Grundsatz: Die Binomialverteilung $B(n, p)$ beschreibt die Anzahl der Erfolge in $n$ unabhängigen Versuchen mit Erfolgswahrscheinlichkeit $p$. Bei grossem $n$ approximiert die Normalverteilung $N(\mu, \sigma^2)$ die Binomialverteilung.
Binomialverteilung
$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$$
$$E(X) = np, \quad \text{Var}(X) = np(1-p), \quad \sigma = \sqrt{np(1-p)}$$
Kumulative Verteilungsfunktion
$$P(X \le k) = \sum_{i=0}^k \binom{n}{i} p^i (1-p)^{n-i}$$
Praktisch werden kumulative Werte über Binomialtabellen oder den GTR/CAS abgelesen (Befehl z. B. binomcdf(n, p, k)). Nützliche Umformungen:
- $P(X \ge k) = 1 - P(X \le k-1)$
- $P(a \le X \le b) = P(X \le b) - P(X \le a-1)$
Normalverteilung — Dichte
$$\varphi(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}$$
Standardnormalverteilung $Z \sim N(0,1)$: Umrechnung $Z = (X-\mu)/\sigma$. Tabelle $\Phi(z) = P(Z \le z)$.
Sigma-Regeln ($\mu \pm k\sigma$):
- $\pm 1\sigma$: $\approx 68.3%$
- $\pm 2\sigma$: $\approx 95.4%$
- $\pm 3\sigma$: $\approx 99.7%$
Approximation Binomial → Normal (Faustregel: $np \ge 5$ und $n(1-p) \ge 5$):
$$\mu = np, \quad \sigma = \sqrt{np(1-p)}$$
Mit Stetigkeitskorrektur: $P(X \le k) \approx \Phi!\left(\frac{k + 0.5 - \mu}{\sigma}\right)$.
Beispiel — Binomial (Einzelwert)
Münze 10× werfen, $X$ = Anzahl Köpfe. $P(X=4) = \binom{10}{4}(0.5)^{10} = 210 \cdot \frac{1}{1024} \approx 0.205$.
Beispiel — Kumulative Binomialwahrscheinlichkeit
Dieselbe Münze, $n=10$, $p=0.5$. Wie gross ist $P(X \le 3)$?
$$P(X \le 3) = \sum_{k=0}^{3}\binom{10}{k}(0.5)^{10} = (1+10+45+120)\cdot\frac{1}{1024} = \frac{176}{1024} \approx 0.172$$
Beispiel — Binomial-Hypothesentest (einseitig)
Eine Münze wird verdächtigt, gezinkt zu sein (zu viele Köpfe). Man wirft sie $n=20$ Mal und erhält $k=15$ Köpfe. Signifikanzniveau $\alpha = 0.05$.
- $H_0$: $p = 0.5$ (faire Münze). $H_1$: $p > 0.5$ (einseitig rechts).
- Unter $H_0$: $P(X \ge 15) = 1 - P(X \le 14)$.
- Aus Tabelle / GTR: $P(X \le 14) \approx 0.979$ → $P(X \ge 15) \approx 0.021$.
- Da $0.021 < 0.05 = \alpha$, wird $H_0$ abgelehnt. Ergebnis signifikant.
Kritischer Bereich (alternativer Ansatz): finde den kleinsten Wert $k^$ mit $P(X \ge k^) \le \alpha$. Alle Ergebnisse $\ge k^*$ führen zur Ablehnung von $H_0$.
Beispiel — Normalverteilung
IQ ist $N(100, 15^2)$-verteilt. $P(X \ge 130) = P(Z \ge 2) = 1 - \Phi(2) \approx 0.0228$ — ca. 2.3 % haben IQ ≥ 130.
Normalverteilung rechnen
Mit $z=\frac{x-\mu}{\sigma}$ gilt $P(X>a)=1-\Phi(z_a)$ und $P(a<X<b)=\Phi(z_b)-\Phi(z_a)$. Quantil: Das kleinste $k$ mit $P(X\le k)\ge s$ ist $k\ge\mu+z_s,\sigma$, mit $z_{0.9}=1.2816$. Beispiel: 6'000 Stücke, $p=0.02$, $\mu=120$, $\sigma=\sqrt{6000\cdot0.02\cdot0.98}\approx10.84$:
$$k\ge120+1.2816\cdot10.84\approx133.9\quad\Rightarrow\quad k=134$$
Exakt binomial ist $P(X\le134)\approx0.908$ und $P(X\le133)\approx0.892$. Umkehraufgabe: Aus $P(|X-\mu|\le d)=0.8$ folgt $\Phi!\left(\frac d\sigma\right)=0.9$, also $\frac d\sigma=1.2816$ und $\sigma=\frac{d}{1.2816}$; für $d=6$ ist $\sigma\approx4.682$.
