L20 Teoria Della Stima

Universit di Napoli Federico II, DISES, A.a.
2014-15, CLEC, Corso di Statistica (A-K)

Lezione L20 Teoria della stima
m. gherghi
Corso di laurea in Economia e Commercio (CLEC)

Anno accademico 2014-15
Corso di
Statistica (A-K)
Marco Gherghi
Lezione:
L20
Argomento:
www.docenti.unina.it/marco.gherghi
gherghi@unina.it
Teoria della stima
Universit di Napoli Federico II, DISES, A.a. 2014-15, CLEC, Corso di Statistica (A-K)
m. gherghi
Linferenza
Pop
Estrazione
casuale
Linferenza
m. gherghi
Pop
Linferenza statistica
induce le caratteristiche
della popolazione dallanalisi
del contenuto del campione osservato,
cio inferisce le propriet del modello
matematico a partire dallanalisi dei
dati campionari osservati.
Compito dellinferenza statistica quello di giungere ad una

C
conoscenza delle caratteristiche incognite del processo
in esame sulla base dellinformazione disponibile,
informazione che non pu essere considerata come esaustiva e certa
ma che presenta aspetti di parzialit e di casualit proprio in ragione della sua stessa natura
(Orsi, pag. 267).
Losservazione di un fenomeno nellambito di quelle che vengono definite scienze

osservazionali come leconomia, la sociologia, la psicologia e altre, pu essere considerata
come la realizzazione di un modello probabilistico teorico, e la grandezza
analizzata come una variabile casuale generata da tale modello
(Orsi, pag. 267).
Linferenza statistica affronta problemi di decisione in condizioni di incertezza, di
previsione o, pi in generale, di conoscenza del mondo reale, basandosi sia su
informazioni a priori sia su dati campionari che, per loro natura, costituiscono solo
degli aspetti parziali di tale realt. (Orsi, pag. 268).
3
Linferenza
Sebbene ogni esperimento sia unico e irripetibile, indispensabile
individuare, e provare a controllare, aspetti che possono essere
considerati come comuni. Pi precisamente, ogni inferenza si basa
sulla specificazione accurata dei seguenti elementi (Piccolo, pag. 493):
m. gherghi
Pop
Popolazione di riferimento
Procedura di raccolta e selezione delle informazioni
Tecnica inferenziale per giungere dal risultato parziale alla popolazione
Validit statistica della procedura utilizzata
m. gherghi
Ricordiamo sempre che
Lucido
della lezione zero
Ogni risultato va interpretato;

Ogni interpretazione pu essere giusta o sbagliata, utile o inutile, rilevante o
irrilevante rispetto al problema che dobbiamo risolvere;
Ci su cui si deve essere daccordo il processo che ha generato quel risultato.
Es.:
Da unindagine campionaria condotta sulle matricole universitarie risultato

che il 70% ha dato un giudizio buono sui propri docenti.
Questo risultato pu
essere considerato
Positivo
Perch , in assoluto, una % alta;
Negativo
Perch la percentuale media degli anni precedenti

era oltre l80%.
Ma ci che importante (da un punto di vista statistico) :

Come stato scelto il campione?
Come si determinata la sua numerosit?
Qual lerrore associato a questo risultato e quale il livello di fiducia che noi riponiamo
5
in esso?
Linferenza
Sebbene ogni esperimento sia unico e irripetibile, indispensabile
individuare, e provare a controllare, aspetti che possono essere
considerati come comuni. Pi precisamente, ogni inferenza si basa
sulla specificazione accurata dei seguenti elementi (Piccolo, pag. 493):
m. gherghi
Pop
Popolazione di riferimento
Procedura di raccolta e selezione delle informazioni
Tecnica inferenziale per giungere dal risultato parziale alla popolazione
Validit statistica della procedura utilizzata
Linferenza comprende una serie di tecniche che possono essere raccolte nei suoi due
principali capitoli:
m. gherghi
Stimatori e stime
Supporremo che sulla popolazione sia definita una variabile X la cui distribuzione,
seppure incognita, completamente caratterizzata da un parametro o da un insieme
di parametri .
Lobiettivo trovare, sulla base di un campione casuale X1, X2, , Xn, un valore, o un
insieme di valori, per (o per ) che siano la migliore approssimazione possibile del
valore incognito della popolazione.
Le n osservazioni campionarie X1,Xn sono altrettante variabili casuali la cui
distribuzione e i cui parametri sono uguali a quelli della variabile X.
Una funzione delle osservazioni campionarie essa stessa una variabile casuale che,
nel caso della stima di un parametro, viene definita stimatore.
Il valore che lo stimatore assume nello specifico campione estratto costituisce la
realizzazione campionaria della variabile casuale e costituisce la stima.
7
m. gherghi
Stimatori e stime
C
Pop
C
C
C
Popolazione
C
C
C
C
C
Universo dei possibili

