Bei der Bernoulli-Verteilung wird ein Experiment gemacht, das entweder Erfolg oder Misserfolg als Ergebnis hat (siehe den Beitrag zur Bernoulli-Verteilung). Die Binomialverteilung setzt diesen Gedanken fort und führt ein solches Experiment n-mal hintereinander aus. Sie gibt an, mit welcher Wahrscheinlichkeit dabei 0, 1, 2 oder mehr Erfolge eintreten.
Beispiele dafür gibt es viele: Münzwürfe und Würfelspiele, Medikamente und Patienten, Prüfungen, Glühbirnen oder Umfragen. Wir zeigen im Folgenden, wie die Verteilung definiert ist und wann sie passt. Danach simulieren wir sie in Excel mit Risk Kit, berechnen ihre Wahrscheinlichkeiten direkt und zeigen, wie man vorgeht, wenn die Anzahl der Versuche vorher nicht feststeht.
Was ist eine Binomialverteilung?
Eine Binomialverteilung liegt genau dann vor, wenn wir dasselbe Experiment n-mal wiederholen und alle Wiederholungen voneinander vollkommen unabhängig sind. Jedes einzelne Experiment hat wie bei der Bernoulli-Verteilung nur zwei mögliche Ergebnisse, Erfolg oder Misserfolg. Die binomialverteilte Zufallszahl ist die Anzahl der Erfolge. Sie kann die Werte 0, 1, 2 und so weiter bis n annehmen.
Die Verteilung hat zwei Parameter: die Erfolgswahrscheinlichkeit p des einzelnen Experiments und die Anzahl der Versuche n. Die Wahrscheinlichkeit, genau k Erfolge zu erhalten, ist:
P(X = k) = (n über k) · pᵏ · (1 − p)ⁿ⁻ᵏ für k = 0, 1, …, n
Dabei ist (n über k) die Anzahl der Möglichkeiten, k Erfolge auf n Versuche zu verteilen.
Das Beispiel: zehn Münzwürfe
Nehmen wir das Beispiel einer Münze, die ich zehnmal werfe. Die Erfolgswahrscheinlichkeit, dass sie Kopf zeigt, beträgt 50 %. Abbildung 1 zeigt die Anzahl der Erfolge mit ihrer zugehörigen Wahrscheinlichkeit. Auf der waagerechten Achse steht die Anzahl der Erfolge von 0 bis 10, also wie oft die Münze bei den zehn Würfen Kopf zeigt. Die Höhe jeder Säule ist die Wahrscheinlichkeit für genau diese Anzahl. Die senkrechte Achse gibt sie als Dezimalzahl an, 0,25 entspricht also 25 %.
Die höchste Säule steht in der Mitte: Fünf Erfolge habe ich mit etwa 25 % Wahrscheinlichkeit. Zu den Rändern hin werden die Säulen schnell kleiner. Dass ich bei zehn Würfen gar keinen Erfolg habe oder dass jeder Wurf erfolgreich ist, ist sehr unwahrscheinlich. Die Säulen bei 0 und bei 10 sind deshalb kaum zu sehen.
Abbildung 1: Binomialverteilung für zehn Würfe mit einer Erfolgswahrscheinlichkeit von 50 %. Fünf Erfolge sind mit etwa 25 % am wahrscheinlichsten.
Beliebige Erfolgswahrscheinlichkeiten
Die Anwendung der Binomialverteilung ist nicht auf den Fall beschränkt, dass die Erfolgswahrscheinlichkeit genau 50 % beträgt wie bei einer fairen Münze. Nehmen wir zum Beispiel an, wir spielen „Mensch ärgere dich nicht“ und wollen eine Sechs würfeln, um aus dem Haus zu kommen. Dann ist die Erfolgswahrscheinlichkeit ein Sechstel, also etwa 17 %. Wir bleiben bei zehn Würfen.
