/
/
·
·
/
/
·
·
  • Einführung
  • Die Aussage in einer Zeile
  • Faustregel, wann ist n "groß genug"?
  • Standardfehler, der kleine Bruder von \sigma
  • Anschauungs-Beispiel, Würfel-Mittelwerte
  • Warum funktioniert das? (Kurzes Motiv-Argument)
  • Klausur-Faustregeln
  • Typische Stolpersteine
ThemenStatistikZentraler Grenzwertsatz (CLT)
Statistik·4Lerneinheiten·22min·Stand17.07.2026

Zentraler Grenzwertsatz (CLT).

Wirf einen Würfel 30-mal, notiere den Mittelwert. Mach das 1000-mal. Was siehst du im Histogramm der Mittelwerte? Eine fast perfekte Glockenkurve, obwohl der Würfel selbst völlig anders verteilt ist (gleichmäßig flach). Das ist der Zentrale Grenzwertsatz (CLT, "Central Limit Theorem") in Action: Stichprobenmittelwerte Xˉn\bar{X}_nXˉn​ sind annähernd normalverteilt, egal aus welcher Ausgangsverteilung sie kommen, solange Stichprobengröße nnn groß genug ist.

Das ist der mathematische Grund, warum Stat-1 so viele Aufgaben mit Normalverteilung hat: alles, was "Mittelwert einer Stichprobe" ist (Notenschnitt, Verkaufszahl-Schnitt, mittlere Reaktionszeit), darf normalverteilt angenommen werden. Klausur-Pflicht in WInf/BWL/Informatik/Data Science/Psychologie. Ohne CLT kein t-Test, kein Konfidenzintervall für den Mittelwert, keine Stichproben-basierte Inferenz.

Wenn X1,X2,…,XnX_1, X_2, \ldots, X_nX1​,X2​,…,Xn​ unabhängig identisch verteilt sind mit Erwartungswert μ\muμ und endlicher Varianz σ2\sigma^2σ2, dann gilt für das Stichprobenmittel Xˉn=1n∑Xi\bar{X}_n = \frac{1}{n} \sum X_iXˉn​=n1​∑Xi​:

Xˉn  →  n→∞    N ⁣(μ,  σ2n)\bar{X}_n \;\xrightarrow{\;n \to \infty\;}\; \mathcal{N}\!\left(\mu,\; \frac{\sigma^2}{n}\right)Xˉn​n→∞​N(μ,nσ2​)

Lies das so: "die Stichprobenmittel Xˉn\bar{X}_nXˉn​ konvergieren in Verteilung gegen eine Normalverteilung mit Erwartungswert μ\muμ (= Mittelwert der Ausgangsverteilung) und Varianz σ2/n\sigma^2 / nσ2/n (= Varianz der Ausgangsverteilung geteilt durch nnn)."

Drei Punkte, die du sofort verstehen musst:

  • Mittelwert wandert nicht. E[Xˉn]=μ\mathbb{E}[\bar{X}_n] = \muE[Xˉn​]=μ, egal wie groß nnn, der Erwartungswert der Stichprobenmittel ist immer μ\muμ. Das ist Linearität des Erwartungswerts.
  • Streuung schrumpft mit n\sqrt{n}n​. Die Standardabweichung des Stichprobenmittels ist σXˉ=σ/n\sigma_{\bar{X}} = \sigma / \sqrt{n}σXˉ​=σ/n​, nicht σ\sigmaσ. Größere Stichprobe → präziserer Mittelwert. Verdopplung der Genauigkeit braucht 4-fache Stichprobengröße, das ist die berühmte Wurzel-n-Regel.
  • Egal welche Ausgangsverteilung. Würfel (uniform), Exponential, sogar Bimodal, solange Varianz endlich ist, konvergiert das Stichprobenmittel gegen Normal. Magie? Nein, mathematische Gesetzmäßigkeit der Mittelwertbildung.

Klassische Daumenregel: n≥30n \geq 30n≥30 reicht meistens. Bei nahezu symmetrischen Ausgangsverteilungen schon n≥15n \geq 15n≥15, bei stark schiefen oder bimodalen Ausgangsverteilungen lieber n≥50n \geq 50n≥50. In Klausuren wird n=30n = 30n=30 als Schwelle akzeptiert.

