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:

Bei einem Glücksrad, ist die Wahrscheinlichkeit in den grünen Bereich zu kommen p=0,5. Wie oft muss man dieses Glückrad mindestens drehen, um mit einer Wahrscheinlichkeit von mindestens 90% 28 mal oder öfters in den grünen Bereich zu kommen?

Lösung einblenden
nP(X≤k)
......
610.2213
620.1871
630.1568
640.1302
650.1073
660.0876
......

Die Zufallsgröße X gibt Anzahl der Drehungen, die im grünen Bereich landen an und ist im Idealfall binomialverteilt mit p = 0.5 und variablem n.

Es muss gelten: P0.5n (X28) ≥ 0.9

Weil man ja aber P0.5n (X28) nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:

P0.5n (X28) = 1 - P0.5n (X27) ≥ 0.9 |+ P0.5n (X27) - 0.9

0.1 ≥ P0.5n (X27) oder P0.5n (X27) ≤ 0.1

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 50% der Versuche mit einem Treffer. Also müssten dann doch bei 28 0.5 ≈ 56 Versuchen auch ungefähr 28 (≈0.5⋅56) Treffer auftreten.

Wir berechnen also mit unserem ersten n=56:
P0.5n (X27) ≈ 0.4469 (TI-Befehl: Binomialcdf ...)

Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.1 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 0.1 überschritten wird.

Aus der Werte-Tabelle (siehe links) erkennt man dann, dass erstmals bei n=66 die gesuchte Wahrscheinlichkeit unter 0.1 ist.

n muss also mindestens 66 sein, damit P0.5n (X27) ≤ 0.1 oder eben P0.5n (X28) ≥ 0.9 gilt.

Binomialverteilung X ∈ [l;k]

Beispiel:

Ein partystarker Schüler muss einen Mulitple Choice Test ablegen, von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 91 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so mindestens 18, aber weniger als 26 Fragen richtig beantwortet hat?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=91 und p=0.25.

P0.2591 (18X25) =

...
15
16
17
18
19
20
21
22
23
24
25
26
27
...

P0.2591 (X25) - P0.2591 (X17) ≈ 0.7507 - 0.0992 ≈ 0.6515
(TI-Befehl: binomcdf(91,0.25,25) - binomcdf(91,0.25,17))

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.

Lösung einblenden
pP(X≤3)
......
1 4 0.5213
1 5 0.6982
1 6 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: Pp14 (X3) =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 Pp14 (X3) ('höchstens 3 Treffer bei 14 Versuchen') bei diesen Nennern wird (siehe Tabelle links)

Um einen günstigen Startwert zu finden wählen wir mal als p= 3 14 . Mit diesem p wäre ja 3= 3 14 ⋅14 der Erwartungswert und somit Pp14 (X3) irgendwo in der nähe von 50%. Wenn wir nun p= 3 14 mit 1 3 erweitern (so dass wir auf den Zähler 1 kommen) und den Nenner abrunden, müssten wir mit p= 1 4 einen brauchbaren Einstiegswert für dieses Probieren erhalten.

In dieser Tabelle erkennen wir, dass erstmals bei der Einzelwahrscheinlichkeit p= 1 6 die gesuchte Wahrscheinlichkeit über 70% steigt.
Der Nenner, also die Anzahl der Antwortmöglichkeiten, muss also mindestens 6 sein.

Binomialvert. mit variabl. p (höchstens) nur GTR

Beispiel:

Bei einem Zufallsexperiment ist die Wahrscheinlichkeit für einen Treffer unbekannt. Das Zufallsexperinment wird 86 mal wiederholt (bzw. die Stichprobe hat die Größe 86).Wie hoch darf die Einzelwahrscheinlichkeit p höchstens sein, dass mit einer Wahrscheinlichkeit von mind. 60% höchstens 80 Treffer erzielt werden?

Lösung einblenden
pP(X≤k)
......
0.870.9743
0.880.9543
0.890.9218
0.90.8712
0.910.7967
0.920.6941
0.930.5635
......

Es muss gelten: Pp86 (X80) =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=binomcdf(86,X,80) - 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=0.92 die gesuchte Wahrscheinlichkeit über 0.6 ist.

Binomialverteilung X ∈ [l;k]

Beispiel:

Ein Zufallsexperiment wird 94 mal wiederholt. Jedesmal beträgt die Wahrscheinlichkeit für einen Treffer p=0,45.Wie groß ist dabei die Wahrscheinlichkeit, mindestens 35, aber höchstens 44 Treffer zu erzielen?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=94 und p=0.45.

P0.4594 (35X44) =

...
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
...

P0.4594 (X44) - P0.4594 (X34) ≈ 0.6767 - 0.0521 ≈ 0.6246
(TI-Befehl: binomcdf(94,0.45,44) - binomcdf(94,0.45,34))

Binomialvert. Abstand vom Erwartungswert

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=0,25 entsteht. Es wird eine Stichprobe der Menge 74 entnommen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der defekten Chips nicht mehr als 15% vom Erwartungswert abweicht?

Lösung einblenden

Den Erwartungswert berechnet man als E=n⋅p=74⋅0.25 = 18.5

Die 15% Abweichung wären dann zwischen 85% von 18.5, also 0.85⋅ 18.5 = 15.725 und 115% von 18.5, also 1.15⋅ 18.5 = 21.275

Da die Trefferzahl ja nicht weiter von 18.5 entfernt sein darf als 15.725 bzw. 21.275, muss sie also zwischen 16 und 21 liegen.

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=74 und p=0.25.

P0.2574 (16X21) =

...
13
14
15
16
17
18
19
20
21
22
23
...

P0.2574 (X21) - P0.2574 (X15) ≈ 0.792 - 0.2127 ≈ 0.5793
(TI-Befehl: binomcdf(74,0.25,21) - binomcdf(74,0.25,15))