Ubungsblatt 9 zur Vorlesung ¨
”Statistische Methoden”
Sch¨atztheorie und Konfidenzintervalle
Herausgabe des ¨Ubungsblattes: Woche 18, Abgabe der L¨osungen: Woche 19 (bis Freitag, 1615 Uhr), Be- sprechung: Woche 20
Must Aufgabe 37 [Eigenschaften von Sch¨atzern]
Seix1, . . . , xn eine Stichprobe aus einerN(µ, σ2)-Verteilung. Geben SieeinfacheBeispiele f¨ur:
a) einen Sch¨atzer f¨urµ, der zwar erwartungstreu, aber nicht konsistent ist.
b) einen Sch¨atzer f¨urµ, der zwar konsistent, aber nicht erwartungstreu ist.
Aufgabe 38 [M SE=V +b2, Lemma 5.6]
Zeigen Sie: Mit den Bezeichnungen aus 5.1.3 gilt:
M SE(ˆµn, µ) =V[ˆµn] +b2.
Aufgabe 39 [Eindeutigkeit von KI’s]
Konfidenzintervalle sind nicht eindeutig (zB gibt es immer das vollrandomisierte KI). Geben Sie eine (ein- fache, bekannte) Situation an, in der Sie dann 2 nichttriviale KI’s angeben.
Aufgabe 40 [Konfidenzintervalle]
Der Durchmesser der von einer bestimmten Maschine gefertigten Stahlkugeln f¨ur Kugellager seien ungef¨ahr normalverteilt. Bei einer Stichprobe vom Umfangn= 30 erh¨alt man einen mittleren Durchmesser ¯x= 10.2 mm und eine Streuung
vu ut 1
n−1 X30
i=1
(xi−¯x)2= 0.62 mm.
Bestimmen Sie hieraus Konfidenzintervalle f¨ur den Erwartungswertµund die Varianzσ2zum Niveau 1−α= 0.95.
Aufgabe 41 [Konfidenzintervalle]
Es wird angenommen, dass die Durchmesser der auf einer bestimmten Anlage hergestellten Stahlkugeln durch die Realisationen einer normalverteilten Zufallsgr¨osse mit σ= 1.04 mm beschrieben werden k¨onnen.
Aus einer Stichprobe vom Umfang n = 300 ergab sich ¯x = 12.14 mm. Bestimmen Sie f¨ur die Ver- trauenswahrscheinlichkeit von 0.99 die Grenzen des KI f¨ur den mittleren Durchmesser dieser Kugeln.
Dr. Christof Luchsinger
Standard Aufgabe 42 [MLE bei der Poissonverteilung] [2 Punkte]
Berechnen Sie den MLE, wenn die Daten x1, . . . , xn aus einer Poissonverteilung mit Parameter λ > 0 stammen. Macht das Resultat Sinn? Tipp: Benutzen Sieunbedingtden Logarithmus an geeigneter Stelle.
Aufgabe 43 [MLE bei der Exponentialverteilung][2 Punkte]
Berechnen Sie den MLE, wenn die Daten x1, . . . , xn aus einer Exponentialverteilung mit Parameter λ > 0 stammen. Macht das Resultat Sinn? Tipp: Benutzen Sieunbedingtden Logarithmus an geeigneter Stelle.
Aufgabe 44 [Erwartungstreuer Sch¨atzer der Varianz][3 Punkte]
Sei (Xi)ni=1 eine Folge von iid-Zufallsgr¨ossen mit E[X12]<∞. Zeigen Sie:
1 n−1
Xn
j=1
(Xj−X)2
ist ein erwartungstreuer Sch¨atzer der Varianz. Dieses Resultat gilt ¨ubrigens f¨ur beliebige Verteilungen!
”Tipp”: einfach drauflosrechnen.
Aufgabe 45 [Momentenmethode][2 Punkte]
Sei x1, . . . , xk eine Stichprobe aus einer Gamma(n, λ)-Verteilung,n∈N, λ >0. Sch¨atzen Sie mit Hilfe der Momentenmethodenundλ.
