Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Die asymptotische Verteilung des Likelihood-Quotienten-Tests für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
6.3. Beispiel 65<br />
ist, wenn der restringierte ML-Schätzer in der Hypothese liegt.<br />
In Abbildung 6.2 ist die Abhängigkeit der Approximation von der Fallzahl n gut zu erkennen.<br />
Je größer die Fallzahl ist, <strong>des</strong>to besser ist die Approximation.<br />
Ein Vergleich der Abbildungen 6.1 und 6.2 zeigt die Abhängigkeit der Approximation von ∆.<br />
Je größer ∆ ist bei gleicher Fallzahl n, <strong>des</strong>to besser ist die Approximation.<br />
Bemerkung 6.15. Dass die empirische <strong>Verteilung</strong> von (6.10) wie beim oben aufgeführten<br />
Beispiel den Wahrscheinlichkeitsträger (−∞, √ nµ] besitzt, ist ein allgemein gültiges Phänomen,<br />
unabhängig von der zugrunde liegenden <strong>Verteilung</strong> der Stichprobe. <strong>Die</strong> <strong>asymptotische</strong><br />
<strong>Verteilung</strong> von (6.10) (Normalverteilung) hat hingegen den Träger R. Dennoch ist <strong>für</strong> die Fallzahlplanung<br />
die Approximation durch die <strong>asymptotische</strong> <strong>Verteilung</strong> hinsichtlich <strong>des</strong> beschriebenen<br />
Phänomens unproblematisch, da bei der Fallzahlplanung nach Kapitel 7 der p-Wert<br />
von<br />
√ c α n µ + √ n<br />
mit c α < 0 approximiert wird, also ein Wert kleiner √ nµ betrachtet wird.