Esercizi 2012

ESERCIZI DI INFERENZA STATISTICA
1
Fulvio De Santis - Marco Perone Pacico - Luca Tardella - Isabella Verdinelli
Anno Accademico 2010-2011
I PARTE: VARIABILI ALEATORIE, VEROSIMIGLIANZA E SUFFICIENZA
Variabili aleatorie
Esercizio 1. Un rappresentante percorre frequentemente in automobile il tratto tra New York e
Boston. Si ipotizza che il tempo di percorrenza sia una variabile aleatoria con distribuzione normale
di valore atteso 4.3 ore e varianza pari a 0.2
2
ore. Determinare la probabilità che un viaggio del
rappresentante duri
a) pi` u di 4.5 ore;
b) meno di 4 ore.
Esercizio 2. Un quiz è costituito da dieci domande a risposta multipla. Per ciascuna domanda
sono previste 3 risposte, di cui solamente una è esatta. Per superare il test è necessario rispon-
dere correttamente ad almeno sei domande. Supponendo di scegliere a caso le risposte a tutte le
domande,
a) determinare la probabilità di superare il test;
b) stabilire se la probabilità di rispondere esattamente a tutte le domande del test è superiore
alla probabilità di sbagliare tutte le risposte.
Esercizio 3. Si consideri un campione di 16 persone che sorono di emicrania. Supponendo di
utilizzare su questi pazienti un farmaco che, in base alla ricerca, si ritiene ecace nell 80% dei casi,
determinare:
a) la probabilità che abbia eetto su tutte le unità del campione;
b) la probabilità che il farmaco sia ecace su almeno 14 pazienti del campione;
c) il numero medio di pazienti del campione che ci si aspetta trovino giovamento dalluso del
farmaco.
d) Supponendo di somministrare il farmaco ad una popolazione di 1000 soggetti, determinare
la probabilità che questo abbia eetto su almeno 750 individui.
Esercizio 4. Il tasso di guarigione garantito da un farmaco per una determinata malattia è pari
al 70%.
a) Qual è la probabilità che, su 10 pazienti curati con il farmaco considerato, pi` u di 8 guariscano?
b) Qual è il numero medio di pazienti per i quali ci si aspetta la guarigione?
Esercizio 5. Il 65% dei laureati di una facoltà viene assunto entro un anno dalla laurea. Suppo-
nendo di considerare n = 9 laureati della facoltà in esame, determinare:
a) il numero medio di laureati assunti entro un anno;
b) la probabilità che almeno cinque di questi trovino lavoro entro un anno;
c) la probabilità che al pi` u due di questi trovi lavoro entro un anno.
Esercizio 6. Una variabile statistica X ha distribuzione normale di valore atteso e varianza
2
incognite. Determinare il valore di e sapendo che la probabilità che X assuma valori minori di
245 è pari a 0.33, e che la probabilità che X assuma valori superiori a 260 è pari a 0.48.
Esercizio 7. Il 2,35 per cento delle persone adulte di un collettivo è mancina. Determinare la
probabilità che, su una scolaresca di 120 studenti, ne siano mancini
1
Gli esercizi contrassegnati dallasterisco si riferiscono a prove di esame assegnate negli scorsi anni accademici.
1
(a) 3;
(b) almeno 3;
(c) al massimo 3.
Esercizio 8*. In una indagine del 1994, il Census Bureau degli U.S.A. ha stabilito che il 70%
dei cittadini americani aveva stipulato un contratto di assicurazione sanitaria privata. Sulla base
di tale valutazione, qual era in quellanno la probabilità che, su n = 5 cittadini scelti casualmente,
al pi` u 2 avessero il contratto?
Esercizio 9*. In una indagine del 1994, il Census Bureau degli U.S.A. ha stabilito che il 30% dei
cittadini americani non aveva stipulato un contratto di assicurazione sanitaria privata. Sulla base
di tale valutazione, qual era in quellanno la probabilità che, su n = 5 cittadini scelti casualmente,
almeno 3 persone non avessero il contratto?
Esercizio 10*. Da unindagine demograca condotta dal Census Bureau statunitense, risulta che
il 9.96 % dei cittadini americani di età superiore a 18 anni è di origine ispanica. Si consideri un
campione casuale di n = 1200 cittadini americani e determinare
a) il numero medio di cittadini ispanici in un campione di tale ampiezza;
b) la probabilità che di un campione di tale ampiezza facciano parte meno di 100 cittadini
ispanici.
Esercizio 11*. Sia X
1
, X
2
, . . . , X
n
un campione casuale proveniente da una popolazione di Poisson
di parametro = 0.1.
a) Determinare la distribuzione esatta e lapprossimazione normale per la statistica campionaria
U
n
= 2Y
n
3, dove Y
n
=
n
i=1
X
i
.
b) Determinare la probabilità che U
n
assuma valori positivi, considerando n = 20.
Campioni Casuali, Statistiche Campionarie e Propriet` a
Esercizio 1. Sia X
1
, . . . , X
n
un campione casuale da una popolazione di Poisson di parametro
incognito . Determinare (in funzione di ) la probabilità di osservare il seguente campione di
dimensione n = 5:
x
n
= (2, 3, 1, 5, 5).
Che valore assume la probabilità considerata se = 2? E se invece = 3?
Esercizio 2. Sia X
1
, . . . , X
n
un campione casuale da una popolazione di esponenziale di parametro
incognito . Determinare la funzione di densità congiunta (in funzione di ) in corrispondenza del
seguente campione di dimensione n = 5:
x
n
= (1.12, 0.88, 0.13, 0.42, 0.36).
Che valore assume la densità congiunta se si assume = 0.5? E se invece si assume = 1?
Esercizio 3. La temperatura alla quale un termostato scatta ha distribuzione normale con varianza
2
. Supponendo di eettuare n = 5 controlli di qualità, calcolare
a) P(
S
2
n
2
1.8);
b) P(0.85
S
2
n
2
1.15),
dove S
2
n
reppresenta la varianza campionaria corretta del campione relativo alle 5 prove eettuate.
Esercizio 4. Il tempo di vita di un certo componente elettrico è una v.a. con valore atteso
= 100 e deviazione standard = 20. Se si provano n = 16 componenti di questo tipo (tra loro
2
indipendenti), quanto vale approssimativamente la probabilità che la media campionaria delle loro
durate di vita sia
a) minore di 104;
b) compresa tra 98 e 104.
Esercizio 5. In una azienda, si suppone che il numero di ore di straordinario degli impiegati in
un mese sia una v.a. con valore atteso = 5.75 ore e deviazione standard = 0.48 ore. Se si
considera un campione casuale di n = 36 impiegati, qual è la probabilità che le ore complessive del
loro lavoro straordinario sia compreso tra 202 e 210 ore?
Esercizio 6. Sia X una v.a. discreta con la seguente distribuzione:
P(X = 0) = 0.2, P(X = 1) = 0.3, P(X = 2) = 0.5.
Si determini, nel caso di un campione casuale di dimensione n = 2, la distribuzione della media
campionaria,

X. Si calcoli quindi il valore atteso e la varianza della v.a.

X.
Esercizio 7*. Si suppone che il numero di telefonate che un operatore di un grande centralino
riceve in unora del giorno sia una variabile aleatoria di Poisson di parametro = 12. Considerato
un campione casuale X
1
, . . . , X
n
di n = 100 operatori, determinare la probabilità (approssimazione)
che il numero complessivo Y =
100
i=1
X
i
di telefonate a cui rispondono i 100 operatori in unora sia
compreso tra 1150 e 1280 telefonate.
(Sugg.: ricordare che per una v.a. X con distribuzione di Poisson di parametro , si ha che
E(X) = V(X) = ).
Esercizio 8*. Si suppone che il numero di clienti che si presentano a uno sportello di una grande
banca in un giorno dellanno sia una variabile aleatoria di Poisson di parametro = 30. Considerato
un campione casuale X
1
, . . . , X
n
di n = 40 sportelli, determinare la probabilità (approssimazione)
che il numero complessivo Y =
40
i=1
X
i
di clienti serviti dai 40 sportelli in un giorno sia compreso
tra 1180 e 1270.
(Sugg.: ricordare che per una v.a. X con distribuzione di Poisson di parametro , si ha che
E(X) = V(X) = ).
Esercizio 9*. Si consideri un campione casuale di n = 4 osservazioni provenienti da una
distribuzione normale di parametri = 8 e
2
= 8. Date le tre statistiche campionarie:
T
1
(X
n
) =

X
n
, T
2
(X
n
) = S
2
n
=
1
n 1
n
i=1
(X
i

X
n
)
2
, T
3
(X
n
) =
1
4

X
n
+
3
4
S
2
n
,
calcolarne il valore atteso e la varianza.
(Sugg. Ricordare che se una v.a. Y
2
, si ha che E[Y ] = e che V [Y ] = 2)

Esercizio 10* Sia X
1
, . . . , X
n
un campione casuale tale che, i = 1, . . . , n,
E[X
i
] = e V [X
i
] =
1
2
2
a) Determinare valore atteso e varianza delle variabili aleatorie
1
2
X
n
e 2X
1
+ 2X
n
3.
b) Determinare lapprossimazione asintotica per la distribuzione di

X
n
.
c) Supponendo che = 2 e n = 25, determinare la probabilità (approssimazione) che la v.a.

X
n
assuma valori nellintervallo (2, 2.4).
1
, . . . , X
n
un campione casuale tale che, i = 1, . . . , n,
E[X
i
] =

+ 1
e V [X
i
] =

2
( + 2)
.
3
a) Determinare valore atteso e varianza delle variabili aleatorie

X
n
e 2
n
i=1
X
i
3.
b) Determinare lapprossimazione asintotica per la distribuzione di

X
n
.
c) Supponendo che = 0.2 e n = 25, determinare la probabilità (approssimazione) che la v.a.
X
n
assuma valori nellintervallo (1/2, 1).
Verosimiglianza e Sufficienza
Esercizio 1. Si consideri un campione casuale di n osservazioni da una popolazione N(0, ) (qui
rappresenta la varianza incognita della v.a.). Supponendo di avere osservato il seguente campione
di 10 osservazioni:
x
n
= (2.52, 0.76, 1.55, 0.98, 4.03, 0.09, 2.27, 1.67, 0.54, 0.27),
a) scrivere la funzione di verosimiglianza, L(; x
n
), del parametro ;
b) determinare la stima di massima verosimiglianza di .
c) In base al campione osservato, risulta maggiormente verosimile per il valore
1
= 3 o
2
= 5?
Esercizio 2. Si consideri un campione casuale di n osservazioni da una popolazione X con
funzione di densità
f
X
(x; ) =
e
x
+1
, x > e, > 0.
a) Scrivere la funzione di verosimiglianza, L(; x
n
), del parametro .
b) Vericare analiticamente che lo stimatore di massima verosimiglianza di risulta essere:
=
n
n
i=1
ln x
i
n
.
c) Supponendo di avere osservato il seguente campione x
n
di n = 10 osservazioni:
3.595 5.048 3.410 3.288 5.585 4.429 3.691 4.372 4.044 5.986,
determinare la stima di massima verosimiglianza di .
Esercizio 3. Sia X
1
, . . . , X
n
un campione casuale da una popolazione con funzione di densità
f
X
(x; ) = e
(x)
I(x)
(,+)
, > 0.
Determinare lo stimatore di massima verosimiglianza di .
Esercizio 4. Si consideri un campione casuale da una distribuzione di Poisson di parametro
incognito . Supponendo di avere osservato un campione di dimensione n = 10, tale che la somma
dei valori osservati sia pari a 28, stabilire quale tra i seguenti è il valore pi` u verosimile per il
parametro incognito :
1
= 2,
2
= 3,
3
= 4.
Esercizio 5*. Si consideri un campione casuale di n osservazioni da una popolazione X con
f
X
(x; ) = 2 x e
x
2
I
(0,+)
(x), > 0.
In corrispondenza di un generico campione osservato x
n
= (x
1
, . . . , x
n
),
4
n
), del parametro ;
b) individuare il nucleo della funzione L(; x
n
) e una statistica suciente per il modello;
c) vericare analiticamente che lo stima di massima verosimiglianza di risulta essere:
(x
n
) =
n
n
i=1
x
2
i
.
f
X
(x; ) =
2
x e
x
2
I
(0,+)
(x), > 0.
n
= (x
1
, . . . , x
n
),
n
), del parametro ;
n
c) vericare analiticamente che lo stima di massima verosimiglianza di risulta essere:
(x
n
) =
n
i=1
x
2
i
n
.
Esercizio 7*. Sia X una variabile aleatoria con funzione di densità
f
X
(x; ) =
4x
2
x
2
2
I
(0,+)
(x) > 0.
a) Determinare una statistica suciente.
b) Determinare lo stimatore di massima verosimiglianza per .
Esercizio 8*. Sia x
n
= (3, 4, 2, 7, 4, 5, 8, 1, 0, 0) un campione casuale dalla popolazione con funzione
di massa di probabilità
f
X
(x; ) = e

x
x!
x = 0, 1, 2, . . . > 0.
a) Calcolare la stima di massima verosimiglianza del parametro ;
b) Calcolare la probabilità dellevento {X
1
= 0} e, osservando che si tratta di una funzione del
parametro incognito , calcolare la stima di massima verosimiglianza di tale quantità.
Esercizio 9*. Sia X
n
= (X
1
, . . . , X
n
) un campione casuale dalla popolazione con funzione di
densità
f
X
(x; ) =
2x
2
0 < x < > 0.
a) Calcolare E
(

X), dove

X =
n
i=1
X
i
/n indica la media campionaria.
b) Determinare la funzione di verosimiglianza e lo stimatore di massima verosimiglianza del
parametro .
1
, . . . , X
n
un campione casuale da una popolazione X con funzione di
densità
f
X
(x; ) = 2
2
x
3
I
(,)
(x), > 0.
5
a) Scrivere la funzione di verosimiglianza di per un campione osservato x
n
.
b) Determinare, se esiste, una statistica suciente per .
c) Determinare la stima di massima verosimiglianza di .
Esercizio 11. Sia X
n
= (X
1
, . . . , X
n
) un campione casuale dalla popolazione con distribuzione di
probabilità
f
X
(x; , ) =
( +x)
(x + 1)()

(1 )
x
, x = 0, 1, 2, . . . , (0, 1), > 0.
Assumendo che sia una quantità nota, si determini, se esiste, una statistica suciente.
Esercizio 12*. Con riferimento allesercizio precedente, si supponga che = 1 e si consideri il
campione
x
n
= (3, 2, 7, 3, 5).
a) Determinare la funzione di verosimiglianza di per il campione considerato.
b) Determinare la stima di verosimiglianza per il parametro ;
c) Vericare se, alla luce dei dati osservati, risulta pi` u verosimile per il valore
1
= 0.3 oppure
il valore
2
= 0.6.
Esercizio 13. Sia X
n
= (X
1
, . . . , X
n
densità
f
X
(x; ) =
2
_
1
x
_
I
[0,]
(x), > 0.
a) Determinare la funzione di verosimiglianza.
b) Vericare che E
(X) =

3
.
Esercizio 14. In un processo di controllo di qualità emerge che, su 371 pezzi controllati, 18 sono
difettosi. Trattando il campione considerato come una realizzazione di un campione casuale,
a) determinare la funzione di verosimiglianza;
b) calcolare il valore della stima di massima verosimiglianza di p, proporzione dei pezzi difettosi
nella popolazione da cui proviene il campione.
f
X
(x; ) =
1
1
1
x
exp{
1
2
2
(ln x 3)
2
} I
(0,+)
(x), > 0.
n
= (x
1
, . . . , x
n
),
a) determinare lespressione la funzione di verosimiglianza, L(; x
n
), del parametro ;
n
c) determinare la stima di massima verosimiglianza di ;
d) calcolare il valore della stima di massima verosimiglianza per il seguente campione di dimen-
sione n = 3: x
3
= (e
1
, e
2
, e
4
).
6
1
, . . . , X
n
un campione casuale dalla popolazione con funzione di densità:
f
X
(x; ) = x
(+1)
, x > 1, > 0,
e sia x
n
un generico campione osservato.
a) Determinare la funzione di verosimiglianza di e indicarne il nucleo.
b) Vericare che T
0
(X
n
) =
n
i=1
X
i
è una statistica suciente.
c) Determinare lo stimatore di massima verosimiglianza di , T
1
(X
n
).
d) Per il campione di n = 3 osservazioni x
3
= (2, 2, 3), calcolare la stima di massima verosimi-
glianza di e vericare quale, tra i valori
0
= 2 e
1
= 3 risulta pi` u verosimile.
e) Determinare la stima di massima verosimiglianza di h() =
_
() + 1.
1
, . . . , X
n
un campione casuale dalla popolazione con distribuzione di proba-
bilità:
f
X
(x; ) =
_
2
_
|x|
(1 )
1|x|
, x = 1, 0, 1 (0, 1).
a) Determinare la funzione di verosimiglianza di e indicarne il nucleo.
b) Determinare una statistica suciente.
c) Determinare lo stimatore di massima verosimiglianza di .
d) Per il campione di n = 3 osservazioni x
3
= (1, 1, 0), calcolare la stima di massima
verosimiglianza di e vericare quale, tra i valori
0
= 0.5 e
1
= 0.6 risulta pi` u verosimile.
e) Calcolare la stima di massima verosimiglianza di h() =
1
2
.
Esercizio 18. Sia X
1
, . . . , X
n
un campione casuale da una popolazione di Poisson di parametro .
Per un generico campione osservato x
n
, si determini
a) la funzione di verosimiglianza relativa,

L(; x
n
);
b) linformazione osservata di Fisher, I
oss
n
;
c) lapprossimazione normale di

L(; x
n
);
d) linsieme di verosimiglianza di livello q, utilizzando lapprossimazione normale di cui al punto
precedente.
Esercizio 19*. Si consideri un campione casuale X
1
, . . . , X
n
, dove X
i
indica il tempo che un
impiegato di banca dedica a ciascun cliente, e si supponga che X
i
abbia distribuzione normale di
parametri e
2
, entrambi incogniti. Si consideri quindi un campione osservato di dimensione
n = 16, per il quale si ha

n
i=1
x
i
= 49.6 e

n
i=1
(x
i
x
n
)
2
= 2.56.
a) Vericare che le stime di massima verosimiglianza dei parametri incogniti sono pari a = 3.10
minuti e = 0.40 minuti.
b) Utilizzando le stime riportate al punto a), determinare la probabilità che il tempo dedicato
dallimpiegato a un singolo cliente sia superiore a 3 minuti.
c) Utilizzando le stime riportate al punto a), determinare la probabilità che il tempo complessivo
dedicato a 10 clienti sia inferiore a 35 minuti.
7
distribuzione di probabilità
f
X
(x; ) =
_
2
x
_
x
(1 )
2x
x = {0, 1, 2}, 0 < < 1.
a) Vericare che
E
[X] = 2 V
[X] = 2(1 ).
b) Determinare E
[

X
n
] e V
[

X
n
].
c) Determinare lespressione della funzione di verosimiglianza del parametro , L(; x
n
), associa-
ta a un generico campione osservato, x
n
, individuare il nucleo della funzione di verosimiglianza
e, se esiste, una statistica suciente unidimensionale.
Esercizio 21*. Con riferimento al precedente esercizio, si consideri un campione osservato di n =
20 osservazioni, tale che x
(1)
= x
(2)
= . . . = x
(14)
= 0, x
(15)
= x
(16)
= 1, x
(17)
= . . . = x
(20)
= 2.
a) Determinare la stima di massima verosimiglianza di .
b) Determinare il valore dellinformazione osservata, I
oss
n
, e lespressione dellapprossimazione
normale,

L
N
(; x
n
), per la funzione di verosimiglianza relativa.
c) Determinare linsieme di verosimiglianza di livello q = 0.85, utilizzando lapprossimazione
normale ottenuta al punto precedente.
d) Sulla base dei precedenti risultati, come è possibile stimare la quantità E
[

X
n
]?
Esercizio 22*. Si suppone che la durata di funzionamento (X, in decine ore) di una popolazione
di macchinari prodotti da una fabbrica sia una v.a. di Weibull con funzione di densità
f
X
(x; ) = 2 x e
x
2
, x 0, > 0.
In un esperimento si è riscontrato che, per n = 100 pezzi esaminati, la somma del quadrato dei
tempi di durata è pari a 25.5 (decine di ore). Sulla base del campione osservato,
a) Determinare la stima di massima verosimiglianza di .
b) Determinare una stima per intervallo per , utilizzando linsieme di verosimiglianza appros-
simato di livello q = 0.147.
1
, . . . X
n
un campione casuale proveniente da una popolazione con distribu-
zione uniforme nellintervallo (, 2), con parametro incognito e funzione di densità
f
X
(x; ) =
1
I
(,2)
(x), > 0.
a) Vericare che
E
[X] =
3
2
, V
[X] =

2
12
.
b) Vericare (giusticando tutte le aermazioni) che lapprossimazione normale della distribu-
zione campionaria della v.a. media campionaria,

X
n
, risulta essere N(
3
2
,

2
12n
).
c) Sulla base del precedente punto, determinare la probabilità che la v.a.