Aufgabe 46 [Cramer-Rao-Schranke im diskreten Fall][2+2 Punkte]
Formulieren Sie die Cramer-Rao-Schranke f¨ur diskrete Zufallsgr¨ossen und berechnen Sie die Schranke im Fall der Poisson-Verteilung.
Honours Aufgabe 47 [Uniformverteilung und MLE][1+1+1 Punkte]
a) Seix1, . . . , xn eine Stichprobe aus einerU[0, θ]-Zufallsgr¨osse. Geben Sie den MLE f¨ur diese Verteilungs- familie an. Schreiben Sie dazu die gemeinsame Dichtefunktion exakt auf und maximieren Sie diese ohne abzuleiten.
b) Suchen Sie eine reelle Zahla, damit der MLE-Sch¨atzer aus a) mitamultipliziert erwartungstreu ist (mit Beweis).
c) Seix1, . . . , xn eine Stichprobe aus einerU[θ, θ+ 1]-Verteilung. Geben Sie einen sinnvollen Sch¨atzer f¨ur θ an, welcherX(1) undX(n)benutzt/kombiniert. ¨Uberpr¨ufen Sie diesen Sch¨atzer auf Erwartungstreue.
Aufgabe 48 [Vervollst¨andigung des Beweises der Cramer-Rao-Schranke][6 Punkte]
Vervollst¨andigen Sie den Beweis der Cramer-Rao-Schranke (Ableitungen unter dem Integral) mit Hilfe des Satzes der majorisierten Konvergenz von Lebesgue im stetigen Fall.
Übungsblatt 9 zur Vorlesung “Statistische Methoden” Seite 3 von 8
Übungsblatt 9 zur Vorlesung “Statistische Methoden”
Olivier Warin 15. Mai 2011
Aufgabe 37 [Eigenschaften von Schätzern]
Seix1, . . . , xn eine Stichprobe aus einerN(µ, σ2)-Verteilung.
a) Definiereµbn(x1, . . . , xn) :=x1.
Behauptung: Der Schätzerµbn vonµist erwartungstreu aber nicht konsistent.
Beweis: Es gilt:
Eµ[µbn] = Eµ[X1] = µ,
also istµbn (nach Definition 5.2) erwartungstreu. Weiter gilt fürε >0:
n→∞lim Pµ[|bµn−µ|> ε] = Pµ[|X1−µ|> ε] = P[|N(0, σ2)|> ε] 6= 0, also istµbn (nach Definition 5.3)kein konsistenter Schätzer fürµ.
b) Definiereµbn(x1, . . . , xn) :=x+1/n.
Behauptung: Der Schätzerµbn vonµist konsistent abernicht erwartungstreu.
Beweis: Seiε∈Rmit ε >0. Sei weitern∈Nmit n >2/ε, also1/n<ε/2. Nun gilt:
Pµ[|bµn−µ|> ε] = Pµ[|X−µ+1/n|> ε] 6 Pµ[|X−µ|+1/n> ε]
6 Pµ[|X−µ|> ε−1/n] 6 Pµ[|X−µ|>ε/2] n−→LLN→ ∞ 0, wobei wir hier am Schluss das Gesetz der grossen Zahlen benutzt haben. Wir schliessen:
n→∞lim Pµ[|bµn−µ|> ε] = 0,
also istµbn (nach Definition 5.3) ein konsistenter Schätzer für µ.
Weiter gilt:
Eµ[bµn] = Eµ[X+1/n] Lem=
3.4b) Eµ[X] +1/n = µ+1/n 6= µ, also istµbn (nach Definition 5.2)kein erwartungstreuer Schätzer fürµ.
Bemerkung: Man sagt, dass der Schätzerµbnasymptotisch erwartungstreuist, da lim
n→∞Eµ[µbn] =µ.
Aufgabe 38 [M SE =V +b2, Lemma 5.6]
Es seibµn ein Schätzer fürµmit Biasb.
Behauptung: Dann gilt:
M SE(µbn, µ) = Vµ[µbn] +b2.
