27.08.2014 Aufrufe

Einführung in die Stochastik, Prof. Lerche - Abteilung für ...

Einführung in die Stochastik, Prof. Lerche - Abteilung für ...

Einführung in die Stochastik, Prof. Lerche - Abteilung für ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

110 12 SCHLIEßENDE STATISTIK<br />

12.4.1 Beispiel: Fischteichgröße<br />

Aus e<strong>in</strong>em Fischteich werden 50 Fische gefangen, markiert und wieder ausgesetzt. Bei<br />

e<strong>in</strong>em erneuten Fang von 50 Fischen ist ke<strong>in</strong> markierter Fisch dabei. Was läßt sich über<br />

<strong>die</strong> Größe des Fischteichs N sagen?<br />

Re<strong>in</strong> logisch, daß m<strong>in</strong>destens 100 Fische im Teich s<strong>in</strong>d. Aber hätte man nur e<strong>in</strong>en markierten<br />

Fisch gefangen, so wäre der Maximum Likelihood-Schätzer (berechnet im Hypergeometrischen<br />

Modell) ˆN = 2500. Folglich ist N wohl viel größer.<br />

Sei p N = P N ( ke<strong>in</strong> markierter Fisch im Fang ),<br />

)<br />

dann ist p N =<br />

( N−50<br />

50<br />

( N<br />

50) im Hypergeometrischen Modell.<br />

Sei α > 0 vorgegeben und N(α) so gewählt, daß p N(α) ≤ α aber p N(α)+1 > α ist. Dann<br />

gilt auch max p N ≤ α. Nun kann man, falls ke<strong>in</strong> markierter Fisch im Fang ist, mit e<strong>in</strong>er<br />

N≤N(α)<br />

Irrtumswahrsche<strong>in</strong>lichkeit α folgern, daß N ≥ N(α) ist.<br />

Die folgende Tabelle liefert α <strong>in</strong> Abhängigkeit von N, e<strong>in</strong>mal exakt und e<strong>in</strong>mal als B<strong>in</strong>omialapproximation<br />

p N ≈ ( )<br />

N−50 50.<br />

N Für große N ist <strong>die</strong> Approximation erstaunlich gut.<br />

N α α B<strong>in</strong><br />

300 4, 33 · 10 −5 1, 09 · 10 −4<br />

600 0,0106 0,0128<br />

1200 0,1137 0,1191<br />

2500 0,3605 0,3642<br />

5000 0,6035 0,6050<br />

12.4.2 Def<strong>in</strong>ition (Konfidenz<strong>in</strong>tervall)<br />

Sei Ω ⊂ R n und P θ e<strong>in</strong>e Schar von Ws-Maßen, θ ∈ Θ ⊂ R. Sei R <strong>die</strong> Menge der abgeschlossenen<br />

Intervalle auf R. I : Ω → R heißt Konfidenz<strong>in</strong>tervall (K.I.) mit Sicherheitswahrsche<strong>in</strong>lichkeit<br />

1−α mit 0 < α < 1, wenn für alle θ ∈ Θ gilt: P θ ({ω|θ ∈ I(ω)}) ≥ 1−α.<br />

Bemerkungen:<br />

1) I(ω) = Θ ist Konfidenz<strong>in</strong>tervall mit Sicherheitswahrsche<strong>in</strong>lichkeit (SWS) 1.<br />

2) E<strong>in</strong> Konfidenz<strong>in</strong>tervall sollte aber möglichst kle<strong>in</strong> se<strong>in</strong>.<br />

12.4.3 Beispiele zu Konfidenz<strong>in</strong>tervallen bei Normalverteilung<br />

Seien X 1 , ..., X n unabhängig und alle nach N(µ, σ 2 )-verteilt.<br />

a) σ 2 sei bekannt, µ sei unbekannt. Sei k α so, dass Φ(k α ) = α ist. Es gilt −k α = k 1−α . Sei<br />

x = (x 1 , ..., x n ). I n (x) = [ˆµ n (x) − k √1−α<br />

n<br />

σ, ˆµ n (x) + k √1−α<br />

n<br />

σ] ist zweiseitiges Konfidenz<strong>in</strong>tervall<br />

zur Sicherheitswahrsche<strong>in</strong>lichkeit 1 − 2α. Denn:<br />

P µ,σ 2<br />

({<br />

x∣ µ ∈<br />

[<br />

ˆµ n (x) ± k ]}) ({<br />

1−α<br />

√ σ = P µ,σ 2<br />

n<br />

√ })<br />

x∣<br />

n(ˆµn (x) − µ)<br />

∣ σ ∣ ≤ k 1−α

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!