Eine Bernoulli-Verteilung hat in einer Monte-Carlo-Simulation die Funktion einer Weichenstellung. Sie beschreibt ein Zufallsexperiment mit genau zwei möglichen Ergebnissen: Ein Ereignis tritt ein oder es tritt nicht ein. Je nachdem, wie das Experiment ausgeht, nimmt die Simulation den einen oder den anderen Weg.
Solche Experimente begegnen uns überall: beim Münzwurf, bei einer Prüfung, in der Medizin, in der Produktion oder im Risikomanagement. Wir zeigen im Folgenden, wie die Verteilung definiert ist, wofür man sie verwendet und wann sie passt. Danach simulieren wir sie Schritt für Schritt in Excel mit Risk Kit.
Was ist eine Bernoulli-Verteilung?
Eine Bernoulli-verteilte Zufallszahl nimmt zwei Werte an, Erfolg oder Misserfolg. Als Zahlenwerte verwendet man in der Regel die 1 für Erfolg und die 0 für Misserfolg. Mehrfach-Eintritte gibt es nicht.
Die Verteilung hat einen einzigen Parameter, die Erfolgswahrscheinlichkeit p. Mit dieser Wahrscheinlichkeit nimmt die Zufallszahl den Wert 1 an, mit der Gegenwahrscheinlichkeit den Wert 0:
P(X = 1) = p und P(X = 0) = 1 − p
Der Begriff Erfolg ist dabei rein technisch gemeint. Er bezeichnet das Ereignis, das uns interessiert, auch wenn es ein unerwünschtes ist, etwa ein defektes Teil oder der Ausfall einer Maschine.
Das klassische Beispiel: der Münzwurf
Das klassische Beispiel für eine Bernoulli-Verteilung ist ein Münzwurf. Die Münze hat zwei Seiten, Kopf und Zahl. Einer dieser Seiten ordnen wir den Erfolg zu, der anderen den Misserfolg. Der Erfolg tritt mit einer Wahrscheinlichkeit von 50 % ein, ebenso der Misserfolg. Abbildung 1 zeigt das als Säulendiagramm: Die blaue Säule steht für „Kein Erfolg“, die orange für „Erfolg“, beide reichen bis 50 %.
Abbildung 1: Bernoulli-Verteilung mit einer Erfolgswahrscheinlichkeit von 50 %, der faire Münzwurf
Beliebige Erfolgswahrscheinlichkeiten
Die Bernoulli-Verteilung ist aber noch viel allgemeiner. Sie ist nicht auf faire Experimente beschränkt, bei denen die Eintrittswahrscheinlichkeit 50 % beträgt. Die Eintrittswahrscheinlichkeit kann beliebig sein.
Nehmen wir zum Beispiel das Spiel „Mensch ärgere dich nicht“. Am Anfang des Spiels stehe ich im Haus und muss eine Sechs würfeln, um ins Spiel zu kommen. Der Würfel hat sechs Seiten, aber mich interessiert nur die Sechs. Alle anderen fünf Seiten sind ein Misserfolg. Wir haben hier also ein Bernoulli-Experiment mit einer Erfolgswahrscheinlichkeit von einem Sechstel. Der Erfolg tritt mit etwa 17 % Wahrscheinlichkeit ein, kein Erfolg mit etwa 83 %. In Abbildung 2 ist die orange Säule für den Erfolg entsprechend auf etwa 17 % geschrumpft, die blaue Säule für „Kein Erfolg“ auf etwa 83 % gewachsen.
Abbildung 2: Bernoulli-Verteilung mit einer Erfolgswahrscheinlichkeit von einem Sechstel
Mit allgemeinen Erfolgswahrscheinlichkeiten gibt es sehr viele Anwendungen für die Bernoulli-Verteilung:
- Ein Student besteht eine Prüfung oder nicht.
- Ein Patient übersteht eine Operation oder nicht.
- Eine Glühbirne bleibt intakt oder sie brennt durch.
- Ein produziertes Teil funktioniert oder es ist defekt.
Welche Rolle spielt die Bernoulli-Verteilung in einer Simulation?
In der Simulation hat die Bernoulli-Verteilung in der Regel die Funktion eines Auslösers. Wenn das Ereignis eintritt, eröffnet sich ein neuer Pfad, der in der Simulation beschritten wird.
Beim „Mensch ärgere dich nicht“ ist das unmittelbar zu sehen. Wenn ich es schaffe, eine Sechs zu würfeln, komme ich ins Spiel und kann um das Feld herumlaufen. Dieser Pfad bleibt mir verborgen, solange ich keine Sechs würfle.