Achtung Sonderfall, wenn die Ausgangsverteilung selbst schon normal ist, ist Xˉn\bar{X}_nXˉn​ schon für jedes n≥1n \geq 1n≥1 exakt normalverteilt. Kein CLT nötig, das folgt direkt aus der Reproduktivität der Normalverteilung.

Die Größe σXˉ=σ/n\sigma_{\bar{X}} = \sigma / \sqrt{n}σXˉ​=σ/n​ heißt Standardfehler des Mittelwerts (engl. standard error of the mean, SEM). Sie ist die Streuung der Stichprobenmittel um μ\muμ und ist die Grundlage für Konfidenzintervalle und Z-Werte für Mittelwert-Tests:

Z=Xˉn−μσ/n  ∼  N(0,1)Z = \frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \;\sim\; \mathcal{N}(0, 1)Z=σ/n​Xˉn​−μ​∼N(0,1)

Wenn σ\sigmaσ nicht bekannt ist, ersetzt du es durch die Stichproben-Standardabweichung sss und nutzt die ttt-Verteilung (ergibt den t-Test).

Werfe einen fairen Würfel nnn-mal und notiere Xˉn\bar{X}_nXˉn​. Die Ausgangsverteilung ist diskret und gleichverteilt: P(X=k)=1/6\mathbb{P}(X = k) = 1/6P(X=k)=1/6 für k∈{1,2,3,4,5,6}k \in \{1,2,3,4,5,6\}k∈{1,2,3,4,5,6}, μ=3,5\mu = 3{,}5μ=3,5, σ2=35/12≈2,92\sigma^2 = 35/12 \approx 2{,}92σ2=35/12≈2,92, σ≈1,71\sigma \approx 1{,}71σ≈1,71.

nnnErwartung Xˉn\bar{X}_nXˉn​Streuung σ/n\sigma / \sqrt{n}σ/n​Form der Verteilung von Xˉn\bar{X}_nXˉn​
13,51,71gleichmäßig, gar nicht normal
53,50,76glockig, leichter Knick
303,50,31praktisch normal
1003,50,17extrem präzise
10003,50,054quasi-konstant

Du siehst: der Mittelwert (μ=3,5\mu = 3{,}5μ=3,5) bleibt, die Streuung schrumpft mit 1/n1/\sqrt{n}1/n​, die Form wird normal. Das ist CLT in einer Zeile.

Das vollständige Beweis-Argument läuft über charakteristische Funktionen und Taylor-Entwicklung, Klausur-irrelevant. Die Intuition: Wenn du viele unabhängige Zufallsvariablen summierst, mitteln sich extreme Werte heraus. Die hohe Wahrscheinlichkeitsmasse konzentriert sich um den Erwartungswert, die Verteilung "glättet" sich aus. Die Glockenform ist die einzige Verteilung, die unter Addition vieler kleiner unabhängiger Einflüsse "stabil" ist (Stichwort: stabile Verteilungen, Lévy-Theorem).

  1. CLT-Voraussetzungen: XiX_iXi​ unabhängig, identisch verteilt, endliche Varianz. Bei Cauchy-Verteilung (unendliche Varianz) gilt CLT nicht. In Klausuraufgaben fast immer erfüllt.
  2. Wurzel-n-Regel: Standardfehler σ/n\sigma / \sqrt{n}σ/n​. Verdopplung der Genauigkeit (halbierter SE) braucht vierfache Stichprobe. Klausur-Klassiker.
  3. Schwellwert n≥30n \geq 30n≥30: Daumenregel für CLT-Anwendbarkeit. Bei stark schiefen Verteilungen n≥50n \geq 50n≥50, bei symmetrischen schon n≥15n \geq 15n≥15.
  4. Z-Wert für Stichprobenmittel: Z=(Xˉ−μ)/(σ/n)Z = (\bar{X} - \mu) / (\sigma / \sqrt{n})Z=(Xˉ−μ)/(σ/n​), nicht Z=(Xˉ−μ)/σZ = (\bar{X} - \mu) / \sigmaZ=(Xˉ−μ)/σ. Wurzel-n vergessen ist der häufigste Klausur-Fehler.
  5. Wenn σ\sigmaσ unbekannt: sss einsetzen und ttt-Verteilung mit n−1n-1n−1 Freiheitsgraden statt N(0,1)\mathcal{N}(0,1)N(0,1) nutzen.