X
n
assuma valori
superiori a
19
6
, ponendo = 2 e n = 48.
8
d) Vericare che, per il modello considerato, una statistica suciente è rappresentata dal vettore
_
x
(1)
, x
(n)
_
, ovvero dalla coppia costituita dal minimo e massimo dei valori campionari.
1
, . . . , X
n
un campione casuale proveniente da una popolazione geometrica
2
di parametro incognito , la cui funzione di massa di probabilità è:
f
X
(x; ) = (1 )
x1
, x = 1, 2, . . . ; (0, 1).
a) Determinare la funzione di verosimiglianza di associata a un generico campione osservato e
una statistica suciente per il modello.
b) Determinare la stima di massima verosimiglianza di .
c) Vericare che la famiglia delle distribuzioni geometriche costituisce una famiglia esponenziale.
d) In un campione di n = 5 osservazioni, si è rilevato che x
1
= 3, x
2
= 5, x
3
= 1, x
4
= 2, x
5
= 4.
Utilizzando la stima di massima verosimiglianza di , determinare la probabilità che la v.a.
X assuma valori maggiori di 3.
distribuzione di probabilità:
f
X
(x; ) =
1
2
x exp
_
_
, > 0, x > 0.
a) Scrivere il modello statistico probabilistico e vericare che f
X
(x; ) appartiene alla famiglia
esponenziale.
b) Determinare la funzione di verosimiglianza L
x
oss
().
c) Ottenere, se esiste, una statistica suciente per .
d) Determinare lo stimatore di massima verosimiglianza per .
e) Determinare lespressione dellinformazione osservata di Fisher.
Esercizio 26*. Sia
x
oss
= (0.56, 0.47, 0.30, 0.60, 0.22, 0.41, 0.76, 0.38, 0.08, 0.29, 0.57, 0.97, 0.81, 0.87, 0.36,
0.20, 1.27, 0.20, 1.38, 1.12, 0.46, 0.52, 1.17, 0.32, 0.21, 0.61, 0.61, 1.47, 0.64, 0.08)
Un campione di numerosità n = 30 estratto da una popolazione distribuita come la variabile
aleatoria X dellesercizio precedente. Si ha che

n
i=1
x
i
= 17.91, (
n
i=1
x
i
)
2
= 320.77, (
n
i=1
x
i
)
3
=
5744.96.
Si determini
a) Il valore della stima di massima verosimiglianza

mv
.
b) Il valore dellinformazione osservata di Fisher.
c) Lintervallo di verosimiglianza approssimato di livello q = 0.146.
2
La v.a. aleatoria geometrica viene utilizzata per descrivere il numero (aleatorio) minimo di prove, ciascuna
con possibile esito di tipo successo o insuccesso, da eettuare per osservare un successo. Si noti infatti che la v.a.
geometrica assume valori nei numeri naturali e che il valore minimo che può assumere è pari a 1.
9
d) Il valore approssimato della seguente probabilità, utilizzando il valore calcolato di

mv
e
tenendo conto che la variabile aleatoria X ha media E[X] = 2 e varianza V[X] = 2
2
,
P
_
n
i=1
X
i
< 10
_
.
distribuzione di probabilità:
f
X
(x; ) =
3 x
2
3
exp
_
x
3
3
_
con x > 0, > 0.
1. Scrivere il modello statistico probabilistico per il campione casuale X = (X
1
, . . . X
n
) e
vericare se f
X
(x; ) appartiene alla famiglia esponenziale.
2. Scrivere la funzione di verosimiglianza L
x
oss
() ed ottenere una statistica suciente per .
Spiegare se la statistica suciente ottenuta è anche minimale.
3. Determinare la stima di massima verosimiglianza

MLE
per e linformazione osservata di
Fisher I(
MLE
). Calcolare il loro valore per il campione osservato x
oss
= (4, 6, 7).
Esercizio 28*. Si consideri una variabile aleatoria X con distribuzione di probabilità
f
X
(x; ) = 2 e
2 x
x > 0, > 0
1. Scrivere il modello statistico probabilistico e vericare che f
X
(x; ) appartiene alla famiglia
esponenziale.
2. Dato un campione casuale di n osservazioni proveniente da f
X
(x; ), determinare gli stimatori
di massima verosimiglianza per e per = 2/. Ottenere le stime di massima verosimiglianza
per e per sapendo che in un campione osservato di dimensione n = 150 si è ottenuto
n
i=1
x
i
= 1500.
3. Determinare lespressione dellinformazione osservata di Fisher ed il valore ottenuto in corri-
spondenza del campione osservato al punto 3.
Esercizio 29*. Si consideri un campione casuale di n osservazioni da una popolazione X con legge
di probabilità:
f
X
(x; ) = P
_
X = x;
_
= (x + 1)(1 )
2
x
0 1 x = 0, 1, . . .
1. Per un generico campione osservato x
oss
si ottenga la stima di massima verosimiglianza

MLE
per il parametro , vericando che il valore che azzera la derivata prima è eettivamente un
massimo.
2. Si determini il valore di

MLE
quando x
oss
= (2, 5, 8, 10, 0, 20, 2, 1).
3. Dato il campione osservato al punto 2. stabilire quale valore è preferibile tra
1
=
7
10
e
2
=
8
10
.
10
4. Assumendo che =

MLE
, si calcoli la probabiltà dei seguenti eventi: X = 0, X = 1. Si
calcoli inne la probabilità di osservare il campione di 3 elementi X
3
= (0, 1, 0).
Esercizio 30*. Si consideri un campione casuale di n osservazioni da una popolazione X con legge
di probabilità:
f
X
(x; ) = P(X = x; ) =
1
2
(x + 1)(x + 2)
3
(1 )
x
0 1 x = 0, 1, . . .
1. Per un generico campione osservato x
oss
si ottenga la stima di massima verosimiglianza

MLE
per il parametro .
2. Si determini il valore di

MLE
quando x
oss
= (3, 1, 0, 1, 2, 2).
3. Dato il campione osservato al punto 2. stabilire quale valore è preferibile tra
1
=
23
30
e
2
=
17
30
.
4. Assumendo che =

MLE
, si calcoli la probabiltà dei seguenti eventi: X = 0, X = 1. Si
calcoli inne la probabilità di osservare il campione di 3 elementi x = (0, 1, 0).
Esercizio 31*. Si consideri un campione casuale proveniente da una popolazione con legge di
probabilità:
f
X
(x; ) = (1 +x)
(1+)
; x > 0, > 0,
1. Scrivere il modello statistico per il campione casuale X = (X
1
, . . . , X
n
).
2. Vericare se il modello appartiene alla famiglia esponenziale ed identicare, se esiste, una
statistica suciente.
3. Determinare la funzione di verosimiglianza, il suo nucleo e lespressione della stima di massima
verosimiglianza

MLE
per un generico campione osservato x
oss
.
4. Ottenere lespressione dellinformazione osservata di Fisher I
x
oss
(
MLE
).
5. In corrispondenza ad un campione osservato di numerosità n = 50 e

log(1 + x
i
) = 106.6
calcolare il valore di

MLE
, di I
x
oss
(
MLE
) e scrivere lapprossimazione normale per la funzione
di verosimiglianza.
Esercizio 32*. Si consideri un campione casuale proveniente da una popolazione con legge di
probabilità:
f
X
(x; ) =
2 x
2
e
x
2
2
x > 0, > 0
1. Scrivere il modello statistico per il campione casuale X = (X
1
, . . . , X
n
).
2. Vericare se il modello appartiene alla famiglia esponenziale ed identicare, se esiste, una
statistica suciente.
3. Determinare la funzione di verosimiglianza, il suo nucleo e lespressione della stima di massima
verosimiglianza

MLE
per un generico campione osservato x
oss
.
4. Ottenere lespressione dellinformazione osservata di Fisher I
x
oss
(
MLE
).
5. In corrispondenza ad un campione osservato di numerosità n = 100 e
_
n
i=1
x
2
i
= 29.01
calcolare il valore di

MLE
, di I
x
oss
(
MLE
) e scrivere lapprossimazione normale per la funzione
di verosimiglianza.
11
SOLUZIONI
Variabili aleatorie normali e binomiali
Esercizio 1. X N(4.3, 0.2
2
)
(a) Pr{X > 4.5} = Pr{Z >
4.54.3
0.2
} = 1 F
Z
(1) = 0.16
(b) Pr{X < 4} = = F
Z
(1.5) = 1 F
Z
(1.5) = 0.067
Esercizio 2. S =
10
i=1
X
i
Binom(10, )
a) P(S 6) =
10
i=6
_
10
i
_
i
(1 )
10i
.
b) P(S = 10) =
10
.
c) P(S = 0) = (1 )
10
. Inoltre:
10
> (1 )
10
> 1/2.
Esercizio 3. p
A
= 0.8; p
B
= 0.7.
a) S =
X
i
Binom(n = 16, = 0.8); P(S = 10) = 0.8
16
= 0.028.
b) P(S 14) =
16
i=14
_
16
i
_
(0.8)
i
(0.2)
16i
.
c) E(S) = np
A
= 12.8.
Esercizio 4. Se X Bernoulli(0.7); il numero di pazienti che guariscono è S =

10
i=1
X
i

Binom(n = 10, 0.7).
(a) Pr{S > 8} = P{S = 9} +P{S = 10} 0.121 + 0.028 = 0.149.
(b) E(S) = 10 0.7 = 7.
Esercizio 5. Numero di laureati assunti S Binom(n = 9, 0.65)
(a) E(S) = n = 9 0.65 = 5.85
(b) Pr{S 5} =
9
r=5
_
9
r
_
(0.65)
r
(0.35)
9r
0.83.
(c) Pr{S 2} = 0.011.
Esercizio 6.
Pr{X < 245} = Pr{
X
<
245
} = F
Z
(
245
) = 0.33 = F
Z
(0.44) quindi
245
= 0.44
Pr{X > 260} = Pr{
X
>
260
} = 1 F
Z
(
260
) = 0.48
quindi F
Z
(
260
) = 0.52 = F
Z
(0.06) e
260
= 0.06.
Risolvendo otteniamo = 258.5 e = 30.5.
Esercizio 7. Il numero di mancini nel campione ha distribuzione binomiale di parametri n =
120, P = 0.0235. Le probabilità richieste sono 0.23, 0.54, 0.69.
Esercizio 8. Il numero di cittadini nel campione che ha assicurazione sanitaria ha distribuzione
binomiale di parametri n = 5, P = 0.7. La probabilità richiesta è 0.163.
Esercizio 9.
`
E esattamente la stessa dellesercizio precedente.
Esercizio 10. X
i
= etnia cittadino i-esimo campionario (1=ispanico, 0=non ispanico);
Y
n
=
n
i=1
X
i
= numero di cittadini ispanici nel campione;
= 0.0996
X
i
| Ber(), Y
n
| Binom(n, ).
a) E
[Y
n
] = n = (1200) (0.096) = 119.52.
b) Utilizzando lapprossimazione normale della distribuzione binomiale e ricordando che V
(Y
n
) =
n(1 ) si ottiene
P(Y
n
< 100) P(Z < (100 119.52)/
107.64) = (1.88) = 0.03,

dove () indica la funzione di ripartizione della v.a. normale standardizzata (Z).
Esercizio 11.
12
a) La distribuzione esatta di Y
n
=
n
i=1
X
i
è la distribuzione di Poisson di parametro n. Quindi
Y
n
può assumere i valori y = 0, 1, . . . , y . . . con probabilità
f
Y
n
(y; ) = P(Y
n
= y; ) =
e
n
(n)
y
y!
.
La variabile aleatoria U
n
= 2Y
n
3 assume di conseguenza i valori u = 0, 3, 1, 1, 3, 5, . . . 2y
3, . . . con probabilità
f
U
n
(u; ) = P(U
n
= u; ) = P(2Y
n
3 = u; ) =
P(Y
n
=
u + 3
2
; ) = f
Y
n
((u + 3)/2; ) =
e
n
(n)
(u+3)/2
[(u + 3)/2]!
.
b) Sono vericate le ipotesi del teorema del limite centrale: le v.a. X
1
, . . . , X
n
sono i.i.d., e
valore atteso e varianza di X
i
sono niti. Pertanto,
Y
n
=
n
i=1
X
i
N(n, n) = N(2, 2).
Per le proprietà delle v.a. normali, una combinazione lineare di una v.a. normale ha ancora
distribuzione normale. Poichè
E[U
n
] = 2E[Y
n
] 3 = 2n 3, V
[U
n
] = 4V
[Y
n
] = 4n,
si ha che
U
n
= 2Y
n
3 N(2n 3, 4n) = N(1, 8),
e quindi che
P(U
n
> 0) P
_
U
n
1
8
>
1
8
_
= P
_
Z > 0.36
_
= 1 (0.36) = (0.36) = 0.64.
NOTA BENE: NON CONFONDERE L APPROSSIMAZIONE NORMALE DI UNA DISTRIBU-
ZIONE CAMPIONARIA CON LAPPROSSIMAZIONE NORMALE DELLA F.NE DI VEROSI-
MIGLIANZA.
Campioni Casuali, Statistiche Campionarie e Propriet` a
Esercizio 1.
f
X
1
, ,X
5
(x
1
, , x
5
)) =

P
5
i=1
x
i
e
5
5
i=1
x
i
!
quindi f
X
1
, ,X
5
(2, 3, 1, 5, 5; ) =

16
e
5
172800
per = 2 la probabilità è
e
10
2
16
172800
0.000017 mentre per = 3 si ha
e
15
3
16
172800
0.000076.
Esercizio 2.
f
X
1
, ,X
5
(x
1
, , x
5
; ) =
5
e
P
5
i=1
x
i
quindi f
X
1
, ,X
5
(1.12, 0.88, 0.13, 0.42, 0.36; ) =
5
e
2.91
.
Per = 0.5 vale 0.0073 mentre per = 1 vale 0.054.
Esercizio 3. Se indichiamo con W =
(n1)S
2
2
, sappiamo che W
2
n1
. Poiche n = 5, W =
4S
2
2
4
.
Pr{
S
2
2
1.8} = Pr{
4S
2
2
7.2} = F
2
4
(7.2) 0.87.
Esercizio 4. Usiamo lapprossimazione normale alla distribuzione della media campionaria

X
N(100,
20
2
16
).
13
Pr{
X < 104} = Pr{Z <

104100
20/4
} = F
Z
(0.8) 0.79.
Esercizio 5. La popolazione ha distribuzione incognita, ma con valore atteso = 5.75 e varianza
2
= 0.48
2
. Per n sucientemente grande,

X N(,
2
/n), quindi la somma

X
i
= n

X
N(n, n
2
). Nel nostro caso

X
i
N(207, 8.2944).
Pr{202
X
i
210} = Pr{
202207
2.88
Z
210207
2.88
} = F
Z
(1.04) F
Z
(1.74) 0.809.
Esercizio 6. E(

X) = E(X) = 1.3 e V (

X) =
V (X)
n
=
0.61
2
= 0.305.
La tabella di sinistra contiene tutti i campioni possibili, con la probabilità e la media campionaria
corrispondente, la tabella di destra riassume la distribuzione della media campionaria.
(x
1
, x
2
) Pr x
(0,0) 0.04 0
(0,1) 0.06 0.5
(0,2) 0.10 1
(1,0) 0.06 0.5
(1,1) 0.09 1
(1,2) 0.15 1.5
(2,0) 0.10 1
(2,1) 0.15 1.5
(2,2) 0.25 2
x Pr
0 0.04
0.5 0.12
1 0.29
0.5 0.30
2 0.25
Dalla seconda tabella si desumono i valori di E(

X) e V (

X).
Esercizio 7.
Usando lapprossimazione normale si può supporre

X
i
N(1200, 1200).
Pr{1150
X
i
1280} = Pr{
11501200
1200
Z
12801200
1200
} = Pr{1.44 Z 2.31} 0.91.
Esercizio 8.
Anche qui usando lapprossimazione normale si può supporre

X
i
N(1200, 1200).
Pr{1180
X
i
1270} = Pr{
11801200
1200
Z
12701200
1200
} = Pr{0.58 Z 2.02} 0.70.
Esercizio 9.
E(T
1
) = E(X) = 8 V (T
1
) =
V (X)
n
=
8
4
= 2.
E(T
2
) = V (X) = 8 V (T
2
) = V (

