Inhaltsverzeichnis
Die Aussage des Zentralen Grenzwertsatzes lässt sich in Worten dadurch beschreiben, dass die Summe von unabhängigen, identisch verteilten Zufallsvariablen Xi für immer größeres n sich beliebig genau durch eine Normalverteilung berechnen lässt, d.h. dass die Verteilung von $\sum _{i\;=\;1}^nX_i$ immer besser durch N(n·μ, σ·$\sqrt n$) beschrieben wird – hierbei bezeichnet μ den Erwartungswert von Xi, also μ = E(Xi), und σ die Standardabweichung von Xi, also σ = $\sqrt{\mathit{Var}(X_i)}$. Also:
Zentraler Grenzwertsatz
Merke
Xi seien unabhängig, identisch verteilte Zufallsvariablen mit bekanntem Erwartungswert E(Xi) = μ und bekannter Varianz Var(Xi) = σ. Dann gilt, dass die standardisierte Zufallsvariable
Yn = $\frac{\sum _{i\;=\;1}^nX_i\;-\;n_{\mu }}{\sigma \sqrt n}$ = $\frac{\overline X_n\;-\;\mu }{\sigma }$· $\sqrt n$
für wachsendes n immer besser durch die Standardnormalverteilung N(0,1) genähert werden kann. Anders ausgedrückt:
P(Yn ≤ x) $\genfrac{}{}{0pt}{0}{n\;\rightarrow \;\infty }{\rightarrow }$ Ф (x).
Die Zufallsvariable $\overline X_n$ wird standardisiert, weil die Grenzverteilung von $\sum _{i\;=\;1}^n\;$ Xi, nämlich N(n·μ, σ·$\sqrt n$), noch von der Anzahl n abhängig ist, was als nachteilig empfunden wird.
Die standardisierte Zufallsvariable Yn =$\frac{\sum _{i\;=\;1}^nX_i\;-\;n_{\mu }}{\sigma \sqrt n}$ hat diesen Nachteil nicht mehr, die Zufallsvariable N(0,1) ist unabhängig von n.
Der Zwecks des Zentralen Grenzwertsatzs ist es, obwohl die exakte Verteilung der einzelnen Xi unbekannt ist, es zu ermöglichen, einfach die entsprechende Normalverteilung zu nehmen, um Wahrscheinlichkeiten näherungsweise zu berechnen, da das Ergebnis für immer größeres n brauchbar ist.
Beispiel
Die aus dem vorigen Kapitel erwähnte Wählmarke wird n = 5 mal bzw. n = 15 mal geworfen. Berechne die Wahrscheinlichkeit, dass bei n – fachem Münzwurf höchstens 0,6·n mal schwarz fällt, und zwar
- exakt
- mit Hilfe des Zentralen Grenzwertsatzes.
Exakte Lösung mit der Binomialverteilung
Die einzelnen Xi sind binomialverteilt mit dem Erwartungswert μ = E(Xi) = 1· $1 \over 2$ = 0,5 und der Standardabweichung σ = $\sqrt{1\;\cdot \;\frac 1 2\;\cdot \;(1\;-\;\frac 1 2)}$ = 0,5.
Da die einzelnen Xi unabhängig voneinander sind, gilt $\sum _{i\;=\;1}^n\;$ Xi ~ B(n, $1 \over 2$) als exakte Verteilung.
Für n = 5 gilt also mit der B(5,$1 \over 2$) – Verteilung:
P($\sum _{i\;=\;1}^{5}\;$Xi ≤ 3) = P($\sum _{i\;=\;1}^{5}\;$Xi = 0) + P($\sum _{i\;=\;1}^{5}\;$Xi = 1) + ... + P($\sum _{i\;=\;1}^{5}\;$Xi = 3)
= $\left(\genfrac{}{}{0pt}{0}{5}0\right)$· $\left(\frac 1 2\right)^0$· $\left(1\;-\;\frac 1 2\right)^{5\;-\;0}$ + $\left(\genfrac{}{}{0pt}{0}{5}1\right)$· $\left(\frac 1 2\right)^1$· $\left(1\;-\;\frac 1 2\right)^{5\;-\;1}$ + ... + $\left(\genfrac{}{}{0pt}{0}{5}{3}\right)$· $\left(\frac 1 2\right)^{3}$· $\left(1\;-\;\frac 1 2\right)^{5\;-\;3}$
=$\left(\frac 1 2\right)^{5}$+5·$\left(\frac 1 2\right)^{5}$+10·$\left(\frac 1 2\right)^{5}$+10·$\left(\frac 1 2\right)^{5}$
= $\left(\frac 1 2\right)^{5}$ ·(1 + 5 + 10 +10)
= $\frac{26}{2^{5}}$ = 0,812
Approximative Lösung:
Approximativ – also mit Hilfe des Zentralen Grenzwertsatzes – rechnet man mit der entsprechenden Normalverteilung, die von n abhängig ist:
für n = 5: $\sum _{i\;=\;1}^{5}\;$ Xi ~ N(5·$\frac 1 2$; $\sqrt{5}$· $\sqrt{0,25}$) = N(2,5; $\sqrt{1,25}$)
Für n = 5 rechnet man approximativ:
P($\sum _{i\;=\;1}^{5}\;$Xi ≤ 3) = P($\frac{\sum _{i\;=\;1}^{5}X_i\;-\;5\;\cdot \;\frac 1 2}{\frac 1 2\;\cdot \;\sqrt{5}}$ ${\leq}$ $\frac{3\;-\;2,5}{\frac 1 2\;\cdot \;\sqrt{5}}$)
= Ф($\frac {0,5} {\frac 1 2\;\cdot \;\sqrt{5}}$) = Ф (0,447) = 0,67364.