1. σ\sigmaσ vs. σ/n\sigma / \sqrt{n}σ/n​ verwechseln. Wenn du einen Z-Wert für einen einzelnen Wert XXX berechnest, ist es Z=(X−μ)/σZ = (X - \mu) / \sigmaZ=(X−μ)/σ. Wenn du einen Z-Wert für ein Stichprobenmittel Xˉn\bar{X}_nXˉn​ berechnest, ist es Z=(Xˉ−μ)/(σ/n)Z = (\bar{X} - \mu) / (\sigma / \sqrt{n})Z=(Xˉ−μ)/(σ/n​). Das n\sqrt{n}n​ ist der ganze Punkt des CLT, vergessen kostet Punkte.

2. CLT auf einzelne Beobachtungen anwenden. CLT sagt etwas über Stichprobenmittelwerte Xˉn\bar{X}_nXˉn​, nicht über einzelne XiX_iXi​. Wenn die Ausgangsverteilung exponentiell ist, sind einzelne Werte exponentialverteilt (nicht normal), auch für große nnn. Erst der Mittelwert wird normal.

3. "Größere Stichprobe → schmalere Ausgangsverteilung" denken. Nein. Die Ausgangsverteilung von XXX ändert sich nie, sie hat immer Varianz σ2\sigma^2σ2. Nur die Verteilung des Stichprobenmittels Xˉn\bar{X}_nXˉn​ wird mit größerem nnn schmaler (σ2/n\sigma^2/nσ2/n).

4. CLT als Voraussetzung für jede Statistik annehmen. Der CLT ist nicht universal, er braucht endliche Varianz (Cauchy-Verteilung disqualifiziert), unabhängige Stichproben (Zeitreihen mit Autokorrelation disqualifiziert ohne weitere Annahmen) und identische Verteilung (Mischverteilungen brauchen Generalisierungen). In Klausuren meist erfüllt, in Forschungs-Praxis öfter problematisch.

Wähle eine Ausgangsverteilung (Würfel, Exponential, Bimodal) und eine Stichprobengröße nnn. Klicke "100 Stichproben ziehen", der Simulator zieht 100 Stichproben der Größe nnn, berechnet jeweils den Mittelwert und zeichnet das Histogramm der 100 Mittelwerte. Theoretische Normalverteilung (CLT-Vorhersage) wird als Überlagerung gezeigt.

Experimente, die du machen solltest:

  • n=1n = 1n=1: Histogramm der Mittelwerte = Histogramm der Ausgangsverteilung selbst. Bei Würfel flach, bei Exponential schief, bei Bimodal zwei Häufungen. CLT noch nicht in Kraft.
  • n=5n = 5n=5: Schon erste Annäherung an Glocke, aber bei Bimodal/Exponential noch erkennbar nicht-normal.
  • n=30n = 30n=30: Klassische CLT-Schwelle. Histogramm sieht für alle drei Ausgangsverteilungen sehr normal aus. Streuung sichtbar geschrumpft auf σ/30\sigma/\sqrt{30}σ/30​.
  • n=100n = 100n=100: Praktisch perfekte Glocke, Streuung sehr klein.

Beobachte: der Mittelwert (vertikale Linie) bleibt immer gleich, egal wie groß nnn. Nur die Breite des Histogramms ändert sich. Das ist die Wurzel-n-Regel im Bild.

Lade Visualisierung...

Klausur-Tipp: Wenn dich eine Aufgabe nach der Verteilung eines Stichprobenmittels Xˉn\bar{X}_nXˉn​ fragt und nnn ausreichend groß ist (in der Klausur typischerweise n≥30n \geq 30n≥30), darfst du auch ohne Information über die Ausgangsverteilung Normalverteilung annehmen. Mit Mittelwert μ\muμ und Standardabweichung σ/n\sigma/\sqrt{n}σ/n​, Punkte schreiben, Z-Wert ausrechnen, fertig.

