🔢 mathematics

The distribution of the de Moivre experiment

Diese Arbeit führt die $s$ -Bernoulli- und bi $^s$ nomialen Verteilungen ein, die aus de Moivres Zufallsexperiment abgeleitet wurden, analysiert deren probabilistische Eigenschaften und stellt deren Konvergenz gegen Poisson- und Normalverteilungen für $n \to \infty$ fest.

Ursprüngliche Autoren: Hacène Belbachir, Hamza Zeggada

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC0 1.0

Ursprüngliche Autoren: Hacène Belbachir, Hamza Zeggada

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreiben ein Jahrmarktsspiel. In der klassischen Version haben Sie eine Münze. Sie werfen sie, und sie landet entweder auf Kopf (1) oder Zahl (0). Wenn Sie sie viele Male werfen, folgen die Ergebnisse einem berühmten Muster, der Binomialverteilung. Dies ist das „Münzwurf“-Modell, das jeder kennt.

Nun stellen Sie sich vor, Sie werten dieses Spiel auf. Anstatt einer zweiseitigen Münze haben Sie einen speziellen Würfel mit $s+1$ Seiten. Sagen wir, die Seiten sind mit 0, 1, 2, bis hin zu $s$ nummeriert. Wenn Sie diesen Würfel werfen, erhalten Sie nicht nur „Erfolg“ oder „Misserfolg“, sondern eine bestimmte Anzahl an Punkten.

Dieses Paper handelt davon, was passiert, wenn Sie diesen speziellen Würfel $n$ -mal werfen und alle Punkte, die Sie erhalten, zusammenzählen. Wenn man diese mehrseitigen Würfe zusammenzählt, erhält man die Summe der Punkte. Die Autoren, Belbachir und Zeggada, untersuchen die mathematischen Regeln, die dieses „mehrseitige“ Spiel steuern, welches sie das de Moivre-Experiment nennen (benannt nach einem Mathematiker des 18. Jahrhunderts, der ähnliche Probleme untersuchte).

Hier ist eine Aufschlüsselung ihrer Ergebnisse in einfachen Worten:

1. Die neuen „Würfel-Regeln“ (Die s-Bernoulli-Verteilung)

Zuerst untersuchten sie einen einzelnen Wurf dieses speziellen Würfels.

Der alte Weg: Eine Münze hat zwei Ergebnisse.
Der neue Weg: Dieser Würfel hat $s+1$ Ergebnisse (0 bis $s$ ).
Der Clou: Die Wahrscheinlichkeiten, auf einer bestimmten Zahl zu landen, sind nicht notwendigerweise gleich. Die Autoren haben ein System aufgebaut, bei dem die Wahrscheinlichkeit, eine hohe Zahl zu erhalten, mit einer „Erfolgs-Wahrscheinlichkeit“ ( $p$ ) und einer „Misserfolgs-Wahrscheinlichkeit“ ( $q$ ) verknüpft ist.
Das Ergebnis: Sie entwickelten eine neue Formel (die s-Bernoulli-Verteilung), um den Durchschnittswert und die Streuung (Varianz), also wie sehr die Ergebnisse normalerweise variieren, für diesen einzelnen Wurf zu berechnen. Sie fanden auch heraus, wie man die „Schiefe“ (ist die Kurve einseitig?) und die „Kurtosis“ (ist der Gipfel spitz oder flach?) berechnet.

2. Die Gesamtwertung (Die Bisnomialverteilung)

Als Nächstes fragten sie: „Was passiert, wenn ich diesen Würfel $n$ -mal werfe und die Gesamtpunktzahl addiere?“

In der Welt der Münzwürfe ergibt das Zusammenzählen von $n$ Würfen die Binomialverteilung.
In dieser neuen Welt ergibt das Zusammenzählen von $n$ Würfen dieses $s+1$ -seitigen Würfels die Bisnomialverteilung.
Sie bewiesen, dass diese neue Verteilung ihre eigenen Regeln zur Berechnung von Durchschnitten, Varianzen und komplexen Mustern (Momenten) besitzt. Sie verknüpften diese Muster sogar mit einigen ausgeklügelten mathematischen Werkzeugen namens Euler-Zahlen und Bell-Polynomen, die wie Geheimcodes funktionieren, die Mathematikern helfen, die Form der Daten vorherzusagen.

