Sei sulla pagina 1di 12

Esercitazione 5 stat - 12/5/21

1
Esercizio 1 Sia un campione casuale X = (X 1 ,........., X n ) con genitrice X ∼ Exp

essa ha densità f X (x; �).
Sia U = nmin X i uno stimatore per �.
i
a U è corretto?
b U è efficiente?
Soluzione
a
+∞
EU = ∫ uf U (u) du
-∞
u
P(U ⩽ u) = P nmin Xi ⩽ u = 1 - P nmin Xi > u = 1 - P min Xi > =
i i i n
n
u u u u
= 1 - P X1 > , X2 > , … , Xn > = 1 - ∏P Xi > =
n n n i=1 n
n n u n
u u -
n�
= 1- P X > = 1 - 1 - FX = 1- 1- 1-e
n n
Cioè:
u
- 1
F U (u) = 1 - e � ⟹ U ∼ Exp

Otteniamo:
EU = � U è uno stimatore corretto per �
b
MSE(U) = VarU = � 2
⏨⏨
NB
Nell'esercitazione precedente abbiamo visto un'altro stimatore
⏨n era tale che:
che X
�2
⏨n ) = Var ⏨
MSE(X Xn =
n
Siccome:
⏨n ) ⩽ MSE(U)
MSE(X
sappiamo per certo che U non è efficiente.
Esercizio 2 Sia X ∼ Po(�)
n
Facciamo vedere che T = ∑ Xi è una statistica sufficiente per �.
i=1

Soluzione
n
P X = x| ∑ X i = t
n
P(X = x|T = t) = P X = x|∑ Xi = t =
i=1
(1)
n
i=1
P ∑ Xi = t
i=1

⏨⏨
NB
n
L'evento {X = x } ⊂ ∑ Xi = t
i=1

L'unico caso che ci interessa è quello in cui il nostro t viene proprio dal campione casuale.
Tornando ad (1)
P(X = x)
=
n
P ∑ Xi = t
i=1
Valutiamo il numeratore:
n
P(X = x) = P(X1 = x 1 , … , Xn = x n ) = ∏ P(Xi = x i ) =
i=1
n
∑ xi
1
= � i=1 e -n�
x 1 ! ⋅…⋅ x n !
Valuto adesso il denominatore:
n
X1 ∼ Po(�) ⟹ ∑ Xi ∼ Po(n�)
i=1
n
(n�) t
P ∑ Xi = t = e -n�
i=1 t!
Quindi:
1
x 1 !⋅…⋅x n !
� t e -n� t!
P(X = x|T = t) = =
x 1 ! ⋅…⋅ x n !n t
t t
n�
t!
e -n�
Questa probabilità condizionata non dipende da � ∀t
Cioè T è una statistica sufficiente.
Alternativamente possiamo usare il teorema di fattorizzazione Fisher-Neyman:
n
n xi ∑ xi
� 1 1
L(�) = ∏ e -� = � i=1 e -n� = � t e -n�
i=1 xi ! x 1 ! ⋅…⋅ x n ! x 1 ! ⋅…⋅ x n ! ⏠⏣⏣ ⏡⏣⏣ ⏢
h2 (�,t)
⏠⏣⏣⏣ h1⏡⏣⏣⏣
(x) ⏢
n
Cioè T = ∑ Xi è sufficiente per il teorema di fattorizzazione di Fisher-Neyman.
i=1
n
Esercizio 3 Sia una genitrice X ∼ Exp(�) sia la statistica T = ∑ X i
i=1
T è sufficiente per �?
Soluzione
n n n
L(�) = ∏ �e �xi ∏ 1R +
(x i ) = � n e -�t ⋅ ∏ 1 R+ (x i )
i=1 i=1 ⏠⏣⏣⏡⏣⏣
h (�,t)
⏢ i=1
2
⏠⏣⏣⏣
⏡⏣⏣⏣
h1 (x)

T è sufficiente per Fisher-Neyman.

