Mathematik für Biologiestudierende¶
Wintersemester 2023/24
- November 2023
© 2023 Prof. Dr. Rüdiger W. Braun
Public Climate School¶
Wahrscheinlichkeitsheorie¶
Wahrscheinlichkeit¶
- Was ist eine Wahrscheinlichkeit?
- Eine Wahrscheinlichkeit ist eine Modellannahme.
- Modellannahmen kommen her von
- beobachteten relativen Häufigkeiten
- abstrakten Überlegungen (z.B. faire Münze)
- Konstruktion aus Teilsystemen (z.B. mehrfacher Münzwurf)
- Überprüfung des Modells am Experiment
Modelle¶
- Die Wissenschaft arbeitet mit Modellen
- Das Forschungsobjekt der Naturwissenschaften kann meist nicht vollständig verstanden werden, weil es
- zu komplex ist (Organismus eines Säugetiers)
- zu schlecht zu beobachten ist (Atomkern, Galaxie)
- beides (Zellstoffwechsel)
- Also macht man sich ein Modell; zu den Modellannahmen gehören oft auch Wahrscheinlichkeiten
- Die wissenschaftliche Methode besteht darin, dass man Vorhersagen aus dem Modell ableitet und diese im Experiment überprüft (Falsifizierbarkeit)
Elementarereignisse¶
Welchen Objekten können Wahrscheinlichkeiten zugeordnet werden?
Diese Objekte sind die Elementarereignisse
Ein Elementarereignis ist ein Versuchsergebnis, das nicht aus kleineren Einheiten zusammengesetzt ist
Beispiel: Beim Experiment ``vierfacher Wurf einer fairen Münze'' gibt es 16 Elementarereignisse ('a': Adler, 'z': Zahl) \begin{array}{cccc} (a,a,a,a) & (a,a,a,z) & (a,a,z,a) & (a,a,z,z) \\ (a,z,a,a) & (a,z,a,z) & (a,z,z,a) & (a,z,z,z) \\ (z,a,a,a) & (z,a,a,z) & (z,a,z,a) & (z,a,z,z) \\ (z,z,a,a) & (z,z,a,z) & (z,z,z,a) & (z,z,z,z) \end{array}
Die Aussage "Die Münze ist fair" bedeutet, dass jedes dieser Elementarereignisse die Wahrscheinlichkeit $1/16$ besitzt
Ereignisse¶
- Elementarereignisse werden zu Ereignissen zusammengefasst
- Zum Beispiel interessiert \begin{equation*} A = \{ (a,a,z,z), (a,z,a,z), (a,z,z,a), (z,a,a,z), (z,a,z,a), (z,z,a,a) \} \end{equation*}
- Elementarereignisse werden häufig durch den griechischen Buchstaben $\omega$ bezeichnet Ereignisse durch große lateinische Buchstaben
- Spezielle Ereignisse:
- Das sichere Ereignis besteht aus allen möglichen Elementarereignissen für das gegebene Experiment. Es wird mit $\Omega$ bezeichnet. $\Omega$ heißt auch Ereignisraum.
- Das unmögliche Ereignis ist leer. Es wird mit $\emptyset$ bezeichnet.
Beispiele für Ereignisse¶
- Zweifacher Wurf eines Würfels: Der Ereignisraum ist \begin{align*} \Omega &= \begin{aligned}[t] \{ &(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), \\ &(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), \\ &(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), \\ &(4,1), (4,2), (4,3), (4,4), (4,5), (4,6), \\ &(5,1), (5,2), (5,3), (5,4), (5,5), (5,6), \\ &(6,1), (6,2), (6,3), (6,4), (6,5), (6,6) \} \end{aligned} \end{align*}
- Mit Pasch bezeichnet man das Ereignis \begin{equation*} A = \{(1,1), (2,2), (3,3), (4,4), (5,5), (6,6) \} \end{equation*}
- Das Ereignis "eine 3 und eine 4" ist \begin{equation*} B = \{(3,4), (4,3) \} \end{equation*}
Konstruktionen¶
Aus einfachen Ereignissen werden komplexere aufgebaut.
