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:
In einer Urne ist der Anteil der grünen Kugeln 65%. Wie oft muss mindestens gezogen werden ( - natürlich mit Zurücklegen - ), so dass mit mind. 90% Wahrscheinlichkeit 40 oder mehr grüne Kugeln gezogen werden?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 64 | 0.2881 |
| 65 | 0.2354 |
| 66 | 0.1893 |
| 67 | 0.1499 |
| 68 | 0.1169 |
| 69 | 0.0898 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der gezogenen grünen Kugeln an und ist im Idealfall binomialverteilt mit p = 0.65 und variablem n.
Es muss gelten: ≥ 0.9
Weil man ja aber nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:
= 1 - ≥ 0.9 |+ - 0.9
0.1 ≥ oder ≤ 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 65% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 62 Versuchen auch ungefähr 40 (≈0.65⋅62) Treffer auftreten.
Wir berechnen also mit unserem ersten n=62:
≈ 0.4108
(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=69 die gesuchte Wahrscheinlichkeit unter 0.1 ist.
n muss also mindestens 69 sein, damit ≤ 0.1 oder eben ≥ 0.9 gilt.
kumulierte Binomialverteilung
Beispiel:
Eine Münze wird 78 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass höchstens 46 mal "Zahl" (p=0,5) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=78 und p=0.5.
= + + +... + = 0.95560878738896 ≈ 0.9556(TI-Befehl: binomcdf(78,0.5,46))
Binomialvert. mit variablem p (diskret)
Beispiel:
Ein neuer Multiple Choice Test mit 12 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 2 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.
| p | P(X≤2) |
|---|---|
| ... | ... |
| 0.6774 | |
| 0.7601 | |
| 0.818 | |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der zufällig richtig geratenenen Antworten an. X ist binomialverteilt mit n=12 und unbekanntem Parameter p.
Es muss gelten: =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 ('höchstens 2 Treffer bei 12 Versuchen') bei diesen Nennern wird (siehe Tabelle links)
Um einen günstigen Startwert zu finden wählen wir mal als p=. Mit diesem p wäre ja 2=⋅12 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 80% steigt.
Der Nenner, also die Anzahl der Antwortmöglichkeiten, muss also mindestens
8 sein.
Binomialvert. mit variabl. p (höchstens) nur GTR
Beispiel:
Bei einem Glücksrad soll mit einer Wahrscheinlichkeit von 90% bei 50 Ausspielungen nicht öfters als 41 mal der grüne Bereich kommen. Wie hoch darf man die Wahrscheinlichkeit für den grünen Bereich auf dem Glücksrad maximal setzen?
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.7 | 0.9817 |
| 0.71 | 0.974 |
| 0.72 | 0.9635 |
| 0.73 | 0.9497 |
| 0.74 | 0.9316 |
| 0.75 | 0.9084 |
| 0.76 | 0.8794 |
| ... | ... |
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(50,X,41) - 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=0.75 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Binomialverteilung X>=k
Beispiel:
Ein Würfel wird 50 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass mindestens 13 mal eine 6 (p=1/6) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=50 und p=.
(TI-Befehl: 1-binomcdf(50,,12))
Binomialvert. Abstand vom Erwartungswert
Beispiel:
Ein Basketballspieler hat eine Trefferquote von p=75%. Wie groß ist die Wahrscheinlichkeit dass er bei 73 Versuchen nicht mehr als 15% von seinem Erwartungswert abweicht?
Den Erwartungswert berechnet man als E=n⋅p=73⋅0.75 = 54.75
Die 15% Abweichung wären dann zwischen 85% von 54.75, also 0.85⋅ 54.75 = 46.538 und 115% von 54.75, also 1.15⋅ 54.75 = 62.963
Da die Trefferzahl ja nicht weiter von 54.75 entfernt sein darf als 46.538 bzw. 62.963, muss sie also zwischen 47 und 62 liegen.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=73 und p=0.75.
=
(TI-Befehl: binomcdf(73,0.75,62) - binomcdf(73,0.75,46))