2
n1

P
(X
i

X)
2
2
) =

4
(n1)
2
2(n 1) = 2

4
n1
=
128
3
.
E(T
3
) = E(
1
4
T
1
+
3
4
T
2
) =
1
4
E(T
1
) +
3
4
E(T
2
) = 8
Per lindipendenza tra

X e S
2
si ha V (T
3
) = V (
1
4
T
1
+
3
4
T
2
) =
1
16
V (T
1
) +
9
16
V (T
2
) =
193
8
.
Esercizio 10. E(
1
2
X) =

2
V (
1
2
X) =

2
8n
E(2X
1
+ 2X
n
3) = 4 3 V (2X
1
+ 2X
n
3) = 4
2
.
X N(,

2
2n
) quindi, nel caso = 2, n = 25,

X N(2,
4
50
).
Pr{2 <

X < 2.4} = Pr{0 < Z < 1.41} 0.42.
Esercizio 11. E(

X) =

+1
V (

X) =

n
2
(+2)
E(2
X
i
3) = 2n

+1
3 V (2
X
i
3) = 4n

2
(+2)
.
X N(

+1
,

n
2
(+2)
) quindi, nel caso = 0.2, n = 25,

X N(0.16, 0.09).
Pr{
1
2
<

X < 1} = 0.13.
Verosimiglianza e sufficienza
Esercizio 1. Per il modello normale considerato, la distribuzione campionaria è
f
X
1
, ,X
n
(x
1
, , x
n
; ) =
_
1
2
_
n
e
1
2
P
i
x
2
i
14
quindi per il campione osservato x
n
= (x
1
, , x
n
) = (2.52, , 0.27) abbiamo
f
n
(x
n
; ) = L(; x
n
) =
5
e
34.83
2
La log-verosimiglianza è log L(; x
n
) = 5 log
34.83
2
. Se deriviamo la log-verosimiglianza e
uguagliamo a zero otteniamo come punto di massimo

=
34.83
10
= 3.483.
Ponendo = 3 si ha L(3, x
n
) = 0.000012 mentre per = 5 si ha L(5, x
n
) = 0.0000098. Per
confrontarli vediamo che
L(3, x
n
)
L(5, x
n
)
= 1.26
quindi, alla luce del nostro campione x
n
, il valore = 3 è pi` u verosimile di = 5.
Esercizio 2. Si ha che:
L(; x
n
) =

n
e
n
(
i
x
i
)
+1
log L(; x
n
) = nlog +n ( + 1) log(
i
x
i
)
log L(; x
n
) =
n
+n log(
i
x
i
)
=
n
log(
i
x
i
) n
=
n
i
log x
i
n
Sostituendo i valori campionari si ottiene la stima di massima verosimilianza.
Esercizio 3. Qui il supporto della v.a. X da , quindi è bene utilizzare le funzioni indicatrici.
f
n
(x
n
; ) = e
(
P
i
x
i
n)
i
I
(,+)
(x
i
)
L(; x
n
) = e
n
I
(0,x
(1)
)
() è positiva solo per (0, x
(1)
)
che risulta crescente in (0, x
(1)
). Il massimo si raggiunge quindi nel valore pi` u elevato che può
assumere, ossia x
(1)
.
Esercizio 4.
f
n
(x
n
; ) =

P
i
x
i
e
n
i
x
i
!
L(; x
n
) =
P
i
x
i
e
n
L(; x
n
) =
28
e
10
per questo campione
quindi L(2, x
n
) = 0.55, L(3, x
n
) = 2.14, L(4, x
n
) = 0.30.
Esercizio 5.
f
n
(x
n
; ) = 2
n
n
(
i
x
i
)e
P
i
x
2
i
L(; x
n
) =
n
e
P
i
x
2
i
log L(; x
n
) = nlog
i
x
2
i
log L(; x) =
n
x
2
i
=
n
x
2
i
15
Esercizio 6.
f
n
(x
n
; ) = 2
n
n
(
i
x
i
)e
(
P
i
x
2
i
)/
L(; x
n
) =
n
e
(
P
i
x
2
i
)/
log L(; x
n
) = nlog
i
x
2
i
log L(; x
n
) =
n
i
x
2
i
i
x
2
i
n
Esercizio 7.
f
n
(x
n
; ) =
_
4
_
n
3n
(
i
x
2
i
)e
(
P
i
x
2
i
)/
2
L(; x
n
) =
3n
e
(
P
i
x
2
i
)/
2

i
x
2
i
stat. su.
log L(; x
n
) = 3nlog
x
2
i
log L(; x
n
) =
3n
+
2
i
x
2
i
=
_
2
3
i
x
2
i
n
Esercizio 8.
f
n
(x
n
; ) =

P
i
x
i
e
n
i
x
i
!
L(; x
n
) =
P
i
x
i
e
n
log L(; x
n
) =
i
x
i
log n
log L(; x
n
) =
i
x
i
i
x
i
n
Poiche per il nostro campione

x
i
= 34,

= 3.4.
Chiamiamo il nuovo parametro = P(X = 0) = e
. Per linvarianza delle stime di MV

abbiamo che = e
3.4
= 0.033. In alternativa, arriviamo allo stesso risultato osservando che
= log e quindi
f
n
(x
n
; ) =
(log )
P
i
x
i
e
nlog
i
x
i
!
L(; x
n
) = (log )
P
i
x
i
e
nlog
= (log )
P
i
x
i
n
log L(; x
n
) =
i
x
i
log(log ) +nlog
log L(; x
n
) =
i
x
i
1
log
(
1
) +
n
= e
P
i
x
i
n
= e
16
con il nostro campione la stima è = e
3.4
= 0.033
Esercizio 9. Calcoliamo prima
E(X) =
_

0
x
2x
2
dx = =
2
3
.
Ovviamente E(

X) = E(X) =
2
3
.
Qui il supporto di X dipende da . Conviene quindi introdurre le funzioni indicatrici.
f
n
(x
n
; ) = 2
n
(
i
x
i
!)
2n
i
I
(0,)
(x
i
)
L(; x
n
) =
2n
I
(x
(n)
,+)
() è positiva solo per > x
(n)
.
La f.v. decresce in (x
(n)
, +) e quindi il massimo si raggiunge nel valore minimo che può
assumere, ossia x
(n)
.
Esercizio 10. Qui linsieme dei campioni dipende da , quindi è bene lavorare con le funzioni
indicatrici.
f
n
(x
n
; ) = 2
n
2n
(
i
x
i
)
i
I
(,+)
(x
i
)
L(; x
n
) =
2n
I
(0,x
(1)
)
() è positiva solo per (0, x
(1)
)
log L(; x
n
) = 2nlog per (0, x
(1)
)
log L(; x
n
) =
2n
per (0, x
(1)
)
= x
(1)
perche la derivata è positiva e quindi il massimo si raggiunge nel valore pi` u alto che può assumere,
ossia x
(1)
.
Esercizio 11.
f
n
(x
n
; ) =
_
i
( +x
i
)
(x
i
+ 1)()
_
n
(1 )
P
i
x
i
L(; x
n
) =
n
(1 )
P
x
i
i
x
i
stat. su.
Esercizio 12. Qui n = 5 e

x
i
= 20, quindi
L(; x
n
) =
5
(1 )
20
log L(; x
n
) = 5 log + 20 log(1 )
log L(; x
n
) =
5

20
1
=
1
5
Esercizio 13. Calcoliamo prima
E(X) =
_

0
x
2
(1
x
) dx = =

3
.
17
Qui linsieme dei campioni dipende da , quindi è bene lavorare con le funzioni indicatrici.
f
n
(x
n
; ) = 2
n
n
(
i
(1
x
i
i
I
(0,)
(x
i
)
L(; x
n
) =
n
(
i
(1
x
i
)I
(x
(n)
,+)
() è positiva solo per > x
(n)
.
Esercizio 14.
`
E un esperimento bernoulliano, quindi
f
n
(x
n
; ) =
P
i
x
i
(1 )
n
P
i
x
i
L(; x
n
) =
P
i
x
i
(1 )
n
P
i
x
i
log L(; x
n
) =
i
x
i
log + (n
i
x
i
) log(1 )
log L(; x
n
) =
i
x
i
i
x
i
1
i
x
i
n
.
Nel nostro campione n = 371 e

x
i
= 18, quindi

= 0.048.
Esercizio 15. a) Svolgimento standard; b) T(x
n
) =

i
[ln x
i
3]
2
; c)

(X
n
) =
_
T(x
n
)/n; d)
(x
n
) =
2.
Esercizio 16. a) Svolgimento standard; L(; x
n
) =
n
[
i
x
i
]
(+1)
; b) segue dal criterio di
fattorizzazione; c)

(X
n
) = n/(
i
lnX
i
); d) banale; e)

h =
_
+ 1.
Esercizio 17. a) Svolgimento standard; b) T(x
n
) =
i
|X
i
|; c)

(X
n
) = T(X
n
)/n; d)

(x
n
) = 2/3;
0.6 è pi` u verosimile; e)

h =
_
1/6.
Esercizio 18. a)

L(, x
n
) = (/ x
n
)
P
i
x
i
e
n( x
n
)
; b) I
oss
n
= n/ x
n
; c)

L è approssimata da una
densità normale di parametri ( x
n
, x
n
/n); d) x
n
k
_
x
n
/n, con k =
2 ln q.
Esercizio 19.
a) Sappiamo che le stime di MV sono, in questo modello,
= x
n
=
49.6
16
= 3.10,
2
n
=
1
n
n
i=1
(x
i
x
n
)
2
=
2.56
16
= 0.40.
b) Indicando con Z la v.a. N(0, 1) e con () la sua f. di ripartizione, si ha:
P(X > 3) = P
_
Z >
3 3.1
0.4
_
= P(Z > 0.25) = 1 P(Z < 0.25) = 1 (0.25) 0.6
c) X
1
, . . . , X
n
i.i.d. Y
n
=

n
i=1
X
i
N(n; n
2
) = (in questo caso) = N(31, 10(0.4)
2
).
Quindi:
P(Y
n
< 35) = P
_
Z <
35 31
0.4
10
_
= P(Z < 3.17) = (3.17) 0.99.
Esercizio 20.
18
a) Si osservi che X
i
| Bin(2, ) E
[X] = 2, V
[X] = 2(1 ).
Per il calcolo esplicito si ha:
E
[X] =
2
x=0
xf
X
(x; ) = 0
_
2
0
_
0
(1)
2
+1
_
2
1
_
1
(1)
1
+2
_
2
2
_
2
(1)
0
= ... = 2,
e che
E
[X
2
] =
2
x=0
x
2
f
X
(x; ) = ... = 2
2
+ 2,
da cui
V
[X] = E
[X
2
] (E
[X])
2
= 2
2
+ 2 (2)
2
= 2(1 ).
b) Per le note proprietà di media e varianza campionarie per campioni casuali, si ha che
E
[

X
n
] = E
[X] = 2
e che
V
[

X
n
] =
1
n
V
[X] =
2
n
(1 ).
c) Si ha L(; x
n
) =
_
n
i=1
_
2
x
i
_
_
P
n
i=1
x
i
(1 )
2n
P
n
i=1
x
i
. Pertanto:
L(; x
n
) = h(x
n
)g(T(x
n
); ), dove h(x
n
) =
n
i=1
_
2
x
i
_
, g(T(x
n
); ) =
T(x
n
)
2nT(x
n
)
.
In base al criterio di fattorizzazione si ha quindi che T(x
n
) =

n
i=1
x
i
è statistica
suciente unidimensionale.
Esercizio 21.
a)
d
d
ln L(; x
n
) =
d
d
[
n
i=1
x
i
ln + (2n
n
i=1
x
i
) ln(1 )] =
n
i=1
x
i

2n
n
i=1
x
i
1
.
Uguagliando a zero e risolvendo rispetto a si trova
smv
(x
n
) =
n
i=1
x
i
2n
= 10/40 = 1/4,
che è punto di massimo in quanto la derivata seconda di lnL(; x
n
) è negativa .
b) Poichè
=
d
2
d
2
[
n
i=1
x
i

2n
n
i=1
x
i
1
] =
n
i=1
x
i
2
+
2n
n
i=1
x
i
(1 )
2
,
Si ha
I
oss
n
=
d
2
d
2
lnL(; x
n
) |
=
smv
=
n
i=1
x
i
2
smv
+
2n
n
i=1
x
i
(1
smv
)
2
=
10
1/16
+
40 10
9/16
=
640
3
.
Quindi
L
N
(; x
n
) = exp{
1
2
( 1/4)
2
(640/3)}.
19
c) Poichè
_
2 ln(0.85) = 0.57, si ha
L
q
(x
n
) = [1/4 0.57
_
3/640, 1/4 + 0.57
_
3/640] = [0.211, 0.289].
d)

E
[X] =

[2] = 2
smv
(x
n
) = 1/2.
Esercizio 22. a)
f
n
(x
n
; ) = 2
n
n
_
n
i=1
x
i
_
e
P
n
i=1
x
2
i
; (; x
n
) = ln L(; x
n
) nln
n
i=1
x
2
i
.
Pertanto
d
d
(; x
n
) = 0
n
i=1
x
2
i
= 0 =
n
n
i=1
x
2
i
.
Poichè la derivata seconda di (; x
n
) è n/
2
, ovvero sempre negativa, la radice trovata è punto
di massimo per (e per L) e quindi stima di massima verosimiglianza,

mv
(x
n
). Per il campione
osservato si ha:

mv
(x
n
) = 100/25.5 = 3.92.
b) Intervallo di verosimiglianza approssimato di livello q è:
mv
(x
n
) K
_
1/I
oss
n
,
dove
k =
_
2 ln q = 1.96, I
oss
n
=
d
d
lnL(; x
n
)|
=
mv
(x
n
)
=
n
[
mv
(x
n
)]
2
=
(
n
i=1
x
2
i
)
2
n
= 6.05.
Si ha quindi che lintervallo richiesto è: (3.16, 4.68).
Esercizio 23.
a)
E
[X] =
_
2
d = . . . =
3
2
.
E
[X
2
] =
_
2
x
2
d = . . . =
7
3
2
.
V
[X] = E
[X
2
] (E
[X])
2
= . . . =
1
12
2
.
b)
Segue dal teorema del limite centrale (le cui ipotesi sono soddisfatte) osservando che:
E
[

X
n
] = E
[X] =
3
2
, V
[

X
n
] =
V
[X]
n
=
1
12n
2
.
c)
P
_
X
n
>
19
6
_
P
_
Z >
19/6 3
1/12
_
= P(Z > 2) = 1 (2) = 0.023.
d)
Poichè
< x
1
< . . . < x
n
< 2 < x
(1)
< . . . < x
(n)
< 2,
20
si ha che

n
i=1
I
(,2)
(x
i
) = I
(,2)
(x
(1)
) I
(,2)
(x
(n)
). Pertanto
L(; x
n
) =
1
n
n
i=1
I
(,2)
(x
i
) =
1
n
I
(,2)
(x
(1)
) I
(,2)
(x
(n)
),
e risultato discende dal criterio di fattorizzazione.
Esercizio 24. a)
La funzione di verosimiglianza è:
L(; x
n
) =
n
(1 )
P
n
i=1
x
i
n
.
Per il criterio di fattorizzazione segue che

n
i=1
x
i
è una stat. suciente per il modello.
b)
Risolvendo lequazione di log-verosimiglianza si trova che la soluzione
MV
=
n
n
i=1
x
i
,
che risulta essere eettivamente un punto di massimo per la funzione.
c)
Si ha che:
f
X
(x; ) = exp(log[(1 )
x1
]) = (propr. dei logaritmi) = exp(xlog(1 ) + log

1
).
Il modello considerato è quindi famiglia esponenziale con
h(x) = 1, T(x) = x, () = log(1 ), c() = log

1
.
d)
Per un generico si ha:
P(X > 3; ) = 1 P(X 3; ) = 1
3
x=1
f
X
(x; ) = 1 [ +(1 ) +(1 )
2
]|.
Il risultato si ottiene sostituendo nella precedente espressione a il valore della stima di massima
verosimiglianza che, con n = 5 e

n
i=1
x
i
= 15, risulta essere in questesempio

MV
= 5/15 = 1/3.
Esercizio 25.
a) Modello statistico:
_
X
n
= (R
+
)
n
, f
n
(x; ) =
2n
[
n
i=1
x
i
I
R
+(x
i
)] exp
_
n
i=1
x
i
_
, = R
+
_
.
La distribuzione di X appartiene alla famiglia esponenziale in quanto può essere scritta come:
f
X
(x; ) = x exp
_
2 log
x
_
I
R
+(x) = h(x) exp{()T(x) B()},
con:
h(x) = xI
R
+(x) () =
1
T(x) = x B() = 2 log .

