DE 
English
Українська
Polski
Español
日本語
Italiano
Português (BR)
Français
العربية
Nederlands
中文
한국어
हिन्दी
Türkçe
Tiếng Việt
Русский
Bahasa Indonesia
فارسی
বাংলা
ไทย
Filipino
Kiswahili
اردو
Bahasa Melayu
தமிழ்
עברית
Ελληνικά
ਪੰਜਾਬੀ
አማርኛ
မြန်မာဘာသာ
ខ្មែរ
ქართული
नेपाली
Монгол хэл
Հայերեն
සිංහල
ລາວ
Čeština
Română
Magyar
Български
Svenska
Dansk
Suomi
Norsk
Slovenčina
Hrvatski
Српски
Slovenščina
Lietuvių
Latviešu
Eesti
Íslenska
Shqip
Македонски
Bosanski
Malti
Azərbaycanca
Қазақша
O'zbekcha
Тоҷикӣ
Кыргызча🎲 Gesetz der großen Zahlen
Interaktiver Simulator für das Gesetz der großen Zahlen und den Zentralen Grenzwertsatz. Beobachte, wie laufende Mittelwerte gegen den Erwartungswert konvergieren (LLN-Modus), oder sieh, wie die Verteilung der Stichprobenmittelwerte normalverteilt wird (ZGS-Modus). Würfle, wirf Münzen oder ziehe aus einer Exponentialverteilung.
Über das Gesetz der großen Zahlen & den Zentralen Grenzwertsatz
Dieser Simulator demonstriert zwei Eckpfeiler der Wahrscheinlichkeitstheorie. Im LLN-Modus zieht er wiederholt unabhängige Stichproben aus einer gewählten Verteilung und trägt den laufenden Mittelwert X̄ gegen die Anzahl der Versuche N auf, wobei gezeigt wird, wie er gegen den wahren Erwartungswert μ konvergiert. Im ZGS-Modus zieht er wiederholt Sätze von n Werten, mittelt jeden Satz und erstellt ein Histogramm dieser Stichprobenmittelwerte, das sich unabhängig von der Ausgangsform der Normalkurve N(μ, σ²/n) annähert.
Die Modus-Schaltflächen wechseln zwischen der Konvergenz- und der Verteilung-der-Mittelwerte-Ansicht. Der Experiment-Wähler wählt die Ausgangsverteilung (fairer d6, d4, faire oder verzerrte Münze, Exponential λ=1, bimodal, Gleichverteilung), jede mit bekanntem μ und σ. Der ZGS-Stichprobengrößen-Regler n (2–100) steuert, wie viele Ziehungen jeden Mittelwert bilden, und die Geschwindigkeits-Schaltflächen (×1 bis ×1k) legen fest, wie viele Versuche pro Bild erzeugt werden. Dies liegt Meinungsumfragen, Qualitätskontrolle und jeder Inferenz aus Stichprobenmittelwerten zugrunde.
Häufig gestellte Fragen
Was ist das Gesetz der großen Zahlen?
Das Gesetz der großen Zahlen besagt, dass mit zunehmender Anzahl unabhängiger Stichproben aus einer Verteilung der Durchschnitt dieser Stichproben gegen den wahren Erwartungswert μ konvergiert. Im LLN-Modus siehst du, wie sich die laufende Mittelwertlinie mit wachsender Anzahl von Versuchen N auf die gestrichelte μ-Linie einpendelt.
Was ist der Zentrale Grenzwertsatz?
Der Zentrale Grenzwertsatz besagt, dass der Durchschnitt von n unabhängigen, identisch verteilten Werten aus einer beliebigen Verteilung mit endlichem Erwartungswert und endlicher Varianz selbst annähernd normalverteilt ist, mit Mittelwert μ und Varianz σ²/n. Im ZGS-Modus wird das Histogramm der Stichprobenmittelwerte zu einer Glockenkurve, selbst wenn die Ausgangsverteilung schief oder bimodal ist.
Was bewirken die Steuerelemente?
Die Modus-Schaltflächen wechseln zwischen der LLN-Konvergenz und der ZGS-Verteilung der Mittelwerte. Das Experiment-Menü wählt die Ausgangsverteilung aus, der n-Regler (2 bis 100, nur ZGS) legt fest, wie viele Ziehungen jeden Stichprobenmittelwert bilden, und die Geschwindigkeits-Schaltflächen steuern, wie viele Versuche pro Animationsbild ausgeführt werden.
Aus welchen Verteilungen kann ich ziehen?