Summen und zentraler Grenzwertsatz: Für $n$ unabhängige Wiederholungen mit Erwartungswert $\mu$ und Standardabweichung $\sigma$ pro Versuch hat die Summe $S$
$$\mu_S=n\mu,\qquad\sigma_S=\sigma\sqrt n$$
und ist näherungsweise normalverteilt. Beispiel: 400 Lose mit $\mu=8$, $\sigma=3$: $\mu_S=3200$, $\sigma_S=60$, $P(S>3300)=1-\Phi(1.667)\approx0.0478$. Beispiel: 1'600 Lose mit $\mu=6$, $\sigma=3$: $\mu_S=9600$, $\sigma_S=120$, $P(S>9700)=1-\Phi(0.833)\approx0.202$.
Weitere Anwendungen
Binomial erkennen: Voraussetzungen sind $n$ unabhängige Versuche mit nur zwei Ausgängen und gleichbleibender Wahrscheinlichkeit $p$ (Ziehen mit Zurücklegen, sehr grosse Gesamtheit). Aufgaben mit «mindestens», «höchstens», «genau», «mehr als» sind Umformungen von $P(X\le k)$; «mehr als $k$» heisst $X\ge k+1$, «weniger als $k$» heisst $X\le k-1$.
Mindestanzahl der Versuche
Mindestanzahl der Versuche («wie oft muss man mindestens ...»): Für «mindestens ein Erfolg mit Sicherheit $s$» gilt $1-(1-p)^n\ge s$, also $n\ge\dfrac{\ln(1-s)}{\ln(1-p)}$ (das Relationszeichen dreht sich, weil $\ln(1-p)<0$); der Wert wird auf die nächste ganze Zahl aufgerundet. Für mehrere Erfolge probiert man $n$ mit dem GTR/CAS aus (Tabelle der kumulativen Werte).
Abwechselndes Spiel
Abwechselndes Spiel (zwei Personen, Person 1 beginnt, jeder Versuch gelingt mit $p$, es gewinnt der erste Erfolg): Person 1 gewinnt im Versuch $1,3,5,\dots$, also
$$P(\text{Person 1})=p+(1-p)^2p+(1-p)^4p+\dots=\frac{p}{1-(1-p)^2}=\frac{1}{2-p}$$
(geometrische Reihe mit $q=(1-p)^2$); Person 2 gewinnt mit $1-\frac{1}{2-p}=\frac{1-p}{2-p}$. Haben die beiden unterschiedliche Trefferwahrscheinlichkeiten $p_1$, $p_2$, so ist $q=(1-p_1)(1-p_2)$ und $P(\text{Person 1})=\dfrac{p_1}{1-q}$.
Mehr als zwei Ausgänge
Mehr als zwei Ausgänge (zum Beispiel drei Farben mit $p_1+p_2+p_3=1$): Wahrscheinlichkeit für $k_1,k_2,k_3$ Treffer bei $n=k_1+k_2+k_3$ Versuchen:
$$P=\frac{n!}{k_1!,k_2!,k_3!},p_1^{k_1}p_2^{k_2}p_3^{k_3}$$
Fragt man nur nach «Erfolg oder nicht» (eine Farbe gegen den Rest), reicht die Binomialverteilung. Mehrere Versuchsarten pro Runde (zum Beispiel ein Wurf mit zwei Würfeln, Erfolg bei Pasch): zuerst die Erfolgswahrscheinlichkeit $p$ einer Runde bestimmen, dann mit $n$ Runden binomial rechnen.
