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:
Wie oft muss man mit einem normalen Würfel mindestens würfeln, um mit einer Wahrscheinlichkeit von mindestens 90% 23 oder mehr 6er zu erzielen?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 168 | 0.1257 |
| 169 | 0.119 |
| 170 | 0.1126 |
| 171 | 0.1065 |
| 172 | 0.1007 |
| 173 | 0.0951 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der gewürfelten 6er an und ist im Idealfall binomialverteilt mit p = 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 der Versuche mit einem Treffer.
Also müssten dann doch bei ≈ 138 Versuchen auch ungefähr 23
(≈
Wir berechnen also mit unserem ersten n=138:
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=173 die gesuchte Wahrscheinlichkeit unter 0.1 ist.
n muss also mindestens 173 sein, damit
Binomialverteilung X ∈ [l;k]
Beispiel:
Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Wie groß ist die Wahrscheinlichkeit, mehr als 6 und höchstens 22 Glückskekse mit einer Peproni zu erwischen, wenn man 96 Glückskekse kauft?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=96 und p=0.125.
(TI-Befehl: binomcdf(96,0.125,22) - binomcdf(96,0.125,6))
Binomialvert. mit variablem p (diskret)
Beispiel:
Die Homepage-AG einer Schule möchte auf der Startseite der Internetseite der Schule ein Zufallsbild integrieren. Dabei soll bei jedem Aufruf der Startseite ein zufälliges Bild aus einer Bilderdatenbank gezeigt werden. Alle Bilder der Datenbank sind immer gleich wahrscheinlich. Auf 2 Bildern der Datenbank sind Mitglieder der Homepage-AG zu sehen. Es wird geschätzt, dass die Seite täglich 120 mal aufgerufen wird. Die Mitglieder der Homepage-AG wollen dass mit mindestens 75%-iger Wahrscheinlichkiet mindestens 16 mal am Tag eines ihrer eigenen 2 Bilder erscheint. Wie viele andere Bilder dürfen dann höchstens noch in der Datenbank sein?
| p | P(X≥16)=1-P(X≤15) |
|---|---|
| ... | ... |
| 0.9994 | |
| 0.9951 | |
| 0.9782 | |
| 0.9374 | |
| 0.8665 | |
| 0.7692 | |
| 0.6563 | |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der Bilder mit Homepage-AG-lern an. X ist binomialverteilt mit n=120 und unbekanntem Parameter p.
Es muss gelten:
Wir wissen, dass der Zähler bei unserer Einzelwahrscheinlichkeit p 2 sein muss, da es ja genau 2 günstige Fälle gibt.
Wir müssen nun bei verschiedenen Nennern untersuchen, wie hoch die gesuchte Wahrscheinlichkeit
Als Startwert wählen wir als p=
In dieser Tabelle erkennen wir, dass letztmals bei der Einzelwahrscheinlichkeit p=
Der Nenner, also die Anzahl aller Bilder in der Datenbank, darf also höchstens
13 sein.
Also wären noch 11 zusätzliche Optionen (also weitere Bilder) zulässig.
Binomialvert. mit variabl. p (höchstens) nur GTR
Beispiel:
Bei einem Glücksrad soll mit einer Wahrscheinlichkeit von 90% bei 54 Ausspielungen nicht öfters als 32 mal der grüne Bereich kommen. Wie hoch darf man die Wahrscheinlichkeit für den grünen Bereich auf dem Glücksrad maximal setzen?
| p | P(X≤k) |
|---|---|
| ... | ... |
| 0.46 | 0.9817 |
| 0.47 | 0.9739 |
| 0.48 | 0.9636 |
| 0.49 | 0.9502 |
| 0.5 | 0.9332 |
| 0.51 | 0.9119 |
| 0.52 | 0.886 |
| ... | ... |
Es muss gelten:
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(54,X,32) - 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=0.51 die gesuchte Wahrscheinlichkeit über 0.9 ist.
Binomialverteilung X>=k
Beispiel:
Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Wie groß ist die Wahrscheinlichkeit, 3 oder mehr Glückskekse mit einer Peproni zu erwischen, wenn man 21 Glückskekse kauft?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=21 und p=0.125.
(TI-Befehl: 1-binomcdf(21,0.125,2))
Wahrscheinlichkeit von σ-Intervall um μ
Beispiel:
Bei einem Glücksrad ist die Wahrscheinlichkeit im grünen Bereich zu landen bei p=0,6. Wie groß ist die Wahrscheinlichkeit bei 99 Versuchen, dass die Anzahl der Treffer im grünen Bereich nicht mehr als eine Standardabweichung vom Erwartungswert abweicht?
Den Erwartungswert berechnet man mit μ = n⋅p = 99⋅0.6 ≈ 59.4,
die Standardabweichung mit σ =
64.27 (59.4 + 4.87) und 54.53 (59.4 - 4.87) sind also jeweils eine Standardabweichung vom Erwartungswert μ = 59.4 entfernt.
Das bedeutet, dass genau die Zahlen zwischen 55 und 64 nicht mehr als eine Standardabweichung vom Erwartungswert entfernt sind.
Gesucht ist also die Wahrscheinlichkeit, dass die Trefferanzahl zwischen 55 und 64 liegt.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=99 und p=0.6.
(TI-Befehl: binomcdf(99,0.6,64) - binomcdf(99,0.6,54))
