Binomialverteilung-Rechner

Was ist die Binomialverteilung?

Die Binomialverteilung modelliert die Anzahl der Erfolge in einer festen Anzahl unabhängiger Versuche, wobei jeder Versuch die gleiche Erfolgswahrscheinlichkeit hat.

Parameter:

• n = Anzahl der Versuche
• p = Erfolgswahrscheinlichkeit pro Versuch
• k = Anzahl der Erfolge

Die Frage: Was ist P(X = k), die Wahrscheinlichkeit von genau k Erfolgen?

Die Formel

$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$

Wobei $\binom{n}{k} = \frac{n!}{k!(n-k)!}$ der Binomialkoeffizient ist.

Beispiel: Wirf eine faire Münze 10 Mal. Wie hoch ist P(genau 6 Mal Kopf)?

$P(X = 6) = \binom{10}{6} \times 0,5^6 \times 0,5^4 = 210 \times 0,0156 \times 0,0625 = 0,205$

Etwa 20,5% Wahrscheinlichkeit für genau 6 Mal Kopf.

Wann gilt die Binomialverteilung?

Die Binomialverteilung erfordert:

1. Feste Anzahl von Versuchen (n)
2. Zwei Ergebnisse pro Versuch: Erfolg oder Misserfolg
3. Konstante Wahrscheinlichkeit (p): Gleich für jeden Versuch
4. Unabhängigkeit: Versuche beeinflussen sich nicht gegenseitig

Passende Beispiele

• Münzwürfe (n Würfe, P(Kopf) = 0,5)
• Fehlerhafte Artikel in einer Stichprobe (mit Zurücklegen oder große Grundgesamtheit)
• Umfrageantworten (Ja/Nein-Fragen)
• Medizinische Studien (Behandlungserfolg/-misserfolg)
• Qualitätskontrolle (Bestanden/Nicht bestanden)

Nicht passende Beispiele

• Ziehen ohne Zurücklegen aus einer kleinen Grundgesamtheit (verwende die hypergeometrische Verteilung)
• Anzahl der Ereignisse in einem Zeitintervall (verwende die Poisson-Verteilung)
• Variierende Erfolgswahrscheinlichkeiten (verwende komplexere Modelle)

Anwendungen

Qualitätskontrolle

"Ein Prozess hat eine Fehlerquote von 5%. Wie hoch ist bei einer Stichprobe von 20 die Wahrscheinlichkeit von genau 2 fehlerhaften Teilen?"

P(X = 2) = C(20,2) × 0,05² × 0,95¹⁸ = 190 × 0,0025 × 0,397 = 0,189

Etwa 19% Wahrscheinlichkeit.

Medizinische Tests

"Ein Medikament hat eine Wirksamkeit von 80%. Wenn 15 Patienten es einnehmen, wie hoch ist P(genau 12 sprechen an)?"

P(X = 12) = C(15,12) × 0,8¹² × 0,2³ = 455 × 0,0687 × 0,008 = 0,250

Sport

"Ein Basketballspieler trifft 70% seiner Freiwürfe. Bei 8 Versuchen, wie hoch ist P(genau 6 Treffer)?"

P(X = 6) = C(8,6) × 0,7⁶ × 0,3² = 28 × 0,118 × 0,09 = 0,296

Genetik

"Jedes Kind hat eine 25%ige Chance, ein Merkmal zu erben. Bei 4 Kindern, wie hoch ist P(genau 1 hat es)?"

P(X = 1) = C(4,1) × 0,25¹ × 0,75³ = 4 × 0,25 × 0,422 = 0,422

Der Binomialkoeffizient

$\binom{n}{k}$ zählt die Anzahl der Möglichkeiten, k Elemente aus n auszuwählen:

$\binom{n}{k} = \frac{n!}{k!(n-k)!}$

Beispiele:

• C(5,2) = 10 (Möglichkeiten, 2 aus 5 zu wählen)
• C(10,3) = 120
• C(n,0) = C(n,n) = 1
• C(n,1) = n

Daher der Name "Binomial" — diese Koeffizienten erscheinen in der binomischen Entwicklung von (a+b)ⁿ.

