M9 E - Das Gesetz der großen Zahlen experimentell untersuchen

aiMOOC

M9 E - Das Gesetz der großen Zahlen experimentell untersuchen

QR-Code

Einleitung

Mini-Beschreibung: Simuliere Zufallsexperimente mit wachsender Versuchszahl und untersuche, wie sich relative Häufigkeiten stabilisieren. Du arbeitest mit Tabellenkalkulation, laufenden Diagrammen und mehreren unabhängigen Simulationen. Dabei prüfst Du besonders sorgfältig: Stabilisierung bedeutet nicht, dass bei einer endlichen Versuchszahl die relative Häufigkeit exakt gleich der Wahrscheinlichkeit sein muss.

Bei wenigen Versuchen kann eine relative Häufigkeit stark schwanken. Bei vielen Wiederholungen liegt sie typischerweise länger und enger in der Nähe der zugrunde liegenden Wahrscheinlichkeit.

$h_n(A)=\frac{H_n(A)}{n}$

Dabei ist $H_n(A)$ die absolute Häufigkeit des Ereignisses $A$ nach $n$ Versuchen und $h_n(A)$ die zugehörige relative Häufigkeit.

Wichtig: Das Gesetz der großen Zahlen verspricht keinen exakten Ausgleich nach einer bestimmten endlichen Versuchszahl. Auch nach sehr vielen Versuchen sind Abweichungen möglich.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Einordnung: Mathematik Klasse 9, Baden-Württemberg, E-Niveau

Der Schwerpunkt liegt auf Zufallsexperimenten, relativen Häufigkeiten, Wahrscheinlichkeiten, digitalen Simulationen und der kritischen Interpretation von Daten. Du untersuchst nicht nur einzelne Ergebnisse, sondern vergleichst mehrere Simulationsläufe, formulierst Verallgemeinerungen und prüfst Behauptungen durch Begründungen und Gegenbeispiele.

Schwerpunkt	E-Niveau
Experimentieren	Mehrere Zufallsexperimente mit wachsender Versuchszahl planen, simulieren und vergleichen
Darstellen	Laufende relative Häufigkeiten in Tabellen und Liniendiagrammen darstellen
Begründen	Stabilisierung mathematisch erklären und falsche Schlussfolgerungen widerlegen
Verallgemeinern	Von Münze und Würfel zu allgemeinen Ereignissen mit Wahrscheinlichkeit $p$ übergehen
Digital arbeiten	Tabellenkalkulation und Simulationen kontrolliert einsetzen und Ergebnisse kritisch prüfen

Lernziele

Nach diesem aiMOOC kannst Du:

1. Relative Häufigkeit: $h_n(A)=\frac{H_n(A)}{n}$ sicher berechnen und deuten.
2. Gesetz der großen Zahlen: experimentell beschreiben, was bei wachsendem $n$ mit relativen Häufigkeiten geschieht.
3. Simulation: Zufallsexperimente mit Münze, Würfel und selbst gewählten Modellen digital simulieren.
4. Diagramm: laufende relative Häufigkeiten in einem Liniendiagramm darstellen und interpretieren.
5. Gegenbeispiel: die falsche Aussage „Bei großem $n$ ist $h_n(A)=P(A)$“ widerlegen.
6. Modellkritik: prüfen, ob eine Simulation zum mathematischen Zufallsmodell passt.
7. Verallgemeinerung: das Verhalten für ein allgemeines Ereignis mit $P(A)=p$ formulieren.
8. Begründung: erklären, warum mehrere unabhängige Simulationsläufe nicht dieselbe Kurve liefern müssen.

Vorwissen-Check

Prüfe zunächst ohne Hilfsmittel.

Frage	Deine Prüfung
Eine Münze zeigt in 20 Würfen 13-mal Kopf. Wie groß ist die relative Häufigkeit?	$\frac{13}{20}=\mathrm{0,65}$
Wie groß ist bei einer idealen Münze $P(\text{Kopf})$?	$\mathrm{0,5}$
Wie groß ist bei einem idealen Würfel $P(6)$?	$\frac{1}{6}$
Sind relative Häufigkeit und Wahrscheinlichkeit dasselbe?	Nein. Die relative Häufigkeit stammt aus beobachteten Daten; die Wahrscheinlichkeit gehört zum Modell.

