Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
i=1
+∞ Hp
∂
= ∫ … ∫g(x 1 , … x n ) ∏ f(xi ; �) dx1 … dxn ⏥
=
∂� i=1
+∞
∂
= ∫ … ∫g(x1 , … xn )∏ f(xi ; �) dx1 … dxn =
∂� i=1
∂ ∂
= ET = �=1
∂� ∂�
In (4) guardiamo la parte blu:
n n
∂ ∂
∑E log f(Xi ; �) = ∑ ∫ log f(x i ; �) ⋅ f(x i ; �) dx i =
i=i ∂� i=1 ∂�
densità log
n ⏜⏟⏟⏟⏟
1
⏝∂⏟⏟⏟⏟
⏞ n
∂
= ∑∫ f(x i ; �) ⋅ f(x i ; �) dx i = ∑ ∫ f(x i ; �) dx i =
i=1 f(x i ; �) ∂� i=1 ∂�
n n
∂ ∂
=∑ ∫f(xi ; �) dxi = ∑ 1=0
i=1 ∂� i=1 ∂�
Perciò (3) diventa:
n
∂
E (T - �) log ∏ f(Xi ; �) = 1-0
∂� i=1
Trasformo il denominatore:
2 2
n n
∂ ∂
E log ∏ f(Xi ; �) =E ∑ log f(Xi ; �)
∂� i=1 i=1 ∂�
∂ ∂ ∂ ∂
E log f(Xj ; �) log f(Xk ; �) = E log f(Xj ; �) E log f(Xk ; �) = 0
∂� ∂� ∂� ∂�
⏠⏣⏣⏣⏣⏣
=⏡⏣⏣⏣⏣⏣
0 ⏢
in quanto già calcolato
questa è la parte azzurra della
equazione azzurra sopra
Il teorema di Cramer-Rao ci dice che la varianza non può essere inferiore a questa
quantità:
quando trovo uno stimatore che raggiunge il limite minimo di Cramer-Rao allora è fatto in
questo modo (1)
Proposizione
Se ∃ uno stimatore corretto per il parametro � che ha una varianza che raggiunge il limite
inferiore di Cramer-Rao allora è uno stimatore di massima verosimiglianza.
Dimostrazione
Partiamo dal secondo punto dell'enunciato di Cramer-Rao (1) l'uguaglianza sussiste se ∃
� = �(�) tale che:
n
∂
T - � = �(�)∑ log f(Xj ; �)
j=1 ∂�
⟺
n
∂
T - � = �(�) log ∏ f(Xj ; �)
∂� i=1
⏠⏣⏣⏣
L⏡⏣⏣⏣
(�) ⏢
⟺
∂ T-�
log L(�) =
∂� �(�)
Immaginiamo di derivare lo stimatore di massima verosimiglianza:
∂ T-�
log L(�) = 0 =
∂� �(�)
⟺
T-� = 0
Cioè
� ML = T
Adesso vorremmo capire se aumentando il valore della classe del campione casuale il
valore degli stimatori migliorano..
Chiaramente se lanci 100 volte la moneta o 10.000 volte la moneta migliorerà molto le
inferenze.
ANche se non è sempre vero che le inferenze migliorano.