ETWR – Teil B Bewertung von Urnenexperimenten Stephan Schosser Bewertung von Urnenexperimenten Motivation I • Teambildung • Abteilung hat 8 Mitarbeiter • Team mit 5 Kreativsten soll gebildet werden • 3 Mitarbeiter sind weiblich, 5 Mitarbeiter sind männlich • Bisher möglich (z.B.) Wahrscheinlichkeit Team mit allen Frauen zu bilden ! 3 $ ! 5 $ • Ermittlung der günstigen Ereignisse: | A |= # & ⋅ # & = 5! = 10 " 3 % " 2 % 2!(5 − 2)! " 8 % • Ermittlung der möglichen Ereignisse: | Ω |= $ 5 ' = 5!(88!− 5)! = 56 # & |A| 10 • Wahrscheinlichkeit: p(A) = | Ω | = 56 ≈ 17, 9% • Wir können Wahrscheinlichkeiten einzelner Ereignisse ermitteln! WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 2 48 Stephan Schosser Bewertung von Urnenexperimenten Motivation II • Teambildung (forts.) • Abteilung hat 8 Mitarbeiter • Team mit 5 Kreativsten soll gebildet werden • 3 Mitarbeiter sind weiblich, 5 Mitarbeiter sind männlich • Helfen uns weitere Informationen bei Entscheidung? • 10% aller Frauen bzw. 8% aller Männer kreativ • 2 kreativste Mitarbeiter der Abteilung sind Männer • Kreativität sinkt mit Alter und weibliche (männliche) Mitarbeiter im Mittel 25,7 (30,4) Jahre alt • Im Folgenden: • Einige Informationen helfen, andere Informationen nicht • Rechenregeln zum Nutzen solcher Informationen WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 3 48 Stephan Schosser Bewertung von Urnenexperimenten Ziele • Bisher • Mathematische Beschreibung von Mengen • Einführung des Wahrscheinlichkeitsbegriffs • Ermittlung der Anzahl Elemente in charakteristischen Mengen • Damit • Wahrscheinlichkeiten von Ereignissen aus theoretischen Überlegungen ableitbar • Vorgehen • Ermittlung der Menge mit für Experiment günstigen Ereignisse • Ermittlung der Menge aller möglichen eintretenden Ereignisse • Klassifikation des Problems gemäß „Urnenmatrix“ • Berechnung der Wahrscheinlichkeit des Ereignisses • Ziel dieses Kapitel • Regeln für die Kombination unterschiedlicher Ereignisse WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 4 48 Stephan Schosser Bewertung von Urnenexperimenten Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Bedingte Wahrscheinlichkeiten • Wichtige Sätze • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 5 48 Stephan Schosser Bewertung von Urnenexperimenten Bedingte Wahrscheinlichkeit • Motivation • Wie kann man die Wahrscheinlichkeit eines Ereignisses A bestimmen, wenn man weiß, dass das Ereignis B eingetreten ist? • Beispiel • Ein fairer Würfel wird einmal geworfen: Ω = {1, 2, 3, 4, 5, 6} • Wahrscheinlichkeit eines Ereignisses A: P( A) = A Ω • Ereignisse • A: Es fällt 1, 2 oder 3 à A = {1, 2, 3}: P( A) = {1,2,3} {1,2,3,4,5,6} = 3 1 = 6 2 • B: Rote Seite liegt oben, ... ... dafür alle ungeraden Seiten rot B = {1, 3, 5}: P( B) = WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B {1,3,5} {1,2,3,4,5,6} = 3 1 = 6 2 6 48 Stephan Schosser Bewertung von Urnenexperimenten 7 48 Bedingte Wahrscheinlichkeit • Beispiel (forts.) • Der Würfel wird einmal geworfen. Man erkennt, dass eine rote Seite oben