Wenn Du bei mindestens drei Zeilen sicher warst, kannst Du direkt starten. Sonst wiederhole kurz Absolute Häufigkeit, Relative Häufigkeit und Laplace-Experiment.

Kernidee: Beobachtung und Modell unterscheiden

Größe	Bedeutung	Beispiel Münze
$H_n(A)$	absolute Häufigkeit	53-mal Kopf
$n$	Versuchszahl	100 Würfe
$h_n(A)$	beobachtete relative Häufigkeit	$\frac{53}{100}=\mathrm{0,53}$
$P(A)$	Wahrscheinlichkeit im Modell	$\mathrm{0,5}$

Merksatz: Mit wachsender Versuchszahl wird die relative Häufigkeit eines Ereignisses typischerweise zu einem immer zuverlässigeren Schätzwert für seine Wahrscheinlichkeit. Die Kurve muss sich dabei nicht monoton annähern und sie muss bei keiner endlichen Versuchszahl exakt auf der Wahrscheinlichkeit liegen.

Experiment 1: Münzwürfe von Hand

Wir betrachten das Ereignis $A=\text{„Kopf“}$ mit

$P(A)=\frac{1}{2}=\mathrm{0,5}$.

Führe 30 Würfe durch. Berechne nach jedem fünften Wurf die laufende relative Häufigkeit.

$n$	$H_n(A)$	$h_n(A)=\frac{H_n(A)}{n}$	Abstand zu $\mathrm{0,5}$
5
10
15
20
25
30

Der Abstand zur Modellwahrscheinlichkeit kann mit

$d_n=|h_n(A)-\mathrm{0,5}|$

gemessen werden.

Denkfrage: Muss die Folge $d_5,d_{10},d_{15},\dots$ bei jedem Schritt kleiner werden?

Feedback anzeigen

Nein. Auch bei insgesamt stabilisierendem Verhalten kann der Abstand zwischendurch wieder größer werden.

Experiment 2: Tabellenkalkulation mit laufender Häufigkeit

Nutze LibreOffice Calc, Excel oder eine vergleichbare Tabellenkalkulation. Speichere keine personenbezogenen Daten.

Spalte	Inhalt	Beispielidee
A	Versuchszahl	1, 2, 3, 4, ...
B	Zufallszahl 0 oder 1	1 steht für Kopf
C	laufende Anzahl der Treffer	Summe von B bis zur aktuellen Zeile
D	laufende relative Häufigkeit	Trefferzahl geteilt durch Versuchszahl
E	Modellwahrscheinlichkeit	konstant $\mathrm{0,5}$
F	absolute Abweichung	$|h_n-\mathrm{0,5}|$

Beispiel für eine mögliche Formelstruktur:

$H_n=\sum _{i=1}^n{X}_i$

mit $X_i=1$ bei Treffer und $X_i=0$ sonst.

Dann gilt

$h_n=\frac{X_1+X_2+\dots +X_n}{n}$.

Erstelle aus den Spalten A, D und E ein Liniendiagramm. Die Kurve für $h_n$ soll sich laufend mit den simulierten Daten verändern. Die Linie $y=\mathrm{0,5}$ dient als Vergleich.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Digitale Qualitätskontrolle:

1. Prüfe zunächst die ersten 10 Zeilen von Hand.
2. Berechne für eine Zeile zusätzlich $\frac{H_n}{n}$ mit dem Taschenrechner.
3. Aktualisiere die Zufallszahlen mehrfach und beobachte, ob jedes Mal eine andere Kurve entsteht.
4. Kontrolliere, ob alle Werte von $h_n$ zwischen $0$ und $1$ liegen.
5. Prüfe KI-generierte Formeln selbst. Eine KI-Ausgabe ersetzt keine mathematische Begründung.

Interaktive Simulation mit GeoGebra

Starte mehrere Würfelsimulationen. Beobachte die relative Häufigkeit des Ereignisses „6“.

Für einen idealen Würfel gilt

$P(6)=\frac{1}{6}\approx \mathrm{0,1667}$.