Anmelden, um den Fortschritt zu speichern.

Nächster Schritt

Wenn du fertig bist: jetzt üben.

Aktives Abrufen festigt Wissen schneller als nochmal lesen.

War das hilfreich?

Verwandte Themen

  • Datenarten und Skalenniveaus
  • Poisson-Verteilung & Binomialverteilung Formel (Statistik)
  • Konfidenzintervall
  • Häufigkeitsverteilungen und Histogramme
  • Hypothesentest, Grundlagen

Tools

Bald: Karteikarten · Spaced-Repetition · Mind-Map-Export

Fachliche Qualität
Noch nicht klassifiziertNoch nicht geprüft.

Diese Lerneinheit wurde für typische Bachelor-Klausuren konzipiert. So prüfen wir · Fehler entdeckt? Melde ihn uns oder markiere die fragliche Stelle direkt im Text oben.

Klausur-ÜbersichtKomplette Übersicht: alle Tabs als linearer Text zum Lernen
▾

Alle Tabs der Lerneinheit (Erklärung · Interaktiv simulieren · Praxis-Übung · Klausur-Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur, und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).

Inhalt dieser Übersicht

  1. Erklärung(Erklärung)
  2. Interaktiv simulieren(Visualisierung / Interaktiv)
  3. Praxis-Übung(Quiz / Klausurfragen)
  4. Klausur-Quiz(Quiz / Klausurfragen)
Teil 1·Erklärung

Erklärung

Wirf einen Würfel 30-mal, notiere den Mittelwert. Mach das 1000-mal. Was siehst du im Histogramm der Mittelwerte? Eine fast perfekte Glockenkurve, obwohl der Würfel selbst völlig anders verteilt ist (gleichmäßig flach). Das ist der Zentrale Grenzwertsatz (CLT, "Central Limit Theorem") in Action: Stichprobenmittelwerte X̄_n sind annähernd normalverteilt, egal aus welcher Ausgangsverteilung sie kommen, solange Stichprobengröße n groß genug ist.

Das ist der mathematische Grund, warum Stat-1 so viele Aufgaben mit Normalverteilung hat: alles, was "Mittelwert einer Stichprobe" ist (Notenschnitt, Verkaufszahl-Schnitt, mittlere Reaktionszeit), darf normalverteilt angenommen werden. Klausur-Pflicht in WInf/BWL/Informatik/Data Science/Psychologie. Ohne CLT kein t-Test, kein Konfidenzintervall für den Mittelwert, keine Stichproben-basierte Inferenz.

Die Aussage in einer Zeile

Wenn X₁, X₂, ..., X_n unabhängig identisch verteilt sind mit Erwartungswert μ und endlicher Varianz σ², dann gilt für das Stichprobenmittel X̄_n = 1/n Σ X_i:

X̄_n xrightarrow n → ∞ N (μ, (σ²)/n)

Lies das so: "die Stichprobenmittel X̄_n konvergieren in Verteilung gegen eine Normalverteilung mit Erwartungswert μ (= Mittelwert der Ausgangsverteilung) und Varianz σ² / n (= Varianz der Ausgangsverteilung geteilt durch n)."

Drei Punkte, die du sofort verstehen musst:

  • Mittelwert wandert nicht. 𝔼[X̄_n] = μ, egal wie groß n, der Erwartungswert der Stichprobenmittel ist immer μ. Das ist Linearität des Erwartungswerts.
  • Streuung schrumpft mit √(n). Die Standardabweichung des Stichprobenmittels ist σ_(X̄) = σ / √(n), nicht σ. Größere Stichprobe → präziserer Mittelwert. Verdopplung der Genauigkeit braucht 4-fache Stichprobengröße, das ist die berühmte Wurzel-n-Regel.
  • Egal welche Ausgangsverteilung. Würfel (uniform), Exponential, sogar Bimodal, solange Varianz endlich ist, konvergiert das Stichprobenmittel gegen Normal. Magie? Nein, mathematische Gesetzmäßigkeit der Mittelwertbildung.

Faustregel, wann ist n "groß genug"?

