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:
Eine Produktionsstätte für HighTech-Chips hat Probleme mit der Qualitätssicherung. Ein Großhändler nimmt die übliche Liefermenge von 68 Stück nur an, wenn nicht mehr als 24 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) |
|---|---|
| ... | ... |
| 0.23 | 0.9927 |
| 0.24 | 0.9874 |
| 0.25 | 0.9792 |
| 0.26 | 0.9671 |
| 0.27 | 0.9501 |
| 0.28 | 0.9272 |
| 0.29 | 0.8976 |
| ... | ... |
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(68,X,24) - 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=0.28 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Binomialvert. mit variabl. p (mind.) nur GTR
Beispiel:
Ein Basketballtrainer sucht einen neuen Spieler, der mit 70% Wahrscheinlichkeit von 52 Freiwürfen mindestens 46 mal trifft. Welche Trefferquote braucht solch ein Spieler mindestens?
| p | P(X≥46)=1-P(X≤45) |
|---|---|
| ... | ... |
| 0.85 | 0.3195 |
| 0.86 | 0.395 |
| 0.87 | 0.4779 |
| 0.88 | 0.5655 |
| 0.89 | 0.654 |
| 0.9 | 0.7391 |
| ... | ... |
Es muss gelten: =0.7 (oder mehr)
oder eben: 1- =0.7 (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(52,X,45) - 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=0.9 die gesuchte Wahrscheinlichkeit über 0.7 ist.
zwei unabhängige Binom.
Beispiel:
Ein Mitarbeiter der Stadtwerke bekommt den Auftrag am Freitag bei 55 und am Samstag bei 35 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 34 am Samstag so zwischen 20 und 28 erreichen werde. Tatsächlich ist die Wahrscheinlichkeit, dass ihm die Tür geöffnet wird, am Samstag mit 68% höher als am Freitag mit 53%. Wie groß ist die Wahrscheinlichkeit, dass seine Prognose zutrifft?
(Bitte auf 4 Stellen nach dem Komma runden)
Freitag:
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=55 und unbekanntem Parameter p.
Gesucht ist die Wahrscheinlichkeit zwischen 24 und 34 Treffer bei 55 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.53 zu erzielen, also .Diese Wahrscheinlichkeit lässt sich als - ≈ 0.9266 - 0.0635 ≈ 0.8631 berechnen.
TI-Befehl: binomcdf(55,0.53,34)- binomcdf(55,0.53,23)
Samstag:
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=35 und unbekanntem Parameter p.
Gesucht ist die Wahrscheinlichkeit zwischen 20 und 28 Treffer bei 35 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.68 zu erzielen, also .Diese Wahrscheinlichkeit lässt sich als - ≈ 0.9608 - 0.0624 ≈ 0.8984 berechnen.
TI-Befehl: binomcdf(35,0.68,28)- binomcdf(35,0.68,19)
Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten:
P ≈ 0.8631 ⋅ 0.8984 ≈ 0.7754
feste Reihenfolge im Binomialkontext
Beispiel:
8 Würfel werden gleichzeitig geworfen und liegen dann anschließend in einer Reihe. Bestimme die Wahrscheinlichkeit, dass dabei genau 4 Sechser gewürfelt werden und die alle direkt nebeneinander liegen.
Wenn die Reihenfolge keine Rolle spielen würde, könnten wir ja einfach die Wahrscheinlichkeit von 4 Treffer bei 8 Versuchen mit der Formel von Bernoulli
berechnen:
⋅
⋅
Dabei gibt ja
Hier spielt nun aber die Reihenfolge eine Rolle, also haben wir nicht alle möglichen
XXXXOOOO
OXXXXOOO
OOXXXXOO
OOOXXXXO
OOOOXXXX
Es gibt also genau 5 verschiedene mögliche Reihenfolgen für diese benachbarten Treffer, somit gilt für die Gesamtwahrscheinlichkeit:
P = 5 ⋅
Kombination Binom.-Baumdiagramm
Beispiel:
Bei einer Fluggesellschaft treten 11% der Besitzer gültiger Flugtickets ihren Flug nicht an. Deswegen verkauft die Fluggesellschaft immer 107 Tickets für ihr Flugzeug mit 99 Plätzen. Wie groß ist die Wahrscheinlichkeit, dass es bei drei aufeinanderfolgenden Flügen nicht öfters als einmal zu der peinlichen Situation kommt, dass mehr Fluggäste ihren Flug antreten wollen, als Plätze frei sind?
(Bitte auf 4 Stellen nach dem Komma runden)
Zuerst berechnen wir mit Hilfe der Binomialverteilungsfunktionen die Einzelwahrscheinlichkeiten für 'nicht überbucht'.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=107 und unbekanntem Parameter p.
Gesucht ist die Wahrscheinlichkeit für höchstens 99 Treffer bei 107 Versuchen mit einer Einzelwahrscheinlichkeiten
von 0.89, also
Dazu kann man ja einfach die kumulierte Binomialverteilungsfunktion benutzen:
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=107 und p=0.89.
(TI-Befehl: binomcdf(107,0.89,99))
Damit kennen wir nun die Einzelwahrscheinlichkeiten von 'nicht überbucht' (p=0.9128) und 'überbucht'(p=0.0872).
Jetzt können wir mit einem Baumdiagramm die Gesuchte Endwahrscheinlichkeit berechnen.
Gesucht ist ja 0 mal 'überbucht' oder 1 mal 'überbucht'
| Ereignis | P |
|---|---|
| nicht überbucht -> nicht überbucht -> nicht überbucht | |
| nicht überbucht -> nicht überbucht -> überbucht | |
| nicht überbucht -> überbucht -> nicht überbucht | |
| nicht überbucht -> überbucht -> überbucht | |
| überbucht -> nicht überbucht -> nicht überbucht | |
| überbucht -> nicht überbucht -> überbucht | |
| überbucht -> überbucht -> nicht überbucht | |
| überbucht -> überbucht -> überbucht |
Einzel-Wahrscheinlichkeiten: nicht überbucht:
- 'nicht überbucht'-'nicht überbucht'-'nicht überbucht' (P=
)0,7605 - 'nicht überbucht'-'nicht überbucht'-'überbucht' (P=
)0,0727 - 'nicht überbucht'-'überbucht'-'nicht überbucht' (P=
)0,0727 - 'überbucht'-'nicht überbucht'-'nicht überbucht' (P=
)0,0727
Die Lösung ist also die Summe dieser Wahrscheinlichkeiten:
Binomial-Aufgabe mit 2 Ereignissen
Beispiel:
Ein partystarker Schüler muss einen Mulitple Choice Test ablegen von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 25 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er von den ersten 4 Aufgaben keine einzige und von den restlichen Fragen nicht mehr als 4 richtig errät?
Wir können die beiden Ereignisse als zwei getrennte von einander unabhängige Zufallsversuche betrachten, dabei betrachten wir zuerst die ersten 4
Durchgänge:
Die Zufallsgröße X gibt die Anzahl der zufällig richtig geratenen Antworten an. X ist binomialverteilt mit n=4 und p=0.25.
Die gesuchte Wahrscheinlichkeit des ersten Teilereignisses berechnet man jetzt einfach als
Analog betrachten wir nun die restlichen 21 Durchgänge:
Die Zufallsgröße Y gibt die Anzahl der zufällig richtig geratenen Antworten an. Y ist binomialverteilt mit n=21 und p=0.25.
Die gesuchte Wahrscheinlichkeit des zweiten Teilereignisses berechnet man nun als
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 =
