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=0,2. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 80% maximal 37 dieser Fehler begeht?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 165 | 0.8107 |
| 166 | 0.7997 |
| 167 | 0.7883 |
| 168 | 0.7766 |
| 169 | 0.7645 |
| 170 | 0.7522 |
| 171 | 0.7397 |
| 172 | 0.7268 |
| 173 | 0.7137 |
| 174 | 0.7004 |
| 175 | 0.6869 |
| 176 | 0.6731 |
| 177 | 0.6592 |
| 178 | 0.6451 |
| 179 | 0.6309 |
| 180 | 0.6166 |
| 181 | 0.6022 |
| 182 | 0.5877 |
| 183 | 0.5731 |
| 184 | 0.5585 |
| 185 | 0.5438 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.2 und variablem n.
Es muss gelten: ≥ 0.8
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 20% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 185 Versuchen auch ungefähr 37 (≈0.2⋅185) Treffer auftreten.
Wir berechnen also mit unserem ersten n=185:
≈ 0.5438
(TI-Befehl: Binomialcdf ...)
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.8 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 0.8 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass letztmals bei n=165 die gesuchte Wahrscheinlichkeit über 80% ist.
Binomialverteilung X ∈ [l;k]
Beispiel:
Ein partystarker Schüler muss einen Mulitple Choice Test ablegen, von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 59 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so mindestens 15, aber weniger als 18 Fragen richtig beantwortet hat?
=
(TI-Befehl: binomcdf(59,0.25,17) - binomcdf(59,0.25,14))
Binomialvert. mit variablem p (diskret)
Beispiel:
Die Homepage-AG einer Schule möchte auf der Startseite der Internetseite der Schule ein Zufallsbild integrieren. Dabei soll bei jedem Aufruf der Startseite ein zufälliges Bild aus einer Bilderdatenbank gezeigt werden. Alle Bilder der Datenbank sind immer gleich wahrscheinlich. Auf 3 Bildern der Datenbank sind Mitglieder der Homepage-AG zu sehen. Es wird geschätzt, dass die Seite täglich 120 mal aufgerufen wird. Die Mitglieder der Homepage-AG wollen dass mit mindestens 85%-iger Wahrscheinlichkiet mindestens 12 mal am Tag eines ihrer eigenen 3 Bilder erscheint. Wie viele andere Bilder dürfen dann höchstens noch in der Datenbank sein?
| p | P(X≥12)=1-P(X≤11) |
|---|---|
| ... | ... |
| 0.9997 | |
| 0.999 | |
| 0.9971 | |
| 0.9932 | |
| 0.9861 | |
| 0.9747 | |
| 0.958 | |
| 0.9354 | |
| 0.9068 | |
| 0.8723 | |
| 0.8328 | |
| ... | ... |
Die Zufallsvariable X gibt die Anzahl der Bilder mit Homepage-AG-lern an. X ist binomialverteilt mit n=120 und unbekanntem Parameter p.
Es muss gelten: = 1- = 0.85 (oder mehr)
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 3 sein muss, da es ja genau 3 günstige Fälle gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit ('mindestens 12 Treffer bei 120 Versuchen') bei diesen Nennern wird (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 85% bleibt.
Der Nenner, also die Anzahl aller Bilder in der Datenbank, darf also höchstens
23 sein.
Also wären noch 20 zusätzliche Optionen (also weitere Bilder) zulässig.
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 76 Stück nur an, wenn nicht mehr als 65 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) |
|---|---|
| ... | ... |
| 0.75 | 0.9912 |
| 0.76 | 0.9854 |
| 0.77 | 0.9765 |
| 0.78 | 0.963 |
| 0.79 | 0.9434 |
| 0.8 | 0.9158 |
| 0.81 | 0.878 |
| ... | ... |
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(76,X,65) - 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=0.8 die gesuchte Wahrscheinlichkeit über 0.9 ist.
kumulierte Binomialverteilung
Beispiel:
Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Wie groß ist die Wahrscheinlichkeit, nicht mehr als 7 Glückskekse mit einer Peproni zu erwischen, wenn man 38 Glückskekse kauft?
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsvariable X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=38 und p=.
= + + +... + = 0.90569110208204 ≈ 0.9057(TI-Befehl: binomcdf(38,1/8,7))
Erwartungswert, Standardabweichung best.
Beispiel:
Eine Zufallsgröße ist binomialverteilt mit den Parametern n = 70 und p = 0.65
Bestimme den Erwartungswert μ und die Standardabweichung σ von X .
Für Erwartungswert und Standardabweichung bei der Binomialverteilung gibt es ja einfache Formeln, in die man einfach n = 70 und p = 0.65 einsetzen muss:
Erwartungswert E(X) = n ⋅ p = 70 ⋅ 0.65 = 45.5
Standardabweichung S(X) = = = ≈ 3.99
