Podcast über Wahrscheinlichkeitstheorie und Zufallsvariablen

Kapitoly

Die totale Wahrscheinlichkeit

Das Fabrik-Beispiel

Rückwärts denken mit Bayes

Wer ist der Schuldige?

Die gezinkte Münze

Was ist eine Zufallsvariable?

Diskrete Variablen erklärt

Die Welt der stetigen Variablen

Zusammenfassung und Abschied

Přepis

Felix: Die meisten denken, Wahrscheinlichkeiten sind in Stein gemeißelt. Die Chance auf Kopf oder Zahl ist 50/50, Punkt. Aber was, wenn ich dir sage, dass eine Wahrscheinlichkeit sich ändern kann, je mehr du weißt? Dass du mathematisch berechnen kannst, wie sehr du deine Meinung ändern solltest, wenn neue Beweise auftauchen?

Emilia: Das klingt fast wie eine Superkraft, oder? Aber es ist die reine Wahrheit. Genau darum geht es heute. Willkommen beim Studyfi Podcast.

Felix: Eine Superkraft für die nächste Prüfung nehme ich gerne! Also, wo fangen wir an, Emilia?

Emilia: Fangen wir mit einer Grundlage an: dem Theorem der totalen Wahrscheinlichkeit. Das klingt komplizierter, als es ist. Stell dir vor, du hast einen großen Kuchen – das ist dein ganzer Ereignisraum.

Felix: Okay, ich bin bei Kuchen immer dabei.

Emilia: Perfekt! Jetzt schneidest du diesen Kuchen in Stücke, die sich nicht überlappen, aber zusammen den ganzen Kuchen ergeben. In der Statistik nennt man das eine „Einteilung“.

Felix: Also einfach den Kuchen komplett aufteilen. Verstanden. Und was hat das mit Wahrscheinlichkeit zu tun?

Emilia: Jetzt kommt der Trick. Wenn du die Wahrscheinlichkeit von etwas wissen willst, das über den ganzen Kuchen verteilt sein kann – sagen wir, die Chance, eine Rosine zu finden – kannst du die Wahrscheinlichkeit für jedes einzelne Kuchenstück berechnen und dann alles zusammenzählen.

Felix: Okay, das ist logisch. Aber gib mir mal ein konkretes Beispiel, weg vom Kuchen und hin zur Prüfung.

Emilia: Klar. Stell dir eine Fabrik vor, die 1000 Teile pro Tag herstellt. Es gibt drei Maschinen: M1, M2 und M3. Maschine M1 stellt 100 Teile her, M2 macht 400 und M3 die restlichen 500.

Felix: Okay, die Anteile sind also 10, 40 und 50 Prozent.

Emilia: Genau. Jede Maschine hat aber eine unterschiedliche Fehlerquote. M1 hat 5% Ausschuss, M2 hat 4% und M3 nur 2%.

Felix: Ah, jetzt wird's interessant. Wir wollen also wissen: Wenn ich ein zufälliges Teil aus der gesamten Tagesproduktion nehme, wie hoch ist die Wahrscheinlichkeit, dass es fehlerhaft ist?

Emilia: Exakt! Das ist das Theorem der totalen Wahrscheinlichkeit in Aktion. Wir berechnen die „Fehlerwahrscheinlichkeit“ für jede Maschine und gewichten sie mit dem Produktionsanteil der Maschine.

Felix: Also, ich nehme den Anteil von M1, also 0,1, und multipliziere ihn mit der Fehlerquote von M1, also 0,05. Dann das Gleiche für M2 und M3 und am Ende alles addieren?

Emilia: Du hast es erfasst! Also 0,1 mal 0,05 plus 0,4 mal 0,04 plus 0,5 mal 0,02. Das ergibt zusammen 0,031.

Felix: Die Wahrscheinlichkeit, ein defektes Teil zu ziehen, liegt also bei 3,1 Prozent. Das ist ja eigentlich total einleuchtend, wenn man es so aufdröselt.

Emilia: So ist es. Aber jetzt kommt der wirklich coole Teil. Was, wenn wir das Spiel umdrehen?

