Bernoulli-Summenrechner

Berechnen Sie präzise die Summe von Bernoulli-Versuchen mit unserem professionellen Online-Rechner. Ideal für Statistik, Wahrscheinlichkeitstheorie und wissenschaftliche Analysen.

Anzahl der Versuche (n)

Erfolgswahrscheinlichkeit (p)

Anzahl der Erfolge (k)

Berechnungstyp

Erfolge von (a)

Erfolge bis (b)

Berechnungsergebnis:

–

Erwartungswert (μ):

–

Varianz (σ²):

–

Standardabweichung (σ):

–

Umfassender Leitfaden: Summe berechnen mit dem Bernoulli-Rechner

Die Bernoulli-Verteilung und ihre Summen (binomialverteilte Zufallsvariablen) sind fundamentale Konzepte in der Wahrscheinlichkeitstheorie und Statistik. Dieser Leitfaden erklärt detailliert, wie Sie Bernoulli-Summen berechnen, interpretieren und in praktischen Anwendungen nutzen können.

1. Grundlagen der Bernoulli-Verteilung

Ein Bernoulli-Experiment ist ein Zufallsexperiment mit genau zwei möglichen Ergebnissen:

Erfolg (mit Wahrscheinlichkeit p)
Misserfolg (mit Wahrscheinlichkeit 1-p)

Beispiele für Bernoulli-Experimente:

Münzwurf (Kopf/Zahl mit p=0.5)
Würfeln auf “6” (p=1/6)
Qualitätskontrolle (defekt/nicht defekt)
Klickrate in Online-Werbung (Klick/Kein Klick)

2. Binomialverteilung: Summe unabhängiger Bernoulli-Experimente

Wiederholt man ein Bernoulli-Experiment n-mal unabhängig, so ist die Anzahl der Erfolge X binomialverteilt mit Parametern n (Anzahl Versuche) und p (Erfolgswahrscheinlichkeit):

X ~ Bin(n, p)

Die Wahrscheinlichkeitsfunktion der Binomialverteilung lautet:

P(X = k) = C(n, k) · p^k · (1-p)^n-k

Dabei ist C(n, k) der Binomialkoeffizient “n über k”.

3. Wichtige Kenngrößen der Binomialverteilung

Kenngröße	Formel	Bedeutung
Erwartungswert (μ)	μ = n · p	Durchschnittlich erwartete Anzahl von Erfolgen
Varianz (σ²)	σ² = n · p · (1-p)	Maß für die Streuung der Ergebnisse
Standardabweichung (σ)	σ = √(n·p·(1-p))	Typische Abweichung vom Erwartungswert

4. Praktische Anwendungsbeispiele

Beispiel 1: Qualitätskontrolle

Ein Hersteller produziert Glühbirnen mit einer Ausschussrate von 2% (p=0.02). Wie groß ist die Wahrscheinlichkeit, dass in einer Stichprobe von 100 Glühbirnen (n=100) genau 3 (k=3) defekt sind?

Lösung mit unserem Rechner:

n = 100
p = 0.02
k = 3
Berechnungstyp: “Exakte Wahrscheinlichkeit”

Ergebnis: P(X=3) ≈ 0.1823 oder 18.23%

Beispiel 2: Marketing-Kampagne

Eine E-Mail-Kampagne hat eine durchschnittliche Öffnungsrate von 15% (p=0.15). Wie groß ist die Wahrscheinlichkeit, dass von 200 versendeten E-Mails (n=200) zwischen 25 und 35 (k=25 bis 35) geöffnet werden?

Lösung:

n = 200
p = 0.15
a = 25, b = 35
Berechnungstyp: “Bereichswahrscheinlichkeit”

5. Approximation durch Normalverteilung

Für große n (Faustregel: n·p ≥ 5 und n·(1-p) ≥ 5) kann die Binomialverteilung durch die Normalverteilung approximiert werden:

X ≈ N(μ = n·p, σ² = n·p·(1-p))

Diese Approximation ist besonders nützlich für:

Große Stichprobenumfänge
Komplexe Berechnungen ohne Computer
Theoretische Analysen

n	p	Exakte Binomialverteilung	Normalapproximation	Abweichung
50	0.5	P(X≤25) = 0.5398	0.5398	0.00%
100	0.3	P(X≤35) = 0.8912	0.8907	0.05%
20	0.1	P(X≤3) = 0.8670	0.8997	3.77%

Wie die Tabelle zeigt, ist die Approximation umso genauer, je größer n ist und je näher p bei 0.5 liegt.

