Skriptum
Skriptum
Skriptum
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
8 Schätzer<br />
Stichproben werden als Realisierung von Zufallsvariablen betrachtet. Die Ähnlichkeit<br />
zwischen Kennwerten von Stichproben und Kennwerten von Zufallsvariablen<br />
(z.B. arithmetisches Mittel und Erwartungswert) ist nicht zufällig: die ersteren<br />
dienen als Schätzwerte für letztere. Zufallsvariablen sind ein Modell der<br />
Realität. Deren Kennwerte sind Modellparameter, die es gilt durch Beobachtung<br />
der Realität (Empirik) abzuleiten.<br />
Definition 8.1. Die Realisierung x einer Zufallsvariable X ist ein reeller Wert, der<br />
zufällig nach der Verteilung von X erzeugt wurde. Eine Stichprobe {x 1 , x 2 ,..., x n }<br />
ist die Realisierung einer Folge von unabhängigen Zufallsvariablen {X 1 , X 2 ,..., X n }<br />
mit gleicher Verteilung wie X .<br />
Beispiel 8.2. Ein Würfel wird 10 mal geworfen. Die Stichprobe x = {x 1 ,..., x 10 },<br />
die man dabei erhält, ist die Realisierung der Folge von unabhängigen Zufallsvariablen<br />
{X 1 ,..., X 10 }, die alle die selbe Verteilung haben wie der Prototyp X , nämlich<br />
die Gleichverteilung auf {1,...,6}.<br />
Definition 8.3. Sei θ(X ) ein Kennwert oder Parameter von X . x sei eine Stichprobe<br />
von X mit der Größe n. Die Funktion ˆθ : R n −→ R, x → ˆθ(x) ist ein erwartungstreuer<br />
(Punkt-)Schätzer für θ, wenn E( ˆθ(X 1 ,..., X n )) = θ(X ). Der Schätzer<br />
n→∞<br />
n→∞<br />
ist konsistent, wenn er gegen θ(X ) konvergiert (d.h. E( ˆθ) −−−−→ θ und V( ˆθ) −−−−→<br />
0).<br />
Beispiel 8.4. Wir überprüfen, ob die empirische Varianz ˆθ(x 1 ,..., x 10 ) := s 2 tatsächlich<br />
ein erwartungstreuer Schätzer für die Varianz θ(X ) := V (X ) ist:<br />
E( ˆθ(X 1 ,..., X 10 )) = E( 1 9 (X 2 1 + ... + X 2 10 − 10 ¯x2 ))<br />
= 1 9 E(X 1 2 + ... + X 10 2 − 1<br />
10 (X 1 + ... + X 10 ) 2 ) = 1 9 E( 9<br />
10 X 1 2 + ... + 9<br />
10 X 10 2 − 1<br />
10<br />
∑<br />
X i X j )<br />
= 1 9<br />
9 10 (E(X 1 2 )+...+E(X 10 2 ))− 1 1 ∑<br />
E(X i )E(X j ) = 1<br />
9 10<br />
10 10E(X 2 )− 1 1<br />
10·9(E(X ))2<br />
9 10<br />
i≠j<br />
i≠j<br />
= E(X 2 ) − (E(X )) 2 = V(X ).<br />
Meistens werden die Parameter einer Verteilung geschätzt wie z.B. µ,σ bei<br />
N µ,σ<br />
2 oder n, p bei B n,p . D.h. damit wird das Modell (die Art der Verteilung) an die<br />
Stichprobe (also an die Realität) angepasst. Es gibt folgende wichtige Methoden,<br />
Parameterschätzer zu konstruieren: die Momentenmethode, die Methode der<br />
kleinsten Quadrate und die Maximum-Likelihood-Methode.<br />
50