Nächste Seite: Bayes-Schätzer
Aufwärts: Methoden zur Gewinnung von
Vorherige Seite: Momenten-Methode
  Inhalt
Maximum-Likelihood-Schätzer
- Eine andere Methode zur Gewinnung von Schätzern für die
unbekannten Komponenten des Parametervektors
ist die
Maximum-Likelihood-Methode.
- Genauso wie bei der Momentenmethode wird auch bei der
Maximum-Likelihood-Methode das Ziel verfolgt,
so zu
schätzen, dass eine möglichst gute Anpassung der Modellverteilung
bzw. der Verteilungsfunktion
an die
beobachteten Daten
erreicht wird.
Wir betrachten hier nur die beiden (grundlegenden) Fälle, dass die
Stichprobenvariablen
entweder diskret oder
absolutstetig sind. D.h., für jedes
gelte
entweder
-
für eine abzählbare Menge
,
wobei wir mit
die
Wahrscheinlichkeitsfunktion von
bezeichnen, d.h.
für jedes
, oder
-
für jedes
, wobei
die Dichte von
ist.
Dabei wird bei der Maximum-Likelihood-Methode der Parametervektor
so gewählt, dass
- im diskreten Fall die Wahrscheinlichkeit
des Ereignisses
bzw.
- im absolutstetigen Fall die ,,infinitesimale'' Wahrscheinlichkeit
maximiert wird.
Die Maximum-Likelihood-Methode wurde bereits im Jahre 1821 von
Carl Friedrich Gauss (1777-1855) erwähnt. Sir Ronald Aylmer
Fisher (1890-1962) hat diese Methode dann im Jahre 1922
wiederentdeckt und mit der Untersuchung ihrer Eigenschaften
begonnen.
- Definition
Die Abbildung
sei durch die folgende
Vorschrift gegeben.
- Falls
diskret ist, dann sei
 |
(12) |
- Falls
absolutstetig ist, dann sei
 |
(13) |
Für jeden Vektor
heißt die Abbildung
, die den Parameterraum
nach
abbildet, die Likelihood-Funktion
der Stichprobe
.
Die Idee der Maximum-Likelihood-Methode besteht nun darin, für
jede (konkrete) Stichprobe
einen
Parametervektor
zu bestimmen, so dass der Wert
der Likelihood-Funktion möglichst groß
wird. Dies führt zu der folgenden Begriffsbildung.
- Definition
Sei
eine
Stichprobenfunktion mit
 |
(14) |
Der Zufallsvektor
wird dann
Maximum-Likelihood-Schätzer für
(bzw. kurz:
ML-Schätzer) genannt.
- Beachte
-
- Beispiele
-
Wer war vermutlich der Absender?
- Bernoulli-verteilte Stichprobenvariablen (Fortsetzung)
- Betrachten die Familie
Bin
der Bernoulli-Verteilungen.
- Dann gilt
- Die Likelihood-Funktion
ist also gegeben durch
- Falls
bzw.
, dann
sieht man leicht, dass
die Abbildung
an der Stelle
bzw.
ein
(eindeutig bestimmtes) Maximum hat.
- Sei nun
mit
. Dann ist
eine stetige Funktion im Intervall
, und es gilt

bzw.
- Die Abbildung
hat also ein Maximum im
Intervall
.
- Durch Differenzieren nach
ergibt sich
- Weil die Gleichung
die (eindeutig bestimmte) Lösung
hat, nimmt die Abbildung
an der Stelle
ihr Maximum an.
- Also ist der Maximum-Likelihood-Schätzer für den Parameter
gegeben durch
- Ein JAVA-Applet zur Visualisierung der Loglikelihood-Funktion
findet man
beispielsweise auf der Internet-Seite:
- http://www.math.gatech.edu/~spruill/applets.html
- Binomialverteilte Stichprobenvariablen
- Für eine beliebige, jedoch vorgegebene
(d.h. bekannte) natürliche Zahl
betrachten wir nun
die Familie
Bin
von Binomialerteilungen.
- Dann gilt
- Genauso wie in Beispiel 2 ergibt sich der
Maximum-Likelihood-Schätzer
für den (unbekannten) Parameter
.
- Poisson-verteilte Stichprobenvariablen
- Betrachten die Familie
Poi
der Poisson-Verteilungen.
- Dann gilt
- Auf die gleiche Weise wie in den Beispielen 2 und 3 ergibt sich der
Maximum-Likelihood-Schätzer
für den Parameter
.
- Normalverteilte Stichprobenvariablen
- Betrachten nun die Familie
N
der Normalverteilungen.
- Dann gilt
- Die Likelihood-Funktion
ist somit gegeben durch
- Für die Loglikelihood-Funktion gilt
- Durch Differenzieren nach
ergibt sich
- Für jedes (fest vorgegebene)
nimmt also die
Abbildung
ihr Maximum an der Stelle
an.
- Es ist nun noch das Maximum der Abbildung
 |
(16) |
zu bestimmen.
- Weil
gilt, können wir annehmen, dass
nicht alle Stichprobenwerte
gleich sind.
- Beachte: Die Abbildung (16) ist stetig für alle
,
und es gilt

bzw.
- Die Abbildung (16) hat also ein Maximum im
Intervall
.
- Durch Differenzieren nach
ergibt sich
- Weil vorausgesetzt wird, dass nicht alle Stichprobenwerte
gleich sind, gilt
- Deshalb hat die Gleichung
die (eindeutig bestimmte) Lösung
- Hieraus ergeben sich die Maximum-Likelihood-Schätzer
für die Parameter
und
.
- Ein JAVA-Applet zur Visualisierung der Loglikelihood-Funktion
und verschiedene
(numerische) Algorithmen zur Berechnung von
bzw.
findet man
beispielsweise auf der Internet-Seite:
- http://stat.tamu.edu/~jhardin/applets/signed/optim.html
- Gleichverteilte Stichprobenvariablen
- Betrachten die Familie
U
von Gleichverteilungen.
- Dann gilt
- Die Likelihood-Funktion
ist somit gegeben durch
- Weil die Abbildung
monoton
fallend ist für
, ergibt
sich der Maximum-Likelihood-Schätzer
für den Parameter
.
Nächste Seite: Bayes-Schätzer
Aufwärts: Methoden zur Gewinnung von
Vorherige Seite: Momenten-Methode
  Inhalt
Ursa Pantle
2004-07-14