Stochastik (Klasse 13)
Abschnitt 1 Einleitung
Überblick: Stochastik in der Qualifikationsphase
In diesem Kurs lernst du die Stochastik der Qualifikationsphase:
- Erwartungswert, Varianz und Standardabweichung
- Faire Spiele
- Binomialverteilung
- Normalverteilung (eA)
- Sigmaregeln (eA)
- Konfidenzintervalle (eA)
Abschnitt 2 Erwartungswert
Erwartungswert: Definition und Berechnung
Der Erwartungswert $\mu$ (oder $E(X)$) einer Zufallsvariable $X$ ist der gewichtete Mittelwert aller möglichen Ergebnisse:
$\mu = E(X) = \sum_{i=1}^{n} x_i \cdot P(X = x_i)$
Der Erwartungswert gibt an, welchen Wert man im Durchschnitt bei vielen Wiederholungen eines Zufallsexperiments erwarten kann.
Beispiel: Erwartungswert eines Würfels
$E(X) = 1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + 3 \cdot \frac{1}{6} + 4 \cdot \frac{1}{6} + 5 \cdot \frac{1}{6} + 6 \cdot \frac{1}{6} = 3{,}5$
Aufgabe 2.1: Rechnen: Erwartungswert
Lade STACK-Frage...
Abschnitt 3 Varianz und Standardabweichung
Varianz und Standardabweichung: Streumaße
Die Varianz $\sigma^2$ misst die mittlere quadratische Abweichung vom Erwartungswert:
$\sigma^2 = V(X) = \sum_{i=1}^{n} (x_i - \mu)^2 \cdot P(X = x_i)$
Die Standardabweichung $\sigma$ ist die Wurzel der Varianz:
$\sigma = \sqrt{V(X)}$
Interpretation:
- Kleine Standardabweichung → Werte liegen nah am Erwartungswert
- Große Standardabweichung → Werte sind weit gestreut
Aufgabe 3.1: Rechnen: Erwartungswert, Varianz und Standardabweichung
Lade STACK-Frage...
Abschnitt 4 Faire Spiele
Faire Spiele: Definition und fairer Einsatz
Ein Glücksspiel heißt fair, wenn der Erwartungswert des Gewinns gleich dem Einsatz ist:
$E(\text{Gewinn}) = \text{Einsatz}$
Oder äquivalent: Der erwartete Reingewinn ist null:
$E(\text{Reingewinn}) = E(\text{Gewinn}) - \text{Einsatz} = 0$
Um ein Spiel fair zu machen, bestimmt man den fairen Einsatz $e$ so, dass $E(\text{Gewinn}) = e$.
Aufgaben-Set 4.1: Faire Spiele [0/4]
Lade Aufgabe...
Abschnitt 5 Voraussetzungen der Binomialverteilung
Voraussetzungen der Binomialverteilung
Die Binomialverteilung beschreibt Zufallsexperimente mit folgenden Voraussetzungen:
1. Das Experiment wird $n$-mal unabhängig wiederholt
2. Bei jeder Wiederholung gibt es genau zwei Ausgänge: Treffer (Wahrscheinlichkeit $p$) oder Niete ($1-p$)
3. Die Wahrscheinlichkeit $p$ ist bei jeder Wiederholung gleich
Beispiele:
- 10-maliges Werfen einer Münze ($n = 10$, $p = 0{,}5$)
- 20 Würfe mit einem Würfel, "6" als Treffer ($n = 20$, $p = \frac{1}{6}$)
Aufgaben-Set 5.1: Ist X binomialverteilt? [0/5]
Lade Aufgabe...
Abschnitt 6 Binomialkoeffizient
Binomialkoeffizient und Fakultät
Der Binomialkoeffizient gibt an, auf wie viele Arten man $k$ Elemente aus $n$ auswählen kann:
$\binom{n}{k} = \frac{n!}{k! \cdot (n-k)!}$
Dabei ist $n! = 1 \cdot 2 \cdot 3 \cdot \ldots \cdot n$ die Fakultät.
Beispiel: $\binom{6}{2} = \frac{6!}{2! \cdot 4!} = \frac{720}{2 \cdot 24} = 15$
Es gibt 15 Möglichkeiten, 2 Elemente aus 6 auszuwählen.