campioni di dimensione n
1 n
X = Xi
n i =1
(Parametro)
(Stimatore)
Tn =
Campione estratto
1 n
x = xi
n i =1
(Stima)
t
8
m. gherghi
Stimatori e stime
C
C
C
Pop
C
C
C
C
C
C
C
C
Universo dei possibili

campioni di dimensione n
Popolazione
Campione estratto
In generale, possibile definire pi di uno stimatore per uno stesso parametro.
Ciascuno stimatore avr una propria distribuzione campionaria che, in generale,

ammetter una media e una varianza
()
Valore atteso dello stimatore
()
E E
Varianza dello stimatore
( Var () )
m. gherghi
La scelta dello stimatore

Naturalit dello stimatore
(rispetto al parametro che vuole stimare)
Propriet
Metodo dei momenti

Metodo dei minimi quadrati
Metodo della massima verosimiglianza
10
m. gherghi
Propriet degli stimatori
(o centratura o non distorsione)
Dato uno stimatore Tn=T(X1, X2, , Xn) del parametro , diremo che Tn corretto
se:
E (Tn ) =
Se E(Tn), diremo che lo stimatore Tn uno stimatore distorto per , con fattore
di distorsione:
D (Tn ) = E (Tn )
11
m. gherghi
se:
E (Tn ) =
di distorsione:
D (Tn ) = E (Tn )
Tn = T X1,, X n
Tn
E (Tn ) =
12
m. gherghi
se:
E (Tn ) =
di distorsione:
D (Tn ) = E (Tn )
Tn = T X1,, X n
E (Tn )

Tn
Distorsione
13
m. gherghi
1 n
X = Xi
n i =1
( )
E X
Media campionaria
1 n
1 n
1 n
1
= E X i = E X i = E (X i ) = n =
n i =1
n i =1
n
n i =1
Ciascuna variabile casuale Xi (osservazione campionaria) ha la stessa

distribuzione e gli stessi parametri (, 2)della variabile X nella popolazione.
14
m. gherghi
1 n
S = Xi X
n i =1
2
Varianza
campionaria
La Varianza campionaria una misura della

variabilit del carattere nel campione, e pu quindi
essere utilizzata come stimatore della variabilit nella
popolazione."
E quindi cosa ben diversa dalla Varianza della
media campionaria, che invece una misura
della variabilit di tutte le medie calcolabili su
tutti i possibili campioni di dimensioni n estratti
da una determinata popolazione."
1 n
S = Xi X
n i=1
2
( )
2
Var X = =
n
2
X
15
m. gherghi

Pop.:
N=3
10
= 7,33 2 = 4,22
n=2
1 n
S = Xi X
n i =1
c ampione
X1
X2
Varianza
campionaria
X
5
5
5
7
7
7
10
10
10
5
7
10
5
7
10
5
7
10
5,0
6,0
7,5
6,0
7,0
8,5
7,5
8,5
10,0
Somma
66
Media
7,333
Var
4,222
Sqm
2,055
66
7,333
4,222
2,055
66
7,333
2,111
1,453
1
2
3
4
5
6
7
8
9
S2
16
m. gherghi

