Hypergeometrische Verteilung Für n, M ≤ N heißt Zufallsgröße mit

Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.35
Hypergeometrische Verteilung
Für n, M ≤ N heißt Zufallsgröße mit Werten in X = {0, 1, . . . ,min(n, M )}
hypergeometrisch verteilt mit Parameter (n, M, N ), wenn
M N −M
k
n−k
Ws(X = k) =
,
N
n
k = 0, . . . , min(n, M ).
Kurzschreibweise: X ist H(n, M, N )-verteilt
W3
Ws(X ≤ k) =
k
X
j=0
Ws(X = j) = 1 − Ws(X > k)
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.36
Modellbildung: Stichprobenziehen ohne Zurücklegen
Population von N Objekten oder Personen
M davon haben bestimmtes Merkmal
i) Wie groß ist M ? (defekte Produkte in Qualitätssicherung, N
bekannt)
ii) Wie groß ist N ? (Populationsgröße im Wildlife-Management,
M bekannt)
Untersuche nacheinander n Objekte; jedes kann nur einmal
gewählt werden
Stichprobe ohne Wiederholungen
X = Anzahl der Objekte in der Stichprobe, die das Merkmal besitzen
ist H(n, M, N )-verteilt.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.37
Anwendungsfeld: Qualitätskontrolle
Endkontrolle: Aus Tagesproduktion von N Geräten wird eine
Stichprobe von n Stück gezogen und genau untersucht.
Abnahmekontrolle: Aus Lieferung (”Los”) von N Geräten wird
Stichprobe vom Umfang n genau untersucht.
Anzahl der unzulänglichen Geräte in der Lieferung = M =?
Anzahl der unzulänglichen Geräte in der Stichprobe = X
X ist H(n, M, N )-verteilt. Intuition für Schätzer:
X
M
≈
n
N
M̂ =
N
X
n
schätzt M
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.38
Operationscharakteristik = Annahmewahrscheinlichkeit für
n = 30 und n = 60, M = 0, 05N (+) bzw. M = 0, 01N (*)
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.39
Approximation hypergeometrische durch Binomialverteilung
M und N − M n
(Stichprobe klein im Vergleich zu beiden Teilpopulationen)
Dann:
H(n, M, N ) ≈ B(n, M
N)
d.h. für H(n, M, N )-verteilte zufällige Anzahl X gilt:
Ws(X = k) ≈
n
k
pk (1 − p)n−k
mit p =
M
.
N
Man kann X dann auch gleich als binomialverteilte Zufallsgröße
modellieren.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.40
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.41
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.42
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.43
Anwendungsfeld: Meinungsumfragen
Aus Gesamtpopulation (Bevölkerung der BRD, Kunden des
ABC-Baumarktes, Anhänger des 1.FCK, ...) der Größe N wird
Stichprobe aus n verschiedenen Personen zufällig ausgewählt.
N muss nicht bekannt sein.
Ihnen wird eine Frage gestellt, die mit Ja oder Nein beantwortet
werden kann.
p = Anteil der Gesamtpopulation, der mit Ja antworten würde.
Annahme:
N p, N (1 − p) n.
X = Anzahl der Befragten, die mit Ja antworten,
ist eigentlich hypergeometrisch, praktisch aber binomial verteilt
mit Parameter n und p.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.44
Beispiel: Der (einzige) Parkplatz neben einem innerstädtischen
Supermarkt soll in einen Park umgewandelt werden. Um die Auswirkungen abzuschätzen, werden eine Woche lang in mehreren,
über den Tag verteilten 10 min-Intervallen Kunden an der Kasse
befragt, ob sie mit dem Wagem da sind oder nicht.
N
M
N −M



Anzahl aller Kunden
n
Anzahl der Kunden, die mit Pkw anfahren

Anzahl der Kunden, die nicht mit Pkw anfahren 
n = 536
X = 178 ist ≈ B(536, p)-verteilt
p=
M
X
≈
= 0, 332 = p̂ (schätzt p)
N
n
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.45
Fallstudie: Wahlverhalten
Stimmanteil der ABC-Partei bei der letzten Wahl:
p0 = 0, 1 = 10%
Nach einem Jahr Umfrage unter n = 500 Wahlberechtigten
nur X = 42 (8,4 %) für ABC.
