Aufgabenbeispiele von Basics

Durch Aktualisieren des Browsers (z.B. mit Taste F5) kann man neue Beispielaufgaben sehen


0 oder 1 Treffer bei n Versuchen

Beispiel:

Ein idealer Würfel wird 5 mal geworfen. Bestimme die Wahrscheinlichkeit dafür, dass im vierten Wurf keine "6" gewürfelt wird.

Lösung einblenden

Da hier ja nur eine Aussage über den 4-ten Versuch gemacht wird und keine Aussage über alle anderen Versuche, muss auch nur der 4-te Versuch betrachtet werden.
(In jedem anderen Versuch ist die Wahrscheinlichkeit 1, da es ja keine Einschränkung für diesen Versuch gibt.)

Für die gesuchte Wahrscheinlichkeit gilt somit einfach P = 1 - 1 6 = 5 6 ≈ 0.8333 .

Binomialkoeffizient

Beispiel:

Berechne ohne Taschenrechner: ( 6 2 )

Lösung einblenden

Wenn man von der allgememeinen Formel für den Binomialkoeffizient
( 6 2 ) = 6! 2! ⋅ (6 - 2)! = 6! 2! ⋅ 4! = 6⋅5⋅4⋅3⋅2⋅1 2⋅1 ⋅ 4⋅3⋅2⋅1
ausgeht, sieht man schnell, dass man mit der
4! = 4⋅3⋅2⋅1
rechts im Zähler und Nenner kürzen kann, so dass gilt:

( 6 2 ) = 6⋅5 2⋅1

= 3⋅5 1 (gekürzt mit 2)

= 15

Binomialkoeffizient Anwendungen

Beispiel:

Eine Mathelehrerin verlost unter den 10 SchülerInnen ihrer 8. Klasse, die eine Zusatzaufgabe gemacht haben, 4 Matherätsel-Knobelbücher. Natürlich kann jeder höchstens eins bekommen. Wie viele verschiedene Möglichkeiten gibt es für die 4er-Gruppe der glücklichen Gewinner?

Lösung einblenden

Für die erste Stelle ist jede SchülerIn möglich. Es gibt also 10 Möglichkeiten. Für die zweite Stelle ist die bereits als erstes gewählte SchülerIn nicht mehr möglich, es gibt also nur noch 9 Möglichkeiten. Für die 3. Stelle fehlen dann schon 2, so dass nur noch 8 möglich sind, usw.

Da ja jede Möglichkeit der ersten Stelle mit den Möglichkeiten der zweiten, dritten, ... Stelle kombinierbar sind, müssen wir die verschiedenen Möglichkeiten an den verschiedenen Stellen multiplizieren:

Es gibt also 10987 = 5040 Möglichkeiten, die 10 Möglichkeiten (SchülerInnen) auf die 4 "Ziehungen" (Knobelbücher) zu verteilen.

Wir haben jetzt dabei aber genau unterschieden an welcher Stelle was gezogen bzw. gewählt wurde. Also wären zum Beispiel Antonia - Bea - Carla und Bea - Carla - Antonia zwei unterschiedliche Ergebnisse. In unserem Fall hier soll diese Reihenfolge aber keine Rolle spielen. Es interessiert nur, wer in der 4er-Gruppe drin ist, nicht an welcher Stelle.

Wir berechnen jetzt also, wie viele mögliche Reihenfolgen pro 4er-Gruppe möglich sind.

  • Für die erste Stelle ist jede(r) aus der 4er-Gruppe möglich. Es gibt also 4 Möglichkeiten.
  • Für die zweite Stelle ist der/die an erster Stelle stehende nicht mehr möglich, es gibt also nur noch 3 Möglichkeiten.
  • Für die 3. Stelle fehlen dann schon 2, so dass nur noch 2 möglich sind, usw.

Da ja jede Möglichkeit der ersten Stelle mit den Möglichkeiten der zweiten, dritten, ... Stelle kombinierbar sind, müssen wir die verschiedenen Möglichkeiten an den verschiedenen Stellen multiplizieren und erhalten 4321 = 24 Möglichkeiten für die verschiedenen Reihenfolgen innerhalb einer 4er-Gruppe.

Wir müssen deswegen die 5040 Möglichkeiten für nach Reihenfolge sortierte 4er-Gruppen durch die 24 Möglichkeiten, die 4er-Gruppe anzuordnen, teilen.

Hieraus ergeben sich 5040 24 = 210 Möglichkeiten für 4er-Gruppen, die aus 10 Elementen (SchülerInnen) gebildet werden.

Die hier durchgeführte Berechnung 10987 4321 könnte man mit 6! erweitern würde so auf die Formel für den Binomialkoeffizient kommen:

210 = 10987 4321 = 10987 6 5 4 3 2 1 4321 6 5 4 3 2 1 = 10! 4! ⋅ 6! = ( 10 4 )

Wahrscheinlichkeiten mit Binom.Koeff.

Beispiel:

In einer Urne befinden sich 30 Kugeln, die mit den Zahlen 1 bis 30 beschriftet sind.

