Varianz einer Zufallsvariable
In diesem Beitrag
Was versteht man unter der Varianz einer Zufallsvariable?
Die Varianz einer Zufallsvariable ist ein Maß dafür, wie stark die möglichen Werte einer Zufallsvariable um ihren Erwartungswert streuen. Sie ist definiert als der Erwartungswert der quadrierten Abweichungen vom Erwartungswert:
Definition: Varianz einer Zufallsvariable
Dabei bezeichnet den Erwartungswert der Zufallsvariable . Die Varianz wird häufig mit oder abgekürzt.
Je nach Art der Zufallsvariable wird die Varianz unterschiedlich berechnet:
- Diskrete Zufallsvariable: Die Varianz ergibt sich als gewichtete Summe der quadrierten Abweichungen, gewichtet mit den jeweiligen Wahrscheinlichkeiten :
- Stetige Zufallsvariable: Hier tritt an die Stelle der Summe ein Integral über die Wahrscheinlichkeitsdichtefunktion :
Eine praktisch besonders nützliche Umformung der Varianz ist der sogenannte Verschiebungssatz:
Verschiebungssatz (Steiner’sche Zerlegung)
Diese Formel ermöglicht es, die Varianz aus dem Erwartungswert des Quadrats der Zufallsvariable und dem Quadrat des Erwartungswerts zu berechnen – was in der Praxis oft einfacher ist.
Warum ist die Varianz einer Zufallsvariable für statistische Analysen wichtig?
Die theoretische Varianz ist eines der zentralen Konzepte der Wahrscheinlichkeitstheorie und bildet die Grundlage für viele statistische Methoden. Ihre Bedeutung zeigt sich auf mehreren Ebenen:
- Grundlage für Verteilungsparameter: Viele Wahrscheinlichkeitsverteilungen werden durch ihren Erwartungswert und ihre Varianz vollständig charakterisiert – etwa die Normalverteilung mit den Parametern und .
- Basis für Standardabweichung und Konfidenzintervalle: Die Wurzel der Varianz ergibt die Standardabweichung, die in derselben Einheit wie die Zufallsvariable selbst angegeben wird und deshalb inhaltlich leichter interpretierbar ist.
- Schlüsselgröße in der Schätztheorie: Der mittlere quadratische Fehler (MSE) eines Schätzers setzt sich aus Varianz und quadratischem Bias zusammen. Schätzer mit geringer Varianz sind stabiler und präziser.
- Grundlage des zentralen Grenzwertsatzes: Dieser besagt, dass die Summe vieler unabhängiger Zufallsvariablen – unter Bedingungen an Erwartungswert und Varianz – gegen eine Normalverteilung konvergiert.
Praxisbeispiel zu Varianz einer Zufallsvariable
Angenommen, eine Forscherin untersucht, wie viele Stunden Studierende pro Woche für eine Prüfung lernen. Sie modelliert dies als diskrete Zufallsvariable mit folgender Verteilung:
| Lernstunden x | Wahrscheinlichkeit P(X = x) |
|---|---|
| 5 | 0,20 |
| 10 | 0,50 |
| 15 | 0,30 |
Zuerst wird der Erwartungswert berechnet:
Schritt 1: Erwartungswert
Anschließend wird die Varianz berechnet:
Schritt 2: Varianz
Die Varianz beträgt also 10,5 Quadratstunden. Die Standardabweichung – als Wurzel der Varianz – beträgt gerundet etwa 3,24 Stunden. Das bedeutet: Die typische Abweichung vom Erwartungswert von 10,5 Stunden liegt bei etwa 3,24 Stunden pro Woche. Dieser Wert lässt sich unmittelbar interpretieren, während die Varianz als Rechengröße im Vordergrund steht.