Zufall oder Hinweis auf sinkende Popularität?
a) Umfrage ohne Wiederholungen
X ist exakt H(n, M, N )-verteilt
mit M = Anzahl der Wahlberechtigten für ABC
N = Anzahl aller Wahlberechtigten
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.46
b) n M, N − M
X kann näherungsweise als B(n, p)-verteilt
betrachtet werden mit
M
= prozentualer Anteil der Wahlberechtigten für ABC
p=
N
Präzisierung der Frage:
Ist X = 42 noch verträglich mit der Annahme, dass sich der
Anteil der Anhänger von ABC nicht verringert hat?
Angenommen, p = p0. Wie groß ist die Wahrscheinlichkeit für
höchstens 42 ABC-Wähler in der Stichprobe?
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.47
Wie groß ist die Wahrscheinlichkeit für X ≤ 42, wenn immer noch
p = p0 = 0.1?
n groß
X ≈ N (np, npq)-verteilt, q = 1 − p
!
42 − np0
Wsp0 (X ≤ 42) ≈ Φ √
= Φ(−1, 19)
np0q0
= 1 − Φ(1, 19) = 1 − 0, 883 = 0, 117
Ereignisse mit einer Wahrscheinlichkeit von 11, 7% erscheinen
durchaus noch im Rahmen des Möglichen. Man kann aus der
Umfrage nicht folgern, dass sich der Wähleranteil verringert hat.
Binomialtest (α = 0, 05):
Teststatistik:
> −1, 645 = −c1−α
H0 : p = p0 gegen H1 : p < p0
X − n p0
0
X = √
= −1, 19
n p0q0
H0 annehmen.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.48
Frage mit mehreren möglichen Antworten, z.B.
”Welcher Partei würden Sie Ihre Stimme geben, wenn am nächsten
Sonntag Landtagswahl wäre?”
Antworte: SPD, CDU, FDP, Grüne, ...
”Welche Automarke würden Sie bei der nächsten Neuanschaffung
vorziehen, wenn der Kaufpreis keine Rolle spielt?”
Antworte: BMW, Daimler, Audi, VW, Volvo, ...
Allgemein: m mögliche Antworten A1, A2, . . . , Am
n Personen werden gefragt
Xi = Anzahl der Personen, die Ai antworten, i = 1, . . . , m.
i fest. Erfolg = Antwort Ai, Misserfolg = Antwort Aj , j 6= i,
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.49
Jedes Xi ist für sich allein genommen B(n, pi)-verteilt
pi = Ws(Antwort einer Person ist Ai)
= Anteil der Gesamtpopulation, die der Meinung Ai ist.
Aber: X1 + . . . + Xm = n
Abhängigkeit der X1, . . . , Xm
2.3 Laplace-verteilte Zufallsgrößen, rein zufällige Auswahl
Rein zufällige Auswahl eines Objektes oder einer Person:
i) jedes hat diesselbe Chance, gewählt zu werden;
ii) bei Auswahl mehrerer Personen/Objekte hat auch
jede Reihenfolge dieselbe Chance
Laplace-Mechanismus
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.50
A = {a1, . . . , am} endliche Menge
Zufallsgröße X mit Werten in X = A heißt Laplace-verteilt in
A, wenn
1
für alle i = 1, . . . , m
Ws(X = ai) =
m
B = {ai1 , . . . , aik } ⊆ A
Laplace-Wahrscheinlichkeit:
Ws(X ∈ B) =
=
Anzahl der Elemente in B
k
=
Anzahl der Elemente von A
m
Anzahl der ”günstigen” Fälle (mit X ∈ B)
Anzahl aller möglichen Fälle
Wiederholte Auswahl:
1
Ws(X1 = ai1 , . . . , XN = aiN ) = N
m
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.51
2.4 Allgemeine diskrete Verteilungen
Zufallsgröße X mit nur endlich vielen möglichen Werten a1, . . . , am
Ws(X = ai), i = 1, . . . , m, reichen zur Berechnung von Ws(X ∈ B)
Allgemeiner: X nimmt Werte in abzählbarem Wertebereich
X = {x1, x2, . . .} an. Vorgegeben:
Wahrscheinlichkeitsgewichte p(xj ) ≥ 0
mit
P∞
j=1 p(xj ) = 1
Definiere Ws(X = xj ) = p(xj )
j = 1, 2, . . .
