Wahrscheinlichkeitstheorie für Ingenieure: Tutorial mit Beispielen 2026

Einführung in die Wahrscheinlichkeitstheorie für Ingenieure

Die Wahrscheinlichkeitstheorie ist ein unverzichtbares Werkzeug für Ingenieure, insbesondere im Bereich der Künstlichen Intelligenz und Datenwissenschaft. Ob beim Entwurf zuverlässiger Systeme oder beim Training von Machine-Learning-Modellen – überall begegnen uns Zufallsereignisse. In diesem Tutorial lernst du die grundlegenden Konzepte anhand klassischer Beispiele wie Würfeln, Ziehen ohne Zurücklegen und Systemzuverlässigkeit. Dabei nutzen wir aktuelle Bezüge aus dem Jahr 2026, etwa zu KI-Assistenten oder zur Analyse von Sportergebnissen.

Grundlagen: Zufallsexperimente und Ereignisse

Ein Zufallsexperiment ist ein Vorgang, dessen Ausgang nicht vorhersagbar ist. Typische Beispiele sind das Werfen eines fairen Würfels oder das Ziehen einer Karte. Die Menge aller möglichen Ergebnisse heißt Ergebnisraum Ω. Ein Ereignis ist eine Teilmenge von Ω. So ist beim zweimaligen Würfeln mit einem fairen sechsseitigen Würfel der Ergebnisraum Ω = {(1,1), (1,2), …, (6,6)} mit 36 gleich wahrscheinlichen Ergebnissen.

Betrachten wir das Ereignis A: „Die Augenzahl des ersten Wurfs ist kleiner als die des zweiten.“ Wie groß ist P(A)? Wir zählen günstige Paare: Für X1 = 1 gibt es 5 günstige (2-6), für X1 = 2 gibt es 4, …, für X1 = 5 gibt es 1. Insgesamt 5+4+3+2+1 = 15. Also P(A) = 15/36 = 5/12.

Ein weiteres Ereignis B: „Mindestens einmal eine 6“. Die Gegenwahrscheinlichkeit ist „keine 6“, also (5/6)*(5/6) = 25/36. Daher P(B) = 1 – 25/36 = 11/36.

Stetige Gleichverteilung und geometrische Wahrscheinlichkeit

Nicht immer sind die Ergebnisse diskret. Wählen Alice und Bob unabhängig voneinander eine reelle Zahl im Intervall [0,2] (gleichverteilt), so ist die Wahrscheinlichkeit eines Ereignisses proportional zu seiner Fläche im Quadrat [0,2]×[0,2].

Ereignis B: „Mindestens eine Zahl > 1/3“. Die Gegenwahrscheinlichkeit ist „beide Zahlen ≤ 1/3“, Fläche (1/3)*(1/3) = 1/9. Also P(B) = 1 – 1/9 = 8/9.

Ereignis C: „Die beiden Zahlen sind gleich“. Die Fläche der Diagonalen ist 0 (Linie hat keine Fläche), also P(C) = 0.

Ereignis A ∩ D: „|X – Y| > 1/3 und X > 1/3“. Hier zeichnet man die Region im Quadrat und berechnet die Fläche. Die Fläche für |X – Y| > 1/3 sind zwei Dreiecke mit Fläche (2 – 1/3)²/2? Nein, besser: Die Region, in der die Differenz > 1/3 ist, besteht aus zwei Dreiecken mit Seitenlänge 2 – 1/3 = 5/3. Die Fläche eines Dreiecks ist (5/3)²/2 = 25/18? Das stimmt nicht, weil die Dreiecke nicht bis zur Ecke reichen. Korrekt: Das Quadrat hat Seitenlänge 2. Der Streifen |X – Y| ≤ 1/3 hat Fläche 2*2 – (2 – 1/3)² = 4 – (5/3)² = 4 – 25/9 = 11/9. Also ist die Fläche für |X – Y| > 1/3 = 4 – 11/9 = 25/9. Nun muss X > 1/3 sein. Die Schnittfläche ist ein Trapez oder Dreieck. Am besten zeichnet man: Die Bedingung X > 1/3 schneidet aus den beiden Dreiecken nur das rechte Dreieck (X > Y) und einen Teil des linken? Da A symmetrisch ist, ist P(A ∩ D) = ? Man kann auch mit bedingten Wahrscheinlichkeiten arbeiten. Aber hier der Einfachheit halber: Die Fläche von A insgesamt ist 25/9. Da D die Hälfte des Quadrats betrifft (X > 1/3), ist P(A ∩ D) = (1/2)*P(A) wegen Symmetrie? Nicht ganz, weil A nicht symmetrisch bezüglich X ist. Tatsächlich ist A symmetrisch in X und Y, also P(A ∩ D) = P(A ∩ {Y > 1/3}) = ? Besser: Die Region A ∩ D ist das Dreieck mit X > Y + 1/3 und X > 1/3. Dieses Dreieck hat die Ecken (1/3, 0), (2, 2-1/3=5/3?) Nein, die Grenze ist X = Y + 1/3. Für X von 1/3 bis 2 ist Y von 0 bis X – 1/3. Die Fläche ist ∫_{X=1/3}^{2} (X – 1/3) dX = [ (1/2)X² – (1/3)X ] von 1/3 bis 2 = (2 – 2/3) – ( (1/2)*(1/9) – (1/3)*(1/3) ) = (4/3) – (1/18 – 1/9) = 4/3 – (1/18 – 2/18) = 4/3 – (-1/18) = 4/3 + 1/18 = 24/18 + 1/18 = 25/18. Das ist die Fläche. Also P(A ∩ D) = (25/18) / 4 = 25/72.