3. Die magische Transformation (Konvergenz)

Der spannendste Teil des Papers ist das, was passiert, wenn man das Spiel eine riesige Anzahl von Malen spielt (wenn $n$ gegen Unendlich geht). Die Autoren zeigen, dass dieses komplexe „mehrseitige Würfelspiel“ anfängt, zwei sehr berühmten, einfacheren Mustern zu ähneln:

Die Transformation des seltenen Ereignisses (Poisson):
Wenn das Spiel so konzipiert ist, dass eine hohe Punktzahl sehr selten eintritt (wie das Gewinnen bei einer Lotterie), aber man das Spiel Millionen von Malen spielt, wird die Gesamtzahl der hohen Punktzahlen schließlich der Poisson-Verteilung folgen.
- Analogie: Stellen Sie sich vor, Sie zählen, wie oft eine bestimmte, seltene Zahl über eine Million Würfe hinweg auf Ihrem Würfel erscheint. Selbst wenn der Würfel komplex ist, pendelt sich der Zählwert der seltenen Treffer in ein einfaches, vorhersagbares Muster ein, das als Poisson-Verteilung bekannt ist. Die Autoren beweisen, dass dies selbst mit ihren neuen „mehrseitigen“ Regeln geschieht.
Die Transformation der Menge (Normalverteilung):
Wenn man das Spiel viele Male spielt und die Punktzahlen nicht zu selten vorkommen, beginnt die Gesamtsumme der Punkte, eine perfekte Glockenkurve (die Normalverteilung) zu bilden.
- Analogie: Denken Sie an eine Menschenmenge. Wenn Sie eine einzelne Person nach ihrer Größe fragen, ist das Ergebnis zufällig. Aber wenn Sie eine Million Menschen fragen und deren Durchschnittsgröße ermitteln, bilden die Ergebnisse immer einen glatten, symmetrischen Hügel. Die Autoren beweisen, dass egal wie viele Seiten Ihr Würfel hat, wenn Sie ihn oft genug werfen, die Gesamtwertung immer diesen perfekten Hügel bilden wird. Dies ist eine Version des berühmten „Zentralen Grenzwertsatzes“.

4. Warum das wichtig ist (laut dem Paper)

Die Autoren weisen darauf hin, dass der „Münzwurf“ (2 Seiten) seit Jahrhunderten untersucht wird, das „mehrseitige Würfelspiel“ (mehr als 2 Seiten) jedoch bis jetzt in der Wahrscheinlichkeitstheorie weitgehend vernachlässigt wurde.

Sie sagen im Wesentlichen: „Wir haben endlich die vollständige Bedienungsanleitung für diese spezifische Art von Würfelspiel.“
Sie liefern die Formeln, um den Durchschnitt, die Streuung und die Form der Ergebnisse zu berechnen.
Sie beweisen, dass dieses Spiel, obwohl es komplexer als ein Münzwurf ist, denselben ultimativen Naturgesetzen gehorcht (konvergiert zu Poisson- und Normalverteilungen), wenn man es in großem Maßstab spielt.

Zusammenfassend lässt sich sagen: Das Paper nimmt ein komplexes, mehrseitiges Würfelspiel, das bisher niemand vollständig modelliert hat, schreibt die Regeln für die Berechnung der Wahrscheinlichkeiten auf und beweist, dass es sich, wenn man es lange genug spielt, magisch in die zwei berühmtesten Muster der Statistik vereinfacht: die Poisson-Verteilung (für seltene Ereignisse) und die Normalverteilung (die Glockenkurve).