- Durchschnitt
- Vereinigung
- Differenz
- Komplement
- Produkt
Durchschnitt zweier Ereignisse¶
Der Durchschnitt $A \cap B$ zweier Ereignisse $A$ und $B$ besteht aus allen Elementarereignissen, die sowohl zu $A$ als auch zu $B$ gehören.
Vereinigung zweier Ereignisse¶
Die Vereinigung $A \cup B$ zweier Ereignisse $A$ und $B$ besteht aus allen Elementarereignissen, die zu mindestens einem der beiden Ereignisse gehören.
Differenz zweier Ereignisse¶
Die Differenz $A \setminus B$ zweier Ereignisse $A$ und $B$ besteht aus allen Elementarereignissen, die zu $A$, aber nicht zu $B$ gehören.
Komplement¶
Das Komplement $A^c$ eines Ereignisses $A$ besteht aus allen Elementarereignissen, die nicht zu $A$ gehören.
Mengensprechweise¶
Die Menge aller Elementarereignisse ist der Ereignisraum. Seine Teilmengen heißen (Zufalls)-Ereignisse. Die Mengenlehre dient uns als Sprechweise, Ereignisse kurz und zweifelsfrei zu beschreiben.
verbal | mathematisch |
---|---|
Ereignisse $A$ und $B$ treffen ein | $ A \cap B $ |
Ereignis $A$ oder Ereignis $B$ trifft ein | $ A \cup B $ |
Ereignis $A$ trifft nicht ein | $ A^c $ |
Ereignis $A$ trifft ein, Ereignis $B$ aber nicht | $ A \setminus B $ |
unmögliches Ereignis | $ \emptyset $ |
sicheres Ereignis (= Ereignisraum) | $ \Omega $ |
Elementarereignis $\omega$ gehört zu $A$ | $ \omega \in A $ |
Elementarereignis $\omega$ gehört nicht zu $A$ | $ \omega \notin A $ |
alle Elementarereignisse von $A$ gehören zu $B$ | $ A \subseteq B $ |
Beispiele für Mengensprech¶
$\Omega = \text{"Wurf eines Würfels"} = \{1,2,3,4,5,6\}$, $A = \text{"ungerade Zahl gewürfelt"} = \{1, 3, 5\}$ und $B = \text{"Zahl kleiner $4$ gewürfelt"} = \{1, 2, 3\}$
- $A \cap B = \{ 1, 3 \}$
- $A \cup B = \{ 1, 2, 3, 5 \}$
- $A^c = \{ 2, 4, 6 \}$
- $A \setminus B = \{ 5 \}$
- $A \cup B = \Omega \setminus \{ 4, 6 \}$
Produkt¶
- Gegeben zwei Ereignisräume $\Omega_1$ und $\Omega_2$ und in jedem ein Ereignis \begin{equation*} A \subseteq \Omega_1 \qquad B \subseteq \Omega_2 \end{equation*}
- Das Produktereignis $A \times B$ besteht aus allen Paaren $(a,b)$ mit $a \in A$ und $b \in B$
- Mathematisch \begin{equation*} A \times B = \{ (a,b) \mid a \in A,\, b \in B \} \end{equation*}
- Es ist ein Ereignis im Ereignisraum $\Omega_1 \times \Omega_2$
- Der Begriff des Produkts erlaubt die Modellierung von Messwiederholungen.