Felix: Wie meinst du das?

Emilia: Sagen wir, du HAST ein fehlerhaftes Teil in der Hand. Die Wirkung ist also schon eingetreten. Jetzt die Frage: Wie hoch ist die Wahrscheinlichkeit, dass es von Maschine M2 hergestellt wurde, der mit der zweithöchsten Fehlerquote?

Felix: Oh, das ist eine Detektivfrage! Wir arbeiten uns von der Wirkung zur Ursache zurück. Das ist doch sicher komplizierter, oder?

Emilia: Hier kommt der große Thomas Bayes ins Spiel. Sein Theorem erlaubt uns genau das zu berechnen. Es hilft uns, unsere ursprüngliche Annahme – die A-priori-Wahrscheinlichkeit – zu aktualisieren, nachdem wir neue Informationen bekommen haben.

Felix: A-priori... also „vorher“? Und das Ergebnis nennt sich dann...?

Emilia: A-posteriori-Wahrscheinlichkeit. Also die Wahrscheinlichkeit „danach“. Wir berechnen sozusagen, wie sich unsere Sicht auf die Welt ändert, wenn wir etwas Neues beobachten.

Felix: Okay, Sherlock Emilia, wie finden wir jetzt raus, ob das defekte Teil von Maschine M2 stammt?

Emilia: Ganz einfach, Watson. Die Formel von Bayes sagt: Nimm die Wahrscheinlichkeit, dass das Teil von M2 stammt UND fehlerhaft ist, und teile sie durch die totale Wahrscheinlichkeit, überhaupt ein fehlerhaftes Teil zu finden.

Felix: Die totale Wahrscheinlichkeit hatten wir ja schon: 0,031.

Emilia: Richtig. Und die Wahrscheinlichkeit für M2 war 0,4 mal 0,04, also 0,016. Jetzt teilen wir 0,016 durch 0,031...

Felix: ...und das ergibt ungefähr 0,52. Also eine Wahrscheinlichkeit von 52 Prozent! Obwohl M2 nicht die höchste Fehlerquote hat, ist die Wahrscheinlichkeit am größten, dass das kaputte Teil von ihr kommt, einfach weil sie so viel produziert.

Emilia: Genau! Das ist die Macht des Bayes-Theorems. Es kombiniert die Ausgangswahrscheinlichkeit mit neuen Beweisen.

Felix: Das ist wirklich stark. Hast du noch ein anderes Beispiel, vielleicht etwas aus dem Alltag?

Emilia: Aber sicher. Stell dir vor, dein Freund Fritz will mit dir wetten. Er wirft eine Münze. Bei „Wappen“ zahlst du, bei „Zahl“ zahlt er. Klingt fair, oder?

Felix: Klingt fair, aber ich kenne meinen Freund Fritz... Ich hätte da einen Verdacht.

Emilia: Genau! Du vermutest, dass die Münze auf beiden Seiten „Wappen“ hat. Sagen wir, du bist dir zu 80 Prozent sicher. Das ist deine A-priori-Wahrscheinlichkeit.

Felix: Okay, meine subjektive Wahrscheinlichkeit für Betrug ist W(A) = 0,8. Die Wahrscheinlichkeit, dass die Münze echt ist, ist dann logischerweise 0,2.

Emilia: Perfekt. Fritz wirft die Münze und... es kommt „Wappen“. Was jetzt?

Felix: Jetzt will ich wissen, wie sicher ich mir jetzt sein kann, dass er schummelt!

Emilia: Wir nutzen Bayes. Wir berechnen die A-posteriori-Wahrscheinlichkeit. Die Wahrscheinlichkeit für „Wappen“, WENN die Münze gezinkt ist, beträgt 100 Prozent, also 1.

Felix: Logisch. Und wenn sie echt ist, beträgt sie 0,5.

Emilia: Genau. Jetzt setzen wir alles in die Formel ein. Das Ergebnis ist... ungefähr 0,889. Deine Sicherheit, dass Fritz betrügt, ist nach nur einem Wurf von 80 Prozent auf fast 89 Prozent gestiegen.