Technisches Resümee: Die Verteilung des de-Moivre-Experiments

Problemstellung und Motivation
Diese Arbeit adressiert eine historische Lücke in der Wahrscheinlichkeitsmodellierung bezüglich des „de-Moivre-Experiments“. Während Abraham de Moivre in seinem Werk The Doctrine of Chances aus dem Jahr 1711 das kombinatorische Problem analysierte, die Anzahl der Möglichkeiten zu bestimmen, eine spezifische Summe $k$ zu erhalten, wenn $n$ Würfel mit jeweils $(s+1)$ Seiten geworfen werden, wurde die die dieses Experiment steuernde Wahrscheinlichkeitsverteilung in der Literatur bisher nicht formal entwickelt. Historisch gesehen führte der Fall, in dem die Anzahl der Seiten zwei beträgt (der Münzwurf), zu den Bernoulli- und Binomialverteilungen. Die Verallgemeinerung auf eine Gleichverteilung auf $\{0, 1, \dots, s\}$ (wobei $s > 1$ ) blieb jedoch unmodelliert, bis die zugehörigen Koeffizienten in den 2000er Jahren durch vereinfachte Ausdrücke etabliert wurden. Die Autoren zielen darauf ab, dieses Experiment zu formalisieren, die zugehörigen Wahrscheinlichkeitsgesetze zu definieren und deren Grenzverhalten zu untersuchen.

Methodik und Definitionen
Die Studie geht durch die Definition der grundlegenden Zufallsvariablen und ihrer zugehörigen Verteilungen vor:

Die $s$ -Bernoulli-Verteilung: Die Autoren definieren eine Zufallsvariable $X$ , die das Ergebnis eines einzelnen Würfels mit $(s+1)$ Seiten darstellt, wobei die Werte in $\{0, 1, \dots, s\}$ liegen. Die Wahrscheinlichkeitsfunktion ist parametrisiert durch $p$ (Erfolgswahrscheinlichkeit) und $q$ (Misserfolgswahrscheinlichkeit), mit spezifischen Nebenbedingungen, die sicherstellen, dass die Summe der Wahrscheinlichkeiten 1 ergibt.
- Die Erzeugungsfunktion $G_X(t)$ wird sowohl für den Fall $p \neq q$ als auch für den Fall $p = q$ hergeleitet.
- Explizite Formeln für Erwartungswert und Varianz werden bereitgestellt.
- Das Papier stellt eine Beziehung zwischen den Momenten dieser Verteilung und erweiterten Euler-Zahlen $A(n, k, s)$ her. Für den Fall $p=q$ werden die Momente unter Verwendung von Bernoulli-Zahlen ausgedrückt.
Die Bisnomialverteilung: Durch die unabhängige Wiederholung des $s$ -Bernoulli-Experiments $n$ -mal definiert die Arbeit die Bisnomialverteilung, bezeichnet als $B^{(s)}(n, p)$ . Die Wahrscheinlichkeitsfunktion beinhaltet die Bisnomialkoeffizienten $\binom{n}{k}_s$ , welche die Anzahl der Möglichkeiten zählen, $k$ Punkte auf $n$ Würfel mit $(s+1)$ Seiten zu verteilen.
- Die Erzeugungsfunktion für die Bisnomialverteilung wird als die $n$ -te Potenz der $s$ -Bernoulli-Erzeugungsfunktion hergeleitet.
- Formeln für den Erwartungswert und die Varianz werden etabliert.
- Höhere Momente werden unter Verwendung von partiellen Bell-Polynomen ausgedrückt, was die Verteilung mit kombinatorischen Strukturen verknüpft.

Zentrale Ergebnisse: Grenzverteilungen
Der wesentliche theoretische Beitrag der Arbeit ist der Beweis der Konvergenz der Bisnomialverteilung unter spezifischen Grenzbedingungen für $n \to \infty$ .