liegt, d.h. B ={1, 3, 5} ist eingetreten. • Wie groß ist die Wahrscheinlichkeit, dass ebenfalls A (A = {1, 2, 3}) eingetreten ist? • Idee (intuitiv): Anzahl günstige Fälle Anzahl mögliche Fälle A∩ B {1,3} 2 P ( A | B ) = = • Formal: {1,3,5} 3 B • P(A|B): Wahrscheinlichkeit von Ereignis A unter der Bedingung, dass Ereignis B eingetreten ist. WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser Bewertung von Urnenexperimenten Bedingte Wahrscheinlichkeit • Bedingte Wahrscheinlichkeit im Gleichmöglichkeitsmodell A∩B P(A | B) = A∩B = B Ω B = P(A ∩ B) P(B) Ω WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 8 48 Stephan Schosser Bewertung von Urnenexperimenten Bedingte Wahrscheinlichkeit • Definition: (Bedingte Wahrscheinlichkeit) 9 48 Seien A und B Ereignisse. Die bedingte Wahrscheinlichkeit von A gegeben B ist für P(B) > 0 gegeben durch P( A | B ) = P( A ∩ B) P( B) Ist P(B) = 0, so ist P(A|B) nicht definiert. WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 10 Bewertung von Urnenexperimenten 48 Bedingte Wahrscheinlichkeit • P(A|B) erfüllt die drei Axiome von Kolmogoroff • Axiom 1: 0 ≤ P(A) für alle Ereignisse A • Hier: 0 ≤ P(A|B) • Beweis P( A ∩ B) ≥ 0, P ( B) > 0 P( A ∩ B) ≥0 P( B) • Axiom 2: P(Ω) = 1 • Hier: P(Ω|B) = 1 • Beweis P( Ω | B) = WS12/13 P( Ω ∩ B) P( B) = =1 P( B) P( B) Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 11 Bewertung von Urnenexperimenten 48 Bedingte Wahrscheinlichkeit • P(A|B) erfüllt die drei Axiome von Kolmogoroff • Axiom 3: P( A ∪ B) = P( A) + P( B) für disjunkte Ereignisse A und B • Hier: P(A ∪ B | C) = P(A | C) + P(B | C) für disjunkte Ereignisse A und B • Beweis • Es gilt • A ∩ B = ∅ (wg. A und B disjunkt) • Damit gilt (A ∩ C) ∩ (B ∩ C) = ∅ P ( A ∪ B | C) = P (( A ∪ B) ∩C ) P(C) = P (( A ∩C ) ∪ ( B ∩C )) P(C) P ( A ∩C ) + P ( B ∩C ) P ( A ∩C ) P ( B ∩C ) = + P(C) P(C) P(C) = P(A | C) + P(B | C) = WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 12 Bewertung von Urnenexperimenten 48 Bedingte Wahrscheinlichkeit • Gilt immer P(A|B) > P(A)? • Beispiel (forts.) • Ein fairer Würfel wird einmal geworfen. Ω = {1, 2, 3, 4, 5, 6} • A‘: Es fällt 2 à A‘ = {2}: P(A') = 1 6 • B: Es fällt 1, 3 oder 5 à B = {1, 3, 5} • Bedingte Wahrscheinlichkeit P( A' | B) = P( A' ∩ B) = 0 < P( A' ) P( B) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 13 Bewertung von Urnenexperimenten 48 Agenda • Formalisierung des Zufalls • Bewertung von Ereignissen • Urnenexperimente • Bewertung von Urnenexperimenten • Bedingte Wahrscheinlichkeiten • Wichtige Sätze • Zufallsvariablen • Verteilungsparameter • Mehrdimensionale Zufallsvariablen • Verteilungsparameter II • Spezielle Wahrscheinlichkeitsverteilungen (diskret) • Spezielle Wahrscheinlichkeitsverteilungen (stetig) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 14 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Bestimmung durch Umformung der Definition für bedingte Wahrscheinlichkeiten P ( A ∩ B) • P ( A | B) = P(B) → P ( A ∩ B) = P ( A | B) ⋅ P(B) P ( B ∩ A) • P ( B | A) = P(A) → P ( A ∩ B) = P ( B | A) ⋅ P(A) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 15 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Beispiel • Kiste mit 10 Glühbirnen • 4 Glühbirnen sind defekt • Zwei Birnen werden ohne Zurücklegen gezogen. • Wie groß ist die Wahrscheinlichkeit, dass beide defekt sind? • Zwei Ereignisse • Ereignis D1 Erste gezogene Glühbirne ist defekt • Ereignis D2 Zweite gezogene Glühbirne ist defekt • P(D1 ∩ D2)? • Berechnung • P(D1) = 4/10 = 0,4 • P(D |D ) = 3/9 = 0, 3 • Damit gilt 2 1 P(D1 ∩ D2) = P(D2|D1) · P(D1) = 3/9 · 4/10 = 2/15 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 16 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Berechnung mit Kombinatorik (Gleichmöglichkeitsmodell) • Beispiel (forts.) • Kiste mit 10 Glühbirnen • 4 Glühbirnen sind defekt • Zwei Birnen werden gezogen (ohne Zurücklegen). • Wie groß ist die Wahrscheinlichkeit, dass beide defekt sind? • Berechnung ⎛10 ⎞ 10 ⋅ 9 • Anzahl möglicher Fälle: ⎜⎜⎝ 2 ⎟⎟⎠ = 2 = 45 (Ziehen ohne Zurücklegen und ohne Beachtung der Anordnung) ⎛ 4 ⎞ ⎛ 6 ⎞ • Anzahl günstiger Fälle: ⎜⎜⎝ 2 ⎟⎟⎠ ⋅ ⎜⎜⎝ 0 ⎟⎟⎠ = 6 ⋅1 = 6 ! 4 $ Möglichkeiten, von den 4 defekten Glühbirnen 2 zu ziehen # &=6 (ohne Zurücklegen und ohne Beachtung der Anordnung) " 2 % Für jede dieser 6 Möglichkeiten gibt es: ! 6 $ Möglichkeiten, von 6 nicht defekten Glühbirnen 0 zu ziehen # & = 1(ohne Zurücklegen und ohne Beachtung der Anordnung) 0 " % WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 17 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Berechnung mit Kombinatorik (Gleichmöglichkeitsmodell) • Beispiel (forts.) • Kiste mit 10 Glühbirnen • 4 Glühbirnen sind defekt • Zwei Birnen werden gezogen (ohne Zurücklegen). • Wie groß ist die Wahrscheinlichkeit, dass beide defekt sind? ⎛10 ⎞ 10 ⋅ 9 • Berechnung ⎜⎜ ⎟⎟ = = 45 2 2 • Anzahl möglicher Fälle: ⎝ ⎠ ⎛ 4 ⎞ ⎛ 6 ⎞ • Anzahl günstiger Fälle: ⎜⎜⎝ 2 ⎟⎟⎠ ⋅ ⎜⎜⎝ 0 ⎟⎟⎠ = 6 ⋅1 = 6 ⎛ 4 ⎞ ⎛ 6 ⎞ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ • Gesuchte Wahrscheinlichkeit P(D1 ∩ D2 ) = ⎝ 2 ⎠10⎝ 0 ⎠ = 6 = 2 45 15 ⎛ ⎞ ⎜⎜ ⎟⎟ ⎝ 2 ⎠ • Gilt Multiplikationssatz bei Vereinigungen aus WS12/13 > 2 Ereignissen? Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 18 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Satz Seien A1,…, An Ereignisse mit P(A1∩… ∩An-1)>0. Dann gilt: P( A1 ∩ … ∩ An ) = P( An | A1 ∩ … ∩ An −1 ) ⋅ P( An −1 | A1 ∩ … ∩ An − 2 ) ⋅… ⋅ P( A2 | A1 ) ⋅ P( A1 ) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 19 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Beweis • Es gilt (A1 ∩…∩ An−1 ) ⊆ (A1 ∩…∩ An−2 ) ⊆ ... ⊆ (A1 ∩ A2 ) ⊆ A1 • Wegen P(A1 ∩…∩ An−1 ) > 0 gilt 0 < P(A1 ∩…∩ An−1 ) ≤ P(A1 ∩…∩ An−2 ) ≤ ... ≤ P(A1 ) • Also gilt P(A1 ∩... ∩ An ) = P(A1 ∩... ∩ An )⋅ = P(A1 ∩... ∩ An−1 ) P(A1 ∩ A2 ) P(A1 ) ⋅…⋅ ⋅ P(A1 ∩... ∩ An−1 ) P(A1 ∩ A2 ) P(A1 ) P(A1 ∩... ∩ An ) P(A1 ∩... ∩ An−1 ) P(A1 ∩ A2 ) ⋅ ⋅…⋅ ⋅ P(A1 ) P(A1 ∩... ∩ An−1 ) P(A1 ∩... ∩ An−2 ) P(A1 ) = P( An|A1 ∩ ... ∩ An−1 ) ⋅ P( An−1|A1 ∩ ... ∩ An−2 ) ⋅ ... ⋅ P( A2|A1 ) ⋅ P( A1 ) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 20 Bewertung von