Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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.
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. se σ 2 è noto,
σ2 X̄ − µ
X̄ ∼ N µ; ossia √ ∼ N(0; 1);
n σ/ n
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.
1. se σ 2 è noto,
X̄ − E(X̄) X̄ − µ a
p = √ ∼ N(0; 1);
Var(X̄) σ/ n
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).
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:
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.
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
P̂ − E(P̂ ) P̂ − P a
q =q ∼ N(0; 1).
d P̂ )
Var( P̂ (1 − P̂ )/n