Pop.:
N=3
10
= 7,33 2 = 4,22
n=2
1 n
S = Xi X
n i =1
c ampione
X1
X2
Varianza
campionaria
X
5
5
5
7
7
7
10
10
10
5
7
10
5
7
10
5
7
10
5,0
6,0
7,5
6,0
7,0
8,5
7,5
8,5
10,0
Somma
66
Media
7,333
Var
4,222
Sqm
2,055
66
7,333
4,222
2,055
66
7,333
2,111
1,453
1
2
3
4
5
6
7
8
9
S2
17
m. gherghi

Pop.:
N=3
10
= 7,33 2 = 4,22
n=2
1 n
S = Xi X
n i =1
c ampione
X1
X2
Varianza
campionaria
X
5
5
5
7
7
7
10
10
10
5
7
10
5
7
10
5
7
10
5,0
6,0
7,5
6,0
7,0
8,5
7,5
8,5
10,0
Somma
66
Media
7,333
Var
4,222
Sqm
2,055
66
7,333
4,222
2,055
66
7,333
2,111
1,453
1
2
3
4
5
6
7
8
9
S
0,00
1,00
6,25
1,00
0,00
2,25
6,25
2,25
0,00
19
2,111
( )
E S
n 1
=
n
2
La varianza campionaria uno stimatore distorto

della varianza della popolazione
1. Quale potrebbe essere uno stimatore

altrettanto naturale ma non distorto per 2 ?
2. Cosa succede allo stimatore distorto S2
quando il campione grande?
18
m. gherghi

Pop.:
N=3
10
= 7,33 2 = 4,22
n=2
1 n
S = Xi X
n i =1
c ampione
X1
X2
Varianza
campionaria
X
5
5
5
7
7
7
10
10
10
5
7
10
5
7
10
5
7
10
5,0
6,0
7,5
6,0
7,0
8,5
7,5
8,5
10,0
Somma
66
Media
7,333
Var
4,222
Sqm
2,055
66
7,333
4,222
2,055
66
7,333
2,111
1,453
1
2
3
4
5
6
7
8
9
S2
0,00
1,00
6,25
1,00
0,00
2,25
6,25
2,25
0,00
19
2,111
n 1
E S2 = 2
( )

della varianza della popolazione
S2
n 1
Consideriamo allora lo stimatore:
2
n
n
n 1 2
n
E
S2 =
E (S ) =
= 2
n 1
n
n 1
n 1
2
1
( xi x ) , allora:
n i
2
1
2
n
n
1
( xi19
x)
S2 =
( xi x ) =
n 1 i
n 1
n 1 n i
Poich:
S2 =
m. gherghi

Pop.:
N=3
10
= 7,33 2 = 4,22
n=2
S! 2 =
1 n
Xi X
n 1 i=1
c ampione
X1
X2
Varianza
campionaria corretta
X
5
5
5
7
7
7
10
10
10
5
7
10
5
7
10
5
7
10
5,0
6,0
7,5
6,0
7,0
8,5
7,5
8,5
10,0
Somma
66
Media
7,333
Var
4,222
Sqm
2,055
66
7,333
4,222
2,055
66
7,333
2,111
1,453
1
2
3
4
5
6
7
8
9
S2
0,00
1,00
6,25
1,00
0,00
2,25
6,25
2,25
0,00
19
2,111
La Varianza campionaria corretta pu essere ottenuta in due

modi:"
"
1. Moltiplicando la varianza campionaria S2 per il fattore di
n ."
correzione
""
n 1
"E questo il metodo che si utilizza quando non si dispone
dei singoli dati campionari, per correggere una varianza
gi calcolata con la formula tradizionale;"
"
2
"
X
X
2.
Dividendo la devianza
per (n-1) anzich per
i
n."
" E questo il metodo che in genere si utilizza quando si
dispone dei singoli dati campionari ."
20
m. gherghi

