DE 
EnglishStandard
Українська
Polski📊 Zentraler Grenzwertsatz
Erleben Sie den Zentralen Grenzwertsatz live: Ziehen Sie wiederholte Stichproben aus Gleichverteilung, Exponentialverteilung, bimodaler oder Poisson-Verteilung und sehen Sie, wie das Histogramm der Stichprobenmittelwerte gegen eine Normalverteilung konvergiert.
Über den Zentralen Grenzwertsatz
Der Zentrale Grenzwertsatz (ZGS) ist eines der mächtigsten Ergebnisse der Statistik: Zieht man eine ausreichend große Zufallsstichprobe aus nahezu jeder Verteilung und berechnet deren Mittelwert, so sind diese Stichprobenmittelwerte annähernd normalverteilt — unabhängig von der Form der zugrunde liegenden Verteilung. Formal gilt: Hat X den Mittelwert μ und die Standardabweichung σ, dann konvergiert die Verteilung des Stichprobenmittelwerts X̄ (aus Stichproben der Größe n) gegen N(μ, σ²/n), wenn n wächst. Dies erklärt, warum so viele natürliche und soziale Phänomene Glockenkurvenverteilungen folgen: Sie sind Summen vieler unabhängiger Einflüsse.
Wählen Sie eine Quellverteilung (Gleichverteilung, Exponentialverteilung, bimodal, Poisson oder rechtsschief), stellen Sie die Stichprobengröße n ein und drücken Sie Start. Der obere Streifen zeigt die Form der Quellverteilung; das untere Histogramm akkumuliert Stichprobenmittelwerte, sobald sie gezogen werden. Eine Normalkurven-Überlagerung erscheint in Bernstein, und das Statistik-Panel verfolgt, wie eng die empirische Standardabweichung mit dem theoretischen σ/√n übereinstimmt.
Häufig gestellte Fragen
Was genau besagt der Zentrale Grenzwertsatz?
Für unabhängige, identisch verteilte (i.i.d.) Zufallsvariablen X₁, X₂, …, Xn mit Mittelwert μ und endlicher Varianz σ² konvergiert der standardisierte Stichprobenmittelwert (X̄ − μ) / (σ/√n) in Verteilung gegen die Standardnormalverteilung N(0,1) für n → ∞. In der Praxis reicht n ≥ 30 oft für symmetrische Verteilungen aus; stark schiefe Verteilungen benötigen möglicherweise n ≥ 100 oder mehr.
Warum wird das Histogramm schmaler, wenn ich die Stichprobengröße erhöhe?
Der Standardfehler des Mittelwerts ist σ/√n — er schrumpft mit der Quadratwurzel der Stichprobengröße. Eine Verdopplung von n halbiert den Standardfehler, wodurch die Glockenkurve doppelt so schmal wird. Deshalb ist das Mitteln wiederholter Messungen ein so mächtiges Werkzeug zur Reduzierung von Unsicherheit: Viermal so viele Datenpunkte zu sammeln, halbiert die Unsicherheit im Mittelwert.
Funktioniert der Zentrale Grenzwertsatz auch für bimodale Verteilungen?
Ja — der Zentrale Grenzwertsatz gilt für jede Verteilung mit endlichem Mittelwert und endlicher Varianz, einschließlich bimodaler Verteilungen. Die Bimodal-Option des Simulators verwendet eine Mischung aus zwei Gauß-Verteilungen, zentriert bei 0,25 und 0,75. Obwohl die Quellverteilung zwei Gipfel hat, ist das Histogramm der Mittelwerte bereits nach einigen hundert Stichproben der Größe n = 30 auffällig glockenförmig.
Was ist der Unterschied zwischen der Populationsvarianz und dem Standardfehler?
Die Populationsvarianz σ² beschreibt, wie weit einzelne Beobachtungen um den Populationsmittelwert gestreut sind. Der Standardfehler σ/√n beschreibt, wie weit Stichprobenmittelwerte gestreut sind — er ist viel kleiner, weil das Mitteln von n Werten einen Teil der individuellen Variabilität „ausgleicht". Diese beiden zu verwechseln ist ein häufiger statistischer Fehler: Umfrageinstitute geben den Standardfehler ihrer Umfrage an, nicht die Streuung einzelner Meinungen.
Gibt es Verteilungen, bei denen der Zentrale Grenzwertsatz nicht gilt?