Aufgaben-Set 6.1: Fakultät und Binomialkoeffizient [0/4]
Lade Aufgabe...
Abschnitt 7 Binomialverteilung
Binomialverteilung: Formel und kumulative Wahrscheinlichkeiten
Die Wahrscheinlichkeit für genau $k$ Treffer bei $n$ Versuchen mit Trefferwahrscheinlichkeit $p$:
$P(X = k) = \binom{n}{k} \cdot p^k \cdot (1-p)^{n-k}$
Kumulative Wahrscheinlichkeiten:
- $P(X \leq k)$: Höchstens $k$ Treffer
- $P(X \geq k) = 1 - P(X \leq k-1)$: Mindestens $k$ Treffer
- $P(a \leq X \leq b)$: Treffer im Intervall $[a, b]$
In der Visualisierung kannst du $n$ und $p$ verändern und die Verteilung beobachten:
Zeichnung
Aufgaben-Set 7.1: Binomialverteilung: genau $k$ Treffer [0/3]
Lade Aufgabe...
Aufgaben-Set 7.2: Binomialverteilung: höchstens $k$ Treffer [0/3]
Lade Aufgabe...
Abschnitt 8 Kenngrößen der Binomialverteilung
Kenngrößen der Binomialverteilung: μ, σ² und σ
Für eine binomialverteilte Zufallsvariable $X$ mit Parametern $n$ und $p$ gilt:
Erwartungswert:
$\mu = n \cdot p$
Varianz:
$\sigma^2 = n \cdot p \cdot (1-p)$
Standardabweichung:
$\sigma = \sqrt{n \cdot p \cdot (1-p)}$
Diese Formeln ermöglichen schnelle Berechnungen ohne die gesamte Verteilung aufzustellen.
Aufgaben-Set 8.1: Kenngrößen der Binomialverteilung [0/4]
Lade Aufgabe...
Abschnitt 9 Prognoseintervall
Prognoseintervall: Schwankungsbereich der Trefferzahl
Das Prognoseintervall (auch Schwankungsintervall) gibt an, in welchem Bereich die Trefferzahl $X$ mit hoher Wahrscheinlichkeit liegt:
$[\mu - c \cdot \sigma; \; \mu + c \cdot \sigma]$
Dabei wählt man $c$ je nach gewünschtem Sicherheitsniveau:
- $c = 1$: ca. 68% Wahrscheinlichkeit
- $c = 2$: ca. 95% Wahrscheinlichkeit ($1{,}96\sigma$-Umgebung)
- $c = 3$: ca. 99,7% Wahrscheinlichkeit
Aufgaben-Set 9.1: Prognoseintervall [0/2]
Lade Aufgabe...
Abschnitt 10 Anwendungen
Anwendungen der Binomialverteilung
Die Binomialverteilung findet in vielen Bereichen Anwendung:
- Qualitätskontrolle: Wie wahrscheinlich ist es, dass höchstens 3 von 100 Produkten fehlerhaft sind?
- Überbuchung: Wie viele Plätze darf eine Airline überbuchen?
- Medizin: Wie wahrscheinlich ist ein bestimmter Therapieerfolg?
Typische Aufgabenformate verlangen:
1. Parameter $n$ und $p$ identifizieren
2. Die passende Wahrscheinlichkeit berechnen
3. Das Ergebnis im Sachzusammenhang interpretieren
Aufgaben-Set 10.1: Überbuchung eines Flugzeugs [0/3]
Lade Aufgabe...
Aufgaben-Set 10.2: Wärmebohrung [0/3]
Lade Aufgabe...
Abschnitt 11 Normalverteilung eA
Normalverteilung: Dichtefunktion und Eigenschaften
Die Normalverteilung (Gauß-Verteilung) mit Parametern $\mu$ und $\sigma$ hat die Dichtefunktion:
$\varphi_{\mu,\sigma}(x) = \frac{1}{\sigma\sqrt{2\pi}} \cdot e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}$
Eigenschaften:
- Symmetrisch um $\mu$ (Glockenform)
- Wendepunkte bei $\mu \pm \sigma$
- Fläche unter der Kurve = 1
In der Visualisierung kannst du $\mu$ und $\sigma$ verändern:
Zeichnung
Aufgabe 11.1: Rechnen: Normalverteilung
Lade STACK-Frage...