Hypothesentest, vollständig
$H_0$ (Nullhypothese, Annahme über $p$) und $H_1$ (Gegenannahme) festlegen; einseitig bei einer gerichteten Behauptung, zweiseitig bei «anders als». Der Ablehnungsbereich (kritischer Bereich) umfasst die extremen Ergebnisse, die unter $H_0$ zusammen höchstens die Wahrscheinlichkeit $\alpha$ haben (zweiseitig $\alpha/2$ pro Seite). Fehler:
| Fehler | Bedeutung | Wahrscheinlichkeit |
|---|---|---|
| 1. Art ($\alpha$) | $H_0$ wird abgelehnt, obwohl $H_0$ wahr ist | $P(X\in\text{Ablehnungsbereich}\mid p_0)$, höchstens $\alpha$ |
| 2. Art ($\beta$) | $H_0$ wird beibehalten, obwohl $H_1$ wahr ist | $P(X\notin\text{Ablehnungsbereich}\mid p_1)$ |
Ein grösseres Signifikanzniveau $\alpha$ vergrössert den Ablehnungsbereich und verkleinert $\beta$. Der Test beweist $H_1$ nicht, er liefert nur ein Ergebnis auf dem gewählten Niveau.
Beispiel — Mindestanzahl
Ein Los gewinnt mit $p=0.05$. Mindestens ein Gewinn mit Sicherheit $90,%$: $1-0.95^n\ge0.90$, also $n\ge\frac{\ln0.1}{\ln0.95}\approx44.9$, damit $n=45$ (Probe: $0.95^{44}\approx0.1047>0.1$, $0.95^{45}\approx0.0994<0.1$).
Beispiel — Abwechselndes Spiel
Zwei Personen versuchen abwechselnd, mit $p=0.2$ zu treffen, Person 1 beginnt. $P(\text{Person 1})=\frac{1}{2-0.2}=\frac59\approx0.556$, $P(\text{Person 2})=\frac49\approx0.444$.
Beispiel — Mehrere Kategorien
Samentüten: rot $0.6$, gelb $0.3$, weiss $0.1$. Bei $4$ Samen: genau $2$ rot, $1$ gelb, $1$ weiss hat die Wahrscheinlichkeit $\frac{4!}{2!,1!,1!}\cdot0.6^2\cdot0.3\cdot0.1=12\cdot0.36\cdot0.3\cdot0.1=0.1296$.
Beispiel — Zweiseitiger Test und Fehler 2. Art
$n=100$, $H_0$: $p=0.5$, $\alpha=0.05$. Gesucht sind $c_1$, $c_2$ mit $P(X\le c_1)\le0.025$ und $P(X\ge c_2)\le0.025$. Es ist $P(X\le39)\approx0.0176$, aber $P(X\le40)\approx0.0284$; durch die Symmetrie gilt $P(X\ge61)\approx0.0176$. Ablehnungsbereich: $X\le39$ oder $X\ge61$.
Einseitig mit $n=20$, $H_0$: $p=0.5$, $H_1$: $p>0.5$, $\alpha=0.05$: $P(X\ge15)\approx0.0207$, $P(X\ge14)\approx0.0577$, Ablehnungsbereich $X\ge15$. Gilt in Wirklichkeit $p=0.7$, so ist der Fehler 2. Art $P(X\le14\mid p=0.7)\approx0.584$.
Weitere Fragetypen
Erster Erfolg im $k$-ten Versuch ist $(1-p)^{k-1}p$, siehe Wartezeit und Serien. $k$-ter Erfolg erst im $n$-ten Versuch: Unter den ersten $n-1$ Versuchen sind genau $k-1$ Erfolge, im $n$-ten gelingt der $k$-te:
$$P=\binom{n-1}{k-1},p^{k},(1-p)^{n-k}$$
Beispiel: Bei $p=0.3$ ist die $7.$ weisse Kugel erst bei der $10.$ Ziehung mit $P=\binom96\cdot0.3^7\cdot0.7^3\approx0.0063$ gezogen.
Zwei Gruppen mit verschiedenem p
Zwei Gruppen mit verschiedenem $p$: Für $X_1\sim B(n_1;p_1)$ und $X_2\sim B(n_2;p_2)$ unabhängig summiert man über die Aufteilungen:
$$P(X_1+X_2=2)=\sum_{i=0}^{2}P(X_1=i),P(X_2=2-i)$$
Mit $B(25;0.04)$ und $B(20;0.05)$ ergibt das $\approx0.2770$. «Höchstens eine Person» über beide Gruppen: $P(0)+P(1)$, wobei $P(0)$ das Produkt der Einzelwahrscheinlichkeiten ist, zum Beispiel $0.8^{12}\cdot0.95^{20}\approx0.0246$ für $12$ und $20$ Personen mit $p=0.2$ und $p=0.05$.
