Sei sulla pagina 1di 34

Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Inferenza statistica parametrica: intervalli di


confidenza

20 novembre 2018

1/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Intervallo di confidenza e stima intervallare

Esempio. Sia X1 , . . . , Xn un campione di dimensione n estratto da


una popolazione con distribuzione N (µ, σ 2 = 4), µ incognita.

L’M.L.E. di µ è X n = n1 ni=1 Xi .
P

N.B. X n è una v.a. assolutamente continua, µ è un numero e


Pµ (X n = µ) = 0 qualunque sia il valore di µ. Tuttavia ci
aspettiamo che X n sia “vicina” a µ. Per quantificare questa
vicinanza usiamo il modello probabilistico (quello gaussiano) che
abbiamo ipotizzato per le Xi . Ricordiamo che

(X n − µ) n
X1 , . . . , Xn i.i.d. con Xi ∼ N (µ, 4) ⇒ ∼ N (0, 1).
2

2/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Cioè, quando
√ µ è il valore della media della distribuzione gaussiana
(X n − µ) n
è gaussiana standard.
2
Ne segue, per esempio, che

 (X n − µ) n 
Pµ − 1.96 < < 1.96 = Φ(1.96) − Φ(−1.96)
2
= 2Φ(1.96) − 1 ' 0.95

per ogni µ. (Ricordiamo che Pµ sta ad indicare che tale probabilità


è calcolata per il valore µ del parametro incognito che è la media
delle Xi ).

3/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Equivalentemente
 2 2 
Pµ X n − 1.96 √ < µ < X n + 1.96 √ ' 0.95,
n n

cioè qualunque sia il “ vero” valore del parametro incognito µ con


probabilità pari a 0.95 il valore di X n è ad una distanza non
superiore a 1.96 √2n da µ.

Se osserviamo X1 = x1 , . . . , Xn = xn che fornisce X n = x̄n , dove


x̄n = n1 (x1 + · · · + xn ) (oppure osserviamo direttamente il valore x̄n
della statistica X n ) allora sostituendo tale valore ottengo un vero e
proprio intervallo di R
2 2
x̄n − 1.96 √ < µ < x̄n + 1.96 √
n n

4/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

L’intervallo “aleatorio”
 2 2 
X n − 1.96 √ , X n + 1.96 √
n n

è detto intervallo di confidenza per µ al 95% (o di livello di


confidenza 0.95).

Diciamo che con confidenza del 95% la media µ della popolazione


appartiene all’intervallo
 2 2 
x̄n − 1.96 √ , x̄n + 1.96 √ .
n n

Questo intervallo è detto stima intervallare al 95% (o di livello di


confidenza 0.95).

5/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Intervalli di confidenza in generale


Sia X1 , . . . , Xn un campione aleatorio estratto da una popolazione
con densità fθ dipendente da un parametro incognito (o vettore di
parametri incogniti) θ. Sia k(θ) una caratteristica della popolazione
(funzione reale non costante di θ) e sia α ∈ (0, 1) fissato.

Definizione: Intervallo di confidenza bilatero


Siano T1 = t1 (X1 , . . . , Xn ) e T2 = t2 (X1 , . . . , Xn ) due statistiche
tali che T1 < T2 e per le quali
 
Pθ T1 < k(θ) < T2 = 1 − α

per ogni θ. Allora


 
T1 , T2 è detto intervallo di confidenza all’(1 − α)100% per
k(θ).
1 − α è detto livello di confidenza.

6/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Se osservo X1 = x1 , . . . , Xn = xn e se t̄1 = t1 (x1 , . . . , xn ) e


t̄2 = t2 (x1 , . . . , xn ) sono i valori corrispondenti all’osservazione
campionaria delle statistiche T1 e T2 , allora l’intervallo
dell’asse reale (t̄1 , t̄2 ) è detto stima intervallare (o ancora
intervallo di confidenza) di k(θ) con livello di confidenza 1 − α
in corrispondenza dell’osservazione campionaria (x1 , . . . , xn ).
Diremo che con confidenza 1 − α

k(θ) ∈ (t̄1 , t̄2 ).

