Aufgabe 1
Es ist zu überprüfen, welche der folgenden Schätzfunktionen $x_i iid$ (indipendently identically distributed/unabhängig identisch vereteilt) erwartungstreu sind für den Erwartungswert.
a) $\hat{\mu }_1=\sum _{i=1}^nX_i-n\overline X+X_1.$
b) $\hat{\mu }_2=0,2X_1+0,9X_2-0,1X_3$
c) $\hat{\mu }_3=\frac 1{n-2}\sum _{i=1}^{n-1}X_i+2X_1.$
Vertiefung
Lösung:
a) $E(\hat{\mu }_1)=E(\sum _{i=1}^nX_i-n\overline X+X_1).$
Widerum erhalten wir aufgrund der Linearität des Erwartungswertes:
$E(\hat{\mu }_1)=E(\sum _{i=1}^nX_i-n\overline X+X_1)=\sum _{i=1}^nE(X_i)-nE(\overline X)+E(X_1).$
Also ist
$E(\hat{\mu }_1)=\sum _{i=1}^nE(X_i)-nE(\overline X)+E(X_1)=\sum _{i=1}^n\mu -nE(\frac 1 n\sum _{i=1}^nX_i)+\mu $
$\text{ }\text =n\mu -n(\frac 1 n\sum _{i=1}^nE(X_i))+\mu =n\mu -n(\frac 1 n\sum _{i=1}^n\mu )+\mu =n\mu -n\frac 1 nn\mu +\mu =n\mu-n\mu+\mu =\mu .$
Also ist $\hat{\mu }$ erwartungstreu für $\mu .$
b) Wir überprüfen, ob:
$E(\hat{\mu }_2)=\mu $
Es ist
$E(\hat{\mu }_2)=E(0,2X_1+0,9X_2-0,1X_3)=0,2E(X_1)+0,9E(x_2)-0,1E(X_3)$
Dies führt zu:
$E(X_1)=E(X_2)=E(X_3)=\mu$
$E(\hat{\mu }_2)=0,2\mu +0,9\mu -0,1\mu =1,1\mu -0,1\mu =\mu .$
Auch die Schätzfunktion $\hat{\mu }_2$ ist erwartungstreu für $\mu .$
c) Auch dieses mal prüfen wir ob:
$E(\hat{\mu }_3)=\mu $ gilt.
$E(\hat{\mu }_3)=E(\frac 1{n-2}\sum _{i=1}^{n-1}X_i+2X_1)=\frac 1{n-2}\sum _{i=1}^{n-1}E(X_i)+2E(X_1)=\frac 1{n-2}(n-1)\mu +2\mu .$
Wir fassen zusammen und erhalten:
$E(\hat{\mu }_3)=\frac 1{n-2}(n-1)\mu +2\mu =\frac{(n-1)}{n-2}\mu +\frac{2(n-2)\mu }{n-2}=\frac{(n-1)\mu +(2n-4)\mu }{n-2} = {3n-5}\over{n-2}\cdot \mu \neq \mu.$
Schließlich ist
$E(\hat{\mu }_3)=\frac{n\mu -\mu +2n\mu -4\mu }{n-2}=\frac{3n\mu -5\mu }{n-2}.$
Es gilt nicht, das $\hat E(\hat{\mu }_3)=\mu ,$ womit $\hat{\mu }_3$ kein erwartungstreuer Schätzer für $\mu $ ist.
Aufgabe 2
Seien X und Y unabhängige Zufallsvariablen. Ist dann die Schätzfunktion $\hat{\mu }=\frac{\mathit{XY}}{\mu }$ erwartungstreu für $\mu $?
Vertiefung
Lösung:
Wegen der Unabhängigkeit gilt die folgende Gleichheit: E(XY) = E(X) * E(X), also:
Es ist $E(\hat{\mu })=E(\frac{\mathit{XY}}{\mu })=\frac{E(X)E(Y)}{\mu }=\frac{\mu \mu }{\mu }=\mu .$
Somit ist $\hat{\mu }$ erwartungstreu für $\mu$.
Aufgabe 3
Sei X eine Zufallsvariable mit $E(X^{\text +})=\mu ,E(X^{\text{{}-}})=0.$
Ist dann die Schätzfunktion $\hat{\mu }=X^{\text +}-X^{\text -}=X$ erwartungstreu ?
