Aufgabenbeispiele von Wiederholung aus 9/10
Durch Aktualisieren des Browsers (z.B. mit Taste F5) kann man neue Beispielaufgaben sehen
Binomialvert. mit variablem n (mind)
Beispiel:
Die Firma Apple hat ein neues geniales Produkt, die iYacht, auf den Markt gebracht (wenn auch nicht ganz günstig). Die hierfür beauftragte Marketingagentur garantiert, dass unter denen, denen sie die Yacht vorgeführt hat, der Anteil der späteren Käufer bei 19% liegt. Wie vielen Personen muss nun dieses Produkt mindestens vorgeführt werden, damit sich mit mind. 70% Wahrscheinlichkeit, 23 oder mehr Käufer für dieses Produkt finden?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 127 | 0.3639 |
| 128 | 0.3482 |
| 129 | 0.3328 |
| 130 | 0.3178 |
| 131 | 0.3032 |
| 132 | 0.2889 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der Käufer an und ist im Idealfall binomialverteilt mit p = 0.19 und variablem n.
Es muss gelten: ≥ 0.7
Weil man ja aber nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:
= 1 - ≥ 0.7 |+ - 0.7
0.3 ≥ oder ≤ 0.3
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 19% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 121 Versuchen auch ungefähr 23 (≈0.19⋅121) Treffer auftreten.
Wir berechnen also mit unserem ersten n=121:
≈ 0.4643
(TI-Befehl: Binomialcdf ...)
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.3 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 0.3 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass erstmals bei n=132 die gesuchte Wahrscheinlichkeit unter 0.3 ist.
n muss also mindestens 132 sein, damit ≤ 0.3 oder eben ≥ 0.7 gilt.
kumulierte Binomialverteilung
Beispiel:
Eine Münze wird 27 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass höchstens 14 mal "Zahl" (p=0,5) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=27 und p=0.5.
= + + +... + = 0.64944598078728 ≈ 0.6494(TI-Befehl: binomcdf(27,0.5,14))
Binomialvert. mit variablem p (diskret)
Beispiel:
Ein neuer Multiple Choice Test mit 14 verschiedenen Fragen soll entwickelt werden. Dabei muss immer genau eine von mehreren Antwortmöglichkeiten richtig sein. Die Anzahl an Antwortmöglichkeiten soll bei allen Fragen gleich sein. Insgesamt soll der Test so konzipiert sein, dass die Wahrscheinlichkeit mehr als 3 Fragen nur durch Raten zufällig richtig zu beantworten (obwohl man keinerlei Wissen hat) bei höchstens 30% liegt. Bestimme die hierfür notwendige Mindestanzahl an Antwortmöglichkeiten bei jeder Frage.
| p | P(X≤3) |
|---|---|
| ... | ... |
| 0.5213 | |
| 0.6982 | |
| 0.8063 | |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der zufällig richtig geratenenen Antworten an. X ist binomialverteilt mit n=14 und unbekanntem Parameter p.
Es muss gelten: =0.7 (oder mehr)
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 1 sein muss, da es ja genau einen günstigen Fall gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit ('höchstens 3 Treffer bei 14 Versuchen') bei diesen Nennern wird (siehe Tabelle links)
Um einen günstigen Startwert zu finden wählen wir mal als p=. Mit diesem p wäre ja 3=⋅14 der Erwartungswert und somit irgendwo in der nähe von 50%. Wenn wir nun p= mit erweitern (so dass wir auf den Zähler 1 kommen) und den Nenner abrunden, müssten wir mit p= einen brauchbaren Einstiegswert für dieses Probieren erhalten.
In dieser Tabelle erkennen wir, dass erstmals bei der Einzelwahrscheinlichkeit p= die gesuchte
Wahrscheinlichkeit über 70% steigt.
Der Nenner, also die Anzahl der Antwortmöglichkeiten, muss also mindestens
6 sein.
Binomialvert. mit variabl. p (mind.) nur GTR
Beispiel:
Ein Basketballtrainer sucht einen neuen Spieler, der mit 60% Wahrscheinlichkeit von 99 Freiwürfen mindestens 61 mal trifft. Welche Trefferquote braucht solch ein Spieler mindestens?
| p | P(X≥61)=1-P(X≤60) |
|---|---|
| ... | ... |
| 0.58 | 0.2665 |
| 0.59 | 0.3366 |
| 0.6 | 0.4133 |
| 0.61 | 0.494 |
| 0.62 | 0.5754 |
| 0.63 | 0.6542 |
| ... | ... |
Es muss gelten: =0.6 (oder mehr)
oder eben: 1- =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(99,X,60) - 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=0.63 die gesuchte Wahrscheinlichkeit über 0.6 ist.
Binomialverteilung X>=k
Beispiel:
Ein Basketballspieler hat eine Trefferquote von p=0,87. Wie groß ist die Wahrscheinlichkeit dass er von 73 Versuchen mehr als 58 trifft?
(Bitte auf 4 Stellen nach dem Komma runden)
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=73 und p=0.87.
(TI-Befehl: 1-binomcdf(73,0.87,58))
Binomialvert. Abstand vom Erwartungswert
Beispiel:
Ein Würfel wird 66 mal geworfen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der gewürfelten 6er nicht mehr als 20% vom Erwartungswert abweicht?
Den Erwartungswert berechnet man als E=n⋅p=66⋅ = 11
Die 20% Abweichung wären dann zwischen 80% von 11, also 0.8⋅ 11 = 8.8 und 120% von 11, also 1.2⋅ 11 = 13.2
Da die Trefferzahl ja nicht weiter von 11 entfernt sein darf als 8.8 bzw. 13.2, muss sie also zwischen 9 und 13 liegen.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=66 und p=.
=
(TI-Befehl: binomcdf(66,,13) - binomcdf(66,,8))
