Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Soluzione Chiamiamo
"numero sulla pallina
Xi =
estratta all'i-esima estrazione"
k=0
Questo nel caso in cui il supporto coincida con l'insieme dei numeri naturali.
In generale se:
SX { x1 , x2 , x3 , … }
∞
Φ X (t) = Et X
= ∑ t x P(X = x i )
i
i=1
Qui il supporto della variabile aleatorio è limitato a tre punti:
2 2
1 1 1 1 1
Φ X (t) = Et = ∑ t P(X = k) = 1 ⋅
X k
+t ⋅ 1
+t ⋅2
= + t =
k=0 4 2 4 2 2
2
1 1 (1)
= 1- + t
2 2
⏨⏨
NB
Se Z ∼ Bin(n, p)
allora :
∞ ∞
Φ Z (t) = ∑ t P(Z = k) = ∑ t k
k n
k
p k (1 - p) n-k =
k=0 k=0 ⏠⏣⏣
⏡⏣⏣⏢
n!
k! (n - k)!
⏠⏣⏣⏣
⏡⏣⏣⏣
⏢
quando k supera n
il binomiale diventa negativo
n
=∑
n
(tp) k (1 - p) n-k = (1 - p + tp) n
k
funzione ⏠⏣⏣⏣ ⏡⏣⏣⏣delle⏢
k=0
generatrice probabilità
di una bin(n,k)
Tornando a (1)
2
1 1
= 1- + t
2 2
Quindi mi rendo conto che :
1
X ∼ Bin 2,
2
n
Passiamo ora alla nostra Y = ∑ X i
i=1
Voglio trovare la funzione generatrice delle probabilità:
1
Y ∼ Bin 2n,
2
Efficienza ⟿ stimatori corretti
Abbiamo fatto il teorema di cramer-rao che è molto importante perché ci dice che gli
stimatori corretti hanno varianza non più piccola di un certo valore.
Le ipotesi di regolarità devono valere, esso vale sia per le VV.AA. assolutamente continue
sia
per le VV.AA. discrete.
Queste condizioni di regolarità non sono particolarmente stringenti, non valgono solo in
casi
anomali.
Osservazione
Ritorniamo un attimo ad un'altra proprietà che caratterizza gli stimaotri senza essere una
proprietà asintotica essa sarà un requisito fondamentale di ogni stimatore che ricaveremo
Sufficienza
Sia un campione casuale X = (X 1 ,........., X n ) di taglia n.
Sia un statistica S = s(X 1 , … , X n )
Prendo queste variabili del campione casuale e le sintetizzo in una sola V.A., quindi ho
operato una riduzione dimensionale.
Ma fare questa operazione fa perdere delle informazioni rispetto al fenomeno in esame?
Supponiamo di avere una statistica G = g(X 1 , … , X n ) = X 1 , beh qui è ovvio che sto
perdendo delle informazioni perchè considero solo le informazioni di X 1 .
A me piacerebbe avere un'idea del fatto di quantificare la perdita di informazioni. O
quanto
meno capire se alcune statistiche (alcuni stimatori) fanno perdere informazioni o meno.
Così
da poter usare solamente gli stimatori in cui non si perdono informazioni.
(0, 0, 0) s0 = 0
(0, 0, 1) s0 = 1
(0, 1, 0) s0 = 1
(1, 0, 0) s0 = 1
…
Quindi i risultati del campione vengono accorpati sul supporto della statistica.
Sto facendo una bella operazione di acccorpamento.
Quindi vorrei assicurarmi che tutto ciò non faccia danni.
Definizione statistica sufficiente
Sia X = (X 1 ,........., X n ) un campione casuale estratto da una popolazione con densità
f( ∙ ; �).
Una statistica S = (X 1 , … , X n ) è detta sufficiente se la distribuzione condizionata di
X = (X1 ,........., Xn ) dato l'evento { S = s 0 } non dipende da � per ogni valore di
s 0 ∈ Supp(S).
Quindi io, conoscendo S posso eliminare dalla distribuzione del campione casuale il
parametro.
Quindi non posso derivare da essa altri stimatori.