Questi intervalli sono detti bilateri ovviamente perchè delimitati da


due statistiche. Si ha un’analoga definizione per gli intervalli
unilateri e verrà presentata più avanti.

7/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Metodo della quantità pivotale

Definizione: Quantità pivotale


Sia X1 , . . . , Xn un campione aleatorio estratto da una popolazione
con densità fθ con θ incognito. Sia Q = q(X1 , . . . , Xn ; θ) una v.a.
funzione di X1 , . . . , Xn e θ. Diciamo che Q è una quantità pivotale
se la sua distribuzione non dipende da θ.

Quindi, data una quantità pivotale Q = q(X1 , . . . , Xn ; θ), è


possibile determinare due numeri q1 e q2 che dipendono da α ma
non da θ tali che:

Pθ (q1 < Q < q2 ) = Pθ (q1 < q(X1 , . . . , Xn ; θ) < q2 ) = 1 − α

8/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Se per ogni realizzazione campionaria X1 = x1 , . . . , Xn = xn

q1 < q(x1 , . . . , xn ; θ) < q2 ⇐⇒ t1 (x1 , . . . , xn ) < k(θ) < t2 (x1 , . . . , xn )

per opportune funzioni t1 e t2 , allora


 
Pθ t1 (X1 , . . . , Xn ) <k(θ) < t2 (X1 , . . . , Xn )
 
= Pθ q1 < q(X1 , . . . , Xn ; θ) < q2
= 1 − α.

qualunque sia il valore di θ e quindi


 
t1 (X1 , . . . , Xn ) , t2 (X1 , . . . , Xn )

è un intervallo di confidenza di livello 1 − α per k(θ).

9/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Esempio iniziale. Sia X1 , . . . , Xn un campione aleatorio estratto da


una popolazione gaussiana di media µ incognita e varianza σ02 = 4.
Allora
Xn − µ
q(X1 , . . . , Xn ; µ) = √ ∼ N (0, 1)
2/ n
quindi è una quantità pivotale. Inoltre, se

1 − α = 0.95 ⇒ α = 0.05 ⇒ zα/2 = z0.025 ' 1.96

(infatti 1 − Φ(1.96) ' 1 − 0.9750 = 0.025). Quindi


 Xn − µ   
0.95 = Pµ − 1.96 < √ < 1.96 = Pµ q1 < q(X1 , . . . , Xn ; µ) < q2
2/ n
 2 2 
= Pµ X n − √ 1.96 < µ < X n + √ 1.96
n n
 
= Pµ t1 (X1 , . . . , Xn ) < µ < t2 (X1 , . . . , Xn )

10/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Quindi  2 2 
X n − √ 1.96 , X n + √ 1.96
n n
è un intervallo di confidenza di livello 1 − α = 0.95.

Se osserviamo X n = x̄n = 9 e se n = 9, sostituendo questi valori


otteniamo
 2 2  2 2
x̄n − 1.96 √ , x̄n + 1.96 √ = (9 − 1.96 × , 9 + 1.96 × )
n n 3 3
= (7.69 , 10.31)

(stima intervallare per µ al livello di confidenza del 95%).

11/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Analogamente...
Definizione: Intervallo di confidenza illimitato superiormente
Sia T1 = t1 (X1 , . . . , Xn ) una statistica tale che
 
Pθ T1 < k(θ) = 1 − α

per ogni θ. Allora


 
T1 , +∞ è detto intervallo di confidenza unilatero (non
limitato superiormente) all’(1 − α)100% per k(θ).
Se osservo X1 = x1 , . . . , Xn = xn e sia t̄1 = t1 (x1 , . . . , xn ),
allora l’intervallo dell’asse reale (t̄1 , +∞) è detto stima
intervallare unilatera (o ancora intervallo di confidenza
unilatero) di k(θ) con livello di confidenza 1 − α in
corrispondenza dell’osservazione campionaria (x1 , . . . , xn ).
Diremo che con confidenza 1 − α vale k(θ) ∈ (t̄1 , +∞).