Punktsummen mit mehreren Zonen
Man listet alle Kombinationen von Zonen mit der gewünschten Summe auf und multipliziert je die Anzahl Anordnungen mit dem Produkt der Zonenwahrscheinlichkeiten. Beispiel: $3$ Würfe, Zonen $40/20/10/0$ mit $0.05/0.25/0.40/0.30$, Summe $50$:
- $20+20+10$: $3\cdot0.25^2\cdot0.40=0.075$
- $40+10+0$: $6\cdot0.05\cdot0.40\cdot0.30=0.036$
$$P=0.075+0.036=0.111$$
Überbuchung
Bei $n$ Buchungen und Antrittswahrscheinlichkeit $0.95$ ist die Zahl der erscheinenden Gäste $B(n;0.95)$. Gesucht ist das grösste $n$ mit $P(X>150)<0.05$; man probiert mit der kumulierten Binomialverteilung: $n=154$ gibt $0.0478$, $n=155$ schon $0.1087$. Für $n=160$ ist $P(X>150)\approx0.7199$; die erwartete Zahl der Tage mit Abweisungen in $300$ Tagen ist $300\cdot0.7199\approx216$.
Erwartete Einnahmen und Kosten
Pro Person ohne Ausweis werden $20,%$ erwischt; ein Erwischter zahlt im Mittel $0.5\cdot150+0.5\cdot30=90$ Franken, die übrigen $80,%$ kosten $9$ Franken. Einnahmen $0.20\cdot90=18$, Kosten $0.80\cdot9=7.20$, Differenz $+10.80$ Franken.
Zählprobleme zur Planung (Reihenfolge von Fahrten, Verteilung von Kontrollen): Kombinatorik.
Testen mit Wirksamkeit und Beobachtung
Hypothesen aufstellen: Die Aussage, die gezeigt werden soll, ist $H_1$; $H_0$ ist das Gegenteil. «Mindestens $70,%$ Trefferquote, Trainer vermutet weniger»: $H_0\colon p\ge0.7$, $H_1\colon p<0.7$ (linksseitig). «Höchstens $20,%$ fallen aus, Verband vermutet mehr»: $H_0\colon p\le0.2$, $H_1\colon p>0.2$ (rechtsseitig). Beim linksseitigen Test sucht man das grösste $k$ mit $P(X\le k)\le\alpha$, beim rechtsseitigen das kleinste $k$ mit $P(X\ge k)\le\alpha$.
Wirksamkeit $w$: Ohne Behandlung tritt ein Ereignis mit $p$ ein, mit Wirkung $w$ nur noch mit $p_0=p,(1-w)$. Beispiel: $4,%$ ohne Behandlung, $w=50,%$: $p_0=0.04\cdot0.5=0.02$; bei 8'000 Behandelten werden $8000\cdot0.02=160$ Fälle erwartet. Behauptet wird «wirkt besser als $50,%$», also $H_1\colon p<0.02$ (linksseitig). Mit $P(X\le139)\approx0.0484\le0.05$ und $P(X\le140)\approx0.0574>0.05$ ist der Verwerfungsbereich ${0,\dots,139}$.
Beobachtung gegen Niveau: Man berechnet die Wahrscheinlichkeit des beobachteten Werts oder eines extremeren unter $H_0$ und vergleicht mit $\alpha$. Beispiel: $300$ Teilnehmer, $p=0.25$, beobachtet $66$: $P(X\le66)\approx0.1278$. Das ist grösser als $5,%$ und als $1,%$, also wird $H_0$ nicht verworfen: Der Rückgang kann Zufall sein.
Häufige Fehler
- Erwartungswert $np$ mit Wahrscheinlichkeit $p$ verwechselt: $E(X) = np$ ist die mittlere Anzahl Erfolge, keine Wahrscheinlichkeit.
- Standardabweichung vs. Varianz: $\sigma = \sqrt{np(1-p)}$, nicht $np(1-p)$.
- Stetigkeitskorrektur vergessen: Bei Approximation Binomial → Normal $\pm 0.5$ hinzufügen.
- Symmetrie der Normalverteilung übersehen: $\Phi(-z) = 1 - \Phi(z)$.
- Einseitiger vs. zweiseitiger Test: Bei zweiseitigem Test $\alpha$ auf beide Seiten aufteilen ($\alpha/2$ pro Seite).
- $P(X \ge k)$ falsch berechnet: $P(X \ge k) = 1 - P(X \le k-1)$, nicht $1 - P(X \le k)$.