Inhaltsverzeichnis
1. Aufgabe
Die Schätzfunktionen $x_i iid$ liegt vor. Welche davon erweist sich als erwartungstreu für den Erwartungswert?
Überprüfe:
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) $\hat{\mu }_3=\frac 1{n-2}\sum _{i=1}^{n-1}X_i+2X_1.$
Hinweis
iid= engl. indipendently identically distributed (unabhängig identisch verteilt)
Vertiefung
Lösung:
a)
$E(\hat{\mu }_1)=E(\sum _{i=1}^nX_i-n\overline X+X_1).$
Auf Grund der Linearität des Erwartungswertes erhalten wir:
$E(\hat{\mu }_1)=E(\sum _{i=1}^nX_i-n\overline X+X_1)=\sum _{i=1}^nE(X_i)-nE(\overline X)+E(X_1).$
Demnach 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 wird deutlich, dass $\hat{\mu }$ erwartungstreu für $\mu$ ist.
b)
Überprüft wird:
$E(\hat{\mu }_2)=\mu $
Somit ist es:
$E(\hat{\mu }_2)=E(0,2X_1+0,9X_2-0,1X_3)=0,2E(X_1)+0,9E(x_2)-0,1E(X_3)$
Folglich kommt es zu:
$E(X_1)=E(X_2)=E(X_3)=\mu$
$E(\hat{\mu }_2)=0,2\mu +0,9\mu -0,1\mu =1,1\mu -0,1\mu =\mu .$
Die Schätzfunktion $\hat{\mu }_2$ ist ebenfalls erwartungstreu für $\mu .$
c)
Zuletzt wird diese geprüft:
$E(\hat{\mu }_3)=\mu $
$E(\hat{\mu }_3)=E(\frac 1{n-2}\sum _{i=1}^{n-1}X_i+2X_1)=\frac 1{n-2}\sum _{i=1}^{n-1}E(X_i)+2E(X_1)=\frac 1{n-2}(n-1)\mu +2\mu .$
Daraus resultiert:
$E(\hat{\mu }_3)=\frac 1{n-2}(n-1)\mu +2\mu =\frac{(n-1)}{n-2}\mu +\frac{2(n-2)\mu }{n-2}=\frac{(n-1)\mu +(2n-4)\mu }{n-2} = {3n-5}\over{n-2}\cdot \mu \neq \mu.$
Folglich ist:
$E(\hat{\mu }_3)=\frac{n\mu -\mu +2n\mu -4\mu }{n-2}=\frac{3n\mu -5\mu }{n-2}.$
Somit ist $\hat E(\hat{\mu }_3)=\mu ,$ womit $\hat{\mu }_3$ kein erwartungstreuer Schätzer für $\mu $ ist.
2. Aufgabe
Wenn Y und Z unabhängige Zufallsvariablen sind, ist dann die Schätzfunktion $\hat{\mu }=\frac{\mathit{YZ}}{\mu }$ erwartungstreu für $\mu $?
Vertiefung
Lösung:
Aufgrund der Unabhängigkeit beider gilt diese Gleichung: E(YZ) = E(Y) * E(Y)
Es ist $E(\hat{\mu })=E(\frac{\mathit{YZ}}{\mu })=\frac{E(Y)E(Z)}{\mu }=\frac{\mu \mu }{\mu }=\mu .$
Demnach ist $\hat{\mu }$ erwartungstreu für $\mu$.
3. Aufgabe
Wenn Y einer Zufallsvariable mit $E(Y^{\text +})=\mu ,E(Y^{\text{{}-}})=0$ entspricht, ist dann die Schätzfunktion $\hat{\mu }=X^{\text +}-Y^{\text -}=Y$ erwartungstreu?
Vertiefung
Lösung:
Daraus resultiert:
$E(\hat{\mu })=\mathit{EY}=E(Y^{\text +}-Y^{\text{{}-}})=E(Y^{\text +})-E(Y^{\text{{}-}})=\mu +0=\mu .$
Demnach ist $\hat{\mu }$ erwartungstreu für $\mu$.
