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:

Im einem Mathekurs beträgt die Wahrscheinlichkeit, dass ein klassischer GeSchwa-Fehler begangen wird, p=0,3. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 90% maximal 32 dieser Fehler begeht?

Lösung einblenden
nP(X≤k)
......
890.9084
900.8957
910.8818
920.8669
930.8509
940.8337
950.8156
960.7964
970.7762
980.7552
990.7333
1000.7107
1010.6874
1020.6636
1030.6392
1040.6145
1050.5895
1060.5644
1070.5392
......

Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.3 und variablem n.

Es muss gelten: P0.3n (X32) ≥ 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 30% der Versuche mit einem Treffer. Also müssten dann doch bei 32 0.3 ≈ 107 Versuchen auch ungefähr 32 (≈0.3⋅107) Treffer auftreten.

Wir berechnen also mit unserem ersten n=107:
P0.3n (X32) ≈ 0.5392 (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=89 die gesuchte Wahrscheinlichkeit über 90% ist.

kumulierte Binomialverteilung

Beispiel:

Ein Basketballspieler hat eine Trefferquote von 55%. Wie groß ist die Wahrscheinlichkeit dass er von 89 Versuchen nicht mehr als 49 trifft?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=89 und p=0.55.

P0.5589 (X49) = P0.5589 (X=0) + P0.5589 (X=1) + P0.5589 (X=2) +... + P0.5589 (X=49) = 0.54520478913613 ≈ 0.5452
(TI-Befehl: binomcdf(89,0.55,49))

Binomialvert. mit variablem p (diskret)

Beispiel:

In einer Urne sind 4 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 75% unter den 29 gezogenen Kugeln nicht mehr als 21 schwarze sind?

Lösung einblenden
pP(X≤21)
......
3 7 0.9997
4 8 0.9959
5 9 0.9801
6 10 0.943
7 11 0.8819
8 12 0.8014
9 13 0.71
......

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 (X21) = 0.75 (oder mehr)

Wir wissen, dass der Nenner bei unserer Einzelwahrscheinlichkeit p immer um 4 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 (X21) ('höchstens 21 Treffer bei 29 Versuchen') auswirkt (siehe Tabelle links)

Als Startwert wählen wir als p= 3 7 . (Durch Ausprobieren erkennt man, dass vorher die Wahrscheinlichkeit immer fast 1 ist)

In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p= 8 12 die gesuchte Wahrscheinlichkeit über 75% bleibt.
Die Anzahl der schwarzen Kugeln, die hinzugefügt wird, darf also höchstens 8 sein.

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

Beispiel:

Ein Basketballtrainer sucht einen neuen Spieler, der mit 60% Wahrscheinlichkeit von 41 Freiwürfen mindestens 23 mal trifft. Welche Trefferquote braucht solch ein Spieler mindestens?

Lösung einblenden
pP(X≥23)=1-P(X≤22)
......
0.520.3103
0.530.357
0.540.4061
0.550.4568
0.560.5084
0.570.5599
......

Es muss gelten: Pp41 (X23) =0.6 (oder mehr)

oder eben: 1- Pp41 (X22) =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=1-binomcdf(41,X,22) - 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=0.57 die gesuchte Wahrscheinlichkeit über 0.6 ist.

kumulierte Binomialverteilung

Beispiel:

Eine Münze wird 23 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass weniger als 12 mal "Zahl" (p=0,5) geworfen wird?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Würfe mit Zahl an. X ist binomialverteilt mit n=23 und p=0.5.

P0.523 (X<12) = P0.523 (X11) = P0.523 (X=0) + P0.523 (X=1) + P0.523 (X=2) +... + P0.523 (X=11) = 0.5 ≈ 0.5
(TI-Befehl: binomcdf(23,0.5,11))

Binomialvert. Abstand vom Erwartungswert

Beispiel:

Ein Basketballspieler hat eine Trefferquote von p=55%. Wie groß ist die Wahrscheinlichkeit dass er bei 44 Versuchen nicht mehr als 10% von seinem Erwartungswert abweicht?

Lösung einblenden

Den Erwartungswert berechnet man als E=n⋅p=44⋅0.55 = 24.2

Die 10% Abweichung wären dann zwischen 90% von 24.2, also 0.9⋅ 24.2 = 21.78 und 110% von 24.2, also 1.1⋅ 24.2 = 26.62

Da die Trefferzahl ja nicht weiter von 24.2 entfernt sein darf als 21.78 bzw. 26.62, muss sie also zwischen 22 und 26 liegen.

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=44 und p=0.55.

P0.5544 (22X26) =

...
19
20
21
22
23
24
25
26
27
28
...

P0.5544 (X26) - P0.5544 (X21) ≈ 0.756 - 0.2063 ≈ 0.5497
(TI-Befehl: binomcdf(44,0.55,26) - binomcdf(44,0.55,21))