12/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Definizione: Intervallo di confidenza illimitato inferiormente


Sia T2 = t2 (X1 , . . . , Xn ) una statistica tale che
 
Pθ k(θ) < T2 = 1 − α

per ogni θ. Allora


 
− ∞, T2 è detto intervallo di confidenza unilatero (non
limitato inferiormente) all’(1 − α)100% per k(θ).
Se osservo X1 = x1 , . . . , Xn = xn e sia t̄2 = t2 (x1 , . . . , xn )
allora l’intervallo dell’asse reale (−∞, t̄2 ) è detto stima
intervallare unilatera (o ancora intervallo di confidenza
unilatero) di k(θ) con livello di confidenza 1 − α in
corrispondenza dell’osservazione campionaria (x1 , . . . , xn ).
Diremo che con confidenza 1 − α vale k(θ) ∈ (−∞, t̄2 ).

13/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

ESEMPIO: Intervalli di confidenza di livello 1 − α per la


media di una popolazione gaussiana

Ricordiamo che:
se α ∈ (0, 1) si definisce quantile (di coda destra) di ordine α di
una distribuzione gaussiana standard l’unico numero zα tale che

1 − Φ(zα ) = P(Z > zα ) = α (o Φ(zα ) = P(Z ≤ zα ) = 1 − α)

dove Z ∼ N (0, 1). Quindi

P(−zα/2 < Z < zα/2 ) = P(Z < zα/2 ) − P(Z < −zα/2 )
= Φ(zα/2 ) − Φ(−zα/2 ) = 2Φ(zα/2 ) − 1
= 2(1 − α/2) − 1 = 1 − α.

Analoghe definizioni e proprietà valgono per la t di Student.

14/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Sia X1 , . . . , Xn un campione di dimensione n estratto da una


popolazione con distribuzione N (µ, σ 2 ).

1. µ incognita e σ 2 = σ02 nota.

Se X1 , . . . , Xn i.i.d. ∼ N (µ, σ02 ), allora X n ∼ N (µ, σ02 /n).



(X n −µ) n
Ne segue che σ0 ∼ N (0, 1) e quindi è una quantità pivotale
e, per ogni µ,

 (X n − µ) n 
1 − α = Pµ − zα/2 < < zα/2
σ0
 σ0 σ0 
= Pµ X n − zα/2 √ < µ < X n + zα/2 √ .
n n
L’intervallo (con estremi dati da due statistiche)
 σ0 σ0 
X n − zα/2 √ , X n + zα/2 √ .
n n
è quindi un intervallo di confidenza (bilatero) per µ di livello
(1 − α) (o anche all’(1 − α)100%).
15/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Se osserviamo X1 = x1 , . . . , Xn = xn , che fornisce la stima della


media campionaria X n = x̄n , dove x̄n = n1 (x1 + · · · + xn ), allora
l’intervallo dell’asse reale
 σ0 σ0 
x̄n − zα/2 √ , x̄n + zα/2 √ .
n n

è una stima intervallare per µ di livello di confidenza 1 − α.