Pop.:
10
= 7,33 2 = 4,22
N=3
n=2
S2 =
1
Xi X
n i =1
n
c ampione
X1
Varianza
campionaria
X2
5
5
5
7
7
7
10
10
10
5
7
10
5
7
10
5
7
10
5,0
6,0
7,5
6,0
7,0
8,5
7,5
8,5
10,0
Somma
66
Media
7,333
Var
4,222
Sqm
2,055
66
7,333
4,222
2,055
66
7,333
2,111
1,453
1
2
3
4
5
6
7
8
9
S2
0,00
1,00
6,25
1,00
0,00
2,25
6,25
2,25
0,00
19
2,111
S! 2 =
1
X X
n 1 i=1 i
Varianza
campionaria corretta

della varianza della popolazione:
n 1
E S2 = 2
( )
La varianza campionaria corretta , invece, uno

stimatore corretto della varianza della popolazione
2
1
E S! 2 = E
xi x = 2
n 1 i
( )
21
m. gherghi
Media campionaria
( )
E X =
La media campionaria uno stimatore non distorto della media della popolazione
X(n+1)
Mediana campionaria
n dispari
2
Xn + Xn
2
+1
n pari
2
Per distribuzioni simmetriche:
E X (n +1) =
X n + X n +1
2
=
E 2
Se la variabile X ha distribuzione simmetrica, sia la media campionaria

che la mediana campionaria sono stimatori non distorti per la media
della popolazione.
22
m. gherghi
Var (T1 )
Var (T2 )
<1
T1 pi efficiente di T2
Dati due stimatori, T1 e T2, entrambi corretti per il parametro , lo stimatore T1

sar pi efficiente di T2 se risulta:
Var (T1 )
Var (T2 )
T3
T2
(efficienza relativa)
Var (T3 ) < Var (T2 ) < Var (T1 )

T1
E (Tn ) =
<1
Lo stimatore T3 lo stimatore pi efficiente

Tn
23
m. gherghi
Var (T1 )
Var (T2 )
Esempio: La stima di
T1
Var (T1 )
Var (T2 )
2
n
n
2
n
T2
(Schema di campionamento con reintroduzione)
Mediana campionaria
Var (T2 ) =
2
=
T1 pi efficiente di T2
m in una popolazione Normale
Media campionaria
Var (T1 ) =
<1
2
n
Media
campionaria
1
= 0, 6366
1,5707...
La media campionaria uno stimatore pi efficiente

della mediana campionaria.
Mediana
campionaria
T24
n
m. gherghi
Esempio:
Da una popolazione su cui definita una variabile X con media incognita, si estrae un
campione casuale di numerosit n.
Si definiscano le propriet dei seguenti stimatori per :
T1 =
1 n
Xi
n i =1
E (T1 )
T2 =
1
( X1 + X n )
2
T3 = X2
T4 =
1
( X2 + X 8 )
3
1 n
1
1
= E X i = E ( X i ) = n =
n i
n i =1
n
E (T2 ) =
1
E ( X1 ) + E ( X n )
2
1
+ =
2
1
2
+ =
3
3
E (T3 ) = E ( X2 ) =
E (T4 ) =
1
E ( X2 ) + E ( X8 )
3
25
m. gherghi
Esempio:
Da una popolazione su cui definita una variabile X con media incognita, si estrae un
campione casuale di numerosit n.
Si definiscano le propriet dei seguenti stimatori per :
T1 =
1 n
Xi
n i =1
T2 =
1
( X1 + X n )
2
T3 = X2
T4 =
1
( X2 + X 8 )
3
1
2
2
= 2 n =
n
n
Var (T1 )
1
1
n
= 2 Var X i = 2
n
i =1 n
Var (T2 )
2
1 2
1
2
= Var ( X1 ) + Var ( X n ) = + =
2
4
4
Var ( Xi )
i =1
T1
T2
T3
E (Tn ) =
Tn
Var (T3 ) = Var ( X2 ) = 2