Untersuche nacheinander:

1. Was geschieht bei $n=10$?
2. Was geschieht bei $n=100$?
3. Was geschieht bei $n=1000$?
4. Welche Unterschiede siehst Du zwischen mehreren Simulationsläufen?
5. Gibt es Läufe, bei denen die Kurve nach einer guten Annäherung wieder etwas weiter von $\frac{1}{6}$ weggeht?

Experiment 3: Würfel – mehrere Ereignisse vergleichen

Untersuche gleichzeitig:

$A=\{6\}$

$B=\{2,4,6\}$

$C=\{1,2\}$

Für einen idealen Würfel gilt:

$P(A)=\frac{1}{6}$

$P(B)=\frac{3}{6}=\frac{1}{2}$

$P(C)=\frac{2}{6}=\frac{1}{3}$

Simuliere jeweils mindestens 1000 Würfe und zeichne für jedes Ereignis eine laufende Häufigkeitskurve.

Ereignis	Wahrscheinlichkeit	relative Häufigkeit nach 100	nach 500	nach 1000
$A$	$\frac{1}{6}$
$B$	$\frac{1}{2}$
$C$	$\frac{1}{3}$

Vergleichsauftrag: Untersuche nicht nur die Endwerte. Vergleiche den gesamten Verlauf.

Experiment 4: Viele Simulationsläufe statt nur einer Kurve

Eine einzelne Simulation kann zufällig ungewöhnlich verlaufen. Deshalb wiederholst Du die Simulation zehnmal.

Für jeden Lauf $j$ notierst Du nach $n=1000$ den Endwert

$h_{1000}^{(j)}(A)$.

Berechne anschließend den größten beobachteten Abstand:

$d_{max}=\underset{j}{max}|h_{1000}^{(j)}(A)-P(A)|$.

E-Niveau-Frage: Warum ist ein Vergleich mehrerer unabhängiger Läufe aussagekräftiger als nur eine einzige Simulation?

Hilfestufe 1

Denke daran, dass auch eine Simulation selbst zufällig ist.

Hilfestufe 2

Mehrere Läufe zeigen, welche Schwankungsbreite typisch sein kann.

Feedback

Ein einzelner Lauf kann zufällig besonders nah oder besonders weit von $p$ liegen. Mehrere Läufe machen sichtbar, dass nicht ein bestimmter Kurvenverlauf, sondern ein Stabilisierungsmuster untersucht wird.

Visuelle Deutung der Stabilisierung

In dieser Darstellung werden viele Ziehungen betrachtet. Entscheidend ist nicht, dass jeder neue Punkt näher an der Zielwahrscheinlichkeit liegt. Entscheidend ist, dass große Abweichungen bei wachsender Versuchszahl typischerweise seltener werden.

Eine hilfreiche Toleranzidee lautet:

$|h_n(A)-p|<\epsilon$.

Beispiel für $p=\mathrm{0,5}$ und $\epsilon =\mathrm{0,05}$:

$\mathrm{0,45}<h_n(A)<\mathrm{0,55}$.

links	Toleranzbereich	rechts
$0$ ——— $\mathrm{0,45}$	$\mathrm{0,45}\le h_n\le \mathrm{0,55}$	$\mathrm{0,55}$ ——— $1$

Denkfrage: Wird garantiert, dass ab einem bestimmten von Dir beobachteten Versuch alle späteren Werte in diesem Intervall bleiben?

Antwort: Eine endliche Simulation liefert dafür keine Garantie. Sie liefert experimentelle Evidenz. Das mathematische Gesetz der großen Zahlen ist eine Grenzwertaussage.

Verallgemeinerung

Sei $A$ ein Ereignis mit

$P(A)=p$,

und sei

$X_i=\{\begin{array}{cc}1,& \text{falls }A\text{ im }i\text{-ten Versuch eintritt}\\ 0,& \text{sonst.}\end{array}$

Dann ist

$H_n(A)=X_1+X_2+\dots +X_n$

und

$h_n(A)=\frac{1}{n}\sum _{i=1}^n{X}_i$.

Für unabhängig wiederholte Versuche mit gleicher Trefferwahrscheinlichkeit $p$ gilt im Modell:

$E(X_i)=p$.

Damit:

$E(h_n)=\frac{1}{n}\sum _{i=1}^{n}E(X_i)=p$.

