www.vorhilfe.de
- Förderverein -
Der Förderverein.

Gemeinnütziger Verein zur Finanzierung des Projekts Vorhilfe.de.
Hallo Gast!einloggen | registrieren ]
Startseite · Mitglieder · Impressum
Forenbaum
^ Forenbaum
Status VH e.V.
  Status Vereinsforum

Gezeigt werden alle Foren bis zur Tiefe 2

Navigation
 Startseite...
 Suchen
 Impressum
Das Projekt
Server und Internetanbindung werden durch Spenden finanziert.
Organisiert wird das Projekt von unserem Koordinatorenteam.
Hunderte Mitglieder helfen ehrenamtlich in unseren moderierten Foren.
Anbieter der Seite ist der gemeinnützige Verein "Vorhilfe.de e.V.".
Partnerseiten
Weitere Fächer:

Open Source FunktionenplotterFunkyPlot: Kostenloser und quelloffener Funktionenplotter für Linux und andere Betriebssysteme
Forum "mathematische Statistik" - Histogramm als ML-Schätzer
Histogramm als ML-Schätzer < math. Statistik < Stochastik < Hochschule < Mathe < Vorhilfe
Ansicht: [ geschachtelt ] | ^ Forum "mathematische Statistik"  | ^^ Alle Foren  | ^ Forenbaum  | Materialien

Histogramm als ML-Schätzer: Beweisen
Status: (Frage) beantwortet Status 
Datum: 12:50 Fr 11.05.2012
Autor: mikexx

Aufgabe
Seien [mm] $X_1,...,X_n$ [/mm] u.i.v. Zufallsvariablen mit Verteilungsfunktion F und Dichte f. Dabei sei f eine Treppenfunktion über die vorgegebenen Intervalle [mm] $B_j=[(j-1)h,jh), [/mm] j=1,...,L$, d.h.

[mm] $f(x)=\sum_{j=1}^{L}f_j\chi_{[(j-1)h,jh)}(x), f_j\geq [/mm] 0$


Zeigen Sie:

Der Maximum Likelihood Schätzer von f ist gegeben durch das auf dieser Intervalleinteilung basierende Histogramm [mm] $\hat^{f}_{h}=\frac{1}{nh}\sum_{i=1}^{n}\sum_{j\in\mathbb Z}\chi_{B_j}(X_i)\chi_{B_j}(x)$. [/mm]


Hallo, ich komme mit der Aufgabe nicht so gut zurecht.

Ich soll also den ML-Schätzer von f bestimmen und dieser soll dann mit [mm] $\hat{f}_{h}$ [/mm] übereinstimmen.

Ich muss doch jetzt erstmal die Likelihood aufstellen, nur: wie?

Ich kenne das nur aus der Parametrik so, daß die Likelihood identisch mit der Dichte ist, nur, daß man sie als Funktion des gesuchten Parameters auffasst, gegeben die Beobachtungen.

Nur: Was ist denn hier der gesuchte Parameter, sprich: Was ist denn hier die Likelihood?

Also irgendwie komme ich grad nicht so zurecht.


[mm] \textbf{Edit: Eine eigene Idee...korrekt?} [/mm]

Das Einzige, das mir dazu einfiele, wäre, daß die Likelihood gegeben ist durch

[mm] $\prod_{i=1}^{n}\left(\sum_{1\leq j\leq L}f_{j}\chi_{[(j-1)h,jh)}(x_i)\right)$ [/mm]

Aber vllt. ist das auch totaler Mumpitz...



        
Bezug
Histogramm als ML-Schätzer: Mitteilung
Status: (Mitteilung) Reaktion unnötig Status 
Datum: 15:22 Fr 11.05.2012
Autor: mikexx

Vielleicht hats auch irgendwie etwas mit der empirischen Verteilungsfunktion zu tun? Bin echt ratlos, wie man hier anfängt.