Form der Verteilung

Die Form hängt von p ab:

• p = 0,5: Symmetrisch
• p < 0,5: Rechtsschief (Ausläufer zu hohen k-Werten)
• p > 0,5: Linksschief (Ausläufer zu niedrigen k-Werten)

Mit steigendem n nähert sich die Binomialverteilung der Normalverteilung an:

• Mittelwert = $np$
• Varianz = $np(1-p)$
• Standardabweichung = $\sqrt{np(1-p)}$

Faustregel: Die Normalapproximation ist sinnvoll, wenn np ≥ 5 UND n(1-p) ≥ 5.

Erwartungswert und Varianz

Mittelwert (erwartete Anzahl der Erfolge):

$E(X) = np$

Varianz:

$Var(X) = np(1-p)$

Standardabweichung:

$SD(X) = \sqrt{np(1-p)}$

Für 100 Münzwürfe (n=100, p=0,5):

• Mittelwert = 50 Mal Kopf
• Standardabweichung = √(100 × 0,5 × 0,5) = 5 Mal Kopf

Historische Entwicklung

Die Binomialverteilung ist eine der ältesten Wahrscheinlichkeitsverteilungen.

Blaise Pascal und Pierre de Fermat (1654) lösten Glücksspielprobleme, die zu binomialem Denken führten.

Jakob Bernoulli (1713) veröffentlichte die erste umfassende Behandlung in "Ars Conjectandi", einschließlich dessen, was wir heute Bernoulli-Versuche nennen.

Abraham de Moivre (1733) entdeckte die Normalapproximation der Binomialverteilung — ein Schlüsselergebnis, das zum Zentralen Grenzwertsatz führte.

Kumulative Wahrscheinlichkeit

Für $P(X \leq k)$ oder $P(X \geq k)$ verwende den Kumulativen Binomialrechner:

$P(X \leq k) = \sum_{i=0}^{k} P(X = i)$

Dies ist oft nützlicher als exakte Wahrscheinlichkeiten:

• "Wie hoch ist P(höchstens 3 fehlerhafte Teile)?"
• "Wie hoch ist P(mindestens 8 Erfolge)?"

Beziehung zu anderen Verteilungen

Bernoulli: Binomialverteilung mit n = 1

Normalverteilung: Binomialverteilung nähert sich der Normalverteilung für großes n

Poisson: Binomialverteilung nähert sich der Poisson-Verteilung, wenn n groß und p klein ist (np = λ)

Negative Binomialverteilung: Anzahl der Versuche bis k Erfolge

Hypergeometrische Verteilung: Binomialverteilung ohne Zurücklegen aus einer endlichen Grundgesamtheit

Verwandte Berechnungen

• Kumulativer Binomialrechner — P(X ≤ k), P(X ≥ k)
• Poisson-Wahrscheinlichkeitsrechner — Für seltene Ereignisse
• Normalverteilungs-Wahrscheinlichkeitsrechner — Kontinuierliche Approximation
• Konfidenzintervall für Anteile — Schätzung von p

Zusammenfassung

Die Binomialverteilung gibt die Wahrscheinlichkeit von genau k Erfolgen in n unabhängigen Versuchen an, wobei jeder Versuch die Erfolgswahrscheinlichkeit p hat. Von der Qualitätskontrolle über die medizinische Forschung bis zur Genetik beantworten Binomialwahrscheinlichkeiten grundlegende Fragen über Erfolgsanzahlen. Die Formel kombiniert den Binomialkoeffizienten (Anzahl der Möglichkeiten, k Erfolge anzuordnen) mit der Wahrscheinlichkeit einer bestimmten Anordnung. Für kumulative Fragen (mindestens k, höchstens k) verwende den kumulativen Rechner. Für großes n bietet die Normalapproximation eine praktische Alternative.