Die Varianz eines Bernoulli-Versuchs ist

$\mathrm{Var}(X_i)=p(1-p)$.

Bei Unabhängigkeit folgt:

$\mathrm{Var}(h_n)=\frac{p(1-p)}{n}$.

Weil

$\underset{n\to \mathrm{\infty }}{lim}\frac{p(1-p)}{n}=0$,

wird die Streuung der relativen Häufigkeit um $p$ immer kleiner.

E-Brücke zu Klasse 10: Diese Rechnung erklärt formal, warum die Häufigkeitswerte bei wachsendem $n$ stärker um $p$ konzentriert sind. Ein vollständiger Grenzwertbeweis des schwachen Gesetzes kann später mit einer Abschätzung wie der Tschebyscheff-Ungleichung formuliert werden.

Ein formaler Beweisschritt

Für $\epsilon >0$ kann man mit der Tschebyscheff-Ungleichung abschätzen:

$P(|h_n-p|\ge \epsilon )\le \frac{\mathrm{Var}(h_n)}{{\epsilon }^2}$.

Einsetzen ergibt:

$P(|h_n-p|\ge \epsilon )\le \frac{p(1-p)}{n{\epsilon }^2}$.

Für festes $p$ und festes $\epsilon$ gilt:

$\underset{n\to \mathrm{\infty }}{lim}\frac{p(1-p)}{n{\epsilon }^2}=0$.

Damit wird die Wahrscheinlichkeit einer Abweichung von mindestens $\epsilon$ im Grenzfall beliebig klein.

Achtung: Daraus folgt nicht, dass bei einer bestimmten endlichen Versuchszahl die Abweichung exakt null sein muss.

Gegenbeispiele prüfen

Behauptung 1: „Nach 1000 Würfen einer fairen Münze gibt es genau 500-mal Kopf.“

Gegenbeispiel: 503-mal Kopf und 497-mal Zahl ist möglich. Dann gilt

$h_{1000}(\text{Kopf})=\frac{503}{1000}=\mathrm{0,503}$.

Das liegt nahe bei $\mathrm{0,5}$, ist aber nicht exakt gleich.

Behauptung 2: „Wenn fünfmal hintereinander Zahl kam, ist Kopf im nächsten Wurf wahrscheinlicher.“

Bei unabhängigen Würfen einer fairen Münze gilt weiterhin

$P(\text{Kopf beim nächsten Wurf})=\frac{1}{2}$.

Die früheren Würfe erzeugen keinen „Ausgleichszwang“.

Behauptung 3: „Die relative Häufigkeit muss bei jedem Schritt näher an $p$ kommen.“

Falsch. Beispiel:

$h_{10}=\mathrm{0,5}$

und nach einem weiteren Treffer

$h_{11}=\frac{6}{11}\approx \mathrm{0,545}$.

Der Wert ist zunächst weiter von $\mathrm{0,5}$ entfernt.

Typische Fehler

Fehler	Korrektur
Wahrscheinlichkeit und relative Häufigkeit werden gleichgesetzt.	$P(A)$ gehört zum Modell, $h_n(A)$ zu den beobachteten Daten.
„Große Zahl“ wird als Garantie für exakte Gleichheit verstanden.	Das Gesetz beschreibt Stabilisierung beziehungsweise Konvergenz, nicht exakten endlichen Ausgleich.
Nur der letzte Simulationswert wird betrachtet.	Analysiere auch Verlauf, Schwankung und mehrere unabhängige Läufe.
Eine Tabellenformel wird ungeprüft übernommen.	Prüfe einzelne Zeilen von Hand und kontrolliere Wertebereiche.
Eine KI-Antwort wird als Beweis akzeptiert.	Prüfe Definitionen, Voraussetzungen, Rechenwege und Gegenbeispiele selbst.

Übung 1: Rechenweg sichtbar machen

Eine Münze wurde 80-mal geworfen. 46-mal trat Kopf auf.

Aufgabe: Berechne die relative Häufigkeit und ihre absolute Abweichung von $\mathrm{0,5}$.

Hilfestufe 1

Nutze $h_n=\frac{H_n}{n}$.

Hilfestufe 2

Berechne anschließend $|h_n-\mathrm{0,5}|$.