21
b) La funzione di verosimiglianza è:
L(; x
n
) =
2n
e
P
n
i=1
x
i
c) Una statistica suciente è data da T(x) =
n
i=1
x
i
.
d) Per determinare lo stimatore di massima verosimiglianza si considera:
() = log L(; x
n
) = 2nlog
n
i=1
x
i
che ha derivata prima data da:
() =
2n
n
i=1
x
i
2
e quindi

mv
=
n
i=1
x
i
2n
.
Inoltre
() = 2n/
2
2
n
i=1
x
i
/
3
che risulta essere < 0 in =

mv
.
e) Linformazione osservata di Fisher è data da:
I(
) =
()
mv
=
2n
2
mv
=
8n
3
(
n
i=1
x
i
)
2
.
Esercizio 26.
a) Il valore della stima di massima verosimiglianza è:
mv
=
n
i=1
x
i
2n
=
17.91
60
= 0.2985.
b) Il valore dellinformazione osservata di Fisher:
I
oss
n
(x
n
) =
8n
3
(
n
i=1
x
i
)
2
=
216.000
320.77
= 673.38.
c) Lintervallo di verosimiglianza approssimato si ottiene sfruttando lapprossimazione normale
della funzione di verosimiglianza (DA NON CONFONDERE CON LAPPROSSIMAZIONE
NORMALE DI UNA DISTRIBUZIONE CAMPIONARIA) nellintorno del punto =

mv
,
da cui si ottiene che, ponendo k =
2 log q = 1.96:
L
q
=

mv
k [I
oss
n
(x
n
)]
1/2
= 0.2985
1.96
673.38
= 0.2985 0.0755.
e lintervallo è (0.22, 0.37).
d) Le ipotesi del TLC sono vericate: variabili aleatorie i.i.d. con valore atteso e varianza niti.
Dato che

n
i=1
X
i
N(2n, 2n
2
) = (per =

mv
)= N(17.91, 5.34), si ottiene:
P
_
n
i=1
X
i
< 10
_
P
_
Z <
10 17.91
2.32
_
= P
_
Z < 3.41)
_
= (3.41) = pnorm(3.41) = 0.00032.
NOTA BENE: NON CONFONDERE L APPROSSIMAZIONE NORMALE DI UNA DI-
STRIBUZIONE CAMPIONARIA CON LAPPROSSIMAZIONE NORMALE DELLA F.NE
DI VEROSIMIGLIANZA.
22
Esercizio 27.
1. Il modello statistico probabilistico per il campione casuale X = (X
1
, . . . X
n
) è costituito
dalla famiglia di distribuzioni congiunte dellintero vettore campionario (X
1
, ..., X
n
) (scandita dallo
spazio parametrico ) e dallo spazio campionario corrispondente. In simboli
_
f(x
1
, ..., x
n
; ) =
n
i=1
f
X
(x
i
; ) =
3
n

n
i=1
x
2
i
3n
exp
_
i=1
x
3
i
3
_
; = (0, )
_
X
n
= (0, )
n
= (0, ) ... (0, )
Per vericare che f
X
(x; ) appartiene alla famiglia esponenziale è suciente esibire le funzioni h(x),
(), T(x), e B() tali che
f
X
(x; ) = h(x)exp{()T(x) B()}
Nel caso in questione si potevano prendere
h(x) = 3x
2
() =
1
3
T(x) = x
3
B() = log
3
= 3 log
2. La funzione di verosimiglianza è
L
x
oss
() =
3
n

n
i=1
x
2
i
3n
exp
_
i=1
x
3
i
3
_

1
3n
exp
_
i=1
x
3
i
3
_
(0, )
Notare che il simbolo (leggasi è proporzionale a) indica che è stato rimosso dalla verosimiglianza
un termine moltiplicativo, costante rispetto al parametro , che non inuisce nella determinazione
del comportamento della verosimiglianza come funzione se non per un fattore di scala e che co-
munque non interviene nella determinazione dellargomento di massimo o nelle eventuali derivate
prima e seconda della logverosimiglianza. Tutto ciò che segue il simbolo viene denominato nucleo
funzionale della verosimiglianza.
La statistica suciente si può ottenere con una delle due argomentazioni seguenti, entrambe
valide.
La prima è la via pi` u rapida ed è la seguente: avendo riconosciuto che il modello della singola
osservazione appartiene alla famiglia esponenziale allora ogni funzione biunivoca di
n
i=1
T(x
i
) =
n
i=1
x
3
i
è una statistica suciente (per una nota proprietà delle famiglie esponenziali) e con analoga ar-
gomentazione che sfrutta le proprietà delle famiglie esponenziali è possibile aermare che la stessa
statistica è anche minimale oltre che suciente per il parametro .
La seconda argomentazione discende dalla denizione di sucienza attraverso il criterio di
fattorizzazione di Neyman. In tal caso è suciente vericare che si ha
f(x
1
, ..., x
n
; ) =
n
i=1
f
X
(x
i
; ) =
3
n

n
i=1
x
2
i
3n
exp
_
i=1
x
3
i
3
_
= k(x
1
, ..., x
n
)g(S(x
1
, ..., x
n
), )
23
per opportune funzioni S(x
1
, ..., x
n
), k(x
1
, ..., x
n
) (funzioni della sola n-upla campionaria) e g(s, ).
Nel caso in questione si poteva considerare
S(x
1
, ..., x
n
) =
n
i=1
x
3
i
k(x
1
, ..., x
n
) = 3
n
n
i=1
x
2
i
g(s, ) =
1
3n
exp
_
3
_
Vericata la sucienza in questo modo si doveva vericare la proprietà di minimalità della statistica
suciente attraverso il criterio di Lehmann e Schee facendo vedere che il rapporto
L
x
oss
()
L
y
oss
()
=
3
n
Q
n
i=1
x
2
i
3n
exp
_
n
i=1
x
3
i
3
_
3
n
Q
n
i=1
y
2
i
3n
exp
_
n
i=1
y
3
i
3
_ = c((x
1
, ..., x
n
), (y
1
, ..., y
n
) S(x
1
, ..., x
n
) = S(y
1
, ..., y
n
)
In tal caso il rapporto si semplicava e si poteva dedurre che
L
x
oss
()
L
y
oss
()
=
n
i=1
x
2
i
n
i=1
y
2
i
exp
_
i=1
_
x
3
i
y
3
i
_
3
_
= c((x
1
, ..., x
n
), (y
1
, ..., y
n
)
exp
_
i=1
_
x
3
i
y
3
i
_
3
_
= c((x
1
, ..., x
n
), (y
1
, ..., y
n
)
n
i=1
_
x
3
i
y
3
i
_
= 0
S(x
1
, ..., x
n
) = S(y
1
, ..., y
n
)
3. - Essendo il modello in questione un modello regolare la stima di massima verosimiglianza si
ottiene dal solito procedimento analitico, considerando la logverosimiglianza e risolvendo lequazione
di verosimiglianza ovvero quella ottenuta azzerando la derivata prima della logverosimiglianza. Da
ciò deriva
(x
1
, ..., x
n
) =
3
_
1
n
n
i=1
x
3
i
Linformazione osservata di Fisher è
I(
) =
3n
2
+
12
n
i=1
x
3
i
5
a cui corrispondono i valori numerici
= 5.921825
e
I(
) = 0.7699324
Esercizio 28.
1. Il modello statistico probabilistico è dato dalla terna costituita da: i) spazio campionario, ii)
dalla singola distribuzione (in questo caso densità di probabilità) dipendente da un parametro
e iii) dallo spazio parametrico. Complessivamente fornisce una specicazione esauriente della
24
famiglia di distribuzioni che si suppone governi laleatorietà della singola osservazione cam-
pionaria. Nel caso in questione il modello per la singola osservazione X si scrive formalmente
come segue:
_
X = (0, ) ; f
X
(x; ) = 2 e
2 x
, = (0, )
_
Il modello appartiene alla famiglia esponenziale dal momento che è possibile scrivere la
funzione di densità (dipendente dal parametro ) nel seguente modo
f
X
(x; ) = h(x) exp {()T(x) ()}
per unopportuna scelta delle funzioni
h(x) = 2
() = 2
T(x) = x
() = log
2. Dallespressione della funzione di verosimiglianza, a meno di una costante moltiplicativa
(ininuente ai ni della determianzione degli stimatori)
L
X
() =
n
i=1
f
X
(X
i
; ) = 2
n
n
e
2
P
n
i=1
x
i

n
e
2
P
n
i=1
X
i
e dalla sua trasformazione logaritmica
() = nlog 2
n
i=1
X
i
si ottiene per via analitica largomento di massimo risolvendo lequazione
d
d
() =
n
2
n
i=1
X
i
= 0
Lunica soluzione corrisponde a uguale a
(X
1
, ..., X
n
) =
n
2
n
i=1
X
i
=
1
2

X
che corrisponde allo stimatore di massima verosimiglianza dal momento che il punto stesso è
largomento di massimo assoluto della funzione. Infatti ciò discende dalla verica del cambio
di segno della derivata che cambia nel punto di stazionario da positivo a negativo.
Per il parametro =
2
si può rapidamente concludere che, sfruttando la proprietà di inva-

rianza degli stimatori di massima verosimiglianza, lo stimatore di massima verosimiglianza
per = g() =
2
sarà
(X
1
, ..., X
n
) = g(
(X
1
, ..., X
n
)) =
2
1
2

X
= 4

X.
In corrispondenza dei valori campionari osservati, per i quali risulta x = 1500/150 = 10, si
ottengono le seguenti stime di massima verosimiglianza per e per :
=
1
2 10
=
1
20
= 0.05
= 4 10 = 40
25
3. Per ottenere lespressione dellinformazione di Fisher osservata si deve determinare la derivata
seconda della funzione di logverosimiglianza e cambiarla di segno ovvero
d
2
d
2
() =
n
2
e calcolarla nel punto =

(X
1
, ..., X
n
) ottenendo
I(X
oss
) =
n
(X
1
, ..., X
n
)
2
= n (2

X)
2
In corrispondenza del campione osservato linformazione osservata vale
I(X
oss
) = 150 (2 10)
2
= 150 400 = 60000
Esercizio 29.
1. La funzione di verosimiglianza è:
L
x
oss
() =
n
i=1
_
(x
i
+ 1) (1 )
2
x
i
=
_
n
i=1
(x
i
+ 1)
(1 )
2n
P
x
i
.
La funzione di log-verosimiglianza è:
() =
n
i=1
log(x
i
+ 1) + 2nlog(1 ) +
n
i=1
x
i
log , con derivata prima
() =
2n
1
+
n
i=1
x
i
, che si azzera per 2 n + (1 )
n
i=1
x
i
= 0 e cioè per

=
n
i=1
x
i
2n +
n
i=1
x
i
. La derivata seconda della funzione di log-verosimiglianza è data da:
() =
2n
(1 )
2

n
i=1
x
i
2
< 0
per ogni valore di , quindi

è stima di massima verosimiglilanza.
2. Dato che n = 8,

n
i=1
= 48 si ha

MLE
=
48
16 + 48
=
48
64
=
3
4
3.
L
x
oss
(
1
)
L
x
oss
(
2
)
=
_
3
10
_
16
_
7
10
_
48
_
2
10
_
16
_
8
10
_
48
= 1.08 > 1.
Il valore
1
=
7
10
è il pi` u verosimile.
4.
P(X = 0; =

) = (1
)
2
=
_
1
4
_
2
P(X = 1; =

) = 2(1
)
2

= 2
_
1
4
_
2
3
4
.
e
P
_
X
3
= (0, 1, 0)
_
= 2
_
1
4
_
6
3
4
.
Esercizio 30.
26
L
x
oss
() =
n
i=1
_
1
2
(x
i
+ 1) (x
i
+ 2)
3
(1 )
x
i
_
=
_
n
i=1
(x
i
+ 1) (x
i
+ 2)
_
2
n
3n
(1 )
P
x
i
.
La funzione di log-verosimiglianza è:
() =
n
i=1
log(x
i
+ 1) +
n
i=1
log(x
i
+ 2) nlog 2 + 3nlog +
n
i=1
x
i
log(1 ),
con derivata prima
() =
3n
n
i=1
x
i
(1 )
, che si azzera per
3 n(1 )
n
i=1
x
i
= 0 e cioè per

=
3n
3n +
n
i=1
x
i
. La derivata seconda della funzione
di log-verosimiglianza è data da:
() =
3n
n
i=1
x
i
(1 )
2
< 0
per ogni valore di , quindi

è stima di massima verosimiglilanza.
2. Dato che n = 6,

n
i=1
= 9 si ha

MLE
=
18
18 + 9
=
18
27
=
2
3
3.
L
x
oss
(
1
)
L
x
oss
(
2
)
=
_
23
30
_
18
_
7
30
_
9
_
17
30
_
18
_
13
30
_
9
= 0.877 < 1.
Il valore
2
=
17
30
è il pi` u verosimile.
4.
P(X = 0; =

) =

3
=
_
1
3
_
3
P(X = 1; =

) = 3

3
(1
) =
_
1
3
_
2
2
3
.
e
P
_
X
3
= (0, 1, 0)
_
=
_
1
3
_
8
2
3
.
Esercizio 31.
1.
_
X
n
= (R
+
)
n
, f
n
(x : ) =
n
i=1
_
(1 +x
i
)
(1+)
=
n
n
i=1
(1 +x
i
)
(1+)
, = R
+
_
2. Dato che
f(x; ) = (1 +x)
(1+)
=
1
(1 +x)
exp
_
log log(1 +x)
_
Ponendo h(x) = (1 + x)
1
, () = , T(x) = log(x + 1) e B() = log , si verica che la
legge di probabilità della variabile di base appartiene alla famiglia esponenziale. Una statistica
suciente è data da

n
i=1
T(x
i
) =
log(1 +x
i
)
27
3. La funzione di verosimiglianza è data da:
L
x
oss
() =

n
n
i=1
(1 +x
i
)
n
i=1
(1 +x
i
)
.
Il suo nucleo è la funzione g(T(x
oss
), ) =
n
n
i=1
(1+x
i
)
. La funzione di log verosimiglianza

e la sua derivata prima sono: () = nlog
n
i=1
log(1+x
i
) e
() =
n
n
i=1
log(1+x
i
).
La derivata della funzione di log verosimiglianza si annulla per
n
n
i=1
log(1 +x
i
) = 0 da
questa equazione si ottiene

=
n
n
i=1
log(1 +x
i
)
, che è la stima di massima verosimiglianza,
dato che la derivata seconda delle funzione di log verosimiglianza
() = n/
2
< 0 per tutti
i valori di .
4. Linformazione osservata di Fisher è data da:
I
x
oss
(
) =
()
=
_
n
i=1
log(1 +x
i
)
2
n
5. In corrispondenza al campione osservato si ottiene

MLE
=
50
106.6
= 0.47 e I
x
oss
(
) =
(106.6)
2
50
= 227.27. Quindi
L
x
oss
()
227.27
2
exp
_
227.27
2
( 0.47)
2
_
.
Esercizio 32.
1.
_
X
n
= (IR
+
)
n
, f
n
(x : ) =
n
i=1
_
2x
i
2
exp
_
x
2
i
2
__
=
2
n
2n
_
n
i=1
x
i
_
e
n
i=1
x
2
i
2
, = IR
+
_
2. Dato che
f(x; ) =
2 x
2
e
x
2
2
= 2 xexp
_
2 log
x
2
2
_
Ponendo h(x) = 2x, () =
2
, T(x) = x
2
e B() = 2 log , si verica che la legge
di probabilità della variabile di base appartiene alla famiglia esponenziale. Una statistica
suciente è data da

n
i=1
T(x
i
) =
x
2
i
3. La funzione di verosimiglianza è data da:
L
x
oss
() =
_
2
n
n
i=1
x
i
_
2n
e
n
i=1
x
2
i
2
.
Il suo nucleo è la funzione
g(T(x
oss
), ) =
2n
e
n
i=1
x
2
i
2
.
La funzione di log verosimiglianza e la sua derivata prima sono:
() = 2nlog
n
i=1
x
2
i
2
e
() =
2n
+
2
n
i=1
x
2
i
3
.
28
La derivata della funzione di log verosimiglianza si annulla per n +
n
i=1
x
2
i
2
= 0. Da
questa equazione si ottiene

=
_
n
i=1
x
2
i
n
, che è la stima di massima verosimiglianza, dato
che la derivata seconda delle funzione di log verosimiglianza calcolata in =

è
()
=
2n
2

6
n
i=1
x
2
i
=
2n
P
x
2
i
n
6
P
x
2
i
(
P
x
2
i
/n)
4
=
4
P
x
2
i
(
P
x
2
i
/n)
4
< 0 .
4. Linformazione osservata di Fisher è data da:
I
x
oss
(
) =
()
=
4n
4
(
x
2
i
)
3
5. In corrispondenza al campione osservato si ottiene

MLE
=
29.01
10
= 2.9 e I
x
oss
(
) =
4 10
4
(29.01
2
)
3
= 0.67. Quindi
L
x
oss
()
0.67
2
exp
_
0.67
2
( 2.9)
2
_
.
29
II PARTE: GLI STIMATORI E LE LORO PROPRIETA
Esercizio 1*. Sia X
n
= (X
1
, . . . , X
n
probabilità
f
X
(x; , ) =
( +x)
(x + 1)()

(1 )
x
, x = 0, 1, 2, . . . , (0, 1), > 0.
Assumendo che sia una quantità nota,
a) determinare, se esiste, una statistica suciente unidimensionale;
b) determinare il limite inferiore di Cramer-Rao (Sugg.: E
[X] = (1 )/).
Esercizio 2*. Sia X
n
= (X
1
, . . . , X
n
densità
f
X
(x; ) =
2
_
1
x
_
I
[0,]
(x), > 0.
a) Determinare la funzione di verosimiglianza e stabilire se esiste una statistica suciente uni-
dimensionale.
b) Vericare che E
(X) =

3
.
c) Determinare uno stimatore non distorto di , che sia funzione della media campionaria,

X.
d) Calcolare la varianza dello stimatore determinato al punto precedente e studiarne la consi-
stenza.
Esercizio 3. Sia X
n
= (X
1
, . . . , X
n
) un campione casuale dalla popolazione con funzione di densità
f
X
(x; ) =
2x
2
0 < x < > 0.
a) Calcolare E
(

X), dove

X =
n
i=1
X
i
/n indica la media campionaria.
b) Determinare lo stimatore dei momenti di e stabilire se è non distorto.
c) Determinare la funzione di verosimiglianza e lo stimatore di massima verosimiglianza del
parametro .
Esercizio 4*. Sia X
1
, . . . , X
n
un campione casuale da una popolazione con distribuzione uniforme
nellintervallo (0, ), dove è un parametro incognito.
a) Vericare che
E
(X
i
) =

2
V
(X
i
) =

2
12
.
b) Calcolare E(

X) e V(

X), dove

X rappresenta la variabile aleatoria media campionaria.
c) Determinare uno stimatore non distorto di , che sia funzione di

X.
d) Vericare la non distorsione dello stimatore denito ponendo
T(X
n
) = 2
(n 1)X
1
+X
2
n
,
e confrontare la varianza di T(X
n
) con quella dello stimatore ottenuto al punto c).
30
Esercizio 5*. Sia X
n
= (X
1
, . . . , X
n
) un campione casuale dalla popolazione N(0, ). Vericare
che la statistica S
2
0
=

n
i=1
X
2
i
/n è uno stimatore non distorto di . Lo stimatore considerato è
UMVUE?
Esercizio 6*. Sia x
n
= (3, 4, 2, 7, 4, 5, 8, 1, 0, 0) un campione casuale dalla popolazione con funzione
di massa di probabilità
f
X
(x; ) = e

x
x!
x = 0, 1, 2, . . . > 0.
a) Calcolare la stima di massima verosimiglianza del parametro ;
b) Calcolare la probabilità dellevento {X
1
= 1} e, osservando che si tratta di una funzione del
parametro incognito , calcolare la stima di massima verosimiglianza di tale quantità.
Esercizio 7*. Sia X
1
, . . . , X
n
un campione casuale in cui E[X
i
] = incognita e V[X
i
] =
2
nota
e nita. Si consideri la classe di stimatori di ottenuta considerando una generica combinazione
lineare delle v.a. X
i
:
T(X
n
) =
n
i=1
a
i
X
i
, a
i
IR.
a) Determinare il valore atteso di T(X
n
) e stabilire la condizione sui coecienti a
i
anchè lo
stimatore sia non distorto.
b) Determinare lespressione di MSE
[T(X
n
)], per uno stimatore non distorto del tipo conside-
rato.
c) Si scriva lespressione dei due stimatori T
1
(X
n
) e T
2
(X
n
), ottenuti da T(X
n
) ponendo
a
i
=
1
n
, i = 1, . . . , n per T
1
(X
n
)
a
1
=
n2
n
, a
2
= a
3
=
1
n
e a
4
= . . . = a
n
= 0 per T
2
(X
n
).
d) Determinare lespressione di MSE
[T
i
(X
n
)], i = 1, 2, e stabilire quale tra i due è pi` u eciente.
e) Stabilire se i due stimatori considerati sono consistenti.
Esercizio 8*. Si consideri una v.a. X con funzione di densità
f
X
(x; ) =
2
x e
x
2
I
(0,+)
(x), > 0.
Si determinini il limite inferiore di Cramer-Rao per gli stimatori non distorti di .
(Sugg.: è noto che E(X
2
) = .)
Esercizio 9*. Siano

X
1
e

X
2
le medie campionarie di due campioni casuali indipendenti di
dimensioni rispettivamente uguali a n
1
e n
2
, entrambi provenienti dalla stessa popolazione normale
di parametri (;
2
). Si consideri la classe di stimatori di ottenuta considerando una generica
combinazione lineare delle v.a.