Die Abweichung zwischen dem exakten Wert – 0,812 und dem approximativen Ergebnis ist also 0,138.
Für n = 15 rechnet man analog. Zur Übung rechne doch ersteinmal für dich und klappe dann die Box auf.
Vertiefung
Für n = 15
Exakte Lösung:
P($\sum _{i\;=\;1}^{15}\;$ Xi ≤ 9) = P($\sum _{i\;=\;1}^{15}\;$ Xi = 0) + P($\sum _{i\;=\;1}^{15}\;$ Xi = 1) + ... + P($\sum _{i\;=\;1}^{15}\;$ Xi = 9)
=$\left(\genfrac{}{}{0pt}{0}{15}0\right)$· $\left(\frac 1 2\right)^0$· $\left(1\;-\;\frac 1 2\right)^{15\;-\;0}$ + $\left(\genfrac{}{}{0pt}{0}{15}1\right)$· $\left(\frac 1 2\right)^1$· $\left(1\;-\;\frac 1 2\right)^{15\;-\;1}$ + ... + $\left(\genfrac{}{}{0pt}{0}{15}9\right)$· $\left(\frac 1 2\right)^9$· $\left(1\;-\;\frac 1 2\right)^{15\;-\;9}$
=$\left(\frac 1 2\right)^{15}$+15·$\left(\frac 1 2\right)^{15}$+105·$\left(\frac 1 2\right)^{15}$+455·$\left(\frac 1 2\right)^{15}$+1365·$\left(\frac 1 2\right)^{15}$+3003·$\left(\frac 1 2\right)^{15}$+5005·$\left(\frac 1 2\right)^{15}$+6435· $\left(\frac 1 2\right)^{15}$+6435· $\left(\frac 1 2\right)^{15}$+5005·$\left(\frac 1 2\right)^{15}$
= $\left(\frac 1 2\right)^{15}$ ·(1 + 15+ 455 + 1365 + 3003 + 5005 + 6435 + 6435 + 5005)
= $\frac{27824}{2^{15}}$ = 0,849. Als exakte Wahrscheinlichkeit.
Approximative Lösung:
für n = 15: $\sum _{i\;=\;1}^{15}\;$ Xi ~ N(15·$\frac 1 2$; $\sqrt{15}$· $\sqrt{0,25}$) = N(7,5; $\sqrt{3,75}$)
P($\sum _{i\;=\;1}^{15}\;$Xi ≤ 9) = Ф($\frac{9\;-\;7,5}{\frac 1 2\;\cdot \;\sqrt{15}}$) = Ф(0,775) = 0,7823.
Die Abweichung zwischen dem exaktem Wert 0,849 und dem approximativ richtigen ist nun lediglich noch –0,0667.
Wir sehen also, dass bei größerem n die Abweichung immer kleiner wird.
Weitere interessante Inhalte zum Thema
-
Signifikanztests bei einfachen Stichproben
Vielleicht ist für Sie auch das Thema Signifikanztests bei einfachen Stichproben (Testtheorie) aus unserem Online-Kurs Stichprobentheorie interessant.
-
Erhaltungsaufwand - Baumaßnahmen bei Gebäuden
Vielleicht ist für Sie auch das Thema Erhaltungsaufwand - Baumaßnahmen bei Gebäuden (Wirtschaftsgut) aus unserem Online-Kurs Bilanz nach Steuerrecht interessant.