Verteilung des Stichprobenmittelwertes

Aus MM*Stat

Wechseln zu: Navigation, Suche

Stichprobentheorie

Stichprobentheorie • Stichprobe • Verteilung der Grundgesamtheit • Stichprobenvariable • Stichprobenfunktion • Zufallsauswahlmodelle • Stichprobenmittelwert • Schwaches Gesetz der großen Zahlen • Verteilung des Stichprobenmittelwertes • Verteilung der Stichprobenvarianz • Verteilung des Stichprobenanteilswertes • Multiple Choice • Video • Aufgaben • Lösungen
Anteilswert der Grundgesamtheit • Auswahlsatz • Einfache Zufallsauswahl • Einfache Zufallsstichprobe • Erwartungswert der Grundgesamtheit • Erwartungswert des Stichprobenmittelwertes • Induktiver Schluss • Mittelwert der Grundgesamtheit • Parameter der Grundgesamtheit • Parameter des Stichprobenmittelwertes • Standardabweichung des Stichprobenmittelwertes • Standardfehler • Statistisches Element • Stichprobenanteilswert • Stichprobengröße • Stichprobenumfang • Stichprobenwerte • Stichprobenvarianz • Stichprobenverteilung • Uneingeschränkte Zufallsauswahl • Uneingeschränkte Zufallsstichprobe • Varianz der Grundgesamtheit • Varianz des Stichprobenmittelwertes • Varianzhomogenität • Varianzheterogenität • Verteilung einer Stichprobenfunktion • Zufallsauswahl • Zufallsauswahlmodell mit Zurücklegen • Zufallsauswahlmodell ohne Zurücklegen • Zufallsstichprobe

Grundbegriffe

Verteilung des Stichprobenmittelwertes

Entscheidend für Aussagen über die Verteilung F(\bar{X}) des Stichprobenmittelwertes ist die Verteilung F(x) der Zufallsvariablen X\; in der Grundgesamtheit und ob darüber Kenntnisse existieren oder nicht.

Normalverteilte Zufallsvariable in der Grundgesamtheit

Es wird angenommen, dass die Zufallsvariable X\; in der Grundgesamtheit einer Normalverteilung mit dem Erwartungswert \mu und der Varianz \sigma^{2} folgt:

X\sim N(\mu,\,\sigma^{2})

Die Varianz der Grundgesamtheit \sigma^{2} ist bekannt

Ist das Merkmal X\; der Grundgesamtheit N(\mu,\;\sigma)-verteilt und ist \sigma^{2} bekannt, so ist bei einer einfachen Zufallsstichprobe die Stichprobenfunktion \bar{X} normalverteilt:

\bar{X}\sim N(\mu,\;\sigma(\bar{X}))

und die standardisierte Zufallsvariable

Z=\frac{\bar{X}-\mu}{\sigma(\bar{X})}=\frac{\bar{X}-\mu}{\sigma}\cdot \sqrt{n}

standardnormalverteilt: Z\sim N(0;1)\;.

Die Varianz der Grundgesamtheit \sigma^{2} ist unbekannt

Wenn \sigma^{2} der Grundgesamtheit unbekannt ist, muss sie unter Verwendung der Stichprobenfunktion

S^{2}=\frac{1}{n-1}\cdot \sum\limits_{i=1}^{n}(X_{i}-\bar{X})^{2}

aus der Stichprobe geschätzt werden.

Dann ist jedoch keine Aussage über die Verteilung von \bar{X} möglich, sondern nur noch über die Verteilung der standardisierten Zufallsvariable

T=\frac{\bar{X}-\mu}{S}\cdot \sqrt{n}

Die Zufallsvariable T\; folgt bei einer einfachen Zufallsstichprobe einer t-Verteilung mit dem Parameter f = n - 1:

T\sim t \; (f=n-1)\;

Der Parameter f ist die Anzahl der Freiheitsgrade der Zufallsvariablen T.

Die t-Verteilung konvergiert für f \rightarrow \infty gegen die Standardnormalverteilung.

Für f > 30 wird bereits eine relativ gute Näherung an die Standardnormalverteilung erreicht, so dass anstatt der t-Verteilung approximativ die Standardnormalverteilung verwendet werden kann:

T\sim N(0;1)\; für f>30.

Beliebig verteilte Zufallsvariable in der Grundgesamtheit

Hierbei handelt es sich um den für die empirische Wirtschaftsforschung wesentlich relevanteren Fall, da viele interessierende Merkmale der Grundgesamtheit nicht einmal annähernd normalverteilt sind bzw. Unkenntnis über die Verteilung F(x) der Zufallsvariablen X\; in der Grundgesamtheit besteht.

Gegeben seien n identisch, jedoch unbekannt verteilte Stichprobenvariablen X_{i} \; (i=1,\dots,n) mit E[X_{i}]=\mu und Var(X_{i})=\sigma^{2}.