Bedingte Wahrscheinlichkeit und Unabhängigkeit

Ein zentrales Konzept ist die bedingte Wahrscheinlichkeit: P(A|B) = P(A∩B)/P(B). Beispiel: Wir werfen zwei faire Würfel. (a) Wahrscheinlichkeit für einen Pasch: 6/36 = 1/6. (b) Gegeben, die Summe ist ≤ 4, wie groß ist die Wahrscheinlichkeit für einen Pasch? Die möglichen Ergebnisse mit Summe ≤ 4 sind (1,1), (1,2), (1,3), (2,1), (2,2), (3,1) – insgesamt 6. Davon sind Paschs: (1,1) und (2,2) → 2. Also P(Pasch | Summe ≤ 4) = 2/6 = 1/3.

(c) Wahrscheinlichkeit für mindestens eine 6: 1 – (5/6)² = 11/36. (d) Gegeben, die beiden Augenzahlen sind verschieden: Es gibt 30 solche Paare. Davon enthalten die Paare mit mindestens einer 6: (6,1)…(6,5) und (1,6)…(5,6) → 10. Also P(mind. eine 6 | verschieden) = 10/30 = 1/3.

Anwendung: Qualitätskontrolle in der Produktion

In der industriellen Fertigung werden oft Stichproben gezogen. Beispiel: Eine Charge von 100 Teilen enthält 5 Defekte. Es werden 4 Teile zufällig ohne Zurücklegen getestet. Die Charge wird angenommen, wenn kein defektes Teil dabei ist. Die Wahrscheinlichkeit dafür ist: (95/100)*(94/99)*(93/98)*(92/97). Berechne: 95*94*93*92 / (100*99*98*97) ≈ 0,812. Oder mit Kombinatorik: Anzahl günstige = C(95,4) / C(100,4).

Systemzuverlässigkeit: Parallel- und Serienschaltung

In der Elektrotechnik sind Systeme oft aus Komponenten aufgebaut, die mit Wahrscheinlichkeit p funktionieren. Die Gesamtzuverlässigkeit hängt von der Struktur ab. Ein System mit drei Subsystemen in Serie ist nur operational, wenn alle drei Subsysteme funktionieren. Die Wahrscheinlichkeit dafür ist das Produkt der Einzelwahrscheinlichkeiten, sofern unabhängig. Bei Parallelschaltung ist die Wahrscheinlichkeit, dass mindestens einer funktioniert, 1 – (1-p)ⁿ.

Bedingte Wahrscheinlichkeit und der Satz von Bayes

Ein wichtiges Werkzeug ist der Satz von Bayes, der es erlaubt, Wahrscheinlichkeiten zu aktualisieren, wenn neue Informationen vorliegen. Nehmen wir an, du nimmst an einem Schachturnier teil. Die Spieler sind in drei Typen eingeteilt: 50% Typ 1 (Gewinnwahrscheinlichkeit 0,3), 25% Typ 2 (0,4), 25% Typ 3 (0,5). Du spielst gegen einen zufällig ausgewählten Gegner. Die gesamte Gewinnwahrscheinlichkeit ist: 0,5*0,3 + 0,25*0,4 + 0,25*0,5 = 0,15 + 0,1 + 0,125 = 0,375.

KI und Wahrscheinlichkeit: Modellierung von Unsicherheit

In der KI werden Wahrscheinlichkeiten genutzt, um Unsicherheit zu modellieren. Ein Beispiel ist die Naive-Bayes-Klassifikation, die auf dem Satz von Bayes basiert. Auch beim Training von neuronalen Netzen werden Wahrscheinlichkeitsverteilungen verwendet, etwa bei der Dropout-Regularisierung, um Overfitting zu vermeiden. Im Jahr 2026 sind KI-Assistenten wie ChatGPT allgegenwärtig – sie nutzen Wahrscheinlichkeiten, um das nächste Wort vorherzusagen.

Übungsaufgaben aus ECE2191

Hier sind einige Aufgaben, die du selbst lösen kannst:

Aufgabe 9: Ein Würfel A hat 4 rote und 2 weiße Seiten, Würfel B hat 2 rote und 4 weiße Seiten. Eine faire Münze entscheidet, welcher Würfel verwendet wird. Zeige, dass die Wahrscheinlichkeit für Rot bei jedem Wurf 1/2 ist. Berechne die bedingte Wahrscheinlichkeit für Rot im dritten Wurf, wenn die ersten beiden Würfe Rot waren. Wie groß ist die Wahrscheinlichkeit, dass Würfel A verwendet wird, wenn die ersten beiden Würfe Rot waren?
Aufgabe 10: In einer Stadt sind 50% der Wähler Unabhängige, 30% Liberale, 20% Konservative. Bei einer Wahl stimmten 35% der Unabhängigen, 60% der Liberalen und 50% der Konservativen. Welcher Anteil der Wähler hat gewählt? Wie groß ist die Wahrscheinlichkeit, dass ein zufällig ausgewählter Wähler, der gewählt hat, ein Unabhängiger ist?

Fazit

Die Wahrscheinlichkeitstheorie ist ein mächtiges Werkzeug für Ingenieure. Mit den hier vorgestellten Konzepten – von einfachen Würfelexperimenten bis zu komplexen Systemen – bist du gut gerüstet, um Unsicherheiten zu quantifizieren und fundierte Entscheidungen zu treffen. Ob in der KI, der Qualitätssicherung oder der Finanzwelt – die Prinzipien bleiben gleich. Übe regelmäßig mit Aufgaben aus deinem Kurs, um ein Gefühl für die Materie zu bekommen.