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 84 Ausspielungen nicht öfters als 50 mal der grüne Bereich kommen. Wie hoch darf man die Wahrscheinlichkeit für den grünen Bereich auf dem Glücksrad maximal setzen?
| p | P(X≥k)=1-P(X≤k-1) |
|---|---|
| ... | ... |
| 0.48 | 0.987 |
| 0.49 | 0.9795 |
| 0.5 | 0.9685 |
| 0.51 | 0.9532 |
| 0.52 | 0.9323 |
| 0.53 | 0.9049 |
| 0.54 | 0.87 |
| ... | ... |
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(84,X,50) - 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=0.53 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Binomialvert. mit variabl. p (mind.) nur GTR
Beispiel:
Eine Fluggesellschaft verkauft 65 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) |
|---|---|
| ... | ... |
| 0.61 | 0.7098 |
| 0.62 | 0.7643 |
| 0.63 | 0.8129 |
| 0.64 | 0.8551 |
| 0.65 | 0.8906 |
| 0.66 | 0.9196 |
| ... | ... |
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(65,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=0.66 die gesuchte Wahrscheinlichkeit über 0.9 ist.
zwei unabhängige Binom.
Beispiel:
Ein Biathlet hat beim Liegendschießen eine Trefferquote von 91% und im Stehen 90%. Beim Sprintwettbewerb muss er 5 mal liegend und 5 mal im Stehen schießen. Wie hoch ist die Wahrscheinlichkeit, dass er dabei mindestens 9 mal trifft?
(Bitte auf 4 Stellen nach dem Komma runden)
Zuerst überlegen wir mit welchen Kombinationen man auf die Summe von mindestens 9 kommen kann:
- 4 mal Liegendschießen und 5 mal Stehendschießen
- 5 mal Liegendschießen und 4 mal Stehendschießen
- 5 mal Liegendschießen und 5 mal Stehendschießen
4 mal Liegendschießen und 5 mal Stehendschießen
Die Wahrscheinlichkeit für 4 mal Liegendschießen ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=5 und p=0.91.
= ≈ 0.3086Die Wahrscheinlichkeit für 5 mal Stehendschießen ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=5 und p=0.9.
= ≈ 0.5905Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten.
p1=0.3086 ⋅ 0.5905 = 0.1822283
5 mal Liegendschießen und 4 mal Stehendschießen
Die Wahrscheinlichkeit für 5 mal Liegendschießen ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=5 und p=0.91.
= ≈ 0.624Die Wahrscheinlichkeit für 4 mal Stehendschießen ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=5 und p=0.9.
= ≈ 0.3281Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten.
p2=0.624 ⋅ 0.3281 = 0.2047344
5 mal Liegendschießen und 5 mal Stehendschießen
Die Wahrscheinlichkeit für 5 mal Liegendschießen ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=5 und p=0.91.
= ≈ 0.624Die Wahrscheinlichkeit für 5 mal Stehendschießen ist
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=5 und p=0.9.
= ≈ 0.5905Da die beiden Ereignisse unabhängig voneinander sind, darf man die Wahrscheinlichkeiten multilplizieren, um die Wahrscheinlichkeit, dass beides eintritt, zu erhalten.
p3=0.624 ⋅ 0.5905 = 0.368472
Die gesuchte Wahrscheinlichkeit erhält man nun, indem man die Wahrscheinlichkeiten der 3 Kombinationen addiert:
0.1822 + 0.2047 + 0.3685 = 0.7554
feste Reihenfolge im Binomialkontext
Beispiel:
8 Würfel werden gleichzeitig geworfen und liegen dann anschließend in einer Reihe. Bestimme die Wahrscheinlichkeit, dass dabei genau 3 Sechser gewürfelt werden und die alle direkt nebeneinander liegen.
Wenn die Reihenfolge keine Rolle spielen würde, könnten wir ja einfach die Wahrscheinlichkeit von 3 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
XXXOOOOO
OXXXOOOO
OOXXXOOO
OOOXXXOO
OOOOXXXO
OOOOOXXX
Es gibt also genau 6 verschiedene mögliche Reihenfolgen für diese benachbarten Treffer, somit gilt für die Gesamtwahrscheinlichkeit:
P = 6 ⋅
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 50 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=50 und unbekanntem Parameter p.
Gesucht ist die Wahrscheinlichkeit für höchstens 4 Treffer bei 50 Versuchen mit einer Einzelwahrscheinlichkeiten
von 0.05, also
Dazu kann man ja einfach die kumulierte Binomialverteilungsfunktion benutzen:
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=50 und p=0.05.
(TI-Befehl: binomcdf(50,0.05,4))
Damit kennen wir nun die Einzelwahrscheinlichkeiten von 'kiste ok' (p=0.8964) und 'nicht ok'(p=0.1036).
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: P("kiste ok")=
- 'kiste ok'-'kiste ok' (P=
)0,8035
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 22 Schülerinnen und Schüler jeweils einen Glückskeks. Wie groß ist die Wahrscheinlichkeit, dass von den 5 Mädchen genau 1 einen Glückskeks mit einer Peperoni und von den Jungs genau 3 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 5
Durchgänge:
Die Zufallsgröße X gibt die Anzahl der Kekse mit einer Peperoni drin an.
X ist binomialverteilt mit n=5 und p=
Die gesuchte Wahrscheinlichkeit des ersten Teilereignisses berechnet man jetzt einfach als
Analog betrachten wir nun die restlichen 17 Durchgänge:
Die Zufallsgröße Y gibt die Anzahl der Kekse mit einer Peperoni drin an.
Y ist binomialverteilt mit n=17 und p=
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 =
