Bei der Wahrscheinlichkeit geht es darum, Unsicherheiten zu verstehen und fundierte Entscheidungen zu treffen. Jeden Tag begegnen wir Situationen, deren Ausgang ungewiss ist – sei es bei der Wettervorhersage oder beim Spielen eines Glücksspiels. In diesem Modul lernst du die Grundlagen der Wahrscheinlichkeit kennen, darunter die Definition von Versuchen, Ereignisräumen und Ereignissen. Außerdem lernst du den Unterschied zwischen einfachen und zusammengesetzten Ereignissen kennen. Einige wichtige Regeln helfen uns dabei, Wahrscheinlichkeiten effektiv zu berechnen und zu verstehen. Du lernst, wie du die Komplement-, Additions- und Multiplikationsregeln anwendest, um die Wahrscheinlichkeit verschiedener Ereignisse zu berechnen. Wir werden außerdem die bedingte Wahrscheinlichkeit und die Unabhängigkeit behandeln, damit Sie feststellen können, ob Ereignisse miteinander zusammenhängen oder völlig unabhängig sind. Zählgesetze wie Permutationen und Kombinationen helfen Ihnen zudem dabei, die Anzahl der möglichen Ergebnisse in verschiedenen Szenarien zu bestimmen. Abschließend stellen wir den Satz von Bayes vor, der ein leistungsstarkes Werkzeug zur Aktualisierung von Wahrscheinlichkeiten darstellt, sobald neue Informationen verfügbar werden. Am Ende dieses Moduls wirst du in der Lage sein, Wahrscheinlichkeitskonzepte zu definieren, wichtige Wahrscheinlichkeitsregeln anzuwenden, bedingte Wahrscheinlichkeiten zu analysieren, Zählprinzipien zu nutzen und den Satz von Bayes anzuwenden, um datengestützte Entscheidungen zu treffen.

In diesem Modul behandeln wir einige der grundlegendsten Konzepte der Statistik: Zufallsvariablen und Wahrscheinlichkeitsverteilungen. Diese Konzepte ermöglichen es uns, bereits besprochene wahrscheinlichkeitstheoretische Szenarien mathematisch zu modellieren. Insbesondere lernen Sie, wie Zufallsvariablen als Bindeglied zwischen Wahrscheinlichkeitstheorie und Analytik fungieren. Außerdem werden wir uns mit dem Unterschied zwischen diskreten und kontinuierlichen Zufallsvariablen befassen und einige Arten von Wahrscheinlichkeitsverteilungen untersuchen.

In diesem Modul werden wir einige wichtige diskrete Wahrscheinlichkeitsverteilungen untersuchen, die uns dabei helfen, Zufälligkeiten aus der realen Welt zu modellieren. Diese Verteilungen bieten einen strukturierten Ansatz zur Analyse von Unsicherheiten in alltäglichen Szenarien – von der Vorhersage fehlerhafter Produkte in der Fertigung bis hin zur Schätzung der Kundenankünfte in einem Servicezentrum. Wir behandeln die Binomial-, Negativ-Binomial-, Hypergeometrische und Poisson-Verteilung. Sie lernen, wie Sie die richtige Verteilung für das jeweilige Szenario auswählen, komplexe Situationen modellieren und den faszinierenden Poisson-Prozess verstehen, der zeitabhängige Ereignisse wie den Verkehrsfluss und Serveranfragen regelt. Am Ende dieses Moduls verfügen Sie über die Fähigkeiten, diskrete Wahrscheinlichkeitsverteilungen zu analysieren, zu modellieren und zu interpretieren – und so theoretische Konzepte in praktische Erkenntnisse umzusetzen!

In diesem Modul lernen wir eine weitere Art von Zufallsvariablen kennen: die stetigen Zufallsvariablen. Auf der Grundlage dieser anderen Art von Zufallsvariablen werden wir neue Arten von Wahrscheinlichkeitsverteilungen definieren. Wir werden die Arten stochastischer Variablen, die Verteilungsfunktionen für stochastische Variablen sowie die Gleichverteilung, die Normalverteilung und die Lognormalverteilung untersuchen. Am Ende dieses Moduls verfügen Sie über die Fähigkeiten, stochastische Variablen und Wahrscheinlichkeitsverteilungen zu analysieren, zu modellieren und zu interpretieren, wodurch Sie theoretische Konzepte in praktische Erkenntnisse umsetzen können.

In diesem Modul beschäftigen wir uns eingehender mit ständigen Wahrscheinlichkeitsverteilungen. Sie werden die Zusammenhänge zwischen der Exponential- und der Poisson-Verteilung bei der Modellierung von Ereigniszeitpunkten untersuchen und erfahren, wie die Gamma- und die Weibull-Verteilung bei der Analyse der Systemzuverlässigkeit und der Ausfallraten helfen. Außerdem werden Sie in die Beta-Verteilung eingeführt, ein flexibles Werkzeug zur Modellierung von Unsicherheiten in begrenzten Prozessen. Am Ende dieses Moduls werden Sie in der Lage sein, die richtige Verteilung für reale Probleme auszuwählen und anzuwenden, wichtige Parameter zu interpretieren und deren praktische Auswirkungen zu verstehen.

In diesem Modul befassen wir uns mit gemeinsamen Wahrscheinlichkeitsverteilungen – einem leistungsstarken Rahmenkonzept zur Analyse der Wechselwirkungen und Beziehungen zwischen mehreren Zufallsvariablen. Sie lernen, wie Sie Beziehungen zwischen zwei Zufallsvariablen modellieren und interpretieren, unabhängig davon, ob diese kontinuierlich oder diskret sind. Wir beginnen mit der Erläuterung der grundlegenden Konzepte gemeinsamer Wahrscheinlichkeitsverteilungen und untersuchen, wie diese das gleichzeitige Verhalten von Zufallsvariablen erfassen. Sie lernen, mithilfe von Rand- und bedingten Verteilungen aussagekräftige Erkenntnisse zu gewinnen, wodurch Sie sowohl das individuelle Verhalten von Variablen als auch deren Verhalten bei festen anderen Variablen verstehen können. Abschließend untersuchen wir die zentralen Konzepte der Kovarianz und Korrelation und entwickeln Ihre Fähigkeit, Abhängigkeitsbeziehungen zwischen Zufallsvariablen zu quantifizieren und zu bestimmen, ob sie sich gemeinsam, entgegengesetzt oder unabhängig voneinander bewegen. Am Ende dieses Moduls verfügen Sie über die notwendigen analytischen Werkzeuge, um komplexe Wahrscheinlichkeitssysteme mit zwei miteinander in Beziehung stehenden Variablen zu untersuchen – eine wesentliche Kompetenz für fortgeschrittene statistische Modellierung und Datenanalyse.