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 15% liegt. Wie vielen Personen muss nun dieses Produkt mindestens vorgeführt werden, damit sich mit mind. 70% Wahrscheinlichkeit, 31 oder mehr Käufer für dieses Produkt finden?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 218 | 0.3451 |
| 219 | 0.3348 |
| 220 | 0.3247 |
| 221 | 0.3148 |
| 222 | 0.305 |
| 223 | 0.2954 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der Käufer an und ist im Idealfall binomialverteilt mit p = 0.15 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 15% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 207 Versuchen auch ungefähr 31 (≈0.15⋅207) Treffer auftreten.
Wir berechnen also mit unserem ersten n=207:
≈ 0.4664
(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=223 die gesuchte Wahrscheinlichkeit unter 0.3 ist.
n muss also mindestens 223 sein, damit ≤ 0.3 oder eben ≥ 0.7 gilt.
Formel v. Bernoulli
Beispiel:
Ein Würfel wird 96 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass genau 9 mal eine 6 (p=1/6) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=96 und p=.
= =0.016621007899685≈ 0.0166(TI-Befehl: binompdf(96,1/6,9))
Binomialvert. mit variablem p (diskret)
Beispiel:
Eine Firma, die Überraschungseier vertreibt, möchte als Werbegag manche Eier mit Superfiguren bestücken. Aus Angst vor Kundenbeschwerden sollen in einer 8er-Packung mit der mindestens 50% Wahrscheinlichkeit 2 oder mehr Superfiguren enthalten sein. Wenn in jedes n-te Ei eine Superfigur rein soll, wie groß darf dann n höchstens sein?
| p | P(X≥2)=1-P(X≤1) |
|---|---|
| ... | ... |
| 0.9648 | |
| 0.8049 | |
| 0.6329 | |
| 0.4967 | |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der Eier mit einer Superfigur an. X ist binomialverteilt mit n=8 und unbekanntem Parameter p.
Es muss gelten: = 1- = 0.5 (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 ('mindestens 2 Treffer bei 8 Versuchen') bei diesen Nennern wird (siehe Tabelle links)
Als Startwert wählen wir als p=.
In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p= die gesuchte
Wahrscheinlichkeit über 50% bleibt.
Der Nenner, also die das wievielte Ei eine Superfigur enthält, darf also höchstens
4 sein.
Binomialvert. mit variabl. p (höchstens) nur GTR
Beispiel:
Eine Produktionsstätte für HighTech-Chips hat Probleme mit der Qualitätssicherung. Ein Großhändler nimmt die übliche Liefermenge von 93 Stück nur an, wenn nicht mehr als 57 Teile defekt sind. Wie hoch darf der Prozentsatz der fehlerhaften Teile höchstens sein, dass eine Lieferung mit einer Wahrscheinlichkeit von mind. 90% angenommen werden.
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.5 | 0.989 |
| 0.51 | 0.982 |
| 0.52 | 0.9716 |
| 0.53 | 0.9566 |
| 0.54 | 0.9358 |
| 0.55 | 0.9078 |
| 0.56 | 0.8715 |
| ... | ... |
Es muss gelten: =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(93,X,57) - 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=0.55 die gesuchte Wahrscheinlichkeit über 0.9 ist.
kumulierte Binomialverteilung
Beispiel:
Ein Würfel wird 72 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass weniger als 12 mal eine 6 (p=1/6) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der gewürfelten Sechser an. X ist binomialverteilt mit n=72 und p=.
= = + + +... + = 0.45102750054657 ≈ 0.451(TI-Befehl: binomcdf(72,1/6,11))
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=0,25 entsteht. Es wird eine Stichprobe der Menge 53 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 = 53⋅0.25 ≈ 13.25,
die Standardabweichung mit σ =
=
≈ 3.15
16.4 (13.25 + 3.15) und 10.1 (13.25 - 3.15) sind also jeweils eine Standardabweichung vom Erwartungswert μ = 13.25 entfernt.
Das bedeutet, dass genau die Zahlen zwischen 11 und 16 nicht mehr als eine Standardabweichung vom Erwartungswert entfernt sind.
Gesucht ist also die Wahrscheinlichkeit, dass die Trefferanzahl zwischen 11 und 16 liegt.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=53 und p=0.25.
=
(TI-Befehl: binomcdf(53,0.25,16) - binomcdf(53,0.25,10))
