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 60% 31 oder mehr 6er zu erzielen?

Lösung einblenden
nP(X≤k)
......
1870.4565
1880.4437
1890.4309
1900.4183
1910.4058
1920.3934
......

Die Zufallsgröße X gibt Anzahl der gewürfelten 6er an und ist im Idealfall binomialverteilt mit p = 1 6 und variablem n.

Es muss gelten: P 1 6 n (X31) ≥ 0.6

Weil man ja aber P 1 6 n (X31) nicht in den WTR eingeben kann, müssen wir diese Wahrscheinlichkeit über die Gegenwahrscheinlichkeit berechnen:

P 1 6 n (X31) = 1 - P 1 6 n (X30) ≥ 0.6 |+ P 1 6 n (X30) - 0.6

0.4 ≥ P 1 6 n (X30) oder P 1 6 n (X30) ≤ 0.4

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 1 6 der Versuche mit einem Treffer. Also müssten dann doch bei 31 1 6 ≈ 186 Versuchen auch ungefähr 31 (≈ 1 6 ⋅186) Treffer auftreten.

Wir berechnen also mit unserem ersten n=186:
P 1 6 n (X30) ≈ 0.4695 (TI-Befehl: Binomialcdf ...)

Je nachdem, wie weit nun dieser Wert noch von den gesuchten 0.4 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 0.4 überschritten wird.

Aus der Werte-Tabelle (siehe links) erkennt man dann, dass erstmals bei n=192 die gesuchte Wahrscheinlichkeit unter 0.4 ist.

n muss also mindestens 192 sein, damit P 1 6 n (X30) ≤ 0.4 oder eben P 1 6 n (X31) ≥ 0.6 gilt.

Binomialverteilung X>=k

Beispiel:

Ein partystarker Schüler muss einen Mulitple Choice Test ablegen von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 89 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so 15 oder gar noch mehr Fragen richtig beantwortet hat?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=89 und p=0.25.

...
12
13
14
15
16
17
...

P0.2589 (X15) = 1 - P0.2589 (X14) = 0.9752
(TI-Befehl: 1-binomcdf(89,0.25,14))

Binomialvert. mit variablem p (diskret)

Beispiel:

In einer Urne sind 2 rote und einige schwarze Kugeln. Es soll 14 mal mit Zurücklegen gezogen werden. Wie viele schwarze Kugeln müssen in der Urne mindestens sein, damit mit einer Wahrscheinlichkeit von mindestens 90% unter den 14 gezogenen Kugeln nicht mehr als 6 rote sind?

Lösung einblenden
pP(X≤6)
......
2 4 0.3953
2 5 0.6925
2 6 0.8505
2 7 0.9259
......

Die Zufallsgröße X gibt die Anzahl der gezogenen Kugeln mit der Farbe rot an. X ist binomialverteilt mit n=14 und unbekanntem Parameter p.

Es muss gelten: Pp14 (X6) =0.9 (oder mehr)

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 Pp14 (X6) ('höchstens 6 Treffer bei 14 Versuchen') bei diesen Nennern wird (siehe Tabelle links)

Um einen günstigen Startwert zu finden wählen wir mal als p= 6 14 . Mit diesem p wäre ja 6= 6 14 ⋅14 der Erwartungswert und somit Pp14 (X6) irgendwo in der nähe von 50%. Wenn wir nun p= 6 14 mit 2 6 erweitern (so dass wir auf den Zähler 2 kommen) und den Nenner abrunden, müssten wir mit p= 2 4 einen brauchbaren Einstiegswert für dieses Probieren erhalten.

In dieser Tabelle erkennen wir, dass erstmals bei der Einzelwahrscheinlichkeit p= 2 7 die gesuchte Wahrscheinlichkeit über 90% steigt.
Der Nenner, also die Anzahl aller Kugeln, muss also mindestens 7 sein.

Also werden noch 5 zusätzliche Optionen (also schwarze Kugeln) benötigt.

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

Beispiel:

Bei einem Zufallsexperiment ist die Wahrscheinlichkeit für einen Treffer unbekannt. Das Zufallsexperinment wird 42 mal wiederholt (bzw. die Stichprobe hat die Größe 42)Wie hoch muss die Einzelwahrscheinlichkeit p mindestens sein, dass mit einer Wahrscheinlich von mind. 80% mindestens 31 Treffer erzielt werden?

Lösung einblenden
pP(X≥31)=1-P(X≤30)
......
0.730.5328
0.740.5913
0.750.6487
0.760.7039
0.770.7556
0.780.803
......

Es muss gelten: Pp42 (X31) =0.8 (oder mehr)

oder eben: 1- Pp42 (X30) =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(42,X,30) - 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=0.78 die gesuchte Wahrscheinlichkeit über 0.8 ist.

Formel v. Bernoulli

Beispiel:

Ein partystarker Schüler muss einen Mulitple Choice Test ablegen von dem er keinen blassen Schimmer hat. Deswegen rät er einfach bei jeder der 98 Aufgaben munter drauf los, welche der vier Antworten wohl richtig sein könnte. Wie groß ist die Wahrscheinlichkeit, dass er so genau 16 Fragen richtig beantwortet hat?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=98 und p= 1 4 .

P 1 4 98 (X=16) = ( 98 16 ) ( 1 4 )16 ( 3 4 )82 =0.012554112306731≈ 0.0126
(TI-Befehl: binompdf(98,1/4,16))

Erwartungswert, Standardabweichung best.

Beispiel:

Eine Zufallsgröße ist binomialverteilt mit den Parametern n = 75 und p = 0.4
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 = 75 und p = 0.4 einsetzen muss:

Erwartungswert E(X) = n ⋅ p = 75 ⋅ 0.4 = 30

Standardabweichung S(X) = n ⋅ p ⋅ (1-p) = 75 ⋅ 0.4 ⋅ 0.6 = 18 4.24