Beweis: Es gilt:
Vµ[µbn] Lem=
3.7a) Vµ[µbn−µ] Lem=
3.7b) Eµ[(µbn−µ)2]−(Eµ[µbn−µ])2 = M SE(µbn, µ)−b2,
wobei wir beim letzten Gleichheitszeichen die Definitionen 5.2 und 5.5 eingesetzt haben. Somit folgt die Behauptung sofort.
Aufgabe 39 [Eindeutigkeit von KI’s]
Gegeben sei eine Stichprobex1,· · ·, xn aus einerN(µ,1)-Verteilung. Nun werden wir zwei verschiedene 95%-KI’s fürµangeben:
Zunächst haben wir das aus 5.2.3.1 bekannte KI:
KI1 = X− K
√n, X+ K
√n
, wobeiK∈Rso gewählt ist, dassP[N(0,1)6K] = 0.975. AlsoK=.
R
qnorm(0.975)=.
R 1.959964.
KI1ist klar ein 95%-KI fürµ.
Wir definieren weiter
KI2 =
X− K0
√n,∞
, wobeiK0∈Rso gewählt ist, dassP[N(0,1)6K0] = 0.95. AlsoK0=.
R
qnorm(0.95)=.
R
1.644854.
KI2ist ebenfalls ein 95%-KI fürµ, denn es gilt Pµ[µ∈KI2] =Pµ
X− K0
√n 6µ
= P[N(0,1)6K0] = 0.95.
Damit haben wir zwei verschiedene nicht-tiviale95%-KI’s fürµgefunden.
Aufgabe 40 [Konfidenzintervalle]
Der Durchmesser der von einer bestimmten Maschine gefertigten Stahlkugeln für Kugellager seien unge- fähr normalverteilt. Bei einer Stichprobe vom Umfang n= 30erhält man einen mittleren Durchmesser x= 10.2mm und eine Streuung
b σ =
vu ut 1
n−1 X30
i=1
(xi−x)2 = 0.62mm.
Nach 5.2.3.2 ist nun eine Realisation eines(1−α) = 95%-KIs für den Erwartungswertµgegeben durch
x−t∗bσ
√n, x+t∗bσ
√n
,
wobeit∗ der entsprechende kritische Wert ist. Genauer gilt hier:P[−t∗6tn−16t∗] = 1−α, also t∗ ˙=
R
qt(1-0.05/2,30-1) ˙=
R 2.045230.
Wir erhalten also die folgende Realisation eines(1−α)-KIs für den Erwartungswertµ:
x−t∗bσ
√n, x+t∗σb
√n
˙=
R
[9.968488,10.43151].
Aufgabe 41 [Konfidenzintervalle]
Es wird angenommen, dass die Durchmesser der auf einer bestimmten Anlage hergestellten Stahlku- geln durch die Realisationen einer normalverteilten Zufallsgrösse mit Standardabweichungσ= 1.04mm und (unbekanntem) Erwartungswertµbeschrieben werden können. Aus einer Stichprobex1, . . . , xn vom Umfangn= 300ergab sichx= 12.14mm.
Seienα:= 0.01undK∈R>0, so dass gilt:P[−K6N(0,1)6K] = 1−α. Es gilt also K ˙=
R
qnorm(1-0.01/2) ˙=
R 2.575829.
Übungsblatt 9 zur Vorlesung “Statistische Methoden” Seite 5 von 8
Analog wie wir in 5.3.2.1 gesehen haben, ist
x−Kσ
√n, x+Kσ
√n
˙= [11.98534,12.29466]
eine Realisation eines1−α= 99%-KI fürµ.
Aufgabe 42 [MLE bei der Poissonverteilung]
Seix1, . . . , xn ∈N0eine Stichprobe einer Poisson-Verteilung mit Parameter λ >0. Seipλ:Rn →Rdie entsprechende gemeinsame Wahrscheinlichkeitsfunktion. Hier gilt also
pλ(x1, . . . , xn)=q Yn
i=1
e−λλxi
xi! = e−nλλnx Yn
i=1
1 xi!