X
i
:
T
q
(X
n
) = q

X
1
+ (1 q)

X
2
q IR.
a) Vericare che, per ogni valore di q IR, lo stimatore T
q
(X
n
) è non distorto.
b) Determinare lespressione di MSE
[T
q
(X
n
)].
c) Si scriva lespressione dei due stimatori T
1
(X
n
) e T
2
(X
n
), il primo ottenuto ponendo (nelle-
spressione generica di T
q
(X
n
)) q =
n
1
n
1
+n
2
e il secondo ponendo q =
1
2
.
31
d) Determinare lespressione di MSE
[T
i
(X
n
)], i = 1, 2.
e) Stabilire se i due stimatori considerati sono consistenti (al crescere di n
1
e di n
2
).
Esercizio 10*. Si consideri una v.a. X con funzione di densità
f
X
(x; ) = 2 x e
x
2
I
(0,+)
(x), > 0.
Si determinini il limite inferiore di Cramer-Rao per gli stimatori non distorti di .
Esercizio 11. Sia X
1
, . . . , X
n
un campione casuale da una popolazione N(, 1). Vericare che lo
stimatore

n
i=1
X
i
è uno stimatore UMVUE di n.
Esercizio 12*. Siano

X
1
e

X
2
le medie campionarie di due campioni casuali indipendenti di
dimensioni rispettivamente uguali a n
1
e n
2
entrambi provenienti dalla stessa popolazione con
media e varianza rispettivamente uguali a e a
2
. Si consideri lo stimatore di
T(

X
1
,

X
2
) =
1
3

X
1
+
2
3

X
2
.
a) Vericare se lo stimatore è non distorto.
b) Determinarne la varianza dello stimatore, il suo errore quadratico medio e studiarne la
consistenza.
1
, . . . X
n
un campione casuale da una popolazione bernoulliana di parametro
incognito . Si considerino i seguenti due stimatori per :
T
1
(X
n
) =

X
n
e T
2
(X
n
) =
1 +
n
i=1
X
i
n + 2
.
a) Determinare lerrore quadratico medio dei due stimatori (MSE
[T
i
(X
n
)], i = 1, 2);
b) Studiare, al crescere della dimensione campionaria, n, il comportamento della distorsione dei
due stimatori (B
[T
i
(X
n
)], i = 1, 2)
c) Studiare la consistenza dei due stimatori.
Esercizio 14. Sia X
1
, . . . X
n
un campione casuale da una popolazione uniforme in (0, ), > 0.
Si consideri la statistica campionaria
X
(n)
= max{X
1
, . . . , X
n
},
per la quale è noto che, > 0,
E
[X
(n)
] =
n
n + 1
e V
[X
(n)
] =
n
(n + 1)
2
(n + 2)

2
.
a) Determinare uno stimatore non distorto di basato sullo stimatore di massima verosimiglian-
za, X
(n)
.
b) Determinare lo stimatore dei momenti.
c) Determinare gli errori quadratici medi dei tre stimatori considerati, confrontarli e stabilire se
gli stimatori sono consistenti (in errore quadratico medio).
c) Supponendo di avere osservato il campione di dati x
n
= (1, 9, 3, 4, 5, 3, 2, 0, 10, 5), determinare
le stime puntuali di basate sui tre stimatori considerati.
32
1
, . . . , X
n
un campione casuale da una popolazione bernoulliana di parametro
incognito . Per ciascuno dei due seguenti stimatori di :
T
1
(X
n
) =

X
n
e T
2
(X
n
) =
n

X
n
+
_
n/4
n +
n
,
a) determinare il valore atteso e la distorsione;
b) determinare lerrore quadratico medio e studiare la consistenza;
c) vericare se esiste un valore di per il quale si abbia che E
[T
2
] = .
1
, . . . , X
n
un campione casuale da una popolazione con valore atteso pari a
e varianza pari a
2
. Per il seguente stimatore del parametro
T(X
n
) =
X
1
+. . . +X
n1
n 1
+
X
n
n
a) determinare il valore atteso e studiare la distorsione;
b) determinare lerrore quadratico medio e studiare la consistenza.
Esercizio 17*. Siano X
n
1
e X
n
2
due campioni casuali indipendenti di dimensioni n
1
e n
2
(n
1
< n
2
),
provenienti da una popolazione normale di parametri e
2
. Si considerino i seguenti quattro
stimatori per :
T
1
=

X
n
1
, T
2
=

X
n
2
, T
3
=

X
n
1
+

X
n
2
2
, T
4
=
n
1

X
n
1
+n
2

X
n
2
n
1
+n
2
.
Di tali stimatori:
a) determinare la distorsione e la varianza;
b) calcolare lerrore quadratico medio e stabilire qual è il pi` u eciente;
c) studiare la consistenza.
1
, . . . , X
n
un campione casuale da una popolazione N(, 1). Si consideri la
seguente famiglia di stimatori del parametro incognito :
T
a
(X
n
) =
n

X
n
+ (1
n
)a, a IR,
denita come media ponderata dello stimatore UMVUE,

X
n
, e della costante reale a, con pesi
n
= n/(n + 1) e 1
n
= 1/(n + 1).
a) Per gli stimatori T
a
, determinare distorsione, varianza ed errore quadratico medio e studiarne
la consistenza.
b) Stabilire se esistono dei valori di per i quali lo stimatore T
a
, ottenuto ponendo a = 0, risulta
migliore di

X
n
.
c) Per i due stimatori considerati al punto (b) (ovvero T
0
e

X
n
), tracciare i graci (approssima-
tivi) delle due funzioni MSE, al variare di in IR.
distribuzione di probabilità
f
X
(x; ) =

(1 +x)
1+
x > 0, > 0.
33
a) Scrivere il modello statistico-probabilistico associato al campione casuale.
b) Determinare lespressione della funzione di verosimiglianza del parametro associata a un ge-
nerico campione osservato, x
n
; individuare il nucleo della funzione di verosimiglianza e, se
esiste, una statistica suciente unidimensionale.
c) Determinare la stima di massima verosimiglianza di e calcolarne il valore per un campione
di dimensione n = 10 in cui si ha che
10
i=1
ln(1 +x
i
) = 5.
d) Vericare se la famiglia di densità F = {f
X
(; ); } è una famiglia esponenziale.
1
, . . . X
n
un campione casuale da una popolazione binomiale di parametri
incogniti (m, ), con funzione di massa di probabilità
f
X
(x; ) =
_
m
x
_
x
(1 )
mx
, x = 0, 1, 2, . . . , m.
a) Determinare lo stimatore dei momenti di ,

M
(X
n
).
b) Determinare distorsione, varianza ed errore quadratico medio dello stimatore

M
(X
n
).
c) Studiare la consistenza di

M
(X
n
).
d) Determinare lo stimatore di massima verosimiglianza di e confrontarne le proprietà con
quelle dello stimatore dei momenti.
e) Stabilire se esiste lo stimatore UMVUE e, in caso di risposta aermativa, determinarlo.
1
, . . . X
n
un campione casuale da una popolazione con funzione di massa di
probabilità
f
X
(x; ) = (2 1)
x
(2 2)
1x
x = 0, 1,
_
1
2
, 1
_
.
1. Vericare che
E[X] = 2 1, V[X] = (2 1)(2 2).
2. Determinare lo stimatore dei momenti di ,

M
(X
n
), calcolarne distorsione, varianza ed errore
quadratico medio e stabilire se si tratta di stimatore UMVUE.
3. Studiare la consistenza di

M
(X
n
) e determinare lapprossimazione normale della sua distri-
buzione campionaria.
4. Vericare che lo stimatore di massima verosimiglianza di coincide con lo stimatore dei
momenti.
funzione di densità:
f
X
(x; ) =
x
2
2
3
exp
_
x/
_
> 0, x > 0.
Per questa variabile aleatoria si ha che E[X] = 3 e V[X] = 3
2
.
34
1. Scrivere il modello statistico probabilistico per il campione casuale X
n
, vericare che f
X
(x; )
appartiene alla famiglia esponenziale e ricavare una statistica suciente per .
2. Scrivere la funzione di verosimiglianza. Ottenere lo stimatore

MLE
di massima verosimi-
glianza di e lo stimatore di massima verosimiglianza di = +
2
, funzione del parametro
.
3. Calcolare il momento primo e secondo della variabile aleatoria

X
n
, media campionaria.
4. Vericare che

MLE
è uno stimatore distorto di , calcolarne la distorsione e stabilire se è
asintoticamente non distorto.
n
= (X
1
, X
2
, . . . , X
n
) un campione casuale di n osservazioni estratte da una
popolazione X con distribuzione di probabilità:
f
X
(x; ) =
1
x
1
x > 1 (0, 1)
Per questa variabile aleatoria si ha che E[log X] = e V[log X] =
2
1. Determinare la funzione di verosimiglianza L
x
oss
() ed ottenere lo stimatore di massima
verosimiglianza

MLE
2. Vericare che lespressione dellinformazione osservata di Fisher è
n
3
(
P
n
i=1
log x
i
)
2
. Scrivere lap-
prossimazione normale della funzione di verosimiglianza e spiegare perche utilizzando questa
approssimazione si può ricavare un intervallo di verosimiglianza approssimato ad un livello
ssato q.
Parte facoltativa. Scrivere gli estremi dellintervallo approssimato.
3. Studiare la correttezza e la consistenza dello stimatore

MLE
.
4. Vericare se

MLE
è uno stimatore UMVUE.
Esercizio 24. Sia X
1
, . . . , X
n
un campione casuale proveniente dalla popolazione con funzione di
densità di probabilità
f
X
(x; ) =
3
3
x
2
, 0 < x < , > 0.
1. Vericare che
E[X] =
3
4
, V[X] =
3
80
2
e che lo stimatore dei momenti di è
M
=
4
3

X
n
2. Determinare lerrore quadratico medio dello stimatore dei momenti e studiarne la consistenza.
3. Determinare la distribuzione asintotica dello stimatore

M
.
4. Determinare la stima con metodo dei momenti supponendo di avere osservato un campione
di dimensione n = 36 per il quale

n
i=1
x
i
=
3
2
.
Esercizio 25. Sia X
1
, . . . , X
n
un campione casuale proveniente dalla popolazione con funzione di
densità di probabilità
f
X
(x; ) =
1
2
x
, 0 < x < , > 0.
35
1. Vericare che
E[X] =
1
3
, V[X] =
4
45
2
M
= 3

X
n

M
.
4. Determinare la stima dei momenti supponendo di avere osservato un campione di dimensione
n = 36 per il quale

n
i=1
x
i
=
1
3
.
Esercizio 26. Siano X
1
1
, . . . , X
1
n
1
e X
2
1
, . . . , X
2
n
2
due campioni casuali indipendenti, rispettivamente
di ampiezza n
1
e n
2
, provenienti da distribuzioni N(
1
, 1) e N(
2
, 1). Si consideri il parametro
incognito
=

1
+
2
2
e lo stimatore
T(X
n
) =

X
1
+

X
2
2
,
dove

X
1
e

X
2
sono le medie campionarie dei due campioni.
1. Vericare che lo stimatore T(X
n
) è non distorto e consistente per il parametro .
2. Determinare la distribuzione campionaria di T(X
n
).
Esercizio 27. Sia X
1
, . . . , X
n
un campione casuale proveniente da una distribuzione uniforme
nellintervallo [0, ].
1. Si confrontino e si discutano le proprietà inferenziali dei seguenti due stimatori per campioni
di ampiezza n ssata:
T
1
(X
n
) =
n + 1
n
X
(n)
,
T
2
(X
n
) =
n + 2
n + 1
X
(n)
.
Suggerimento: si ricordi che
E
_
X
(n)
_
=
n
n + 1
V
_
X
(n)
_
=
n
(n + 1)
2
(n + 2)
2. Determinare T
3
(X
n
) =

M
lo stimatore dei momenti di e la sua distribuzione asintotica.
3. Dato un campione osservato di dimensione n = 20 in cui
x
(1)
= 0.2, x
n
= 0.4, S
2
n
= 0.1, x
(n)
= 0.9
determinare le tre stime puntuali per il parametro incognito.
36
SOLUZIONI
Propriet` a degli stimatori
Esercizio 1.
f
n
(x
n
; ) =
_
n
i=1
( +x
i
)
(x
i
+ 1)()
_
n
(1 )
P
n
i=1
x
i
L(; x
n
) =
n
(1 )
P
n
i=1
x
i
log L(; x
n
) = nlog + (
n
i=1
x
i
) log(1 )
2
log L(; x
n
) =
n
n
i=1
x
i
(1 )
2
I
n
() = E
_

2
2
log L(; X
n
)
_
=
n
2
(1 )
.
La statistica suciente è

n
i=1
X
i
; il limite inferiore di Cramer-Rao è

2
(1)
n
.
Esercizio 2.
f
n
(x
n
; ) =
2
n
n
n
i=1
_
1
x
i
_
n
i=1
I
[0,]
(x
i
)
L(; x
n
) =
1
n
n
i=1
_
1
x
i
_
I
(x
(n)
,+)
()
Non esiste una statistica suciente di dimensione 1.
E
(X) =
_

0
x
2
_
1
x
_
dx = =
2
_
x
2
2

x
3
3
_
0
=

3
quindi uno stimatore non distorto basato sulla media campionaria è

= 3

X.
Per la varianza di

, si noti che
V
) = V
(3

X) = 9 V
(

X) =
9
n
V
(X).
Troviamo la varianza della popolazione come V
(X) = E
(X
2
) (E
(X))
2
E
(X
2
) =
_

0
x
2
2
_
1
x
_
dx = =
2
_
x
3
3

x
4
4
_
0
=

2
6
da cui V
(X) =

2
6
(
3
)
2
=

2
18
e V
) =

2
2n
. Per n +si ha che MSE
) = V
) 0, quindi
è consistente.
Esercizio 3. a) Cominciamo col calcolare E
(X) e V
(X) (ci serviranno entrambi):

E
(X) =
_

0
x
2x
2
=
2
3
E
(X
2
) =
_

0
x
2
2x
2
=

2
2
37
per cui V
(X) =

2
2

4
2
9
=

2
18
. E
(

X) = E
(X) =
2
3
.
Lo stimatore con il metodo dei momenti si ottiene ponendo E
(X) =

X. Nel nostro caso,
indicando con

M
lo stimatore di ottenuto con il metodo dei momenti
=
3E
(X)
2
quindi

M
=
3

X
2
.
b) Si vede facilmente che

M
è non distorto.
c)Si ha che:
f
n
(x
n
; ) =
2
n
n
i=1
x
i
2n
n
i=1
I
[0,]
(x
i
)
L(; x
n
) =
1
2n
I
(x
(n)
,+)
().
lL(; x
n
) è decrescente rispetto a . Il massimo si ottiene per = x
(n)
, da cui

MV
= x
(n)
.
Esercizio 4. E
(

X) = E
(X
i
) =

2
; V
(

X) =
V
(X
i
)
n
=

2
12n
.
T
1
= 2

X è funzione di

X ed è non distorto, infatti E
(T
1
) = 2E
(

X) = .
Si ha che MSE
(T
1
) = V
(T
1
) = 4V
(

X) =

2
3n
.
Anche lo stimatore T = 2
(n1)X
1
+X
2
n
è non distorto ma è meno eciente di T
1
, infatti
E
(T) = E
_
2
(n 1)X
1
+X
2
n
_
=
2
n
((n 1)E
(X
1
) +E
(X
n
)) =
2
n
_
(n 1)
2
+

2
_
=
V
(T) =
4
n
2
_
(n 1)
2
V
(X
1
) +V
((X
n
)
_
=
4
n
2
_
(n 1)
2
2
12
+

2
12
_
=

2
((n 1)
2
+ 1)
3n
2
e quindi lecienza relativa
eff(T
1
/T) =
MSE
(T)
MSE
(T
1
)
=
V
(T)
V
(T
1
)
=
(n 1)
2
+ 1
n
> 1.
Esercizio 5. Poiche E
(X) = 0, si ha E
(X
2
) = V
(X) = e quindi E
(X
2
i
) = . Indicando con
T =
1
n
n
i=1
X
2
i
, abbiamo che
E
(T) =
1
n
n
i=1
E
(X
2
i
) =
1
n
n =
per cui T è corretto.
Calcoliamo il MSE[T], che coincide con V
[T]. Poichè X
i
| N(0, ), si ha che
X
i
| N(0, 1),
X
2
i
|
2
1
e, per lindipendenza delle X
i
e la proprietà di additività del chi quadrato,
W =
n
i=1
X
2
i

2
n
.
Pertanto, V
[W] = 2n. Poichè T =

W
n
, si ha che V
[T] =

2
n
2
V
[W] =
2
2
n
. In alternativa:
MSE
(T) = V
(T) =
V
(X
2
i
)
n
=
E
(X
4
i
) (E
(X
2
i
))
2
n
=
3
2
2
n
=
2
2
n
.
38
Ora calcoliamo il limite inferiore di Cramer-Rao
L(, x
n
) =
n
2
e
1
2
P
n
i=1
X
2
i
=
n
2
e
nT
2
log L(, x
n
) =
n
2
log
nT
2
2
log L(, x
n
) =
n
2
2
nT
3
E
_

2
2
log L(; X
n
)
_
= E
_
n
2
2
+
nT
3
_
=
n
2
2
+
n
3
=
n
2
2
e quindi lestremo di Cramer-Rao è 2
2
/n e coincide con MSE
(T). T è UMVUE.
Esercizio 6. Si ha:
L(; x
n
) = e
n
P
n
i=1
x
i
log L(; x
n
) = n +
n
i=1
x
i
log
log L(; x
n
) = n +
n
i=1
x
i
quindi lo stimatore di massima verosimiglianza è

=
P
n
i=1
X
i
n
=

X. La stima di massima
verosimiglianza relativa al campione osservato è 3.4.
Sappiamo che P(X
1
= 1) = e
, quindi la stima di massima verosimiglianza sarà

