0. Teil
Prof.ErikaHausenblas
MontanuniversitätLeoben,Österreih
10.Jänner2017
1
Der Wahrsheinlihkeitsraum
2
DieVerteilungsfunktion undIhre Dihte
3
Unabhängigkeit
4
Bedingte Wahrsheinlihkeit und dieFormel von Bayes
Die Grundmenge
Ω
und ElementarereignisseΩ
Grundmenge,ω
Elementω ∈ Ω
:ω
istElementvonΩ
Example
Werfen einesWürfels:
Ω = {
1,
2,
3,
4,
5,
6}
.Example
Lebensdauer einesBauteiles:
Ω = [
0, ∞ )
.Example
Überprüfungvon
n
Bauteilenobdiesedefekt (=1)oderintakt (=0)sind.Ω = (ω
1, ω
2, . . . , ω n ) : ω i =
0,
1, i =
1, . . . , n }
.Example
Werfen eines Würfels:
Ω =
IN;A = {
2;
4;
6} = { n ∈ Ω : n
istdurh2teilbar
}
.Example
Lebensdauer eines Bauteiles:
Ω = [
0, ∞ ); A = {
das Bauteilistinnerhalbder Garantiezeitvoneinen halben Jahrkaputtgegangen
}
;A = {
DasBauteilbliebein ganzesJahr intakt}
.Example
Überprüfung von
n
Bauteilen ob diese defekt(=1) oder intakt (=0)sind.
Ω = (ω
1, ω
2, . . . , ω n ) : ω i =
0,
1, i =
1, . . . , n }
.A = { (
1,
0,
0,
1, · · · ,
0), (
0,
0,
0, . . . ,
0) }
,A = { ω ∈ Ω : P n
j =
1ω j ≤
3}
.1
A
1⊂ A
2bedeutet,
A
1istTeilmenge von
A
2,d.h.,aus
ω ∈ A
1folgt
ω ∈ A
2;
2
A
1⊃ A
2 bedeutet,A
2 istTeilmenge vonA
1,d.h.,ausω ∈ A
2folgtω ∈ A
1;3
A
1= A
2 ,fallsA
1⊂ A
2 undA
1⊃ A
2;Example
Der Würfel::
{ Ω = {
1,
2,
3,
4,
5,
6}
;ElementarEreignisse{
1} , {
2} , · · · , {
6}
.DasEreignis
A
1= {
2}
trittgenaudann ein,wenndieZahl2gewürfelt wird.DasEreignis
A
2= {
2,
4,
6}
trittgenaudannein,wenneinegeradeZahlgewürfeltwird.Alsogilt:
A
1⊂ A
2,d.h.,wenn
A
1eintritt,danntrittauh
A
2 ein.Example
Lebensdauer einesBauteiles:
{ Ω = [
0, ∞ )
;ElementarEreignisseP ([
0, ∞ ) =
allemöglihenTeilmengendiemittels denIntervalgebildetwerdenkönnen.Z.B.
[
0,
12
), (
100,
2000) ∪ [
500,
3000), . . .
.DasEreignisA
1= [
0,
300)
trittgenaudanneinfallsdasBauteilwenigerals300Stundengearbeitethat, DasEreignis
A
2= [
500, ∞ )
fallsdasBauteilnah500noh intaktwar.Seien
A, B, C ⊂ Ω
beliebigeTeilmengen.Dann geltenEindeutigkeitsgesetze:
A ∪ ∅ = A; A ∩ ∅ = ∅ ; A ∪ Ω = Ω; A ∩ Ω = A
(allgemein:falls
A ⊂ B
,dann giltA ∩ B = A; A ∪ B = B
);de MorgansheGesetze:
(A ∪ B) c = A c ∩ B c ; (A ∩ B ) c = A c ∪ B c
;AssoziativGesetze:
A ∪ (B ∪ C ) = (A ∪ B) ∪ C ; A (B ∩ C ) = (A ∩ B ) ∩ C
;DistributivGesetze:
A ∪ (B ∩ C ) = (A ∪ B ) ∩ (A ∪ C ); A ∩ (B ∪ C ) = (A ∩ B) ∪ (A ∩ C )
.Denition
Gegeben seiein Maÿraum
(Ω, F )
.DasWahrsheinlihkeitsmaÿ isteine AbbildungP : F −→ [
0,
1], A 7→ P (A).