Klassische Daumenregel: n ≥ 30 reicht meistens. Bei nahezu symmetrischen Ausgangsverteilungen schon n ≥ 15, bei stark schiefen oder bimodalen Ausgangsverteilungen lieber n ≥ 50. In Klausuren wird n = 30 als Schwelle akzeptiert.

Achtung Sonderfall, wenn die Ausgangsverteilung selbst schon normal ist, ist X̄_n schon für jedes n ≥ 1 exakt normalverteilt. Kein CLT nötig, das folgt direkt aus der Reproduktivität der Normalverteilung.

Standardfehler, der kleine Bruder von σ

Die Größe σ_(X̄) = σ / √(n) heißt Standardfehler des Mittelwerts (engl. standard error of the mean, SEM). Sie ist die Streuung der Stichprobenmittel um μ und ist die Grundlage für Konfidenzintervalle und Z-Werte für Mittelwert-Tests:

Z = (X̄_n - μ)/(σ / √(n)) ∼ N(0, 1)

Wenn σ nicht bekannt ist, ersetzt du es durch die Stichproben-Standardabweichung s und nutzt die t-Verteilung (ergibt den t-Test).

Anschauungs-Beispiel, Würfel-Mittelwerte

Werfe einen fairen Würfel n-mal und notiere X̄_n. Die Ausgangsverteilung ist diskret und gleichverteilt: ℙ(X = k) = 1/6 für k ∈ \1,2,3,4,5,6\, μ = 3,5, σ² = 35/12 ≈ 2,92, σ ≈ 1,71.

nErwartung X̄_nStreuung σ / √(n)Form der Verteilung von X̄_n
13,51,71gleichmäßig, gar nicht normal
53,50,76glockig, leichter Knick
303,50,31praktisch normal
1003,50,17extrem präzise
10003,50,054quasi-konstant

Du siehst: der Mittelwert (μ = 3,5) bleibt, die Streuung schrumpft mit 1/√(n), die Form wird normal. Das ist CLT in einer Zeile.

Warum funktioniert das? (Kurzes Motiv-Argument)

Das vollständige Beweis-Argument läuft über charakteristische Funktionen und Taylor-Entwicklung, Klausur-irrelevant. Die Intuition: Wenn du viele unabhängige Zufallsvariablen summierst, mitteln sich extreme Werte heraus. Die hohe Wahrscheinlichkeitsmasse konzentriert sich um den Erwartungswert, die Verteilung "glättet" sich aus. Die Glockenform ist die einzige Verteilung, die unter Addition vieler kleiner unabhängiger Einflüsse "stabil" ist (Stichwort: stabile Verteilungen, Lévy-Theorem).

Klausur-Faustregeln

  1. CLT-Voraussetzungen: X_i unabhängig, identisch verteilt, endliche Varianz. Bei Cauchy-Verteilung (unendliche Varianz) gilt CLT nicht. In Klausuraufgaben fast immer erfüllt.
  2. Wurzel-n-Regel: Standardfehler σ / √(n). Verdopplung der Genauigkeit (halbierter SE) braucht vierfache Stichprobe. Klausur-Klassiker.
  3. Schwellwert n ≥ 30: Daumenregel für CLT-Anwendbarkeit. Bei stark schiefen Verteilungen n ≥ 50, bei symmetrischen schon n ≥ 15.
  4. Z-Wert für Stichprobenmittel: Z = (X̄ - μ) / (σ / √(n)), nicht Z = (X̄ - μ) / σ. Wurzel-n vergessen ist der häufigste Klausur-Fehler.
  5. Wenn σ unbekannt: s einsetzen und t-Verteilung mit n-1 Freiheitsgraden statt N(0,1) nutzen.

Typische Stolpersteine

1. σ vs. σ / √(n) verwechseln. Wenn du einen Z-Wert für einen einzelnen Wert X berechnest, ist es Z = (X - μ) / σ. Wenn du einen Z-Wert für ein Stichprobenmittel X̄_n berechnest, ist es Z = (X̄ - μ) / (σ / √(n)). Das √(n) ist der ganze Punkt des CLT, vergessen kostet Punkte.