Abbildung 2 zeigt die Wahrscheinlichkeiten, dass 0, 1, 2, 3, 4 und so weiter Erfolge eintreten. Gegenüber Abbildung 1 hat sich das Bild deutlich verändert. Die höchste Säule steht jetzt bei einem Erfolg und reicht bis gut 0,3, also gut 30 %. Kein Erfolg und zwei Erfolge sind ebenfalls recht wahrscheinlich. Ab vier Erfolgen werden die Säulen sehr klein, ab sechs Erfolgen sind sie kaum noch zu sehen.
Abbildung 2: Binomialverteilung für zehn Würfe mit einer Erfolgswahrscheinlichkeit von einem Sechstel. Am wahrscheinlichsten ist ein Erfolg.
Wann passt eine Binomialverteilung?
Eine Binomialverteilung passt, wenn die folgenden Bedingungen erfüllt sind:
- Wir wiederholen dasselbe Experiment mehrmals. Jedes einzelne Experiment hat nur zwei Ergebnisse, Erfolg oder Misserfolg, und bei jedem ist die Erfolgswahrscheinlichkeit p dieselbe.
- Alle Wiederholungen sind voneinander vollkommen unabhängig.
- Uns interessiert, wie viele Erfolge insgesamt eintreten.
- Wir wissen im Voraus, wie viele Versuche wir machen werden.
Die letzte Bedingung beschreibt den idealen Fall. In der Praxis ist sie nicht immer erfüllt. Wie man dann vorgeht, zeigen wir weiter unten.
Die Anwendungsgebiete der Binomialverteilung sind genauso vielfältig wie die der Bernoulli-Verteilung. In allen folgenden Situationen ist die gesuchte Anzahl binomialverteilt, sofern die Erfolgswahrscheinlichkeit für alle gleich ist:
- Ich habe ein Medikament an 20 Patienten verabreicht. Bei wie vielen Patienten ist das Medikament wirksam?
- 50 Schüler machen eine Prüfung. Wie viele Schüler bestehen die Prüfung?
- Ich habe zehn Glühbirnen, die einen Monat lang brennen. Wie viele gehen in diesem Monat kaputt?
- Ich mache eine Umfrage und stelle 50 Personen eine bestimmte Frage. Wie viele dieser Personen geben eine ganz bestimmte Antwort?
Wie simuliert man eine Binomialverteilung 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 Binomialverteilung hat überall dieselben Parameter und liefert dieselben Ergebnisse.
Wir bleiben beim Münzwurf. In unserer Tabelle steht die Erfolgswahrscheinlichkeit von 50 % in Zelle B8 und die Anzahl der Versuche, 10, in Zelle B10. Die binomialverteilte 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 Binomialverteilung auswählen.
- Im Eingabedialog die beiden Parameter angeben, die Erfolgswahrscheinlichkeit P und die Anzahl der Versuche N. Wir tragen für P den Bezug auf Zelle B8 ein und für N den Bezug auf Zelle B10. Rechts neben den Feldern zeigt Risk Kit die Werte an, auf die die Bezüge verweisen: 0,5 und 10.
- Mit „Einfügen“ schreibt Risk Kit die Funktion =Binomial_variate(B8;B10) in Zelle D8.
- Zelle D8 als Ausgabe markieren und ihr den Namen „Binomial-Verteilung“ geben. Risk Kit ergänzt die Formel dafür um +OutputName("Binomial-Verteilung") und hebt die Zelle gelb hervor.
- Die Simulation starten.
Abbildung 3 zeigt den Eingabedialog aus Schritt 2. Im Feld Funktion ist „Zufallszahl“ eingestellt, darunter stehen die Felder P und N mit den Bezügen auf B8 und B10. Rechts daneben zeigt Risk Kit eine Vorschau der Verteilung. Sie hat dieselbe Form wie Abbildung 1: In der Mitte bei 5 ist sie am höchsten, zu den Rändern fällt sie ab. In der Tabelle ganz rechts steht unter anderem die Erwartung, 5,00.
Abbildung 3: Eingabedialog für Zelle D8. Der Parameter P verweist auf B8 (0,5), der Parameter N auf B10 (10). Rechts zeigt Risk Kit eine Vorschau der Verteilung.
