Satz Von Moivre Laplace

Der Satz von Moivre-Laplace, oft auch Moivre-Laplace-Theorem genannt, ist ein fundamentaler Satz in der Wahrscheinlichkeitstheorie und der mathematischen Statistik. Er stellt eine Brücke zwischen der diskreten Binomialverteilung und der stetigen Normalverteilung dar. Im Kern besagt er, dass sich die Binomialverteilung unter bestimmten Bedingungen durch eine Normalverteilung approximieren lässt.

Die Binomialverteilung

Um den Satz von Moivre-Laplace vollständig zu verstehen, ist es unerlässlich, zuerst die Binomialverteilung zu beleuchten. Die Binomialverteilung beschreibt die Wahrscheinlichkeit für die Anzahl der Erfolge in einer festen Anzahl von unabhängigen Versuchen, wobei jeder Versuch genau zwei mögliche Ergebnisse hat: Erfolg oder Misserfolg. Wir betrachten also eine Bernoulli-Kette der Länge n, bei der die Erfolgswahrscheinlichkeit in jedem einzelnen Versuch p beträgt. Die Wahrscheinlichkeit, genau k Erfolge zu erzielen, wird durch die Wahrscheinlichkeitsfunktion der Binomialverteilung gegeben:

P(X = k) = (n über k) * p^k * (1 - p)^{n - k}

Dabei ist (n über k) der Binomialkoeffizient, der die Anzahl der Möglichkeiten angibt, k Erfolge aus n Versuchen auszuwählen.

Die Normalverteilung

Die Normalverteilung, auch Gauß-Verteilung genannt, ist eine der wichtigsten stetigen Wahrscheinlichkeitsverteilungen. Sie wird durch zwei Parameter charakterisiert: den Erwartungswert μ (Mittelwert) und die Standardabweichung σ. Die Wahrscheinlichkeitsdichtefunktion (PDF) der Normalverteilung ist gegeben durch:

f(x) = (1 / (σ * √(2π))) * e^{-((x - μ)2 / (2σ2))}

Die Normalverteilung ist glockenförmig und symmetrisch um ihren Erwartungswert. Viele natürliche Phänomene lassen sich durch die Normalverteilung modellieren.

Der Satz von Moivre-Laplace im Detail

Der Satz von Moivre-Laplace besagt formal: Sei X eine binomialverteilte Zufallsvariable mit den Parametern n (Anzahl der Versuche) und p (Erfolgswahrscheinlichkeit). Dann kann die Binomialverteilung von X für große n durch eine Normalverteilung approximiert werden, und zwar durch eine Normalverteilung mit dem Erwartungswert μ = np und der Standardabweichung σ = √(np(1 - p)).

Mathematisch ausgedrückt bedeutet dies:

P(a ≤ X ≤ b) ≈ Φ((b - np) / √(np(1 - p))) - Φ((a - np) / √(np(1 - p)))

Hierbei ist Φ die kumulative Verteilungsfunktion (CDF) der Standardnormalverteilung (d.h. Normalverteilung mit μ = 0 und σ = 1). Mit anderen Worten, man standardisiert die Binomialverteilung und approximiert sie dann durch die Standardnormalverteilung.

Wichtige Anmerkungen:

• Die Approximation ist umso genauer, je größer n ist.
• Eine Faustregel besagt, dass die Approximation dann gut ist, wenn np ≥ 5 und n(1 - p) ≥ 5. Dies stellt sicher, dass die Binomialverteilung nicht zu stark asymmetrisch ist.
• Um die Genauigkeit der Approximation zu verbessern, kann eine Stetigkeitskorrektur angewendet werden. Anstatt P(a ≤ X ≤ b) zu approximieren, berechnet man P(a - 0.5 ≤ X ≤ b + 0.5). Dies gleicht die Diskretisierung der Binomialverteilung aus.

Bedeutung und Anwendungen

Der Satz von Moivre-Laplace ist von immenser Bedeutung, da er die Berechnung von Wahrscheinlichkeiten für binomialverteilte Zufallsvariablen mit großem n erheblich vereinfacht. Direktes Berechnen der Binomialkoeffizienten für große n kann numerisch aufwendig sein. Die Approximation durch die Normalverteilung ermöglicht es, auf Tabellen oder Software zur Berechnung der Standardnormalverteilung zurückzugreifen.

Anwendungsbeispiele:

• Qualitätskontrolle: Beurteilung der Wahrscheinlichkeit, dass eine bestimmte Anzahl defekter Teile in einer Stichprobe gefunden wird.
• Meinungsumfragen: Abschätzung der Wahrscheinlichkeit, dass ein bestimmter Anteil der Bevölkerung eine bestimmte Meinung vertritt.
• Versicherungsmathematik: Berechnung von Risiken und Prämien.
• Statistische Tests: Konstruktion von Hypothesentests.

Der Satz von Moivre-Laplace legt den Grundstein für den zentralen Grenzwertsatz, der eine noch allgemeinere Aussage über die Approximation von Summen unabhängiger Zufallsvariablen durch die Normalverteilung trifft.

Zusammenfassung

Der Satz von Moivre-Laplace ist ein Eckpfeiler der Wahrscheinlichkeitstheorie. Er ermöglicht es, die Wahrscheinlichkeiten für binomialverteilte Zufallsvariablen mit großen Stichproben durch die Normalverteilung zu approximieren. Diese Approximation vereinfacht Berechnungen erheblich und findet breite Anwendung in verschiedenen Bereichen der Statistik und angewandten Mathematik. Die Stetigkeitskorrektur kann verwendet werden, um die Genauigkeit der Approximation weiter zu verbessern. Das Verständnis dieses Satzes ist unerlässlich für alle, die sich mit statistischer Analyse und Wahrscheinlichkeitsrechnung beschäftigen.