Auf Grund des zentralen Grenzwertsatzes können folgende Aussagen getroffen werden:

Z=\frac{\bar{X}-\mu}{\sigma}\cdot \sqrt{n}
für genügend großen Stichprobenumfang n approximativ standardnormalverteilt.
T=\frac{\bar{x}-\mu}{s}\cdot \sqrt{n}
für genügend großen Stichprobenumfang n approximativ standardnormalverteilt.
Z=\cfrac{\bar{X}-\mu}{\cfrac{\sigma}{\sqrt{n}}\cdot \sqrt{\cfrac{N-n}{N-1}}}
bzw.
Z=\cfrac{\bar{X}-\mu}{\cfrac{S}{\sqrt{n}}\cdot \sqrt{\cfrac{N-n}{N-1}}}
für hinreichend großen Umfang N der Grundgesamtheit und genügend großen Stichprobenumfang n approximativ standardnormalverteilt.
Als Faustregel für die Verwendung der Normalverteilung gilt: n >30.

Zusatzinformationen

Berechnung von Wahrscheinlichkeiten

Ist \bar{X} normalverteilt und sind \mu und \sigma^{2} bekannt, so lässt sich die Wahrscheinlichkeit,

  • dass \bar{X} Werte kleiner oder gleich einem vorgegebenen Wert \bar{x} annimmt, berechnen als:
\,P( \bar{X} \leq \bar{x} ) = \phi \left( \frac {\bar{x}-\mu} {\sigma(\bar{X})} \right) = \phi \left(\frac{\bar{x}-\mu} {\sigma}\sqrt{n}\right)=\phi(z)
  • dass \bar{X} Werte in einem Intervall [\bar{x_{1}},\; \bar{x_{2}}] annimmt, berechnen als:
\,P (\bar{x_{1}} \leq \bar{X} \leq \bar{x_{2}}) = \phi \left(\frac {\bar{x_{2}}-\mu} {\sigma(\bar{X})}\right) - \phi \left(\frac {\bar{x_{1}}-\mu} {\sigma(\bar{X})}\right) = \phi (z_{2})-\phi(z_{1}),
wobei \phi\; die Verteilungsfunktion der Standardnormalverteilung kennzeichnet.
Diese Wahrscheinlichkeitsberechnungen gelten approximativ, wenn X\; beliebig verteilt und der Stichprobenumfang n hinreichend groß ist.

Zentrales Schwankungsintervall

Ein zentrales Schwankungsintervall um den bekannten Erwartungswert \mu des Stichprobenmittelwertes ist ein Bereich mit festen Grenzen

\left[\mu-c\leq\bar{X}\leq\mu+c\right],

in dem \bar{X} Realisationen mit einer vorgegebenen Sicherheitswahrscheinlichkeit 1 - \alpha annimmt:

P\left[\mu-c\leq\bar{X}\leq\mu+c\right]= 1- \alpha

Mit dem Übergang zur standardisierten Zufallsvariablen Z folgt:

P\left(\mu-c\leq\bar{X}\leq\mu+c\right) \, =1-\alpha
P\left(-c\leq\bar{X}-\mu\leq c\right) \, =1-\alpha
P\left(\frac{-c}{\sigma(\bar{X})}\leq\frac{\bar{X}-\mu}{\sigma(\bar{X})}\leq\frac{c}{\sigma(\bar{X})}\right)    \, =1-\alpha
P\left(\frac{-c}{\sigma(\bar{X})}\leq Z\leq\frac{c}{\sigma(\bar{X})}\right) \, =1-\alpha
P\left(-z_{1-\frac{\alpha}{2}}\leq Z\leq z_{1-\frac{\alpha}{2}}\right) \,=1-\alpha

und

\frac{c}{\sigma(\bar{X})} =z_{1-\frac{\alpha}{2}}
\, c =z_{1-\frac{\alpha}{2}}\cdot\sigma(\bar{X})

Die Abweichung c von \mu wird somit als Vielfaches der Standardabweichung \sigma(\bar{X}) bestimmt.

Setzt man \sigma(\bar{X}) ein, so erhält man für das zentrale Schwankungsintervall

\left[\mu-z_{1-\frac{\alpha}{2}}\cdot\frac{\sigma}{\sqrt{n}}\leq\bar{X}\leq\mu+z_{1-\frac{\alpha}{2}}\cdot\frac{\sigma}{\sqrt{n}}\right] mit der Sicherheitswahrscheinlichkeit

P\left(\mu-z_{1-\frac{\alpha}{2}}\cdot\frac{\sigma}{\sqrt{n}}\leq\bar{X}\leq\mu+z_{1-\frac{\alpha}{2}}\cdot\frac{\sigma}{\sqrt{n}}\right)=1-\alpha

Sind \mu und \sigma bekannt und ist die Zufallsvariable X\; in der Grundgesamtheit normalverteilt, so kann das zentrale Schwankungsintervall zur vorgegebenen Sicherheitswahrscheinlichkeit 1 - \alpha bestimmt werden, indem z_{1 - \frac{\alpha}{2}} aus der Tabelle der Verteilungsfunktion der N(0;1) entnommen wird.