Du kannst einen fairen sechsseitigen Würfel (μ=3,5), einen vierseitigen Würfel (μ=2,5), eine faire Münze (μ=0,5), eine verzerrte Münze mit p=0,3 (μ=0,3), eine Exponentialverteilung mit λ=1 (μ=1), eine bimodale Mischung bei ±3 (μ=0) und eine Gleichverteilung auf [0,1] (μ=0,5) wählen. Jede hat einen bekannten Mittelwert und eine bekannte Standardabweichung, die zum Zeichnen der theoretischen Überlagerungen verwendet werden.
Was ist die Schlüsselformel für den Standardfehler?
Der Standardfehler des Stichprobenmittelwerts ist σ/√n, wobei σ die Standardabweichung der Ausgangsverteilung und n die Stichprobengröße ist. Das Panel zeigt diesen Wert live an und erklärt, warum das ZGS-Histogramm mit wachsendem n schmaler wird und warum das LLN-±σ/√N-Band mit zunehmender Anzahl von Versuchen schrumpft.
Warum wird das Konvergenzband mit wachsendem N schmaler?
Das schattierte Band um μ im LLN-Modus ist der ±σ/√N-Konfidenzbereich, mit einem schwächeren ±2σ/√N-Band außerhalb davon. Da die Breite proportional zu eins über die Quadratwurzel von N schrumpft, halbiert eine Vervierfachung der Anzahl der Versuche das Band nur, weshalb sich die Präzision mit mehr Daten nur langsam verbessert.
Ist die Simulation physikalisch genau?
Ja. Jede Ziehung verwendet JavaScript-Pseudozufallszahlen, die transformiert werden, um der gewählten Verteilung zu entsprechen, zum Beispiel inverse Transformationsstichprobe für die Exponentialverteilung und eine Box–Muller-Gauß-Transformation für das bimodale Rauschen. Die dargestellten μ-, σ- und Normalverteilungs-Überlagerungen verwenden die exakten theoretischen Werte, sodass die empirischen Histogramme und laufenden Mittelwerte echter Wahrscheinlichkeitstheorie folgen.
Funktioniert der ZGS auch bei einer schiefen oder bimodalen Ausgangsverteilung?
Ja, und das ist der bemerkenswerte Teil. Probiere das Exponential- oder bimodale Experiment: Die einzelnen Werte sind stark nicht-normalverteilt, dennoch nähert sich das Histogramm ihrer Stichprobenmittelwerte mit wachsendem n einer Glockenform an. Der ZGS erfordert nur einen endlichen Mittelwert und eine endliche Varianz, keine normalverteilte Ausgangsverteilung.
Wie groß sollte die Stichprobengröße n sein?
Bei annähernd symmetrischen Ausgangsverteilungen sehen Stichprobenmittelwerte schon bei n um 10 normalverteilt aus. Bei stark schiefen Verteilungen wie der Exponentialverteilung ist meist ein größeres n (30 oder mehr) nötig, bevor das Histogramm überzeugend normalverteilt aussieht. Erhöhe den n-Regler und vergleiche, wie schnell sich die Glockenform bei verschiedenen Experimenten bildet.
Was ist der Unterschied zwischen der LLN- und der ZGS-Ansicht?
LLN betrifft einen einzelnen wachsenden Durchschnitt: Es sagt dir, dass der laufende Mittelwert gegen μ konvergiert. ZGS betrifft die Verteilung vieler separater Durchschnitte: Es sagt dir, wie diese Durchschnitte um μ herum verteilt sind. LLN erklärt, warum eine große Stichprobe genau ist; ZGS erklärt die Form und Breite des Fehlers um diese Schätzung.
Wo wird dies in der realen Welt eingesetzt?
Zusammen rechtfertigen diese Ergebnisse die meiste statistische Inferenz. Meinungsumfragen, A/B-Tests, Qualitätskontrolle in der Fertigung, Risikopooling in Versicherungen und Monte-Carlo-Simulationen verlassen sich alle darauf, dass Stichprobenmittelwerte gegen die Wahrheit konvergieren und auf die Normalverteilungsnäherung, um Konfidenzintervalle und Signifikanztests aus endlichen Daten zu erstellen.
Würfle tausende Male und beobachte, wie der laufende Mittelwert gegen den Erwartungswert konvergiert (LLN-Modus), oder ziehe aus einer schiefen Verteilung und sieh, wie das Histogramm der Stichprobenmittelwerte normalverteilt wird (ZGS-Modus).
3D · Three.js / WebGL-Renderer · 60 FPS Ziel · läuft vollständig clientseitig, keine Installation nötig