Lösung und Feedback

$h_{80}=\frac{46}{80}=\mathrm{0,575}$

$|\mathrm{0,575}-\mathrm{0,5}|=\mathrm{0,075}$

Die relative Häufigkeit weicht um $\mathrm{0,075}$, also 7,5 Prozentpunkte, von der Modellwahrscheinlichkeit ab.

Übung 2: Verlauf statt Endwert

Zwei Simulationen einer fairen Münze liefern nach 1000 Würfen:

$h_{1000}^{(1)}=\mathrm{0,492}$

$h_{1000}^{(2)}=\mathrm{0,508}$.

Aufgabe: Entscheide, ob eine der beiden Simulationen „richtiger“ ist.

Hilfestufe

Vergleiche die Abstände zu $\mathrm{0,5}$.

Feedback

Beide Werte haben denselben Abstand $\mathrm{0,008}$ von $\mathrm{0,5}$. Beide sind mögliche Simulationsergebnisse. Aus einem einzelnen Endwert folgt keine Rangordnung der Simulationen.

Übung 3: Toleranzintervall

Für ein Ereignis gilt $p=\mathrm{0,3}$. Untersucht werden Abweichungen von höchstens $\mathrm{0,02}$.

Aufgabe: Gib das Toleranzintervall an.

Lösung

$\mathrm{0,28}\le h_n\le \mathrm{0,32}$

Übung 4: Simulation kritisch prüfen

Eine Tabelle soll einen Würfel simulieren. Die verwendete Zufallsfunktion liefert aber nur die Werte 1 bis 5.

Aufgabe: Erkläre, warum das Ergebnis nicht zur Untersuchung eines idealen sechsseitigen Würfels geeignet ist.

Feedback

Die Simulation bildet die Ergebnismenge $\{1,2,3,4,5,6\}$ nicht korrekt ab. Das Ereignis „6“ hat in der Simulation Wahrscheinlichkeit $0$ statt $\frac{1}{6}$. Ein korrektes Zufallsmodell ist Voraussetzung für eine sinnvolle Auswertung.

Selbstkontrolle

Beantworte jede Aussage mit „stimmt“ oder „stimmt nicht“ und begründe.

Aussage	Kontrolle
Bei 100 Würfen muss Kopf genau 50-mal auftreten.	stimmt nicht
Bei wachsendem $n$ werden große relative Abweichungen typischerweise seltener.	stimmt
Nach zehnmal Zahl ist Kopf beim nächsten unabhängigen Wurf wahrscheinlicher als Zahl.	stimmt nicht
Unterschiedliche Simulationen dürfen unterschiedliche Häufigkeitskurven liefern.	stimmt
Eine digitale Simulation muss auf korrekte Modellannahmen geprüft werden.	stimmt

Transfer

Modell 1: Qualitätskontrolle

Ein Produktionsprozess erzeugt langfristig einen Ausschussanteil von ungefähr $p=\mathrm{0,02}$. Eine Simulation modelliert jedes Teil als Treffer oder Nichttreffer.

Untersuche, wie groß $n$ sein sollte, damit Du die Stabilisierung der relativen Ausschusshäufigkeit im Diagramm sinnvoll beobachten kannst. Vergleiche $n=100$, $n=1000$ und $n=10000$.

Modell 2: Glücksrad

Ein Glücksrad hat vier gleich große Sektoren. Für Rot gilt

$P(\text{Rot})=\frac{1}{4}$.

Simuliere mehrere Läufe und vergleiche ihre Kurven.

Modell 3: Unbekannte Wahrscheinlichkeit

Eine Blackbox erzeugt Treffer mit unbekanntem $p$. Du darfst nur Ergebnisse beobachten. Entwickle eine Strategie, um $p$ mithilfe großer Versuchszahlen zu schätzen. Begründe, warum Deine Schätzung eine Unsicherheit behält.