Aufgaben-Set 11.2: Normalverteilung: Anwendungen [0/3]
Lade Aufgabe...
Abschnitt 12 Sigmaregeln eA
Sigmaregeln: Wahrscheinlichkeiten in Sigma-Umgebungen
Die Sigmaregeln geben an, wie viel Prozent der Werte in bestimmten Intervallen um den Erwartungswert liegen:
| Intervall | Wahrscheinlichkeit |
|---|---|
| $[\mu - \sigma; \; \mu + \sigma]$ | $\approx 68{,}3\%$ |
| $[\mu - 1{,}96\sigma; \; \mu + 1{,}96\sigma]$ | $\approx 95\%$ |
| $[\mu - 2\sigma; \; \mu + 2\sigma]$ | $\approx 95{,}4\%$ |
| $[\mu - 2{,}58\sigma; \; \mu + 2{,}58\sigma]$ | $\approx 99\%$ |
| $[\mu - 3\sigma; \; \mu + 3\sigma]$ | $\approx 99{,}7\%$ |
Die Sigmaregeln gelten exakt für die Normalverteilung und näherungsweise für die Binomialverteilung (bei großem $n$).
Aufgaben-Set 12.1: Sigmaregeln anwenden [0/3]
Lade Aufgabe...
Abschnitt 13 Konfidenzintervalle eA
Konfidenzintervalle: Schätzung des Parameters p
Ein Konfidenzintervall schätzt den unbekannten Parameter $p$ einer Binomialverteilung aus einer Stichprobe:
Aus einer Stichprobe mit $n$ Versuchen und $k$ Treffern (relative Häufigkeit $h = \frac{k}{n}$) ergibt sich das Konfidenzintervall:
$\left[h - c \cdot \sqrt{\frac{h(1-h)}{n}}; \; h + c \cdot \sqrt{\frac{h(1-h)}{n}}\right]$
mit $c$ abhängig vom Konfidenzniveau:
- 90%: $c \approx 1{,}64$
- 95%: $c \approx 1{,}96$
- 99%: $c \approx 2{,}58$
Beispiel: $n = 400$ Befragte, davon 200 dafür, also $h = 0{,}5$. Für 95 %:
$1{,}96 \cdot \sqrt{\frac{0{,}5 \cdot 0{,}5}{400}} = 1{,}96 \cdot 0{,}025 = 0{,}049$, das Intervall ist $[0{,}451; \; 0{,}549]$.
Das Konfidenzintervall überdeckt den wahren Wert $p$ mit der angegebenen Wahrscheinlichkeit.
Aufgabe 13.1: Rechnen: Konfidenzintervall
Lade STACK-Frage...
Abschnitt 14 Lückentexte
Lückentext 14.1: Lade...
⏳ Lade Aufgabe vom Server...
Lückentext 14.2: Lade...
⏳ Lade Aufgabe vom Server...
Abschnitt 15 Wiederholung – Training quer durch das Kapitel
So läuft die Wiederholung
Dieses Thema bringt nichts Neues. Es prüft, welche der vier Werkzeuge schon sitzen — und schickt dich genau dorthin zurück, wo es noch klemmt.
Ablauf:
1. Runden-Training (W-Phase). Pro Runde bekommst du je eine Aufgabe aus vier Bereichen: Erwartungswert und faire Spiele, Binomialverteilung, Kenngrößen, Prognoseintervall. Nach jeder Runde siehst du eine Prozent-Tabelle — eine Spalte pro Bereich. Schreib sie ab, sie verschwindet beim Umschalten.
2. Gezieltes Training (E-Phase). Ab der zweiten Runde darfst du umschalten. Dann werden dir deine drei schwächsten Bereiche angeboten; zwei davon kannst du als adaptive Aufgabenfolge trainieren: richtig → schwerer, falsch → leichter.
3. Kapitel-Mix. Wer durch ist, nimmt den Aufgabenpool darunter — dort liegen auch die Typen, die im Training nicht vorkommen: die Richtig-/Falsch-Fragen zu den Voraussetzungen, die beiden Lückentexte und die eA-Themen Normalverteilung, Sigmaregeln und Konfidenzintervall.
