Mathebattle EduRandomtasks

0 oder 1 Treffer bei n Versuchen

Beispiel:

Ein idealer Würfel wird 4 mal geworfen. Bestimme die Wahrscheinlichkeit dafür, dass jeder Wurf eine "6" ist, außer beim ersten Versuch.

Lösung einblenden

Die Wahrscheinlichkeit für einen Treffer (also hier, dass eine "6" gewürfelt wird) beträgt p = $\frac{1}{6}$ , für einen Nicht-Treffer (also hier, dass keine "6" gewürfelt wird) beträgt sie q = 1 - $\frac{1}{6}$ = $\frac{5}{6}$ . Da ja der Nicht-Treffer genau im ersten Durchgang kommen soll, ist auch hier nur ein Pfad im Baumdiagramm möglich. Dessen Wahrscheinlichkeit lässt sich dann wie folgt berechnen:

P = $\frac{5}{6}$ ⋅ $\frac{1}{6}$ ⋅ $\frac{1}{6}$ ⋅ $\frac{1}{6}$ = $\frac{5}{6} \cdot {(\frac{1}{6})}^{3}$ ≈ 0.0039 .

Binomialkoeffizient

Beispiel:

Berechne ohne Taschenrechner: $(\begin{matrix} 11 \\ 2 \end{matrix})$

Lösung einblenden

Wenn man von der allgememeinen Formel für den Binomialkoeffizient
$(\begin{matrix} 11 \\ 2 \end{matrix})$ = $\frac{11!}{2! ⋅ (11 - 2)!}$ = $\frac{11!}{2! ⋅ 9!}$ = $\frac{11⋅10⋅9⋅8⋅7⋅6⋅5⋅4⋅3⋅2⋅1}{2⋅1 ⋅ 9⋅8⋅7⋅6⋅5⋅4⋅3⋅2⋅1}$
ausgeht, sieht man schnell, dass man mit der
9! = 9⋅8⋅7⋅6⋅5⋅4⋅3⋅2⋅1
rechts im Zähler und Nenner kürzen kann, so dass gilt:

$(\begin{matrix} 11 \\ 2 \end{matrix})$ = $\frac{11⋅10}{2⋅1}$

= $\frac{11⋅5}{1}$ (gekürzt mit 2)

= 55

Binomialkoeffizient Anwendungen

Beispiel:

Die Sportlehrerin Frau Hertz braucht für eine Demonstration 5 Schülerinnen. Diese möchte sie zufällig aus der 20-köpfigen Sportgruppe losen. Wie viele verschiedene 5er-Gruppen sind so möglich?

Lösung einblenden

Für die erste Stelle ist jede Schülerin möglich. Es gibt also 20 Möglichkeiten. Für die zweite Stelle ist die bereits als erstes gewählte Schülerin nicht mehr möglich, es gibt also nur noch 19 Möglichkeiten. Für die 3. Stelle fehlen dann schon 2, so dass nur noch 18 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 20⋅19⋅18⋅17⋅16 = 1860480 Möglichkeiten, die 20 Möglichkeiten (Schülerinnen) auf die 5 "Ziehungen" (geloste) 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 5er-Gruppe drin ist, nicht an welcher Stelle.

Wir berechnen jetzt also, wie viele mögliche Reihenfolgen pro 5er-Gruppe möglich sind.

Für die erste Stelle ist jede(r) aus der 5er-Gruppe möglich. Es gibt also 5 Möglichkeiten.
Für die zweite Stelle ist der/die an erster Stelle stehende nicht mehr möglich, es gibt also nur noch 4 Möglichkeiten.
Für die 3. Stelle fehlen dann schon 2, so dass nur noch 3 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 5⋅4⋅3⋅2⋅1 = 120 Möglichkeiten für die verschiedenen Reihenfolgen innerhalb einer 5er-Gruppe.

Wir müssen deswegen die 1860480 Möglichkeiten für nach Reihenfolge sortierte 5er-Gruppen durch die 120 Möglichkeiten, die 5er-Gruppe anzuordnen, teilen.

