wahrscheinlichkeiten folgt dann die einzige
m¨ ogliche Definition von Wahrscheinlichkeiten in dieser Situation (die
sogenannte klassische Wahrscheinlichkeitsdefinition).
Klassische Wahrscheinlichkeitsdefinition
I
F¨ ur jedes der n Elementarereignisse gilt unter obigen Bedingungen:
P (Elementarereignis) = 1 n .
I
F¨ ur ein beliebiges Ereignis A gilt unter obigen Bedingungen:
P (A) = Anzahl der Elementarereignisse in A
n bzw.
P (A) = Anzahl der f¨ ur A g¨ unstigen F¨ alle
Anzahl aller m¨ oglichen gleichwahrscheinlichen F¨ alle .
I
Bei Wahrscheinlichkeitsberechnungen im Zusammenhang mit der
klassischen Wahrscheinlichkeitsdefinition werden oft kombinatorische
Formeln genutzt.
Kombinatorische Formeln I
I
Geg.: n Objekte, z.B. {1, 2, . . . , n} . ⇒ Die Anzahl aller m¨ oglichen Reihenfolgen betr¨ agt n! = 1 · 2 · . . . · n (
” n Fakult¨ at“).
I
Geg.: n Objekte, die in k unterschiedlichen Sorten vorliegen, bestehend jeweils aus n
i, i = 1, . . . , k, nicht unterscheidbaren Objekten (2 ≤ k ≤ n und n
1+ . . . + n
k= n) .
⇒ Die Anzahl aller m¨ oglichen Reihenfolgen betr¨ agt n
n
1, n
2, . . . , n
k= n!
n
1! · n
2! · . . . · n
k! (
” Multinomialkoffizien“).
I
Im Spezialfall k = 2, d.h. gegeben sind n Objekte, jedes geh¨ ort zu einer von zwei Sorten (z.B.
” Erfolg“,
” Misserfolg“), gilt
n
1= m, n
2= n − m und die Anzahl aller m¨ oglichen Reihenfolgen betr¨ agt
n m
= n!
m!(n − m)! (
” Binomialkoeffizient “).
Kombinatorische Formeln II
I
Nun seien n Objekte gegeben. Dann ist eine Frage, wie viele M¨ oglichkeiten es gibt, um daraus k Objekte auszuw¨ ahlen ? Die Antwort ist abh¨ angig davon,
I
ob sich in der Auswahl Objekte wiederholen d¨ urfen (m.W.) oder nicht (o.W.)
I
ob es auf die Reihenfolge der Auswahl (oder eine zus¨ atzliche Anordnung) ankommt (m.R.) oder nicht (o.R.).
I
o.W. m.W.
o.R.
n k
n + k − 1 k
” Kombinationen“
m.R.
n k
k! n
k” Variationen“
I
Beispiel: n = 4, k = 2 .
Ubungsbeispiel 1.3 ¨
I
Eine Seminargruppe von 21 Studenten hat ihr Statistikseminar in einem Raum mit 25 Pl¨ atzen.
I
Wieviele Anordnungsm¨ oglichkeiten gibt es f¨ ur die vier freien Pl¨ atze?
I
Wieviele verschiedene Sitzordnungen gibt es?
1.3 Bedingte Wahrscheinlichkeiten, Formel von Bayes
I
Sind zus¨ atzliche Informationen zu einem Zufallsexperiment verf¨ ugbar (oder werden diese hypothetisch angenommen), k¨ onnen sich die Wahrscheinlichkeiten f¨ ur die zuf¨ alligen Ereignisse ¨ andern.
I
Geg.: Zufallsexperiment mit Ereignissen A, B, wobei P (B) > 0 . Es sei jetzt zus¨ atzlich bekannt, dass B eingetreten ist.
Def.: Bedingte Wahrscheinlichkeit von A unter der Bedingung B:
P (A|B) = P (A ∩ B) P (B) .
I
Beispiel:
Die Wahrscheinlichkeit f¨ ur ein gewisses Bauteil, sechs Monate
funktionst¨ uchtig zu sein, betrage 0.97. Diejenige, zwei Jahre zu
funktionieren, sei 0.88. Wie groß ist die Wahrscheinlichkeit f¨ ur ein
sechs Monate altes funktionst¨ uchtiges Bauteil, nach weiteren
eineinhalb Jahren immer noch zu funktionieren?
Eigenschaften bedingter Wahrscheinlichkeiten
I
Im Allgemeinen gilt P (A|B ) 6= P (B|A) !
I
Bei fester Bedingung B kann man wie mit (unbedingten) Wahrscheinlichkeiten rechnen, z.B.
P (A|B) = 1 − P(A|B) ;
P (A
1∪ A
2|B) = P (A
1|B) + P (A
2|B ) − P (A
1∩ A
2|B) .
I
Multiplikationsregeln
I
Es gilt P(A ∩ B ) = P(A|B) · P(B) = P(B|A) · P(A) .
I
Sind A
1, . . . , A
nzuf¨ allige Ereignisse mit P(A
1∩ . . . ∩ A
n−1) > 0 , dann gilt
P(A
1∩ A
2∩ . . . ∩ A
n) = P(A
1) · P(A
2|A
1) · P(A
3|A
1∩ A
2) · . . .
· P(A
n|A
1∩ A
2∩ . . . ∩ A
n−1) .
Ubungsbeispiel 1.4 ¨
In einer Urne befinden sich 10 Kugeln (7 rote und 3 schwarze). Es werden 4 Kugeln rein zuf¨ allig ohne Zur¨ ucklegen entnommen.
Wie groß ist die Wahrscheinlichkeit f¨ ur das Ereignis A , dass alle 4
gezogenen Kugeln rot sind ?
Stochastische Unabh¨ angigkeit
I
Es kann vorkommen (und tut es in wichtigen Situationen auch), dass das Eintreten des Ereignisses B nichts an der Wahrscheinlichkeit f¨ ur das Eintreten des Ereignisses A ¨ andert, d.h. es gilt P (A|B ) = P (A) .
I
Dass A und B in diesem Fall stochastisch unabh¨ angig sind, l¨ asst sich mit der Multiplikationsregel leicht zeigen:
P (A ∩ B) = P (A|B) · P (B)
= P (A) · P(B) .
Formel der totalen Wahrscheinlichkeit
I
Berechnung der totalen (unbedingten) Wahrscheinlichkeit aus den bedingten Wahrscheinlichkeiten: als gewichtetes Mittel.
I
Sei B
1, . . . , B
neine Zerlegung von Ω mit P (B
i) 6= 0, i = 1, . . . , n
ein vollst¨ andiges Ereignissystem, eine Fallunterscheidung, d.h.
n
[
i=1
B
i= Ω , B
i∩ B
j= ∅ f¨ ur i 6= j
.
Dann lautet die Formel der totalen Wahrscheinlichkeit: f¨ ur ein beliebiges zuf¨ alliges Ereignis A ⊂ Ω gilt
P(A) =
n
X
i=1
P (A ∩ B
i)
=
n
X
i=1
P (A|B
i)P (B
i) .
Formel von Bayes
I
Unter den Bedingungen des Satzes der totalen Wahrscheinlichkeit gilt die Formel von Bayes
P (B
i|A) = P (A ∩ B
i)
P (A) = P (A|B
i)P (B
i) P (A)
= P (A|B
i)P (B
i)
n
P
j=1
P(A|B
j)P (B
j) .
I
P (B
i) heißen auch
” a-priori“-Wahrscheinlichkeiten.
I