Lezione 21 - 20/4/21

Sia il nostro campione casuale X = (X 1 ,........., X n ) di VV.AA. I.I.D.

Quindi le componenti del campione hanno la stessa distribuzione di probabilità.
Che sarà la stessa distribuzione della V.A. genitrice, ma io non so altro sulla natura delle
VV.AA.
In ogni caso non è assolutamente che siano tutte la stessa V.A.
Se fossero la stessa, darebbero tutte lo stesso risultato quando applicate al singolo �
risultato dell'esperimento.

Immaginiamo una didependenza totale:

X1 , X2
X1 ∼ N(0, 1)
X2 ∼ N(0, 1)
Io però assumo che siano totalmente dipendenti:
X2 = - X1
Perciò sul mio singolo �
X1 (�) = 3, 2
X2 (�) = - 3, 2
Quindi noi siamo sicuri che:
X2 ≠ X1
Nonostante abbiamo la stessa distribuzione.

Ritornando al nostro campione casuale X = (X 1 ,........., X n ) esso è formato da VV.AA.

I.I.D.
Quindi possiamo solo specificare solamente la forma distributiva della popolazione ed ho
così specificato la funzione distributiva di tutte.
E' per questo che tiro in ballo la popolazione anche se essa non entra di fatto
direttamente.
X ∼ f( ∙ ; �)

Noi possiamo ricostruire la densità del campione casuale

+∞ n
f X=(X1 ,.........,Xn ) (x 1 , … , x n ) = ∏ fX (xi ) = ∏ f(xi ; �)
i
⏠⏣⏣
⏡⏣⏣
⏢
usiamo la i=1 i=1
indipendenza

Cioè siamo passati alla distribuzione comune, matenendo però l'applicazione su x i .

Abbiamo poi visto il concetto di statistica, cioè una funzione del campione casuale che al
suo interno non abbia �.
Il nostro � ∈ � è proprio l'elemento su cui voglia fare inferenza.
Immaginiamo di prendere una delle statistiche, come ad esempio la media campionaria:
n
1
⏨n = g(X) =
X ∑ Xi
n i=1
⏨⏨
NB
⏨n = EX
EX
Ricordiamoci la legge dei grandi numeri. Facciamo un esempio
X = (X1 ,........., Xn ) campione casuale X ∼ Be(p) , � ≡ p
Adesso io una sequenza di 1.000 lanci.
Da questa realizzazione si riesce a capire qualcosa su p?
Cioè possiamo, visti i risultati, sapere quanto possa valere p?

Per la legge dei grandi numeri

∀� > 0 lim P(| ⏨
X n - p | < �) = 1
n → +∞
Se n è grande la probabilità che la media campionaria sia vicino a p è molto alta
addirittura, per n che va ad infinito, la media campionaria si concentra su p.
Se ci trovassimo ad infinito avremmo una variabile aleatoria degenere su p, quindi
ogni realizzazione mi darebbe p.
Quidi la mia statistica media campionaria può in qualche modo stimare il valore di p.

Usiamo allora ⏨
X n per "stimare" il parametro � ≡ p.
⏨n è chiamata "stimatore".
In questo senso X
Definizione Stimatore di �
Quando è usata per stimare il vettore dei parametri � della distribuzione della
popolazione,
⏨n è detta stimatore di �
la media empirica X

Quando il vettore aleatorio si realizza poi in �

X(�) = (X1 (�),........., Xn (�)) = (x 1 , … , x n )
Quindi ho essenzialmente condotto l'esperimento (in senso modellistico), rigorosamente
sto
valutando il vettore campione casuale sul punto �.

La nostra statistica qualsiasi:

S = g(X)
si realizza in:
S(�) = s = g(x 1 , … x n )
Immaginiamo invece che:
⏨n ∼ f X
X ⏨n (x)
 fX
⏨n (x)

0
⏨n = EX
� = EX

Il fatto che la legge dei grandi numeri valga e mi dice che per n grande la media
campionaria
si concentra sul parametro.
Se è molto concentrata è molto probabile che realizzando i punti otterrò dei punti che
sono
vicini al parametro.
Definizione stima
Lo stimatore realizzato viene denominato stima.