Diremo che con confidenza pari a 1 − α
 σ0 σ0 
µ ∈ x̄n − zα/2 √ , x̄n + zα/2 √ .
n n

16/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Per ottenere intervalli di confidenza unilateri partiamo dalle


relazioni
P(Z > zα ) = α = P(Z < −zα )
se Z ∼ N (0, 1). √
Quindi, usando ancora la quantità pivotale (X n −µ)
σ0
n
∼ N (0, 1),
per ogni µ vale
 (X − µ)√n   σ0 
n
1 − α = Pµ < zα = Pµ µ > X n − √ zα
σ0 n
e
 (X − µ)√n   σ0 
n
1 − α = Pµ > −zα = Pµ µ < X n + √ zα .
σ0 n
Possiamo concludere gli intervalli unilateri (illimitato superiormente
e inferiormente rispettivamente) di livello 1 − α per µ sono
 σ0   σ0 
X n − √ zα , +∞ e − ∞ , X n + √ zα .
n n
17/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Attenzione: confidenza non probabilità


Se osserviamo X n = x̄n e costruiamo la stima intervallare, per
esempio bilatera e al 95% di µ, diciamo che:

con confidenza 0.95 µ appartiene a questo intervallo.

Non stiamo affermando che la probabilità che


 σ0 σ0 
µ ∈ x̄n − 1.96 √ , x̄n + 1.96 √
n n

è 0.95. Infatti in questo enunciato non vi è nulla di aleatorio.

Stiamo affermando invece che la probabilità che l’intervallo di


estremi aleatori
 σ0 σ0 
X n − 1.96 √ , X n + 1.96 √
n n

contenga il valore µ è pari a 0.95.


18/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Sia X1 , . . . , Xn un campione di dimensione n estratto da una


popolazione con distribuzione N (µ, σ 2 ) con

2. µ e σ 2 incognite.

Se la varianza σ 2 del campione è incognita l’intervallo


precedentemente costruito
 σ σ 
x̄n − zα/2 √ , x̄n + zα/2 √
n n

non è più un intervallo noto dell’asse reale poichè contiene il


parametro σ che è incognito. √Tale intervallo è stato costruito
(X n − µ) n
partendo dalla v.a. che oltre al parametro µ contiene
σ
un altro parametro incognito σ.

19/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Tuttavia sappiamo che



(X n − µ) n
2
X1 , . . . , Xn i.i.d. ∼ N (µ, σ ) ⇒ ∼ t(n − 1),
Sn
q
1 Pn
p
dove Sn = Sn2 := n−1 2
i=1 (Xi − X n ) è la deviazione

(X n − µ) n
standard campionaria. Quindi è una quantità pivotale
Sn
funzione solo del parametro µ.
Ricordiamo che:
Per α ∈ (0, 1), si definisce quantile (di coda destra) di ordine α di
una distribuzione t-Student con k gradi di libertà (in simboli t(k))
l’unico numero tα,k tale che

P(Tk > tα,k ) = α (o P(Tk ≤ tα,k ) = 1 − α)

dove Tk ∼ t(k). Per la simmetria della densità vale

−tα,k = t1−α,k
20/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Quindi, sempre dalla simmetria della densità t-Student rispetto allo


zero, se α ∈ (0, 1) :


 (X n − µ) n 
P(µ,σ2 ) − tα/2,n−1 < < tα/2,n−1 = 1 − α
Sn
o equivalentemente
 Sn Sn 
P(µ,σ2 ) X n − √ tα/2,n−1 < µ < X n + √ tα/2,n−1 = 1 − α
n n

per ogni µ e σ 2 .

21/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Possiamo concludere che


 Sn Sn 
X n − √ tα/2,n−1 , X n + √ tα/2,n−1
n n

è un intervallo di confidenza di livello 1 − α (o anche


all’(1 − α)100%) per µ.
Inoltre, se osserviamo i valori X n = x̄n e Sn = sn per la media e la
deviazione standard campionarie, diciamo che con confidenza 1 − α
 sn sn 
µ ∈ x̄n − √ tα/2,n−1 , x̄n + √ tα/2,n−1 .
n n

22/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Riassumendo
1Gli intervalli di confidenza per µ (incognita) si basano sulla
quantità pivotale:

