Aufgabenbeispiele von Wiederholung aus 9/10
Durch Aktualisieren des Browsers (z.B. mit Taste F5) kann man neue Beispielaufgaben sehen
Binomialvert. mit variablem n (mind)
Beispiel:
Der, dessen Name nicht genannt werden darf, testet Zauber um seine Nase wiederherzustellen. Ein solcher Versuch endet zu 80% mit einer Konfettiexplosion. Wie viele Versuche muss er mindestens machen, damit er mit einer Wahrscheinlichkeit von mindestens 70% mindestens 22 Nasen hat.
| n | P(X≤k) |
|---|---|
| ... | ... |
| 115 | 0.3712 |
| 116 | 0.354 |
| 117 | 0.3373 |
| 118 | 0.3209 |
| 119 | 0.305 |
| 120 | 0.2896 |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der geglückten Nasen-Zauberversuche an und ist im Idealfall binomialverteilt mit p = 0.2 und variablem n.
Es muss gelten: ≥ 0.7
Weil man ja aber nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:
= 1 - ≥ 0.7 |+ - 0.7
0.3 ≥ oder ≤ 0.3
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 ≈ 110 Versuchen auch ungefähr 22 (≈0.2⋅110) Treffer auftreten.
Wir berechnen also mit unserem ersten n=110:
≈ 0.462
(TI-Befehl: Binomialcdf ...)
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.3 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 0.3 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass erstmals bei n=120 die gesuchte Wahrscheinlichkeit unter 0.3 ist.
n muss also mindestens 120 sein, damit ≤ 0.3 oder eben ≥ 0.7 gilt.
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 28 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so bis zu 4 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=28 und p=0.25.
= + + +... + = 0.1353872715205 ≈ 0.1354(TI-Befehl: binomcdf(28,0.25,4))
Binomialvert. mit variablem p (diskret)
Beispiel:
Eine Firma, die Überraschungseier vertreibt, möchte als Werbegag manche Eier mit Superfiguren bestücken. Aus Angst vor Kundenbeschwerden sollen in einer 8er-Packung mit der mindestens 50% Wahrscheinlichkeit 1 oder mehr Superfiguren enthalten sein. Wenn in jedes n-te Ei eine Superfigur rein soll, wie groß darf dann n höchstens sein?
| p | P(X≥1)=1-P(X≤0) |
|---|---|
| ... | ... |
| 0.9961 | |
| 0.961 | |
| 0.8999 | |
| 0.8322 | |
| 0.7674 | |
| 0.7086 | |
| 0.6564 | |
| 0.6103 | |
| 0.5695 | |
| 0.5335 | |
| 0.5015 | |
| 0.4729 | |
| ... | ... |
Die Zufallsvariable X gibt die Anzahl der Eier mit einer Superfigur an. X ist binomialverteilt mit n=8 und unbekanntem Parameter p.
Es muss gelten: = 1- = 0.5 (oder mehr)
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 1 sein muss, da es ja genau einen günstigen Fall gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit ('mindestens 1 Treffer bei 8 Versuchen') bei diesen Nennern wird (siehe Tabelle links)
Als Startwert wählen wir als p=.
In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p= die gesuchte
Wahrscheinlichkeit über 50% bleibt.
Der Nenner, also die das wievielte Ei eine Superfigur enthält, darf also höchstens
12 sein.
Binomialvert. mit variabl. p (höchstens) nur GTR
Beispiel:
Ein Promi macht Urlaub in einem Ferienclub. Dort sind noch weitere 76 Gäste. Wie groß darf der Bekanntheitsgrad des Promis höchstens sein, dass ihn mit einer Wahrscheinlichkeit von mindestens 90% nicht mehr als 70 erkennen und dumm anlabern?
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.83 | 0.9932 |
| 0.84 | 0.9878 |
| 0.85 | 0.9788 |
| 0.86 | 0.9642 |
| 0.87 | 0.9411 |
| 0.88 | 0.906 |
| 0.89 | 0.8549 |
| ... | ... |
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,70) - 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=0.88 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Binomialverteilung X>=k
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=0,18 entsteht. Es wird eine Stichprobe der Menge 60 entnommen. Wie groß ist die Wahrscheinlichkeit, dass davon 12 oder sogar noch mehr Chips defekt sind?
(Bitte auf 4 Stellen nach dem Komma runden)
(TI-Befehl: 1-binomcdf(60,0.18,11))
Binomialvert. Abstand vom Erwartungswert
Beispiel:
Bei einem Glücksrad ist die Wahrscheinlichkeit im grünen Bereich zu landen bei p=0,35. Wie groß ist die Wahrscheinlichkeit bei 44 Versuchen, dass die Anzahl der Treffer im grünen Bereich nicht mehr als 20% vom Erwartungswert abweicht?
Den Erwartungswert berechnet man als E=n⋅p=44⋅0.35 = 15.4
Die 20% Abweichung wären dann zwischen 80% von 15.4, also 0.8⋅ 15.4 = 12.32 und 120% von 15.4, also 1.2⋅ 15.4 = 18.48
Da die Trefferzahl ja nicht weiter von 15.4 entfernt sein darf als 12.32 bzw. 18.48, muss sie also zwischen 13 und 18 liegen.
=
(TI-Befehl: binomcdf(44,0.35,18) - binomcdf(44,0.35,12))
