Statistische Methoden II SS 2007 Vorlesung:Prof. Dr. Michael Schürmann Zeit:Freitag (Pause: ) Ort:Hörsaal Loefflerstraße Übungen Gruppe 3: Melanie Hinz Di Gruppe 1: Rüdiger Zeller Di Gruppe 6: Melanie Hinz Di Gruppe 4: Hermann Haase Mi Gruppe 5: Hermann Haase Mi Gruppe 2: Marcus Vollmer Mi Ort: SR 222 Fleischmannstraße 6, 2. OG Beginn der Übungen nächste Woche

Statistische Methoden I WS 2006/2007 Zur Geschichte der Statistik I. Beschreibende Statistik 1. Grundlegende Begriffe 2. Eindimensionales Datenmaterial 2.1. Der Häufigkeitsbegriff 2.2. Lage- und Streuungsparameter 2.3. Konzentrationsmaße (Lorenz-Kurve) 3. Mehrdimensionales Datenmaterial 3.1. Korrelations- und Regressionsrechnung 3.2. Indexzahlen 3.3. Saisonbereinigung

II. Wahrscheinlichkeitstheorie 1. Laplacesche Wahrscheinlicheitsräume 1.1. Kombinatorische Formeln 1.2. Berechnung von Laplace-Wahrschein- lichkeiten 2. Allgemeine Wahrscheinlichkeitsräume 2.1. Der diskrete Fall 2.2. Der stetige Fall 2.3. Unabhängigkeit und bedingte Wahrscheinlichkeit 3. Zufallsvariablen 3.1. Grundbegriffe 3.2. Erwartungswert und Varianz 3.3. Binomial- und Poisson-Verteilung 3.4. Die Normalverteilung und der Zentrale Grenzwertsatz

4. Markov-Ketten 4.1. Übergangsmatrizen 4.2. Grenzverhalten irreduzibler Markov-Ketten 4.3. Gewinnwahrscheinlichkeiten 4.4. Beispiel Ruin der Spieler 4.5. Anwendungen

III. Induktive Statistik 1. Schätztheorie 1.1. Grundbegriffe, Stichproben 1.2. Maximum-Likelihood-Schätzer 1.3. Erwartungstreue Schätzer 1.4. Konfidenzintervalle 1.5. Spezialfall Binomial-Verteilung 2. Spezialfall Normalverteilung 2.1. Student- und Chi-Quadrat-Verteilung 2.2. Konfidenzintervalle

3. Tests 3.1. Grundbegriffe 3.2. Tests einfacher Hypothesen (Neyman-Pearson-Test) 3.3. Tests zusammengesetzter Hypothesen 3.4. Vergleich zweier unabhängiger Stichproben 3.5. Chi-Quadrat-Tests 3.6. Kolmogorov-Smirnov-Test 3.7. Einfache Varianzanalyse

Beschreibende Statistik (= Deskriptive Statistik) Beschreibung von Datenmaterial Schließenden Statistik (= Induktive Statistik) Analyse von Datenmaterial, Hypothesen, Prognosen 1. Semester 2.Semester Wahrscheinlich- keitstheorie 1. Semester

Die hypergeometrische Verteilung Notation

Eine Urne enthält n Kugeln, davon N weiße und n - N schwarze. Aus der Urne werden nacheinander m Kugeln ohne Zurücklegen gezogen. Wie groß ist die Wahrscheinlichkeit, genau k weiße Kugeln zu ziehen? Sie beträgt gerade H(n, N, m)(k)!

Schätzung der Zahl der Fische in einem See in Mecklenburg N Fische werden gefangen und markiert Die Fische werden in den See zurückgegeben. Man wartet, bis die markierten Fische sich (möglichst gleichmäßig) im See verteilt haben. Man geht erneut auf Fischzug und fäng m Fische. Von diesen seien k markiert.

Schätzung für die Gesamtzahl der Fische im See:

Statistische Struktur (diskreter Fall) Dabei sind:

Schätzproblem Schätzer

Ω Θ Modell Beobachtung (Stichprobe) Grundgesamtheit (mögliche Beobachtungen) Schätzung

Ω Θ Modell Beobachtung (Stichprobe) Grundgesamtheit (mögliche Beobachtungen) Schätzung E g

Berliner Taxifahrer Ein Berliner Taxifahrer notierte imJanuar 1987 während 5 Schichten mit je 20 Fahrten, welchen Prozentsatz des Fahrpreises lt. Taxameterdie Fahrgäste als Trinkgeld gaben.