Konvergenz gegen die Poisson-Verteilung:
Die Autoren beweisen, dass die Bisnomialverteilung gegen eine Poisson-Verteilung mit dem Parameter $\lambda_s$ konvergiert, wenn die Anzahl der Versuche $n$ unendlich ansteigt, während der Erwartungswert der Summe konstant bleibt ( $\lambda_s$ ).
- Der Beweis nutzt den Impliziten Funktionensatz, um die Beziehung zwischen den Parametern $p_n$ und $q_n$ für $n \to \infty$ zu approximieren.
- Durch die Entwicklung dieser Parameter in Potenzreihen und die Anwendung von Lemma 5.2 (welches den Grenzwert des normalisierten Bisnomialkoeffizienten $\binom{n}{k}_s / n^k$ feststellt), zeigen die Autoren, dass die Wahrscheinlichkeitsfunktion gegen $\frac{\lambda_s^k}{k!} e^{-\lambda_s}$ konvergiert.
- Das Papier stellt fest, dass dieses Ergebnis die historischen Argumente stützt, wonach die Poisson-Verteilung de Moivre zugeschrieben werden sollte, da er sie bereits 1711 als Grenzwert der Binomialverteilung herleitete, was der Arbeit von Poisson aus dem Jahr 1837 vorausging.
Konvergenz gegen die Normalverteilung:
Das Papier stellt fest, dass die Bisnomialverteilung für große $n$ eine Normalverteilung approximiert.
- Unter Verwendung der Methode der Momentenerzeugenden Funktion (MGF) analysieren die Autoren die standardisierte Variable $Z = \frac{X - E(X)}{\sigma_s}$ .
- Durch die Taylor-Reihenentwicklung der MGF zeigen sie, dass die MGF von $Z$ für $n \to \infty$ gegen $e^{t^2/2}$ konvergiert, die MGF der Standardnormalverteilung.
- Dies bestätigt, dass die Bisnomialverteilung einen Zentralen Grenzwertsatz analog zum klassischen Binomialfall erfüllt, mit einem Mittelwert $\mu_s$ und einer Varianz $\sigma_s^2$ , die aus den Parametern der $s$ -Bernoulli-Verteilung abgeleitet sind.

Bedeutung und Ansprüche
Die Arbeit beansprucht, die erste umfassende probabilistische Modellierung des de-Moivre-Experiments für eine allgemeine Anzahl von Seiten $(s+1)$ bereitzustellen. Durch die Einführung der $s$ -Bernoulli- und Bisnomialverteilungen erweitert die Arbeit den klassischen Binomialrahmen auf einen breiteren kombinatorischen Kontext.

Die Bedeutung der Arbeit liegt in:

Historischem Kontext: Sie schließt die Lücke zwischen de Moivres kombinatorischem Lemma von 1711 und der modernen Wahrscheinlichkeitstheorie, indem sie die zuvor impliziten Wahrscheinlichkeitsgesetze formal definiert.
Mathematische Verallgemeinerung: Sie verallgemeinert die Binomialverteilung (für $s=1$ ) zum Bisnomialfall und liefert explizite Formeln für Momente, Erzeugungsfunktionen sowie Schiefe- und Kurtosis-Koeffizienten unter Verwendung von Euler- und Bell-Polynomen.
Grenzverhalten: Sie beweist rigoros, dass diese generalisierten Verteilungen gegen die Poisson- und Normalverteilungen konvergieren, wodurch das de-Moivre-Experiment mit den fundamentalen Grenzwertsätzen der Wahrscheinlichkeitstheorie vereinigt wird.

Die Autoren halten den Umfang moderat und konzentrieren sich strikt auf die Definition, die Eigenschaften und die Grenzfälle dieser Verteilungen, ohne neue experimentelle Anwendungen oder zukünftige Implikationen über die präsentierten mathematischen Beweise hinaus vorzuschlagen.

1. Die neuen „Würfel-Regeln“ (Die s-Bernoulli-Verteilung)

2. Die Gesamtwertung (Die Bisnomialverteilung)

3. Die magische Transformation (Konvergenz)

4. Warum das wichtig ist (laut dem Paper)

Mehr davon