Suche Diesen Artikel teilen:

Fast sicher Los!

Themengebiete Das schwache Gesetz der großen Zahlen

Bitte wählen...
Vorhandene Merkzettel:
32 Ergebnisse:
Schwaches Gesetz der großen Zahlen
Umwandeln von Brüchen
(periodisch/dezimal)
Komplexe Zahlen
Zusammenhang Schaltalgebra - binäre
Schaltungen Teil 1
Grenzwertbetrachtung bei Produkten
Bestimmen einer Basis
Fehlererkennung und Fehlerkorrektur
Basis aus EZS auswählen
Die Linearfaktorzerlegung
Differentialgleichungen in getrennten
Variablen
Geometrische Verteilung
Hauptspeicher
Tricks beim Integrieren
Assemblerprogrammierung:
Grundlagen
Die Leibniz-Regel bei
Parameterintegralen
Matrizengleichungen
Multiplikation komplexer Zahlen
Parameter von Funktionen
Dimension
Chi Quadrat Tests
Division komplexer Zahlen
Beta Verteilung
Die sogenannten Gesetze der großen Zahlen sagen aus, dass der
Los!
arithmetische Mittelwert einer Stichprobe von unabhängigen
Zufallsgrößen gegen den Erwartungswert der zugrunde liegenden
Verteilung konvergieren.
Diese Aussage lässt sich daraufhin verallgemeinern, dass die relative
Häufigkeit des Ergebnisses eines Zufallsexperiments sich der
Wahrscheinlichkeit dieses Ergebnisses annähert, vorausgesetzt das
Experiment wird immer unter denselben Bedingungen durchgeführt.
In statistischen Analysen nimmt man oft an, dass die Werte der
Stichprobe eben als Resultate eines derartigen Zufallsexperiments
gesehen werden können, weshalb man bei entsprechend großen
Stichproben dann Schlussfolgerungen über die Verteilung der
Stichprobenwerte ziehen kann.
Definition
Formal versteht man hierunter Folgendes:
Gegeben sind unabhängige und identisch verteilte Zufallsgrößen
X1 , … , Xn mit 𝕍 (Xi ) < ∞ .
Dann gilt für alle ϵ > 0:
∣1 n ∣
(∣ n ∑ )
∣
lim ℙ ∣ Xi − 𝔼(X1 )∣∣ ≥ ϵ = 0
n→∞
i=1 ∣
“Identisch verteilt” bedeutet, dass alle Xi dieselbe Verteilung besitzen,
also beispielsweise, dass Xi ∼ N(1, 4) .
Demnach haben auch alle Xi denselben Erwartungswert
𝔼(X1 ) = 𝔼(X2 ) = … = 𝔼(Xn ) und deswegen wird in der Formel auch
𝔼(X1 ) stellvertretend für alle Erwartungswerte der Xi verwendet.
Man kann diesen Grenzwert auch anders ausdrücken, indem man zum
Gegenereignis übergeht und schreibt:
∣1 n ∣
(∣ n ∑ )
lim ℙ ∣∣ Xi − 𝔼(X1 )∣∣ ≤ ϵ = 1
n→∞
i=1 ∣
Die Bedeutung bleibt dieselbe: Die Wahrscheinlichkeit, dass der
Mittelwert der n Werte um weniger als einen beliebigen Wert ϵ vom
Erwartungswert der Verteilung abweicht beträgt 1 bzw. textlich
ausgedrückt:

Nullstellenberechnung Der Mittelwert konvergiert in Wahrscheinlichkeit gegen 𝔼(X1 ) .

Geraden Den Beweis zu diesem Gesetz findest du in dieser Aufgabe.
Untervektorraum Es gibt auch noch mehrere Versionen dieses schwachen Gesetzes,
Grafisches Lösen einer DGL welche die Voraussetzungen etwas abschwächen - mehr dazu aber im
Netz.
Ereignisraum & Sigma-Algebra
Binomialverteilung Schwaches vs. starkes Gesetz
Aufbau eines Von-Neumann-Rechners Der Unterschied zum starken Gesetz der großen Zahlen ist letztlich die
Polstellen Position des Limes, denn wie du hier nachlesen kannst, gilt dort

Hypothesentest ∣1 n ∣
(n→∞ ∣ n ∑ )
ℙ lim ∣∣ Xi − 𝔼(X1 )∣∣ = 0 = 1
Kleinste Quadrate Methode
i=1 ∣
Will man ganz korrekt sein, schreibt man auch lim sup statt lim .

Lust auf noch ausführlichere
Übungsaufgaben:
Support von Euch
Dir gefällt unser Angebot? Dann hilf uns doch,
indem du uns ein Gefällt Mir spendierst oder
es deinen Freunden/Kommilitonen
weitersagst!
Die Position des Limes hat nun zur Folge, dass man von “fast sicherer”
Konvergenz spricht: Der Mittelwert konvergiert fast sicher gegen
𝔼(X1 ) .
“Stark” ist es deshalb, weil aus dem starken Gesetz das schwache
Gesetz der großen Zahlen folgt. Auch der Beweis ist nicht mehr ganz
so leicht.
Für die meisten Anwendungen sind aber letztlich die eingangs
gemachten Aussagen zur Bedeutung der Gesetze der großen Zahlen
wesentlich wichtiger, als der Unterschied zwischen stark und schwach
(das ist eher was für Mathematiker).

Support von uns

Nutzungsbedingungen

Impressum
Sitemap