Zusammenfassung von Statistische Stichproben und Punktschätzung

## Einführung Punktschätzung beschäftigt sich mit der Schätzung unbekannter Kenngrößen (Parameter) einer Grundgesamtheit mithilfe von Stichprobendaten. Ziel ist es, mit einer einzigen Zahl (Punktschätzer) einen möglichst guten Schätzwert für einen Parameter wie den Mittelwert $\mu$, die Varianz $\sigma^2$ oder den Anteilswert $\theta$ zu liefern. ### Warum ist Punktschätzung wichtig? - Entscheidungen in Wirtschaft, Politik und Wissenschaft basieren oft auf Schätzwerten, nicht auf vollständigen Grundgesamtheiten. - Gute Schätzer reduzieren Unsicherheit und liefern belastbare Grundlagen für weitere Inferenz (z. B. Konfidenzintervalle, Hypothesentests). > Definition: Schätzfunktion > Eine **Schätzfunktion** ist eine Funktion $f$ der Stichprobenvariablen $X_1,\ldots,X_n$, die die allgemeine Berechnung des Schätzers beschreibt. Beispiel: $f(X_1,\ldots,X_n)=\overline{X}$. > Definition: Schätzer > Ein **Schätzer** ist die Zufallsvariable $\widehat{\Theta}=f(X_1,\ldots,X_n)$, die entsteht, wenn die Stichprobenvariablen in die Schätzfunktion eingesetzt werden. > Definition: Schätzung > Die **Schätzung** ist der beobachtete (ex-post) Wert des Schätzers für eine konkrete Stichprobe, z. B. $\widehat{\theta}=f(x_1,\ldots,x_n)=\overline{x}$. ## Grundbegriffe und Notation - Grundgesamtheit: feste, unbekannte Kenngröße (z. B. Mittelwert $\mu$, Varianz $\sigma^2$). - Stichprobe: Beobachtungen $x_1,\ldots,x_n$; zugrundeliegende Zufallsvariablen $X_1,\ldots,X_n$. - Schätzer als Zufallsvariable: $\widehat{\Theta}=f(X_1,\ldots,X_n)$ hat eigene Verteilung, Erwartungswert und Varianz. ### Beispiel: Schätzer des Mittelwerts Stichprobe $X_1,\ldots,X_{20}$ aus einer Normalverteilung mit Mittelwert $\mu$ und Varianz $\sigma^2$. Schätzer: $$\widehat{\mu}=\overline{X}=\frac{1}{20}\sum_{i=1}^{20}X_i$$ Schätzfunktion (auf Daten angewandt): $$f(x_1,\ldots,x_{20})=\overline{x}=\frac{1}{20}\sum_{i=1}^{20}x_i$$ Beobachtete Schätzung: $\overline{x}$. ### Stichprobe mit Zurücklegen (i.i.d.-Annahme) Bei unabhängigen und identisch verteilten Stichproben mit Erwartungswert $\mu$ und Varianz $\sigma^2$ gilt für das Stichprobenmittel: $$\operatorname{E}(\overline{X})=\mu$$ $$\operatorname{Var}(\overline{X})=\frac{\sigma^2}{n}$$ ## Eigenschaften von Schätzern Drei zentrale Eigenschaften, die die Qualität eines Schätzers beschreiben: 1. **Erwartungstreue (Unverzerrtheit)** 2. **Effizienz** 3. **Konsistenz** ### Verzerrung und MSE > Definition: Verzerrung > Die Verzerrung eines Schätzers $\widehat{\Theta}$ ist $\operatorname{E}(\widehat{\Theta})-\theta$. > Definition: MSE > Der Mean Squared Error eines Schätzers ist $$\operatorname{MSE}(\widehat{\Theta})=\operatorname{E}[(\widehat{\Theta}-\theta)^2].$$ MSE-Zerlegung: $$\operatorname{MSE}(\widehat{\Theta})=\operatorname{Var}(\widehat{\Theta})+(\operatorname{E}(\widehat{\Theta})-\theta)^2.$$ Diese Zerlegung zeigt den Trade-off zwischen Varianz und Verzerrung. ### Erwartungstreue Ein Schätzer ist erwartungstreu, wenn seine Verzerrung Null ist: $$\operatorname{E}(\widehat{\Theta})-\theta=0.$$ Beispiele: - $\widehat{\Theta}=\overline{X}$ ist erwartungstreu für $\mu$. - Bei einem Anteilswert $X\sim\operatorname{Bin}(n,\theta)$ ist $\widehat{\Theta}=X/n$ erwartungstreu, da $$\operatorname{E}(X/n)=\frac{1}{n}\operatorname{E}(X)=\theta.$$ ### Effizienz Ein erwartungstreuer Schätzer heißt effizient, wenn er unter allen erwartungstreuen Schätzern die kleinstmögliche Varianz (oder MSE) besitzt. Ein effizienter Schätzer liefert also die präzisesten Schätzungen bei gegebener Erwartungstreue. ### Konsistenz Ein Schätzer $\widehat{\Theta}$ ist konsistent, wenn er für wachsenden Stichprobenumfang gegen den wahren Parameter konvergiert: $$\lim_{n\to\infty}\widehat{\Theta}=\theta.$$ Hinreichende Bedingungen für Konsistenz: - Asymptotische Erwartungstreue: $\lim_{n\to\infty}\operatorname{E}(\widehat{\Theta})-\theta=0$. - Varianz geht gegen Null: $\lim_{n\to\infty}\operatorname{Var}(\widehat{\Theta})=0$. Begründung: MSE-Zer