Rechenregel W 3
Ws(X ∈ B) =
X
j mit xj ∈B
p(xj ).
j = 1, 2, . . .
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.52
Ws(X ∈ B) =
X
p(xj ).
j mit xj ∈B
Summe der Wahrscheinlichkeitsgewichte aller möglichen Werte
xj von X, die in B liegen.
Beispiele:
i) Zu n ≥ 1, 0 < p < 1, X = {0, . . . , n} definiere Wahrscheinlichkeitsgewichte
n
p(k) =
pk (1 − p)n−k , k = 0, . . . , n
k
und Ws(X = k) = p(k), k = 0, . . . , n,
X ist B(n, p)-verteilt.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.53
Ws(X ≤ 3) = Ws(X ∈ {0, 1, 2, 3})
|
=
=
X
Ws(X gerade ) =
}
p(k)
k∈B
3 X
n
k=0
{z
B
k
pk (1 − p)n−k
n
X
n
k=0
k
pk (1 − p)n−k
k gerade
Ws(X > 3) =
n X
n
k=4
k
pk (1 − p)n−k
= 1 − Ws(X ≤ 3)
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.54
ii) Welcher Farbton einer Verpackung kommt bei Kunden gut an?
MUSTER
MUSTER
MUSTER
MUSTER
MUSTER
Frage an zufällig vorbeikommenden Kunden: Welche Verpackung
gefällt Ihnen am besten?
Antwort X ∈ X = {rot, blau, schwarz, magentarot, cyanblau}
Ws-gewichte: p(f ) ≥ 0, f ∈ X
mit p(r) + p(b) + p(s) + p(m) + p(c) = 1
Ereignis: Entscheidung für bunt, d.h. X ∈ B = {r, b, m, c}
Ws(X bunt) = p(r) + p(b) + p(m) + p(c) = 1 − p(s)
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.55
ii’) n unabhängige Kundenbefragungen
Zf = Anzahl der Kunden, die sich für Farbe f entscheiden,
f ∈ X = {r, b, s, m, c}
Zr + Zb + Zs + Zm + Zc = n
vektorwertige Zufallsgröße
Z = (Zr , Zb, Zs, Zm, Zc)
von Anzahlen mit Wertebereich
Z = {0, 1, . . . , n}5
z.B. für n = 100:
Z = (35, 18, 26, 14, 7) oder Z = (24, 9, 17, 25, 25), ...
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.56
Allgemein:
n ≥ 1, d ≥ 2, 0 < p1, p2, . . . , pd < 1 mit p1 + . . . + pd = 1.
Eine Zufallsgröße Z = (Z1, . . . , Zd) mit Werten in Z = {0, . . . , n}d
heißt multinomial verteilt mit Parameter (n, p1, . . . , pd), wenn
Ws(Z = (k1, . . . , kd)) = Ws(Z1 = k1, . . . , Zd = kd)
=
n
p 1 k 1 · . . . · pd k d
k1 . . . k d
für k1, . . . , kd ≥ 0 mit k1 + . . . + kd = n.
n
n!
=
k1 . . . k d
k1 ! · . . . · kd !
