Summierte Binomialverteilung Formel Cas Rechner

Umfassender Leitfaden zur summierten Binomialverteilung (CAS-Rechner)

Die summierte Binomialverteilung ist ein fundamentales Konzept der Wahrscheinlichkeitstheorie, das in zahlreichen praktischen Anwendungen von der Qualitätskontrolle bis zur medizinischen Statistik eingesetzt wird. Dieser Leitfaden erklärt die mathematischen Grundlagen, praktische Berechnungsmethoden und die Anwendung mit graphischen Taschenrechnern (CAS).

1. Grundlagen der Binomialverteilung

Die Binomialverteilung beschreibt die Anzahl der Erfolge in einer festen Anzahl von unabhängigen Versuchen, wobei jeder Versuch genau zwei mögliche Ergebnisse hat (Erfolg/Misserfolg) mit konstanter Erfolgswahrscheinlichkeit p.

1.1 Definition und Parameter

• n: Anzahl der unabhängigen Versuche
• k: Anzahl der Erfolge (0 ≤ k ≤ n)
• p: Erfolgswahrscheinlichkeit pro Versuch (0 ≤ p ≤ 1)
• q = 1-p: Misserfolgswahrscheinlichkeit

1.2 Wahrscheinlichkeitsfunktion

Die Wahrscheinlichkeit für genau k Erfolge in n Versuchen berechnet sich nach:

P(X = k) = ⁿ⁄_k · p^k · (1-p)^n-k

2. Summierte Binomialverteilung

Während die Binomialverteilung die Wahrscheinlichkeit für eine genaue Anzahl von Erfolgen angibt, beschreibt die summierte (kumulierte) Binomialverteilung die Wahrscheinlichkeit für:

• Höchstens k Erfolge: P(X ≤ k)
• Mindestens k Erfolge: P(X ≥ k) = 1 – P(X ≤ k-1)
• Erfolge in einem Bereich: P(k₁ ≤ X ≤ k₂) = P(X ≤ k₂) – P(X ≤ k₁-1)

2.1 Mathematische Formulierung

P(X ≤ k) = Σ_i=0^{k n}⁄_i · pⁱ · (1-p)^n-i

3. Berechnung mit CAS-Rechnern

Moderne graphische Taschenrechner (CAS) wie der TI-Nspire CX oder Casio ClassPad bieten spezielle Funktionen für Binomialverteilungen:

Rechner	Funktion für P(X ≤ k)	Funktion für P(X = k)
TI-Nspire CX	binomialCdf(n, p, k)	binomialPdf(n, p, k)
Casio ClassPad	BinomCD(k, n, p)	BinomPD(k, n, p)
HP Prime	binomial_cdf(n, p, k)	binomial_pdf(n, p, k)

3.1 Praktisches Beispiel

Berechnen Sie die Wahrscheinlichkeit für höchstens 3 Erfolge in 10 Versuchen mit p = 0.4:

1. CAS-Rechner einschalten und Statistik-Menü öffnen
2. Binomialverteilungsfunktion auswählen (kumulativ)
3. Parameter eingeben: n=10, p=0.4, k=3
4. Ergebnis ablesen: P(X ≤ 3) ≈ 0.6331

4. Anwendungsbeispiele aus der Praxis

4.1 Qualitätskontrolle

Ein Hersteller testet 50 zufällig ausgewählte Produkte auf Defekte. Historisch liegen 2% Ausschussquote vor. Wie groß ist die Wahrscheinlichkeit für:

• Höchstens 2 defekte Produkte?
• Mindestens 3 defekte Produkte?

Lösung: n=50, p=0.02 → P(X ≤ 2) ≈ 0.7845; P(X ≥ 3) ≈ 0.2155

4.2 Medizinische Studien

In einer klinischen Studie mit 200 Patienten zeigt ein neues Medikament bei 60% der Fälle Wirkung. Wie wahrscheinlich ist es, dass zwischen 110 und 130 Patienten positiv reagieren?

Lösung: n=200, p=0.6 → P(110 ≤ X ≤ 130) ≈ 0.9876

Anwendung	Typische Parameter	Berechnete Wahrscheinlichkeit
Wahlprognosen	n=1000, p=0.45, k=480	P(X ≥ 480) ≈ 0.1023
Maschinenausfälle	n=30, p=0.05, k=3	P(X ≤ 3) ≈ 0.9735
Marktforschung	n=500, p=0.3, k=140-160	P(140 ≤ X ≤ 160) ≈ 0.8925

5. Zusammenhang mit anderen Verteilungen

5.1 Approximation durch Normalverteilung

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

X ≈ N(μ = n·p, σ² = n·p·(1-p))

Mit Stetigkeitskorrektur: P(X ≤ k) ≈ P(Y ≤ k + 0.5) für Y ~ N(n·p, n·p·(1-p))

5.2 Beziehung zur Poisson-Verteilung

Für große n und kleine p (n → ∞, p → 0, λ = n·p konstant) konvergiert die Binomialverteilung gegen die Poisson-Verteilung:

lim P(X = k) = (λ^k·e^-λ)/k!