Stichprobe (diskreter Fall)

Mathematischer Rahmen

Stichprobenfunktionen (Beispiele)

Stichprobenfunktionen Beispiel Taxifahrer

SonntagseinsätzeFeuerwache

Mittlerer quadratischer Fehler Gegeben sind: Statistische Struktur Schätzproblem Als mittleren quadratischen Fehler bezeichnet man die Größe Schätzer

Feuerwache Angepasste Poisson-Verteilungen

Stichproben (stetiger Fall)

Mathematischer Rahmen

Statistische Struktur diskret stetig

Verwendung der Tafel für die Normalvertreilung

Maximum-Likelihood-Schätzer ( diskreter Fall) Likelihood-Funktion mit oder M-L-Schätzer

Der Parameter ist die beste Erklärung für die Beobachtung

Schätzung der Zahl der Fische in einem See in Mecklenburg N Fische werden gefangen und markiert Die Fische werden in den See zurückgegeben. Man wartet, bis die markierten Fische sich (möglichst gleichmäßig) im See verteilt haben. Man geht erneut auf Fischzug und fäng m Fische. Von diesen seien k markiert.

Schätzung für die Gesamtzahl der Fische im See: ist M-L-Schätzer !

Likelihood-Funktion

Der Logharithmus ln x ist streng monoton wachsend

Beispiel Poisson-Verteilung Stichprobe vom Umfang n mit Poisson-verteilter Stich- Probenvariablen (Intensität: ) M-L-Schätzer für oder

Beispiel Bernoulli-Verteilung Stichprobe vom Umfang n mit Bernoulli- verteilter Stichprobenvariablen (p: Wahrscheinlichkeit des Ereignisses) M-L-Schätzer für p wieder gegeben durch:

Maximum-Likelihood-Schätzer (stetiger Fall) Likelihood-Funktion mit oder M-L-Schätzer

Der Parameter ist die beste Erklärung für die Beobachtung

Maximum-Likelihood-Schätzer ( diskreter Fall) Likelihood-Funktion mit oder M-L-Schätzer

Beispiel Bernoulli-Verteilung Stichprobe vom Umfang n mit Bernoulli- verteilter Stichprobenvariablen (p: Wahrscheinlichkeit des Ereignisses) M-L-Schätzer für p wieder gegeben durch:

Normalverteilte Stichprobenvariable M-L-Schätzer Erwarungswert Hier spielt es keine Rolle, ob die Varianz bekannt ist oder nicht. In jedem Fall gilt:

Normalverteilte Stichprobenvariable M-L-Schätzer Varianz bekannt

Normalverteilte Stichprobenvariable M-L-Schätzer Varianz unb ekannt

Übersicht

Beispiel Äpfeln Gewicht von Äpfeln Gewicht von Äpfeln der Sorte Cox-Orange aus einem bestimmten italienischen Anbaugebiet

Erwartungstreue Schätzer Wenn der Parameter selbst geschätzt werden soll: Wenn ein allgemeines statistisches Problem vorliegt: Dabei bedeutet der Index, dass der Erwartungswert bzgl. des W.maßes zum Parameter genommen wird.

Schätzung des Erwartungswertes der Stichprobenvariablen X Statistisches Problem gegeben durch: Erwartungstreuer Schätzer:

Schätzung der Varianz der Stichprobenvariablen X Statistisches Problem gegeben durch: Erwartungstreuer Schätzer: Erwartungswert bekannt

Schätzung der Varianz der Stichprobenvariablen X Statistisches Problem gegeben durch: Erwartungstreuer Schätzer: Erwartungswert unbekannt

Normalverteilte Stichprobenvariable Erwartungstreuer Schätzer für den Erwarungswert Hier spielt es wieder keine Rolle, ob die Varianz bekannt ist oder nicht. In jedem Fall gilt: erwartungstreu ist erwartungstreu

Normalverteilte Stichprobenvariable Erwartungstreuer Schätzer für die Varianz bekannt erwartungstreu ist erwartungstreu

Normalverteilte Stichprobenvariable Erwartungstreuer Schätzer für die Varianz unb ekannt erwartungstreu ist erwartungstreu Kein M-L-Schätzer!!

Übersicht erwartungstreu erwartungstreu erwartungstreu nicht erwartungstreu