6. Häufige Fehler und wie man sie vermeidet

Fehler 1: Falsche Parameterwahl

Viele Anwender verwechseln die Erfolgswahrscheinlichkeit p mit der Misserfolgswahrscheinlichkeit (1-p). Immer genau prüfen, welches Ereignis als “Erfolg” definiert ist.

Fehler 2: Vernachlässigung der Unabhängigkeit

Die Binomialverteilung setzt unabhängige Versuche voraus. Bei Abhängigkeiten (z.B. Ziehen ohne Zurücklegen) muss die hypergeometrische Verteilung verwendet werden.

Fehler 3: Falsche Interpretation kumulativer Wahrscheinlichkeiten

P(X ≤ k) ist nicht dasselbe wie P(X < k). Bei diskreten Verteilungen macht dieser Unterschied oft mehrere Prozentpunkte aus.

7. Erweiterte Anwendungen

Konfidenzintervalle für Binomialverteilungen

In der statistischen Inferenz werden Konfidenzintervalle für den Parameter p einer Binomialverteilung berechnet. Die zwei gängigsten Methoden sind:

Wald-Intervall: p̂ ± z·√(p̂(1-p̂)/n)
Clopper-Pearson-Intervall: Exakte Methode basierend auf Beta-Verteilung

Anpassungstests

Mit dem Binomialtest kann geprüft werden, ob eine beobachtete Erfolgsquote signifikant von einer hypothetischen Wahrscheinlichkeit abweicht.

Empfohlene wissenschaftliche Ressourcen:

Für vertiefende Informationen empfehlen wir diese autoritativen Quellen:

NIST Engineering Statistics Handbook – Binomial Distribution (U.S. Government)
BYU Statistics – Binomial Distribution Guide (Brigham Young University)
UCLA Statistics – Binomial Probability (University of California)

8. Software-Implementierungen

Die Binomialverteilung ist in allen gängigen Statistik-Softwarepaketen implementiert:

# Exakte Wahrscheinlichkeit
dbinom(k, n, p)

# Kumulative Wahrscheinlichkeit
pbinom(k, n, p)

# Quantile
qbinom(p, n, prob)

# Zufallszahlen
rbinom(n, size, prob)

Python (SciPy):

from scipy.stats import binom

# Exakte Wahrscheinlichkeit
binom.pmf(k, n, p)

# Kumulative Wahrscheinlichkeit
binom.cdf(k, n, p)

# Quantile (Perzentile)
binom.ppf(p, n, prob)

# Zufallsvariablen
binom.rvs(n, p, size=1)

Excel:

=BINOM.VERT(k; n; p; FALSCH)  // Exakte Wahrscheinlichkeit
=BINOM.VERT(k; n; p; WAHR)   // Kumulative Wahrscheinlichkeit
=KRIT.BINOM(n; p; α)        // Kritischer Wert

9. Historischer Kontext und Bedeutung

Die Binomialverteilung hat ihre Wurzeln in den Arbeiten von:

Jacob Bernoulli (1655-1705): Schweizer Mathematiker, der das “Gesetz der großen Zahlen” formulierte
Abraham de Moivre (1667-1754): Französischer Mathematiker, der die Normalapproximation entwickelte
Pierre-Simon Laplace (1749-1827): Französischer Mathematiker, der die zentrale Grenzwertsätze weiterentwickelte

Heute ist die Binomialverteilung grundlegend für:

Qualitätsmanagement (Six Sigma, SPC)
Medizinische Studien (Erfolgsraten von Behandlungen)
Maschinelles Lernen (Binäre Klassifikation)
Finanzmathematik (Modellierung von Ausfallwahrscheinlichkeiten)

10. Grenzen und Alternativen

Die Binomialverteilung hat einige Einschränkungen:

Feste Anzahl Versuche: Für variable n wird die negative Binomialverteilung verwendet
Konstante Erfolgswahrscheinlichkeit: Bei variierendem p kommen gemischte Modelle zum Einsatz
Unabhängigkeit: Bei Abhängigkeiten zwischen Versuchen sind Markov-Ketten oder Zeitreihenmodelle appropriate

Alternativen für komplexere Szenarien:

Szenario	Appropriate Verteilung	Anwendungsbeispiel
Variable Anzahl Versuche bis zum k-ten Erfolg	Negative Binomialverteilung	Anzahl Patienten bis zur 10. erfolgreichen Operation
Mehr als zwei mögliche Ergebnisse	Multinomialverteilung	Würfelergebnisse (1-6)
Stetige Erfolge in festem Intervall	Poisson-Verteilung	Anzahl Anrufe pro Stunde in einem Callcenter
Abhängige Versuche ohne Zurücklegen	Hypergeometrische Verteilung	Qualitätskontrolle ohne Zurücklegen der geprüften Teile

Summe Berechnen Bernoulli Rechner