Abbildung 4 zeigt den Zustand nach der Simulation. Oben in der Bearbeitungsleiste steht die vollständige Formel von Zelle D8: =Binomial_variate(B8;B10)+OutputName("Binomial-Verteilung"). Zelle D8 ist gelb als Ausgabe markiert. Darunter zeigt Risk Kit das Ergebnis der Ausgabe „Binomial-Verteilung“. Links steht das Histogramm der simulierten Werte. Auf der waagerechten Achse stehen die Anzahlen der Erfolge von 0 bis 10, die Höhe jeder Säule ist die relative Häufigkeit, mit der diese Anzahl in der Simulation vorkam. Die simulierte Verteilung sieht genauso aus wie die Vorschau im Eingabedialog: Die höchste Säule steht bei 5 und reicht bis etwa 0,25. Rechts stehen die Kennzahlen der simulierten Werte, zum Beispiel ein Mittelwert von 5,01.
Abbildung 4: Zelle D8 ist als Ausgabe markiert, die Bearbeitungsleiste zeigt die vollständige Formel. Das Histogramm der Simulation hat dieselbe Form wie die Vorschau, der Mittelwert liegt bei 5,01.
Mit dem Würfelbeispiel geht es genauso. Wir ändern die Erfolgswahrscheinlichkeit in Zelle B8 auf ein Sechstel und simulieren erneut. Für die relativen Häufigkeiten der einzelnen Anzahlen von Erfolgen erhalten wir praktisch dieselben Werte, die das Diagramm in Abbildung 2 zeigt.
Wie berechnet man die Wahrscheinlichkeiten einer Binomialverteilung direkt?
Wir können diese Ergebnisse simulieren, wir können sie aber auch direkt berechnen. Dazu stehen in der Tabelle in den Zellen C14 bis C24 die möglichen Anzahlen der Erfolge von 0 bis 10. Spalte D mit der Überschrift „Ws n Erfolge“ soll die Wahrscheinlichkeit enthalten, genau so viele Erfolge zu erhalten, wie in Spalte C stehen. Spalte E mit der Überschrift „Höchstens n Erfolge“ soll die Wahrscheinlichkeit enthalten, höchstens so viele Erfolge zu erhalten. Das n in den Überschriften steht hier für diese Anzahl, nicht für die Anzahl der Versuche. Die Erfolgswahrscheinlichkeit in B8 steht auf einem Sechstel, die Anzahl der Versuche in B10 auf 10.
Wahrscheinlichkeiten für genau so viele Erfolge (PMF)
Für die einzelnen Wahrscheinlichkeiten stellen wir im Feld Funktion „PDF / PMF“ ein. PMF steht für Probability Mass Function. Sie gibt an, mit welcher Wahrscheinlichkeit die Zufallszahl genau einen bestimmten Wert annimmt, hier also genau eine bestimmte Anzahl von Erfolgen. Wir gehen in vier Schritten vor:
- Zelle D14 auswählen, auf der Risk-Kit-Toolbar über die Schaltfläche „Beliebt“ wieder die Binomialverteilung auswählen und im Feld Funktion „PDF / PMF“ einstellen.
- Die Parameter angeben: als X die gewünschte Anzahl der Erfolge, hier der Bezug auf Zelle C14 mit dem Wert 0, als P die Erfolgswahrscheinlichkeit in B8 und als N die Anzahl der Versuche in B10. Im Feld Name verweisen wir auf die Spaltenüberschrift in D13. Der Name ist hier nur zur Beschriftung gedacht.
- Mit „Einfügen“ schreibt Risk Kit die Formel =Binomial_pmf(C14;B8;B10)+OutputName(D13) in Zelle D14.
- Die Bezüge auf B8 und B10 mit Dollarzeichen festsetzen, sodass die Formel =Binomial_pmf(C14;$B$8;$B$10)+OutputName(D13) lautet, und die Formel bis Zelle D24 nach unten kopieren.
