Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
Seminar Stochastik _ Bayes-Statistik (Sommer)

Seminar Stochastik _ Bayes-Statistik (Sommer)

Ratings: (0)|Views: 182|Likes:
Published by mailbigfoot

More info:

Published by: mailbigfoot on Oct 05, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

10/05/2012

pdf

text

original

 
Bayes-Statistik
Marian Sommer - 28. September 2012
Seminar zur Stochastik
WS 2012 - Institut für Statistik und Wirtschaftsmathematik - RWTH Aachen
www.isw.rwth-aachen.de
Inhaltsverzeichnis
1 Grundlagen 12 Bayes-Schätzfunktion 33 Beispiele 54 Das IMDb-Top250-Bewertungssystem 185 Zusammenfassung und Ausblick 21Literaturverzeichnis 23
 
1 Grundlagen
Diese Ausarbeitung knüpft an die Grundlagen über Schätzfunktionen in der Statistikan. Es werden einige Definitionen benötigt, die fortlaufend verwendet werden.
Definition 1.1 (statistischer Raum)
Sei
(
,
)
ein Messraum,
̸
=
eine Men-ge und
=
{
ϑ
|
ϑ
}
eine Familie von Wahrscheinlichkeitsverteilungen auf 
mit
ϑ
̸
=
ϑ
falls
ϑ
̸
=
ϑ
. Dann heißt
(
,
,
)
statistischer Raum 
,
Stichprobenraum 
,
Verteilungsannahme 
,
Parameterraum.
Definition 1.2 (Statistik)
Sei
(
,
,
)
ein statistischer Raum und
(
V,
)
einMessraum. Eine messbare Abbildung
: (
,
)
(
V,
)
heißt
Statistik 
.
(
V,
,
)
mit
:=
{
|
P}
heißt wieder
statistischer Raum 
.
Definition 1.3 (Nichtrandomisierte statistische Entscheidungsfunktion, Ent-scheidungsraum)
Sei
(
,
,
)
ein statistischer Raum und
(
D,
D
)
ein Messraum.Eine messbare Abbildung
δ 
: (
,
)
(
D,
D
)
heißt
nichtrandomisierte statistische Entscheidungsfunktion 
oder
Schätzfunktion 
und
(
D,
D
)
heißt
Entscheidungsraum 
.
Definition 1.4 (Verlustfunktion)
Es sei
(
,
,
)
ein statistischer Raum,
=
{
ϑ
|
ϑ
}
,
̸
=
eine Menge, und
(
D,
D
)
ein Messraum. Eine Funktion
L
:
×
D
[0
,
]
,
(
ϑ,d
)
L
(
ϑ,d
)
heißt
Verlustfunktion 
, wenn
L
(
ϑ,
·
)
D
(
B
1
[0
,
])
messbar ist
ϑ
, wobei
B
1
die Borelsche
σ
-Algebra auf 
R
=
R
{∞
,
−∞}
ist.Eine bekannte und häufig benutzte Verlustfunktion ist die Gauss’sche Verlustfunk-tion.
Definition 1.5 (Gauss’sche Verlustfunktion)
Es sei
D
R
,
=
{
ϑ
|
ϑ
}
,
g
: (Ω
,
D
)
(
R
1
,
B
1
)
messbar. Dann heißt
L
:
×
D
[0
,
]
,
(
ϑ,d
)
(
g
(
ϑ
)
d
)
2
Gauss’sche Verlustfunktion 
. Für
g
(
ϑ
) =
ϑ
wird
L
auch
quadratischer Verlustfunktion 
genannt.
Definition 1.6 (statistisches Entscheidungsproblem)
Sei
(
,
,
)
ein statis-tischer Raum,
=
{
ϑ
|
ϑ
}
,
̸
=
eine Menge,
(
D,
D
)
ein Entscheidungsraumund
L
:
×
D
[0
,
]
eine Verlustfunktion. Dann heißt
= ((
,
,
)
,
(
D,
D
)
,L
)
statistisches Entscheidungsproblem 
Definition 1.7 (Risikofunktion)
Gegeben sei ein statistisches Entscheidungspro-blem
= ((
,
,
)
,
(
D,
D
)
,L
)
und
sei die Menge aller nichtrandomisierten Ent-scheidungsfunktionen. Die Funkrion
R
:
×
[0
,
]
,
(
ϑ,δ 
)
 
