ABI - Wahrscheinlichkeitsmodelle kritisch prüfen

ABI - Wahrscheinlichkeitsmodelle kritisch prüfen

Mini-Beschreibung: Du prüfst, ob ein stochastisches Modell nicht nur rechnerisch korrekt, sondern auch sachlich geeignet ist. Im Mittelpunkt stehen Modellannahmen, Unabhängigkeit, konstante Wahrscheinlichkeiten und sinnvolle Stichprobenannahmen.

Einleitung

Ein Modell kann perfekt ausgerechnet und trotzdem schlecht gewählt sein. Genau diese Unterscheidung ist im Abitur wichtig:

$\text{korrekt gerechnet}\Rightarrow ̸\text{sachlich geeignetes Modell}$

Beispiel: Bei zehn unabhängigen Versuchen mit konstanter Erfolgswahrscheinlichkeit $p=\mathrm{0,2}$ darfst Du für die Anzahl $X$ der Erfolge ein Binomialmodell verwenden:

$X\sim B(10;\mathrm{0,2})$

Dann gilt etwa

$P(X=2)=(\genfrac{}{}{0ex}{}{10}{2})\cdot \mathrm{0,}{2}^2\cdot \mathrm{0,}{8}^8\approx \mathrm{0,302.}$

Die Rechnung ist korrekt. Ob das Modell passt, hängt aber davon ab, ob die zehn Versuche wirklich vergleichbar, unabhängig und mit demselben $p$ durchgeführt werden.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Lernziele

Nach diesem aiMOOC kannst Du

1. Modellannahmen einer stochastischen Modellierung explizit nennen.
2. Unabhängigkeit rechnerisch und im Sachkontext prüfen.
3. erkennen, wann eine konstante Wahrscheinlichkeit $p$ plausibel ist.
4. zwischen Ziehen mit und ohne Zurücklegen unterscheiden.
5. Stichproben auf Zufälligkeit, Repräsentativität und mögliche Verzerrungen prüfen.
6. erklären, warum eine richtige Rechnung ein ungeeignetes Modell nicht rettet.
7. im Basisfach verständig argumentieren und Verfahren sicher anwenden.
8. im Leistungsfach Annahmen zusätzlich formalisieren, Alternativmodelle begründen und Modellgrenzen präzise analysieren.

Abiturbezug Baden-Württemberg

Stand 27.09.2026: Für den Prüfungsjahrgang 2027 verweist der Facherlass Mathematik auf den Bildungsplan; im Leistungsfach gehört Stochastik zu den drei Sachgebieten der schriftlichen Prüfung. Dort gibt es einen Teil ohne Hilfsmittel und einen Teil mit zugelassenen Hilfsmitteln. Für den hilfsmittelgestützten Teil sind nach Facherlass die IQB-Formelsammlung und ein zugelassener wissenschaftlicher Taschenrechner vorgesehen.

Wichtig: GeoGebra, LearningApps, Videos und andere Werkzeuge in diesem Kurs sind Lern- und Übungswerkzeuge. Sie sind nicht automatisch zugelassene Prüfungshilfsmittel. Prüfe immer die für Deinen Prüfungsjahrgang gültige Fassung des Facherlasses.

Offizielle Abiturinformationen Baden-Württemberg

Bildungspläne Baden-Württemberg

Vorwissen-Check

Prüfe zuerst ohne Hilfsmittel:

1. Kannst Du $P(A\cap B)=P(A)\cdot P(B)$ als Kriterium für Unabhängigkeit deuten?
2. Weißt Du, welche Bedingungen zu einer Binomialverteilung führen?
3. Kannst Du erklären, warum Ziehen ohne Zurücklegen häufig Abhängigkeit erzeugt?
4. Kannst Du zwischen einer großen und einer repräsentativen Stichprobe unterscheiden?

<details> <summary>Kurze Rückmeldung</summary> Wenn Du bei mindestens zwei Punkten unsicher bist, wiederhole zuerst Baumdiagramme, bedingte Wahrscheinlichkeit und Binomialverteilung. Für diesen Kurs ist besonders wichtig, dass Du Formeln nicht nur anwenden, sondern ihre Voraussetzungen deuten kannst. </details>

Das Kernmodell: Bernoulli-Kette

Eine Bernoulli-Kette mit Länge $n$ modelliert wiederholte Versuche mit genau zwei betrachteten Ausgängen.