Bezug
        
Bezug
Histogramm als ML-Schätzer: Antwort
Status: (Antwort) fertig Status 
Datum: 11:00 Sa 12.05.2012
Autor: dennis2

hallo mikexx,

du hast da einen denkfehler

die ml-methode sollst du hier für die  parameter [mm] $f_1,\hdots,f_{L}$ [/mm] anwenden!

also die likelihood die du hast stimmt zwar aber wie gesagt jetzt musst du dir überlegen, wie du das möglichst vereinfachen kannst.


noch ein tipp:

als nebenbedingung hast du noch

[mm] $h\sum_{j=1}^{L}f_j=1$ [/mm]


stichwort: lagrange-methode !




beste grüße

dennis


Bezug
                
Bezug
Histogramm als ML-Schätzer: Frage (beantwortet)
Status: (Frage) beantwortet Status 
Datum: 11:25 Sa 12.05.2012
Autor: mikexx

Hallo, dennis2!

Danke für Deine Antwort.

Kannst Du das evtl. noch ein bisschen ausführen, denn ich verstehe noch nicht ganz, was Du meinst.

Lagrange-Methode? Was ist das?

Bezug
                        
Bezug
Histogramm als ML-Schätzer: Antwort
Status: (Antwort) fertig Status 
Datum: 13:46 Sa 12.05.2012
Autor: dennis2

hi mikexx,

du hast also die likelihood

[mm] $L(f_1,\hdots,f_L~|~x_1,\hdots,x_n)=\prod_{i=1}^{n}\sum_{j=1}^{L}f_j\chi_{B_j}(x_i)$. [/mm]

es ist [mm] $f(x_i)=f_j$, [/mm] falls [mm] $x_i\in B_j$ [/mm] und [mm] $f(x_i)=0$ [/mm] falls es kein j gibt, sodass [mm] $x_i\in B_j$. [/mm]

das heißt du kannst für jedes der intervalle [mm] $B_1$ [/mm] bis [mm] $B_{L}$ [/mm] die anzahl der [mm] $x_i$ [/mm] zählen, die in das intervall reinfallen. du kannst diese anzahlen zum beispiel [mm] $a_1$ [/mm] bis [mm] $a_{L}$ [/mm] nennen.

es können nun zwei fälle auftreten:

1) [mm] $\sum_{j=1}^{L}a_j
das heißt mindestens ein [mm] $x_i$ [/mm] liegt nicht in $[0, Lh)$.
dann ist die likelihood natürlich 0 und diesen fall muss man dann sicherlich nicht weiter beachten, schließlich gehts um eine maximierung der likelihood

2) [mm] $\sum_{j=1}^{L}a_j=n$ [/mm]

da kannst du jetzt mal überlegen wie die likelihood aussieht (bzw. die log-likelihood die ich hier empfehlen würde).


und den ausdruck musst du dann maximieren

zusammen mit der nebenbedingung die ich dir gegeben habe hast du also ein maximierungsproblem mit nebenbedingung ----> lagrange!

falls du die lagrange-methode zur lösung dieses maximierungsproblems mit nebenbedingung nicht kennst gibt es ziemlich schnell eine art kochrezept bei google zu finden wie man das schnell aufschreiben kann.

(i) zu maximierende funktion aufschreiben
(ii) nebenbedingung aufschreiben und schreiben als "...=0"
(iii) aus (i) und (ii) die lagrangefunktion bilden
(iv) partielle abbildungen bilden (hier L+1 Stück) und nullsetzen
(v) umformen und schon ist die lösung da

:-)





so jetzt etwas klarer geworden?


beste grüße
dennis



Bezug
Ansicht: [ geschachtelt ] | ^ Forum "mathematische Statistik"  | ^^ Alle Foren  | ^ Forenbaum  | Materialien


^ Seitenanfang ^
ev.vorhilfe.de
[ Startseite | Mitglieder | Impressum ]