Urnenexperimenten 48 Multiplikationssätze • Beispiel (forts.) • Kiste mit 10 Glühbirnen • 4 Glühbirnen sind defekt • Vier Birnen werden gezogen (ohne Zurücklegen). • Wie groß ist die Wahrscheinlichkeit, dass alle defekt sind? • i Ereignisse • Ereignis Di i-te gezogene Glühbirne ist defekt • P(D1 ∩ D2 ∩ D3 ∩ D4)? • Berechnung P(D1 ∩ D2 ∩ D3 ∩ D4 ) = P(D4 | D1 ∩ D2 ∩ D3 )⋅ P(D3 | D1 ∩ D2 )⋅ P(D2 | D1 )⋅ P(D1 ) 1 7 = = WS12/13 ⋅ 1 210 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B 2 8 ⋅ 3 9 ⋅ 4 10 Stephan Schosser 21 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Ein Merkmal in einer Population wird betrachtet. Durch die einzelnen Merkmalsausprägungen wird die Population in disjunkte Teilpopulationen zerlegt. • Definition: (Vollständiges System von Ereignissen) Sei Ω eine Ergebnismenge. Die Ereignisse A1, A2, …, An ⊆ Ω bilden ein vollständiges System von Ereignissen, wenn gilt: A1 ∪… ∪ An = Ω und Ai ∩ A j = ∅ A2 für alle i ≠ j mit i, j = 1,…, n A3 A1 Ω WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B A6 A5 A4 Stephan Schosser 22 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beispiel • In einer Population leidet ein Promille an einer Krankheit. • Eine Person wird zufällig ausgewählt. • Die Ergebnismenge des Zufallsvorgangs ist Ω = {k , g.} • Zwei Ereignisse • Person ist krank: K = {k} • Person ist gesund: K = {g} • Die Ereignisse K, K bilden vollständiges System von Ereignissen. • Gegebene Wahrscheinlichkeiten • Wahrscheinlichkeit nicht gesund P(K) = 0,001 • Wahrscheinlichkeit gesund P( K ) = 0,999 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 23 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beispiel (forts.) • Diagnosemethode: • In 90% der Fälle wird ein Kranker als krank erkannt • In 99% der Fälle ein Gesunder als gesund. • Ereignisse • Ereignis A: Test klassifiziert Person als krank • Es gilt • Aus Aufgabe P( A | K ) = 0,9; P( A | K ) = 0,99 • Daraus abgeleitet P(A | K ) = 0,1; P( A | K ) = 0,01 • Gesucht: P(A) Zur Lösung benötigen wir den folgenden Satz WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 24 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Satz (Satz von der totalen Wahrscheinlichkeit) Sei Ω eine Ergebnismenge. Die Ereignisse A1,…, An ⊆ Ω bilden ein vollständiges System von Ereignissen mit P(Ai) > 0 für i = 1,…,n. Dann gilt für jedes Ereignis B ⊆ Ω: n P( B) = ∑ P( B | Ai ) ⋅ P( Ai ) i =1 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 25 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Visualisierung im Venn-Diagramm WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 26 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beweis • Es gilt A1 ∪… ∪ An = Ω • … und somit B = B ∩Ω = B ∩ (A1 ∪…∪ An ) = (B ∩ A1 )∪…∪ (B ∩ An ) • Wegen A ∩ A i j = ∅ für alle i ≠ j mit i, j = 1,…, n ... ... gilt auch ( B ∩ Ai ) ∩ ( B ∩ A j ) = ∅ • Also folgt P(B) = P ((B ∩ A1 )∪…∪ (B ∩ An )) = P(B ∩ A1 ) +…+ P(B ∩ An ) n = P(B | A1 )⋅ P(A1 ) +…+ P(B | An )⋅ P(An ) = ∑ P(B | Ai )⋅ P(Ai ) i=1 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 27 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beispiel (forts.) • In einer Population leidet ein Promille an einer Krankheit. • Eine Person wird zufällig ausgewählt. • Die Ergebnismenge des Zufallsvorgangs ist Ω = {k , g.