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=0,7. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 80% maximal 21 dieser Fehler begeht?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 27 | 0.8642 |
| 28 | 0.7798 |
| 29 | 0.6786 |
| 30 | 0.5685 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.7 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 70% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 30 Versuchen auch ungefähr 21 (≈0.7⋅30) Treffer auftreten.
Wir berechnen also mit unserem ersten n=30:
≈ 0.5685
(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=27 die gesuchte Wahrscheinlichkeit über 80% ist.
kumulierte Binomialverteilung
Beispiel:
Eine Münze wird 57 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass höchstens 32 mal "Zahl" (p=0,5) geworfen wird?
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsvariable X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=57 und p=0.5.
= + + +... + = 0.85537812644549 ≈ 0.8554(TI-Befehl: binomcdf(57,0.5,32))
Binomialvert. mit variablem p (diskret)
Beispiel:
In einer Urne sind 5 rote und einige schwarze Kugeln. Es soll 16 mal mit Zurücklegen gezogen werden. Wie viele schwarze Kugeln müssen in der Urne mindestens sein, damit mit einer Wahrscheinlichkeit von mindestens 80% unter den 16 gezogenen Kugeln nicht mehr als 3 rote sind?
| p | P(X≤3) |
|---|---|
| ... | ... |
| 0.6289 | |
| 0.6572 | |
| 0.6833 | |
| 0.7072 | |
| 0.7291 | |
| 0.7492 | |
| 0.7677 | |
| 0.7846 | |
| 0.8001 | |
| ... | ... |
Die Zufallsvariable X gibt die Anzahl der gezogenen Kugeln mit der Farbe rot an. X ist binomialverteilt mit n=16 und unbekanntem Parameter p.
Es muss gelten: =0.8 (oder mehr)
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 5 sein muss, da es ja genau 5 günstige Fälle gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit ('höchstens 3 Treffer bei 16 Versuchen') bei diesen Nennern wird (siehe Tabelle links)
Um einen günstigen Startwert zu finden wählen wir mal als p=. Mit diesem p wäre ja 3=⋅16 der Erwartungswert und somit irgendwo in der nähe von 50%. Wenn wir nun p= mit erweitern (so dass wir auf den Zähler 5 kommen) und den Nenner abrunden, müssten wir mit p= einen brauchbaren Einstiegswert für dieses Probieren erhalten.
In dieser Tabelle erkennen wir, dass erstmals bei der Einzelwahrscheinlichkeit p= die gesuchte
Wahrscheinlichkeit über 80% steigt.
Der Nenner, also die Anzahl aller Kugeln, muss also mindestens
34 sein.
Also werden noch 29 zusätzliche Optionen (also schwarze Kugeln) benötigt.
Binomialvert. mit variabl. p (mind.) nur GTR
Beispiel:
Bei einem Zufallsexperiment ist die Wahrscheinlichkeit für einen Treffer unbekannt. Das Zufallsexperinment wird 66 mal wiederholt (bzw. die Stichprobe hat die Größe 66)
Wie hoch muss die Einzelwahrscheinlichkeit p mindestens sein, dass mit einer Wahrscheinlich von mind. 50% mindestens 45 Treffer erzielt werden?
| p | P(X≥45)=1-P(X≤44) |
|---|---|
| ... | ... |
| 0.63 | 0.2299 |
| 0.64 | 0.284 |
| 0.65 | 0.344 |
| 0.66 | 0.4087 |
| 0.67 | 0.4767 |
| 0.68 | 0.5461 |
| ... | ... |
Es muss gelten: =0.5 (oder mehr)
oder eben: 1- =0.5 (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=1-binomcdf(66,X,44) - 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 erstmals bei p=0.68 die gesuchte Wahrscheinlichkeit über 0.5 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 2 Glückskekse mit einer Peproni zu erwischen, wenn man 70 Glückskekse kauft?
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsvariable X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=70 und p=.
= + + = 0.0052574859711767 ≈ 0.0053(TI-Befehl: binomcdf(70,1/8,2))
Binomialvert. Abstand vom Erwartungswert
Beispiel:
Bei einem Glücksrad ist die Wahrscheinlichkeit im grünen Bereich zu landen bei p=0,4. Wie groß ist die Wahrscheinlichkeit bei 57 Versuchen, dass die Anzahl der Treffer im grünen Bereich nicht mehr als 20% vom Erwartungswert abweicht?
Den Erwartungswert berechnet man als E=n⋅p=57⋅0.4 = 22.8
Die 20% Abweichung wären dann zwischen 80% von 22.8, also 0.8⋅ 22.8 = 18.24 und 120% von 22.8, also 1.2⋅ 22.8 = 27.36
Da die Trefferzahl ja nicht weiter von 22.8 entfernt sein darf als 18.24 bzw. 27.36, muss sie also zwischen 19 und 27 liegen.
=
(TI-Befehl: binomcdf(57,0.4,27) - binomcdf(57,0.4,18))
