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=0,15. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 90% maximal 35 dieser Fehler begeht?

Lösung einblenden
nP(X≤k)
......
1930.9041
1940.8986
1950.8929
1960.887
1970.8809
1980.8745
1990.868
2000.8613
2010.8543
2020.8472
2030.8398
2040.8323
2050.8245
2060.8166
2070.8085
2080.8001
2090.7916
2100.783
2110.7741
2120.7651
2130.7559
2140.7466
2150.7371
2160.7274
2170.7177
2180.7078
2190.6977
2200.6876
2210.6773
2220.667
2230.6565
2240.646
2250.6353
2260.6247
2270.6139
2280.6031
2290.5923
2300.5814
2310.5705
2320.5595
2330.5486
......

Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.15 und variablem n.

Es muss gelten: P0.15n (X35) ≥ 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 15% der Versuche mit einem Treffer. Also müssten dann doch bei 35 0.15 ≈ 233 Versuchen auch ungefähr 35 (≈0.15⋅233) Treffer auftreten.

Wir berechnen also mit unserem ersten n=233:
P0.15n (X35) ≈ 0.5486 (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=193 die gesuchte Wahrscheinlichkeit über 90% ist.

Binomialverteilung X>=k

Beispiel:

Ein Basketballspieler hat eine Trefferquote von p=0,94. Wie groß ist die Wahrscheinlichkeit dass er von 29 Versuchen mindestens 27 trifft?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=29 und p=0.94.

...
24
25
26
27
28

P0.9429 (X27) = 1 - P0.9429 (X26) = 0.7489
(TI-Befehl: 1-binomcdf(29,0.94,26))

Binomialvert. mit variablem p (diskret)

Beispiel:

Ein neuer Multiple Choice Test mit 13 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 30% liegt. Bestimme die hierfür notwendige Mindestanzahl an Antwortmöglichkeiten bei jeder Frage.

Lösung einblenden
pP(X≤2)
......
1 6 0.6281
1 7 0.7189
......

Die Zufallsgröße X gibt die Anzahl der zufällig richtig geratenenen Antworten an. X ist binomialverteilt mit n=13 und unbekanntem Parameter p.

Es muss gelten: Pp13 (X2) =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 Pp13 (X2) ('höchstens 2 Treffer bei 13 Versuchen') bei diesen Nennern wird (siehe Tabelle links)

Um einen günstigen Startwert zu finden wählen wir mal als p= 2 13 . Mit diesem p wäre ja 2= 2 13 ⋅13 der Erwartungswert und somit Pp13 (X2) irgendwo in der nähe von 50%. Wenn wir nun p= 2 13 mit 1 2 erweitern (so dass wir auf den Zähler 1 kommen) und den Nenner abrunden, müssten wir mit p= 1 6 einen brauchbaren Einstiegswert für dieses Probieren erhalten.

In dieser Tabelle erkennen wir, dass erstmals bei der Einzelwahrscheinlichkeit p= 1 7 die gesuchte Wahrscheinlichkeit über 70% steigt.
Der Nenner, also die Anzahl der Antwortmöglichkeiten, muss also mindestens 7 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 80 Stück nur an, wenn nicht mehr als 69 Teile defekt sind. Wie hoch darf der Prozentsatz der fehlerhaften Teile höchstens sein, dass eine Lieferung mit einer Wahrscheinlichkeit von mind. 90% angenommen werden.

Lösung einblenden
pP(X≤k)
......
0.760.9919
0.770.9863
0.780.9774
0.790.9638
0.80.9435
0.810.9145
0.820.8743
......

Es muss gelten: Pp80 (X69) =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(80,X,69) - 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=0.81 die gesuchte Wahrscheinlichkeit über 0.9 ist.

Binomialverteilung X>=k

Beispiel:

Ein Zufallsexperiment wird 29 mal wiederholt. Jedesmal beträgt die Wahrscheinlichkeit für einen Treffer p=0,8.
Wie groß ist dabei die Wahrscheinlichkeit, mindestens 21 Treffer zu erzielen?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=29 und p=0.8.

...
18
19
20
21
22
23
...

P0.829 (X21) = 1 - P0.829 (X20) = 0.8916
(TI-Befehl: 1-binomcdf(29,0.8,20))

Erwartungswert, Standardabweichung best.

Beispiel:

Eine Zufallsgröße ist binomialverteilt mit den Parametern n = 56 und p = 0.7
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 = 56 und p = 0.7 einsetzen muss:

Erwartungswert E(X) = n ⋅ p = 56 ⋅ 0.7 = 39.2

Standardabweichung S(X) = n ⋅ p ⋅ (1-p) = 56 ⋅ 0.7 ⋅ 0.3 = 11.76 3.43