Für jeden Versuch $i$ kann man eine Indikatorvariable definieren:

$X_i=\{\begin{array}{cc}1& \text{Erfolg}\\ 0& \text{Misserfolg}\end{array}$

Für ein Binomialmodell werden insbesondere folgende Annahmen benötigt:

1. Die Zahl $n$ der Versuche ist festgelegt.
2. Pro Versuch gibt es bezogen auf die Fragestellung Erfolg oder Misserfolg.
3. Die Erfolgswahrscheinlichkeit ist konstant: $P(X_i=1)=p$.
4. Die Versuche sind unabhängig.

Dann ist

$X=X_1+\dots +X_n$

binomialverteilt:

$X\sim B(n;p)$

und

$P(X=k)=(\genfrac{}{}{0ex}{}{n}{k})p^k(1-p{)}^{n-k}.$

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Interaktives Modell: Parameter verändern

Verändere im GeoGebra-Modell $n$, $p$ und $k$. Beobachte, wie sich die Verteilung verändert.

Denkauftrag: Verändert eine andere Wahl von $p$ nur die Rechnung oder auch die Aussage über den realen Vorgang? Begründe.

Annahme 1: Unabhängigkeit kritisch prüfen

Zwei Ereignisse $A$ und $B$ sind unabhängig, wenn

$P(A\cap B)=P(A)\cdot P(B).$

Falls $P(B)>0$, äquivalent:

$P(A\mid B)=P(A).$

Das bedeutet: Die Information, dass $B$ eingetreten ist, verändert die Wahrscheinlichkeit von $A$ nicht.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Beispiel: Ziehen ohne Zurücklegen

In einer Urne liegen fünf rote und fünf blaue Kugeln. Zwei Kugeln werden ohne Zurücklegen gezogen.

Beim ersten Zug:

$P(R_1)=\frac{5}{10}=\frac{1}{2}.$

Falls zuerst Rot gezogen wurde:

$P(R_2\mid R_1)=\frac{4}{9}.$

Damit gilt

$P(R_2\mid R_1)\ne P(R_2).$

Die Ziehungen sind also nicht unabhängig.

Für zweimal Rot:

$P(R_1\cap R_2)=\frac{5}{10}\cdot \frac{4}{9}=\frac{2}{9}\approx \mathrm{0,222.}$

Ein fälschlich verwendetes Binomialmodell mit $p=\mathrm{0,5}$ ergäbe

$\mathrm{0,}{5}^2=\mathrm{0,25.}$

Fehlerdiagnose: Nicht die Multiplikation ist das Problem, sondern die falsche Annahme eines konstanten $p$ und unabhängiger Ziehungen.

Annahme 2: Konstante Wahrscheinlichkeit kritisch prüfen

Bei einer Bernoulli-Kette muss gelten:

$P(X_i=1)=p\text{für alle }i.$

Das ist im Sachkontext nicht automatisch gegeben.

Plausibel: Eine gut gemischte Urne mit Zurücklegen und erneutem Mischen.

Fraglich: Wiederholte Treffer eines Menschen, wenn Ermüdung, Lernen oder Druck die Trefferchance verändern.

Fraglich: Fehler eines technischen Systems, wenn Erwärmung oder Verschleiß die Ausfallwahrscheinlichkeit im Verlauf verändert.

Fraglich: Messungen aus verschiedenen Gruppen, wenn diese Gruppen unterschiedliche Grundwahrscheinlichkeiten besitzen.

Visueller Vergleich

Ein Binomialmodell bündelt viele Pfade mit demselben $p$. Schon kleine Änderungen der Modellannahmen können eine andere Verteilung erzeugen.

Experiment: Stelle $n=20$ ein und vergleiche $p=\mathrm{0,2}$, $p=\mathrm{0,5}$ und $p=\mathrm{0,8}$. Notiere jeweils Lage und Form der Verteilung.

Annahme 3: Stichprobe kritisch prüfen

Eine große Stichprobe ist nicht automatisch eine gute Stichprobe.

Entscheidend ist unter anderem, wie die Beobachtungen ausgewählt wurden.

Typische Fragen:

1. Aus welcher Grundgesamtheit stammt die Stichprobe?
2. Wie wurden Elemente ausgewählt?
3. Konnte Selbstselektion auftreten?
4. Gibt es systematische Ausfälle?
5. Sind Beobachtungen tatsächlich voneinander unabhängig?
6. Wird aus der Stichprobe weiter verallgemeinert, als die Auswahl erlaubt?

