Aufgabenbeispiele von Wiederholung aus 9/10
Durch Aktualisieren des Browsers (z.B. mit Taste F5) kann man neue Beispielaufgaben sehen
Binomialvert. mit variablem n (höchst.)
Beispiel:
Wie oft darf man mit einem normalen Würfel höchstens würfeln, um mit einer Wahrscheinlichkeit von 50% nicht mehr als 29 6er zu würfeln?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 174 | 0.5494 |
| 175 | 0.5359 |
| 176 | 0.5224 |
| 177 | 0.509 |
| 178 | 0.4956 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der gewürfelten 6er an und ist im Idealfall binomialverteilt mit p = und variablem n.
Es muss gelten: ≥ 0.5
Jetzt müssen wir eben so lange mit verschiedenen Werten von n probieren, bis diese Gleichung erstmals erfüllt wird:
Dabei stellt sich nun natürlich die Frage, mit welchem Wert für n wir dabei beginnen. Im Normalfall enden der Versuche mit einem Treffer.
Also müssten dann doch bei ≈ 174 Versuchen auch ungefähr 29
(≈
Wir berechnen also mit unserem ersten n=174:
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.5 entfernt ist, erhöhen bzw. verkleinern wir das n eben in größeren oder kleineren Schrittweiten.
Dies wiederholen wir solange, bis wir zwei aufeinanderfolgende Werte von n gefunden haben, bei denen die 0.5 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass letztmals bei n=177 die gesuchte Wahrscheinlichkeit über 50% ist.
Binomialverteilung X ∈ [l;k]
Beispiel:
In einer Chip-Fabrik werden neue High Tech Chips produziert. Leider ist die Technik noch nicht so ganz ausgereift, weswegen Ausschuss mit einer Wahrscheinlichkeit von p=0,75 entsteht. Es wird eine Stichprobe der Menge 82 entnommen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der defekten Chips mindestens 54 und höchstens 67 beträgt?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=82 und p=0.75.
(TI-Befehl: binomcdf(82,0.75,67) - binomcdf(82,0.75,53))
Binomialvert. mit variablem p (diskret)
Beispiel:
Die Homepage-AG einer Schule möchte auf der Startseite der Internetseite der Schule ein Zufallsbild integrieren. Dabei soll bei jedem Aufruf der Startseite ein zufälliges Bild aus einer Bilderdatenbank gezeigt werden. Alle Bilder der Datenbank sind immer gleich wahrscheinlich. Auf 3 Bildern der Datenbank sind Mitglieder der Homepage-AG zu sehen. Es wird geschätzt, dass die Seite täglich 150 mal aufgerufen wird. Die Mitglieder der Homepage-AG wollen dass mit mindestens 70%-iger Wahrscheinlichkiet mindestens 12 mal am Tag eines ihrer eigenen 3 Bilder erscheint. Wie viele andere Bilder dürfen dann höchstens noch in der Datenbank sein?
| p | P(X≥12)=1-P(X≤11) |
|---|---|
| ... | ... |
| 0.9998 | |
| 0.9994 | |
| 0.9984 | |
| 0.9966 | |
| 0.9934 | |
| 0.9882 | |
| 0.9805 | |
| 0.9697 | |
| 0.9554 | |
| 0.9374 | |
| 0.9156 | |
| 0.8901 | |
| 0.8611 | |
| 0.8291 | |
| 0.7945 | |
| 0.7578 | |
| 0.7196 | |
| 0.6804 | |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der Bilder mit Homepage-AG-lern an. X ist binomialverteilt mit n=150 und unbekanntem Parameter p.
Es muss gelten:
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 3 sein muss, da es ja genau 3 günstige Fälle gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit
Als Startwert wählen wir als p=
In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p=
Der Nenner, also die Anzahl aller Bilder in der Datenbank, darf also höchstens
33 sein.
Also wären noch 30 zusätzliche Optionen (also weitere Bilder) zulässig.
Binomialvert. mit variabl. p (höchstens) nur GTR
Beispiel:
Ein Promi macht Urlaub in einem Ferienclub. Dort sind noch weitere 67 Gäste. Wie groß darf der Bekanntheitsgrad des Promis höchstens sein, dass ihn mit einer Wahrscheinlichkeit von mindestens 90% nicht mehr als 51 erkennen und dumm anlabern?
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.64 | 0.988 |
| 0.65 | 0.9817 |
| 0.66 | 0.9727 |
| 0.67 | 0.9603 |
| 0.68 | 0.9433 |
| 0.69 | 0.9209 |
| 0.7 | 0.892 |
| ... | ... |
Es muss gelten:
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(67,X,51) - 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=0.69 die gesuchte Wahrscheinlichkeit über 0.9 ist.
kumulierte Binomialverteilung
Beispiel:
Ein Würfel wird 66 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass nicht öfter als 14 mal eine 6 (p=1/6) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der Treffer an.
X ist binomialverteilt mit n=66 und p=
(TI-Befehl: binomcdf(66,1/6,14))
Wahrscheinlichkeit von σ-Intervall um μ
Beispiel:
In einer Chip-Fabrik werden neue High Tech Chips produziert. Leider ist die Technik noch nicht so ganz ausgereift, weswegen Ausschuss mit einer Wahrscheinlichkeit von p=0,3 entsteht. Es wird eine Stichprobe der Menge 73 entnommen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der defekten Chips um nicht mehr als eine Standardabweichung vom Erwartungswert abweicht?
Den Erwartungswert berechnet man mit μ = n⋅p = 73⋅0.3 ≈ 21.9,
die Standardabweichung mit σ =
25.82 (21.9 + 3.92) und 17.98 (21.9 - 3.92) sind also jeweils eine Standardabweichung vom Erwartungswert μ = 21.9 entfernt.
Das bedeutet, dass genau die Zahlen zwischen 18 und 25 nicht mehr als eine Standardabweichung vom Erwartungswert entfernt sind.
Gesucht ist also die Wahrscheinlichkeit, dass die Trefferanzahl zwischen 18 und 25 liegt.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=73 und p=0.3.
(TI-Befehl: binomcdf(73,0.3,25) - binomcdf(73,0.3,17))