} • Diagnosemethode: • In 90% der Fälle wird ein Kranker als krank erkannt • In 99% der Fälle ein Gesunder als gesund. • Gegeben (Ergebnisse bisher) • Wahrscheinlichkeit krank:P( K ) = 0,001, gesund: P( K ) = 0,999 • Wahrscheinlichkeit Kranker krank klassifiziert P( A | K ) = 0,9 • Wahrscheinlichkeit Gesunder krank klassifiziert P( A | K ) = 0,01 • Gesucht: • Wahrscheinlichkeit das Person krank klassifiziert wird: P(A) P( A) = P( A|K ) ⋅ P( K ) + P( A|K ) ⋅ P( K ) = 0, 9 ⋅ 0, 001+ 0, 01⋅ 0, 999 = 0, 01089 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 28 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beispiel • Urne mit N Kugeln • K Kugeln sind schwarz, N-K sind weiß • 2 Kugeln werden mit Zurücklegen gezogen werden • Wie hoch ist die Wahrscheinlichkeit, dass die zweite davon schwarz ist? • Ereignisse • Ereignis W1 erste gezogene Kugel ist schwarz • Ereignis W2 zweite gezogene Kugel ist schwarz • Gesuchte Wahrscheinlichkeit P(W2 ) = P(W2|W1 ) ⋅ P(W1 ) + P(W2|W1 ) ⋅ P(W1 ) K K K N −K K #K N −K& K = ⋅ + ⋅ = % + (= N N N N N$N N ' N WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 29 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beispiel • Urne mit N Kugeln • K Kugeln sind schwarz, N-K sind weiß • 2 Kugeln werden ohne Zurücklegen gezogen werden • Wie hoch ist die Wahrscheinlichkeit, dass die zweite davon schwarz ist? • Ereignisse • Ereignis W1 erste gezogene Kugel ist schwarz • Ereignis W2 zweite gezogene Kugel ist schwarz • Gesuchte Wahrscheinlichkeit P(W2 ) = P(W2|W1 ) ⋅ P(W1 ) + P(W2|W1 ) ⋅ P(W1 ) K −1 K K N −K 1 ⋅ + ⋅ = ((K −1)K + K(N − K )) N −1 N N −1 N N (N −1) 1 1 K(N −1) K = (K 2 − K + KN − K 2 ) = (KN − K ) = = N (N −1) N (N −1) N (N −1) N = WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 30 Bewertung von Urnenexperimenten 48 Satz von der totalen Wahrscheinlichkeit • Beispiel • 2x wiederholter Münzwurf • Frage 1: Haben Sie schon mal in einer Klausur gemogelt? • Frage 2: Erschien beim 2. Münzwurf Kopf? • Fällt beim ersten Mal Kopf: Frage 1 wird beantwortet • Fällt beim ersten Mal Zahl: Frage 2 wird beantwortet • Mit welcher Wahrscheinlichkeit antworten Sie, dass Sie bei einer Klausur gemogelt haben, wenn Sie gefragt werden (P(J|F1))? • Ereignisse • Ereignis F1 Frage 1 wird beantwortet, es gilt: P( F1 ) = 0,5 P( F1 ) = 0,5 • Ereignis J Die Antwort ist ja, es gilt P( J|F1 ) = 0,5 • Gesuchte Wahrscheinlichkeit P(J ) = P(J | F1 )⋅ P(F1 ) + P(J | F1 )⋅ P(F1 ) = P(J | F1 )⋅ 0, 5 + 0, 5⋅ 0, 5 = P(J | F1 )⋅ 0, 5 + 0, 25 P(J ) − 0, 25 P(J | F1 ) = = 2 ⋅ P(J ) − 0, 5 0, 5 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 31 Bewertung von Urnenexperimenten 48 Satz von Bayes • Satz (Satz von Bayes) Sei Ω eine Ergebnismenge. Die Ereignisse A1,…, An ⊆ Ω bilden ein vollständiges System von Ereignissen mit P(Ai)>0 für i=1,…,n. Dann