L
(
ϑ,δ 
(
x
))
dP 
ϑ
(
x
)
heißt
Risikofunktion 
.1
 
Definition 1.8 (UMP-Schäzer)
Es sei
= ((
,
,
)
,
(
D,
D
)
,L
)
ein statisti-sches Entscheidungsproblem. Eine nichtrandomisierte Entscheidungsfunktion
δ 
heißt
gleichmäßig optimal 
oder
UMP-Schätzer 
(Uniformly most powerful) genau dann,wenn
R
(
ϑ,δ 
)
R
(
ϑ,δ 
)
,
ϑ
,
δ 
wobei
die Menge aller nichtrandomisierten Entscheidungsfunktionen sei.
Definition 1.9 (UMVU-Schätzer, Erwartungstreue)
Es sei
= ((
,
,
)
,
(
D,
D
)
,L
)
ein statistisches Entscheidungsproblem, wobei
L
durch die Gauss’sche Verlustfunk-tion gegeben ist. Jede Schätzfunktion
δ 
für die
ϑ
(
δ 
(
)) =
g
(
ϑ
)
(
Erwartungs-treue Schätzfunktion für 
g
(
ϑ
)
) gilt und die gleichmäßig optimal, ist heißt
UMVU-Schätzer 
(Uniformly minimum variance unbiased estimator).Eine Identitätsaussage hat C.R.Rao(1973) entdeckt.
Satz 1.1
Es se
: (Ω
,
A
,
)
(
,
,
ϑ
)
eine von 
ϑ
abhängige Zu- fallsvariable und 
δ 
:
X
G
R
1
erwartungstreue Schätzfunktion für 
g
(
ϑ
)
mit 
Var
ϑ
δ 
(
)
<
,
ϑ
.
δ 
ist UMVU-Schätzer genau dann, wenn 
ϕ
:
X
R
1
B
B
1
-messbar mit 
ϑ
ϕ
(
) = 0
,
ϑ
:
Cov
(
δ 
(
)
,ϕ
(
)) = 0
,
ϑ
mit 
Var
ϑ
ϕ
(
)
<
Für einen Beweis siehe C.R.Rao(1973). Anwendung findet dieser Satz in der Bestim-mung des UMVU-Schätzers bei binomialverteilter Zufallsvariable.
Beispiel 1.1 (Binomialer UMVU-Schätzer)
Es sei
eine binomialverteilte Zu-fallsvariable,
bin
(
n,p
)
,
n
N
,
p
(0
,
1) = Ω
,
=
{
0
,...,n
}
. Wegen
(
) =
np
n
=
p
ist
δ 
(
x
) =
xn
,
x
{
0
,...,n
}
erwartungstreue Schätzfunktion für
p
.
ϕ
:
R
R
erwatungstreue Schätzfunktion für 0
 p
[0
,
1] :
 p
(
ϕ
(
)) =
n
 j
=0
ϕ
(
 j
)
 p
 j
(1
 p
)
(
n
 j
)
= 0
ist ein Polynom in
p
mit überabzählbar vielen Nullstellen.
ϕ
(
 j
) = 0
,
j
{
0
,...,n
}
So erhält man
Cov
 p
(
δ 
(
)
,ϕ
(
)) =
 p
(
δ 
(
)
ϕ
(
))
 p
(
δ 
(
))
 p
(
δ 
(
))
  
 
  
=0
=
n
 j
=0
 jn
ϕ
(
 j
)
  
 
  
=0
 p
 j
(1
 p
)
n
 j
= 0
,
 p
(0
,
1)
2

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->