Felix: Wow. Jeder Wurf, der „Wappen“ zeigt, würde meine Sicherheit weiter erhöhen. Das ist ja ein mächtiges Werkzeug, um Hypothesen zu überprüfen.

Emilia: Absolut. Das Theorem von Bayes ist die mathematische Grundlage dafür, wie wir aus Erfahrungen lernen. Es ist nicht nur für die Prüfung wichtig, sondern eine fundamentale Idee in Wissenschaft und künstlicher Intelligenz.

Felix: Also, zusammengefasst: Mit der totalen Wahrscheinlichkeit schauen wir uns alle möglichen Wege an, wie ein Ereignis eintreten kann. Und mit Bayes können wir, wenn etwas passiert ist, zurückrechnen und unsere Annahmen anpassen. Super spannend!

Emilia: Genau das ist es! Und dieses Prinzip der bedingten Wahrscheinlichkeiten führt uns direkt zum nächsten wichtigen Thema...

Felix: Und damit kommen wir schon zum letzten großen Thema für heute. Bisher, Emilia, haben wir ja immer direkt mit Ereignissen gearbeitet. Also, was ist die Wahrscheinlichkeit, eine Sechs zu würfeln, oder zwei gleiche Karten zu ziehen.

Emilia: Genau, Felix. Wir haben uns den Ereignisraum angesehen und den Ereignissen Wahrscheinlichkeiten zugeordnet. Aber jetzt gehen wir einen entscheidenden Schritt weiter. Oft interessiert uns nämlich nicht das Ereignis selbst, sondern eine Zahl, die daraus resultiert.

Felix: Okay, was meinst du damit? Gib mir mal ein Beispiel.

Emilia: Denk an einen Münzwurf, den wir zweimal machen. Die Ereignisse sind „Kopf, Kopf“, „Kopf, Zahl“, „Zahl, Kopf“ und „Zahl, Zahl“. Aber vielleicht interessiert uns nur: Wie oft kam „Kopf“ vor?

Felix: Ah, okay. Das wären dann zweimal, einmal, einmal oder nullmal. Das sind ja Zahlen!

Emilia: Exakt! Und genau diese „Übersetzung“ von einem Ereignis in eine Zahl... das ist die Grundidee einer Zufallsvariable.

Felix: Also eine Zufallsvariable ist gar keine richtige Variable, sondern eher... eine Art Übersetzer?

Emilia: Das ist eine super Analogie! Ja, sie ist eine Funktion. Sie nimmt sich ein Ergebnis aus unserem Ereignisraum, wie zum Beispiel „Kopf, Kopf“, und bildet es auf eine reelle Zahl ab, in dem Fall die 2. Diese Zahl, also die 2, nennen wir dann eine „Realisation“ der Zufallsvariable.

Felix: Verstehe. Das macht die Sache irgendwie greifbarer. Statt mit abstrakten Ereignissen arbeiten wir plötzlich mit konkreten Zahlen. Und damit kann man wahrscheinlich besser rechnen, oder?

Emilia: Genau das ist der Punkt! Und hier unterscheiden wir zwei Haupttypen. Es gibt diskrete und stetige Zufallsvariablen.

Felix: Diskret und stetig... das klingt vertraut. Diskret heißt, ich kann die Werte abzählen, wie bei unserem Münzwurf-Beispiel: 0, 1 oder 2 Mal Kopf.

Emilia: Perfekt. Und stetig würde bedeuten, die Variable kann jeden Wert in einem bestimmten Bereich annehmen. Denk an die Körpergröße oder die Wartezeit auf den Bus. Da ist jeder Wert zwischen, sagen wir, 0 und 5 Minuten möglich.

Felix: Bleiben wir mal bei den diskreten. Wie bestimmen wir denn jetzt die Wahrscheinlichkeiten für diese Zahlen?

Emilia: Dafür gibt's die sogenannte Wahrscheinlichkeitsfunktion. Sie sagt uns ganz einfach: Wie hoch ist die Wahrscheinlichkeit, dass unsere Zufallsvariable genau den Wert x annimmt? Wir schreiben das als f(x).

