Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
lezione
Esercizio 1 Sia X = (X 1 ,........., X n ) un campione casuale di taglia n estratto da una
popolazione
X ∼ f X dove:
4
f X (x; �) = 4
x 3 1 (0,�) (x) , � > 0
�
a stimare � con il metodo dei momenti
b calcolare la varianza dello stimatore dei momenti � M
c mostrare che T = max Xi = X(n) è una statistica sufficiente per �
i
Soluzione
a
⏨n
�1 = X
�
4 � 4 4 x5 4
� 1 = EX = ∫ 4
x 1 (0,�) (x) dx = ∫
3
4
3
x dx = = �
R � 0 � 5 �4 0
5
Da qui:
5
�M = ⏨
Xn
4
Questo è il nostro stimatore dei momenti.
b
n n
5 25
Var� M = Var ∑ Xi = Var ∑ Xi = indipendenza e identica distribuzione =
4n i=1 16n 2 i=1
25
= nVarX
16n 2
VarX = EX 2 - (EX) 2
�
� 4 4 2
EX = ∫ x
2 2
4
x dx =3
4
x 6
= �2
0 � 6� 0
3
2 16
VarX = � 2 - � 2
3 25
25 25 2 2 16 2 25 50 - 48 2
Var� M = VarX = � - � = � =
16n 16n 3 25 16n 75
25 2 �2
= ⋅ �2 =
16n 75 24n
8 3
c
n n
4 4n
L(�) = ∏ x31 (x )
4 i (0,�) i
= 4n
∏ xi3 1(x (n) ,+∞)
(�) =
i=1 � � i=1
n
1
= 4 n ∏ x i3 ⋅ 1 (x(n) ,+∞) (�)
i=1 � 4n
⏠⏣⏣
⏡⏣⏣
h (x)
1
⏢ ⏠⏣⏣⏣⏣ ⏡⏣⏣⏣⏣
h2 (�, x(n) ) ⏢
Quindi per il teorema di fattorizzazione T = X (n) è una statistica sufficiente per �.
Esercizio 2 Sia un campione casuale X = (X 1 ,........., X n ) di taglia n estratto da un
popolazione
X ∼ f X dove:
x2
2 -
f X (x; �) = xe �1
[0,+∞] (x) , �>0
�
Si determini il limite inferiore di Cramer-Rao per stimatori non distordi di �, sapendo che EX 2 = �
Soluzione
a
Sicuramente:
� ∈ [0, 1]
1
1 - 2� ∈ [0, 1] ⟿ � ∈ 0,
2
� + 1 - 2� + � = 1 ✓
b
n n
1 1 1 1
E� n = E ∑ | Xi | = ∑ E | Xi | = nE | X | = E | X | =
2n i=1 2n i=1 2n 2
1 1
= (1� + 0(1 - 2�) + 1�) = [2�] = � ⟹ � n è corretto
2 2
1 1 1
ET n = E | Xn | = E|X| = ⋅ 2� = � ⟹ T N è corretto
2 2 2
n
1 1
MSE(� n ) = Var� n = Var ∑ | Xi | = nVar|X| =
2n i=1 4n 2
1 1 �
= E|X| 2 - (E|X|) = 2� - 4� 2 = (1 - 2�)
4n 4n 2n
1 1 1
MSE(T n ) = VarT n = Var | Xn | = Var|X| = 2� - 4� 2 =
2 4 4
�
= (1 - 2�)
2
Confrontando i due errori quadratici medi ci rendiamo conto che � n è preferibile a T n ∀n ⩾ 1
Esercizio 3 Sia un campione casuale X = (X 1 ,........., X n ) di taglia n estratto da una
popolazione
X ∼ f X (x; �) = (2� - 2)x 2�-3 1 (0,1) (x) � > 1
a determinare lo stimatore di massima verosimiglianza
b si consideri il test:
5
H0 : � = �0 =
4
7
H1 : � = �1 =
4
Determinare il test più potente esplicitando la regione critica
Con � = 0, 05 ; n = 1
Soluzione
+n n n n
L(�) = ∏ f X (x i ; �) = ∏ (2� - 2)x i2�-3 1 (0,1) (x i ) = (2� - 2) n ∏ x I2�-3 ∏ 1(0,1) (xi )
i=1 i=1 i=1 i=1
n n
log L(�) = n log(2� - 2) + (2� - 3)∑ log(x i ) + log ∏ 1 (0,1) (x i )
i=1 i=1
n
∂ 2n
log L(�) = + 2∑ log x i = 0
∂� 2� - 2 i=1
⟺
n
n
= - 2∑ log(x i )
�-1 i=1
⟺
n
�+ = - n
+1
2 ∑ log x i
i=1
>0
∂ ⏥
n
log L(�) = - < 0 ⟹ questo è un punto di massimo
∂� 2 ( � - 1) 2
⏠⏣⏣
⏡⏣⏣
>0
⏢
Quindi:
n
� ML = 1 - n
2 ∑ log Xi
i=1
b
Applico il lemma di Neyman-Pearson:
5
H0 : � = �0 =
4
7
H1 : � = �1 =
4
L(� 0 )
C = (x 1 , … , x n ) / ⩽ k con k tale che � = 0, 05
L(� 1 )
n
2�0 -3
(2� 0 - 2) n ∏ x i 5 7
L(� 0 ) i=1 1 -3- +3 1
= n
= x1 2
2
=
L(� 1 ) 2�1 -3 3 3x 1
(2� 1 - 2) n ∏ x i
i=1
1
C = (x 1 , … , x n ) / ⩽k
3x 1
5
P "errore di prima specie" = P X1 ∈ C ; � = � 0 = =
4
1 5 1 5
=P X⩾ ; �= = � = 0, 05 = 1 - P X1 ⩽ ; �= =
3k 4 3k 4
1
= 1 - F X1 | 5
3k �=
4
⏨⏨
NB
y y
F X1 (y) = ∫ (2� - 2)x 2�-3 dx = x 2�-2 0
= y 2�-2
0
2�-2
1 1
F X1 =
3k 3k
5
2⋅ -2
4
2
1 1 1
F X1 | 5 = =
3k �=
4
3k 3k
Quindi mi rimane che:
1 1 1
0, 05 = 1 - ⟹ = 0, 95 ⟹ k =
3k 3k 3 ⋅ 0, 95 2
La regione critica relativa al test più potente è:
1
C = x1 / X1 ⩾ = 0, 95 2
3k