Ein Produkt mit 12 Elementen¶
$\color{blue} A = \{a_1, a_2, a_3\}$
$\color{green} B = \{b_1, b_2, b_3, b_4\} $
\begin{array}{c|cccc} & \color{green} b_1 & \color{green} b_2 & \color{green} b_3 & \color{green} b_4 \\\hline \color{blue} a_1 & (\color{blue} a_1, \color{green} b_1) & (\color{blue} a_1, \color{green} b_2) & (\color{blue} a_1, \color{green} b_3) & (\color{blue} a_1, \color{green} b_4) \\ \color{blue} a_2 & (\color{blue} a_2, \color{green} b_1) & (\color{blue} a_2, \color{green} b_2) & (\color{blue} a_2, \color{green} b_3) & (\color{blue} a_2, \color{green} b_4) \\ \color{blue} a_3 & (\color{blue} a_3, \color{green} b_1) & (\color{blue} a_3, \color{green} b_2) & (\color{blue} a_3, \color{green} b_3) & (\color{blue} a_3, \color{green} b_4) \end{array}
Beispiel für Produktereignis¶
Zweifacher Wurf eines Würfels \begin{align*} \Omega &= \{ 1,2,3,4,5,6\}^2 \\ &= \begin{aligned}[t] \{ &(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), \\ &(2,1), (2,2), (2,3), (2,4), (2,5), (2,6), \\ &(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), \\ &(4,1), (4,2), (4,3), (4,4), (4,5), (4,6), \\ &(5,1), (5,2), (5,3), (5,4), (5,5), (5,6), \\ &(6,1), (6,2), (6,3), (6,4), (6,5), (6,6) \} \end{aligned} \end{align*}
Wahrscheinlichkeiten¶
Konsistenzregeln¶
Für jedes Ereignis $A$ gebe es eine Zahl $P(A)$ mit
- (P1) $P(A) \ge0 $ für alle $A$
- (P2) $P(\Omega) = 1$
- (P3) $P(A \cup B) = P(A) + P(B)$, falls $ A $ und $ B $ disjunkte Ereignisse sind, also keine gemeinsamen Elementarereignisse enthalten
Dann ist $P$ eine Wahrscheinlichkeitsverteilung auf $\Omega$, und $(\Omega, P)$ ist ein wahrscheinlichkeitstheoretisches Modell des Zufallsexperiments
Rechenregeln¶
- $P(\emptyset) = 0$
- $P(A^c) = 1 - P(A)$
- $P(A \cup B) = P(A) + P(B)$, wenn $A \cap B = \emptyset$
- $P(A \cup B) = P(A) + P(B) - P(A\cap B)$
- wenn $A \subseteq B$, dann $P(A) \le P(B)$
Binomialkoeffizienten¶
Fakultät¶
- In der Lottotrommel sind 49 Kugeln. Alle Kugeln werden gezogen, die Reihenfolge wird notiert. Wie viele Möglichkeiten gibt es?
- Es gibt 49 Möglichkeiten für die erste Kugel, 48 für die zweite, 47 für die dritte, \dots, 2 für die 48-te (also die vorletzte), und 1 für die letzte
- Anzahl der Möglichkeiten: $$ 49 \cdot 48 \cdot 47 \cdots 3 \cdot 2 \cdot 1 $$
- Diese Zahl schreibt man $49!$
- Sprich "49 Fakultät"
Fakultät¶
- Die Zahl $$ n! = n \cdot (n-1) \cdot (n-2) \cdots 3 \cdot 2 \cdot 1 $$ bezeichnet man als \emph{Fakultät} von~$n$
- Sie gibt die Anzahl der Möglichkeiten an, $n$ verschiedene Objekte anzuordnen
- Jede solche Anordnung bezeichnet man als Permutation
- Beispiele $$ 1! = 1, 2! = 2, 3! = 6, 4! = 24, 5! = 120, 70! = 1.198 \cdot 10^{100} $$
- Außerdem definiert man $ 0! = 1 $
import scipy
scipy.special.factorial(70)
1.197857166996989e+100
scipy
: Bibliothek für wissenschaftliches Rechnen- gliedert sich in Teilbibliotheken
- eine davon ist
scipy.special
mit speziellen Funktionen - eine andere ist
scipy.stats
mit statistischen Funktionen
- eine davon ist
Es gibt auch Bibliotheken, die $49!$ genau ausrechnen können