Die Bernoulli-Verteilung entscheidet also darüber, welcher Teil des Modells in einem Simulationslauf überhaupt zum Tragen kommt.
Wie bildet man den Eintritt eines Risikos ab?
Ein wichtiges Anwendungsfeld für diese Auslöser-Funktion sind Risikoanalysen. Mit der Bernoulli-Verteilung lässt sich darstellen, ob ein Risiko eintritt. Wenn das Risiko nicht eintritt, passiert nichts. Wenn das Risiko eintritt, wird ein neuer Pfad eröffnet, und es ist zu bestimmen, wie groß der Schaden ist, den das Risiko auslöst. Es folgen also weitere Zufallsexperimente, die die Höhe dieses Schadens bestimmen.
Insgesamt ist die Simulation eines Risikos damit zweistufig. Am Anfang steht eine Bernoulli-Verteilung, die entscheidet, ob das Risiko eintritt. Danach kommen weitere Schritte, die bestimmen, wie sich das Risiko auswirkt.
Wann passt eine Bernoulli-Verteilung?
Eine Bernoulli-Verteilung passt immer dann, wenn uns nur interessiert, ob ein Ereignis eintritt oder nicht, und wenn es im betrachteten Zeitraum höchstens einmal eintreten kann. Genau das gilt für alle Beispiele oben: Eine Prüfung wird bestanden oder nicht, ein Teil ist defekt oder nicht.
Manchmal passt die Bernoulli-Verteilung auch deshalb, weil der betrachtete Zeitraum so kurz ist, dass ein zweiter Eintritt sachlich ausgeschlossen ist. Eine Maschine kann im Laufe der Zeit öfter einmal ausfallen. Beschränke ich den Zeitraum aber auf eine Woche und fällt die Maschine aus, dann brauche ich womöglich so lange, um sie zu reparieren und wieder in Produktion zu bringen, dass sie in dieser Woche gar nicht ein zweites Mal ausfallen kann. In diesem Fall habe ich ein Bernoulli-Experiment: In dieser Woche fällt die Maschine aus oder sie bleibt intakt. Der Zeitraum gehört dann zum Modell. Wer ihn später verlängert oder in kürzere Abschnitte teilt, ändert damit auch, wie oft das Ereignis insgesamt eintreten kann.
Kann ein Ereignis dagegen im betrachteten Zeitraum mehrfach eintreten, braucht man eine andere Verteilung. Dazu mehr am Ende dieses Beitrags.
Wie simuliert man eine Bernoulli-Verteilung in Excel?
Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein. Ob man mit Risk Kit, mit Python oder mit einem anderen Tool simuliert: Die Bernoulli-Verteilung hat überall denselben Parameter und liefert dieselben Ergebnisse.
Wir bleiben beim Würfelbeispiel. In unserer Tabelle steht die Erfolgswahrscheinlichkeit in Zelle B8. Dort ist die Formel =1/6 eingetragen, die Zelle zeigt gerundet 17 % an. Die Bernoulli-verteilte Zufallszahl soll in Zelle D8 entstehen. Wir gehen in fünf Schritten vor:
- Zelle D8 auswählen, auf der Risk-Kit-Toolbar die Schaltfläche „Beliebt“ öffnen und die Bernoulli-Verteilung auswählen.
- Im Eingabedialog den einzigen Parameter P angeben, die Erfolgswahrscheinlichkeit. Wir tragen dort den Bezug auf Zelle B8 ein. Rechts neben dem Feld zeigt Risk Kit den Wert an, auf den der Bezug verweist: 0,166666667, also ein Sechstel (Abbildung 3).
- Mit „Einfügen“ schreibt Risk Kit die Funktion =Bernoulli_variate(B8) in Zelle D8.
- Zelle D8 als Ausgabe markieren und ihr den Namen „Bernoulli-Verteilung“ geben. Risk Kit ergänzt die Formel dafür um OutputName("Bernoulli-Verteilung") und hebt die Zelle gelb hervor (Abbildung 4).
- Die Simulation starten.
In Abbildung 3 steht links die Zelle B8 mit 17 %, in der Bearbeitungsleiste oben sieht man ihre Formel =1/6. Die Titelzeile des Dialogs „[D8] = Bernoulli_variate(...)“ zeigt, dass die Funktion in Zelle D8 eingefügt wird. Darauf zeigt auch der orange Keil. Die Zahl unter dem Feld P ist eine einzelne Beispiel-Ziehung.
