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:

Der, dessen Name nicht genannt werden darf, testet Zauber um seine Nase wiederherzustellen. Ein solcher Versuch endet zu 30% mit einer Konfettiexplosion. Wie viele Versuche muss er mindestens machen, damit er mit einer Wahrscheinlichkeit von mindestens 70% mindestens 21 Nasen hat.

Lösung einblenden
nP(X≤k)
......
300.4112
310.3121
320.2283
......

Die Zufallsgröße X gibt die Anzahl der geglückten Nasen-Zauberversuche an und ist im Idealfall binomialverteilt mit p = 0.7 und variablem n.

Es muss gelten: P0.7n (X21) ≥ 0.7

Weil man ja aber P0.7n (X21) nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:

P0.7n (X21) = 1 - P0.7n (X20) ≥ 0.7 |+ P0.7n (X20) - 0.7

0.3 ≥ P0.7n (X20) oder P0.7n (X20) ≤ 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 70% der Versuche mit einem Treffer. Also müssten dann doch bei 21 0.7 ≈ 30 Versuchen auch ungefähr 21 (≈0.7⋅30) Treffer auftreten.

Wir berechnen also mit unserem ersten n=30:
P0.7n (X20) ≈ 0.4112 (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=32 die gesuchte Wahrscheinlichkeit unter 0.3 ist.

n muss also mindestens 32 sein, damit P0.7n (X20) ≤ 0.3 oder eben P0.7n (X21) ≥ 0.7 gilt.

kumulierte Binomialverteilung

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=0,28 entsteht. Es wird eine Stichprobe der Menge 66 entnommen. Wie groß ist die Wahrscheinlichkeit, dass davon nicht mehr als 12 defekte Chips enthalten sind.

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=66 und p=0.28.

P0.2866 (X12) = P0.2866 (X=0) + P0.2866 (X=1) + P0.2866 (X=2) +... + P0.2866 (X=12) = 0.046282452891668 ≈ 0.0463
(TI-Befehl: binomcdf(66,0.28,12))

Binomialvert. mit variablem p (diskret)

Beispiel:

In einer Urne sind 5 rote und einige schwarze Kugeln. Es soll 29 mal mit Zurücklegen gezogen werden. Wie viele schwarze Kugeln dürfen in der Urne höchstens sein, damit mit einer Wahrscheinlichkeit von mindestens 80% unter den 29 gezogenen Kugeln nicht mehr als 24 schwarze sind?

Lösung einblenden
pP(X≤24)
......
6 11 0.9997
7 12 0.9987
8 13 0.9964
9 14 0.9917
10 15 0.9839
11 16 0.9722
12 17 0.9563
13 18 0.9363
14 19 0.9122
15 20 0.8847
16 21 0.8542
17 22 0.8215
18 23 0.7872
......

Die Zufallsgröße X gibt die Anzahl der gezogenen Kugeln mit der Farbe schwarz an. X ist binomialverteilt mit n=29 und unbekanntem Parameter p.

Es muss gelten: Pp29 (X24) = 0.8 (oder mehr)

Wir wissen, dass der Nenner bei unserer Einzelwahrscheinlichkeit p immer um 5 größer sein muss als der Zähler.

Deswegen erhöhen wir nun schrittweise immer den Zähler und Nenner bei der Einzelwahrscheinlichkeit um 1 und probieren aus, wie sich das auf die gesuchte Wahrscheinlichkeit Pp29 (X24) ('höchstens 24 Treffer bei 29 Versuchen') auswirkt (siehe Tabelle links)

Als Startwert wählen wir als p= 6 11 . (Durch Ausprobieren erkennt man, dass vorher die Wahrscheinlichkeit immer fast 1 ist)

In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p= 17 22 die gesuchte Wahrscheinlichkeit über 80% bleibt.
Die Anzahl der schwarzen Kugeln, die hinzugefügt wird, darf also höchstens 17 sein.

Binomialvert. mit variabl. p (höchstens) nur GTR

Beispiel:

Ein Promi macht Urlaub in einem Ferienclub. Dort sind noch weitere 99 Gäste. Wie groß darf der Bekanntheitsgrad des Promis höchstens sein, dass ihn mit einer Wahrscheinlichkeit von mindestens 90% nicht mehr als 96 erkennen und dumm anlabern?

Lösung einblenden
pP(X≤k)
......
0.890.9991
0.90.9979
0.910.9949
0.920.988
0.930.9728
0.940.9408
0.950.8775
......

Es muss gelten: Pp99 (X96) =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(99,X,96) - 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=0.94 die gesuchte Wahrscheinlichkeit über 0.9 ist.

Binomialverteilung X ∈ [l;k]

Beispiel:

Ein Basketballspieler hat eine Trefferquote von 81% von der Freiwurflinie. Wie groß ist die Wahrscheinlichkeit dass er von 82 Versuchen mindestens 63 und weniger als 67 trifft?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=82 und p=0.81.

P0.8182 (63X66) =

...
60
61
62
63
64
65
66
67
68
...

P0.8182 (X66) - P0.8182 (X62) ≈ 0.4973 - 0.1359 ≈ 0.3614
(TI-Befehl: binomcdf(82,0.81,66) - binomcdf(82,0.81,62))

Erwartungswert, Standardabweichung best.

Beispiel:

Eine Zufallsgröße ist binomialverteilt mit den Parametern n = 86 und p = 0.5
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 = 86 und p = 0.5 einsetzen muss:

Erwartungswert E(X) = n ⋅ p = 86 ⋅ 0.5 = 43

Standardabweichung S(X) = n ⋅ p ⋅ (1-p) = 86 ⋅ 0.5 ⋅ 0.5 = 21.5 4.64