Merksatz: Mehr Daten reduzieren Zufallsschwankungen, aber nicht automatisch systematische Verzerrungen.

Vier Prüfsteine für Wahrscheinlichkeitsmodelle

Prüfstein	Leitfrage
Struktur	Gibt es wirklich die modellierten Ausgänge?
Unabhängigkeit	Beeinflusst ein Versuch den nächsten?
Konstantes p	Bleibt die Erfolgswahrscheinlichkeit plausibel gleich?
Stichprobe	Passt Auswahl und Datengrundlage zur Aussage?

Kurzschema für das Abitur:

Situation → Annahmen → Modell → Rechnung → Rückprüfung

Die letzte Stufe wird häufig vergessen.

Basisfach und Leistungsfach

Basisfach: Du sollst Modellannahmen erkennen, nachvollziehbar erläutern, einfache Gegenbeispiele geben und Ergebnisse im Kontext bewerten.

Leistungsfach: Zusätzlich solltest Du Annahmen formalisieren, bedingte Wahrscheinlichkeiten zur Prüfung von Unabhängigkeit einsetzen, Alternativmodelle vergleichen und begründen, warum ein Modell unter geänderten Bedingungen nicht mehr tragfähig ist.

Leistungsfach-Vertiefung: ohne Zurücklegen

Beim Ziehen ohne Zurücklegen aus einer endlichen Menge ist ein Binomialmodell häufig ungeeignet.

Sind unter $N$ Objekten genau $K$ Erfolge und werden $n$ Objekte ohne Zurücklegen gezogen, ist für die Zahl $X$ der Erfolge häufig ein hypergeometrisches Modell passend:

$P(X=k)=\frac{(\genfrac{}{}{0ex}{}{K}{k})(\genfrac{}{}{0ex}{}{N-K}{n-k})}{(\genfrac{}{}{0ex}{}{N}{n})}.$

Damit wird die Abhängigkeit durch das Ziehen ohne Zurücklegen korrekt berücksichtigt.

Modellvergleich: Nicht jede Abweichung vom Binomialmodell verlangt dieselbe Alternative. Entscheidend ist die Struktur des Sachverhalts.

Interaktive Beispiele

Beispiel A: Qualitätskontrolle

Ein Betrieb behauptet, bei jedem Bauteil liege die Fehlerwahrscheinlichkeit bei $p=\mathrm{0,02}$. Für 50 Bauteile wird $X\sim B(50;\mathrm{0,02})$ verwendet.

Prüfe: Was muss zusätzlich gelten?

<details> <summary>Hilfe</summary> Frage nicht zuerst nach der Formel. Frage, ob alle Bauteile unter vergleichbaren Bedingungen entstehen und ob Fehler eines Bauteils mit Fehlern anderer Bauteile zusammenhängen können. </details>

<details> <summary>Feedback</summary> Das Binomialmodell ist plausibel, wenn die einzelnen Fehlerereignisse hinreichend unabhängig sind und die Fehlerwahrscheinlichkeit für alle betrachteten Bauteile näherungsweise gleich bleibt. Schichtwechsel, Maschinenzustand oder Materialchargen können diese Annahmen verletzen. </details>

Beispiel B: Freiwürfe

Eine Person trifft langfristig 75 % ihrer Freiwürfe. Für die nächsten 20 Würfe wird $X\sim B(20;\mathrm{0,75})$ angesetzt.

Prüfe: Ist das automatisch korrekt?

<details> <summary>Hilfe</summary> Unterscheide zwischen einer beobachteten langfristigen Quote und einer in jedem einzelnen Versuch konstanten Trefferwahrscheinlichkeit. </details>

<details> <summary>Feedback</summary> Nein. Das Modell kann eine sinnvolle Näherung sein, aber Müdigkeit, Trainingseffekt oder wechselnde Bedingungen können Unabhängigkeit oder konstantes $p$ verletzen. </details>

Beispiel C: Online-Befragung

Eine freiwillige Online-Befragung erhält 20.000 Antworten.