Hieraus ergeben sich $\frac{1860480}{120}$ = 15504 Möglichkeiten für 5er-Gruppen, die aus 20 Elementen (Schülerinnen) gebildet werden.

Die hier durchgeführte Berechnung $\frac{20\cdot19\cdot18\cdot17\cdot16}{5\cdot4\cdot3\cdot2\cdot1}$ könnte man mit 15! erweitern würde so auf die Formel für den Binomialkoeffizient kommen:

15504 = $\frac{20\cdot19\cdot18\cdot17\cdot16}{5\cdot4\cdot3\cdot2\cdot1}$ = $\frac{20 \cdot 19 \cdot 18 \cdot 17 \cdot 16 \cdot 15 \cdot 14 \cdot 13 \cdot 12 \cdot 11 \cdot 10 \cdot 9 \cdot 8 \cdot 7 \cdot 6 \cdot 5 \cdot 4 \cdot 3 \cdot 2 \cdot 1}{5 \cdot 4 \cdot 3 \cdot 2 \cdot 1 \cdot 15 \cdot 14 \cdot 13 \cdot 12 \cdot 11 \cdot 10 \cdot 9 \cdot 8 \cdot 7 \cdot 6 \cdot 5 \cdot 4 \cdot 3 \cdot 2 \cdot 1}$ = $\frac{20!}{5! ⋅ 15!}$ = $(\begin{matrix} 20 \\ 5 \end{matrix})$

Wahrscheinlichkeiten mit Binom.Koeff.

Beispiel:

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

Es werden 8 Kugeln zufällig aus der Urne gezogen. Wie groß ist die Wahrscheinlichkeit, dass bei den gezogenen Kugeln die 7 und die 19 dabei sind?

Lösung einblenden

Es gibt insgesamt $(\begin{matrix} 30 \\ 8 \end{matrix})$ = $\frac{30!}{8! ⋅ 22!}$ = $\frac{30⋅29⋅28⋅27⋅26⋅25⋅24⋅23}{8⋅7⋅6⋅5⋅4⋅3⋅2⋅1}$ = 5852925 verschiedene Möglichkeiten, die 8 Kugeln aus den 30 zu ziehen, bzw. von 30 Zahlen 8 anzukreuzen.

Wenn man jetzt die Möglichkeiten zählen will, wie viele Möglichkeiten es gibt, wenn zwei der gezogenen Zahlen die 7 und die 19 sind, bzw. wie viele Möglichkeiten es gibt, 8 von 30 Zahlen anzukreuzen, wobei zwei Kreuze sicher auf der der 7 und der 19 sein müssen, dann ist das doch genau das gleiche, wie wenn man die Möglichkeiten zählt, 6 Kreuze auf 28 Zahlen (alle außer der 7 und der 19) zu setzen, also $(\begin{matrix} 28 \\ 6 \end{matrix})$ = $\frac{28!}{6! ⋅ 22!}$ = $\frac{28⋅27⋅26⋅25⋅24⋅23}{6⋅5⋅4⋅3⋅2⋅1}$ = 376740.

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

P = $\frac{Anzahl der gewünschten Ergebnisse}{Anzahl der möglichen Ergebnisse}$ = $\frac{376740}{5852925}$ ≈ 0.0644, also ca. 6.44%.

Formel v. Bernoulli

Beispiel:

Eine Münze wird 52 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass genau 31 mal "Zahl" (p=0,5) geworfen wird?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Würfe mit Zahl an. X ist binomialverteilt mit n=52 und p=0.5.

P_{0.5}^{52} (X = 31)

=

(\begin{matrix} 52 \\ 31 \end{matrix}) \cdot {0.5}^{31} \cdot {0.5}^{21}

=0.042630746473797≈ 0.0426
(TI-Befehl: binompdf(52,0.5,31))

kumulierte WS aus Histogramm finden

Beispiel:

In der Abbildung rechts ist das Histogramm einer binomialverteilten Zufallsgröße X zu sehen. Finde das größte k, für das gilt P(X ≥ k) ≥ 0.7.

