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:

Bei einem Zufallsexperiment beträgt die Wahrscheinlichkeit für einen Treffer p=0,15.Wie oft darf man das Zufallsexperiment höchstens wiederholen (oder wie groß darf die Stichprobe sein), um mit mind. 90% Wahrscheinlichkeit, höchstens 25 Treffer zu erzielen ?

Lösung einblenden
nP(X≤k)
......
1340.9015
1350.8947
1360.8875
1370.8801
1380.8724
1390.8644
1400.8561
1410.8475
1420.8386
1430.8295
1440.82
1450.8103
1460.8004
1470.7902
1480.7797
1490.769
1500.7581
1510.7469
1520.7356
1530.724
1540.7123
1550.7004
1560.6883
1570.6761
1580.6637
1590.6513
1600.6387
1610.626
1620.6132
1630.6004
1640.5876
1650.5747
1660.5617
1670.5488
......

Die Zufallsgröße X gibt die Anzahl der Treffer an und ist im Idealfall binomialverteilt mit p = 0.15 und variablem n.

Es muss gelten: P0.15n (X25) ≥ 0.9

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 15% der Versuche mit einem Treffer. Also müssten dann doch bei 25 0.15 ≈ 167 Versuchen auch ungefähr 25 (≈0.15⋅167) Treffer auftreten.

Wir berechnen also mit unserem ersten n=167:
P0.15n (X25) ≈ 0.5488 (TI-Befehl: Binomialcdf ...)

Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.9 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 0.9 überschritten wird.

Aus der Werte-Tabelle (siehe links) erkennt man dann, dass letztmals bei n=134 die gesuchte Wahrscheinlichkeit über 90% ist.

Formel v. Bernoulli

Beispiel:

Ein partystarker Schüler muss einen Mulitple Choice Test ablegen von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 89 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so genau 26 Fragen richtig beantwortet hat?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=89 und p= 1 4 .

P 1 4 89 (X=26) = ( 89 26 ) ( 1 4 )26 ( 3 4 )63 =0.061678975241156≈ 0.0617
(TI-Befehl: binompdf(89,1/4,26))

Binomialvert. mit variablem p (diskret)

Beispiel:

Ein neuer Multiple Choice Test mit 16 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 20% liegt. Bestimme die hierfür notwendige Mindestanzahl an Antwortmöglichkeiten bei jeder Frage.

Lösung einblenden
pP(X≤3)
......
1 5 0.5981
1 6 0.7291
1 7 0.8143
......

Die Zufallsgröße X gibt die Anzahl der zufällig richtig geratenenen Antworten an. X ist binomialverteilt mit n=16 und unbekanntem Parameter p.

Es muss gelten: Pp16 (X3) =0.8 (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 Pp16 (X3) ('höchstens 3 Treffer bei 16 Versuchen') bei diesen Nennern wird (siehe Tabelle links)

Um einen günstigen Startwert zu finden wählen wir mal als p= 3 16 . Mit diesem p wäre ja 3= 3 16 ⋅16 der Erwartungswert und somit Pp16 (X3) irgendwo in der nähe von 50%. Wenn wir nun p= 3 16 mit 1 3 erweitern (so dass wir auf den Zähler 1 kommen) und den Nenner abrunden, müssten wir mit p= 1 5 einen brauchbaren Einstiegswert für dieses Probieren erhalten.

In dieser Tabelle erkennen wir, dass erstmals bei der Einzelwahrscheinlichkeit p= 1 7 die gesuchte Wahrscheinlichkeit über 80% steigt.
Der Nenner, also die Anzahl der Antwortmöglichkeiten, muss also mindestens 7 sein.

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

Beispiel:

Ein Glücksrad soll mit nur zwei verschiedenen Sektoren (blau und rot) gebaut werden. Wie hoch muss man die Einzelwahrscheinlichkeit p mindestens wählen, dass die Wahrscheinlichkeit bei 72 Wiederholungen 60 mal (oder mehr) rot zu treffen bei mind. 90% liegt?

Lösung einblenden
pP(X≥60)=1-P(X≤59)
......
0.830.5462
0.840.6359
0.850.7215
0.860.7984
0.870.8633
0.880.9141
......

Es muss gelten: Pp72 (X60) =0.9 (oder mehr)

oder eben: 1- Pp72 (X59) =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(72,X,59) - 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=0.88 die gesuchte Wahrscheinlichkeit über 0.9 ist.

Binomialverteilung X ∈ [l;k]

Beispiel:

Ein Basketballspieler hat eine Trefferquote von 79% von der Freiwurflinie. Wie groß ist die Wahrscheinlichkeit dass er von 87 Versuchen mindestens 64 und weniger als 73 trifft?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=87 und p=0.79.

P0.7987 (64X72) =

...
61
62
63
64
65
66
67
68
69
70
71
72
73
74
...

P0.7987 (X72) - P0.7987 (X63) ≈ 0.8396 - 0.0873 ≈ 0.7523
(TI-Befehl: binomcdf(87,0.79,72) - binomcdf(87,0.79,63))

Erwartungswert, Standardabweichung best.

Beispiel:

Eine Zufallsgröße ist binomialverteilt mit den Parametern n = 37 und p = 0.3
Bestimme den Erwartungswert μ und die Standardabweichung σ von X .

Lösung einblenden

Für Erwartungswert und Standardabweichung bei der Binomialverteilung gibt es ja einfache Formeln, in die man einfach n = 37 und p = 0.3 einsetzen muss:

Erwartungswert E(X) = n ⋅ p = 37 ⋅ 0.3 = 11.1

Standardabweichung S(X) = n ⋅ p ⋅ (1-p) = 37 ⋅ 0.3 ⋅ 0.7 = 7.77 2.79