Behauptung: „Die Stichprobe ist wegen ihrer Größe repräsentativ.“

<details> <summary>Feedback</summary> Die Behauptung folgt nicht aus der Größe allein. Selbstselektion kann systematische Verzerrungen erzeugen. Entscheidend ist der Auswahlmechanismus. </details>

Übungen mit Hilfen und Feedback

Übung 1: Modell auswählen

In einer Box liegen 100 Chips, davon 30 rot. Es werden zehn Chips gezogen.

Fall A: Nach jedem Zug wird der Chip zurückgelegt und neu gemischt.

Fall B: Es wird nicht zurückgelegt.

Entscheide, in welchem Fall ein Binomialmodell mit $p=\mathrm{0,3}$ direkt passt.

<details> <summary>Hilfe</summary> Prüfe, ob sich der Anteil roter Chips nach einem Zug verändert. </details>

<details> <summary>Feedback</summary> Fall A erfüllt bei gutem Mischen die typischen Voraussetzungen. In Fall B verändert sich die Zusammensetzung der Box und damit die bedingte Erfolgswahrscheinlichkeit. </details>

Übung 2: Rechenweg prüfen

Eine KI liefert für zwei Ziehungen ohne Zurücklegen aus fünf roten und fünf blauen Kugeln:

$P(RR)=\mathrm{0,5}\cdot \mathrm{0,5}=\mathrm{0,25.}$

Auftrag: Markiere die erste falsche Annahme und korrigiere den Rechenweg.

<details> <summary>Feedback</summary> Nach einer roten Kugel bleiben vier rote unter neun Kugeln. Daher gilt $P(RR)=\frac{1}{2}\cdot \frac{4}{9}=\frac{2}{9}$. Die KI-Ausgabe war formal einfach, aber sachlich falsch modelliert. </details>

Übung 3: Stichprobe prüfen

Eine Schule möchte die durchschnittliche Wartezeit in der Mensa untersuchen. Gemessen wird nur an einem einzigen Freitag unmittelbar nach einer Großveranstaltung.

Auftrag: Nenne zwei Modell- oder Stichprobenprobleme und entwickle eine bessere Erhebung.

<details> <summary>Hilfe</summary> Denke an verschiedene Wochentage, Uhrzeiten und besondere Ereignisse. </details>

<details> <summary>Feedback</summary> Der ausgewählte Zeitpunkt kann untypisch sein. Eine bessere Erhebung verteilt Beobachtungen zufällig oder systematisch über mehrere typische Tage und Zeitfenster. </details>

Fehleranalyse

Fehler 1: „Die Rechnung ist richtig, also stimmt das Ergebnis.“

Korrektur: Eine Rechnung kann nur innerhalb des gewählten Modells richtig sein.

Fehler 2: „Viele Versuche bedeuten Unabhängigkeit.“

Korrektur: Die Anzahl der Versuche sagt nichts über Unabhängigkeit aus.

Fehler 3: „Gleiche beobachtete Häufigkeit bedeutet konstantes $p$.“

Korrektur: Eine Gesamthäufigkeit kann aus wechselnden Einzelwahrscheinlichkeiten entstehen.

Fehler 4: „Große Stichprobe bedeutet repräsentative Stichprobe.“

Korrektur: Systematische Verzerrung kann auch bei sehr großen Stichproben bestehen bleiben.

Fehler 5: „KI oder Taschenrechner haben gerechnet, daher ist das Modell geprüft.“

Korrektur: Rechenwerkzeuge prüfen nicht automatisch die Sachannahmen. KI-Ausgaben mathematisch prüfen; sie ersetzen keinen Beweis und keine Modellbegründung.

Selbstkontrolle

Prüfe Dich ohne Lösungshinweise:

1. Ich kann die Voraussetzungen einer Binomialverteilung nennen.
2. Ich kann Unabhängigkeit mit $P(A\cap B)=P(A)P(B)$ prüfen.
3. Ich erkenne, wann $p$ durch den Prozess verändert wird.
4. Ich kann erklären, warum Ziehen ohne Zurücklegen häufig abhängig ist.
5. Ich kann eine Stichprobe auf Auswahlverzerrung untersuchen.
6. Ich kann zwischen Rechenfehler und Modellfehler unterscheiden.
7. Ich kann ein alternatives Modell begründen.
8. Ich kann eine KI-Rechnung fachlich kontrollieren.

