Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Skript - Prof. Georg Hoever - FH Aachen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3. Statistik 40<br />
Definition 3.4<br />
Ein Schätzer, der den Parmeterwert ergibt, unter dem die Beobachtung die größte<br />
Wahrscheinlichkeit hat (bei stetigen Zufallsvariablen, die größte Wahrscheinlichkeitsdichte),<br />
heißt Maximum-Likelihood Schätzer.<br />
Bemerkungen:<br />
1. Bei mehreren unabhängigen Beobachtungen ergibt sich die Wahrscheinlichkeit der<br />
Gesamtbeobachtungen als Produkt der einzelnen Wahrscheinlichkeiten.<br />
Bei stetigen Zufallsvariablen nimmt man statt der Wahrscheinlichkeit den Dichtewert<br />
bzw. bei mehreren Beobachtungen das Produkt der Dichtewerte.<br />
2. Die Funktion, die die Wahrscheinlichkeit(sdichte) einer Beobachtung in Abhängigkeit<br />
des Parameters angibt, heißt Likelihood-Funktion.<br />
Beispiel 5:<br />
1. (Fortsetzung von Beispiel 3.1)<br />
Beim Taxiproblem mit einer Gesamtzahl N ist die Wahrscheinlichkeit einer Beobachtung<br />
von x 1 ,...,x n gleich Null, falls das Maximum der x k größer als N ist,<br />
ansonsten gleich ( 1 n<br />
N)<br />
(bei mit Zurücklegen), da alle Beobachtungen gleiche Wahrscheinlichkeit<br />
besitzen.<br />
Die Likelihood-Funktion f(N) zu einer Beobachtung x 1 ,...,x n ist also<br />
{<br />
0, falls max{x 1 ,...,x n } > N,<br />
f(N) = ( 1<br />
) n,<br />
N sonst.<br />
Diese Funktion wird maximal, wenn N minimal im zweiten Fall ist, also für N =<br />
max{x 1 ,...,x n }. Damit wird allerdings die Gesamtzahl offensichtlich unterschätzt.<br />
2. Bei normalverteiltem X wurde x 1 ,...,x n beobachtet. Bei Parametern µ und σ 2<br />
ergeben sich als einzelne Dichtewerte<br />
f i = 1 √<br />
2πσ<br />
e −(x i −µ)2<br />
2σ 2 .<br />
Die Likelihood-Funktion ist das Produkt<br />
f(µ,σ) =<br />
=<br />
n∏<br />
f i =<br />
i=1<br />
n∏<br />
i=1<br />
1<br />
√ e −(x i −µ)2<br />
2σ 2<br />
2πσ<br />
( 1<br />
√<br />
2πσ<br />
) n<br />
· e − 1<br />
2σ 2·∑n<br />
i=1 (x i−µ) 2 .