Vediamo ora un primo metodo per la stima dei parametri.

Definizione Metodo dei momenti
Sia X = (X 1 ,........., X n ) campione casuale estratto da una popolazione con densità
definita
da f( ∙ ; �)
�1
�2
Con � =
.
.
.
�k
Adesso considero i momenti della popolazione:
� r = EX r , r ∈ N *
In senso generale sono momenti che si riferiscono al campione casuale.
Siccome sono calcolati a partire dalla densità della popolazione allora sono in generale
funzione di
� � �
� r = � r (� 1 , … , � k )
E consideriamo anche i momenti campionari:
n
1
Mr = ∑ Xir , r ∈ N*
n i=1
Ora io potrei collegare queste due quantirà, perciò costruiamo delle equazioni che
coinvolgano i momenti � r della popolazione e i momenti campionari M r

� r (� 1 , … , � k ) = M r , r = 1, … , k

La soluzione del sistema sarà un vettore di k VV.AA.;

(T 1 , … , T k )
Questo sarà un vettore di stimatori (dei momenti) per � 1 , … , � k )
Esempio
Sia X = (X 1 ,........., X n ) un campione casuale di taglia n estratto da una popolazione
normale
X ∼ N �, � 2
�1 �
Cioè il mio vettore dei parametri sarà � = = 2
�2 �
Il mio obbiettivo è stimare i due parametri del vettore dei parametri.
Costruisco il sistema:

EX = ⏨
Xn
�1 = M1 n
⟺ 1
�2 = M2 EX = 2 ∑ Xi2
n i=1
Adesso entra in gioco la distribuzione della popolazione:

VarX = � 2
VarX = EX 2 - (EX) 2
⟺
EX 2 = VarX + (EX) 2
⏨n
�=X
n
⟺ 1
2
� +� = 2 ∑ Xi2
n i=1
Nella prima equazione siamo a posto.
Nella seconda equzione possiamo sostituire la prima:

⏨n
�=X ⏨n
�=X ⏨n
�=X
n n
⟺ 1 ⟺ 1 ⟺
2 ⏨n ) =
� + (X 2 ∑ Xi2 2
� = ∑ Xi2 - (X⏨n ) ⏨n )
� 2 = M 2 - (X
n i=1 n i=1
Definisco quindi due stimatori (che sono statistiche).

Denotazione
∧
Lo stimatore per il parametro � viene spesso denotato come �
∧
2 2
Lo stimatore per il parametro � viene spesso denotato come �

∧ ∧
Si noti come � e � 2 sono delle statistiche ergo delle VV.AA.
Esempio
Sia X = (X 1 ,........., X n ) un campione casuale estratto da una popolazione uniforme
sull'intervallo
�-� 3, �+� 3
Determinare gli stimatori dei momenti per i due parametri � e �
Determino i � r : � 1 , � 2 :
�+� 3 1 1 �+� 3
� 1 = EX = ∫ x dx = x2 =�
�-� 3 �-� 3
2 3� 4� 3
� 2 = EX = � + � 2
2 2

Notiamo che il risultato è molto simile all'esempio prima.

I due momenti sono gli stessi dell'esempio precedente.
Quindi gli stimatori saranno gli stessi di quelli di prima.
∧
�=⏨
Xn
n
1
2
� = ∑ Xi2 - (X⏨n ) 2
n i=1
Se però io fossi solamente interessato ad uno stimatore � allora scrivereri:
1
2
⏨n )
� = M 2 - (X 2

Questo risultato deriva da una proprietà che adesso enunciamo:

Osservazione
In generale per costruire gli stimatori dei momenti per funzioni di parametri
� 1 (� 1 , … , � k )
.
.
.
� r (� 1 , … , � k )

Applichiamo � 1 , … , � r agli stimatori dei momenti � 1 , � 2 , … , � k

 �i �1 , … �k , i = 1, … , r
Alternativamente riscriviamo i momenti della popolazione in funzione dei nuovi parametri

� 1 � 1 , … � k , … , � r � 1 , … � k e costruiamo il sistema:

M j = � j (� 1 , … , � r ) , j = 1, … , r

ottenendo:
� , j = 1, … , r