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 91 Stück nur an, wenn nicht mehr als 67 Teile defekt sind. Wie hoch darf der Prozentsatz der fehlerhaften Teile höchstens sein, dass eine Lieferung mit einer Wahrscheinlichkeit von mind. 90% angenommen werden.

Lösung einblenden
pP(X≥k)=1-P(X≤k-1)
......
0.620.9928
0.630.988
0.640.9804
0.650.9691
0.660.9526
0.670.9296
0.680.8984
......

Es muss gelten: Pp91 (X≤67) =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(91,X,67) - 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=0.67 die gesuchte Wahrscheinlichkeit über 0.9 ist.

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

Beispiel:

Ein Basketballtrainer sucht einen neuen Spieler, der mit 60% Wahrscheinlichkeit von 97 Freiwürfen mindestens 59 mal trifft. Welche Trefferquote braucht solch ein Spieler mindestens?

Lösung einblenden
pP(X≥59)=1-P(X≤58)
......
0.570.2561
0.580.3241
0.590.3989
0.60.478
0.610.5584
0.620.6369
......

Es muss gelten: Pp97 (X≥59) =0.6 (oder mehr)

oder eben: 1- Pp97 (X≤58) =0.6 (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(97,X,58) - 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=0.62 die gesuchte Wahrscheinlichkeit über 0.6 ist.

zwei unabhängige Binom.

Beispiel:

Ein Mitarbeiter der Stadtwerke bekommt den Auftrag am Freitag bei 60 und am Samstag bei 40 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 30 und 34 am Samstag so zwischen 19 und 32 erreichen werde. Tatsächlich ist die Wahrscheinlichkeit, dass ihm die Tür geöffnet wird, am Samstag mit 70% 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 30 und 34 Treffer bei 60 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.51 zu erzielen, also P0.5160 (30≤X≤34) .
Diese Wahrscheinlichkeit lässt sich als P0.5160 (X≤34) - P0.5160 (X≤29) ≈ 0.8431 - 0.388 ≈ 0.4551 berechnen.
TI-Befehl: binomcdf(60,0.51,34)- binomcdf(60,0.51,29)

Samstag:

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=40 und unbekanntem Parameter p.

Gesucht ist die Wahrscheinlichkeit zwischen 19 und 32 Treffer bei 40 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.7 zu erzielen, also P0.740 (19≤X≤32) .
Diese Wahrscheinlichkeit lässt sich als P0.740 (X≤32) - P0.740 (X≤18) ≈ 0.9447 - 0.0009 ≈ 0.9438 berechnen.
TI-Befehl: binomcdf(40,0.7,32)- binomcdf(40,0.7,18)

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

P ≈ 0.4551 ⋅ 0.9438 ≈ 0.4295

feste Reihenfolge im Binomialkontext

Beispiel:

Bei einem Glücksrad beträgt die Wahrscheinlichkeit für den grünen Bereich 55%. Es wird 10 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 10 Versuchen mit der Formel von Bernoulli berechnen: ( 10 4 ) ⋅ 0.55 4 ⋅ 0.45 6

Dabei gibt ja 0.55 4 ⋅ 0.45 6 die Wahrscheinlichkeit eines bestimmten Pfads mit 4 Treffer und 6 Nicht-Treffern und ( 10 4 ) die Anzahl solcher Pfade an.

Hier spielt nun aber die Reihenfolge eine Rolle, also haben wir nicht alle möglichen ( 10 4 ) Anordnungen der Treffer sondern nur die ausgewählten (bei denen die Treffer benachbart sind), das sind im Einzelnen:

XXXXOOOOOO

OXXXXOOOOO

OOXXXXOOOO

OOOXXXXOOO

OOOOXXXXOO

OOOOOXXXXO

OOOOOOXXXX

Es gibt also genau 7 verschiedene mögliche Reihenfolgen für diese benachbarten Treffer, somit gilt für die Gesamtwahrscheinlichkeit:
P = 7 ⋅ 0.55 4 ⋅ 0.45 6 ≈ 0.0053

Kombination Binom.-Baumdiagramm

Beispiel:

Ein fernöstlicher LED-Hersteller hat Probleme in der Qualitätssicherung, so dass 9% 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)

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 4 Treffer bei 25 Versuchen mit einer Einzelwahrscheinlichkeiten von 0.09, also P0.0925 (X≤4)

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=0.09.

P0.0925 (X≤4) = P0.0925 (X=0) + P0.0925 (X=1) + P0.0925 (X=2) +... + P0.0925 (X=4) = 0.93138653918453 ≈ 0.9314
(TI-Befehl: binomcdf(25,0.09,4))

Damit kennen wir nun die Einzelwahrscheinlichkeiten von 'kiste ok' (p=0.9314) und 'nicht ok'(p=0.0686).

Jetzt können wir mit einem Baumdiagramm die Gesuchte Endwahrscheinlichkeit berechnen.

Gesucht ist ja 0 mal 'nicht ok'

EreignisP
kiste ok -> kiste ok0,8675
kiste ok -> nicht ok0,0639
nicht ok -> kiste ok0,0639
nicht ok -> nicht ok0,0047

Einzel-Wahrscheinlichkeiten: P("kiste ok")=0,9314; P("nicht ok")=0,0686;

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=0,8675)

Die Lösung ist also die Summe dieser Wahrscheinlichkeiten:

0,8675 = 0,8675


Binomial-Aufgabe mit 2 Ereignissen

Beispiel:

Ein Basketballspieler hat eine Trefferquote von 60% und wirft 29 mal auf dem Korb. Wie groß ist die Wahrscheinlichkeit, dass er von den ersten 20 Versuchen genau 12 mal und von den restlichen Versuchen höchstens 5 mal trifft.

Lösung einblenden

Wir können die beiden Ereignisse als zwei getrennte von einander unabhängige Zufallsversuche betrachten, dabei betrachten wir zuerst die ersten 20 Durchgänge:

Die Zufallsgröße X gibt die Anzahl der Treffer des BB-Spielers an. X ist binomialverteilt mit n=20 und p=0.6.

Die gesuchte Wahrscheinlichkeit des ersten Teilereignisses berechnet man jetzt einfach als P0.620 (X=12) ≈ 0.1797.

Analog betrachten wir nun die restlichen 9 Durchgänge:

Die Zufallsgröße Y gibt die Anzahl der Treffer des BB-Spielers an. Y ist binomialverteilt mit n=9 und p=0.6.

Die gesuchte Wahrscheinlichkeit des zweiten Teilereignisses berechnet man nun als P0.69 (Y≤5) ≈ 0.5174.

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 = P0.620 (X=12) ⋅ P0.69 (Y≤5) = 0.1797 ⋅ 0.5174 ≈ 0.093