$$ 49! = 608281864034267560872252163321295376887552831379210240000000000 $$
Ziehen ohne Zurücklegen unter Beachtung der Reihenfolge¶
- Aus der Lottotrommel werden 6 Kugeln gezogen
- Anzahl der Möglichkeiten unter Beachtung der Reihenfolge \begin{equation*} 49 \cdot 48 \cdot 47 \cdot 46 \cdot 45 \cdot 44 = 10 068 347 520 \end{equation*}
- Taschenrechner Taste
nPr
Ziehen ohne Zurücklegen ohne Beachtung der Reihenfolge¶
- Aus der Lottotrommel werden 6 Kugeln gezogen
- Anzahl der Möglichkeiten ohne Beachtung der Reihenfolge $$ \frac{49 \cdot 48 \cdot 47 \cdot 46 \cdot 45 \cdot 44}{6 \cdot 5 \cdot 4 \cdot 3 \cdot 2 \cdot 1} = 13 983 816 $$
- Diese Zahl ist gleich $$ \frac{49!}{6! \cdot 43!} $$
- Sie heißt "49 über 6" und man schreibt sie $ \displaystyle \begin{pmatrix} 49 \\ 6 \end{pmatrix} $
- Taschenrechner: Taste
nCr
Ziehen ohne Zurücklegen ohne Beachtung der Reihenfolge¶
- $n$ bezeichne die Gesamtzahl der Objekte, und $k$ bezeichne die Anzahl der Züge.
- $$ \begin{pmatrix} n \\k \end{pmatrix} = \frac{n!}{k! \cdot (n-k)!} = \frac{n \cdot (n-1) \cdots (n-k+2) \cdot (n-k+1)} {k \cdot (k-1) \cdots 2 \cdot 1} $$ ist die Anzahl der möglichen Auswahlen von $k$ Objekten aus $n$-Objekten.
- Die Zahl $ \begin{pmatrix} n \\ k \end{pmatrix} $ heißt Binomialkoeffizient. Man sagt "$n$ über $k$".
scipy.special.binom(49, 6)
13983816.0
weitere Beispiele für Binomialkoeffizienten¶
Wie viele Möglichkeiten gibt es, zwei Ecken eines Quadrats auszuwählen?
Die Antwort ist $$ \begin{pmatrix} 4 \\ 2 \end{pmatrix} = \frac{4 \cdot 3}{2 \cdot 1} = 6 $$
- Möglichkeiten, 3 Elemente aus 10 auszuwählen $$ \begin{pmatrix} 10 \\ 3 \end{pmatrix} = \frac{10 \cdot 9 \cdot 8}{3 \cdot 2 \cdot 1} = 120 $$
- Möglichkeiten, 7 Elemente aus 10 auszuwählen $$ \begin{pmatrix} 10 \\ 7 \end{pmatrix} = \frac{10 \cdot 9 \cdot 8 \cdot 7 \cdot 6 \cdot 5 \cdot 4}{7 \cdot 6 \cdot 5 \cdot 4 \cdot 3 \cdot 2 \cdot 1} = 120 $$
- Sieben Elemente auswählen heißt drei Elemente nicht auszuwählen
scipy.special.binom(10, 7)
120.0
scipy.special.binom(100, 33)
2.9469242702254086e+26
Rechenregeln für Binomialkoeffizienten¶
Für jedes $n$ und jedes $k \le n$ gelten
- $$ \begin{pmatrix} n \\ 0 \end{pmatrix} = 1 $$
- $$ \begin{pmatrix} n \\ 1 \end{pmatrix} = n $$
- $$ \begin{pmatrix} n \\ k \end{pmatrix} = \begin{pmatrix} n \\ n-k \end{pmatrix} $$
Diskrete Zufallsvariable¶
Zufallsvariable¶
- Zufallsexperiment wird durchgeführt, dessen Ergebnis ein Wert ist
- Das ist der Wert der Zufallsvariablen
- Zufallsvariablen heißen meist $X$, $Y$
- Mathematisch ausgedrückt: Eine Zufallsvariable ordnet jedem Elementarereignis $\omega$ eine Zahl $X(\omega)$ zu
- Beispiel 10-facher Wurf eines fairen Würfels: Die Anzahl der Sechsen definiert eine Zufallsvariable $X$
- Zufallsvariable lenken den Blick auf die interessanten Daten, indem sie die Elementarereignisse ausblenden
- Eine Zufallsvariable heißt diskret, wenn alle ihre Werte ganze Zahlen sind
- Andernfalls heißt sie kontinuierlich
Interpretation¶
Wahrscheinlichkeitstheorie | Experiment |
---|---|