2. CLT auf einzelne Beobachtungen anwenden. CLT sagt etwas über Stichprobenmittelwerte X̄_n, nicht über einzelne X_i. Wenn die Ausgangsverteilung exponentiell ist, sind einzelne Werte exponentialverteilt (nicht normal), auch für große n. Erst der Mittelwert wird normal.

3. "Größere Stichprobe → schmalere Ausgangsverteilung" denken. Nein. Die Ausgangsverteilung von X ändert sich nie, sie hat immer Varianz σ². Nur die Verteilung des Stichprobenmittels X̄_n wird mit größerem n schmaler (σ²/n).

4. CLT als Voraussetzung für jede Statistik annehmen. Der CLT ist nicht universal, er braucht endliche Varianz (Cauchy-Verteilung disqualifiziert), unabhängige Stichproben (Zeitreihen mit Autokorrelation disqualifiziert ohne weitere Annahmen) und identische Verteilung (Mischverteilungen brauchen Generalisierungen). In Klausuren meist erfüllt, in Forschungs-Praxis öfter problematisch.

Teil 2·Visualisierung / Interaktiv

Interaktiv simulieren

CLT-Simulator

Wähle eine Ausgangsverteilung (Würfel, Exponential, Bimodal) und eine Stichprobengröße n. Klicke "100 Stichproben ziehen", der Simulator zieht 100 Stichproben der Größe n, berechnet jeweils den Mittelwert und zeichnet das Histogramm der 100 Mittelwerte. Theoretische Normalverteilung (CLT-Vorhersage) wird als Überlagerung gezeigt.

Experimente, die du machen solltest:

  • n = 1: Histogramm der Mittelwerte = Histogramm der Ausgangsverteilung selbst. Bei Würfel flach, bei Exponential schief, bei Bimodal zwei Häufungen. CLT noch nicht in Kraft.
  • n = 5: Schon erste Annäherung an Glocke, aber bei Bimodal/Exponential noch erkennbar nicht-normal.
  • n = 30: Klassische CLT-Schwelle. Histogramm sieht für alle drei Ausgangsverteilungen sehr normal aus. Streuung sichtbar geschrumpft auf σ/√(30).
  • n = 100: Praktisch perfekte Glocke, Streuung sehr klein.

Beobachte: der Mittelwert (vertikale Linie) bleibt immer gleich, egal wie groß n. Nur die Breite des Histogramms ändert sich. Das ist die Wurzel-n-Regel im Bild.

Interaktive Visualisierung

Interaktive Komponente: probiere sie im Topic-Player oben aus.

Klausur-Tipp: Wenn dich eine Aufgabe nach der Verteilung eines Stichprobenmittels X̄_n fragt und n ausreichend groß ist (in der Klausur typischerweise n ≥ 30), darfst du auch ohne Information über die Ausgangsverteilung Normalverteilung annehmen. Mit Mittelwert μ und Standardabweichung σ/√(n), Punkte schreiben, Z-Wert ausrechnen, fertig.

Teil 3·Quiz / Klausurfragen

Praxis-Übung

Zentraler Grenzwertsatz, Praxis-Übung

Drei Aufgaben-Typen: Standardfehler-Berechnung, Z-Wert für Stichprobenmittel, Wurzel-n-Regel anwenden.

Klausurfragen mit Lösungen (6)

F1.Eine Ausgangsverteilung hat σ = 10. Wie groß ist der Standardfehler σ_(X̄) bei Stichprobengröße n = 25? (auf 2 Nachkommastellen)

Antwort: 2 (Toleranz ±0.05)

Erklärung: `σ_(X̄) = σ / √(n) = 10 / √(25) = 10 / 5 = 2`. Das ist die Wurzel-n-Regel: die Streuung des Mittelwerts ist deutlich kleiner als die der Einzelwerte.

Typ: Zahlen-Eingabe

F2.Welche Aussage über den Zentralen Grenzwertsatz ist KORREKT?

Antwort: Er sagt, dass Stichprobenmittel `X̄_n` für große `n` annähernd normalverteilt sind

Erklärung: CLT-Kernaussage: das Stichprobenmittel `X̄_n` ist annähernd normalverteilt, unabhängig von der Ausgangsverteilung (solange endliche Varianz). Falsch: gilt für jede Verteilung mit endlicher Varianz, sagt nichts über einzelne `X_i`, gilt auch für diskrete Verteilungen (Würfel-Beispiel!).

