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?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 193 | 0.9041 |
| 194 | 0.8986 |
| 195 | 0.8929 |
| 196 | 0.887 |
| 197 | 0.8809 |
| 198 | 0.8745 |
| 199 | 0.868 |
| 200 | 0.8613 |
| 201 | 0.8543 |
| 202 | 0.8472 |
| 203 | 0.8398 |
| 204 | 0.8323 |
| 205 | 0.8245 |
| 206 | 0.8166 |
| 207 | 0.8085 |
| 208 | 0.8001 |
| 209 | 0.7916 |
| 210 | 0.783 |
| 211 | 0.7741 |
| 212 | 0.7651 |
| 213 | 0.7559 |
| 214 | 0.7466 |
| 215 | 0.7371 |
| 216 | 0.7274 |
| 217 | 0.7177 |
| 218 | 0.7078 |
| 219 | 0.6977 |
| 220 | 0.6876 |
| 221 | 0.6773 |
| 222 | 0.667 |
| 223 | 0.6565 |
| 224 | 0.646 |
| 225 | 0.6353 |
| 226 | 0.6247 |
| 227 | 0.6139 |
| 228 | 0.6031 |
| 229 | 0.5923 |
| 230 | 0.5814 |
| 231 | 0.5705 |
| 232 | 0.5595 |
| 233 | 0.5486 |
| ... | ... |
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: ≥ 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 ≈ 233 Versuchen auch ungefähr 35 (≈0.15⋅233) Treffer auftreten.
Wir berechnen also mit unserem ersten n=233:
≈ 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?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=29 und p=0.94.
(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.
| p | P(X≤2) |
|---|---|
| ... | ... |
| 0.6281 | |
| 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: =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 ('höchstens 2 Treffer bei 13 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=⋅13 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 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.
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.76 | 0.9919 |
| 0.77 | 0.9863 |
| 0.78 | 0.9774 |
| 0.79 | 0.9638 |
| 0.8 | 0.9435 |
| 0.81 | 0.9145 |
| 0.82 | 0.8743 |
| ... | ... |
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(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?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=29 und p=0.8.
(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 .
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) = = = ≈ 3.43