Tra i tre stimatori, tutti corretti, si sceglier quello con varianza pi piccola, cio quello che raccoglier
pi valori attorno al valore centrale, che coincide con il parametro da stimare. In questo caso,26
per
campioni con n>2 si sceglier lo stimatore T1.
m. gherghi
Teoria
della stima
Disuguaglianza di Cramer-Rao
E possibile dimostrare che, sotto condizioni molto generali, ad ogni parametro
possibile associare un valore minimo della varianza dello stimatore corretto Tn, al di sotto del
quale tale varianza non pu scendere, qualunque sia lo stimatore utilizzato.
Var (Tn )
n E log f ( X ; )

Lo stimatore che raggiunge tale limite verr definito stimatore a varianza minima.
Lesistenza di una varianza minima per ogni non implica necessariamente lesistenza di uno
stimatore a varianza minima. In altri termini, possibile che esista il limite ma che non esista
alcuno stimatore che lo raggiunga.
E possibile, comunque, ipotizzare che ad ogni parametro corrisponda, sotto condizioni molto
generali, almeno uno stimatore asintoticamente efficiente.
Per campioni di dimensione finita, sar il pi delle volte sufficiente fare riferimento a stimatori
27
che si avvicinano allestremo di Cramer-Rao.
m. gherghi
Uno stimatore distorto ma con una varianza piccola (T2)

potrebbe essere preferito ad uno stimatore corretto ma con
una grande variabilit (T1) ."
T2
(distorto)
T1
(corretto)
28
Tn
m. gherghi

T2
(distorto)
T3
(distorto)
Daltra parte, se la distorsione elevata (T3), la variabilit

ridotta, paradossalmente, rende pi probabili risultati
campionari lontani dal parametro che si vuole stimare. "
T1
(corretto)
29
Tn
m. gherghi

T2
(distorto)
T3
(distorto)
T4
(distorto)
Daltra parte, se la distorsione elevata (T3), la variabilit

ridotta, paradossalmente, rende pi probabili risultati
campionari lontani dal parametro che si vuole stimare (T4)."
Nella scelta tra stimatori diversi, quindi importante
considerare sia leventuale distorsione sia la variabilit dello
stimatore."
T
1
(corretto)
30
Tn
m. gherghi
( )
EQM Tn
2
2
= E Tn = Var (Tn ) + D (Tn )
T2
(distorto)
T3
(distorto)
T4
(distorto)
LEQM di uno stimatore pari alla varianza

dello stimatore pi il quadrato della distorsione."
Se lo stimatore non distorto, lEQM risulta pari
alla sola varianza."
T1
(corretto)
31
Tn
m. gherghi
( )
EQM Tn
2
2
= E Tn = Var (Tn ) + D (Tn )
Nella scelta tra stimatori diversi, quindi, si preferir

quello con EQM pi piccolo, regola che, nel caso di
stimatori entrambi non distorti, equivale a preferire
quello pi efficiente."
T2
(distorto)
T3
(distorto)
T4
(distorto)
T1
(corretto)
32
Tn
m. gherghi

(asintotiche)
Quando, allaumentare di n, la distribuzione di uno stimatore tende ad
assumere una forma ben specifica, allora la distribuzione limite verso cui tende
viene definita distribuzione asintotica dello stimatore.
Il termine asintotico non deve far pensare che la distribuzione asintotica coincida con la
forma finale della distribuzione per n infinito (forma che, tipicamente, tender a
degenerare in un punto) quanto piuttosto alla forma che la distribuzione assume prima di
divenire un punto, cio per n grande ma finito.
33
m. gherghi

(asintotiche)
Uno stimatore Tn asintoticamente corretto per se il valore atteso della sua

distribuzione limite uguale a .
La propriet della correttezza asintotica garantisce che, anche in uno stimatore distorto,
gli errori sistematici tendono a scomparire al crescere di n, ma non dice nulla sul
comportamento della varianza di Tn, cio sulla dispersione delle singole stime attorno al
parametro .
(Orsi, pag. 297)
Uno stimatore non distorto certamente anche asintoticamente corretto

ma linverso non necessariamente vero.
34
m. gherghi

(asintotiche)
Uno stimatore Tn asintoticamente corretto per se il valore atteso della sua

distribuzione limite uguale a .
Esempio
(Orsi, pag. 297)
E (T1 ) =
E (T2 )
X ~N ,
1 n
T1 = X i
n i =1
1
1 n
T2 = X1 +
Xi
2
2n i =2
Stimatore non distorto e, quindi, asintoticamente corretto.
1 n 1 2n 1
1
1 n
1
1
=
= E ( X1 ) +
E
X
=
+
n
(
)
(
)
2 + 2n =
i 2 2n
2
2n i =2
2n
lim E (T2 ) =
n
(stimatore
distorto)
Stimatore asintoticamente corretto.
35
m. gherghi

