Moment-Methode, Likeli-Hood

Erste Frage Aufrufe: 517     Aktiv: 03.02.2022 um 22:07

0
Hallo, ich hoffe ihr könnt mir bei diesen 2 Aufgaben helfen:
1. Aufgabe
Sei X eine diskrete Zufallsvariable auf Ω = {0,1,2,3} mit $$p_k = P(X = k)$$
Gegeben durch:
$$p_0 = \frac{2\theta }{3}, p_1 = \frac{\theta }{3}, p_2 = \frac{2(1-\theta)}{3}, p_3 = \frac{1- \theta }{3}$$ (Für die Aufgabe glaub ich gar nicht wichtig)
Wobei $$\theta \in [0,1]$$ ein Parameter der Verteilung ist.
Gegeben sei folgende Stichprobe: 3, 2, 1, 0, 2

Schätzen Sie den Parameter θ mit der Methode der Momente.
Hinweis: Der Erwartungswert ist: E(X) = 3/7 +
θ²
Hier habe ich einen Ansatz, weiß aber nicht, ob der richtig ist:

Als erstes habe ich das theoretische Moment (=Erwartungswert?) nach
θ umgestellt: $$\theta = \sqrt{E(X) - \frac{3}{7} }$$
Dann muss ja das empirische Gegenstück dazu bestimmen werden, also das artihmethische Mittel? (Ist das immer das arithmeischt mittel??)
Dann zum Schluss habe ich das Theoretische Moment durch das emprische Moment ersetzt:
$$\theta = \sqrt{\frac{1}{n}\sum_{i=1}^{n}x_i - \frac{3}{7} }$$
Wenn ich dann die Stichprobe von oben einsetzt erhalte ich für

θ = 1,082.
Ist das richtig?

2. Aufgabe
Die Zufallsvariable X sei exponentialverteilt mit Parameter
λ > 0. Das heißt, X besitzt eine Dichte der Form: $$f(x)=\left\{\begin{array}{ll} \lambda e^{-\lambda x}, & x \geq 0 \\
         0, & sonst\end{array}\right. .$$
Wobei λ > 0 der Parameter der Verteilung ist.
Gehen Sie davon aus, dass {x_1, ... x_10} = {0.01, 0.53, 0.06, 0.12, 0.52, 0.13, 0.04, 0.19, 0.08, 0.32} eine konkrete Stichprobe ist.
Schätzen Sie den Parameter λ anhand der Stichprobe mit der Maximum Likelihood-Methode und geben Sie λ an.

Hier habe ich leider noch keinen Ansatz.

Würde mich wirklich freuen, wenn mir jemand bei den beiden Aufgaben helfen könnte! :) Und sry, für das unschöne LaTeX... Habs nicht anders hinbekommen.
Diese Frage melden
gefragt

Punkte: 14

 
Kommentar schreiben
1 Antwort
1
Also erstmal freut es mich eine so schön geschriebene (vorallem erste) Frage zu lesen.

Aufgabe 1. ist m.E. richtig. Bei der Momenten-Methode werden die jeweiligen Momente $\mathbb{E}[X^k]$ durch die empirischen Momente $\frac{1}{n}\sum\limits_{i=1}^{n}x_i^k$ ersetzt. Hier, also im Fall $k=1$, durch das arithmetische Mittel.

Bei der 2ten Aufgabe solltest du erstmal den ML-Schätzer bestimmen. Dieser ist hier ja per Definition
$$\hat{\lambda}_{ML}=\underset{\lambda>0}{\mathrm{arg\,max}}\, L(\lambda)$$
mit $L(\lambda)=\prod\limits_{i=1}^{n}f_{\lambda}(x_i)$.
Hinweis: Logarithmus.

Wenn mich nicht alles täuscht, solltest du am Ende für deine Stichprobe auf $\hat{\lambda}_{ML}=5$ kommen.
Diese Antwort melden
geantwortet

Sonstiger Berufsstatus, Punkte: 690

 

Erstmal vielen Dank für deine Antwort! Hätte ich gar nicht mehr mit gerechnet.
Die Arbeit mit LaTeX-Code könnte einem hier aber auch irgendwie noch erleichtert werden... Ein Editor wäre ne super Sache (oder gibts einen und ich hab ihn nur noch nicht gefunden? )

B2T:

Für Aufgabe 1 habe ich mitlerweile noch eine andere Vorgehensweise gefunden. Dort wird das theoretische Moment gleich gesetzt mit seinem empirischen Gegenstück und dann nach dem gesuchten Parameter aufgelöst. Hab ich gemacht und komm aufs gleiche Ergebnis. Das ist wohl schonmal ein gutes Zeichen. Nur leider hab ich noch nicht ganz verstanden, woher man weiß, was das empirische Gegenstück ist. Ich habe es bis jetzt einfach so hingenommen, dass damit das arithmetische Mittel gemeint ist. Könntest Du mir das evtl. nochmal genauer erklären? Und gibt es einen Unterschied zwischen den beiden Lösungsansätzen, der irgendwie von Bedeutung ist?

Zu Aufgabe 2. Ich hatte ganz vergessen mit anzugeben, dass der Schätzer schon vorgegeben war.
$$ l( λ) = n log λ - λ\sum \limits_{i=1}^{n} x_i$$
Nur ist mir nicht ganz klar, wie man auf den genau kommt. Logarithmus-Rechnen ist leider auch nicht so meine Stärke. Habe zwar den entsprechenden Wiki-Eintrag studiert, in dem steht, dass man ein Produkt mithilfe eines des Logarithmus in eine Summe aufspalten kann, aber wie und warum versteh ich leider nicht so richtig. Anders ausgedrückt: Wie kommt man von der Dichte auf din Schätzer?

Der Rest war dann ja eigentlich ganz einfach. Die Funktion abgeleitet $$l'( λ) = \frac{n}{λ} - 1 * \sum \limits_{i=1}^{n} x_i $$
Und dann nach λ aufgelöst. $$λ= \frac{n}{ \sum \limits_{i=1}^{n} x_i}$$
Nun für n = 10 eingesetzt (der Umfang der Stichprobe) und in die Summe die einzelnen Werte. Tada: 10/2 = 5.
  ─   fuffi50 03.02.2022 um 21:35

Okay, danke das ist gut zu wissen :)   ─   fuffi50 03.02.2022 um 21:48

Zu A1: Die beiden Vorgehensweisen sind äquivalent. Die empirischen Momente habe ich dir oben doch schon angegeben? Momenten-Methode ist eben genau das, eine Schätzmethode die auf den Momenten beruht. Als Motivation: Siehe Gesetz der großen Zahlen.

Zu A2: Der ML-Schätzer ist ja gerade das maximale Argument. In der Regel ist es einfacher eine Summe zu max. als ein Produkt. Monotonie argumente liefern, dass man auch $l(\lambda)=\log(L(\lambda))$ betrachten kann. Wenn du das jetzt mit den Gesetzen ausrechnest kommt das raus, was du angegeben hast.

Sollte soweit alles klar sein, würde ich dich bitten die Frage als beantwortet zu markieren.
  ─   orbit 03.02.2022 um 22:07

Kommentar schreiben