Aufgabenbeispiele von Anwendungen

Durch Aktualisieren des Browsers (z.B. mit Taste F5) kann man neue Beispielaufgaben sehen


Binomialvert. mit variabl. p (höchstens) nur GTR

Beispiel:

Ein Promi macht Urlaub in einem Ferienclub. Dort sind noch weitere 69 Gäste. Wie groß darf der Bekanntheitsgrad des Promis höchstens sein, dass ihn mit einer Wahrscheinlichkeit von mindestens 90% nicht mehr als 39 erkennen und dumm anlabern?

Lösung einblenden
pP(X≤k)
......
0.440.9864
0.450.9793
0.460.9694
0.470.9559
0.480.9379
0.490.9148
0.50.8858
......

Es muss gelten: Pp69 (X39) =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(69,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=0.49 die gesuchte Wahrscheinlichkeit über 0.9 ist.

Binomialvert. mit variabl. p (mind.) nur GTR

Beispiel:

Eine Fluggesellschaft verkauft 74 Flugtickets für einen bestimmten Flug. Das sind 39 Tickets mehr, als das Flugzeug Plätze hat. Wie hoch muss die Wahrscheinlichkeit, dass ein Ticketkäufer nicht mitfliegt, mindestens sein, dass das Flugzeug mit einer Wahrscheinlichkeit von mindestens 90% nicht überbucht ist (also dass alle mitfliegen können)?

Lösung einblenden
pP(X≥39)=1-P(X≤38)
......
0.550.6973
0.560.7551
0.570.8066
0.580.851
0.590.8882
0.60.9184
......

Es muss gelten: Pp74 (X39) =0.9 (oder mehr)

oder eben: 1- Pp74 (X38) =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=1-binomcdf(74,X,38) - 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=0.6 die gesuchte Wahrscheinlichkeit über 0.9 ist.

zwei unabhängige Binom.

Beispiel:

Ein Mitarbeiter der Stadtwerke bekommt den Auftrag am Freitag bei 60 und am Samstag bei 45 Haushalten den Gas- und den Stromzähler abzulesen. Als ihn seine Frau fragt, was er denn glaubt, wie viele der Kunden überhaupt zuhause wären und die Tür öffnen würden, sagr er: Ich denke, dass ich am Freitag so zwischen 24 und 37 am Samstag so zwischen 24 und 32 erreichen werde. Tatsächlich ist die Wahrscheinlichkeit, dass ihm die Tür geöffnet wird, am Samstag mit 73% höher als am Freitag mit 51%. Wie groß ist die Wahrscheinlichkeit, dass seine Prognose zutrifft?
(Bitte auf 4 Stellen nach dem Komma runden)

Lösung einblenden

Freitag:

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=60 und unbekanntem Parameter p.

Gesucht ist die Wahrscheinlichkeit zwischen 24 und 37 Treffer bei 60 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.51 zu erzielen, also P0.5160 (24X37) .
Diese Wahrscheinlichkeit lässt sich als P0.5160 (X37) - P0.5160 (X23) ≈ 0.9632 - 0.0331 ≈ 0.9301 berechnen.
TI-Befehl: binomcdf(60,0.51,37)- binomcdf(60,0.51,23)

Samstag:

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=45 und unbekanntem Parameter p.

Gesucht ist die Wahrscheinlichkeit zwischen 24 und 32 Treffer bei 45 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.73 zu erzielen, also P0.7345 (24X32) .
Diese Wahrscheinlichkeit lässt sich als P0.7345 (X32) - P0.7345 (X23) ≈ 0.4432 - 0.0014 ≈ 0.4418 berechnen.
TI-Befehl: binomcdf(45,0.73,32)- binomcdf(45,0.73,23)

Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten:

P ≈ 0.9301 ⋅ 0.4418 ≈ 0.4109

feste Reihenfolge im Binomialkontext

Beispiel:

Bei einem Glücksrad beträgt die Wahrscheinlichkeit für den grünen Bereich 60%. Es wird 7 mal gedreht.Bestimme die Wahrscheinlichkeit, dass dabei genau 4 mal in den grünen Bereich gedreht wird und diese Drehungen unmittelbar hintereinander erfolgen (also ohne, dass dazwischen mal nicht in den grünen Bereich gedreht wird).

Lösung einblenden

Wenn die Reihenfolge keine Rolle spielen würde, könnten wir ja einfach die Wahrscheinlichkeit von 4 Treffer bei 7 Versuchen mit der Formel von Bernoulli berechnen: ( 7 4 ) 0.6 4 0.4 3

Dabei gibt ja 0.6 4 0.4 3 die Wahrscheinlichkeit eines bestimmten Pfads mit 4 Treffer und 3 Nicht-Treffern und ( 7 4 ) die Anzahl solcher Pfade an.

