La stima puntuale

1 Stima di una media

Sia X una variabile casuale (v.c.) di media E(X) = µ e varianza Var(X) = σ 2

entrambe ignote. Per ora non si fanno ipotesi sulla distribuzione di probabilità di
X. L’obiettivo è usare i dati capionari (X1 , . . . , Xn ) per acquisire informazioni su µ.
A questo scopo, uno stimatore puntuale per µ è lo stimatore media campionaria:
Pn
Xi
X̄ = i=1 ,
n
che gode delle seguenti proprietà:

1. E(X̄) = µ = E(X), per cui è non distorto o corretto (si ricorda che uno
stimatore è detto non distorto quando la sua media è pari al parametro che
esso stima). Questo significa che X̄ in media non sbaglia nello stimare µ.
σ2 Var(X)
2. Var(X̄) = = . Si ricorda che la varianza di uno stimatore è una
n n
quantità che misura la variabilità dello stimatore stesso attorno alla sua me-
dia. Più la varianza è piccola meno si discosta lo stimatore dalla sua media
(nel senso che con probabilità più alta tende ad assumere valori prossimi alla
sua media). Viceversa più la varianza dello stimatore è alta più lo stimatore
si discosta dalla sua media (nel senso che con probabilità più alta tende ad
assumere valori lontani dalla sua media). Se lo stimatore è corretto (ossia la
media dello stimatore è proprio il parametro che esso stima) allora la varianza
è una misura di precisione dello stimatore: più la varianza dello stimatore è
piccola più lo stimatore è prossimo al parametero che esso stima (nel senso che
con probabilità più alta tende ad assumere valori prossimi a tale parametro).

1
 Poiché Var(X̄) = σ 2 /n si ha che lo stimatore X̄ diventa via via più preciso
all’aumentare della numerosità campionaria n.

Purtroppo non è possibile valutare la precisione dello stimatore media campionaria

tramite la sua varianza poiché essa dipenda da σ 2 che è ignoto. Per ovviare questo
problema si può calcolare
Pn una stima di Var(X̄), sostituendo σ 2 con il suo stimatore
(Xi − X̄)2
non distorto S 2 = i=1 . Per cui uno stimatore di Var(X̄) è
n−1
2
d X̄) = S .
Var(
n

Si definisce errore standard di uno stimatore la radice quadrata della sua varianza
stimata. Per cui, l’errore standard di X̄ è
q
ES(X̄) = Var(d X̄) = √S .
n

L’errore standard di uno stimatore è espresso nella stessa unità di misura del fenomeno
oggetto di studio. Anche l’errore standard è una misura della precisione dello stima-
tore: più l’errore standard è basso più la stima ottenuta è da considerarsi “affidabile”.
L’errore standard si considera basso se è dello stesso ordine di grandezza (o inferiore)
della stima ottenuta. Nel caso della stima di µ, la stima x̄ è da considerarsi affidabile
√
se l’errore standard di X̄, ossia S/ n è dello stesso ordine di grandezza (o inferiore)
di x̄.

1.1 proprietà dello stimatore media campionaria

• Se si aggiuge la seguente ipotesi distributiva: X ∼ N(µ; σ 2 ), allora

1. se σ 2 è noto,
 
σ2 X̄ − µ
X̄ ∼ N µ; ossia √ ∼ N(0; 1);
n σ/ n

2. se σ 2 è ignoto, può essere stimato con S 2 e si ha che

X̄ − E(X̄) X̄ − µ
q = √ ∼ tn−1 ,
d S/ n
Var(X̄)

2
 dove tn−1 indica la distribuzione di una v.c. t di Student con n − 1 gradi
di libertà. Tale distribuzione è stata tabulata.

• Se invece si sa che E(X) = µ e Var(X) = σ 2 ma non è nota la distribuzione

di probabilità della v.c. X, allora per il teorema del limite centrale si ha che

1. se σ 2 è noto,
X̄ − E(X̄) X̄ − µ a
p = √ ∼ N(0; 1);
Var(X̄) σ/ n

2. se σ 2 è ignoto, viene stimato con S 2 e

X̄ − E(X̄) X̄ − µ a
q = √ ∼ N(0; 1).
d S/ n
Var(X̄)
a
dove ∼ indica che la media campionaria, opportunamente standardizzata,
ha distribuzione Normale Standard solo asintoticamente, ossia per n che
tende a infinito. Questo risultato quindi potrà essere usato solo approssi-
mativamente quando la numerosità campionaria n è alta (indicativamente
per n > 30).

2 Stima di una proporzione

Quando si è interessati alla stima della proporzione P di unità statistiche che pre-
sentano una certa caratteristica d’interesse, di fatto si vuole stimare la probabilità
di successo della seguente v.c. di Bernoulli
(
1 se è presente la caratteristica di interesse, per cui P (X = 1) = P
X=
0 se è assente la caratteristica d’interesse, per cui P (X = 0) = 1 − P

Ricordando che il valore atteso di una v.c. di Bernoulli è pari alla probabilità di
successo, ossia E(X) = P , si ha che stimare la proporzione P è equivalente a stimare
la media di un v.c. di Bernoulli di parametro P . Come visto nei precedenti paragrafi
E(X) si stima tramite la media campionaria X̄. In questo caso il campione casuale

3
(X1 , . . . , Xn ) è una sequenza di 0 e 1, per cui lo stimatore media campionaria è di
fatto una proporzione campionaria (è la proporzione di 1 nel campione):
Pn
Xi Numero di 1 nel campione
X̄ = i=1 = = P̂ .
n n

Poiché P̂ è di fatto una media campionaria, gode di tutte le proprietà dello stimatore
media campionaria:

1. P̂ è uno stimatore non distordo di P , ossia E(P̂ ) = P .

Var(X) P (1 − P )
2. Var(P̂ ) = = , per cui all’aumentare di n, Var(P̂ ) diminuisce
n n
e lo stimatore proporzione campionaria diventa più preciso.

3. Poiché P è un parametro sconosciuto, anche Var(P̂ ) non è nota. Uno stimatore

di Var(P̂ ) si ottiene sostituendo P̂ al posto di P , per cui

d P̂ ) = P̂ (1 − P̂ ) .
Var(
n

4. L’errore standard di P̂ è
s
q
d P̂ ) = P̂ (1 − P̂ )
ES(P̂ ) = Var( .
n

Più l’errore standard di P̂ è piccolo (ossia dello stesso ordine di grandezza

o inferiore a quello di P̂ ) più è da considerarsi attendibile (precisa) la stima
ottenuta in base ai dati.

5. Se n è elevato possiamo usare la seguente distribuzione asintotica per lo sti-

matore P̂ opportunamente standardizzato,

P̂ − E(P̂ ) P̂ − P a
q =q ∼ N(0; 1).
d P̂ )
Var( P̂ (1 − P̂ )/n