..
P(X
1
= 1) =

e
= 0.1134691.
Esercizio 7. Si ha:
E
(T) = E
(
n
i=1
a
i
X
i
) =
n
i=1
a
i
E
(X
i
) =
n
i=1
a
i
quindi la condizione ache T sia corretto è

n
i=1
a
i
= 1.
Nel caso di T non distorto,
MSE
(T) = V
(T) = V
(
n
i=1
a
i
X
i
) =
n
i=1
a
2
i
V
(X
i
) =
2
n
i=1
a
2
i
.
Gli stimatori sono
T
1
=

X T
2
=
(n 2)X
1
+X
2
+X
3
n
e soddisfano la condizione trovata al punto (a), quindi sono entrambi corretti. Gli errori quadratici
medi sono
MSE
(T
1
) =
2
n
i=1
1
n
2
=

2
n
MSE
(T
2
) =
2
_
(n 2)
2
n
2
+
1
n
2
+
1
n
2
_
=
2
n
2
4n + 6
n
2
e per n si ha
MSE
(T
1
) =

2
n
0 MSE
(T
2
) =
2
n
2
4n + 6
n
2

2
.
39
Si vede quindi che T
1
è consistente, per T
2
sembrerebbe di no. In eetti per n si ha che
T
2
X
1
e quindi T
2
non è consistente.
Esercizio 8. Si ha:
L(; x
n
) =
n
e
P
n
i=1
x
2
i
log L(; x
n
) = nlog
n
i=1
x
2
i
2
log L(; x
n
) =
n
2
2
n
i=1
x
2
i
3
E
_

2
2
log L(; X
n
)
_
= E
_
2
+2
n
i=1
X
2
i
3
_
=
n
2
+2
n
3
=
n
2
quindi il limite inferiore di Cramer-Rao è

2
n
.
Esercizio 9. Sappiamo che E
(

X
1
) = e V
(

X
1
) =
2
/n
1
; analogamente, E
(

X
2
) = e V
(

X
2
) =
2
/n
2
. Per quanto riguarda T abbiamo:
E
(T) = E
(q

X
1
+ (1 q)

X
2
) = qE
(

X
1
) + (1 q)E
(

X
2
) = q + (1 q) =
e quindi T è non distorto. Lerrore quadratico medio è
MSE
(T) = V
(T) = V
(q

X
1
+ (1 q)

X
2
) = q
2
V
(

X
1
) + (1 q)
2
V
(

X
2
) =
q
2
2
n
1
+
(1 q)
2
2
n
2
.
T
1
=
n
1
n
1
+n
2
X
1
+
n
2
n
1
+n
2
X
2
T
2
=
1
2

X
1
+
1
2

X
2
MSE
(T
1
) =
n
2
1
2
n
1
(n
1
+n
2
)
2
+
n
2
2
2
n
2
(n
1
+n
2
)
2
=

2
n
1
+n
2
n
1
,n
2
0
MSE
(T
2
) =

2
4n
1
+

2
4n
2
n
1
,n
2
0
quindi gli stimatori sono entrambi consistenti. NOTA: il fatto che la popolazione fosse normale non
è servito a nulla.
Esercizio 10. Si ha
L(; x
n
) =
n
e
P
n
i=1
x
2
i
log L(; x
n
) = nlog
n
i=1
x
2
i
2
log L(; x
n
) =
n
2
E
_

2
2
log L(; X
n
)
_
= E
_
n
2
_
=
n
2
quindi il limite inferiore di Cramer-Rao è

2
n
.
40
Esercizio 11. Si osservi che il modello considerato è una famiglia esponenziale per la quale
n
i
X
i
è statistica suciente e completa, stimatore non distorto di n. Pertanto, per i teoremi di Rao-
Blackwell e Lehmann-Schee,

n
i
X
i
è UMVUE. Si può, in alternativa, procedere utilizzando la
disuguaglianza di Cramer-Rao. Indichiamo con T =
n
i=1
X
i
, abbiamo che
E
(T) =
n
i=1
E
(X
i
) = n =
per cui T è corretto. Valutiamone il MSE:
MSE
(T) = V
(T) = nV
(X
i
) = n.
Ora calcoliamo il limite inferiore di Cramer-Rao
L(; ) = e
n
2
( x)
2
= e
n
2
(
T
n
)
2
L(, x
n
) = e
n
2
(
T
n
n
)
2
= e
n
2n
2
(T)
2
log L(, x
n
) =
1
2n
(T )
2
2
log L(, x
n
) =
1
n
E
_

2
2
log L(; X
n
)
_
=
1
n
e quindi lestremo di Cramer-Rao è n e coincide con MSE
(T). T è UMVUE.
Esercizio 12.
`
E del tutto analogo allesercizio 9, con q =
1
3
. L` avevamo lipotesi di normalità che
però non usavamo (svolgendo i conti si verica che il risultato è lo stesso). Quindi T è non distorto,
ha MSE
(T) = V
(T) =

2
9n
1
+
4
2
9n
2
n
1
,n
2
0 ed è consistente.
Esercizio 13. Ricordiamo che E
(X) = e V
(X) = (1 ). Studiamo prima T

1
:
E
(T
1
) = E
(X) = T
1
è corretto
B(T
1
) = 0
MSE
(T
1
) = V
(T
1
) =
V
(X)
n
=
(1 )
n
0 T
1
è consistente
Consideriamo ora T
2
.
E
(T
2
) =
1 +nE
(X)
n + 2
=
1 +n
n + 2
B(T
2
) =
1 +n
n + 2
=
1 2
n + 2
0 T
2
è asintoticamente corretto
MSE
(T
2
) = V
(T
2
) +B(T
2
)
2
=
nV
(X)
(n + 2)
2
+
(1 2)
2
(n + 2)
2
0 T
2
è consistente.
Si osservi che E[T
2
] = per = 1/2.
Esercizio 14.
T
1
= X
(n)
stimatore di massima verosimiglianza (MLE)
T
2
=
n+1
n
X
(n)
stimatore non distorto funzione di MLE (infatti E
(T
2
) =
n+1
n
E
(x
(n)
) = )
T
3
= 2

X stimatore dei momenti (perche E
(X) =

2
) è non distorto.
41
MSE
(T
1
) = V
(T
1
) + (E
(T
1
) )
2
=
n
2
(n + 1)
2
(n + 2)
+
_

n + 1
_
2
=
2
2
(n + 1)(n + 2)
MSE
(T
2
) = V
(T
2
) =
(n + 1)
2
n
2

n
2
(n + 1)
2
(n + 2)
=

2
n(n + 2)
MSE
(T
3
) = V
(T
3
) = 4
V
(X)
n
=

2
3n
.
eff(T
1
/T
2
) =
MSE
(T
2
)
MSE
(T
1
)
=
2
n(n+2)
2
2
(n+1)(n+2)
=
n + 1
2n
1
quindi T
2
è pi` u eciente di T
1
eff(T
1
/T
3
) =
MSE
(T
3
)
MSE
(T
1
)
=
2
3n
2
2
(n+1)(n+2)
=
(n + 1)(n + 2)
6n
1
quindi T
1
3
. Di conseguenza anche T
2
3
.
Gli stimatori sono tutti e 3 consistenti perche i MSE tendono a 0 per n .
Relativamente al campione osservato T
1
(x
n
) = 10, T
2
(x
n
) = 11 e T
3
(x
n
) = 8.4.
Esercizio 15. Ricordiamo che E
(

X) = e V
(

X) =
(1)
n
, per cui T
1
è non distorto, MSE
(T
1
) =
(1)
n
0 e quindi T
1
è consistente.
E
(T
2
) =
nE
( x) +
_
n/4
n +
n
=
n +
_
n/4
n +
n
E
(T
2
) =
n +
_
n/4
n +
n
=
_
n/4
n
n +
n
=
n(
1
2
)
n +
n
MSE
(T
2
) = V
(T
2
) + (E
(T
2
) )
2
=
_
n
n +
n
_
2
(1 )
n
+
_
n(
1
2
)
n +
n
_
2
=
n[(1 ) + (
1
2
)
2
]
(n +
n)
2
0
quindi T
2
è consistente.
Per =
1
2
si ha E
(T
2
) = (per ogni n, non solo se n = 4).
Esercizio 16. Per ogni i = 1, , n si ha E
(X
i
) = e V
(X
i
) =
2
, quindi
E
(T) =
E
(X
1
) + +E
(X
n1
)
n 1
+
E
(X
n
)
n
=
(n 1)
n 1
+

n
= (1 +
1
n
)
E
(T) =

n
MSE
(T) = V
(T) + (E
(T) )
2
=

2
n 1
+

2
n
2
+

2
n
2
0 per cui T è consistente.
Esercizio 17. Caso particolare di quanto visto nellesercizio 9, ssando rispettivamente
q = 1 per T
1
q = 0 per T
2
q =
1
2
per T
3
q =
n
1
n
1
+n
2
per T
4
42
quindi tutti e quattro gli stimatori sono non distorti.
In generale MSE
(T) =
q
2
2
n
1
+
(1q)
2
2
n
2
, quindi
MSE
(T
1
) =

2
n
1
MSE
(T
2
) =

2
n
2
MSE
(T
3
) =

2
4n
1
+

2
4n
2
MSE
(T
4
) =

2
n
1
+n
2
sono consistenti tutt e 4. Per leciennza, T
4
è ovviamente pi` u eciente di T
1
e T
2
. Quindi basta
confrontare T
4
e T
3
:
eff(T
3
/T
4
) =
MSE
(T
4
)
MSE
(T
3
)
=
2
n
1
+n
2
2
4n
1
+

2
4n
2
=
4n
1
n
2
(n
1
+n
2
)
2
1
quindi T
4
3
e quindi il pi` u eciente di tutti.
Esercizio 18.
a)
B[T
a
] = E[T
a
] =
n
+(1
n
)a = (1
n
) +(1
n
)a = (1
n
)(a) =
1
n + 1
(a),
V [T
a
] =
2
n
1
n
=
n
2
(n + 1)
2
1
n
=
n
(n + 1)
2
, MSE[T
a
] =
4
(n + 1)
2
(a )
2
+
n
(n + 1)
2
0.
Quindi gli stimatori sono consistenti in media quadratica.
b)
T
0
(X
n
) =
n
n + 1

X
n
MSE(T
0
) =
4
(n + 1)
2

2
+
n
(n + 1)
2
MSE(

X
n
) =
1
n
Quindi T
0
è migliore di

X per
2
4
(n + 1)
2
+
n
(n + 1)
2
<
1
n
Esercizio 19. a) Il modello statistico è:
_
(R
+
)
n
,

n
[
n
i=1
(1 +x
i
)]
(1+)
n
i=1
I
(0,+)
(x
i
), R
+
_
.
b)
L(; x
n
) =
n
i=1
f
X
(x
i
; ) =

n
[
n
i=1
(1 +x
i
)]
(1+)
n
i=1
I
(0,+)
(x
i
) =
n
i=1
I
(0,+)
(x
i
)
n
i=1
(1 +x
i
)
n
i=1
(1 +x
i
)
.
da cui si evince che L si fattorizza nel prodotto h(x
n
)g(T(x
n
), ), dove il nucleo della funzione di
verosim. è
g(T(x
n
), ) =

n
n
i=1
(1 +x
i
)
mentre h(x
n
) =
Q
n
i=1
I
(0,+)
(x
i
)
Q
n
i=1
(1+x
i
)
. Pertanto, per il teorema di fattorizzazione si ha che T(x
n
) =
n
i=1
(1 +x
i
) è stat. su. unidimensionale per il modello considerato.
c) Consideriamo la f.ne di log-verosimiglianza:
(; x
n
) = nln
n
i=1
ln(1 +x
i
).
43
Per trovare la stima di massima verosimiglianza consideriamo lequazione di log-verosimiglianza:
d
d
(; x
n
) = 0 ovvero
n
i=1
ln(1 +x
i
) = 0,
la cui unica radice è
n
P
n
i=1
ln(1+x
i
)
. Poichè la derivata seconda di (; x
n
) è n/
2
, ovvero sem-
pre negativa, la radice trovata è punto di massimo per (e per L) e quindi stima di massima
verosimiglianza,

mv
(x
n
). Per il campione considerato si ha

mv
(x
n
) = 10/5 = 2.
c) Si tratta di famiglia esponenziale. Infatti, osservando che
f
X
(x; ) =
1
1 +x
exp ( ln(1 +x) + ln ),
le funzioni di densità per il modello considerato possono essere scritte nella forma generale
f
X
(x; ) = h(x) exp (()T(x) c()),
con
h(x) =
1
1 +x
, () = , T(x) = ln(1 +x), c() = ln.
Esercizio 20.
a) Si osservi che:
E
[X] = m, V
[X] = m(1 ).
Pertanto dallequazione m
1
(X
n
) = E
[X] discende che

X
n
= m, da cui
M
=

X
n
m
.
b) E
M
] =
1
m
E
[

X
n
] =
1
m
E
[X] =
m
m
= , . Lo stimatore dei momenti è quindi non
distorto (B
= 0). Pertanto
MSE
M
] = V
M
] =
1
m
2
V
[

X
n
] =
m(1 )
nm
2
=
(1 )
nm
.
c) Poiche
lim
n+
MSE
M
] = lim
n+
(1 )
nm
= 0
lo stimatore dei momenti è consistente in media quadratica.
d) Si ha che le funzioni di verosimiglianza e logverosimiglianza sono
L(; x) =
P
n
i=1
x
i
(1 )
nm
P
n
i=1
x
i
e
(; x) = (
n
i=1
x
i
) ln + (nm
n
i=1
x
i
) ln(1 ).
Derivando e risolvendo lequazione di logveros. si ottiene che
MV
=

X
n
m
.
(Si verica facilmente che trattasi eettivamente di un punto di massimo). Lo stimatore di
MV coincide con quello dei momenti e quindi i due stimatori hanno le stesse proprietà.
44
e) Si può rispondere al quesito in due modi.
I modo. Poiche il modello bernoulliano è una famiglia esponenziale (fatto noto, ma comunque
semplicemente vericabile), uno stimatore non distorto di , che sia anche funzione di una
statistica suciente e completa, è UMVUE (teoremi di Rao-Blackwell e Lehmann-Schee).
In questo caso

n
i=1
X
i
è stat. suciente e completa, e quindi

X
n
/m, esssendo non distorto,
è UMVUE.
II modo. E suciente vericare che il limite inferiore di Cramer Rao risulta pari a
(1)
nm
e
che quindi coincide con la varianza di

X
n
/m.
Esercizio 21.
1 Osservando che il supporto della v.c. X
i
è costituito dai soli valori 0 e 1, si deduce che
siamo in presenza di una variabile casuale bernoulliana con probabilità di successo
p = 2 1
per la quale è immediato vericare che
E[X
i
] = p = 2 1
e che
Var [X
i
] = p(1 p) = (2 1)(2 2)
2. Risolvendo in lequazione che uguaglia il primo momento teorico (il valore atteso) di X
i
con il primo momento empirico (la media campionaria) si ottiene
2 1 =

X =

X + 1
2
e dunque la soluzione dellequazione determina lo stimatore dei momenti
M
=

X + 1
2
Dalla linearità delloperatore valore atteso e dalla proprietà della media campionaria per cui E[

X] =
E[X
i
] = 2 1 si deduce che
E
_
M
_
= E
_

X + 1
2
_
=
E
_
+ 1
2
=
2 1 + 1
2
=
e dunque siamo in presenza di uno stimatore non distorto per il parametro e quindi la distorsione
B
M
() = 0 .
In tal caso, essendo lo stimatore dei momenti non distorto, si ha che la sua varianza coincide con
lerrore quadratico medio e si può calcolare come segue
MSE
M
() = Var
M
() = Var
_

X + 1
2
_
=
1
4
Var
_
=
1
4n
Var [X
i
]
=
(2 1)(2 2)
4n
45
grazie alle ben note proprietà della varianza di trasformazioni lineari, nonche alla proprietà della
varianza della media campionaria, valida per tutti i modelli statistici.
Ora per vericare se lo stimatore è anche UMVUE sono possibili due strade alternative:
avendo già vericato che lo stimatore è non distorto ed avendo calcolato il suo errore qua-
dratico medio potrebbe vericarsi che la sua varianza raggiunge il LICR (Limite Inferiore di
Cramer Rao). Nel caso in cui ciò si vericasse avremmo potuto dedurre la relazione richiesta.
Nel caso però in cui invece il LICR non fosse ragiunto non potremmo dedurre alcunche.
avendo già vericato che lo stimatore è non distorto si potrebbe cercare di vericare se tale
stimatore è funzione di una statistica suciente e completa per il parametro
La seconda strada sembra pi` u agevole in quanto lo stimatore è funzione della statistica S(X
1
, ..., X
n
) =
X che, in un modello bernoulliano, appartenente alla famiglia esponenziale, è noto essere una sta-
tistica suciente e completa per p. Quindi, dalle proprietà delle statistiche sucienti e delle
statistiche complete, se S(X
1
, ..., X
n
) è suciente e completa per p lo è anche per una funzione
biunivoca del parametro p nel nostro caso per
=
p + 1
2
.
3. Dal momento che la media campionaria è consistente per p = 2 1
X p
sia in senso debole [convergenza in probabilità] che in senso forte [convergenza quasi certa], invo-
cando il teorema di continuità per entrambe le forme di convergenza è immediato dedurre che una
funzione continua della media aritmetica converge alla corrispondente funzione applicata nel limite
p = 2 1 ovvero
M
=

X + 1
2
= g(

X) g(p) =
p + 1
2
=
2 1 + 1
2
= .
Inoltre, considerando lespressione precedente derivata dellerrore quadratico medio si ottiene che
MSE
M
() =
(2 1)(2 2)
4n
0
e dunque lo stimatore è consistente anche in media quadratica.
4. Avendo già osservato che il parametro usuale della distribuzione di Bernoulli p (0, 1) è
in relazione al parametro di interesse (
1
2
, 1) attraverso la relazione
p = 2 + 1
è vero anche il viceversa ovvero che il parametro di interesse è in relazione con p attraverso la
relazione inversa
= g(p) =
p + 1
2
e dunque è immediato argomentare che dalla nota proprietà di invarianza (equivarianza) dello
stimatore di massima verosimiglianza e dal fatto che p
MV
=