gilt für jedes Ereignis B ⊆ Ω: P( Ai | B) = P( B | Ai ) ⋅ P( Ai ) n ∑ P( B | A ) ⋅ P( A ) i i i =1 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Satz von Bayes • Beweis • Es gilt P( Ai ∩ B) P( Ai | B) = P( B) • daraus folgt mit P ( B) = Stephan Schosser 32 Bewertung von Urnenexperimenten 48 P( Ai ∩ B) P( B | Ai ) = P( Ai ) P( Ai | B) ⋅ P( B) = P( Ai ∩ B) = P( B | Ai ) ⋅ P( Ai ) P( B | Ai ) ⋅ P( Ai ) P( Ai | B) = P( B) n ∑ P( B|Ai ) ⋅ P( Ai ) folgt P( Ai|B) = i =1 P( B|Ai ) ⋅ P( Ai ) n ∑ P( B|A ) ⋅ P( A ) i i =1 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B i Stephan Schosser 33 Bewertung von Urnenexperimenten 48 Satz von Bayes • Beispiel (forts.) • In einer Population leidet ein Promille an einer Krankheit. • Eine Person wird zufällig ausgewählt. • Die Ergebnismenge des Zufallsvorgangs ist Ω = {k , g.} • Diagnosemethode: • In 90% der Fälle wird ein Kranker als krank erkannt • In 99% der Fälle ein Gesunder als gesund. • Gegeben (Ergebnisse bisher) • Wahrscheinlichkeit krank: P( K ) = 0,001, gesund: P( K ) = 0,999 • Wahrscheinlichkeit Kranker krank klassifiziert P( A | K ) = 0,9 • Wahrscheinlichkeit Gesunder krank klassifiziert P( A | K ) = 0,01 • Gesucht: • Wahrscheinlichkeit krank sein, wenn krank klassifiziert: P(K|A) P( A | K ) ⋅ P( K ) P( A | K ) ⋅ P( K ) + P( A | K ) ⋅ P( K ) 0 , 9 ⋅ 0 , 001 = = 0 , 083 0 , 9 ⋅ 0 , 001 + 0 , 01 ⋅ 0 , 999 P( K | A) = WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 34 Bewertung von Urnenexperimenten 48 Satz von Bayes • Beispiel (forts.) • Population von 100.000 Personen wird betrachtet: • 0,001 · 100.000 = 100 Personen sind krank • 99 900 Personen sind nicht krank • Betrachtung der 100 Kranken • 0,9 · 100 = 90 Personen als krank erkannt • 0,1 · 100 = 10 Personen nicht als krank erkannt • Betrachtung der 99.900 Gesunden • 0,01 · 99.900 = 999 als krank klassifiziert • Insgesamt • 90 + 999 = 1.089 Personen als krank klassifiziert • Aber: nur 90 krank → 90/1089 = 0,083 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 35 Bewertung von Urnenexperimenten 48 Satz von Bayes • Beispiel Verkehrsunfall • Taxis einer Stadt • 85% der Taxis sind grün • 15% der Taxis sind blau • Bei Verkehrsunfall mit Taxi begeht Fahrer Fahrerflucht • Unfallzeuge sagt aus: Das Taxi war blau • Muss die Firma mit blauen Taxis zahlen? • Rechtsanwalt der blauen Taxifirma • Prüft, wie gut Zeuge die Farbe der Taxis erkennt • 80% der Fälle erkennt der Zeuge die Farbe (blau/grün) korrekt • Ereignisse • Ereignis B: Das Taxi ist blau • Ereignis ZB: Zeuge stuft das Taxi als blau ein • Gesucht P(B|ZB) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 36 Bewertung von Urnenexperimenten 48 Satz von Bayes • Beispiel Verkehrsunfall (forts.) • 85% der Taxis sind grün P(B) = 0,85 • 15% der Taxis sind blau P( B) = 0,15 • 80% der Fälle erkennt Zeuge Farbe P(ZB | B) = 0,8 und P( ZB | B ) = 0,8 Daraus folgt P(ZB | B) = 0,2 • Gesucht P(B|ZB) P( ZB | B) ⋅ P( B) P( B | ZB ) = P( ZB | B) ⋅ P( B) + P( ZB | B) ⋅ P( B) = 0,8⋅ 0,15 = 0, 41 0,8⋅ 0,15 + 0, 2 ⋅ 0,85 • Wahrscheinlicher, dass