Vertiefung
Lösung:
Wir erhalten
$E(\hat{\mu })=\mathit{EX}=E(X^{\text +}-X^{\text{{}-}})=E(X^{\text +})-E(X^{\text{{}-}})=\mu +0=\mu .$
Also ist $\hat{\mu }$ erwartungstreu für $\mu$.
Aufgabe 4
Seien X und Y Zufallsvariablen, welche nicht unabhängig sind. Es gelte $E(\mathit{XY})=\mu $ und $10<E(X),E(Y)<\infty .$
Ist die Schätzfunktion $\hat{\mu }=(X-\frac 1 n)(Y-\frac 1 n)$ erwartungstreu für $\mu$?
Vertiefung
Lösung:
Es ist
$E(\hat{\mu })=E\left((X-\frac 1 n)(Y-\frac 1 n)\right)$
$=E(XY-\frac 1 n \cdot Y - \frac 1 n \cdot X + {1\over{n^2}}$
$=E(\mathit{XY})-\frac{E(X)+E(Y)} n+\frac 1{n^2}$
$=\mu -\frac{E(X)+E(Y)} n+\frac 1{n^2}\neq \mu .$
Somit ist $\hat{\mu }$ nicht erwartungstreu für $\mu .$
Aufgabe 5
Untersuchen Sie, welche der folgenden Schätzfunktionen erwartungstreu, für die Varianz sind.
a) $\hat{\sigma }_1^2=\frac 1 n\sum _{i=1}^n(X_i-\mu )^2.$
b) $\hat{\sigma }_2^2=\frac 1{n-1}\sum _{i=1}^n\text (X_i-\overline X\text )^2$
c) $\hat{\sigma }_3^2=X_1$
Vertiefung
Lösung:
Die Varianz der auftretenden Zufallsvariablen sei $\sigma ^2.$
Ist die Schätzfunktion $\hat{\sigma }^2$ erwartungstreu für die Varianz, so gilt $E(\hat{\sigma }^2)=\sigma ^2.$
Zu a) Wir prüfen, ob $E(\hat{\sigma }_1^2)=\sigma ^2$ gilt.
Der Erwartungswert ist linear. Des Weiteren ist $E(\mathit{const.})=\mathit{const.}$
$E(\hat{\sigma }_1^2)=\frac 1 nE(\sum _{i=1}^n(X_i-\mu )^2)=\frac 1 n\sum _{i=1}^n\text (E(X_i^2)-2\overbrace{E(X_i)}^{\text =\mu }\mu +\mu ^2\text )$
$\text =\frac 1 n\sum _{i=1}^n\text (E(X_i^2)-2\mu ^2+\mu ^2\text )=\frac 1 n\sum _{i=1}^n\text (E(X_i^2)-\mu ^2\text )=\frac 1 n\sum _{i=1}^n\text (E(X_i^2)-(\mathit{EX}_i)^2\text ).$
Es gilt
$\sigma ^2=E(X_i^2)-(\mathit{EX}_i)^2.$
Dann sehen wir aber, dass
$\text =E(\hat{\sigma }_1^2)=\frac 1 n\sum _{i=1}^n\overbrace{\text (E(X_i^2)-(\mathit{EX}_i)^2\text )}^{\sigma^2}$
$=\frac 1 nn\sigma ^2=\sigma ^2.$
Zu b) Auch hier prüfen wir, ob $E(\hat{\sigma }_2^2)=\sigma ^2$ gilt.}
Zunächst stellen wir fest, dass
$\sum _{i=1}^n\text (X_i-\overline X\text )^2=\sum _{i=1}^n\text (X_i^2-2X_i\overline X+\overline X^2\text )=\sum _{i=1}^nX_i^2-\frac n n2\sum _{i=1}^nX_i\overline X+\sum _{i=1}^n\overline X^2,$
wobei wir uns hier an die Definition des arithmetischen Mittels $\overline X$ erinnert haben.
$\text =(\sum _{i=1}^nX_i^2)-2n\overline X\overline X+n\overline X^2=(\sum _{i=1}^nX_i^2)-2n\overline X^2+n\overline X^2=(\sum _{i=1}^nX_i^2)-n\overline X^2.$
Nun können wir prüfen, ob Erwartungstreue bezüglich der Varianz besteht.
$E(\hat{\sigma }_2^2)=\frac 1{n-1}E\sum _{i=1}^n\text (X_i-\overline X\text )^2=\frac 1{n-1}[E(\sum _{i=1}^nX_i^2)-nE\text (\overline X^2\text )],$
nach obiger Herleitung.