Abbildung 3: Zelle B8 enthält die Erfolgswahrscheinlichkeit =1/6. Im Eingabedialog für Zelle D8 verweist der Parameter P auf B8, rechts daneben steht der Wert 0,166666667.
Abbildung 4: Zelle D8 ist als Ausgabe markiert. Die Bearbeitungsleiste zeigt die vollständige Formel =Bernoulli_variate(B8)+OutputName("Bernoulli-Verteilung").
Nach der Simulation zeigt Risk Kit das Ergebnis der Ausgabe „Bernoulli-Verteilung“ (Abbildung 5). Links steht das Histogramm der simulierten Werte. Es hat nur zwei Säulen: eine bei 0, die bis etwa 0,83 reicht, und eine bei 1, die bis etwa 0,17 reicht. Die Verteilung nimmt also genau zwei Werte an, die 0 mit etwa 83 % und die 1 mit etwa 17 % Wahrscheinlichkeit. Rechts stehen die Kennzahlen der simulierten Werte. Der Mittelwert liegt bei 0,17 und damit bei der Erfolgswahrscheinlichkeit.
Abbildung 5: Simulationsergebnis. Links das Histogramm mit den Werten 0 und 1, rechts die Kennzahlen, unter anderem Mittelwert 0,17 und Standardabweichung 0,37.
Woher hat die Bernoulli-Verteilung ihren Namen?
Ihren Namen hat die Bernoulli-Verteilung von dem Schweizer Mathematiker Jakob Bernoulli. Er hat gezeigt: Wiederholt man ein Zufallsexperiment tausende Male, dann nähert sich der Anteil der Erfolge immer mehr der Erfolgswahrscheinlichkeit an. Genau das sehen wir in Abbildung 5: Die Säule bei 1 reicht bis etwa 0,17, und auch der Mittelwert liegt bei 0,17, also bei einem Sechstel.
Welche Verteilungen lassen sich aus ihr zusammenbauen?
Die Bernoulli-Verteilung ist in einer Monte-Carlo-Simulation ein Baustein. Wenn sie ein Legostein wäre, dann wäre sie der kleinste Stein, ein Einer. Aus der Bernoulli-Verteilung lassen sich andere Verteilungen zusammenbauen, zum Beispiel die Binomial- und die Poisson-Verteilung. Mit ihnen lassen sich auch Ereignisse abbilden, die in einem Zeitraum mehrfach eintreten können.
Weitere Verteilungen
Den Überblick über alle Verteilungen gibt unser Leitfaden „Wann nehme ich welche Verteilung?“.
- Wann nehme ich eine Binomialverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Binomialverteilung die Zahl der Erfolge in n unabhängigen Versuchen beschreibt und wie man sie in Excel berechnet.
- Wann nehme ich eine Poisson-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Poisson-Verteilung die Häufigkeit unabhängiger Ereignisse beschreibt und wann sie passt.
- Wann nehme ich eine Normalverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Normalverteilung passt, wo ihre Grenzen liegen und wie man sie abschneidet.
- Wann nehme ich eine Dreiecksverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wann die Dreiecksverteilung passt, warum der wahrscheinlichste Wert nicht der Erwartungswert ist und wo ihre Grenzen liegen.
- Experteneinschätzungen in einer Monte-Carlo-Simulation quantifizieren: die ExpertverteilungExperteneinschätzungen besser quantifizieren: wie die Expertverteilung Schätzungen über Grenzen und Quantile abbildet, auch ohne festes Minimum oder Maximum.
- Wann nehme ich eine PERT-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wie die PERT-Verteilung eine begrenzte Dauer mit Minimum, wahrscheinlichstem Wert und Maximum beschreibt und wo ihre Grenzen liegen.
- Wann nehme ich eine Lognormalverteilung in einer Monte-Carlo-Simulation?Definition, Eigenschaften und Grenzen: wann die Lognormalverteilung proportionale Wachstumsprozesse richtig beschreibt und wie man sie in Excel parametrisiert.
- Benutzerdefinierte Verteilungen in einer Monte-Carlo-Simulation: die Flex-VerteilungBenutzerdefinierte Verteilungen: wie die Flex-Verteilung aus Werten und Wahrscheinlichkeiten entsteht und wann sie passt, von Experteneinschätzungen bis zur Übertragung von Simulationsergebnissen.