Multinomialkoeffizient
Schreibweise: X ist M(n, p1, . . . , pd)-verteilt
Prof. Dr. J. Franke
Spezialfall: d = 2, X = Z1
Statistik II für Wirtschaftswissenschaftler 5.57
Z2 = n − X,
p 2 = 1 − p1
(Z1, Z2) M(n, p1, 1 − p1)-verteilt ←→ X = Z1 B(n, p1)-verteilt
Modellbildung:
n unabhängige, gleichartige Versuche mit d möglichen Ausgängen
oder Ergebnissen: E1, . . . , Ed
pi = Ws(Einzelversuch hat Ergebnis Ei), i = 1, . . . , d
Zi = Anzahl der Versuche mit Ergebnis Ei, i = 1, . . . , d
Z = (Z1, . . . , Zd) ist M(n, p1, . . . , pd)-verteilt.
Jedes einzelne Zi ist B(n, pi)-verteilt, aber Z1, . . . , Zd abhängig!
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.58
Der Chi-Quadrat-Anpassungstest (Goodness-of-Fit)
Binomialexperiment:
Experimente/Fragen mit zwei möglichen Ergebnissen
Multinomialexperiment:
Experimente/Fragen mit d ≥ 2 möglichen Ergebnissen
n Daten, die in jeweils eine von d Klassen fallen
Klassen
Klassennr.
Anzahl Daten in der Klasse
Immer: Z1 + Z2 + . . . Z d = n
A1
1
Z1
A2
2
Z2
...
...
...
Ad
d
Zd
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.59
Anzeige- oder Indikatorvariable:
Yj = k, wenn j-tes Objekt zu Klasse k gehört, j = 1, . . . , n
Zk = Anzahl der j mit Yj = k
= Anzahl der Objekte, die zu Klasse k gehören
Modell:
Zu welcher Klasse ein Objekt gehört, wird auf unabhängige,
identische Weise bestimmt, d.h.
Y1, . . . , Yn sind u.i.v. mit Werten in {1, . . . , d}
Ws(Yj = k) = Ws(Objekt in Klasse Nr. k) = pk , k = 1, . . . , d
p1 + . . . + pd = 1
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.60
0 bekannt und fest
1. Entscheidungsproblem: p0
,
.
.
.
,
p
1
d
Gilt
H 0 : p k = p0
k für alle k = 1, . . . , d,
oder H1 : p` 6= p0
` für wenigstens ein `?
Beispiel: Zusammensetzung (nach Berufsgruppen) der Kunden
wie in der Gesamtbevölkerung?
A1 = Freiberufler
A2 = selbständige Handwerker
A3 = mittlere Angestellte ohne Leitungsfunktion
...
...
p0
k = Anteil der Berufsgruppe Ak an der Gesamtbevölkerung
pk = Anteil der Berufsgruppe Ak am Kundenkreis
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.61
Daten: Befrage n Kunden
Z2 = Anzahl der selbständigen Handwerker unter den Befragten,
...
Beispiel: Investition (Personal, Modernisierung) in Verkaufsgebiet mit d = 5 Filialen.
Gießkannenprinzip oder gezielte Förderung ”gutgehender” Verkaufsstellen?
Gibt es überhaupt Unterschiede?
Klassen (Filialen)
Zk = Zahl der Kunden an Testtagen
Z1 + . . . + Z5 = n = 620
A1
123
A2
96
A3
164
A4
131
A5
106
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.62
Hypothese H0 :
0 , , k = 1, . . . , 5
keine Unterschiede, d.h. pk = 1
=
p
k
5
Alternative H1 :
0 für wenigstens ein k
pk 6= 1
=
p
k
5
pk ≈ Znk
Wahrscheinlichkeit ≈ relative Häufigkeit
Zk
0
n ≈ pk für alle k = 1, . . . , d
2
quadratische Abstände Zk − np0
≈0
k
Wenn H0 gilt:
Teststatistik: D = D(Z1, . . . , Zd) =
d
X
k=1
=
d
X
k=1
2
0
Zk − npk
np0
k
beobachtet − erwartet in Klasse k
erwartet in Klasse k
2
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.63
Faustregel: Wenn np0
k ≥ 1 für alle k = 1, . . . , d
und np0
k ≥ 5 für ≥ 80% der k = 1, . . . , d
D=
d
X
k=1
2
0
Zk − npk
ungefähr χ2
-verteilt, wenn H0 gilt.