Wir wollen nun den Maximum Likelihood Estimator (MLE) bλMLEn fürλbestimmen. Nach 7.1.4 gilt bλMLEn = argmax
λ>0
pλ(x1, . . . , xn).
Dalog :R>0→Rstreng monoton wachsend ist, folgt damit:
bλMLEn = argmax
λ>0
log(pλ(x1, . . . , xn)) = argmax
λ>0 −nλ+ log(λ)nx− Xn
i=1
log(xi!)
!
= argmax
λ>0
(n(−λ+ log(λ)x)) = argmax
λ>0
(−λ+ log(λ)x)
Wir suchen also die Maximumsstelle der Funktiong:R>0→R,g(λ) =−λ+ log(λ)x. Dazu leiten wirg zweimal ab:
dg
dλ(λ) = −1 +x λ, d2g
dθ2(θ) = −x λ2 < 0.
bλMLEn ist also einfach die Nullstelle von dgdθ. Somit folgt:
bλMLEn = x.
Dieses Resultat macht Sinn, da z.B. dieser Schätzer erwartungstreu und konsistent fürE[X1] =λist.
Aufgabe 43 [MLE bei der Exponentialverteilung]
Sei x1, . . . , xn >0 eine Stichprobe einerExp(λ)-verteilten Zufallsgrösse. Sei fλ : Rn → Rdie entspre- chende gemeinsame Dichtefunktion. Es gilt hier
fλ(x1, . . . , xn)=q Yn
i=1
λe−λxi = λne−nλx.
Wir wollen nun den Maximum Likelihood Estimator (MLE) bλMLEn fürλbestimmen. Nach 5.1.4 gilt λbMLEn = argmax
λ∈R>0
fλ(x1, . . . , xn) und dalog :R>0→Rstreng monoton wachsend ist, folgt:
λbMLEn = argmax
λ∈R>0
log(fλ(x1, . . . , xn)) = argmax
λ∈R>0
(nlog(λ)−nλx) = argmax
λ∈R>0
(log(λ)−λx).
Wir suchen also die Maximumsstelle der Funktiong :R>0→R, g(λ) := log(λ)−λx. Dazu leiten wir g zweimal ab:
dg
dλ(λ) = 1
λ−x, d2g
dλ2(λ) = − 1 λ2 < 0.
bλMLEn ist also einfach die Nullstelle von dλdg. Somit folgt:
1
bλMLEn −x = 0 ⇒ bλMLEn = 1 x.
Dieses Resultat macht Sinn, daxbekanntlich ein erwartungstreuer und konsistenter Schätzer fürE[X1] ist und es gilt hierE[X1] =1/λ.
Aufgabe 44 [Erwartungstreuer Schätzer der Varianz]
Sei(Xi)ni=1 eine Folge von iid-Zufallsgrössen mitE[X12]<∞. Behauptung: Der Ausdruck
1 n−1
Xn
j=1
(Xj−X)2
ist ein erwartungstreuer Schätzer der VarianzV[X1].
Beweis: Es gilt
E
" n X
i=1
(Xi−X)2
#
iid= nE[(X1−X)2] = nV[X1−X] = nV
"
1−1 n
X1− 1
n Xn
i=2
Xi
#
=q n
1−1 n
2
V[X1] + n n2
Xn
i=2
V[Xi] iid= n
1−1 n
2
+n−1 n
! V[X1]
= (n−1)V[X1].
Dies beweist die Behauptung.
Aufgabe 45 [Momentenmethode]
Es seix1, . . . , xk >0 eine Stichprobe aus einerΓ(n, λ)-Verteilung, n∈N,λ >0. Nun wollen wirλund nmit Hilfe der Momentenmethode schätzen.
Es gilt
E[X1] = n
λ und E[X12] = V[X1] + (E[X1]) = n+n2 λ2 .
Die Momentenmethode liefert damit für die Schätzerλˆk undnˆk die folgenden zwei Gleichungen:
1 k
Xk
i=1
xi = nˆk
λˆk
und 1 k
Xk
i=1
x2i = nˆk+ ˆn2k λˆ2k .