Die Wahrscheinlichkeit 1-\alpha gilt approximativ, wenn X\; beliebig verteilt und der Stichprobenumfang n genügend groß ist.

Herleitung bei normalverteilter Zufallsvariable in der Grundgesamtheit

Es sei eine Grundgesamtheit mit der Verteilung F(x), dem Erwartungswert E[X]=\mu und der Varianz Var(X)=\sigma^{2} vorausgesetzt.

Die Stichprobenvariablen X_{i}\;(i=1,\ldots,n) besitzen alle die gleiche Verteilung F(x_{i})=F(x), den Erwartungswert E[X_{i}]=\mu und die Varianz Var(X_{i})=\sigma^{2}.

Es wird angenommen, dass die Zufallsvariable X\; in der Grundgesamtheit einer Normalverteilung mit dem Erwartungswert \mu und der Varianz \sigma^{2} folgt:

X\sim N(\mu,\;\sigma^{2}).

Dann sind die Stichprobenvariablen X_{i}\;(i=1,\ldots,n) ebenfalls identisch normalverteilt:

X_{i}\sim N(\mu,\sigma^{2})\; für alle i=1,\ldots,n.

Die Summe von n unabhängigen, normalverteilten Zufallsvariablen ist aufgrund der Reproduktivitätseigenschaft der Normalverteilung auch normalverteilt:

\sum\limits_{i=1}^{n}X_{i}\sim N(n\cdot \mu,\sqrt{n\cdot \sigma^{2}})\;

Der Stichprobenmittelwert \bar{X} unterscheidet sich nur um den konstanten Faktor \frac{1}{n} von der Summe \sum\nolimits_{i} X_{i} , so dass er ebenfalls normalverteilt ist:

\bar{X}\sim N(\mu,\sigma(\bar{X}))\;.

Da jedoch nur die Standardnormalverteilung tabelliert vorliegt, geht man zur standardisierten Zufallsvariablen

z=\frac{\bar{x}-\mu}{\sigma(\bar{x})}=\sqrt{n}\cdot \frac{\bar{x}-\mu}{\sigma}

über, die dann standardnormalverteilt ist: Z\sim N(0,1)\;.

Wie ersichtlich, setzt die Verwendung der Standardnormalverteilung die Kenntnis der Varianz \sigma^{2} der Grundgesamtheit voraus, um die standardisierte Zufallsvariable Z\; bestimmen zu können.

Die Varianz \sigma^{2} der Grundgesamtheit ist unbekannt:

Die unbekannte Varianz \sigma^{2} der Grundgesamtheit wird mittels der Stichprobenfunktion

s^{2}=\frac{\sum\limits_{i=1}^{n}(x_{i}-\bar{x})^{2}}{n-1}

geschätzt. Dividiert man beide Seiten durch \sigma^{2}, folgt

\frac{s^{2}}{\sigma^{2}}=\frac{1}{\sigma^{2}}\cdot \frac{\sum\limits_{i=1}^{n}(x_{i}-\bar{x})^{2}}{n-1}

Dies ist äquivalent zu:

\frac{n-1}{\sigma^{2}}\cdot s^{2}=\sum\limits_{i=1}^{n}\left(\frac{x_{i}-\bar{x}}{\sigma}\right)^2

Zur Vereinfachung sei y=\frac{(n-1)\cdot s^{2}}{\sigma^{2}} gesetzt.

Bei einer einfachen Zufallsstichprobe sind die Stichprobenvariablen X_{i}\;(i=1,\ldots,n) unabhängig voneinander, so dass Y\; die Summe von quadrierten unabhängigen standardnormalverteilten Zufallsvariablen ist.

Eine derartig definierte Zufallsvariable folgt einer Chi-Quadrat-Verteilung mit dem Parameter f = n - 1.

Bildet man unter Verwendung der obigen standardisierten Zufallsvariablen Z\; das Verhältnis

T=\cfrac{Z}{\sqrt{\cfrac{Y}{f}}},

so folgt die Zufallsvariable T\; einer t-Verteilung mit dem Parameter f = n - 1, da im Zähler eine standardnormalverteilte Zufallsvariable und im Nenner eine von Z\; unabhängige Chi-Quadrat-verteilte Zufallsvariable gegeben ist.

Nach Einsetzen von Z\;, Y\; und f sowie einigen Umformungen erhält man:

T=\cfrac{\sqrt{n}\cdot \cfrac{\bar{X}-\mu}{\sigma}}{\sqrt{\cfrac{1}{n-1}\cdot \left(\cfrac{n-1}{\sigma^{2}}\cdot S^{2}\right)
}}=\sqrt{n}\cdot \cfrac{\bar{X}-\mu}{S}