Transfer

Transferfrage 1: Eine Maschine produziert vormittags mit Fehlerwahrscheinlichkeit $\mathrm{0,01}$, nachmittags mit $\mathrm{0,04}$. Darf man für 100 zufällig über den ganzen Tag ausgewählte Teile einfach $B(100;\mathrm{0,025})$ verwenden?

Denkweg:

$p_{\mathrm{v}\mathrm{o}\mathrm{r}\mathrm{m}\mathrm{i}\mathrm{t}\mathrm{t}\mathrm{a}\mathrm{g}\mathrm{s}}\ne p_{\mathrm{n}\mathrm{a}\mathrm{c}\mathrm{h}\mathrm{m}\mathrm{i}\mathrm{t}\mathrm{t}\mathrm{a}\mathrm{g}\mathrm{s}}$

Damit ist die Annahme eines für alle Teile identischen $p$ erklärungsbedürftig. Ein gemitteltes $p$ kann für manche Fragestellungen näherungsweise brauchbar sein, bildet die heterogene Produktion aber nicht vollständig ab.

Transferfrage 2: Eine App zeigt eine perfekt passende Binomialkurve zu beobachteten Daten. Beweist das eine Bernoulli-Kette?

Nein. Eine ähnliche Verteilungsform ist ein Hinweis, aber kein Beweis für Unabhängigkeit und konstantes $p$.

Kompetenzcheck

Basisfach

1. Beschreibe in eigenen Worten, warum ein Bernoulli-Modell beim Ziehen ohne Zurücklegen scheitern kann.
2. Deute eine Änderung von $P(A\mid B)$ gegenüber $P(A)$.
3. Beurteile eine Stichprobenaussage mit mindestens zwei sachlichen Argumenten.

Leistungsfach

1. Formuliere die Unabhängigkeitsbedingung formal.
2. Vergleiche Binomialmodell und hypergeometrisches Modell strukturell.
3. Begründe, welche Modellannahme bei einer zeitlich veränderlichen Erfolgswahrscheinlichkeit verletzt ist.
4. Entwickle aus einer Modellkritik eine mathematisch begründete Alternative.

Reflexion

Beantworte schriftlich:

1. Welche Modellannahme übersiehst Du am ehesten?
2. Woran erkennst Du, dass ein Rechenproblem eigentlich ein Modellierungsproblem ist?
3. Wann ist eine vereinfachende Annahme sinnvoll, obwohl sie nicht exakt erfüllt ist?
4. Welche Aussage würdest Du von einer KI nie ungeprüft übernehmen?

Folgekurs

Als nächster Lernschritt eignen sich:

1. Binomialverteilung vertiefen
2. Hypothesentests kritisch interpretieren
3. Konfidenzintervalle
4. Bedingte Wahrscheinlichkeit
5. Stochastische Unabhängigkeit
6. Erwartungswert und Standardabweichung
7. Mathematische Modellierung im Abitur

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welche Bedingung gehört zu einer Bernoulli-Kette? (Die Erfolgswahrscheinlichkeit bleibt konstant) (!Die Erfolgswahrscheinlichkeit steigt nach jedem Versuch) (!Jeder Versuch besitzt mindestens drei Ergebnisse) (!Die Zahl der Versuche ist zufällig)

Wann sind zwei Ereignisse A und B unabhängig? (P von A geschnitten B ist gleich P von A mal P von B) (!P von A geschnitten B ist immer null) (!P von A ist immer gleich P von B) (!A und B können nie gleichzeitig eintreten)

Was passiert beim Ziehen ohne Zurücklegen typischerweise mit der Erfolgswahrscheinlichkeit? (Sie kann sich von Zug zu Zug ändern) (!Sie bleibt immer exakt gleich) (!Sie wird immer null) (!Sie wird immer eins)

Warum kann eine große Stichprobe trotzdem ungeeignet sein? (Sie kann systematisch verzerrt ausgewählt sein) (!Große Stichproben enthalten keine Daten) (!Große Stichproben haben immer Wahrscheinlichkeit null) (!Ab 1000 Beobachtungen ist keine Statistik möglich)

Was zeigt eine mathematisch korrekte Rechnung sicher? (Das Ergebnis folgt aus den verwendeten mathematischen Annahmen) (!Das Modell beschreibt die Realität exakt) (!Alle Daten wurden zufällig ausgewählt) (!Die Modellannahmen wurden automatisch geprüft)