d−1
0
npk
Chi-Quadrat-Anpassungstest zum Niveau α
0
Gegeben feste Klassenwahrscheinlichkeiten p0
1 , . . . , pd
Hypothese
Alternative
H0 verwerfen, wenn
p k = p0
k,
für alle k
p` 6= p0
`
D > χ2
d−1,1−α =
(1 − α)-Quantil von χ2
d−1
für wenigstens ein `
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.64
Beispiel (Forts.): d = 5, n = 620
1
, k = 1, . . . , 5
5
erwartete Anzahl in Klasse Ak (unter H0) : n · 1
5 = 124
H0 : p k =
D=
5
X
(Zk − 124)2
k=1
124
= 22, 242
Annahmen der Faustregel hier völlig unproblematisch.
Wähle Niveau α = 5%.
Aus Tabelle: 0.95-Quantil von χ2
4 : 9, 488
Da D > 9, 488: verwirf H0 auf dem 5%-Niveau!
Diese Entscheidung ist ziemlich sicher richtig; wir irren uns dabei
mit einer Wahrscheinlichkeit von höchstens 5%.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.65
Faustregel verletzt?
fasse zu kleine Klassen (mit np0
k 5)
zu einer größeren Klasse zusammen!
So wenig wie nötig, denn:
viele Klassen
Ws(Fehler 2. Art) klein
Beispiel: d = 12 Sektmarken A1, . . . , A12 im Supermarkt, bisherige Marktanteile p0
k (bekannt aus Langzeitbeobachtung der
Verkaufszahlen)
Sekt Nr.
1
2
3
4
5
6
7
8
9
10
11
Anteil p0
k
25
20
16
13
9
6
3
3
2
1
1
12
1
%
Werbeaktion für Sekt Nr. 3 und 7. Ändert sich dadurch etwas?
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.66
Daten: Kaufentscheidung von n = 120 Kunden an 3 Tagen
Zk = Zahl der Käufer von Sekt. Nr. k
Sekt Nr.
Zk
np0k
1
32
30
2
19
24
3
26
19,2
4
11
15,6
5
6
10,8
6
10
7,2
7
8
3,6
8
1
3,6
Da nur ≤ 2 Klassen mit np0
k < 5 auftreten sollen
9-12 zu einer neuen Klasse zusammen.
9
5
2,4
10
0
1,2
11
0
1,2
fasse Klassen
Sekt Nr.
1
2
3
4
5
6
7
8
9 - 12
Zk∗
32
19
26
11
6
10
8
1
7
np0∗
k
30
24
19,2
15,6
10,8
7,2
3,6
3,6
6
Zk∗ = Zk , k = 1, . . . , 8,
p0∗
k = pk ,
k = 1, . . . , 8,
Z9∗ = Z9 + . . . + Z12
0 + . . . + p0
p0∗
=
p
9
9
12
12
2
1,2
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.67
D = D(Z1∗ , . . . , Z9∗ ) = 12, 47
α = 0, 05
0.95-Quantil: 15, 59 (Tabelle der Quantile von χ2
8)
Da D ≤ 15, 59
akzeptiere H0!
Die Daten reichen nicht aus, um mit einiger Sicherheit auf den
Effekt der Werbeaktion schließen zu können, obwohl der beobachtete Umsatz der beworbenen Marken in der Stichprobe höher
als erwartet ist.
Sekt Nr.
1
2
3
4
5
6
7
8
9 - 12
Zk∗
32
19
26
11
6
10
8
1
7
np0∗
k
30
24
19,2
15,6
10,8
7,2
3,6
3,6
6
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.68
Poissonverteilung
Eine Zufallsgröße X mit Werten in {0, 1, 2, . . .} heißt Poissonverteilt mit Parameter λ > 0, wenn die Wahrscheinlichkeitsgewichte die Form haben:
λk −λ
p(k) = Ws(X = k) =
e , k = 0, 1, 2, . . .
k!