Es werden 6 Kugeln zufällig aus der Urne gezogen. Wie groß ist die Wahrscheinlichkeit, dass bei den gezogenen Kugeln die 1, die 3 und die 19 dabei sind?

Lösung einblenden

Es gibt insgesamt ( 30 6 ) = 30! 6! ⋅ 24! = 30⋅29⋅28⋅27⋅26⋅25 6⋅5⋅4⋅3⋅2⋅1 = 593775 verschiedene Möglichkeiten, die 6 Kugeln aus den 30 zu ziehen, bzw. von 30 Zahlen 6 anzukreuzen.

Wenn man jetzt die Möglichkeiten zählen will, wie viele Möglichkeiten es gibt, wenn drei der gezogenen Zahlen die 1, die 3 und die 19 sind, bzw. wie viele Möglichkeiten es gibt, 6 von 30 Zahlen anzukreuzen, wobei drei Kreuze sicher auf der der 1, der 3 und der 19 sein müssen, dann ist das doch genau das gleiche, wie wenn man die Möglichkeiten zählt, 3 Kreuze auf 27 Zahlen (alle außer der 1, der 3 und der 19) zu setzen, also ( 27 3 ) = 27! 3! ⋅ 24! = 27⋅26⋅25 3⋅2⋅1 = 2925.

Die Wahrscheinlichkeit lässt sich somit mit der Laplace-Formel berechnen:

P = Anzahl der gewünschten Ereignisse Anzahl der möglichen Ereignisse = 2925 593775 ≈ 0.0049, also ca. 0.49%.

Formel v. Bernoulli

Beispiel:

Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Wie groß ist die Wahrscheinlichkeit, genau 12 Glückskekse mit einer Peproni zu erwischen, wenn man 90 Glückskekse kauft?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=90 und p= 1 8 .

P 1 8 90 (X=12) = ( 90 12 ) ( 1 8 )12 ( 7 8 )78 =0.11943633645814≈ 0.1194
(TI-Befehl: binompdf(90,1/8,12))

kumulierte WS aus Histogramm finden

Beispiel:

Du hast entweder einen veralteten Browser oder Javascript ausgeschaltet. Deswegen kannst du leider das Schaubild nicht sehen :(

In der Abbildung rechts ist das Histogramm einer binomialverteilten Zufallsgröße X zu sehen. Finde das kleinste k, für das gilt P(X ≤ k) ≥ 0.55.

Lösung einblenden

Wir lesen einfach die Säulenhöhen aus dem Histogramm ab und addieren diese Werte:

kP(X = k)P(X ≤ k)
0≈ 0.01≈ 0 + 0.01 = 0.01
1≈ 0.05≈ 0.01 + 0.05 = 0.06
2≈ 0.14≈ 0.06 + 0.14 = 0.2
3≈ 0.23≈ 0.2 + 0.23 = 0.43
4≈ 0.24≈ 0.43 + 0.24 = 0.67
Du hast entweder einen veralteten Browser oder Javascript ausgeschaltet. Deswegen kannst du leider das Schaubild nicht sehen :(

Während P(X ≤ 3) = 0.43 also noch klar unter der geforderten Wahrscheinlichkeit von 0.55 liegt, ist P(X ≤ 4) = 0.67 klar darüber.

Somit ist das gesuchte k = 4.

kumulierte Binomialverteilung

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=0,22 entsteht. Es wird eine Stichprobe der Menge 64 entnommen. Wie groß ist die Wahrscheinlichkeit, dass davon nicht mehr als 13 defekte Chips enthalten sind.

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=64 und p=0.22.

P0.2264 (X13) = P0.2264 (X=0) + P0.2264 (X=1) + P0.2264 (X=2) +... + P0.2264 (X=13) = 0.44154500111094 ≈ 0.4415
(TI-Befehl: binomcdf(64,0.22,13))

Binomialverteilung X>=k

Beispiel:

Ein Zufallsexperiment wird 40 mal wiederholt. Jedesmal beträgt die Wahrscheinlichkeit für einen Treffer p=0,8.
Wie groß ist dabei die Wahrscheinlichkeit, mindestens 34 Treffer zu erzielen?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=40 und p=0.8.

...
31
32
33
34
35
36
...

P0.840 (X34) = 1 - P0.840 (X33) = 0.2859
(TI-Befehl: 1-binomcdf(40,0.8,33))

Binomialverteilung X ∈ [l;k]

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=0,6 entsteht. Es wird eine Stichprobe der Menge 100 entnommen. Wie groß ist die Wahrscheinlichkeit, dass die Anzahl der defekten Chips mindestens 62 und höchstens 66 beträgt?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Treffer an. X ist binomialverteilt mit n=100 und p=0.6.

P0.6100 (62X66) =

...
59
60
61
62
63
64
65
66
67
68
...

P0.6100 (X66) - P0.6100 (X61) ≈ 0.9087 - 0.6178 ≈ 0.2909
(TI-Befehl: binomcdf(100,0.6,66) - binomcdf(100,0.6,61))