Zufallsvariable $X$ | Messvorrichtung |
Ereignisraum $\Omega$ | Menge aller möglichen Versuchsabläufe |
Elementarereignis $\omega$ | beobachteter Versuchsablauf |
Wert $X(\omega)$ | beobachteter Messwert |
Beispiele für diskrete Zufallsvariable¶
- Augensumme beim Wurf zweier fairer Würfel
- Anzahl der $\alpha$-Teilchen, die in einem bestimmten Zeitraum auf einen Geiger-Müller Zähler treffen
- Alter eines einzelnen Versuchstiers in Wochen
- Anzahl der erkrankten Fische in einem Aquarium
- Anzahl der geheilten Fische bei einem Versuch
- Es ist durchaus nicht immer sofort klar, wie man die Wahrscheinlichkeit eines Ergebnisses modelliert
Beispiele für kontinuierliche Zufallsvariable¶
- Gewicht eines Versuchstiers
- Mittleres Gewicht einer Gruppe von Versuchstieren
- Mittleres Alter einer Gruppe von Versuchstieren
- Schadstoffgehalt im Blut eines Versuchstiers
Schreibweisen¶
$X$ eine Zufallsvariable auf $\Omega$. Wir schreiben zur Abkürzung (hierbei sind $a$ und $b$ irgendwelche Zahlen): \begin{align*} \{ X=a \} &= \{ \text{alle Elementarereignisse $ \omega $, für die $ X(\omega) = a $} \} \\ \{X \le a \} &= \{ \text{alle Elementarereignisse $ \omega $, für die $ X(\omega) \le a $} \} \\ \{ a < X \le b \} & = \{ \text{alle Elementarereignisse $ \omega $, für die $ a < X(\omega) \le b $} \} \end{align*}
Beispiel zur Schreibweise¶
- Dreifacher Wurf einer fairen Münze, also $\Omega = \{ A, Z \}^3$
- $X$ bezeichne die Anzahl der Würfe mit "Adler". Dann kann $X$ die Zahlen 0,1,2 und 3 annehmen
- $\{ X = 2 \} = \{ (A,A,Z), (A,Z,A), (Z,A,A) \}$
- $P(X=2) = \displaystyle\frac38 = 0.375$
- Statt $P(X=2)$ schreibt man auch $P_X(2)$
- Dann ist $ P_X $ eine Wahrscheinlichkeitsverteilung auf den ganzen Zahlen mit den folgenden Werten \begin{array}{c|cccc} n & 0 & 1 & 2 & 3 \\\hline \rule{0pt}{2.25ex} P_X(n) & \frac18 & \frac38 & \frac38 & \frac18 \end{array}
Binomialverteilung¶
Erfolgswahrscheinlichkeit¶
- $n$ unabhängige Wiederholungen eines ja/nein-Experiments
- das Ergebnis "ja" bezeichnet man als "Erfolg"
- die Wahrscheinlichkeit von "ja" sei~$p$, genannt Erfolgswahrscheinlichkeit im Einzelfall
- Erfolg kann dabei alles mögliche sein
- Münze zeigt Kopf
- Saatkorn keimt
- Fisch erkrankt an einem Parasiten
Binomialverteilung¶
- $B_{n,p}(k)$ ist die Wahrscheinlichkeit von genau $k$ Erfolgen, wenn ein ja/nein-Experiment mit Erfolgswahrscheinlichkeit $p$ genau $n$-mal unabhängig wiederholt wird $$ B_{n,p}(k) = \begin{pmatrix} n \\ k \end{pmatrix} \cdot p^k \cdot (1-p)^{n-k} $$
- $B_{n,p}$ bezeichnet man als Binomialverteilung
Beispiel: fairer Würfel¶
- Erfolg: Wurf einer 6
- Erfolgswahrscheinlichkeit im Einzelfall: $p = \frac16$
- Misserfolg: Wurf 1,2,3,4,5
- Misserfolgswahrscheinlichkeit im Einzelfall: $q = 1 - p = \frac56$
- Gesucht: Wahrscheinlichkeit von $A$ = {"genau 2 Erfolge bei 5 Würfen"}
- Antwort $\displaystyle B_{5,\,1/6}(2) = \begin{pmatrix} 5 \\ 2 \end{pmatrix} \left( \frac16 \right)^2 \left( 1 - \frac16 \right)^3 = 10 \cdot \frac1{36} \cdot \frac{125}{216} = 0.1608 $
- Wie kommt das zustande?