Kurzschreibweise: X ist P(λ)-verteilt
Beispiele für Daten, die als Poisson-verteilte Zufallsgrößen modelliert werden können:
•
Anzahl der Kunden, die zwischen 10 und 11 Uhr einen Bankschalter benutzen,
•
Anzahl der Telefonanrufe, die einen Netzknoten zwischen 15
und 17 Uhr passieren,
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.69
•
Anzahl der Versicherungsfälle, die einer Brandversicherung
innerhalb eines Monats gemeldet werden,
•
Anzahl von Atomen eines radioaktiven Präparats, die innerhalb eines Jahres zerfallen.
Modellbildung I:
Gleichartige Ereignisse treten in unregelmäßiger Abfolge ein;
die Wartezeiten zwischen aufeinander folgenden Ereignissen sind
unabhängig.
X = Anzahl der Ereignisse in festem Zeitintervall
ist P(λ)-verteilt.
λ = mittlere Anzahl von Ereignissen pro Zeitintervall,
abhängig von Intervalllänge und Ereignisdichte.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.70
Modellbildung II:
Kleine (punktförmige) Objekte sind zufällig über eine große Fläche
oder ein großes Volumen verteilt.
X = Anzahl der Objekte in fester Teilfläche oder -volumen
ist P(λ)-verteilt.
λ = mittlere Anzahl von Objekten pro Teilfläche bzw. -volumen
abhängig von Fläche bzw. Volumen und räumlicher Objektdichte.
•
Anzahl von Verunreinigungen in Kristall
•
Anzahl von Rosinen in Rosinenbrötchen
•
Anzahl von Bäumen einer Art auf 10 km2 Urwald
•
Anzahl von Bakterien auf 10 cm2 einer Petrischale
•
Anzahl von Fasern in 1 dm3 Faserverbundwerkstoff
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.71
Verteilungsfunktion der Poisson-Verteilung:
`
X
λk −λ
e
Fλ(`) = Ws(X ≤ `) =
k!
k=0
Tabelle 2:
λ
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
0
0.3679
0.3329
0.3012
0.2725
0.2466
0.2231
0.2019
0.1827
0.1653
0.1496
0.1353
1
0.7358
0.6990
0.6626
0.6268
0.5918
0.5578
0.5249
0.4932
0.4628
0.4337
0.4060
2
0.9197
0.9004
0.8795
0.8571
0.8335
0.8088
0.7834
0.7572
0.7306
0.7037
0.6767
3
0.9810
0.9743
0.9662
0.9569
0.9463
0.9344
0.9212
0.9068
0.8913
0.8747
0.8571
`
4
0.9963
0.9946
0.9923
0.9893
0.9857
0.9814
0.9763
0.9704
0.9636
0.9559
0.9473
5
0.9994
0.9990
0.9985
0.9978
0.9968
0.9955
0.9940
0.9920
0.9896
0.9868
0.9834
6
0.9999
0.9999
0.9997
0.9996
0.9994
0.9991
0.9987
0.9981
0.9974
0.9966
0.9955
7
1
1
1
0.9999
0.9999
0.9998
0.9997
0.9996
0.9994
0.9992
0.9989
8
1
1
1
1
1
1
1
0.9999
0.0000
0.9998
0.9998
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.72
”Gesetz der kleinen Zahlen”:
Unabhängige, identische Experimente mit 2 Ergebnissen (Binomialexperiment), Erfolg sehr selten
n = Anzahl Experimente groß, p = Erfolgswahrscheinlichkeit ≈ 0
X = Anzahl der Erfolge klein.
Exakt: X ist B(n, p)-verteilt
Näherung: X ist P(λ)-verteilt mit
λ = np
brauchbar für n ≥ 20, p ≤ 0, 05
gut für n ≥ 100, np ≤ 10
Man kann X dann auch gleich als poissonverteilte Zufallsgröße
modellieren: B(n, p) ≈ P(np), wenn n groß, p ≈ 0.