(asintotiche)
Uno stimatore Tn consistente per se per ogni coppia di numeri positivi ed ,

scelti piccoli a piacere, sempre possibile trovare una dimensione campionaria N
tale che, per ogni n>N, risulti:
P { tn < } > 1
Condizione sufficiente (ma non necessaria) perch Tn sia uno stimatore consistente per ,
che Tn sia asintoticamente corretto e che la sua varianza tenda a zero allaumentare di
n:
lim E (Tn ) =
n
lim Var (Tn ) = 0

n
Questa caratteristica pu essere riassunta nella condizione che lEQM tenda a zero al
crescere di n.
lim EQM (Tn ) = 0

n
36
m. gherghi

(asintotiche)
P { tn < } > 1
lim EQM (Tn ) = 0

n
Esempio:
Verificare se gli stimatori T1, T2 e T3 definiti di seguito soddisfano la propriet della consistenza.
1 n
T1 = X i
n i =1
T2 =
1
( X1 + X n )
2
( )
( )
T3 =
1
X + X8
3 2
( )
2
1
=
3
3
D T1 = 0
D T2 = 0
D T3 =
2
Var T1 =
n
2
Var T2 =
2
2 2
EQM T1 = 0 +
=
n
n
2 2
EQM T1 = 0 +
=
2
2
2
Var T3 = 2
9
1
2
EQM T3 = 2 + 2
9
9
( )
( )
( )
lim EQM T1 = 0
n
( )
( )
2
lim EQM T2 =
n
2
( )
( )
( )
( )
lim EQM T3 =
n
1 2 2 237
+
9
9
m. gherghi

(asintotiche)
P { tn < } > 1
lim EQM (Tn ) = 0

n
Esempio:
Verificare se gli stimatori T1, T2 e T3 definiti di seguito soddisfano la propriet della consistenza.
1 n
T1 = X i
n i =1
T2 =
1
( X1 + X n )
2
T3 =
1
X + X8
3 2
Solo lo stimatore T1 consistente
38
m. gherghi

(asintotiche)
P { tn < } > 1
Esempio:
1
1 n
T = X1 +
Xi
2
2n i =2
2n 1
E (T ) =
2n
2n 1
2n
2n 1 2n
=
2n
1
=
2n
D (T ) =
lim EQM (Tn ) = 0

n
1 n
1
Var (T ) = Var X1 +
Xi
2n i =2
2
1
1 n
= Var ( X1 ) +
Var ( X i )
4
4n2 i =2
1 2
1
+
n 1) 2
2 (
4
4n
n2 + n 1 2
1 2
1
= 1 + 2 ( n 1) =
39
4
n
4n2
m. gherghi

(asintotiche)
P { tn < } > 1
Esempio:
1
1 n
T = X1 +
Xi
2
2n i =2
1
D (T ) =
2n
(n
EQM (T ) = Var (T ) + D (T ) =
2
n
(
= lim
lim EQM (T )
n
+ n 1
4n2
lim EQM (Tn ) = 0

n
(n
Var (T ) =
+ n 1
2
4n
2
2
2
n
+
n
1
+
2 =
2
4n
4n2
+ n 1 2 + 2
4n2
n ( n + 1) 2
2 2
= lim
+
=
0
2
n
4n
4n2
4
Lo stimatore non consistente