F3.Eine Klausur hat Notendurchschnitt μ = 2,8 mit Standardabweichung σ = 0,9. Eine Tutoriumsgruppe von n = 16 Studierenden hat Schnitt X̄ = 2,4. Wie hoch ist der zugehörige Z-Wert (auf 2 Nachkommastellen)?

Antwort: -1.78 (Toleranz ±0.02)

Erklärung: `Z = (X̄ - μ) / (σ / √(n)) = (2,4 - 2,8) / (0,9 / 4) = -0,4 / 0,225 ≈ -1,78`. WICHTIG: Stichprobenmittel → Wurzel-n im Nenner! Nicht `-0,4/0,9 = -0,44`, das wäre der Z-Wert für einen einzelnen Studierenden.

Typ: Zahlen-Eingabe

F4.Verdopplung der Stichprobengröße halbiert den Standardfehler.

Antwort: Falsch

Erklärung: FALSCH. Standardfehler ist `σ / √(n)`, nicht `σ / n`. Bei Verdopplung von `n` wird der Nenner um Faktor `√(2) ≈ 1,41` größer, der Standardfehler also nur um Faktor `1/√(2) ≈ 0,71` kleiner (nicht halbiert). Für **Halbierung** des Standardfehlers brauchst du **4-fache** Stichprobe.

Typ: Wahr/Falsch

F5.Aktueller Standardfehler σ_(X̄) = 2 bei n = 25. Wie groß muss n werden, um den Standardfehler auf 1 zu halbieren?

Antwort: 100

Erklärung: Standardfehler halbieren = Wurzel verdoppeln = `n` vervierfachen. `4 · 25 = 100`. Allgemein: für SE-Reduktion um Faktor `k` brauchst du `k²`-fache Stichprobe. Das ist die teure Seite der Wurzel-n-Regel.

Typ: Zahlen-Eingabe

F6.Welche Voraussetzungen braucht der CLT in seiner klassischen Form?

Richtige Antworten: `X_i` unabhängig; `X_i` identisch verteilt; Endliche Varianz `σ² < ∞`; `n` asymptotisch groß (in Praxis `n ≥ 30`)

Erklärung: iid + endliche Varianz + großes `n`. Die Ausgangsverteilung muss WEDER normal NOCH diskret sein, das ist genau der Witz des CLT. Bei Cauchy-Verteilung (unendliche Varianz) versagt der klassische CLT.

Typ: Multi-Select

Teil 4·Quiz / Klausurfragen

Klausur-Quiz

Klausurfragen mit Lösungen (6)

F1.Reaktionszeiten sind exponentialverteilt mit Mittelwert μ = 200 ms und σ = 200 ms (bei Exponential gilt μ = σ). Du misst eine Stichprobe von n = 64 Reaktionen. Welcher Standardfehler σ_(X̄) ergibt sich? (in ms)

Antwort: 25 (Toleranz ±0.5)

Erklärung: `σ_(X̄) = σ / √(n) = 200 / 8 = 25` ms. Egal dass die Ausgangsverteilung Exponential ist (nicht normal): bei `n = 64` ist CLT klar in Kraft, das Stichprobenmittel ist annähernd `N(200, 25²)`.

Typ: Zahlen-Eingabe

F2.Eine Stichprobe von n = 100 Klausuren ergibt Schnitt X̄ = 2,65, bei μ = 2,80 und σ = 0,90. Wie wahrscheinlich ist es, einen Schnitt ≤ 2,65 zu erhalten? (in %, auf 1 Nachkommastelle, normalverteilungs-Approx)

Antwort: 4.8 (Toleranz ±0.3)

Erklärung: `Z = (2,65 - 2,80) / (0,9/√(100)) = -0,15 / 0,09 ≈ -1,67`. `Φ(-1,67) ≈ 0,0475 = 4,75 \%`. Aussage: Schnitt `≤ 2,65` tritt mit knapp 5 % Wahrscheinlichkeit allein durch Zufall auf, entspricht in etwa `α = 5 \%` Signifikanz-Schwelle (einseitig).