X si ha che
MV
= g( p
MV
) =
p
MV
+ 1
2
=

X + 1
2
.
Esercizio 22. Il modello statistico-probabilistico è:
_
X
n
= (R
+
)
n
, f
n
(x; ) =
x
i
2
n
3
exp
_
x
i
/
_
n
, = R
+
_
46
La distribuzione delle popolazione X appartiene alla famiglia esponenziale e può essere scritta
come:
f
X
(x; ) =
x
2
2
exp
_
x/ 3 log 2
_
,
con: h(x) =
x
2
2
, () = 1/, T(x) = x, B() = 3 log 2. Si ottiene quindi che una statistica
suciente è data da T(x
oss
) =
n
i=1
T(x
i
) =
x
i
.
2. Le funzioni di verosimiglianza, di log-verosimiglianza e le derivate prima e seconda della funzione
di log-verosimiglianza sono:
L
x
oss
() =
1
3n
e
P
x
i
/
; () = 3nlog
x
i
() =
3n
x
i
2
;
() =
3n
x
i
3
.
Da
() = 0, si ottiene 3n +

x
i
= 0 da cui

MLE
=

X/3 è lo stimatore di massima
verosimiglianza. Infatti
MLE
) = 9(3n/ x
2
n
) 27(2n/ x
2
n
) = 27n/ x
2
n
< 0.
Per la proprietà di invarianza, lo stimatore di massima verosimiglianza per è:
MLE
=

MLE
+

2
MLE
=

X
n
3
+

X
2
n
9
.
3. I momenti primo e secondo della media campionaria sono:
E
_

X
n
=
1
n
n
i=1
X
i
= 3 ; E
_

X
2
n
= V[

X
n
]+E
__

X
n
_
2
=
1
n
V[

X
n
]+9
2
=
1
n
3
2
+9
2
= 3
2
1 + 3n
n
.
4. La media dello stimatore

MLE
è:
E
_

MLE
= E
_
MLE
+

2
MLE
= E
_

X
3
+

X
2
9
_
=
1
3
E[

X
n
] +
1
9
E[

X
2
n
] = +
1 + 3n
3n

2
= +
2
Quindi lo stimatore

MLE
è distorto. La sua distorsione è data da:
D(

MLE
) = E
_

2
=
2
/3n,
e questo implica che lo stimatore è asintoticamente corretto perche la sua distorsione tende a 0 al
crescere di n.
Esercizio 23.
L
x
oss
() =
n
i=1
1
x
1
i
=
n
_
n
i=1
x
i
_
1
.
La funzione di log-verosimiglianza e le sue derivate sono:
() = nlog + (
1
1)
n
i=1
log x
i

() =
n
+
1
n
i=1
log x
i

() =
n
2

2
P
n
i=1
log x
i
3
.
Si ottiene quindi:
() = 0

MLE
=
n
i=1
log x
i
n
, infatti
MLE
) =
n
2
MLE
n
i=1
log x
i
3
MLE
=
n
3
(
n
i=1
log x
i
)
2
< 0.
2. Linformazione osservata di Fisher è I(
MLE
) =
MLE
) =
n
3
(
n
i=1
log x
i
)
2
. Nellintorno
di

si può approssimare la funzione di verosimiglianza di un qualsiasi modello statistico con una
47
distribuzione normale di media

e di varianza I
1
(
) e lintervallo di verosiniglianza approssimato

di livello q si ottiene come lintervallo di verosimiglianza di livello q di una distribuzione normale.
Parte facoltativa. Lintervallo di verosimiglianza di livello q della distribuzione normale L
x
oss
()
N(
MLE
, I
1
(
MLE
)) che approssima L
x
oss
() è dato da:
_
MLE

_
I
1
(
MLE
)

2 log q
_
quindi, sostituendo i valori trovati per

MLE
e I(
MLE
), si ottiene che: I
q

_
n
i=1
log x
i
n

(
n
i=1
log x
i
)
2
n
3
2 log q
_
.
3. La media dello stimatore di massima verosimiglianza è
E[
MLE
] = E
_
1
n
n
i=1
log X
i
_
=
1
n
n
i=1
E [log X
i
] =
1
n
n
i=1
= .
E quindi

MLE
è uno stimatore corretto. Si ha che
MSE(
MLE
) = V[
MLE
] = V
_
1
n
n
i=1
log X
i
=
1
n
2
n
i=1
V [log X
i
] =
1
n
2
n
i=1
2
=

2
n
.
Ciò signica che

MLE
è uno stimatore consistente perche per n , si ha MSE(
MLE
) 0.
4. Il limite inferiore di Cramer Rao per la varianza di uno stimatore corretto è dato dallinverso
dellinformazione attesa di Fisher. Linformazione attesa di Fisher risulta essere:
I() = nE
_

2
2
_
log f
X
(x; )
_
= nE
_

2
2
_
log
_
1
+ 1)
_
log x
__
=
nE
_
1
2

2 log x
3
_
= n
_
1
2

2
3
_
=
n
2
.
Linformazione attesa di Fisher è pari allinverso della varianza di

MLE
che risulta quindi essere
uno stimatore UMVUE.
Esercizio 24. 1.
E[X] =
_

0
x
3
3
x
2
dx =
3
3
_
x
4
4
_
0
=
3
4
E[X
2
] =
_

0
x
2
3
3
x
2
dx =
3
3
_
x
5
5
_
0
=
3
5
2
V[X] = E[X
2
] (E[X])
2
=
3
5
_
3
4
_
2
=
3
80
2
Per determinare lo stimatore dei momenti, si eguaglia la media campionaria al valore atteso:
X
n
= E[X]

X
n
=
3
4

M
=
4
3

X
n
.
2.
Si verica facilmente che lo stimatore dei momenti è non distorto, quindi lerrore quadratico
medio è uguale alla varianza:
MSE(
M
) = V(
M
) = V(
4
3

X
n
) =
16
9
V(X)
n
=
16
9
1
n
3
80
2
=

2
15n
48
Poiche lerrore quadratico medio tende a 0 per n possiamo concludere che lo stimatore
dei momenti è consistente.
3.
Ricordando che

X
n
N
_
E[X],
V[X]
n
_
(Teorema del Limite Centrale), si ricava facilmente la
distribuzione asintotica dello stimatore dei momenti:
M
=
4
3

X
n
N
_
4
3
E[X],
16
9
V[X]
n
_
N
_
,

2
15n
_
4.
La stima dei momenti è
M
=
4
3
x
n
=
4
3
n
i=1
x
i
n
=
4
3
3
2
1
36
=
1
18
= 0.056.
Esercizio 25.
1.
E[X] =
_

0
x
1
2
x
dx =
1
2
1
2
_
x
3
2
3
2
_
0
=

3
E[X
2
] =
_

0
x
2
1
2
x
dx =
1
2
1
2
_
x
5
2
5
2
_
0
=

2
5
V[X] = E[X
2
] (E[X])
2
=

2
5

_
3
_
2
=
4
45
2
.
X
n
= E[X]

X
n
=

3

M
= 3

X
n
.
2. Si verica facilmente che lo stimatore dei momenti è non distorto, quindi lerrore quadratico
MSE(
M
) = V(
M
) = V(3

X
n
) = 9
V(X)
n
= 9
4
45
1
n
2
=
4
2
5n
Poiche lerrore quadratico medio tende a 0 per n possiamo concludere che lo stimatore dei
momenti è consistente.
3. Ricordando che

X
n
N
_
E[X],
V[X]
n
_
M
= 3

X
n
N
_
3E[X], 9
V[X]
n
_
N
_
,
4
2
5n
_
.
4. La stima dei momenti
M
= 3 x
n
= 3
n
i=1
x
i
n
= 3
1
3
1
36
=
1
36
= 0.028.
Esercizio 26.
49
1. Lo stimatore è non distorto in quanto, per le proprietà del valore atteso, si ha:
E[T] =
E[

X
1
] +E[

X
2
]
2
=

1
+
2
2
= , R.
Dallipotesi di indipendenza dei due campioni discende che
V
_

X
1
+

X
2
2
_
=
1
4
(V[

X
1
] +V[

X
2
]) =
1
4
_
1
n
1
+
1
n
2
_
.
Pertanto, essendo T uno stimatore non distorto di , si ha che
MSE[T] = V[T] =
1
4
_
1
n
1
+
1
n
2
_
.
Lo stimatore è consistente poichè, al divergere di n
1
e n
2
, MSE[T] 0, R.
2. Per le proprietà delle medie campionarie nei modelli normali, si ha che
X
i
|
i
N
_
i
,
1
ni
_
, i = 1, 2.
Ricordando che una combinazione lineare di v.a. normali ha distribuzione normale, abbiamo
che:
X
1
+

X
2
2
N
_
,
1
4
_
1
n
1
+
1
n
2
__
.
Esercizio 27.
1. Per le propr. di valore atteso e varianza e dal suggerimento dato, si ha che:
E[X
(n)
] =
n
n + 1
, V[X
(n)
] =
n
(n + 1)
2
(n + 2)
2
.
Si ha quindi che, (0, 1):
E[T
1
] = ;
V[T
1
] = MSE[T
1
] =

2
n(n+2)
;
E[T
2
] =
n(n+2)
(n+1)
2
;
V[T
2
] =
n(n+2)
(n+1)
4
2
;
MSE[T
2
] = (E[T
2
] )
2
+V[T
2
] = . . . =

2
(n+1)
2
.
Pertanto:
T
1
è stimatore non distorto di e funzione di statistica suciente e completa, X
(n)
. Si
tratta quindi dello stimatore non distorto di minima varianza (UMVUE).
T
1
è consistente in errore quadratico medio, dal momento che, (0, 1),
lim
n+
MSE[T
1
] = lim
n+
2
n(n + 2)
= 0.
50
Lo stimatore T
2
è stimatore distorto di con distorsione negativa e pari a
B[T
2
] =

(n + 1)
2
.
Tuttavia lo stimatore risulta consistente (e dunque asintoticamente corretto), in quanto
(0, 1),
lim
n+
MSE[T
2
] = lim
n+
2
(n + 1)
2
= 0.
Lo stimatore T
2
1
poichè:
MSE[T
2
] < MSE[T
1
] (n + 1)
2
> n(n + 2) 1 > 0,
condizione che risulta essere ovviamente vericata per ogni valore di n e di .
Da quanto vericato si evince che, in base al criterio delle errore quadratico medio, lo stimatore
T
2
benchè distorto, è migliore dello stimatore non distorto T
1
(peraltro anche UMVUE).
2. Poichè il primo momento di X è
1
() = E[X] =

2
e il primo momento campionario è
m
1
(X
n
) =

X
n
, lequazione dei momenti(
1
() = m
1
(X
n
)) diventa:
2
=

X
n
,
da cui si ottiene lo stimatore dei momenti:
M
= 2

X
n
.
Per le proprietà della media campionaria e dal momento che X
1
, . . . , X
n
sono v.a. i.i.d.
con valore atteso e varianza niti vale il teorema centrale di convergenza e si ha che

X
n
ha
distribuzione asintotica normale. Pertanto, osservando che
E[
M
] = E[2

X
n
] = , V[
M
] = V[2

X
n
] = 4V[

X
n
] = 4

2
12n
=

2
3n
,
possiamo aermare che, per un qualsiasi ,
M

_
V[
M
]
N(0, 1)
ovvero che
M
= 2

X
n
N
_
,

2
3n
_
.
3. Sostituendo i valori indicati, si ottiene:
T
1
=
21
20
0.9, T
2
=
22
21
0.9,

M
= 2 0.4 = 0.8.
Si noti che il dato fornito relativamente alla varianza campionaria S
2
n
risulta inutile ai ni
della soluzione al quesito posto.
51
III PARTE: INTERVALLI DI CONFIDENZA E TEST
Esercizio 1*. Sia X
n
= (X
1
, . . . , X
n
) un campione casuale dalla popolazione N(0, ).
a) Vericare che la statistica S
2
0
=
n
i=1
X
2
i
/n è uno stimatore non distorto di .
b) Determinare la generica espressione di un intervallo di condenza per , in funzione della
statistica S
2
0
.
c) In un campione di dimensione n = 15 si è osservato che lo stimatore S
2
0
assume il valore 3.23
2
.
Determinare lintervallo di condenza per al 95%.
Esercizio 2. In una fabbrica di generi alimentari si vuole determinare il valore medio di grasso
totale (in grammi) in una confezione regolare di patatine. Si analizzano n = 101 confezioni e si
ottengono i seguenti risultati: x
n
= 18.2 g, s
2
n
= 0.56 g
2
. Assumendo che le osservazioni ottenute
siano i valori osservati di un campione casuale da una popolazione normale di media e varianza
2
entrambe incognite, determinare:
a) lintervallo di condenza al 90% per ;
b) lintervallo di condenza al 90% per
2
.
Esercizio 3*. Un campione di 100 transistor viene estratto da una grossa fornitura e sottoposto
a controllo di qualità. Il risultato è che 80 pezzi superano il controllo. Si determini un intervallo di
condenza al 95% per la percentuale p di transistor idonei nel lotto considerato.
Esercizio 4*. In un processo di controllo di qualità emerge che, su 371 pezzi controllati, 18 sono
difettosi. Trattando il campione considerato come un campione casuale,
a) determinare la funzione di verosimiglianza e calcolare il valore della stima di massima verosi-
miglianza di p, proporzione dei pezzi difettosi nella popolazione da cui proviene il campione;
b) determinare un intervallo di condenza al 90% approssimato per il parametro p;
c) stabilire, alla luce dei dati osservati, se risulta pi` u verosimile per p il valore 0.07 oppure il
valore 0.03?
n
= (X
1
, . . . , X
n
) da una popolazione
bernoulliana di parametro incognito, p, e le due ipotesi
H
0
: p = 0.2 H
1
: p = 0.4.
a) Vericare che la generica regione di riuto del test basato sul rapporto delle verosimiglianze
risulta essere:
R = {x
n
: y =
n
i=1
x
i
k}.
b) Determinare il valore della probabilità di errore di prima specie, , che si ottiene ponendo
n = 4 e k = 2.
Esercizio 6. Sia X
n
= (X
1
, . . . , X
n
probabilità
f
X
(x; , ) =
( +x)
(x + 1)()

(1 )
x
, x = 0, 1, 2, . . . , (0, 1), > 0.
Si supponga che = 1 e si consideri il campione x
n
= (3, 2, 7, 3, 5).
52
a) Determinare la funzione di verosimiglianza di per il campione considerato.
b) Vericare se, alla luce dei dati osservati, risulta pi` u verosimile per il valore
1
= 0.3 oppure
il valore
2
= 0.6.
Esercizio 7*. Viene estratto un campione casuale di dimensione n = 16 da una popolazione
normale di parametri incogniti e . Sapendo che la media campionaria è x
n
= 27.9 e che la
varianza campionaria è s
2
n
= 3.23
2
, determinare lintervallo di condenza al 90% per i parametri
incogniti.
Esercizio 8*. Il seguente campione si suppone proveniente da una popolazione con distribuzione
normale con varianza = 16 e valore atteso incognito:
23, 32, 22, 31, 27, 25, 21, 24, 20, 18.
a) Sottoporre a verica le seguenti ipotesi:
H
0
: = 20 H
1
: > 20
al livello = 0.05.
b) Supponendo che il valore vero di sia pari a 25, calcolare la potenza del test.
n
= (X
1
, . . . , X
n
) da una popolazione con
f
X
(x; ) = e
x
, x > 0, > 0.
Si considerino, per il parametro incognito , le ipotesi
H
0
: = 1 H
1
: = 2.
a) Vericare che la generica regione di riuto del test basato sul rapporto delle verosimiglianze
risulta essere:
R = {x
n
: n x =
n
i=1
x
i
< k}.
b) Determinare il valore della probabilità di errore di prima specie, , che si ottiene ponendo
n = 36 e k = 2/3. [Sugg.: Si ricordi che la somma di v.a. esponenziali indipendenti ha
distribuzione gamma. In alternativa, utilizzare lapprossimazione normale, ricordando che
E
(X) = 1/ e che V
(X) = 1/
2
. ].
Esercizio 10*. Si suppone che il tempo di azione di un anestetico sia una variabile aleatoria
normale di valore atteso e varianza
2
, entrambi incogniti. In un esperimento, i valori osservati
per un campione casuale di dimensione n = 10 della media e della varianza campionaria sono pari
a x = 9.28 min e s
2
n
= 0.1619
2
min
2
.
a) Determinare un intervallo di condenza all 80% per il parametro incognito .
b) Si sottoponga a verica il seguente sistema di ipotesi, assumendo un livello di signicatività
= 0.01:
H
0
: =
0
= 10.5 min
H
1
: <
0
= 10.5 min
Ripetere assumendo = 0.025.
53
c) Determinare gracamente il valore p per il test di cui al punto precedente.
Esercizio 11*. Si suppone che la dimensione delle ali di un insetto tropicale sia una variabile
aleatoria normale di valore atteso e varianza
2
, entrambi incogniti. In un esperimento, i valori
osservati per un campione casuale di dimensione n = 20 della media e della varianza campionaria
sono pari a x = 3.23 mm e s
2
n
= 0.214
2
mm
2
.
a) Determinare un intervallo di condenza al 90% per il parametro incognito .
= 0.05:
H
0
: =
0
= 3.14 mm
H
1
: >
0
= 3.14 mm
c) Determinare gracamente il valore p per il test di cui al punto precedente.
Esercizio 12. Si suppone che la dimensione delle ali di un insetto tropicale sia una variabile
aleatoria normale di valore atteso e varianza
2
, entrambi incogniti. In un esperimento, i valori
osservati per un campione casuale di dimensione n = 20 della media e della varianza campionaria
sono pari a x = 3.23 mm e S
2
= 0.214
2
mm
2
.
Costruire con il metodo del rapporto delle massime verosimiglianze il test per la verica del
seguente sistema di ipotesi, assumendo un livello di signicatività = 0.05:
H
0
: =
0
= 3.14 mm
H
1
: =
0
= 3.14 mm
1
, . . . , X
n
un campione casuale di dimensione n dalla popolazione di Poisson
di parametro incognito , con distribuzione di probabilità:
f
X
(x; ) = e

x
x!
, x = 0, 1, 2, . . . > 0.
Si consideri il sistema di ipotesi:
H
0
: =
0
H
1
: =
1
.
Assumendo
0
>
1
, la regione di accettazione del test basato sul rapporto delle verosimiglianze
risulta essere
A = {x
n
: x
n
> k}.
a) Vericare che, per n sucientemente elevato, la variabile aleatoria

X
n
ha, approssimativa-
mente, distribuzione N(, /n).
b) Calcolare la potenza del test, 1 , che si ottiene ponendo
1
= 5, n = 25 e k = 5.5.
(Sugg.: utilizzare lapprossimazione normale per la distribuzione di

X
n
)
c) Vericare che, eettivamente, la regione (1) denisce la regione di accettazione del test di
Neyman-Pearson.
1
, . . . X
n
un campione casuale da una popolazione uniforme in (0, ), > 0.
Si consideri la statistica campionaria X
(n)
= max{X
1
, . . . , X
n
}, per la quale è noto che, > 0,
E[X
(n)
] =
n
n + 1
e V [X
(n)
] =
n
(n + 1)
2
(n + 2)

