Aufgabenbeispiele von Wiederholung aus 9/10
Durch Aktualisieren des Browsers (z.B. mit Taste F5) kann man neue Beispielaufgaben sehen
Binomialvert. mit variablem n (höchst.)
Beispiel:
Im einem Mathekurs beträgt die Wahrscheinlichkeit, dass ein klassischer GeSchwa-Fehler begangen wird, p=0,3. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 70% maximal 38 dieser Fehler begeht?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 119 | 0.7153 |
| 120 | 0.6942 |
| 121 | 0.6725 |
| 122 | 0.6504 |
| 123 | 0.628 |
| 124 | 0.6052 |
| 125 | 0.5822 |
| 126 | 0.5591 |
| 127 | 0.536 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.3 und variablem n.
Es muss gelten: ≥ 0.7
Jetzt müssen wir eben so lange mit verschiedenen Werten von n probieren, bis diese Gleichung erstmals erfüllt wird:
Dabei stellt sich nun natürlich die Frage, mit welchem Wert für n wir dabei beginnen. Im Normalfall enden 30% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 127 Versuchen auch ungefähr 38 (≈0.3⋅127) Treffer auftreten.
Wir berechnen also mit unserem ersten n=127:
≈ 0.536
(TI-Befehl: Binomialcdf ...)
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.7 entfernt ist, erhöhen bzw. verkleinern wir das n eben in größeren oder kleineren Schrittweiten.
Dies wiederholen wir solange, bis wir zwei aufeinanderfolgende Werte von n gefunden haben, bei denen die 0.7 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass letztmals bei n=119 die gesuchte Wahrscheinlichkeit über 70% ist.
kumulierte Binomialverteilung
Beispiel:
In einer Chip-Fabrik werden neue High Tech Chips produziert. Leider ist die Technik noch nicht so ganz ausgereift, weswegen Ausschuss mit einer Wahrscheinlichkeit von p=0,26 entsteht. Es wird eine Stichprobe der Menge 69 entnommen. Wie groß ist die Wahrscheinlichkeit, dass davon nicht mehr als 24 defekte Chips enthalten sind.
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsvariable X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=69 und p=0.26.
= + + +... + = 0.96083968648547 ≈ 0.9608(TI-Befehl: binomcdf(69,0.26,24))
Binomialvert. mit variablem p (diskret)
Beispiel:
In einer Urne sind 3 rote und einige schwarze Kugeln. Es soll 25 mal mit Zurücklegen gezogen werden. Wie viele schwarze Kugeln dürfen in der Urne höchstens sein, damit mit einer Wahrscheinlichkeit von mindestens 80% unter den 25 gezogenen Kugeln nicht mehr als 21 schwarze sind?
| p | P(X≤21) |
|---|---|
| ... | ... |
| 0.999 | |
| 0.9951 | |
| 0.9851 | |
| 0.9668 | |
| 0.9394 | |
| 0.9038 | |
| 0.8617 | |
| 0.8151 | |
| 0.766 | |
| ... | ... |
Die Zufallsvariable X gibt die Anzahl der gezogenen Kugeln mit der Farbe schwarz an. X ist binomialverteilt mit n=25 und unbekanntem Parameter p.
Es muss gelten: = 0.8 (oder mehr)
Wir wissen, dass der Nenner bei unserer Einzelwahrscheinlichkeit p immer um 3 größer sein muss als der Zähler.
Deswegen erhöhen wir nun schrittweise immer den Zähler und Nenner bei der Einzelwahrscheinlichkeit um 1 und probieren aus, wie sich das auf die gesuchte Wahrscheinlichkeit ('höchstens 21 Treffer bei 25 Versuchen') auswirkt (siehe Tabelle links)
Als Startwert wählen wir als p=. (Durch Ausprobieren erkennt man, dass vorher die Wahrscheinlichkeit immer fast 1 ist)
In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p= die gesuchte
Wahrscheinlichkeit über 80% bleibt.
Die Anzahl der schwarzen Kugeln, die hinzugefügt wird, darf also höchstens 11 sein.
Binomialvert. mit variabl. p (höchstens) nur GTR
Beispiel:
Eine Produktionsstätte für HighTech-Chips hat Probleme mit der Qualitätssicherung. Ein Großhändler nimmt die übliche Liefermenge von 67 Stück nur an, wenn nicht mehr als 57 Teile defekt sind. Wie hoch darf der Prozentsatz der fehlerhaften Teile höchstens sein, dass eine Lieferung mit einer Wahrscheinlichkeit von mind. 90% angenommen werden.
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.74 | 0.9899 |
| 0.75 | 0.984 |
| 0.76 | 0.9753 |
| 0.77 | 0.9625 |
| 0.78 | 0.9445 |
| 0.79 | 0.9197 |
| 0.8 | 0.8864 |
| ... | ... |
Es muss gelten: =0.9 (oder mehr)
Diese Gleichung gibt man also in den GTR als Funktion ein, wobei das variable p eben als X gesetzt werden muss.
(TI-Befehl: y1=binomcdf(67,X,57) - dabei darauf achten, dass X nur zwischen 0 und 1 sein darf -
bei TblSet sollte deswegen Δtable auf 0.01 gesetzt werden)
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass letztmals bei p=0.79 die gesuchte Wahrscheinlichkeit über 0.9 ist.
kumulierte Binomialverteilung
Beispiel:
Ein partystarker Schüler muss einen Mulitple Choice Test ablegen von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 67 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so bis zu 22 Fragen richtig beantwortet hat?
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsvariable X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=67 und p=0.25.
= + + +... + = 0.94419356164077 ≈ 0.9442(TI-Befehl: binomcdf(67,0.25,22))
Binomialvert. Abstand vom Erwartungswert
Beispiel:
Ein Basketballspieler hat eine Trefferquote von p=50%. Wie groß ist die Wahrscheinlichkeit dass er bei 100 Versuchen nicht mehr als 20% von seinem Erwartungswert abweicht?
Den Erwartungswert berechnet man als E=n⋅p=100⋅0.5 = 50
Die 20% Abweichung wären dann zwischen 80% von 50, also 0.8⋅ 50 = 40 und 120% von 50, also 1.2⋅ 50 = 60
Da die Trefferzahl ja nicht weiter von 50 entfernt sein darf als 40 bzw. 60, muss sie also zwischen 40 und 60 liegen.
=
(TI-Befehl: binomcdf(100,0.5,60) - binomcdf(100,0.5,39))