Kompetenzcheck E-Niveau

Kompetenz	Das kann ich
Ich kann $h_n(A)$ formal definieren.	□ sicher □ teilweise □ noch nicht
Ich kann mehrere Simulationsläufe vergleichen.	□ sicher □ teilweise □ noch nicht
Ich kann zwischen $h_n(A)$ und $P(A)$ unterscheiden.	□ sicher □ teilweise □ noch nicht
Ich kann ein Gegenbeispiel gegen „exakter Ausgleich“ formulieren.	□ sicher □ teilweise □ noch nicht
Ich kann erklären, warum $\mathrm{Var}(h_n)=\frac{p(1-p)}{n}$ kleiner wird.	□ sicher □ teilweise □ noch nicht
Ich kann eine digitale Simulation auf Modellfehler prüfen.	□ sicher □ teilweise □ noch nicht

Reflexion

1. Stabilisierung: Welche Beobachtung hat Dich am stärksten davon überzeugt, dass große Versuchszahlen hilfreich sind?
2. Abweichung: Warum ist ein kleiner Unterschied zwischen $h_n$ und $p$ kein Fehler?
3. Simulation: Welche Kontrolle würdest Du bei einer fremden Tabellenkalkulation zuerst durchführen?
4. Beweisidee: Was zeigt die Formel $\mathrm{Var}(h_n)=\frac{p(1-p)}{n}$?
5. Grenzen digitaler Werkzeuge: Welche Aussage kann eine Simulation nahelegen, aber nicht allein beweisen?

Folgekurs

Der nächste sinnvolle Schritt ist der Übergang zu Klasse 10 mit Bernoulli-Kette, Binomialverteilung, Erwartungswert, Varianz und der Frage, wie wahrscheinlich bestimmte Abweichungen von einem Erwartungswert sind.

Eine zentrale Verbindung lautet:

$X\sim B(n,p)$

mit

$E(X)=np$

und für die relative Häufigkeit

$h_n=\frac{X}{n}$.

Dann gilt

$E(h_n)=p$.

Weitere Medien und Vertiefung

Die Grafik zeigt, dass selbst bei gleicher Versuchszahl viele unabhängige Serien unterschiedliche relative Häufigkeiten erzeugen. Die Werte konzentrieren sich dennoch um die zugrunde liegende Wahrscheinlichkeit.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt $h_n(A)$? (Die relative Häufigkeit des Ereignisses A nach n Versuchen) (!Die theoretische Wahrscheinlichkeit ohne Beobachtung) (!Die absolute Häufigkeit aller Ergebnisse) (!Die Anzahl aller möglichen Ereignisse)

Wie berechnet man die relative Häufigkeit eines Ereignisses? (Absolute Häufigkeit durch Versuchszahl) (!Versuchszahl durch absolute Häufigkeit) (!Wahrscheinlichkeit mal Wahrscheinlichkeit) (!Absolute Häufigkeit plus Versuchszahl)

Was folgt aus dem Gesetz der großen Zahlen für endliche Versuchszahlen? (Relative Häufigkeiten stabilisieren sich typischerweise in der Nähe der Wahrscheinlichkeit) (!Relative Häufigkeit und Wahrscheinlichkeit sind immer exakt gleich) (!Nach 1000 Versuchen ist kein Zufall mehr vorhanden) (!Jedes Ergebnis tritt exakt gleich oft auf)

Welche Aussage über eine faire Münze ist richtig? (Die Wahrscheinlichkeit für Kopf bleibt bei unabhängigen Würfen gleich 0,5) (!Nach fünfmal Zahl muss Kopf folgen) (!Nach fünfmal Kopf ist Zahl sicher) (!Die Wahrscheinlichkeit hängt von der bisherigen Serie ab)

Warum sind mehrere Simulationsläufe nützlich? (Sie machen die zufällige Schwankung zwischen verschiedenen Läufen sichtbar) (!Sie erzwingen identische Endwerte) (!Sie beseitigen jede Modellunsicherheit) (!Sie machen die Wahrscheinlichkeit überflüssig)

Welche Größe misst den Abstand zwischen relativer Häufigkeit und Wahrscheinlichkeit? (Der Betrag der Differenz) (!Die Summe der beiden Werte) (!Das Produkt der beiden Werte) (!Die Versuchszahl allein)

Was bedeutet $\mathrm{Var}(h_n)=\frac{p(1-p)}{n}$ bei wachsendem n? (Die Streuung der relativen Häufigkeit wird kleiner) (!Die Wahrscheinlichkeit wird immer größer) (!Die Versuchszahl wird zufällig) (!Die relative Häufigkeit wird exakt konstant)