Mit den Abkürzungenx=k1Pk
i=1xi undx˜=k1Pk
i=1x2i finden wir damit ˆλk = x
˜
x−x2 und ˆnk = x2
˜ x−x2.
Bemerkung: Natürlich weiss man bereits im Voraus, dass n eine natürliche Zahl ist. Also kann man beim Schätzernˆk am Ende noch runden, um eine natürliche Zahl zu erhalten.
Aufgabe 46 [Cramer-Rao-Schranke im diskreten Fall]
Hier eine mögliche Formulierung der Cramer-Rao-Schranke im diskreten Fall:
Satz (Cramer-Rao-Schranke, diskret) Seiθˆein erwartungstreuer Schätzer für den Parameterθvon einer diskreten ZufallsgrösseX. Dann gilt
Vθ[ˆθ]> 1
Iθ, (CR-Ungl)
wobei
Iθ = X
x
∂
∂θlog(p(x, θ))2
p(x, θ).
p(x, θ)bezeichnet dabei die entsprechende gemeinsame Wahrscheinlichkeitsfunktion.
Wir fordern dazu (Regularity)
a) Der Wertebereich der ZufallsgrösseX darf nicht von θ abhängen.
Übungsblatt 9 zur Vorlesung “Statistische Methoden” Seite 7 von 8
b) Die gemeinsame Wahrscheinlichkeitsfunktionp(x, θ)muss nachθ differenzierbar sein.
c) Für ein gegebenesθ gibt es eine kleine NachbarschaftNθ vonθ, so dass X
x
sup
ψ∈Nθ
∂
∂ψp(x, ψ)
<∞ und X
x
sup
ψ∈Nθ
θ(x)ˆ ∂
∂ψp(x, ψ) <∞.
Konkret gilt bei einerPo(θ)-Verteilung:
Iθ
siehe
=
Bew.Vθ
∂
∂θlog(p(X, θ))
Aufg.
=
42 Vθ
"
∂
∂θ −nθ+ log(θ)nX− Xn
i=1
log(Xi!)
!#
=Vθ
−n+nX θ
= n2
θ2Vθ[X] = n2 θ2 θ n = n
θ.
Also lautet die Schranke nθ, welche mit dem Schätzer θˆ=xauch erreicht wird.
Aufgabe 47 [Uniformverteilung und MLE]
a) Seix1, . . . , xn eine Stichprobe aus einer U[0, θ]-Zufallsgrösse. Wir wollen nun den MLE-Schätzer θˆnMLE fürθ bestimmen.
Die entsprechende gemeinsame Dichtefunktionfθ lautet wie folgt:
fθ(x1, . . . , xn) =
(θ−n, fallsx1, . . . , xn ∈[0, θ]
0, sonst.
Wir schliessen θˆMLEn = argmax
θ∈R>0
fθ(x1, . . . , xn) = min{θ∈R>0|x1, . . . , xn6θ} = max{x1, . . . , xn} = x(n).
b) Nun suchen wir eina∈R, so dass der SchätzeraθˆMLEn ein erwartungstreuer Schätzer fürθist.
Um dies zu tun berechnen wir erst die VerteilungsfuktionGθund dann durch Ableiten die Dichte- funktiongθ vonθˆnMLE. Fürx∈[0, θ]gilt:
Gθ(x) = Pθ[ˆθMLEn 6x] = Pθ[X(n)6x] = Pθ[X16x, . . . , Xn6x] iid= Pθ[X16x]n = xn θn
⇒ gθ(x) =nxn−1 θn .
DaaθˆnMLEerwartungstreu sein soll erhalten wir damit die folgende Gleichung:
θ=Eθ[aθˆnMLE] = aEθ[ˆθMLEn ] = a Z θ
0
xgθ(x)dx = a Z θ
0
nxn
θn dx = an n+ 1θ, woraus wir sofort folgern:
a=n+ 1 n .
c) Sei x1, . . . , xn eine Stichprobe aus einer U[θ, θ+ 1]-Verteilung. Nun suchen wir einen sinnvollen Schätzer θˆn fürθ, derX(1) undX(n) benutzt/kombiniert. Konkret nehmen wir
θˆn= 1
2(x(1)+x(n))−1 2, denn 12(X(1)+X(n))sollte etwa beiθ+12 liegen.