Welche Aussage spricht gegen Unabhängigkeit? (P von A unter der Bedingung B unterscheidet sich von P von A) (!P von A liegt zwischen null und eins) (!A ist ein Ereignis) (!Die Grundmenge enthält mehrere Ergebnisse)

Welches Modell passt typischerweise zu Ziehen ohne Zurücklegen aus einer endlichen Menge? (Ein hypergeometrisches Modell) (!Immer eine Gleichverteilung) (!Immer eine Normalverteilung) (!Immer eine Exponentialverteilung)

Was ist bei einer freiwilligen Online-Befragung besonders zu prüfen? (Selbstselektion) (!Ob jede Antwort gleich lang ist) (!Ob alle Zahlen ganzzahlig sind) (!Ob die Website ein Logo besitzt)

Was ist im Leistungsfach zusätzlich besonders wichtig? (Modellannahmen formal begründen und Alternativen vergleichen) (!Nur Ergebnisse auswendig lernen) (!Auf Begründungen verzichten) (!Jede Situation automatisch binomial modellieren)

Wie solltest Du mit einer KI-Ausgabe zu einem Wahrscheinlichkeitsmodell umgehen? (Rechnung und Modellannahmen selbst prüfen) (!Die Ausgabe ungeprüft übernehmen) (!Nur das Endergebnis lesen) (!Eine KI-Ausgabe als Beweis behandeln)

Memory

Bernoulli-Kette	Unabhängige gleichartige Wiederholungen mit konstantem p
Unabhängigkeit	Produktbedingung für gemeinsame Wahrscheinlichkeit
Konstantes p	Erfolgswahrscheinlichkeit bleibt gleich
Zufallsstichprobe	Auswahl nach einem zufälligen Verfahren
Selbstselektion	Teilnehmende entscheiden selbst über ihre Teilnahme
Modellkritik	Annahmen und Sachbezug systematisch prüfen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Mit Zurücklegen	Konstante Ziehwahrscheinlichkeit ist plausibel
Ohne Zurücklegen	Ziehwahrscheinlichkeit verändert sich häufig
Unabhängigkeit	Vorinformation ändert die Wahrscheinlichkeit nicht
Abhängigkeit	Bedingte Wahrscheinlichkeit kann sich ändern
Zufallsauswahl	Auswahlverzerrung wird reduziert
Selbstselektion	Auswahlverzerrung kann entstehen

Kreuzworträtsel

Bernoulli	Welcher Name bezeichnet eine Kette gleichartiger Versuche mit zwei betrachteten Ausgängen?
Unabhängigkeit	Welche Eigenschaft liegt vor, wenn eine Vorinformation die Wahrscheinlichkeit nicht verändert?
Stichprobe	Wie heißt die untersuchte Teilmenge einer Grundgesamtheit?
Selbstselektion	Wie heißt eine mögliche Verzerrung, wenn Personen selbst über ihre Teilnahme entscheiden?
Modellkritik	Wie heißt das systematische Prüfen von Annahmen und Sachbezug eines Modells?
Hypergeometrisch	Welches Modell passt typischerweise zu Ziehen ohne Zurücklegen aus einer endlichen Menge?

Lückentext

Vervollständige den Text.

Eine Binomialverteilung setzt eine feste voraus.

Bei unabhängigen Ereignissen gilt die .

Beim Ziehen ohne Zurücklegen kann sich verändern.

Eine große Stichprobe kann durch systematisch verzerrt sein.

Eine korrekte Rechnung garantiert noch kein .

Im Leistungsfach sollst Du Modellannahmen stärker .

Interaktive Lernwerkzeuge sind nicht automatisch .

KI-Ergebnisse müssen mathematisch werden.

Offene Aufgaben

Leicht

1. Modellannahmen sammeln: Wähle ein Zufallsexperiment aus dem Alltag und notiere vier Annahmen, die ein mathematisches Modell dafür benötigt.
2. Baumdiagramm erklären: Erstelle ein eigenes Baumdiagramm zu zwei Ziehungen und markiere, wo sich Wahrscheinlichkeiten ohne Zurücklegen ändern.
3. Fehlerkarte gestalten: Gestalte eine Karte mit dem Satz „Richtig gerechnet, falsch modelliert“ und ergänze ein eigenes Beispiel.
4. Medienanalyse: Erkläre an einem der Bilder dieses Kurses, welche Modellannahme dadurch sichtbar wird.

