In diesem Abschnitt diskutieren wir die asymptotische
Normalverteiltheit von Parameterschätzern für den Fall, dass der
Stichprobenumfang unendlich groß wird.
Wir beginnen mit dem folgenden Beispiel, das Aussagen enthält, die
wir bereits in den Abschnitten 1.2 bzw.
1.3 (teilweise unter allgemeineren Modellannahmen)
hergeleitet hatten.
Beispiel
(Normalverteilte Stichprobenvariablen)
Es gelte
N
,
wobei sowohl als auch unbekannt sei.
Weil für das 4-te zentrale Moment
normalverteilter
Stichprobenvariablen
gilt, ergibt sich aus den Theoremen 1.4 bzw.
1.11, dass für beliebige
und
(67)
wobei N.
Weil die Zufallsvariablen
und unabhängig
sind (vgl. Theorem 1.10), ergibt sich hieraus,
dass für beliebige
(68)
wobei
die Verteilungsfunktion der
N-Verteilung ist.
Hieraus folgt außerdem, dass auch
(69)
wobei
der
Maximum-Likelihood-Schätzer für
ist mit
Wir beweisen nun einen zentralen Grenzwertsatz für
Maximum-Likelihood-Schätzer, wobei wir voraussetzen, dass die
folgenden Bedingungen erfüllt sein mögen.
Die Familie
bestehe entweder nur
aus diskreten Verteilungen oder nur aus absolutstetigen
Verteilungen, wobei
ein offenes Intervall sei.
Die Menge
hänge nicht von
ab, wobei die Likelihood-Funktion
gegeben ist durch
und
bzw.
die
Wahrscheinlichkeitsfunktion bzw. Dichte von ist.
Es gelte
genau dann, wenn
Außerdem sei die Abbildung
für jedes dreimal stetig differenzierbar, und es gelte
(70)
wobei die Integrale im diskreten Fall durch die entsprechenden
Summen zu ersetzen sind.
Für jedes
gebe es eine Konstante
und eine messbare Funktion
, so dass
(71)
und
(72)
Beachte
Das Integral
(73)
das wir bereits in Abschnitt 2.3.2 betrachtet hatten
(vgl. (31) bzw. (32)), wird in der
Literatur Fisher-Information genannt.
Bei der Herleitung der Ungleichung von Cramér-Rao (vgl. den Beweis
von Theorem 2.2) hatten wir gezeigt, dass
Wegen (74) und (75) ergibt sich
(78) dann aus dem zentralen Grenzwertsatz für
Summen von unabhängigen und identisch verteilten Zufallsvariablen;
vgl. Theorem WR-5.16.
Aus dem starken Gesetz der großen Zahlen für Summen von
unabhängigen und identisch verteilten Zufallsvariablen (vgl.
Theorem WR-5.15) ergibt sich nun, dass
wobei sich die vorletzte Gleichheit aus der Definitionsgleichung
(73) der Fisher-Information ergibt und
Dann ist die Likelihood-Funktion
für jedes
beliebig oft differenzierbar in , und die
Vertauschbarkeitsbedingung (70) ist erfüllt, denn
es gilt für jedes
und
Außerdem gilt für beliebige
und
Hieraus folgt, dass für jedes
wobei
und
mit
Die Bedingungen der Theoreme 2.10 und
2.11 sind somit erfüllt.
Hieraus folgt, dass der Maximum-Likelihood-Schätzer
für
asymptotisch normalverteilt ist.
Dies ergibt sich jedoch in diesem Fall auch direkt aus dem
zentralen Grenzwertsatz für Summen von unabhängigen und identisch
verteilten Zufallsvariablen; vgl. Theorem 1.2.