Was muss bei einer digitalen Simulation geprüft werden? (Ob der Zufallsgenerator das beabsichtigte Modell korrekt abbildet) (!Ob jede Simulation dieselbe Kurve erzeugt) (!Ob nur ganze Prozentwerte auftreten) (!Ob das Diagramm ohne Achsen auskommt)

Welches Gegenbeispiel widerlegt exakten Ausgleich nach 1000 Münzwürfen? (503-mal Kopf und 497-mal Zahl) (!500-mal Kopf und 500-mal Zahl) (!Eine Wahrscheinlichkeit von 0,5) (!Eine faire Münze)

Welche Aussage ist eine Grenzwertaussage? (Bei wachsender Versuchszahl werden größere relative Abweichungen zunehmend untypisch) (!Nach genau 100 Würfen ist die Häufigkeit exakt richtig) (!Jede Zufallsfolge gleicht sich nach zehn Schritten aus) (!Die nächste Beobachtung korrigiert automatisch die vorherige)

Memory

Relative Häufigkeit	$\frac{H_n(A)}{n}$
Wahrscheinlichkeit	Modellwert für ein Ereignis
Absolute Häufigkeit	Anzahl beobachteter Treffer
Stabilisierung	Schwankungen liegen bei großem n typischerweise enger um p
Simulation	digitales oder reales Nachbilden eines Zufallsexperiments
Abweichung	$|h_n-p|$

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Absolute Häufigkeit	Anzahl der Treffer
Relative Häufigkeit	Trefferanteil an allen Versuchen
Wahrscheinlichkeit	theoretischer Modellwert
Liniendiagramm	Verlauf der laufenden Häufigkeit
Gegenbeispiel	widerlegt eine zu starke allgemeine Behauptung

Kreuzworträtsel

Zufall	Wie heißt das nicht sicher vorhersagbare Element eines Zufallsexperiments?
Häufigkeit	Welcher Begriff bezeichnet, wie oft ein Ereignis auftritt?
Simulation	Wie heißt das digitale Nachbilden eines Zufallsexperiments?
Abweichung	Wie heißt der Abstand zwischen beobachtetem Wert und Modellwert?
Diagramm	Wie heißt eine grafische Darstellung eines Verlaufs?
Varianz	Welche Größe beschreibt die Streuung einer Zufallsvariable?

Lückentext

Vervollständige den Text.

Die relative Häufigkeit berechnet man als absolute Häufigkeit geteilt durch die . Bei einer idealen Münze beträgt die Wahrscheinlichkeit für Kopf . Mit wachsender Versuchszahl zeigt sich typischerweise eine der relativen Häufigkeit. Dabei muss die relative Häufigkeit bei einer endlichen Versuchszahl nicht der Wahrscheinlichkeit entsprechen. Mehrere Simulationsläufe machen die zufällige sichtbar. Ein laufendes hilft, den gesamten Verlauf statt nur den Endwert zu untersuchen. Digitale Ergebnisse müssen auf korrekte geprüft werden. Eine KI-Ausgabe ersetzt keinen mathematischen .

Offene Aufgaben

Leicht

1. Münzexperiment: Wirf eine Münze 50-mal und dokumentiere nach jeweils 10 Würfen die relative Häufigkeit von Kopf.
2. Diagramm erstellen: Übertrage Deine Werte in ein Liniendiagramm und zeichne die Vergleichslinie $y=\mathrm{0,5}$ ein.
3. Fehler finden: Formuliere eine falsche Aussage zum Gesetz der großen Zahlen und korrigiere sie mathematisch.
4. Simulation vergleichen: Vergleiche zwei digitale Münzsimulationen mit je 200 Versuchen und beschreibe Gemeinsamkeiten und Unterschiede.

Standard

1. Tabellenkalkulation: Entwickle eine Tabelle mit mindestens 1000 simulierten Münzwürfen und laufender relativer Häufigkeit.
2. Würfelsimulation: Simuliere das Ereignis „6“ in zehn Läufen mit je 1000 Würfen und vergleiche die Endwerte.
3. Toleranzbereich: Untersuche für $p=\mathrm{0,5}$, ab wann Deine Kurve erstmals in den Bereich $[\mathrm{0,45};\mathrm{0,55}]$ gelangt und ob sie später wieder herausläuft.
4. Modellprüfung: Prüfe eine selbst erstellte oder KI-generierte Simulation auf mindestens drei mögliche Fehlerquellen.