Binomialverteilung: Beispiel¶
$e$: Erfolg, $m$: Misserfolg, $q = 1 - p$
\begin{array}{ccc} P(eemmm) & = \color{blue} p \cdot \color{blue} p \cdot \color{green} q \cdot \color{green} q \cdot \color{green} q & = \color{blue} p^2 \cdot \color{green} q^3 \\ P(ememm) & = \color{blue} p \cdot \color{green} q \cdot \color{blue} p \cdot \color{green} q \cdot \color{green} q & = \color{blue} p^2 \cdot \color{green} q^3 \\ P(emmem) &= \color{blue} p \cdot \color{green} q \cdot \color{green} q \cdot \color{blue} p \cdot \color{green} q &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(emmme) &= \color{blue} p \cdot \color{green} q \cdot \color{green} q \cdot \color{green} q \cdot \color{blue} p &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(meemm) &= \color{green} q \cdot \color{blue} p \cdot \color{blue} p \cdot \color{green} q \cdot \color{green} q &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(memem) &= \color{green} q \cdot \color{blue} p \cdot \color{green} q \cdot \color{blue} p \cdot \color{green} q &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(memme) &= \color{green} q \cdot \color{blue} p \cdot \color{green} q \cdot \color{green} q \cdot \color{blue} p &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(mmeem) &= \color{green} q \cdot \color{green} q \cdot \color{blue} p \cdot \color{blue} p \cdot \color{green} q &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(mmeme) &= \color{green} q \cdot \color{green} q \cdot \color{blue} p \cdot \color{green} q \cdot \color{blue} p &= \color{blue} p^2 \cdot \color{green} q^3 \\ P(mmmee) &= \color{green} q \cdot \color{green} q \cdot \color{green} q \cdot \color{blue} p \cdot \color{blue} p &= \color{blue} p^2 \cdot \color{green} q^3 \end{array}
$P(A)$ ist dann die Summe, $P(A) = 10 \cdot p^2 \cdot q^3$.
from scipy import stats
P = stats.binom(5, 1/6)
P.pmf(2)
0.16075102880658423
pmf
probability mass distribution
Meeresschildkröten¶
- In einigen Gewässern Australiens finden sich in den Gelegen der Meeresschildkröten nur noch 1% männliche Eier.
- Mit welcher Wahrscheinlichkeit ist in einem Gelege mit 50 Eiern genau ein männliches?
P = stats.binom(50, 0.01)
P.pmf(1)
0.3055586197664328
P.pmf(2)
0.07561804226543027
anderer Blick auf dieselbe Frage¶
- von 100 Eiern sind 99 weiblich
- mit welcher Wahrschinlichkeitn sind in einem Gelege mit 50 Eiern genau 49 weibliche?
P = stats.binom(50, 0.99)
P.pmf(49)
0.30555861976643284