Standard

1. Datensimulation: Erzeuge ausschließlich synthetische Daten für eine Bernoulli-Kette und vergleiche beobachtete Häufigkeiten mit theoretischen Wahrscheinlichkeiten.
2. Stichprobenplan: Entwirf für eine schulische Wartezeitmessung einen möglichst verzerrungsarmen Stichprobenplan ohne personenbezogene Daten.
3. Modellvergleich: Vergleiche dasselbe Urnenexperiment einmal mit und einmal ohne Zurücklegen und begründe die Modellwahl.
4. KI-Prüfung: Lass Dir von einer KI einen Rechenweg zu einem selbst erfundenen Stochastikproblem erzeugen und prüfe jeden Modellschritt mathematisch.

Schwer

1. Gegenbeispiel entwickeln: Konstruiere Daten, die ungefähr binomial aussehen, obwohl die Einzelwahrscheinlichkeiten nicht konstant sind.
2. Abhängigkeit untersuchen: Entwickle ein zweistufiges Experiment, berechne bedingte Wahrscheinlichkeiten und weise Abhängigkeit formal nach.
3. Alternativmodell begründen: Formuliere eine Situation, in der ein Binomialmodell ungeeignet ist, und begründe ein besseres stochastisches Modell.
4. Abituraufgabe entwerfen: Entwickle eine materialgestützte Modellkritik-Aufgabe mit Basisfach- und Leistungsfach-Teil sowie Musterlösung.

Lernkontrolle

1. Modellfehler analysieren: Eine Lösung verwendet eine Binomialverteilung. Prüfe ohne Neuberechnung zuerst, welche vier Sachannahmen dafür erfüllt sein müssten und entscheide für jede Annahme anhand des Kontexts.
2. Zwei Modelle vergleichen: Stelle für ein Ziehen ohne Zurücklegen Binomial- und hypergeometrisches Modell gegenüber und erkläre, warum die Ergebnisse voneinander abweichen.
3. Stichprobe bewerten: Eine sehr große freiwillige Befragung wird als repräsentativ bezeichnet. Erkläre, warum die Größe allein diese Aussage nicht trägt, und entwickle einen besseren Auswahlmechanismus.
4. Abhängigkeit nachweisen: Zeige an einem selbst gewählten zweistufigen Zufallsexperiment mithilfe bedingter Wahrscheinlichkeiten, ob die Ereignisse unabhängig sind.
5. Transfer auf Technik: Eine Maschine verändert im Tagesverlauf ihre Fehlerquote. Entwickle mindestens zwei Modelle und diskutiere, für welche Fragestellung welches Modell sinnvoller ist.
6. KI-Ergebnis prüfen: Du erhältst einen formal korrekten KI-Rechenweg. Identifiziere mindestens eine mögliche nicht geprüfte Sachannahme und beschreibe, welche zusätzliche Information Du benötigst.

Lernnachweis

Für einen Lernnachweis solltest Du zeigen, dass Du

1. Voraussetzungen eines Binomialmodells sicher erkennst.
2. Unabhängigkeit formal und in Worten erklären kannst.
3. konstante und veränderliche Erfolgswahrscheinlichkeiten unterscheiden kannst.
4. Stichproben auf mögliche systematische Verzerrungen prüfst.
5. Rechenfehler und Modellfehler auseinanderhältst.
6. ein ungeeignetes Modell begründet zurückweist.
7. im Basisfach verständlich und kontextbezogen argumentierst.
8. im Leistungsfach zusätzlich formal begründest und Alternativmodelle vergleichst.
9. digitale Werkzeuge und KI kritisch kontrollierst.
10. die für Deinen Prüfungsjahrgang geltenden Hilfsmittelregelungen kennst.

OERs zum Thema

Wikipedia: Binomialverteilung

Wikipedia: Stochastische Unabhängigkeit

Freie Medien:

1. Wikimedia Commons: Binomial distributions
2. Freies Wahrscheinlichkeitsbaum-Diagramm
3. Freie Grafik zu Sampling Bias
4. Freie Grafik zu Random Sampling

Verknüpfte Lernbereiche

Wahrscheinlichkeitsmodelle Binomialverteilung Bernoulli-Kette Stochastische Unabhängigkeit Bedingte Wahrscheinlichkeit Stichprobe Hypothesentest Mathematische Modellierung