Ja. Verteilungen mit unendlicher Varianz (wie die Cauchy-Verteilung oder schwerfällige Potenzgesetz-Verteilungen mit Exponent ≤ 2) erfüllen die Bedingungen des Zentralen Grenzwertsatzes nicht. Bei Cauchy-verteilten Variablen hat der Stichprobenmittelwert, egal wie viele Sie mitteln, dieselbe Cauchy-Verteilung — er konvergiert nie gegen eine Normalverteilung. Finanzrenditen während Marktcrashs weisen manchmal solche schweren Ränder auf, weshalb Risikomodelle mit Normalverteilung extreme Verluste katastrophal unterschätzen können.
Warum folgen die meisten Messungen in der Wissenschaft einer Normalverteilung?
Die meisten physikalischen Messungen sind das Ergebnis vieler kleiner, unabhängiger additiver Fehler — Geräteungenauigkeit, Umgebungsschwankungen, Rundung und dergleichen. Gemäß dem Zentralen Grenzwertsatz konvergiert die Summe vieler kleiner unabhängiger Fehler gegen eine Normalverteilung, unabhängig von ihrer jeweiligen Form. Deshalb sind Gaußsche (Normal-)Fehlermodelle in der experimentellen Wissenschaft so allgegenwärtig.
Was ist die „Faustregel" n ≥ 30?
Die Faustregel, dass eine Stichprobengröße von 30 für die Anwendung des Zentralen Grenzwertsatzes ausreicht, stammt aus empirischer Erfahrung mit mäßig schiefen unimodalen Verteilungen. Für eine perfekt symmetrische Quelle (wie die Gleichverteilung) ergibt bereits n ≥ 5 ein nahezu normales Histogramm der Mittelwerte. Für stark schiefe Verteilungen (wie die Exponentialverteilung) benötigen Sie möglicherweise n ≥ 100. In diesem Simulator können Sie dies direkt überprüfen, indem Sie die Anpassungsgüte an die Normalverteilung bei verschiedenen n-Werten vergleichen.
Wie wird der Zentrale Grenzwertsatz beim Hypothesentest verwendet?
Der Zentrale Grenzwertsatz rechtfertigt die Verwendung von z-Tests und t-Tests, selbst wenn die zugrunde liegende Population nicht normalverteilt ist. Wenn man zum Beispiel den mittleren Cholesterinspiegel zweier Gruppen vergleicht, garantiert der Zentrale Grenzwertsatz, dass die Stichprobenverteilung der Mittelwertdifferenz für ausreichend große Stichproben annähernd normal ist, sodass ein z-Test gültig ist. Dies macht den Zentralen Grenzwertsatz zur unsichtbaren Grundlage der meisten klassischen statistischen Inferenz.
Welchen Zusammenhang gibt es zwischen dem Zentralen Grenzwertsatz und der Glockenkurve in der Natur?
Körpergröße, Testergebnisse, Messfehler und viele biologische Merkmale folgen annähernd Normalverteilungen, weil sie aus den additiven Effekten vieler unabhängiger genetischer und umweltbedingter Faktoren resultieren. Gemäß dem Zentralen Grenzwertsatz tendiert die Summe vieler kleiner unabhängiger Beiträge — unabhängig von ihrer jeweiligen Verteilung — zur Normalität. Francis Galton nannte dies das „höchste Gesetz der Unvernunft", als er es in den 1870er-Jahren entdeckte.
Was bedeutet der Prozentsatz „Normalanpassungs-Übereinstimmung" im Statistik-Panel?
Der Simulator berechnet die theoretische Standardabweichung der Stichprobenverteilung als σ_theorie = σ/√n und misst dann die empirische Standardabweichung der akkumulierten Stichprobenmittelwerte. Der „Übereinstimmungs"-Prozentsatz ist 100 % × (1 − |σ_empirisch − σ_theorie| / σ_theorie), nach unten auf 0 % begrenzt. Ein Wert nahe 100 % bedeutet, dass das Histogramm der Vorhersage des Zentralen Grenzwertsatzes eng folgt; niedrige Werte deuten darauf hin, dass Sie mehr Stichproben oder ein größeres n benötigen.
Ziehen Sie wiederholte Stichproben aus Gleichverteilung, Exponentialverteilung, bimodaler oder Poisson-Verteilung und beobachten Sie, wie das Histogramm der Stichprobenmittelwerte gegen eine Normalverteilung konvergiert — unabhängig von der Form der Quelle.
3D · Three.js / WebGL-Renderer · 30 FPS Ziel · läuft vollständig clientseitig, keine Installation nötig