Der Taschenrechner gehört dazu. Über jeder Aufgabe steht ein Link zum passenden Thema. Wenn du nicht weiterweißt: erst dort nachlesen, dann zurück zur Aufgabe.
Die vier Werkzeuge auf einen Blick
| Werkzeug | Womit du rechnest | Woran du es erkennst |
|---|---|---|
| Erwartungswert, Varianz, faire Spiele | $\mu = \sum x_i \cdot P(X = x_i)$, $\;V = \sum (x_i - \mu)^2 \cdot P(X = x_i)$, $\;\sigma = \sqrt{V}$. Fair ist ein Spiel, wenn der Einsatz dem Erwartungswert des Gewinns entspricht. | Eine Liste von Werten mit Wahrscheinlichkeiten; „durchschnittlich", „auf lange Sicht", „fairer Einsatz", „fairer Gewinn" |
| Binomialkoeffizient und Binomialverteilung | $n! = 1 \cdot 2 \cdot \ldots \cdot n$, $\;\binom{n}{k} = \frac{n!}{k! \cdot (n-k)!}$, $\;P(X = k) = \binom{n}{k} \cdot p^k \cdot (1-p)^{n-k}$. Kumuliert: $P(X \leq k)$ ist die Summe von $k=0$ an. | $n$ gleiche Versuche, zwei Ausgänge, festes $p$; „genau $k$ Treffer", „höchstens $k$", „mindestens $k$" |
| Kenngrößen der Binomialverteilung | $\mu = n \cdot p$ und $\sigma = \sqrt{n \cdot p \cdot (1-p)}$ — und beides rückwärts: $p = \frac{\mu}{n}$, $\;n = \frac{\sigma^2}{p \cdot (1-p)}$. | Gegeben sind nur $n$ und $p$ (oder zwei der vier Größen), gefragt ist ein Kennwert — nicht eine einzelne Wahrscheinlichkeit |
| Prognoseintervall und Anwendungen | Das kleinste symmetrische Intervall um $\mu$, in das die Trefferzahl mit der geforderten Wahrscheinlichkeit fällt. In Sachaufgaben: Erlös und Gewinn als Erwartungswert, Mindestanzahl über die kumulierte Wahrscheinlichkeit. | „mit 90 % Wahrscheinlichkeit liegt die Anzahl zwischen …", „wie viele … mindestens", „lohnt sich das" |
Die drei Sätze, die alles zusammenhalten:
- Der Erwartungswert ist ein Durchschnitt, kein Ergebnis. $\mu = 3{,}5$ beim Würfel ist eine Augenzahl, die nie fällt — und trotzdem die richtige Antwort.
- Binomial wird nur gerechnet, wenn drei Dinge stimmen: feste Anzahl $n$, genau zwei Ausgänge, konstantes $p$ (also mit Zurücklegen). Fehlt eines davon, ist die Formel falsch — egal wie plausibel die Zahlen aussehen.
- $\mu$ und $\sigma$ sind dieselben Begriffe wie ganz am Anfang. Bei der Binomialverteilung braucht man die lange Summe nicht mehr, weil $n$ und $p$ schon alles festlegen.
K-Set 15.1: Stochastik: vier Bereiche im Wechsel Runde 0 / 3
Aufgabenpool 15.2: Kapitel-Mix – alle Themen gemischt [0/16]
Lade Aufgabe...
Erweiterte Information
Sie sind die Werkzeuge, mit denen sich jede Aufgabe dieses Kapitels bearbeiten lässt — und sie bauen aufeinander auf: Erwartungswert und Varianz liefern die Sprache, der Binomialkoeffizient die Formel, die Kenngrößen die Abkürzung, das Prognoseintervall die Anwendung. Ohne den Erwartungswert ist „fair" ein Gefühl; ohne die Formel bleibt jede Sachaufgabe ein Ratespiel.
Wer in einem Bereich unter 50 % liegt, arbeitet am besten von oben nach unten: erst das frühere Thema, dann das spätere.
Zwei Dinge, die im Training nicht vorkommen, in der Klausur aber sehr wohl: die Voraussetzungen der Binomialverteilung (die fünf Richtig-/Falsch-Fragen ganz oben im Kapitel-Mix) und die eA-Themen Normalverteilung, Sigmaregeln und Konfidenzintervall. Beides steht im Aufgabenpool.