2 2 (X n − µ) n
se σ = σ0 nota ⇒ ∼ N (0, 1);
σ0

2 (X n − µ) n
se σ incognita ⇒ ∼ t(n − 1).
Sn
2 La misura dell’intervallo (bilatero) di livello 1 − α è:
σ0
se σ 2 = σ02 nota ⇒ 2zα/2 √ ;
n
Sn
se σ 2 incognita ⇒ 2tα/2,n−1 √ .
n
Si può dimostrare che
tα/2,n−1 E(µ,σ2 ) (Sn ) ≥ zα/2 σ
quindi, se la varianza è nota, anche se si potrebbero usare entrambi
gli intervalli di confidenza, è preferibile scegliere il primo.
23/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Analogamente, gli intervalli di confidenza unilateri si ottengono


osservando che, comunque fissati µ e σ 2 ,
 (X − µ)√n 
n
1 − α = P(µ,σ2 ) < tα,n−1
Sn
 Sn 
= P(µ,σ2 ) µ > X n − √ tα,n−1 .
n

Quindi  Sn 
X n − √ tα,n−1 , +∞
n
è un intervallo di confidenza (non limitato superiormente) per µ di
livello 1 − α. Inoltre se osserviamo X n = x̄n e Sn = sn , diciamo che
con confidenza 1 − α
sn
µ ∈ (x̄n − √ tα,n−1 , +∞)
n

24/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Analogamente per ogni µ e σ 2


 (X − µ)√n 
n
1 − α = P(µ,σ2 ) > −tα,n−1
Sn
 Sn 
= P(µ,σ2 ) µ < X n + √ tα,n−1 .
n

Quindi  Sn 
− ∞ , X n + √ tα,n−1
n
è un intervallo di confidenza (non limitato inferiormente) per µ di
livello 1 − α. Inoltre, se osserviamo X n = x̄n e Sn = sn , diciamo
che con confidenza 1 − α.
sn
µ ∈ (−∞ , x̄n + √ tα,n−1 ).
n

25/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

ESEMPIO: Intervalli di confidenza di livello 1 − α per la


varianza di una popolazione gaussiana

Ricordiamo che:
se α ∈ (0, 1) si definisce quantile (di coda destra) di ordine α di
una distribuzione chi-quadrato con k gradi di libertà (in simboli
χ2 (k)) l’unico numero χ2α,k tale che

P(Ck > χ2α,k ) = α (o P(Ck ≤ χ2α,k ) = 1 − α)

dove Ck ∼ χ2 (k). Quindi

P(χ21−α/2,k < Ck < χ2α/2,k ) = P(Ck < χ2α/2,k)−P(Ck < χ21−α/2,k)


= (1 − α/2) − α/2 = 1 − α.

26/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Sia X1 , . . . , Xn un campione di dimensione n estratto da una


popolazione con distribuzione N (µ, σ 2 ) con

1. µ e σ 2 incognite.

Possiamo costruire un intervallo di confidenza per σ 2 usando il


fatto che
(n − 1)Sn2
X1 , . . . , Xn i.i.d. ∼ N (µ, σ 2 ) ⇒ ∼ χ2 (n − 1)
σ2
e quindi è una quantità pivotale funzione solo di σ 2 .
Fissato α ∈ (0, 1), per ogni µ e σ 2
 (n − 1)Sn2 
1 − α = P(µ,σ2 ) χ21−α/2,n−1 < < χ2
α/2,n−1
σ2
 (n − 1)S 2 (n − 1)Sn2 
n 2
= P(µ,σ2 ) < σ < .
χ2α/2,n−1 χ21−α/2,n−1

27/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Quindi
 (n − 1)S 2 (n − 1)Sn2 
n
, 2
χ2α/2,n−1 χ1−α/2,n−1

è un intervallo di confidenza di livello 1 − α per σ 2 e, se


osserviamo il valore Sn2 = sn2 , otteniamo la stima intervallare per σ 2
di livello di confidenza 1 − α:
 (n − 1)s 2 (n − 1)sn2 
n
, .
χ2α/2,n−1 χ21−α/2,n−1

28/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

2. µ = µ0 nota e σ 2 incognite.