Abbildung 5 zeigt den Eingabedialog aus Schritt 2. Unter den Feldern steht das Ergebnis, 0,161505583. Bei einer Erfolgswahrscheinlichkeit von einem Sechstel und zehn Versuchen ist die Wahrscheinlichkeit für gar keinen Erfolg also 16,2 %. Das ist derselbe Wert, den auch die Säule bei 0 in Abbildung 2 zeigt. Die gelbe Zelle D8 zeigt jeweils eine neu gezogene Zufallszahl.
Abbildung 5: Eingabedialog für Zelle D14 mit der Funktion „PDF / PMF“. X verweist auf C14 (0 Erfolge), P auf B8 und N auf B10. Das Ergebnis ist 0,1615, also 16,2 %.
Nach dem Kopieren stehen in Spalte D die Wahrscheinlichkeiten für alle Anzahlen von Erfolgen, auch für die höheren (Abbildung 6): 16,2 % für keinen Erfolg, 32,3 % für einen, 29,1 % für zwei, 15,5 % für drei Erfolge und so weiter. Das sind genau die Höhen der Säulen im Diagramm rechts daneben.
Abbildung 6: Spalte D enthält die Wahrscheinlichkeiten für genau so viele Erfolge (PMF), Spalte E die für höchstens so viele Erfolge (CDF). Die Werte in Spalte D sind die Höhen der Säulen im Diagramm.
Wahrscheinlichkeiten für höchstens so viele Erfolge (CDF)
Wenn wir berechnen wollen, wie die Verteilungsfunktion aussieht, also wie wahrscheinlich es ist, höchstens so viele Erfolge zu haben, gehen wir genauso vor. CDF steht für Cumulative Distribution Function oder Verteilungsfunktion. Wir gehen in drei Schritten vor:
- Zelle E14 auswählen, auf der Risk-Kit-Toolbar wieder die Binomialverteilung auswählen und im Feld Funktion „CDF“ einstellen.
- Die Parameter angeben: als X die Anzahl der Erfolge in C14, als P die Erfolgswahrscheinlichkeit in B8 und als N die Anzahl der Versuche in B10. Mit „Einfügen“ schreibt Risk Kit die Formel =Binomial_cdf(C14;B8;B10) in Zelle E14.
- Die Bezüge auf B8 und B10 mit Dollarzeichen festsetzen, sodass die Formel =Binomial_cdf(C14;$B$8;$B$10) lautet, und die Formel bis Zelle E24 nach unten kopieren.
Das Ergebnis steht in Spalte E von Abbildung 6. Bei null Erfolgen, dem kleinsten möglichen Wert, bedeuten „höchstens null“ und „genau null“ dasselbe. In D14 und E14 stehen deshalb jeweils 16,2 %. Für die höheren Werte ist es jeweils die Summe der einzelnen Wahrscheinlichkeiten. Für höchstens einen Erfolg sind es zum Beispiel 16,2 % plus 32,3 %, also 48,5 %.
Wir sehen hier, dass bei einer Erfolgswahrscheinlichkeit von 17 % und zehn Versuchen kaum mehr als sechs Erfolge zu erwarten sind. Für höchstens sechs Erfolge zeigt Spalte E bereits 100,0 %. Die Wahrscheinlichkeit, dass 7, 8, 9 oder 10 Erfolge vorkommen, ist so gering, dass eine Nachkommastelle bei den Prozenten nicht mehr ausreicht, um sie anzuzeigen. In Spalte D steht dort deshalb 0,0 %.
Wir haben also nicht nur die Möglichkeit, Zufallszahlen aus einer Verteilung zu ziehen. Wir können auch andere Größen für die Verteilung berechnen. Das geht in Risk Kit für alle Verteilungen, die zur Verfügung stehen.
Was tun, wenn die Anzahl der Versuche nicht feststeht?
In der Praxis haben wir oft eine Variation des idealen Falls: Wir wissen nicht unbedingt im Voraus, wie viele Versuche wir machen werden. Manchmal wissen wir es. Ich weiß, wie viele Glühbirnen ich habe und wie viele davon im nächsten Monat durchbrennen können. Ich weiß, wie viele Maschinen ich habe und wie viele kaputtgehen können. Aber als Krankenhaus weiß ich oft nicht, wie viele Patienten ich im nächsten Quartal behandeln werde. Oder ich weiß bei einer Umfrage nicht, wie viele Personen ich konkret fragen werde.