Nun wollen wir diesen Schätzer noch auf Erwartungsteue untersuchen. Ähnlich wie in a) bestimmen wir
E[X(1)] = θ+ 1
n+ 1 und E[X(n)] = θ+ n n+ 1.
Wir schliessen
E[ˆθn] = 1
2(E[X(1)] +E[X(n)])−1
2 = θ+1 2
1
n+ 1+ n
n+ 1 −1
= θ.
Also ist unser Schätzerθˆn erwartungstreu.
Aufgabe 48 [Vervollständigung des Beweises der Cramer-Rao-Schranke]
Wir benutzen die gleichen Notationen und die gleichen Voraussetzungen wie in Satz 5.9 im Skript.
Behauptung: Es gilt Z ∂
∂θf(x, θ)dx = ∂
∂θ Z
f(x, θ)dx und
Z θ(x)ˆ ∂
∂θf(x, θ)dx = ∂
∂θ
Z θ(x)fˆ (x, θ)dx.
Beweis: Es sei(hn)n∈N eine beliebige reelle Nullfolge. Weiter definiere fürn∈N fn(x) =f(x, θ+hn)−f(x, θ)
hn
. Nach Voraussetzung muss jaf(x, θ)nachθdifferenzierbar sein, somit gilt
∂
∂θf(x, θ) = lim
h↓0
f(x, θ+h)−f(x, θ)
h = lim
n→∞
f(x, θ+hn)−f(x, θ) hn
.
Für n genügend gross liegen θ undθ+hn klar in der kleinen Nachbarschaft Nθ von θ. Damit folgt sofort mit dem Mittelwertsatz:
|fn(x)|6 sup
ψ∈Nθ
∂
θψf(x, ψ)
=: g(x).
Laut (Regularity) ist g integrierbar, also können wir g als Majorante im Satz von der majorisierten Konvergenz von Lebesque einsetzen. Somit folgt
n→∞lim Z
fn(x)dx=Z
n→∞lim fn(x)dx = Z ∂
∂θf(x, θ)dx. (∗)
Der Satz von der majorisierten Konvergenz sagt uns insbesondere, dass der Grenzwert auf der linken Seite existiert. Aufrund von (∗) ist dieser Grenzwert sogar unabhängig von der Nullfolge(hn)n∈N. Wir schliessen
n→∞lim Z
fn(x)dx= lim
n→∞
Z f(x, θ+hn)−f(x, θ) hn
dx = lim
h↓0
Z f(x, θ+h)−f(x, θ)
h dx
= lim
h↓0
R f(x, θ+h)dx−R f(x, θ)
h = ∂
∂θ Z
f(x, θ)dx. Die Kombination von dieser Gleichung mit (∗) liefert die erste Gleichung.
Für die zweite Gleichung gehen wir analog vor: Sei wieder (hn)n∈N eine beliebige reelle Nullfolge.
Weiter definiere
en(x) = ˆθ(x)f(x, θ+hn)−f(x, θ)
hn .
Analog wie beim Beweis der ersten Gleichung gilt hierlimn→∞en(x) = ˆθ(x)∂θ∂ f(x, θ). Wie oben liegen θundθ+1n fürngenügend gross klar in der NachbarschaftNθ. Somit folgt mit dem Mittelwertsatz
|hn(x)|6 sup
ψ∈Nθ
θ(x)ˆ ∂
∂ψf(x, ψ)
=: `(x).
Laut (Regularity) ist ` integrierbar. Also können wir ` als Majorante im Satz von der majorisierten Konvergenz von Lebesque einsetzen. Wir schliessen
n→∞lim Z
en(x)dx=Z
n→∞lim en(x)dx = Z
θ(x)ˆ ∂
∂θf(x, θ)dx.
Genau wie zuvor folgt nun noch
n→∞lim Z
en(x)dx= ∂
∂θ
Z θ(x)fˆ (x, θ)dx
und damit die zweite Gleichung.