• Keine Ergebnisse gefunden

Einf¨uhrungindieMathematischeStatistik A

N/A
N/A
Protected

Academic year: 2022

Aktie "Einf¨uhrungindieMathematischeStatistik A"

Copied!
2
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Fachbereich Mathematik Prof. Dr. J. Lehn

A. Neuenkirch B. Niese A. R¨oßler

TECHNISCHE UNIVERSIT¨ AT DARMSTADT

A

SS 2006 21.06.2006

Einf¨ uhrung in die Mathematische Statistik

9. Tutorium - L¨ osungsvorschlag

Aufgabe 1 (Sch¨atzer und Sch¨atzvariable)

a) und b) sind beide richtig. c) ist falsch, daτ von Θ nachRabbildet. d) ist im allgemeinen falsch, denn f¨ur einen erwartungstreuen Sch¨atzer f¨ur τ(θ) gilt Eθ(Tn(X1, . . . , Xn)) = τ(θ) (!) f¨ur alleθ ∈Θ.

Zur Veranschaulichung der Situation in e) soll folgende Skizze dienen:

(X1, . . . , Xn-)

-

Tn

R

& Tn(X1, . . . , Xn) % 6 -

6

* A A A A A K

Rn

Da Tn eine Abbildung von Rn nach R ist, ergibt T(x1, . . . , xn) eine reelle Zahl. Anhand der Skizze wird deutlich, daß Tn(X1, . . . , Xn) eine Hintereinanderausf¨uhrung der beiden Abbildungen (X1, . . . , Xn) (eine Zufallsvariable X ist ja eine Abbildung X : Ω →R) und Tn ist. Daher ist Tn(X1, . . . , Xn) eine Abbildung von Ω nach R, also eine Zufallsvariable.

Aufgabe 2 (Maximum-Likelihood-Sch¨atzer) a)

4

X

k=1

kθ =





25

12 f¨ur θ =−1, 4 f¨ur θ = 0, 10 f¨ur θ = 1, 30 f¨ur θ = 2.

Also ist

cθ =





12

15 f¨ur θ =−1,

1

4 f¨ur θ = 0,

1

10 f¨ur θ = 1,

1

30 f¨ur θ = 2.

b) Es ist

k = 1 k = 2 k = 3 k = 4 θ =−1 1225 256 254 253

θ = 0 14 14 14 14

θ = 1 101 102 103 104 θ = 2 301 304 309 1630

(2)

c) ML-Sch¨atzer 1:

T1(X) =





−1 f¨ur X = 1, 0 f¨ur X = 2, 1 f¨ur X = 3, 2 f¨ur X = 4.

ML-Sch¨atzer 2:

T2(X) =





−1 f¨ur X = 1, 0 f¨ur X = 2, 2 f¨ur X = 3, 2 f¨ur X = 4.

d) Bias von Sch¨atzer 1:

Eθ(T1(X))−θ

= (−1)·Pθ(X = 1) + 0·Pθ(X = 2) + 1·Pθ(X = 3) + 2·Pθ(X = 4)−θ

=





23

25 f¨ur θ=−1,

1

2 f¨ur θ= 0, 0 f¨ur θ= 1,

23 f¨ur θ= 2.

Bias von Sch¨atzer 2:

Eθ(T2(X))−θ

= (−1)·Pθ(X = 1) + 0·Pθ(X = 2) + 2·Pθ(X = 3) + 2·Pθ(X = 4)−θ

=





27

25 f¨ur θ =−1,

3

4 f¨ur θ = 0,

3

10 f¨ur θ = 1,

1130 f¨ur θ = 2.

Aufgabe 3 (Maximum-Likelihood-Sch¨atzer) Die Likelihood-Funktion ist gegeben durch

L(θ;x1, . . . , xn) = (2θ)n·

n

Y

i=1

xi·e−θPni=1x2i, θ > 0.

Somit ist die Log-Likelihood-Funktion

lnL(θ;x1, . . . , xn) =nln(2θ) +

n

X

i=1

xi−θ

n

X

i=1

x2i, θ >0.

Differenzieren ergibt

∂lnL

∂θ (θ;x1, . . . , xn) = n θ −

n

X

i=1

x2i. und

2lnL

∂θ2 (θ;x1, . . . , xn) = −n θ2. Also ist die Log-Likelihood-Funktion an der Stelle

θb= n Pn

i=1x2i

maximal und dies somit der Maximum-Likelihood-Sch¨atzwert. F¨ur die gegebenen Daten ergibt sichθb= 0.4119.

Referenzen

ÄHNLICHE DOKUMENTE

sowie jeweils die Anzahl dieser M¨ oglichkeiten. In allen drei F¨ allen handelt es sich um Proben vom Umfang 3 aus der Menge M = {1,. Entscheiden Sie, bei welcher Situation es sich

Die Amsel verteidigt ihr Nest mit großer Aufmerksamkeit und bemerkt von ihrem jeweiligen Standpunkt aus in einem Umfeld von 9,90 Metern alles, was sich bewegt.. Berechnen Sie

Aufgabe 2 (Beispiel einer Folge, die das starke Gesetz der großen Zahlen aber nicht den zentralen Grenzwertsatz erf¨ ullt). Gegeben sei eine Folge X 1 , X

Der Maximum-Likelihood-Sch¨ atzer f¨ ur θ zu einer einzelnen Beobachtung von X ist

” Test B“ zu verwenden: Man entnimmt eine Stichprobe von 1000 Mikrochips und verwirft H 0 , wenn mehr als 14 Ausschußst¨ ucke darunter sind. Dieser Test wird nat¨ urlich teurer

Die Lebensdauern in Tagen beider Web-Server k¨ onnen als unabh¨ angig und identisch Ex(λ)-verteilt angenommen werden. Beide Server werden gleichzeitig in Betrieb genommen und

Beim einfachen M¨ unzwurf kann man Ω = {1, 2} w¨ ahlen, wobei 1 Wappen und 2 Zahl entspreche.. Als σ–Algebra A bietet sich die Potenzmenge von

Aufgabe 2 (Beispiel einer Folge, die das starke Gesetz der großen Zahlen aber nicht den zentralen Grenzwertsatz erf¨ ullt). Gegeben sei eine Folge X 1 , X