Für
A ∈ F
heiÿtP (A)
Wahrsheinlihkeit desEreignissesA ∈ F
.Example
Der Würfel:Sei
Ω = {
1,
2,
3,
4,
5,
6}
undF
seidie Menge allermöglihenTeilmengenvon
Ω
,d.h.F = { Ω, {
1,
2,
3,
4,
5} , {
1,
2,
3,
4,
6} , {
1,
2,
3,
5,
6} , . . . , {
1} , {
2}
,{
3}
,{
4} , {
5} , {
6} , ∅}
. Das Wahrsheinlihkeitsmaÿdenierenwirfolgendermaÿen:
Sei
A ∈ F
.Dann setzenwirP (A) = | A | /
6.Denition
Gegeben seiein Maÿraum
(Ω, F )
.DasWahrsheinlihkeitsmaÿ isteine AbbildungP : F −→ [
0,
1], A 7→ P (A).
Für
A ∈ F
heiÿtP (A)
Wahrsheinlihkeit desEreignissesA ∈ F
.Lebensdauer von Bauteilen:
Sei
Ω = [
0, ∞ ) }
undF
sei die Mengealler möglihendurhIntervalleerzeugten Teilmengen von
Ω
;DasWahrsheinlihkeitsmaÿ denierenwir folgendermaÿen: Seif (x) = λ
exp( − λx)
,I = [a, b)
.SeiT
die Zeitpunktzuden einbestimmtesBauteildefektwurde.Dann setzen wir
Prob
(T ∈ I ) = P (I ) = Z b
a
f (x) dx.
EineZufallsvariableisteineAbbildungvon
Ω
indiereellenZahlen.Example
Sei
Ω
dieMengeallermöglihenUnfallverläufeeinesAuahrtsunfall,undF
dieMengeallermöglihenTeilmengenvon
Ω
.SeiX : Ω → R
ω 7→ X(ω) =
KostendieeinUnfallmitUnfallverlaufω
verursaht.Example
Sei
Ω
dieMengeallermöglihenWetterverläufe einesTagesundF
dieMengeallermöglihenTeilmengenvon
Ω
.SeiX : Ω → R
ω 7→ X (ω) =
WassermengediesihineinenGefässmiteinenQuadratzentimeterGrundähebei Wetterverlauf
ω
angesammelthat.Example
Sei
Ω
dieMengeallermöglihenUnfallverläufeeinesAuahrtunfalls,undF
dieMengeallermöglihenTeilmengenvon
Ω
.SeiX : Ω → R
X (ω) 7→
KostendieeinUnfallmitUnfallverlaufω
verursaht.Für dieVersiherungistderUnfallverlauf uninteressant,wihtigsinddieKosten
dieeinUnfallverursaht.BevoreinUnfallgeshieht,kannmandiese aberniht
vorhersagen,mankannaberausden ErfahrungswertendieKostenvorhersagen.
DieskannmanmiteinerVerteilungsfunktionmodellieren.
DieWahrsheinlihkeit,dassdieKostenim Interval
[a, b]
liegenistP([a, b]) := P ( { ω ∈ Ω : X (ω) ∈ (a, b) } ) .
DieFunktion
x 7→ P ( { ω ∈ Ω : X(ω) ≤ x } )
istdieVerteilungsfunktionvon
X
.Sei
x >
0.DieWahrsheinlihkeitdass dieKostendesUnfallsmehralsx
Eurobetragen, kanndurhdieVerteilungsfunktion diedurh auf induziertwird,
berehnetwerden.DamitistdieVerteilungsfunktion 1
ausBeispiel14gegeben
durh
1
ImSkriptumbezeihnenwirdieVerteilungsfunktioneinergegebenenZufallsvariable
Prof.ErikaHausenblas (Leoben ) Zuverlässigkeit 10.Jänner2017 10/17
Sei
X
eineZufallsvariableüber(Ω, F , P)
undF X
diezugehörigeVerteilungsfunktion,d.h.,
F (x) := P (X ≤ x) , x ∈ R.