Lösung einblenden

Wenn P(X ≥ k) ≥ 0.7 sein soll, bedeutet das doch, dass sie Summe der Säulenhöhen von k bis zum rechten Rand mindestens 0.7 sein muss. Das ist dann aber doch gleichbedeutend, wie dass für die restlichen Säulenhöhen links von 0 bis k-1 höchstens 1-0.7=0.3 als Wahrscheinlichkeit übrig bleiben darf.

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

k	P(X = k)	P(X ≤ k)
0	≈ 0.01	≈ 0 + 0.01 = 0.01
1	≈ 0.04	≈ 0.01 + 0.04 = 0.05
2	≈ 0.11	≈ 0.05 + 0.11 = 0.16
3	≈ 0.19	≈ 0.16 + 0.19 = 0.35

Während P(X ≤ 2) = 0.16 also noch klar unter der geforderten Wahrscheinlichkeit von 0.3 liegt, ist P(X ≤ 3) = 0.35 klar darüber.

Oder andersrum: P(X ≥ 3) = 1 - P(X ≤ 2) = 0.84 (die Summe der blauen Säulenhöhen von 3 bis 14) ist klar über der geforderten Wahrscheinlichkeit von 0.7, während P(X ≥ 4) = 1 - P(X ≤ 3) = 0.65 (die Summe der Säulenhöhen von 4 bis 14) klar darunter liegt.

Somit ist das gesuchte k = 3.

kumulierte Binomialverteilung

Beispiel:

Eine Münze wird 36 mal geworfen. Wie groß ist die Wahrscheinlichkeit dass höchstens 20 mal "Zahl" (p=0,5) geworfen wird?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Würfe mit Zahl an. X ist binomialverteilt mit n=36 und p=0.5.

P_{0.5}^{36} (X \leq 20)

=

P_{0.5}^{36} (X = 0)

+

P_{0.5}^{36} (X = 1)

+

P_{0.5}^{36} (X = 2)

+... +

P_{0.5}^{36} (X = 20)

= 0.79748387692962 ≈ 0.7975
(TI-Befehl: binomcdf(36,0.5,20))

Binomialverteilung X>=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=0,17 entsteht. Es wird eine Stichprobe der Menge 44 entnommen. Wie groß ist die Wahrscheinlichkeit, dass davon 11 oder sogar noch mehr Chips defekt sind?
(Bitte auf 4 Stellen nach dem Komma runden)

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der defekten Chips an. X ist binomialverteilt mit n=44 und p=0.17.

...

8

9

10

11

12

13

...

P_{0.17}^{44} (X \geq 11)

= 1 -

P_{0.17}^{44} (X \leq 10)

= 0.1155
(TI-Befehl: 1-binomcdf(44,0.17,10))

Binomialverteilung l < X < k

Beispiel:

Ein Scherzkeks in einer Glückskeksfabrik backt in jeden achten Glückskeks eine scharfe Peperoni ein. Wie groß ist die Wahrscheinlichkeit, mehr als 9 und höchstens 11 Glückskekse mit einer Peproni zu erwischen, wenn man 90 Glückskekse kauft?

Lösung einblenden

Die Zufallsgröße X gibt die Anzahl der Glückskekse mit einer Peperoni an. X ist binomialverteilt mit n=90 und p=0.125.

$P_{0.125}^{90} (10 \leq X \leq 11)$ =

...

7

8

9

10

11

12

13

...

P_{0.125}^{90} (X \leq 11)

-

P_{0.125}^{90} (X \leq 9)

≈ 0.5476 - 0.2983 ≈ 0.2493
(TI-Befehl: binomcdf(90,0.125,11) - binomcdf(90,0.125,9))

Aufgabentypen anhand von Beispielen durchstöbern

0 oder 1 Treffer bei n Versuchen

Binomialkoeffizient

Binomialkoeffizient Anwendungen

Wahrscheinlichkeiten mit Binom.Koeff.

Formel v. Bernoulli

kumulierte WS aus Histogramm finden

kumulierte Binomialverteilung

Binomialverteilung X>=k

Binomialverteilung l < X < k