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=0,5. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 80% maximal 38 dieser Fehler begeht?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 69 | 0.8322 |
| 70 | 0.7985 |
| 71 | 0.7617 |
| 72 | 0.722 |
| 73 | 0.68 |
| 74 | 0.6362 |
| 75 | 0.5912 |
| 76 | 0.5456 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.5 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 50% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 76 Versuchen auch ungefähr 38 (≈0.5⋅76) Treffer auftreten.
Wir berechnen also mit unserem ersten n=76:
≈ 0.5456
(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=69 die gesuchte Wahrscheinlichkeit über 80% ist.
Binomialverteilung X ∈ [l;k]
Beispiel:
Ein Zufallsexperiment wird 94 mal wiederholt. Jedesmal beträgt die Wahrscheinlichkeit für einen Treffer p=0,5.
Wie groß ist dabei die Wahrscheinlichkeit, mindestens 39, aber höchstens 50 Treffer zu erzielen?
=
(TI-Befehl: binomcdf(94,0.5,50) - binomcdf(94,0.5,38))
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 2 Bildern der Datenbank sind Mitglieder der Homepage-AG zu sehen. Es wird geschätzt, dass die Seite täglich 150 mal aufgerufen wird. Die Mitglieder der Homepage-AG wollen dass mit mindestens 75%-iger Wahrscheinlichkiet mindestens 10 mal am Tag eines ihrer eigenen 2 Bilder erscheint. Wie viele andere Bilder dürfen dann höchstens noch in der Datenbank sein?
| p | P(X≥10)=1-P(X≤9) |
|---|---|
| ... | ... |
| 0.9996 | |
| 0.9988 | |
| 0.9969 | |
| 0.993 | |
| 0.9862 | |
| 0.9756 | |
| 0.9603 | |
| 0.94 | |
| 0.9144 | |
| 0.8839 | |
| 0.8489 | |
| 0.8102 | |
| 0.7685 | |
| 0.7249 | |
| ... | ... |
Die Zufallsvariable X gibt die Anzahl der Bilder mit Homepage-AG-lern an. X ist binomialverteilt mit n=150 und unbekanntem Parameter p.
Es muss gelten: = 1- = 0.75 (oder mehr)
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 2 sein muss, da es ja genau 2 günstige Fälle gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit ('mindestens 10 Treffer bei 150 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 75% bleibt.
Der Nenner, also die Anzahl aller Bilder in der Datenbank, darf also höchstens
25 sein.
Also wären noch 23 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 97 Stück nur an, wenn nicht mehr als 39 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 | 0.9934 |
| 0.3 | 0.9879 |
| 0.31 | 0.979 |
| 0.32 | 0.9653 |
| 0.33 | 0.9453 |
| 0.34 | 0.9175 |
| 0.35 | 0.8806 |
| ... | ... |
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(97,X,39) - 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.
Binomialverteilung X ∈ [l;k]
Beispiel:
Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Wie groß ist die Wahrscheinlichkeit, mehr als 8 und höchstens 17 Glückskekse mit einer Peproni zu erwischen, wenn man 85 Glückskekse kauft?
=
(TI-Befehl: binomcdf(85,0.125,17) - binomcdf(85,0.125,8))
Wahrscheinlichkeit von σ-Intervall um μ
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=0,55 entsteht. Es wird eine Stichprobe der Menge 43 entnommen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der defekten Chips um nicht mehr als eine Standardabweichung vom Erwartungswert abweicht?
Den Erwartungswert berechnet man mit μ = n⋅p = 43⋅0.55 ≈ 23.65,
die Standardabweichung mit σ =
=
≈ 3.26
26.91 (23.65 + 3.26) und 20.39 (23.65 - 3.26) sind also jeweils eine Standardabweichung vom Erwartungswert μ = 23.65 entfernt.
Das bedeutet, dass genau die Zahlen zwischen 21 und 26 nicht mehr als eine Standardabweichung vom Erwartungswert entfernt sind.
Gesucht ist also die Wahrscheinlichkeit, dass die Trefferanzahl zwischen 21 und 26 liegt.
=
(TI-Befehl: binomcdf(43,0.55,26) - binomcdf(43,0.55,20))