Avrei anche potuto fare nella seguente maniera:


n
L(�) = ∏ �e -�xi = � n e -�t ⋅ 1 x / x i > 0 ∀i = 1, … , n
⏠⏣⏣
⏡⏣⏣

i=1 ⏠⏣⏣⏡⏣⏣ ⏢
h (�,t) h1 (x)
2

Esercizio 4 X ∼ N �, � 2 , � 2 nota
⏨n è una statistica sufficiente per �.
Far vedere che X
Soluzione

n (xi - �) 2 n 1 n
- - 2 ∑ (xi -�) 2
1 -
L(�) = ∏ 2� 2 2 2� i=1
e = 2�� 2 e
2
i=1 2��
Decomponiamo la parte rosse
nx⏨n
n ⏜⏟⏟
n ⏝⏟⏟

n 1 n 1 n 2�n x⏨n - n� 2
- - 2 ∑ xi2 -2� ∑ xi +n� 2 - - 2 ∑ xi2 -
2 2� i=1 2 2� i=1 2� 2
= 2�� 2 = 2�� 2
i=1
e e e
⏠⏣⏣⏣⏣ ⏢⏠⏣⏣⏣
h1⏡⏣⏣⏣⏣
(x)
⏡⏣⏣⏣
h2 (x⏨n , �)

⏨n è una statistica sufficiente per �.


Quindi per Fisher-Neyman X

Esercizio 5 X ∼ N �, � 2 , � nota
Trovare una statistica sufficiente per � 2 = �.
Soluzione
n
n - 1 ∑ (x -�) 2 n
con t = ∑ (x i - �) 2
- i
L(�) = (2��) ⋅ 1 2 e 2� i=1

⏠⏣⏣⏣⏣ ⏢ h⏦
⏡⏣⏣⏣⏣ 1 (x)
h2 (�,t)
i=1

Quindi una statistica sufficiente è:


n
T = ∑ (Xi - �) 2
i=1

Esercizio 6 X ∼ Unif[0, �]
Determinare una statistica sufficiente per �.

Soluzione nuovamente con il teorema di Fisher-Neyman


n n
1 1
L(�) = ∏ 1 [0,�] (x i ) = n ∏ 1 [0,�] (x i ) =
i=1 � � i=1
h2 (� ; x(n)

⏜⏟⏟⏟
1
⏝⏟⏟⏟
⏞h1 (x)
⏜⏟⏟
⏝⏟⏟

= n
1 x(n) ,∞ (�) ⋅ 1
� ⏠⏣⏣
⏡⏣⏣

massimo
delle xi

Quindi X (n) = max X i è una statistica sufficiente per �


i

Esercizio 7 X ∼ Unif[� - 1, � + 1]
Determinare una statistica sufficiente per �.

Soluzione
n n
n
1 1
L(�) = ∏ 1[�-1,�+1] (xi ) = ∏ 1 [�-1,�+1] (x i ) =
�+1-�+1 i=1 2n i=1
min xi⏠⏣⏣⏣⏣
⩾ � - 1 ⏡⏣⏣⏣⏣ ⏢ xi + 1
� ⩽ min
i i

max xi ⩽ � + 1 � ⩾ max xi - 1
i i

1
= 1 [x(n) -1 , x(1) +1] (�)
2 n ⏠⏣⏣⏣⏣
⏠⏣⏣
⏡⏣⏣
⏢ h2 (�, x⏡⏣⏣⏣⏣
(1) , x (n) )

h1 (x)

Per il teorema di fattorizzazione (X (1) , X (n) ) è una statistica sufficiente per �.

Stima per intervalli


Il concetto di quantile:
Sia Z una V.A. allora il quantile di ordine � è quel reale z � tale che:
P(Z ⩽ z � ) = �
0 z�

A volte viene dato il quantile al contrario:
P(W > w� ) = �
Teorema legge del 3-sigma (normale)

Z ∼ N �, � 2 → � = "deviazione standard"
P(-� ⩽ Z ⩽ +�) = 0, 68
P(-2� ⩽ Z ⩽ +2�) = 0, 95
P(-3� ⩽ Z ⩽ +3�) = 0, 997

-3� -2� -� 0
� 2� 3�

0, 68

0, 95

0, 997
n
Esercizio 8 Verificare che 2� ∑ Xi , Xi ∼ Exp(�) , Xi indipendenti è una quantità
i=1
pivotale.
Soluzione
n
Y = 2�∑ Xi
i=1
n n
y
P(Y ⩽ Y) = P 2�∑ Xi ⩽ y = P ∑ Xi ⩽
i=1 i=1 2�

⏨⏨
NB y
-�
n y 2�
∑ Xi ∼ �(n, �) P(2�Xi ⩽ y) = P Xi ⩽
2�
= 1-e

i=1

Cioè

1
2�Xi ∼ Exp
2
n
1
Y = ∑ 2�Xi = � n,
i=1 2
Quindi Y è una quantità pivotale.

Potrebbero piacerti anche