Possiamo costruire un intervallo di confidenza usando il fatto che


Pn
2 (Xi − µ0 )2
X1 , . . . , Xn i.i.d. ∼ N (µ0 , σ ) ⇒ i=1 2 ∼ χ2 (n)
σ
in quanto è la somma di n v.a. che sono quadrati di gaussiane
standard indipendenti. Quindi è una quantità pivotale funzione
solo di σ 2 (µ0 è nota).
Se α ∈ (0, 1) e indichiamo con Tn2 = n1 ni=1 (Xi − µ0 )2
P

 nT 2 
1 − α = Pσ2 χ21−α/2,n < 2n < χ2α/2,n
σ
 nT 2 nT 2 
= Pσ 2 2 n < σ 2 < 2 n
χα/2,n χ1−α/2,n

per ogni σ 2 .

29/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Quindi
 nT 2 nTn2 
n
,
χ2α/2,n χ21−α/2,n

e, se osserviamo il valore Tn2 = tn2 , otteniamo una stima


intervallare bilatera per σ 2 di livello di confidenza 1 − α:
 nt 2 ntn2 
n
, .
χ2α/2,n χ21−α/2,n

Esercizio. Costruire intervalli di confidenza unilateri per la varianza


di una popolazione gaussiana di livello 1 − α.

30/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

ESEMPIO: Intervalli di confidenza di livello 1 − α per la


media di una popolazione esponenziale
Sia X1 , . . . , Xn un campione di dimensione n estratto da una
popolazione con distribuzione esponenziale di media θ incognita (in
simboli E(1/θ)).
L’M.L.E di θ è X n . Inoltre,
Xn
X1 , . . . , Xn i.i.d. ∼ E(1/θ) ⇒ nX n = Xi ∼ Γ(n, 1/θ)
i=1
quindi la sua f.g.m. è
 1/θ n  1 n
mPni=1 Xi (t) = = .
1/θ − t 1 − θt
Mostriamo che
n
2X 2
Qn = q(X1 , . . . , Xn ; θ) = Xi = nX n ∼ χ2 (2n)
θ θ
i=1
e quindi è una quantità pivotale.
31/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Calcoliamo a questo scopo la f.g.m.: se t < 1/2


h 2t Pn i  2t 
mQn (t) = Eθ e θ i=1 Xi = mPni=1 Xi
θ
 1 n  1 n  1/2 2n/2
= = = ,
1 − θ 2t
θ
1 − 2t 1/2 − t

che è la f.g.m. di una v.a. con densità χ2 (2n). Quindi

2
nX n ∼ χ2 (2n)
θ
è una quantità pivotale, cioè è una funzione del campione e del
parametro θ e con distribuzione che non dipende da θ.

32/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Si può usare per costruire un intervallo di confidenza per θ. Fissato


α ∈ (0, 1), per ogni θ > 0
n
 2X 
1 − α = Pθ χ21−α/2,2n < Xi < χ2α/2,2n
θ
i=1
2 n X
P
2 ni=1 Xi 
P
i=1 i
= Pθ <θ< 2 .
χ2α/2,2n χ1−α/2,2n

In conclusione  2 Pn 2 ni=1 Xi 
P
i=1 Xi
,
χ2α/2,2n χ21−α/2,2n
è un intervallo di confidenza bilatero per θ di livello 1 − α.

33/34
Intervalli di confidenza Media di una gaussiana Varianza di una gaussiana Media di una esponenziale

Esercizio. Costruire un intervallo di confidenza di livello 0.95 per θ


e determinare la stima intervallare corrispondente ad una
osservazione della media campionaria X n = 2.64 per un campione
di dimensione n = 6.
Costruire l’analogo intervallo di confidenza e relativa stima
intervallare per il parametro dell’esponenziale 1/θ.

34/34