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:
Bei einem Glücksrad soll mit einer Wahrscheinlichkeit von 90% bei 74 Ausspielungen nicht öfters als 57 mal der grüne Bereich kommen. Wie hoch darf man die Wahrscheinlichkeit für den grünen Bereich auf dem Glücksrad maximal setzen?
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.66 | 0.9856 |
| 0.67 | 0.9777 |
| 0.68 | 0.9664 |
| 0.69 | 0.9506 |
| 0.7 | 0.929 |
| 0.71 | 0.9004 |
| 0.72 | 0.8637 |
| ... | ... |
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(74,X,57) - 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=0.71 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Binomialvert. mit variabl. p (mind.) nur GTR
Beispiel:
Eine Fluggesellschaft verkauft 44 Flugtickets für einen bestimmten Flug. Das sind 38 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)?
| p | P(X≥38)=1-P(X≤37) |
|---|---|
| ... | ... |
| 0.86 | 0.5789 |
| 0.87 | 0.6547 |
| 0.88 | 0.7277 |
| 0.89 | 0.7951 |
| 0.9 | 0.8544 |
| 0.91 | 0.9034 |
| ... | ... |
Es muss gelten: =0.9 (oder mehr)
oder eben: 1- =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(44,X,37) - 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=0.91 die gesuchte Wahrscheinlichkeit über 0.9 ist.
zwei unabhängige Binom.
Beispiel:
Beim Torwandschießen muss man immer 3 mal rechts unten und dann 3 mal links oben versuchen zu treffen. Ein Fußballspieler hat unten ein Trefferwahrscheinlichkeit von 40% und oben 40%. Wie groß ist die Wahrscheinlichkeit, dass er insgesamt 2 mal trifft?
(Bitte auf 4 Stellen nach dem Komma runden)
Zuerst überlegen wir mit welchen Kombinationen man auf die Summe von genau 2 kommen kann:
- 0 mal unten und 2 mal oben
- 1 mal unten und 1 mal oben
- 2 mal unten und 0 mal oben
0 mal unten und 2 mal oben
Die Wahrscheinlichkeit für 0 mal unten ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=3 und p=0.4.
= ≈ 0.216Die Wahrscheinlichkeit für 2 mal oben ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=3 und p=0.4.
= ≈ 0.288Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten.
p1=0.216 ⋅ 0.288 = 0.062208
1 mal unten und 1 mal oben
Die Wahrscheinlichkeit für 1 mal unten ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=3 und p=0.4.
= ≈ 0.432Die Wahrscheinlichkeit für 1 mal oben ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=3 und p=0.4.
= ≈ 0.432Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten.
p2=0.432 ⋅ 0.432 = 0.186624
2 mal unten und 0 mal oben
Die Wahrscheinlichkeit für 2 mal unten ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=3 und p=0.4.
= ≈ 0.288Die Wahrscheinlichkeit für 0 mal oben ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=3 und p=0.4.
= ≈ 0.216Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten.
p3=0.288 ⋅ 0.216 = 0.062208
Die gesuchte Wahrscheinlichkeit erhält man nun, indem man die Wahrscheinlichkeiten der 3 Kombinationen addiert:
0.0622 + 0.1866 + 0.0622 = 0.311
feste Reihenfolge im Binomialkontext
Beispiel:
Ein Basketballspieler mit einer Trefferquote von 5% wirft 7 mal auf den Korb. Bestimme die Wahrscheinlichkeit, dass er bei diesen 7 Versuchen irgendwann einmal eine Serie mit 4 aufeinanderfolgenden Treffern hinlegt und bei allen anderen Versuchen nicht trifft.
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: ⋅ ⋅
Dabei gibt ja ⋅ die Wahrscheinlichkeit eines bestimmten Pfads mit 4 Treffer und 3 Nicht-Treffern und die Anzahl solcher Pfade an.
Hier spielt nun aber die Reihenfolge eine Rolle, also haben wir nicht alle möglichen 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
Kombination Binom.-Baumdiagramm
Beispiel:
Ein fernöstlicher LED-Hersteller hat Probleme in der Qualitätssicherung, so dass 7% 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 4 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)
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 4 Treffer bei 25 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.07, also
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=0.07.
= + + +... + = 0.97255264318634 ≈ 0.9726(TI-Befehl: binomcdf(25,0.07,4))
Damit kennen wir nun die Einzelwahrscheinlichkeiten von 'kiste ok' (p=0.9726) und 'nicht ok'(p=0.0274).
Jetzt können wir mit einem Baumdiagramm die Gesuchte Endwahrscheinlichkeit berechnen.
Gesucht ist ja 0 mal 'nicht ok'
| Ereignis | P |
|---|---|
| kiste ok -> kiste ok | |
| kiste ok -> nicht ok | |
| nicht ok -> kiste ok | |
| nicht ok -> nicht ok |
Einzel-Wahrscheinlichkeiten: kiste ok: ; nicht ok: ;
Die relevanten Pfade sind:- 'kiste ok'-'kiste ok' (P=)
Die Lösung ist also die Summe dieser Wahrscheinlichkeiten:
=
Binomial-Aufgabe mit 2 Ereignissen
Beispiel:
Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Ein Lehrer verteilt bei einer Klassenarbeit an alle seine 26 Schülerinnen und Schüler jeweils einen Glückskeks. Wie groß ist die Wahrscheinlichkeit, dass von den 19 Mädchen genau 2 einen Glückskeks mit einer Peperoni und von den Jungs genau 2 einen Glückskeks mit einer Peperoni erwischen .
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 Kekse mit einer Peperoni drin an. X ist binomialverteilt mit n=19 und p=.
Die gesuchte Wahrscheinlichkeit des ersten Teilereignisses berechnet man jetzt einfach als ≈ 0.276.
Analog betrachten wir nun die restlichen 7 Durchgänge:
Die Zufallsgröße Y gibt die Anzahl der Kekse mit einer Peperoni drin an. Y ist binomialverteilt mit n=7 und p=.
Die gesuchte Wahrscheinlichkeit des zweiten Teilereignisses berechnet man nun als ≈ 0.1683.
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 = ⋅ = 0.276 ⋅ 0.1683 ≈ 0.0465