Bemerkung:
Mankannzeigen,dass
F X : R → R
folgendeEigenshaftenbesitzt:1
F X : R → [
0,
1]
;2
lim
x→−∞ F X (x ) =
0undlimx→∞ F X (x) =
1;3
F X (x) ≤ F X (y)
fürx ≤ y
(F X
istmonotonsteigend).Umgekehrt,isteineFunktion
F
stetig,sobesitztdieseFunktioneineDihte.Dassheiÿt,esgibteinenihtnegativeFunktion
f : R → R
,sodass giltF(x) =
Z x
−∞
f (y) dy, −∞ < a < ∞ .
(1)Umgekehrt,isteinenihtnegativeFunktion
f
dieAbleitungvonF
,d.h.f (x ) =
lim∆ x →
0F(x + ∆x) − F (x )
∆x
=
dF (x )
d
x
und
R ∞
−∞ f (x ) dx =
1,dannistF
deniertdurh(1)eineVerteilungsfunktion.Denition
EineZufallsvariableheiÿtstetig verteiltmitDihte
f
,fallssihihreVerteilungsfunktion
F : R → R
infolgenderWeiseshreiben lässt:F(x) = Z x
−∞
f (y ) dy, x ∈ R.
Gegeben:Zufallsvariable
X
mitDihtefunktionf X
,VerteilungsfunktionF X
:WihtigeKennwertevon Verteilungsfunktionen:
Erwartungswert:
m X = EX = R ∞
−∞ xf X (x ) dx
;Varianz:
v X = E (X − EX )
2= R ∞
−∞ (x − m X )
2f X (x) dx
;Standardabweihung:
σ X = √ v X
;Shiefe:
v (X ) := E
X −m x
σ X
23
.
Median:
P (X ≥
median) =
0.
5;α
Quantile:F −
1(α)
;Modalwert: Modus
x D
oderModalwertistbei einerempirishenHäugkeitsverteilungderhäugstvorkommendeWert.
Denition
ZweiZufallsvariable
X
undY
aufeinemWahrsheinlihkeitsraum(Ω; F ; P)
heiÿenunabhängig,wennfür beliebigeMengen
A
undB ∈ F
giltP( { ω ∈ Ω : X (ω) ∈ A
undX (ω) ∈ B } )
= P( { ω ∈ Ω : X (ω) ∈ A } ) · P( { ω ∈ Ω : X (ω) ∈ B } ).
Beispiel Würfel:
A = {
Eswurde eine3gewürfelt}
,B = {
DieZahlwarungerade}
.Example
A = {
erstesBauteilexplodierte}
,B = {
dasdanebenliegendeBauteilnahm Shaden}
.diebedingteWahrsheinlihkeitdesEreignisses
A
unterderBedingungB
:P (A | B) = P (A ∩ B)
P(B) .
(2)Beispiel Würfel:
A = {
diegewürfelteZahlist3}
,B = {
diegewürfelteZahlistungerade}
.VorIhnenStehendreiShahteln,eineistmitOrangengefüllt,einemitÄpfeln
gefülltundeinezurHälftemitÄpfelnundzur HälftemitOrangengefüllt.
SiegehenzurerstenShahtelundnehmen einenApfelheraus. Wiegrossistdie
WahrsheinlihkeitdassdiesdieShahtelistdieganzmitÄpfelngefülltistoder
zur HälftemitÄpfelnund zurHälftemitOrangengefülltist.
Satz dertotalenWahrsheinlihkeit:
Sei
{ B i : i =
1, . . . , n }
einePartitionvonΩ
,d.h.B i
undB j
sinddisjunktfüri 6 = j
und