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:
In Tschechien gilt absolutes Alkoholverbot in Lokalen für Jugendliche unter 18 Jahren. Ein paar trinkfreudige 17-jährige Jugendliche wollen bei einer Studienfahrt nach Prag trotzdem ihr Glück versuchen. 90% der Gaststätten setzen das Alkoholverbot konsequent um und schenken nur gegen Vorlage einer "ID" (Personalausweis) Bier aus. Wie viele Kneipen müssen die Jugenlichen nun mindestens aufsuchen, damit sie bei einer Kneipentour mit mindestens 60% Wahrscheinlichkeit in mindestens 2 Lokalen nicht mit Nachfragen zu ihrer "ID" gedemütigt werden und in Ruhe ein Bier trinken können?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 19 | 0.4203 |
| 20 | 0.3917 |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der besuchten Kneipen, die keine "ID" (Personalausweis) verlangen an und ist im Idealfall binomialverteilt mit p = 0.1 und variablem n.
Es muss gelten: ≥ 0.6
Weil man ja aber nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:
= 1 - ≥ 0.6 |+ - 0.6
0.4 ≥ oder ≤ 0.4
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 10% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 20 Versuchen auch ungefähr 2 (≈0.1⋅20) Treffer auftreten.
Wir berechnen also mit unserem ersten n=20:
≈ 0.3917
(TI-Befehl: Binomialcdf ...)
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.4 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 0.4 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass erstmals bei n=20 die gesuchte Wahrscheinlichkeit unter 0.4 ist.
n muss also mindestens 20 sein, damit ≤ 0.4 oder eben ≥ 0.6 gilt.
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 69 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so mindestens 10, aber weniger als 23 Fragen richtig beantwortet hat?
=
(TI-Befehl: binomcdf(69,0.25,22) - binomcdf(69,0.25,9))
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 7er-Packung mit der mindestens 50% Wahrscheinlichkeit 2 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≥2)=1-P(X≤1) |
|---|---|
| ... | ... |
| 0.9375 | |
| 0.7366 | |
| 0.5551 | |
| 0.4233 | |
| ... | ... |
Die Zufallsvariable X gibt die Anzahl der Eier mit einer Superfigur an. X ist binomialverteilt mit n=7 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 2 Treffer bei 7 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
4 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 47 Stück nur an, wenn nicht mehr als 20 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) |
|---|---|
| ... | ... |
| 0.29 | 0.984 |
| 0.3 | 0.9765 |
| 0.31 | 0.9665 |
| 0.32 | 0.9535 |
| 0.33 | 0.9368 |
| 0.34 | 0.9162 |
| 0.35 | 0.8911 |
| ... | ... |
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(47,X,20) - 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=0.34 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Formel v. Bernoulli
Beispiel:
In einer Urne sind 7 blaue und 3 rote Kugeln. Es wird 26 mal eine Kugel gezogen. Nach jedem Ziehen wird die Kugel wieder zurückgelegt. Wie groß ist die Wahrscheinlichkeit dass genau 20 mal eine blaue Kugel gezogen wird?
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsvariable X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=26 und p=0.7.
= =0.13392148059411≈ 0.1339(TI-Befehl: binompdf(26,0.7,20))
Wahrscheinlichkeit von σ-Intervall um μ
Beispiel:
Ein Basketballspieler hat eine Trefferquote von p=35%. Wie groß ist die Wahrscheinlichkeit dass bei 90 Versuchen die Anzahl seiner Treffer um nicht mehr als eine Standardabweichung von seinem Erwartungswert abweicht?
Den Erwartungswert berechnet man mit μ = n⋅p = 90⋅0.35 ≈ 31.5,
die Standardabweichung mit σ =
=
≈ 4.52
36.02 (31.5 + 4.52) und 26.98 (31.5 - 4.52) sind also jeweils eine Standardabweichung vom Erwartungswert μ = 31.5 entfernt.
Das bedeutet, dass genau die Zahlen zwischen 27 und 36 nicht mehr als eine Standardabweichung vom Erwartungswert entfernt sind.
Gesucht ist also die Wahrscheinlichkeit, dass die Trefferanzahl zwischen 27 und 36 liegt.
=
(TI-Befehl: binomcdf(90,0.35,36) - binomcdf(90,0.35,26))