Für unsere weiteren Betrachtungen ist es wichtig, dass wir wissen, dass
$\sigma ^2=E(X_i^2)-(EX_i)^2\text{{\textless}={\textgreater}}\sigma ^2+(EX_i)^2=E(X_i^2),$
so dass
$E(\hat{\sigma }_2^2)=\frac 1{n-1}E(\sum _{i=1}^nX_i^2)-nE\text (\overline X^2\text )=\frac 1{n-1}\sum _{i=1}^nE\text (X_i^2\text )-nE\text (\overline X^2\text ).$
Wir berücksichtigen unsere letzte Formel für $\sigma ^2$ und erhalten:
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\sum _{i=1}^n\text (\sigma ^2+(EX_i)^2\text )-\frac n{n-1}(\overline{\sigma }^2+(E\overline X)^2)\text ),$ $\overline{\sigma }^2=\mathit{VAR}(\overline X)=\mathit{VAR}(\frac 1 n\sum _{i=1}^nX_i)$
so dass
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\text (n\sigma ^2+n(EX_i)^2\text )-\frac n{n-1}(\mathit{VAR}(\frac 1 n\sum _{i=1}^nX_i)+(\frac 1 n\sum _{i=1}^nE(X_i))^2)$
Aufgrund der Unabhängigkeit gilt hier:
$\mathit{VAR}(\frac 1 n\sum _{i=1}^nX_i)=\frac 1{n^2}\sum _{i=1}^n\mathit{VAR}(X_i)=\frac 1{n^2}n\sigma ^2=\frac 1 n\sigma ^2,$ so dass
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\text (n\sigma ^2+n(EX_i)^2\text )-\frac 1{n-1}\sigma ^2-\frac n{n-1}(\mathit{EX}_i)^2=\frac 1{n-1}\text (n\sigma ^2+n(EX_i)^2-\sigma ^2-n(\mathit{EX}_i)^2$
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\text (n\sigma ^2-\sigma ^2\text )=\frac{n-1}{n-1}\sigma ^2=\sigma ^2.$
Es gilt: $E(\hat{\sigma }_2^2)=\sigma ^2,$ womit $\hat{\sigma }_2^2$ ein erwartungstreuer Schätzer für die Varianz ist.
c) $E(\hat{\sigma }_3^2)=E(X_1)=\mu ,$ womit $\hat{\sigma }_3^2$ kein erwartungstreuer Schätzer für die Varianz ist.
Aufgabe 6
Das gewogene arithmetische Mittel ist gegeben durch: $\mu _g=\sum _{i=1}^n\omega _iX_i.$ Die Größen $\omega _i$ werden Gewichte genannt. Es gelte, dass $\sum _{i=1}^n\omega _i=1.$ Dann ist $\mu _g$ eine erwartungstreue Schätzfunktion für das Mittel $\mu$ der Grundgesamtheit.
Vertiefung
Lösung:
Die Erwartungstreue von $\mu _g$ sehen wir folgendermaßen.
$E(\mu _g)=E\left(\sum _{i=1}^n\omega _iX_i\right)=\sum _{i=1}^n\omega _iE\underbrace{(X_i)}_{\text =\mu \mathit{n.V.}}=\sum _{i=1}^n\omega _i\mu =\mu \underbrace{\sum _{i=1}^n\omega _i}_{\text =1}=\mu .$
Somit ist $E(\mu _g)=\mu ,$ womit $\mu _g$ erwartungstreu ist für das Mittel $\mu .$
Weitere Interessante Inhalte zum Thema
-
Aufgaben, Beispiele und Berechnungen zur eindimensionalen Verteilung (ohne Namen)
Vielleicht ist für Sie auch das Thema Aufgaben, Beispiele und Berechnungen zur eindimensionalen Verteilung (ohne Namen) (Eindimensionale Verteilungen (ohne Namen)) aus unserem Online-Kurs Wahrscheinlichkeitsrechnung interessant.
-
Gini-Koeffizient
Vielleicht ist für Sie auch das Thema Gini-Koeffizient (Konzentrationsmessung) aus unserem Online-Kurs Deskriptive Statistik interessant.
-
Arithmetisches Mittel
Vielleicht ist für Sie auch das Thema Arithmetisches Mittel (Verteilungsmaße) aus unserem Online-Kurs Deskriptive Statistik interessant.