Felix: Also bei unserem Beispiel: Wie hoch ist die Wahrscheinlichkeit für f(2), also für genau zweimal Kopf?

Emilia: Exakt. Und dafür summieren wir einfach die Wahrscheinlichkeiten aller ursprünglichen Ereignisse, die zu diesem Wert führen. In unserem Fall nur „Kopf, Kopf“, also 0,25. Und für den Wert 1 hätten wir „Kopf, Zahl“ und „Zahl, Kopf“, also 0,25 plus 0,25, ergibt 0,5.

Felix: Das ist logisch. Und die Summe aller Wahrscheinlichkeiten muss dann wieder 1 ergeben, nehme ich an?

Emilia: Genau! Und dann gibt es noch die Verteilungsfunktion, F(x). Die ist auch super nützlich. Sie gibt die Wahrscheinlichkeit an, dass die Zufallsvariable einen Wert kleiner oder gleich x annimmt.

Felix: Sie summiert also die Wahrscheinlichkeiten auf. Deswegen sehen die Grafiken dazu oft aus wie eine Treppe, oder?

Emilia: Ja, das ist die berühmte Treppenfunktion. Sie macht bei jedem Wert einen Sprung nach oben. Sehr anschaulich.

Felix: Und wie sieht das bei den stetigen Zufallsvariablen aus? Kann man da auch fragen, wie wahrscheinlich eine genaue Wartezeit von... sagen wir exakt 3 Minuten ist?

Emilia: Das ist die klassische Fangfrage! Bei stetigen Variablen ist die Wahrscheinlichkeit für einen einzelnen, exakten Wert immer null.

Felix: Null? Warum das?

Emilia: Weil es unendlich viele mögliche Werte gibt! Die Wahrscheinlichkeit, *exakt* 3,0000... Minuten zu warten, ist verschwindend gering. Stattdessen fragen wir immer nach Intervallen. Also: Wie wahrscheinlich ist es, dass die Wartezeit *zwischen* 2 und 3 Minuten liegt?

Felix: Okay, das macht Sinn. Und dafür nehmen wir dann nicht die Wahrscheinlichkeitsfunktion, sondern...?

Emilia: Die Wahrscheinlichkeits*dichte*. Das ist das stetige Gegenstück. Um die Wahrscheinlichkeit für ein Intervall zu bekommen, müssen wir das Integral über diese Dichtefunktion berechnen.

Felix: Puh, Integrale. Das klingt nach Arbeit.

Emilia: Ist es manchmal auch. Nehmen wir das Beispiel aus der Vorlesung: Die Verspätung einer U-Bahn. Um die Wahrscheinlichkeit für eine Verspätung zwischen 1 und 2 Minuten zu finden, berechnen wir das Integral der Dichtefunktion von 1 bis 2. Das Ergebnis war da 0,3125, also 31,25 %.

Felix: Okay, ich glaube, ich hab's. Fassen wir das Wichtigste nochmal kurz zusammen.

Emilia: Gerne. Der Kernpunkt ist: Eine Zufallsvariable ist eine Funktion, die Ereignisse auf Zahlen abbildet. Das macht sie berechenbar.

Felix: Und wir unterscheiden zwischen diskreten Variablen, die zählbare Werte annehmen, und stetigen, die jeden Wert in einem Intervall annehmen können.

Emilia: Genau. Bei diskreten nutzen wir die Wahrscheinlichkeitsfunktion, um die Wahrscheinlichkeit für exakte Werte zu finden. Bei stetigen nutzen wir die Wahrscheinlichkeitsdichte und das Integral, um die Wahrscheinlichkeit für Intervalle zu berechnen.

Felix: Super erklärt, Emilia. Das war eine Menge Stoff heute, aber jetzt ergibt alles ein großes Ganzes. Vielen Dank!

Emilia: Sehr gerne, Felix! Es hat Spaß gemacht.

Felix: Das war's für diese Folge des Studyfi Podcasts. Wir hoffen, ihr konntet viel mitnehmen. Bleibt neugierig und bis zum nächsten Mal! Ciao!