Hier spielt nun aber die Reihenfolge eine Rolle, also haben wir nicht alle möglichen ( 7 4 ) Anordnungen der Treffer sondern nur die ausgewählten (bei denen die Treffer benachbart sind), das sind im Einzelnen:

XXXXOOO

OXXXXOO

OOXXXXO

OOOXXXX

Es gibt also genau 4 verschiedene mögliche Reihenfolgen für diese benachbarten Treffer, somit gilt für die Gesamtwahrscheinlichkeit:
P = 4 ⋅ 0.6 4 0.4 3 ≈ 0.0332

Kombination Binom.-Baumdiagramm

Beispiel:

Ein fernöstlicher LED-Hersteller hat Probleme in der Qualitätssicherung, so dass 5% seiner Leuchtmittel defekt sind. Diese werden in Kartons a 25 Stück verpackt. Ein Großhändler öffnet testweise zwei Kartons der Lieferung und prüft die darin enthaltenen Leuchtmittel. Nur wenn in keiner der Packungen mehr als 2 Stück defekt sind nimmt er die Lieferung an. Wie hoch ist die Wahrscheinlichkeit, dass er die Lieferung annimmt?
(Bitte auf 4 Stellen nach dem Komma runden)

Lösung einblenden

Zuerst berechnen wir mit Hilfe der Binomialverteilungsfunktionen die Einzelwahrscheinlichkeiten für 'kiste ok'.

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=25 und unbekanntem Parameter p.

Gesucht ist die Wahrscheinlichkeit für höchstens 2 Treffer bei 25 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.05, also P0.0525 (X2)

Dazu kann man ja einfach die kumulierte Binomialverteilungsfunktion benutzen:

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=25 und p=0.05.

P0.0525 (X2) = P0.0525 (X=0) + P0.0525 (X=1) + P0.0525 (X=2) = 0.87289350433907 ≈ 0.8729
(TI-Befehl: binomcdf(25,0.05,2))

Damit kennen wir nun die Einzelwahrscheinlichkeiten von 'kiste ok' (p=0.8729) und 'nicht ok'(p=0.1271).

Jetzt können wir mit einem Baumdiagramm die Gesuchte Endwahrscheinlichkeit berechnen.

Gesucht ist ja 0 mal 'nicht ok'

EreignisP
kiste ok -> kiste ok0,762
kiste ok -> nicht ok0,1109
nicht ok -> kiste ok0,1109
nicht ok -> nicht ok0,0162

Einzel-Wahrscheinlichkeiten: kiste ok: 0,8729; nicht ok: 0,1271;

Du hast entweder einen veralteten Browser oder Javascript ausgeschaltet. Deswegen kannst du leider das SchaubBild nicht sehen :( Die relevanten Pfade sind:
  • 'kiste ok'-'kiste ok' (P=0,762)

Die Lösung ist also die Summe dieser Wahrscheinlichkeiten:

0,762 = 0,762


Binomial-Aufgabe mit 2 Ereignissen

Beispiel:

Eine faire Münze wird 27 mal geworfen. Bestimme die Wahrscheinlichkeit des folgenden Ereignisses: Von den ersten 19 Versuchen landen höchstens 11 Versuche mit Zahl oben und von den restlichen Versuchen erscheint genau 3 mal "Zahl".

Lösung einblenden

Wir können die beiden Ereignisse als zwei getrennte von einander unabhängige Zufallsversuche betrachten, dabei betrachten wir zuerst die ersten 19 Durchgänge:

Die Zufallsgröße X gibt die Anzahl der Würfe bei denen die Zahl sichtbar ist an. X ist binomialverteilt mit n=19 und p=0.5.

Die gesuchte Wahrscheinlichkeit des ersten Teilereignisses berechnet man jetzt einfach als P0.519 (X11) ≈ 0.8204.

Analog betrachten wir nun die restlichen 8 Durchgänge:

Die Zufallsgröße Y gibt die Anzahl der Würfe bei denen die Zahl sichtbar ist an. Y ist binomialverteilt mit n=8 und p=0.5.

Die gesuchte Wahrscheinlichkeit des zweiten Teilereignisses berechnet man nun als P0.58 (Y=3) ≈ 0.2188.

Da die beiden Teilereignisse unabhängig voneinander sind und ja beide eintreten sollen, müssen wir nun die beiden Teilwahrscheinlichkeiten miteinander multiplizieren um die gesuchte Gesamtwahrscheinlcihkeit zu erhalten:

P = P0.519 (X11) P0.58 (Y=3) = 0.8204 ⋅ 0.2188 ≈ 0.1795