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.73
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.74
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.75
Schätzer für Poisson-Parameter λ
X1, . . . , XN u.i.v. P(λ)-verteilt
schätze λ durch
N
1 X
XN =
Xj
N j=1
Anwendung - exemplarisch für
Unfall- oder Brandversicherungen
Ladislaus von Bortkiewicz (1868-1931):
Anzahl der jährlichen Todesfälle durch Pferdetritt in der preußischen Kavallerie pro Regiment (1875-1894, 14 Regimenter)
N = 14 · 20 = 280 Regimentsjahre
X1, . . . , XN Anzahl Todesfälle in den N Regimentsjahren
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.76
X1, . . . , XN Anzahl Todesfälle in den N = 280 Regimentsjahren
Zk = Anzahl Regimentsjahre mit k Todesfällen, k = 0, 1, 2, . . ..
k
0
1
2
3
4
≥5
Zk
144
91
32
11
2
0
Schätzer für λ
4
X
1 280
1 X
Xj =
k · Zk = 0, 7
λ̂ = X N =
280 j=1
280 k=0
Vergleich der beobachteten Häufigkeiten mit den Poissonwahrscheinlichkeiten (λ̂ = 0,7) ergibt gute Modellanpassung an Daten:
Zk
λ̂k −λ̂
≈ p̂(k) =
e ,
N
k!
k = 0, . . . , 4
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.77
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.78
Rutherford/Geiger (1910): Radioaktiver Zerfall von Polonium (Anzahl Zerfälle in 7,5 sec-Intervallen), N = 2608, λ̂ = 3, 872
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.79
Chi-Quadrat-Test II: Test von Verteilungsmodellen
k
0
1
2
3
4
≥5
Zk
144
91
32
11
2
0
np̂(k)
139,0
97,3
34,1
7,9
1,4
0,2
Todesfälle durch Pferdetritt (d = 6 Klassen, n = 280), λ̂ = 0.7.
Wenn Xj P(λ)-verteilt, dann ist Z = (Z1, . . . , Z6) multinomial
verteilt mit Parameter (n, p(0), . . . , p(5)).
p(k) unbekannt
c=
D
5
X
k=0
Zk − np̂(k)
np̂(k)
setze in Chi-Quadrat-Statistik Schätzer ein:
2
,
λ̂k −λ̂
p̂(k) =
e , k = 0, . . . , 4,
k!
p̂(5) = 1−
4
X
k=0
p̂(k)
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.80
0 ≥ 5 für ca. 80 % oder mehr k)
Faustregel (np0
≥
1
immer,
np
k
k
verletzt
vereinige k = 4 und k ≥ 5 zu einer neuen Klasse k ≥ 4
k
0
1
2
3
≥4
Zk
144
91
32
11
2
np̂(k)
139,0
97,3
34,1
7,9
1,6
2
2
2
(144
−
139,
0)
(91
−
97,
3)
(2
−
1,
6)
c=
D
+
+ ... +
= 1, 98
139, 0
97, 3
1, 6
Wenn die Hypothese
H0 : Xj , j = 1, . . . , n sind P(λ)-verteilt für irgendein λ > 0
c ungefähr χ2
wahr ist, dann ist D
d−1−m -verteilt:
d = Anzahl Klassen
m = Anzahl der geschätzten Parameter (hier λ, also m = 1)
Prof. Dr. J. Franke
Statistik II für Wirtschaftswissenschaftler 5.81
H0 : Zk , k = 1, . . . , d, sind multinomial verteilt mit Parameter
(n, p1, . . . , pd), wobei pk = fk (θ), k = 1, . . . , d, für irgendeinen
Wert des Parametervektors θ = (θ1, . . . , θm),
fk bekannt
b ersetze bekannte p0 in der χ2-Teststatistik
Schätze θ durch θ,
k
durch geschätzte
b
p̂k = fk (θ)
c =
D
5
X
k=0
Zk − np̂k
2
np̂k
c > (1 − α)-Quantil von χ2
H0 verwerfen, wenn D
d−1−m
Im Beispiel d = 5, m = 1, α = 0, 05, 7, 81 = 95%-Quantil von χ2
3
c = 1, 98 < 7, 81
D
H0 akzeptieren
die Daten widersprechen nicht der Modellannahme, dass die Anzahl der Todesfälle
durch Pferdetritt poissonverteilt ist.