Typ: Zahlen-Eingabe

F3.Wann wird in der Praxis statt des Z-Werts der t-Wert verwendet?

Antwort: Wenn `σ` unbekannt ist und durch die Stichprobenvarianz `s` ersetzt werden muss

Erklärung: Hauptgrund für t-Verteilung: `σ` unbekannt → `s` als Schätzer einsetzen → zusätzliche Unsicherheit → schwerere Tails → t-Verteilung mit `n-1` Freiheitsgraden. Bei großem `n` konvergiert `t` gegen `N(0,1)`, der Unterschied wird klein. Die häufige Aussage "t bei kleinem n" ist ungenau: der eigentliche Grund ist immer das unbekannte `σ`.

F4.Ordne die Größe der korrekten Formel zu:

Zuordnungen:

  • Erwartungswert von $\bar{X}_n$ → $\mu$
  • Varianz von $\bar{X}_n$ → $\sigma^2 / n$
  • Standardfehler von $\bar{X}_n$ → $\sigma / \sqrt{n}$
  • Z-Wert für $\bar{X}_n$ → $(\bar{X} - \mu) / (\sigma / \sqrt{n})$

Erklärung: Die vier CLT-Formeln, die in der Klausur immer wieder gebraucht werden. Wurzel-n im Standardfehler nicht vergessen, häufigster Fehler.

Typ: Zuordnung

F5.Sortiere die Schritte für eine Stichprobenmittel-Aufgabe:

Richtige Reihenfolge:

  1. $\mu$, $\sigma$, $n$, $\bar{X}$ aus Aufgabe entnehmen
  2. Standardfehler $\sigma_{\bar{X}} = \sigma / \sqrt{n}$ berechnen
  3. Z-Wert $Z = (\bar{X} - \mu) / \sigma_{\bar{X}}$ ausrechnen
  4. $\Phi(Z)$ aus Tabelle nachschlagen (oder Software)
  5. Wahrscheinlichkeit + Schluss formulieren (einseitig/zweiseitig)

Erklärung: Standard-Workflow für CLT-basierte Stichprobenmittel-Aufgaben. Der häufigste Klausur-Fehler liegt zwischen Schritt 2 und 3: Standardfehler vergessen und stattdessen `σ` direkt benutzen.

Typ: Reihenfolge

F6.Der CLT gilt auch für die Cauchy-Verteilung, Stichprobenmittel von Cauchy-Verteilungen sind annähernd normalverteilt für großes n.

Antwort: Falsch

Erklärung: FALSCH. Die Cauchy-Verteilung hat **keine endliche Varianz** (eigentlich nicht mal endlichen Erwartungswert), eine zentrale CLT-Voraussetzung. Tatsächlich ist das Stichprobenmittel von Cauchy-Verteilungen wieder Cauchy-verteilt (Reproduktivität), unabhängig von `n`. Klassisches Gegenbeispiel zum CLT.

Typ: Wahr/Falsch

Zur KategorieStatistik.Mehr Themen entdeckenZum Themen-Hub.

UniProMax ist eine themenbasierte Lernplattform für Studierende an deutschen Unis.

Wir glauben, dass Verstehen besser ist als Auswendiglernen. Wir bauen Lerneinheiten die zeigen statt erzählen. Code, Visualisierung, Quiz. Auf Deutsch.

Marke

UniProMaxUniProMax

Themenbasiert, visuell, interaktiv.

Inhalte

  • Alle Themen (Hub)
  • Programmiergrundlagen
  • Algorithmen
  • Mathematik
  • Statistik
  • Datenbanken
  • Rechnungswesen
  • VWL

Studiengang-Filter

  • Informatik
  • Wirtschaftsinformatik
  • BWL
  • Data Science
  • VWL
  • Wirtschaftsingenieurwesen
  • Mathe
  • Psychologie
  • weitere Studiengänge folgen

Plattform

  • Mein Fortschritt
  • Impressum
  • Datenschutz
© 2026 UniProMaxAlle Systeme onlinev0.2 / Sommersemester 2026
UniProMaxUniProMaxUniProMaxUniProMax