4. Aufgabe
Ist die Schätzfunktion $\hat{\mu }=(Y-\frac 1 n)(Z-\frac 1 n)$ erwartungstreu für $\mu$, wenn Y und Z keine voneinander unabhängigen Zufallsvariablen sind und für diese $E(\mathit{XY})=\mu $ und $10<E(Y),E(Z)<\infty .$ gilt?
Vertiefung
Lösung:
Damit entspricht es:
$E(\hat{\mu })=E\left((Y-\frac 1 n)(Z-\frac 1 n)\right)$
$=E(YZ-\frac 1 n \cdot Z - \frac 1 n \cdot Y + {1\over{n^2}}$
$=E(\mathit{YZ})-\frac{E(Y)+E(Z)} n+\frac 1{n^2}$
$=\mu -\frac{E(Y)+E(Z)} n+\frac 1{n^2}\neq \mu .$
Demnach ist $\hat{\mu }$ nicht erwartungstreu für $\mu .$
5. Aufgabe
Die folgenden Schätzfunktionen sind dahingehend zu überprüfen, welche erwartungstreu für die Varianz ist:
a) $\hat{\sigma }_1^2=\frac 1 n\sum _{i=1}^n(Y_i-\mu )^2.$
b) $\hat{\sigma }_2^2=\frac 1{n-1}\sum _{i=1}^n\text (Y_i-\overline Y\text )^2$
c) $\hat{\sigma }_3^2=Y_1$
Vertiefung
Lösung:
Die Varianz der auftretenden Zufallsvariable ist $\sigma ^2.$
Wenn die Schätzfunktion $\hat{\sigma }^2$ für diese Varianz erwartungstreu ist, dann gilt dafür $E(\hat{\sigma }^2)=\sigma ^2.$
a) Überprüft wird, ob für $E(\hat{\sigma }_1^2)=\sigma ^2$ gilt.
Der Erwartungswert ist hier linear. Fortlaufend ist $E(\mathit{const.})=\mathit{const.}$
$E(\hat{\sigma }_1^2)=\frac 1 nE(\sum _{i=1}^n(Y_i-\mu )^2)=\frac 1 n\sum _{i=1}^n\text (E(Y_i^2)-2\overbrace{E(Y_i)}^{\text =\mu }\mu +\mu ^2\text )$
$\text =\frac 1 n\sum _{i=1}^n\text (E(Y_i^2)-2\mu ^2+\mu ^2\text )=\frac 1 n\sum _{i=1}^n\text (E(Y_i^2)-\mu ^2\text )=\frac 1 n\sum _{i=1}^n\text (E(Y_i^2)-(\mathit{EY}_i)^2\text ).$
Somit gilt:
$\sigma ^2=E(Y_i^2)-(\mathit{EY}_i)^2.$
Dabei zeigt sich, dass…
$\text =E(\hat{\sigma }_1^2)=\frac 1 n\sum _{i=1}^n\overbrace{\text (E(Y_i^2)-(\mathit{EY}_i)^2\text )}^{\sigma^2}$
$=\frac 1 nn\sigma ^2=\sigma ^2.$
b) Geprüft wird, ob $E(\hat{\sigma }_2^2)=\sigma ^2$ gilt.
