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=0,35. Wie viele Aufgaben kann ein Schüler höchstens machen, damit er mit einer Wahrscheinlichkeit von 70% maximal 36 dieser Fehler begeht?
| n | P(X≤k) |
|---|---|
| ... | ... |
| 97 | 0.7089 |
| 98 | 0.6822 |
| 99 | 0.6549 |
| 100 | 0.6269 |
| 101 | 0.5985 |
| 102 | 0.5699 |
| 103 | 0.5411 |
| ... | ... |
Die Zufallsgröße X gibt Anzahl der begangenen GeSchwa-Fehler an und ist im Idealfall binomialverteilt mit p = 0.35 und variablem n.
Es muss gelten: ≥ 0.7
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 35% der Versuche mit einem Treffer. Also müssten dann doch bei ≈ 103 Versuchen auch ungefähr 36 (≈0.35⋅103) Treffer auftreten.
Wir berechnen also mit unserem ersten n=103:
≈ 0.5411
(TI-Befehl: Binomialcdf ...)
Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.7 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 0.7 überschritten wird.
Aus der Werte-Tabelle (siehe links) erkennt man dann, dass letztmals bei n=97 die gesuchte Wahrscheinlichkeit über 70% ist.
kumulierte Binomialverteilung
Beispiel:
Ein Würfel wird 40 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass nicht öfter als 8 mal eine 6 (p=1/6) geworfen wird?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=40 und p=.
= + + +... + = 0.78733081168457 ≈ 0.7873(TI-Befehl: binomcdf(40,1/6,8))
Binomialvert. mit variablem p (diskret)
Beispiel:
Eine Schulklasse möchte fürs Schulfest ein Glücksrad entwickeln. Aus optischen Gründen sollen dabei alle Sektoren gleich groß sein. Einer davon soll für den Hauptpreis stehen. Hierfür haben sie insgesamt 6 Preise gesammelt. Sie erwarten, dass das Glücksrad beim Schulfest 90 mal gespielt wird. Mit wie vielen Sektoren müssen sie ihr Glückrad mindestens bestücken damit die 6 Hauptpreise mit einer Wahrscheinlichkeit von mindestens 70% für die 90 Durchgänge reichen?
| p | P(X≤6) |
|---|---|
| ... | ... |
| 0.6064 | |
| 0.6683 | |
| 0.7214 | |
| ... | ... |
Die Zufallsgröße X gibt die Anzahl der Hauptpreise an. X ist binomialverteilt mit n=90 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 6 Treffer bei 90 Versuchen') bei diesen Nennern wird (siehe Tabelle links)
Um einen günstigen Startwert zu finden wählen wir mal als p=. Mit diesem p wäre ja 6=⋅90 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 Sektoren des Glücksrad, muss also mindestens
17 sein.
Binomialvert. mit variabl. p (mind.) nur GTR
Beispiel:
Bei einem Zufallsexperiment ist die Wahrscheinlichkeit für einen Treffer unbekannt. Das Zufallsexperinment wird 55 mal wiederholt (bzw. die Stichprobe hat die Größe 55)Wie hoch muss die Einzelwahrscheinlichkeit p mindestens sein, dass mit einer Wahrscheinlich von mind. 80% mindestens 35 Treffer erzielt werden?
| p | P(X≥35)=1-P(X≤34) |
|---|---|
| ... | ... |
| 0.63 | 0.5215 |
| 0.64 | 0.5828 |
| 0.65 | 0.6426 |
| 0.66 | 0.6995 |
| 0.67 | 0.7525 |
| 0.68 | 0.8005 |
| ... | ... |
Es muss gelten: =0.8 (oder mehr)
oder eben: 1- =0.8 (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(55,X,34) - 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=0.68 die gesuchte Wahrscheinlichkeit über 0.8 ist.
kumulierte Binomialverteilung
Beispiel:
Ein Basketballspieler hat eine Trefferquote von 38%. Wie groß ist die Wahrscheinlichkeit dass er von 98 Versuchen weniger als 29 trifft?
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=98 und p=0.38.
= = + + +... + = 0.03265777716279 ≈ 0.0327(TI-Befehl: binomcdf(98,0.38,28))
Wahrscheinlichkeit von σ-Intervall um μ
Beispiel:
In einer Chip-Fabrik werden neue High Tech Chips produziert. Leider ist die Technik noch nicht so ganz ausgereift, weswegen Ausschuss mit einer Wahrscheinlichkeit von p=0,65 entsteht. Es wird eine Stichprobe der Menge 90 entnommen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der defekten Chips um nicht mehr als eine Standardabweichung vom Erwartungswert abweicht?
Den Erwartungswert berechnet man mit μ = n⋅p = 90⋅0.65 ≈ 58.5,
die Standardabweichung mit σ =
=
≈ 4.52
63.02 (58.5 + 4.52) und 53.98 (58.5 - 4.52) sind also jeweils eine Standardabweichung vom Erwartungswert μ = 58.5 entfernt.
Das bedeutet, dass genau die Zahlen zwischen 54 und 63 nicht mehr als eine Standardabweichung vom Erwartungswert entfernt sind.
Gesucht ist also die Wahrscheinlichkeit, dass die Trefferanzahl zwischen 54 und 63 liegt.
Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=90 und p=0.65.
=
(TI-Befehl: binomcdf(90,0.65,63) - binomcdf(90,0.65,53))