Die meisten Umfragen sind nicht so aufgebaut, dass ich genau 50 Personen frage und dann aufhöre. Ich nehme mir ein gewisses Zeitfenster und versuche, in diesem Zeitfenster so viele Personen wie möglich zu befragen. Die Anzahl der Personen, die ich insgesamt frage, ist also selbst zufällig.
Wir können die Binomialverteilung auch in dieser Situation anwenden, indem wir zwei Experimente verknüpfen. Im ersten Experiment bestimmen wir, wie viele Versuche wir überhaupt machen. Erst im zweiten Experiment kommt mit dieser Anzahl von Versuchen die Binomialverteilung zum Zug.
Beispiel: eine zufällige Anzahl von Würfen
Schauen wir uns das wieder beim „Mensch ärgere dich nicht“ an, diesmal mit der Frage, wie häufig ich würfle. Wir nehmen an, dass die Anzahl der Würfe normalverteilt ist, mit einem Erwartungswert von 10 Versuchen und einer Standardabweichung von 3 Versuchen. In Zelle B10 ersetzen wir dafür die feste Zahl 10 durch die Risk-Kit-Funktion Normal_variate(10;3), die eine normalverteilte Zufallszahl mit diesen beiden Parametern zieht. Weil die Anzahl der Versuche eine ganze Zahl sein muss, rundet Risk Kit den gezogenen Wert auf die nächste ganze Zahl.
In Abbildung 7 hat diese Zufallszahl den Wert 14 ergeben. Ich hätte also 14-mal gewürfelt, jeweils mit einer Erfolgswahrscheinlichkeit von 17 %. Die Tabelle und das Diagramm zeigen für diese 14 Versuche die Wahrscheinlichkeiten der einzelnen Anzahlen von Erfolgen. Im Vergleich zu Abbildung 6 hat sich die Verteilung nach rechts verschoben: Am wahrscheinlichsten sind jetzt zwei Erfolge mit 28,4 %, gar kein Erfolg hat nur noch 7,8 %. In einer anderen Situation hätte ich vielleicht 11-mal gewürfelt, und dann hätten wir leicht andere Wahrscheinlichkeiten für die einzelnen Anzahlen von Erfolgen.
Abbildung 7: Die Anzahl der Versuche in B10 ist jetzt eine normalverteilte Zufallszahl, hier 14. Tabelle und Diagramm zeigen die Binomialverteilung für 14 Würfe.
In dieser Situation gilt die Binomialverteilung immer nur für die Anzahl von Versuchen, die im ersten Schritt gezogen wurde. Wir haben ein zweistufiges Experiment, und die Binomialverteilung kommt immer erst im zweiten Schritt. Die Monte-Carlo-Simulation läuft in diesem Ansatz in mehreren Stufen ab, die nacheinander berechnet werden. Der Kreis der Anwendungen wird dadurch deutlich größer: Wir müssen die Anzahl der Versuche nicht vorher kennen, sie stellt sich erst im Laufe des Gesamtexperiments heraus.
Randomisierung
Wenn man einen Parameter einer Verteilung selbst zufällig macht, spricht man von Randomisierung. Eine Randomisierung ist in Risk Kit grundsätzlich für alle Verteilungen möglich. Im ersten Schritt werden die Parameter gezogen, im zweiten Schritt ziehen wir aus der Verteilung mit diesen Parametern eine Zufallszahl.
Lässt sich die Binomialverteilung verallgemeinern?
Die Binomialverteilung kann noch in anderer Hinsicht verallgemeinert werden und findet sich als Spezialfall in anderen Verteilungen wieder. Darauf kommen wir in späteren Beiträgen zurück.
Weitere Verteilungen
Den Überblick über alle Verteilungen gibt unser Leitfaden „Wann nehme ich welche Verteilung?“.
- Wann nehme ich eine Bernoulli-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Bernoulli-Verteilung passt und welche Rolle sie als Weiche in einer Simulation spielt.
- 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.