Zentraler Grenzwertsatz

aus Wikipedia, der freien Enzyklopädie

Du hast neue Nachrichten (Unterschied zur vorletzten Version).

Annäherung von geraden (oben) und schiefen (unten) Binomialverteilungen (rot) an die Normalverteilung (blau)

Bei den Zentralen Grenzwertsätzen handelt es sich um eine Familie schwacher Konvergenzaussagen aus der Wahrscheinlichkeitstheorie. Allen gemeinsam ist die Aussage, dass die (normierte) Summe einer großen Zahl von unabhängigen, identisch verteilten Zufallsvariablen annähernd (standard)normalverteilt ist. Dies erklärt auch die Sonderstellung der Normalverteilung.

Die wichtigste und bekannteste Aussage wird auch einfach als Der Zentrale Grenzwertsatz bezeichnet und befasst sich mit unabhängigen, identisch verteilten Zufallsvariablen, deren Erwartungswert und Varianz endlich sind.

Es existieren verschiedene Verallgemeinerungen, für die eine identische Verteilung keine notwendige Voraussetzung ist. Stattdessen wird dann eine andere Voraussetzung gefordert, die sicherstellt, dass keine der Variablen zu großen Einfluss auf das Ergebnis erhält. Beispiele sind die Lindeberg-Bedingung und die Ljapunow-Bedingung. Darüber hinausgehende Verallgemeinerungen gestatten sogar "schwache" Abhängigkeit der Zufallsvariablen.

[Bearbeiten] Der Zentrale Grenzwertsatz bei identischer Verteilung

(auch bekannt als Grenzwertsatz von Lindberg / Levy)

Sei $X_1, X_2, X_3, \dots$ eine Folge von Zufallsvariablen, die auf demselben Wahrscheinlichkeitsraum alle dieselbe Verteilung $D$ aufweisen und unabhängig sind (u.i.v.). Sei weiter angenommen, dass sowohl der Erwartungswert $μ$ als auch die Standardabweichung $σ$ existieren und endlich sind.

Betrachten wir nun die n-te Teilsumme dieser Zufallsvariablen $S n = X 1 + X 2 + ... + X n$ . Der Erwartungswert von $S n$ ist $n μ$ und die Varianz ist $n σ 2$ .

Die Verteilung von $S n$ geht dann – gewissermaßen – für $n$ gegen ∞ gegen die Normalverteilung $N (n μ,σ 2 n)$ .

Nun ist eine Verteilung mit unendlicher Standardabweichung und möglicherweise ebenso unendlichem Erwartungswert nicht immer von Interesse, weshalb es sich hier anbietet, die Zufallsvariablen bzw. deren Summe zu normieren. Dazu setzen wir

$Z_n = \frac{S_n - n \mu}{\sigma \sqrt{n}}$

Damit konvergiert die Verteilung von $Z n$ für $n$ gegen $\infty$ gegen die Standardnormalverteilung $N (0,1)$ . Ist $Φ(z)$ die Verteilungsfunktion von $N (0,1)$ bedeutet dies, dass für jedes reelle $z$

$\lim_{n \to \infty} \mbox{P}(Z_n \le z) = \Phi(z),$

bzw.

$\lim_{n\rightarrow\infty}\mbox{P}\left(\frac{\overline{X}_n-\mu}{\sigma/\sqrt{n}}\leq z\right)=\Phi(z)$

gilt. Dabei ist

$\overline{X}_n=\frac {S_n} n=\frac {X_1+\cdots+X_n} n$

der Mittelwert.

Existiert das dritte zentrierte Moment $\operatorname{E}((X_1-\mu)^3)$ und ist endlich, dann ist diese Konvergenz sogar gleichmäßig und die Konvergenzgeschwindigkeit ist wenigstens von der Ordnung $\frac 1 {\sqrt {n}}$ (Satz von Berry-Esséen).

Handelt es sich bei der Verteilung $D$ um die Binomialverteilung, dann gelangt man zu einem Spezialfall des zentralen Grenzwertsatzes, der als Satz von Moivre-Laplace bekannt ist.