Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3. Statistik 35<br />
Kennt man die Art der Verteilung, aber nicht den Wert / die Werte der Parameter, kann<br />
man Mittelwert, Varianz oder ähnliches zur Parameterschätzung nutzen.<br />
Satz 3.2<br />
Bei immer größer werdendem Stichprobenumfang zu einer Zufallsvariablen X gilt:<br />
Bemerkung:<br />
1. Der Stichproben-Mittelwert konvergiert in gewissem Sinn gegen E(X).<br />
2. Die Stichproben-Varianz konvergiert in gewissem Sinn gegen V(X).<br />
Hat man eine diskrete Zufallsvariable mit den möglichen Ereignissen x 1 ,...,x N<br />
und kennt deren wahre Wahrscheinlichkeiten p(x k ), so berechnet sich der Erwartungswert<br />
E(X) durch E(X) = N x k ·p(x k ). Dabei bezeichnet N die Anzahl<br />
∑<br />
der<br />
k=1<br />
möglichen Ereignisse und jedes Ereignis kommt in der Summe nur ein Mal vor.<br />
n∑<br />
Bei der Berechnung eines Stichproben-Mittelwerts x = 1 n<br />
x k bezeichnet n die<br />
Anzahl der Stichproben. Unter den x k können nun auch Wiederholungen auftreten.<br />
Beispiel 2:<br />
Eine Zufallsvariable X nehme die Werte 1, 2 oder 4 an mit den Wahrscheinlichkeiten<br />
P(X = 1) = 0.2, P(X = 2) = 0.5 und P(X = 4) = 0.3. Dann<br />
ist<br />
E(X) = 1·0.2+2·0.5+4·0.3 = 2.4.<br />
Eine Stichprobe könnte beispielsweise folgende zehn Werte liefern:<br />
1, 4, 2, 2, 1, 2, 4, 1, 2, 4.<br />
Der Stichproben-Mittelwert ist dann<br />
k=1<br />
x = 1 10 ·(1+4+2+2+1+2+4+1+2+4 ) = 2.3.<br />
2. Der Faktor<br />
1<br />
n−1 (statt des vielleicht erwarteten 1 n ) bei der Definition von s2 verhindert<br />
eine Unterschätzung der Varianz, denn der Mittelwert x passt sich der<br />
Stichprobe an, so dass die bei der Definition betrachteten quadratischen Abstände<br />
im Mittel kleiner als die Abstände zum wahren Erwartungswert E(X) sind.<br />
Bei Kenntnis von E(X) ist 1 n<br />
∑ n<br />
k=1 (x k − E(X)) 2 ein Schätzer, der gegen V(X)<br />
konvergiert.