Taxi grün war! WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 37 Bewertung von Urnenexperimenten 48 Satz von Bayes • Beispiel Verkehrsunfall (forts.) • Zahlenbeispiel • 200 Taxis in der Stadt • 30 blaue Taxis • 170 grüne Taxis • Wenn Zeuge sagt, er hätte Farbe richtig erkannt • 24 = 0,8 · 30 blaue • 136 = 0,8 · 170 grüne • Als blaue Taxis Taxis klassifiziert • 24 blaue + (170 – 136) grüne = 58 Taxis • 24 / 58 = 0,41 (gesuchte Wahrscheinlichkeit) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 38 Bewertung von Urnenexperimenten 48 Unabhängigkeit • Beispiel Vorlesung • 250 Studierende, davon 100 männlich • 200 besitzen PC, 80 Männer besitzen PC • Ist Information “männlich”, “weiblich” wichtig, für Wahrscheinlichkeit, dass eine Person einen PC besitzt? • Ereignisse • Ereignis M 100 = 0,4 Person ist männlich, es gilt P( M ) = 250 • Ereignis C 200 Person besitzt einen PC, es gilt P(C ) = = 0,8 250 • Gesuchte Wahrscheinlichkeit P(C|M) 80 P(C ∩ M ) = = 0,32 250 P(C|M ) = WS12/13 P(C ∩ M ) 0,32 = = 0,8 P( M ) 0,4 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 39 Bewertung von Urnenexperimenten 48 Unabhängigkeit • Wissen, dass eine Person männlich ist, ändert nichts an der Wahrscheinlichkeit, einen PC zu besitzen. Die Ereignisse Geschlecht/PCBesitzer sind unabhängig. • Definition: (Unabhängigkeit) Die Ereignisse A und B heißen unabhängig, wenn gilt P(A|B) = P(A). WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 40 Bewertung von Urnenexperimenten 48 Unabhängigkeit • Satz Wenn die Ereignisse A und B unabhängig sind, so gilt P( A ∩ B) = P( A) ⋅ P( B) • Beweis • Es gilt P( A|B) = P( A) • Daraus folgt P( A ∩ B) = P( A|B) ⋅ P( B) = P( A) ⋅ P( B) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 41 Bewertung von Urnenexperimenten 48 Unabhängigkeit • Satz Sind die Ereignisse A und B unabhängig, so sind auch die folgenden Paare von Ereignissen unabhängig: 1. A und B 2. A und B 3. A und B • Beweis (nur für 1.; übrige sind analog) • Zu zeigen P( A ∩ B ) = P( A) ⋅ P( B ) • Aus: P(A) = P(A ∩Ω) = P(A ∩ B) + P(A ∩ B) • Folgt: P( A ∩ B ) = P( A) − P( A ∩ B) = P( A) − P( A) ⋅ P( B) = P( A) ⋅ (1 − P( B)) = P( A) ⋅ P( B ) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 42 Bewertung von Urnenexperimenten 48 Unabhängigkeit • Satz Sind die Ereignisse A und B disjunkt und gilt P(A)>0 und P(B)>0, so sind A und B nicht unabhängig. • Beweis • Aus A ∩ B = ∅ folgt P( A | B) = P( A ∩ B) P(∅) = =0 P( B) P( B) • Da P(A)>0 gilt, folgt P( A | B) ≠ P( A) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 43 Bewertung von Urnenexperimenten 48 Bewertung von Urnenexperimenten - Übersicht • Satz von Bayes • Bedingte Wahrscheinlichkeit P( B | A ) ⋅ P( A ) P( A ∩ B) P ( A | B ) = ( ) P A | B = • • P( B) P( B | A ) ⋅ P( A ) ∑ • Multiplikationssätze • P ( A ∩ B) = P ( A | B) ⋅ P(B) • Unabhängigkeit • P( A ∩ B) = P( A) ⋅ P( B) • P ( A ∩ B) = P ( B | A) ⋅ P(A) (für unabhängige Ereignisse) • P( A ∩ … ∩ A ) = P( A | A ∩ … ∩ A ) ⋅ i i i n i i =1 1 n n 1 n −1 P( An −1 | A1 ∩ … ∩ An − 2 ) ⋅… ⋅ P( A2 | A1 ) ⋅ P( A1 ) • Satz von der totalen Wkt. n • P( B) = ∑ P( B | Ai ) ⋅ P( Ai ) i =1 WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B i ETWR – Teil B Bewertung von Urnenexperimenten – Addendum Stephan Schosser 45 Bewertung von Urnenexperimenten 48 Taxifahrerproblem – 2 Zeugen I • Beispiel Verkehrsunfall • Taxis einer Stadt • 85% der Taxis sind grün • 15% der Taxis sind blau • Bei Verkehrsunfall mit Taxi begeht Fahrer Fahrerflucht • 2 Unfallzeugen sagen aus: Das Taxi war blau • Muss die Firma mit blauen Taxis zahlen? • Rechtsanwalt der blauen Taxifirma • Prüft, wie gut Zeuge i die Farbe der Taxis erkennt • 80% der Fälle erkennt der Zeuge i Farbe (blau/grün) korrekt • Ereignisse • Ereignis B: Das Taxi ist blau • Ereignis ZiB: Zeuge i stuft das Taxi als blau ein • Gesucht P(B|Z1B ∩ Z2B) WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Taxifahrerproblem – 2 Zeugen II • Beispiel Verkehrsunfall (forts.) • 85% der Taxis sind grün P(B) = 0,85 • 15% der Taxis sind blau P( B) = 0,15 • 80% der Fälle erkennt Zeuge Farbe P(Z B | B) Daraus folgt P(Zi B | B) = 0,2 i Stephan Schosser 46 Bewertung von Urnenexperimenten 48 = 0,8 und P(Zi B | B) = 0,8 • Gesucht P(B|Z1B ∩ Z2B) P(B | Z1B ∩ Z 2 B) = P(Z1B ∩ Z 2 B | B)⋅ P(B) P(Z1B ∩ Z 2 B | B)⋅ P(B) + P(Z1B ∩ Z 2 B | B)⋅ P(B) • Annahme: Vorhersagefähigkeit der Zeugen ist unabhängig! P(Z1B | B)⋅ P(Z 2 B | B)⋅ P(B) P(Z1B | B)⋅ P(Z 2 B | B)⋅ P(B) + P(Z1B | B)⋅ P(Z 2 B | B)⋅ P(B) 0,8⋅ 0,8⋅ 0,15 P(B | Z1B ∩ Z 2 B) = = 0, 74 0,8⋅ 0,8⋅ 0,15 + 0, 2 ⋅ 0, 2 ⋅ 0,85 P(B | Z1B ∩ Z 2 B) = • Taxi war relativ sicher blau! WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 47 Bewertung von Urnenexperimenten 48 Taxifahrerproblem – 2 Zeugen III • Beispiel Verkehrsunfall (forts.) • 85% der Taxis sind grün P(B) = 0,85 • 15% der Taxis sind blau P( B) = 0,15 • 80% der Fälle erkennt Zeuge Farbe P(Z B | B) = 0,8 und P(Zi B | B) = 0,8 Daraus folgt P(Zi B | B) = 0,2 und P(Zi B | B) = 0,2 i • Gesucht P(B | Z1B∩ Z 2 B) P(B | Z1B ∩ Z 2 B) = P(Z1B ∩ Z 2 B | B)⋅ P(B) P(Z1B ∩ Z 2 B | B)⋅ P(B) + P(Z1B ∩ Z 2 B | B)⋅ P(B) • Annahme: Vorhersagefähigkeit der Zeugen ist unabhängig! P(Z1B | B)⋅ P(Z 2 B | B)⋅ P(B) P(Z1B | B)⋅ P(Z 2 B | B)⋅ P(B) + P(Z1B | B)⋅ P(Z 2 B | B)⋅ P(B) 0,8⋅ 0, 2 ⋅ 0,15 P(B | Z1B ∩ Z 2 B) = = 0,15 0,8⋅ 0, 2 ⋅ 0,15 + 0, 2 ⋅ 0,8⋅ 0,85 P(B | Z1B ∩ Z 2 B) = • Taxi war relativ sicher grün! WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B Stephan Schosser 48 Bewertung von Urnenexperimenten 48 Taxifahrerproblem – 2 Zeugen IV • Beispiel Verkehrsunfall (forts.) • 85% der Taxis sind grün P(B) = 0,85 • 15% der Taxis sind blau P( B) = 0,15 • 80% der Fälle erkennt Zeuge Farbe P(Z B | B) = 0,8 und P(Zi B | B) = 0,8 Daraus folgt P(Zi B | B) = 0,2 und P(Zi B | B) = 0,2 i • 1 Zeuge: P(B | Z1B) = 0, 41 • 2 Zeugen: P(B | Z1B ∩ Z 2 B) = 0, 74 P(B | Z1B ∩ Z 2 B) = 0,15 • Aussagekraft bei zwei Zeugen wird immer besser! • Sind zwei Aussagen unterschiedlich: relativ sicher grün • Sind zwei Aussagen gleich: relativ sicher blau WS12/13 Entscheidungstheorie, Wahrscheinlichkeit und Risiko – Teil B