6. Häufige Fehler und Fallstricke

• Falsche Parameter: Vertauschen von n und k oder falsche Eingabe von p (z.B. 40% als 0.4 statt 40)
• Kumulativ vs. Einzelwahrscheinlichkeit: Verwechslung von P(X ≤ k) mit P(X = k)
• Stetigkeitskorrektur vergessen: Bei Normalapproximation muss ±0.5 addiert werden
• Unabhängigkeitsannahme: Binomialverteilung setzt unabhängige Versuche voraus
• Rundungsfehler: Bei manueller Berechnung können Rundungsfehler die Ergebnisse verfälschen

7. Erweiterte Anwendungen

7.1 Hypothesentests

Die Binomialverteilung bildet die Grundlage für den Binomialtest, einen nichtparametrischen Test für Anteile. Beispiel:

Teste H₀: p = 0.5 gegen H₁: p > 0.5 bei n=20 und 15 beobachteten Erfolgen:

p-Wert = P(X ≥ 15) = 1 – P(X ≤ 14) ≈ 0.0577

7.2 Konfidenzintervalle

Für Binomialanteile können verschiedene Konfidenzintervalle berechnet werden:

• Wald-Intervall: p̂ ± z·√(p̂(1-p̂)/n)
• Wilson-Intervall: (p̂ + z²/2n ± z·√(p̂(1-p̂)/n + z²/4n²))/(1 + z²/n)
• Clopper-Pearson: Exakt, basierend auf Binomialverteilung

8. Historische Entwicklung

Die Binomialverteilung wurde erstmals von Jakob Bernoulli in seiner 1713 posthum veröffentlichten “Ars Conjectandi” systematisch untersucht. Bernoulli bewies das Gesetz der großen Zahlen, das die Grundlage für die moderne Wahrscheinlichkeitstheorie bildete.

Im 19. Jahrhundert entwickelte Pierre-Simon Laplace die Normalapproximation für Binomialverteilungen, was komplexe Berechnungen deutlich vereinfachte. Mit Aufkommen der Computer in der zweiten Hälfte des 20. Jahrhunderts wurden exakte Berechnungen für große n praktisch durchführbar.

9. Software-Implementierungen

Moderne statistische Software bietet umfassende Funktionen für Binomialverteilungen:

9.1 Python (SciPy)

from scipy.stats import binom
# P(X ≤ 5) für n=20, p=0.3
binom.cdf(5, 20, 0.3)  # Ergebnis: 0.6080
            

9.2 R

# P(X ≤ 5) für n=20, p=0.3
pbinom(5, 20, 0.3)  # Ergebnis: 0.6080326
            

9.3 Excel

=BINOM.VERT(5; 20; 0,3; WAHR)  # Kumulativ
=BINOM.VERT(5; 20; 0,3; FALSCH) # Einzelwahrscheinlichkeit
            

10. Übungsaufgaben mit Lösungen

1. Aufgabe: Ein Würfel wird 10 Mal geworfen. Wie groß ist die Wahrscheinlichkeit für:

   • Genau 3 Sechser?
   • Mindestens 2 Sechser?
   • Höchstens 1 Sechser?

   Lösung: n=10, p=1/6

   • P(X=3) ≈ 0.1550
   • P(X≥2) ≈ 0.5155
   • P(X≤1) ≈ 0.5155

2. Aufgabe: In einer Produktion sind 5% der Teile defekt. Wie groß ist die Wahrscheinlichkeit, dass in einer Stichprobe von 50 Teilen:

   • Kein Teil defekt ist?
   • Mehr als 2 Teile defekt sind?

   Lösung: n=50, p=0.05

   • P(X=0) ≈ 0.0769
   • P(X>2) ≈ 0.1853

11. Weiterführende Ressourcen

Für vertiefende Studien zur Binomialverteilung und verwandten Themen empfehlen wir:

• NIST/Sematech e-Handbook of Statistical Methods – Umfassende Behandlung diskreter Verteilungen
• Berkeley Statistics Department – Vorlesungsmaterialien zur Wahrscheinlichkeitstheorie
• American Mathematical Society – Forschungsartikel zu Grenzwertsätzen