Schwer

1. Verallgemeinerung: Entwickle eine Simulation für ein beliebiges $p$ und untersuche mehrere Werte wie $\mathrm{0,1}$, $\mathrm{0,3}$ und $\mathrm{0,8}$.
2. Gegenbeweis: Widerlege die Behauptung, eine laufende relative Häufigkeit müsse sich monoton an $p$ annähern.
3. Streuungsmodell: Untersuche experimentell, wie sich die Streuung von $h_n$ bei $n=100$, $1000$ und $10000$ verändert.
4. Komplexes Modell: Entwickle ein Zufallsmodell mit zwei Ereignissen, simuliere mindestens 5000 Durchgänge und begründe, welche Wahrscheinlichkeiten Du aus den Daten schätzen kannst und welche Annahmen dafür nötig sind.

Lernkontrolle

1. Begründung Stabilisierung: Erkläre anhand von $\mathrm{Var}(h_n)=\frac{p(1-p)}{n}$, warum die relative Häufigkeit bei großen Versuchszahlen typischerweise weniger streut.
2. Gegenbeispiel Endlichkeit: Konstruiere ein mögliches Ergebnis von 2000 fairen Münzwürfen, bei dem die relative Häufigkeit nicht exakt $\mathrm{0,5}$ ist, aber dennoch gut zum Gesetz der großen Zahlen passt.
3. Simulation bewerten: Eine Simulation liefert nach 1000 Würfen $h_{1000}(6)=\mathrm{0,19}$. Begründe, warum dieser einzelne Wert weder beweist noch widerlegt, dass ein Würfel ideal ist.
4. Transfer Modellkritik: Beschreibe, welche Bedingungen erfüllt sein müssen, damit relative Häufigkeiten sinnvoll als Schätzer für eine feste Wahrscheinlichkeit interpretiert werden können.
5. Vergleich zweier Läufe: Zwei Häufigkeitskurven kreuzen mehrfach die Linie $y=p$. Erkläre, warum das weder ungewöhnlich noch ein Widerspruch zum Gesetz der großen Zahlen ist.
6. Digitale Prüfung: Entwickle ein Prüfverfahren, mit dem Du kontrollierst, ob eine Tabellenkalkulation das Ereignis mit der gewünschten Wahrscheinlichkeit simuliert.
7. Formale Verallgemeinerung: Leite aus $H_n=\sum _{i=1}^n{X}_i$ die Formel $h_n=\frac{1}{n}\sum _{i=1}^n{X}_i$ her und deute sie als Mittelwert von Indikatorvariablen.

Lernnachweis

Für einen Lernnachweis zu diesem Thema sind besonders wichtig:

1. Du kannst absolute und relative Häufigkeit unterscheiden und berechnen.
2. Du kannst $h_n(A)=\frac{H_n(A)}{n}$ sicher verwenden.
3. Du kannst Wahrscheinlichkeit und beobachtete Häufigkeit sprachlich und mathematisch auseinanderhalten.
4. Du kannst das Gesetz der großen Zahlen korrekt formulieren, ohne einen exakten endlichen Ausgleich zu behaupten.
5. Du kannst mehrere Simulationen planen, durchführen und mit laufenden Diagrammen auswerten.
6. Du kannst Abweichungen mit $|h_n-p|$ untersuchen.
7. Du kannst Gegenbeispiele gegen typische Fehlvorstellungen angeben.
8. Du kannst digitale Zufallsmodelle kritisch auf korrekte Modellannahmen prüfen.
9. Du kannst die Varianzformel $\mathrm{Var}(h_n)=\frac{p(1-p)}{n}$ deuten.
10. Du kannst Rechenweg, Darstellung und Begründung nachvollziehbar dokumentieren.

Verknüpfte Lernbereiche

Gesetz der großen Zahlen Zufallsexperiment Absolute Häufigkeit Relative Häufigkeit Wahrscheinlichkeit Simulation Liniendiagramm Bernoulli-Kette Binomialverteilung Erwartungswert Varianz