Zu Beginn ist festzustellen, dass…
$\sum _{i=1}^n\text (Y_i-\overline Y\text )^2=\sum _{i=1}^n\text (Y_i^2-2X_i\overline Y+\overline Y^2\text )=\sum _{i=1}^nY_i^2-\frac n n2\sum _{i=1}^nY_i\overline Y+\sum _{i=1}^n\overline Y^2,$
Hinzugezogen wird dabei die Definition des arithmetischen Mittels $\overline X$
$\text =(\sum _{i=1}^nY_i^2)-2n\overline Y\overline Y+n\overline Y^2=(\sum _{i=1}^nY_i^2)-2n\overline Y^2+n\overline Y^2=(\sum _{i=1}^nY_i^2)-n\overline Y^2.$
Ob eine Erwartungstreue in Bezug auf die Varianz vorherrscht, kann gemäß der vorherigen Herleitung folgendermaßen überprüft werden:
$E(\hat{\sigma }_2^2)=\frac 1{n-1}E\sum _{i=1}^n\text (Y_i-\overline Y\text )^2=\frac 1{n-1}[E(\sum _{i=1}^nY_i^2)-nE\text (\overline Y^2\text )],$
Für das weitere Vorgehen ist es von Bedeutung zu wissen, dass
$\sigma ^2=E(Y_i^2)-(EY_i)^2\text{{\textless}={\textgreater}}\sigma ^2+(EY_i)^2=E(Y_i^2),$
wodurch
$E(\hat{\sigma }_2^2)=\frac 1{n-1}E(\sum _{i=1}^nY_i^2)-nE\text (\overline Y^2\text )=\frac 1{n-1}\sum _{i=1}^nE\text (Y_i^2\text )-nE\text (\overline Y^2\text ).$
Unter Berücksichtigung der letzten Formel für $\sigma ^2$ kommt heraus:
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\sum _{i=1}^n\text (\sigma ^2+(EY_i)^2\text )-\frac n{n-1}(\overline{\sigma }^2+(E\overline Y)^2)\text ),$ $\overline{\sigma }^2=\mathit{VAR}(\overline Y)=\mathit{VAR}(\frac 1 n\sum _{i=1}^nY_i)$
so dass
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\text (n\sigma ^2+n(EY_i)^2\text )-\frac n{n-1}(\mathit{VAR}(\frac 1 n\sum _{i=1}^nY_i)+(\frac 1 n\sum _{i=1}^nE(Y_i))^2)$
Infolge der Unabhängigkeit beider gilt hier:
$\mathit{VAR}(\frac 1 n\sum _{i=1}^nY_i)=\frac 1{n^2}\sum _{i=1}^n\mathit{VAR}(Y_i)=\frac 1{n^2}n\sigma ^2=\frac 1 n\sigma ^2,$
wodurch:
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\text (n\sigma ^2+n(EY_i)^2\text )-\frac 1{n-1}\sigma ^2-\frac n{n-1}(\mathit{EY}_i)^2=\frac 1{n-1}\text (n\sigma ^2+n(EY_i)^2-\sigma ^2-n(\mathit{EY}_i)^2$
$E(\hat{\sigma }_2^2)=\frac 1{n-1}\text (n\sigma ^2-\sigma ^2\text )=\frac{n-1}{n-1}\sigma ^2=\sigma ^2.$
Es gilt: $E(\hat{\sigma }_2^2)=\sigma ^2,$ wodurch sich zeigt, dass $\hat{\sigma }_2^2$ ein erwartungstreuer Schätzer für die Varianz ist.
c) $E(\hat{\sigma }_3^2)=E(Y_1)=\mu ,$ wodurch sich zeigt, dass $\hat{\sigma }_3^2$ ein erwartungstreuer Schätzer für die Varianz ist.
6. Aufgabe
Gegeben ist das gewogene arithmetische Mittel:
$\mu _g=\sum _{i=1}^n\omega _iY_i.$ Die Größen $\omega _i$ werden Gewichte genannt. Es gilt, dass $\sum _{i=1}^n\omega _i=1.$
Folglich ist $\mu _g$ eine erwartungstreue Schätzfunktion für das Mittel $\mu$ der Grundgesamtheit.
Vertiefung
Lösung:
Die Erwartungstreue von $\mu _g$ wird ersichtlich durch:
$E(\mu _g)=E\left(\sum _{i=1}^n\omega _iY_i\right)=\sum _{i=1}^n\omega _iE\underbrace{(Y_i)}_{\text =\mu \mathit{n.V.}}=\sum _{i=1}^n\omega _i\mu =\mu \underbrace{\sum _{i=1}^n\omega _i}_{\text =1}=\mu .$
Demnach 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.
-
Asymptotische Erwartungstreue
Vielleicht ist für Sie auch das Thema Asymptotische Erwartungstreue (Schätzen) aus unserem Online-Kurs Stichprobentheorie interessant.
-
Arithmetisches Mittel
Vielleicht ist für Sie auch das Thema Arithmetisches Mittel (Verteilungsmaße) aus unserem Online-Kurs Deskriptive Statistik interessant.