40
m. gherghi

(asintotiche)
P { tn < } > 1
lim EQM (Tn ) = 0

n
La consistenza una propriet molto importante per gli stimatori poich assicura la
coerenza tra laumento della numerosit campionaria e lincremento delle
informazioni contenute nel campione stesso. (Orsi, pag. 301)
Tuttavia, tale propriet non dice nulla sulla grandezza degli errori di stima per ogni
valore finito di n, cio non d alcuna idea della velocit con cui uno stimatore tende
a concentrarsi intorno al valore del parametro della popolazione. (Orsi, pag. 301)
E ovvio, infatti, che tra diversi stimatori consistenti si preferir quello per il quale tale
concentrazione avviene pi rapidamente, ossia con campioni di dimensioni ridotte.
(Orsi, pag. 302)
41
m. gherghi

(asintotiche)
Nellambito della famiglia degli stimatori consistenti, uno stimatore T(n) si definisce
asintoticamente efficiente se la varianza della sua distribuzione limite risulta
inferiore alla varianza della distribuzione limite di qualsiasi altro stimatore consistente.
1.
p lim (Tn ) =
n
2.
(( ) )
lim E n ((Tn ) ) < lim E n Tn*
n
n
Tn*
Qualsiasi altro stimatore, diverso da T(n) e per il quale risulti
( )
p lim Tn* =
n
42

L20 Teoria Della Stima

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

L20 Teoria Della Stima

Caricato da

Copyright:

Formati disponibili

Universit di Napoli Federico II, DISES, A.a.

2014-15, CLEC, Corso di Statistica (A-K)

Corso di laurea in Economia e Commercio (CLEC)

Compito dellinferenza statistica quello di giungere ad una

Losservazione di un fenomeno nellambito di quelle che vengono definite scienze

Ricordiamo sempre che

Ogni risultato va interpretato;

Da unindagine campionaria condotta sulle matricole universitarie risultato

Perch , in assoluto, una % alta;

Perch la percentuale media degli anni precedenti

Ma ci che importante (da un punto di vista statistico) :

Universo dei possibili

Universo dei possibili

In generale, possibile definire pi di uno stimatore per uno stesso parametro.

Ciascuno stimatore avr una propria distribuzione campionaria che, in generale,

Valore atteso dello stimatore

Varianza dello stimatore

La scelta dello stimatore

Metodo dei momenti

Propriet degli stimatori

(o centratura o non distorsione)

Propriet degli stimatori

(o centratura o non distorsione)

Propriet degli stimatori

(o centratura o non distorsione)

Propriet degli stimatori

(o centratura o non distorsione)

Ciascuna variabile casuale Xi (osservazione campionaria) ha la stessa

Propriet degli stimatori

(o centratura o non distorsione)

La Varianza campionaria una misura della

Propriet degli stimatori

Propriet degli stimatori

Propriet degli stimatori

(o centratura o non distorsione)

La varianza campionaria uno stimatore distorto

1. Quale potrebbe essere uno stimatore

Propriet degli stimatori

La varianza campionaria uno stimatore distorto

Consideriamo allora lo stimatore:

Propriet degli stimatori

La Varianza campionaria corretta pu essere ottenuta in due

Propriet degli stimatori

(o centratura o non distorsione)

La varianza campionaria uno stimatore distorto

La varianza campionaria corretta , invece, uno

Propriet degli stimatori

Se la variabile X ha distribuzione simmetrica, sia la media campionaria

Propriet degli stimatori

Dati due stimatori, T1 e T2, entrambi corretti per il parametro , lo stimatore T1

Var (T3 ) < Var (T2 ) < Var (T1 )

Lo stimatore T3 lo stimatore pi efficiente

Propriet degli stimatori

(Schema di campionamento con reintroduzione)

m in una popolazione Normale

La media campionaria uno stimatore pi efficiente

Propriet degli stimatori

Propriet degli stimatori

Var (T3 ) = Var ( X2 ) = 2

Propriet degli stimatori

Propriet degli stimatori

Uno stimatore distorto ma con una varianza piccola (T2)

Propriet degli stimatori

Uno stimatore distorto ma con una varianza piccola (T2)