2
.
54
a) Sapendo che un intervallo di condenza di livello 1 per il parametro è fornito dal seguente
intervallo aleatorio:
IC(X
n
) =
_
X
(n)
,
1
1/n
X
(n)
_
,
vericare che il valore atteso della lunghezza aleatoria di IC(X
n
), indicata con L
(X
n
), risulta
essere
E[L
(X
n
)] =
n
n + 1
_
1
1/n
1/n
_
.
b) Supponendo di avere osservato il campione di dati x
n
= (1, 9, 3, 4, 5, 3, 2, 0, 10, 5), determinare
la stima per intervallo di (assumere 1 = 0.95).
1
, . . . , X
n
un campione casuale di dimensione n da una popolazione
bernoulliana di parametro incognito , con distribuzione di probabilità:
f
X
(x; ) =
x
(1 )
1x
, x = 0, 1 (0, 1) > 0.
H
0
: =
0
= 0.5 H
1
: =
1
= 0.35.
La regione di riuto del test basato sul rapporto delle verosimiglianze risulta essere
R = {x
n
:
n
i=1
X
i
< k}. (1)
a) Vericare che, per n sucientemente elevato, la variabile aleatoria

n
i=1
X
i
ha, approssima-
tivamente, distribuzione N(n, n(1 )).
b) Calcolare le probabilità di errore di I e di II specie che si ottengono ponendo n = 144 e k = 60.
(Sugg.: utilizzare lapprossimazione normale per la distribuzione di

n
i=1
X
i
)
c) Vericare che, eettivamente, la regione (1) denisce la regione di riuto del test di Neyman-
Pearson.
Esercizio 16*. Si considerino due campioni indipendenti di numerosità n
1
= 14 e n
2
= 12,
estratti da due popolazioni normali di varianze note,
2
1
= 40 e
2
2
= 100 e valori attesi incogniti
1
e
2
. Nel primo campione il valore osservato della media campionaria è pari a 44, nel secondo è
pari a 50. Calcolare un intervallo di condenza con livello di condenza pari a 0.95 per la dierenza
2
. In base al risultato ottenuto è possibile escludere che
1
e
2
siano uguali tra loro?
1
, . . . , X
n
un campione casuale da una popolazione esponenziale di para-
metro , per la quale E[X
i
] = e V [X
i
] =
2
. Si consideri il seguente intervallo di condenza di
livello 1 per :
_
2
n
i=1
X
i
2
1
2
,2n
,
2
n
i=1
X
i
2
,2n
.
_
a) Per la v.a. L
(X
n
), lunghezza dellintervallo considerato, determinare il valore atteso e la
varianza.
b) Supponendo di avere osservato un campione di n = 10 osservazioni dalla popolazione con-
siderata, in cui la somma campionaria è pari a 1740, calcolare gli estremi dellintervallo di
condenza di livello 0.95 e la lunghezza osservata.
55
Esercizio 18*. Si suppone che, in una città, il consumo di acqua al giorno per abitazione sia una
v.a. normale di media e varianza
2
incogniti. Per un campione casuale di dimensione n = 20
si è rilevato che x
n
= 353.8 galloni e S = 21.85 galloni. Sottoporre a verica le seguenti ipotesi,
ponendo = 0.05:
H
0
: = 350 H
1
: = 350.
Si calcoli inne il p-value, lo si rappresenti gracamente e si commenti il risultato.
Esercizio 19*. Si suppone che laltezza dei cittadini maschi di un centro urbano sia una v.a.
normale di media e varianza
2
= 300 cm
2
. Per un campione casuale di dimensione n = 20 si è
rilevato che x
n
= 177.5 cm.
a) Si calcoli un intervallo di condenza di livello 1 = 0.95 per .
b) Sottoporre a verica le seguenti ipotesi, ponendo = 0.05:
H
0
: = 175 H
1
: > 175.
c) Si calcoli inne il p-value, lo si rappresenti gracamente e si commenti il risultato.
Esercizio 20*. Una casa farmaceutica è interessata a stabilire la riduzione di peso corporeo in
grammi legata alla somministrazione di un determinato farmaco. Supponendo che la riduzione
di peso sia una variabie aleatoria con varianza pari a 900
2
g
2
, determinare il numero di individui
che devono essere considerati nello studio, al ne di ottenere un intervallo di condenza di livello
= 0.01, la cui semi-lunghezza non sia superiore a 200 g.
1
, . . . , X
n
un campione casuale di dimensione n = 20 da una popolazione
N(,
2
) con
2
= 300. Per il sistema di ipotesi
H
0
: =
0
= 175
H
1
: >
0
,
a) determinare la funzione di potenza del test di livello 1 ;
b) calcolare il valore della funzione di potenza in = 178, ponendo 1 = 0.95.
Esercizio 22*. Si ipotizza che il tempo medio di attesa dei clienti di una banca nellora di punta
sia una variabile aleatoria normale di varianza nota pari a 4. Per un campione casuale di 16 clienti
si è rilevato un tempo medio di attesa di 5.5 minuti.
a) Sottoporre a verica lipotesi che il tempo medio di attesa sia inferiore 5 minuti contro
lipotesi che sia maggiore di 5 minuti, ad un livello = 0.01 e rappresentare gracamente
la regione di riuto del test.
b) Determinare il valore p e rappresentarlo gracamente.
1
, . . . , X
n
un campione casuale da una popolazione di Poisson di parametro
. Per la quantità g() = e
:
a) determinare lo stimatore di massima verosimiglianza,

g();
b) vericare che
g()
.
N(e
, V[
g()]), dove V[
g()] = e
2
n
;
56
c) determinare una stima per V[
g()], varianza asintotica di

g();
d) determinare un intervallo di condenza approssimato al 95%.;
e) determinare la stima di massima verosimiglianza e gli estremi dellintervallo di condenza al
95% per il seguente campione osservato:
x
1
= . . . = x
5
= 2, x
6
= . . . = x
10
= 1, x
11
= . . . = x
15
= 3, x
16
= . . . = x
25
= 4.
Esercizio 24*. Un prodotto viene commercializzato con due confezioni diverse, A e B. Si assume
che, in un periodo di riferimento, il ricavo delle vendite (in migliaia di euro) del prodotto con
confezione j (j = A, B) sia una v.a. normale di parametri (
j
,
2
). Si considerano due campioni
casuali e indipendenti tra loro di ricavi relativi a n = 9 punti vendita. Indichiamo con
X
A
1
, . . . X
A
i
, . . . X
A
n
e X
B
1
, . . . X
B
i
, . . . X
B
n
i due campioni casuali considerati. I valori osservati dei ricavi nei due campioni sono riportati nella
seguente tabella.
Punto Vendita x
A
i
x
B
i
1 1.72 1.17
2 0.50 1.73
3 1.01 1.42
4 1.14 2.20
5 1.13 1.21
6 1.55 1.11
7 2.32 0.84
8 0.71 1.51
9 0.94 1.75
a) Determinare un intervallo di condenza al 95% per il parametro incognito =
A

B
,
assumendo che
2
= 0.16. Sulla base dellintervallo che si ottiene con i dati assegnati, è
lecito supporre che il diverso confezionamento non determina una dierenza statisticamente
signicativa nei ricavi?
pari a = 0.05:
H
0
: = 0
H
1
: = 0
e commentare lesito del test.
1
, . . . , X
n
un campione casuale di dimensione n = 3 proveniente da una
popolazione di Poisson di parametro incognito , con distribuzione di probabilità:
f
X
(x; ) = e

x
x!
, x = 0, 1, 2, . . . > 0.
H
0
: =
0
= 2 H
1
: =
1
= 1.
a) Vericare che la regione di riuto del test basato sul rapporto delle verosimiglianze risulta
essere
R = {x
n
: x
1
+x
2
+x
3
k}. (2)
57
b) Calcolare la probabilità di errore di I specie, , e la potenza del test, 1 , che si ottengono
ponendo k = 1.
[Sugg. Ricordare che se X
1
, . . . , X
n
sono n v.a. i.i.d. distribuite secondo la legge di Poisson
di parametro , la loro somma è una v.a. di Poisson di parametro n.]
Esercizio 26*. Si consideri un campione casuale di dimensione n proveniente da una popolazio-
ne bernoulliana di parametro incognito. Siamo interessati a eettuare inferenza sul logaritmo
naturale della varianza di tale popolazione, ovvero sul parametro g() = ln[(1 )].
a) Determinare lo stimatore di massima verosimiglianza di g(),

g().
b) Determinare la varianza asintotica di

g() e uno stimatore di tale quantità.
c) Determinare lapprossimazione normale della distribuzione campionaria dello stimatore di
massima verosimiglianza di g() e lespressione generica di un intervallo di condenza appros-
simato per g().
d) Supponendo di avere osservato in un campione di n = 100 osservazioni un valore della media
campionaria pari a 0.6, determinare un intervallo di condenza al 95% per g().
Esercizio 27*. Dato un campione casuale di n osservazioni estratto da una popolazione X con
funzione di densità:
f
X
(x; ) = (1 x)
1
, x (0, 1), > 0,
lo stimatore di massima verosimiglianza per è

MLE
=
n
P
n
i=1
log(1X
i
)
.
1. Si utilizzi il test di Neyman-Pearson per il confronto tra le ipotesi
H
0
: =
0
H
1
: =
1
(
0
<
1
)
e si mostri che la regione di accettazione è
RA = {X X
n
:

MLE
< K}. (3)
2. Vericare che asintoticamente si ha

MLE
N(,

2
n
).
3. Ottenere lespressione dellintervallo di condenza approssimato per di livello 0.80 e calco-
larne gli estremi supponendo di avere osservato un campione di n = 225 unità, per il quale
MLE
= 1.5.
4. Si consideri il campione osservato di cui al punto precedente. Si vogliono confrontare le
ipotesi:
H
0
:
0
= 1.3 H
1
:
1
= 1.6.
Calcolare il valore approssimato della potenza del test (1), ottenuto ponendo K = 1.464.
Esercizio 28*. Si consideri un campione casuale di n osservazioni estratte da una popolazione X
con distribuzione di densità di probabilità:
f
X
(x; ) = ( + 2) x
+1
, 0 x 1, > 2.
1. Vericare che la distribuzione campionaria asintotica di

MLE
è

MLE
N
_
,
( + 2)
2
n
_
.
Parte facoltativa.
`
E necessario conoscere esplicitamente lespressione di

MLE
? Spiegare
perchè.
58
2. Ottenere un intervallo di condenza approssimato di livello 0.95 per assumendo che in un
campione osservato di numerosità n = 144, il valore della stima di massima verosimiglianza
ottenuto sia

MLE
= 1.6.
3. Per il confronto tra le ipotesi
H
0
: =
0
vs H
1
: <
0
,
si consideri il test con la seguente regione di riuto
RR = {x X
n
:

MLE
< k}
(test di Wald). Utilizzando lapprossimazione normale per

MLE
, si verichi che la regione
di riuto per un test con probabilità di errore di prima specie pari ad si ottiene ponendo
k = z
MLE
+ 2
n
+
0
, dove z
indica il percentile di livello della distribuzione normale

standardizzata.
4. Per il campione osservato della domanda 2, si esegua il test per
0
= 1.5 a livello = 0.05.
Esercizio 29*. La tabella seguente riporta i punteggi medi ( x e y) riportati da due docenti (A e
B) valutati da due campioni distinti di studenti, di dimensione rispettivamente pari a n = 229 e
m = 243. Sono anche riportati gli scarti quadratici medi dei punteggi nei due gruppi (s
x
e s
y
).
A B
n = 229 m = 243
x
n
= 2.14 y = 4.21
s
x
= 0.94 s
y
= 0.83
Si supponga che i due campioni siano indipendenti e provenienti da popolazioni con uguale varianza,
2
.
1. Determinare la stima congiunta di
2
basata sui dati campionari disponibili.
2. Determinare stima puntuale e stima per intervallo (al 95 %) per il parametro dierenza tra
i punteggi dei due docenti.
3. Vericare se è pi` u plausibile lipotesi che i punteggi siano uguali o se il punteggio del primo
docente risulta inferiore a quello del secondo.
4. Stabilire se, nel problema trattato, è necessario ipotizzare che i dati siano realizzazioni di
variabili aleatorie normali.
Esercizio 30*.
3
Sia X
1
, . . . , X
n
un campione casuale proveniente dalla popolazione con funzione
di densità di probabilità
f
X
(x; ) =
3
3
x
2
, 0 < x < , > 0.
1. Vericare che
E[X] =
3
4
, V[X] =
3
80
2
M
=
4
3

X
n
3
Parte di questo esercizio è stato proposto nella sezione sulle proprietà degli stimatori.
59

M
e lintervallo di condenza asinto-
tico per , assumendo come stima di V[X] la quantità ottenuta sostituendo a lo stimatore
dei momenti.
4. Determinare la stima dei momenti e lintervallo di condenza asintotico di livello 1 = 0.95
supponendo di avere osservato un campione di dimensione n = 36 per il quale

n
i=1
x
i
=
3
2
.
1
, . . . , X
n
f
X
(x; ) =
2
xe
x
, x > 0, > 0,
con
E[X] =
2
V[X] =
2
2
.
Si consideri il sistema di ipotesi
H
0
: =
0
, H
1
: =
1
, (
0
>
1
).
1. Vericare che la regione di accettazione del test di Neyman-Pearson risulta essere linsieme
A = {x X
n
: x
n
< k}, k > 0
2. Determinare la distribuzione asintotica di

X
n
.
3. Vericare che, utilizzando la distribuzione asintotica di

X
n
, il valore di k per il quale la
probabilità di errore di I specie del test (vedi il punto 1.) è pari ad è
k
=
2
0
+
2
n
2
0
z
1
.
Determinare il valore di k
per = 0.05,
0
= 2 e n = 25.
4. Determinare la potenza del test considerato per
1
= 1.
5. Stabilire se, per un campione osservato di dimensione n = 25 e con media campionaria pari
a 1, lipotesi nulla viene accettata o riutata.
Esercizio 32*.
4
Sia X
1
, . . . , X
n
f
X
(x; ) =
1
2
x
, 0 < x < , > 0.
1. Vericare che
E[X] =
1
3
, V[X] =
4
45
2
M
= 3

X
n
4
60

M
e lintervallo di condenza asinto-
tica per , assumendo come stima di V[X] la quantità ottenuta sostituendo a lo stimatore
dei momenti.
4. Determinare la stima dei momenti e lintervallo di condenza asintotico di livello 1 = 0.95
supponendo di avere osservato un campione di dimensione n = 36 per il quale

n
i=1
x
i
=
1
3
.
1
, . . . , X
n
f
X
(x; ) = e
x
, x > 0, > 0, dove E[X] =
1
, V[X] =
1
2
.
Si consideri il sistema di ipotesi
H
0
: =
0
, H
1
: =
1
, (
0
>
1
).
1. Vericare che la regione di accettazione del test di Neyman-Pearson risulta essere linsieme
A = {x X
n
: x
n
< k}, k > 0
2. Determinare la distribuzione asintotica di

X
n
.
3. Vericare che, utilizzando la distribuzione asintotica di

X
n
, il valore di k per il quale la
probabilit di errore di I specie del test (vedi il punto 1.) è pari ad è
k
=
1
0
+
1
n
2
0
z
1
.
Determinare il valore di k
per = 0.05,
0
= 2 e n = 25.
4. Determinare la potenza del test considerato, assumendo
1
= 1.
5. Stabilire se, per un campione osservato di dimensione n = 25 e con media campionaria pari
a 1.5, lipotesi nulla viene accettata o riutata.
Esercizio 34*.
5
Siano X
1
1
, . . . , X
1
n
1
e X
2
1
, . . . , X
2
n
2
due campioni casuali indipendenti, rispet-
tivamente di ampiezza n
1
e n
2
, provenienti da distribuzioni N(
1
, 1) e N(
2
, 1). Si consideri il
parametro incognito
=

1
+
2
2
e lo stimatore
T(X
n
) =

X
1
+

X
2
2
,
dove

X
1
e

X
2
sono le medie campionarie dei due campioni.
1. Vericare che lo stimatore T(X
n
) è non distorto e consistente per il parametro .
2. Determinare la distribuzione campionaria di T(X
n
).
3. Sulla base del precedente risultato, determinare un intervallo di condenza di livello 0.95 per
il parametro avendo a disposizione due campioni di dimensione n
1
= n
2
= 10 per i quali si
ha x
1
= 2 e x
2
= 3.
5
61
Esercizio 35*.
6
Sia X
1
, . . . , X
n
un campione casuale proveniente da una distribuzione uniforme
nellintervallo [0, ].
1. Si confrontino e si discutano le proprietà inferenziali dei seguenti due stimatori per campioni
di ampiezza n ssata:
T
1
(X
n
) =
n + 1
n
X
(n)
,
T
2
(X
n
) =
n + 2
n + 1
X
(n)
.
Suggerimento: si ricordi che
E
_
X
(n)
_
=
n
n + 1
V
_
X
(n)
_
=
n
(n + 1)
2
(n + 2)
2. Determinare T
3
(X
n
) =

M
lo stimatore dei momenti di e la sua distribuzione asintotica.
Attraverso questultima si ottenga il corrispondente intervallo di condenza asintotico per il
parametro al generico livello 1 .
3. Dato un campione osservato di dimensione n = 20 in cui
x
(1)
= 0.2, x
n
= 0.4, S
2
n
= 0.1, x
(n)
= 0.9
determinare le tre stime puntuali e lintervallo di condenza approssimato ponendo 1 =
0.90
Esercizio 36*. Sia X una v.a. assolutamente continua con funzione di densità
f
X
(x; ) = x
1
, x (0, 1), > 0.
1. Determinare la funzione di verosimiglianza e lo stimatore di massima verosimiglianza.
2. Si consideri il sistema di ipotesi
H
0
: 1 vs. H
1
: > 1.
ed il test con regione di riuto basata su una singola osservazione (n = 1) e denita da:
R =
_
x X : x >
1
2
_
.
Determinare la funzione di potenza del test e calcolarne il valore in = 2.
6
62
SOLUZIONI
Intervalli di Confidenza e Test
Esercizio 1. Poiche E(X) = 0, abbiamo che E(X
2
) = V ar(X) = e anche E(X
2
i
) = . Quindi
E(T) = E(
n
i=1
X
2
i
n
) =
n
i=1
E(X
2
i
)
n
= .
Sappiamo che se X N(,
2
) allora
P
n
i=1
(X
i
)
2
2

2
n
; quindi nel nostro caso
nT

2
n
è una quantità pivotale. Possiamo usare questa per costruire lintervallo di condenza per un livello
ssato 1 :
1 = P(q
1

nT
q
2
) = P(
2
/2;n

nT

2
1/2;n
) = P(
nT
2
1/2;n

nT
2
/2;n
).
Per n = 15 e un valore osservato di T = 3.23
2
, lintervallo al 95% per è
_
156.49
27.49
,
156.49
6.26
_
= [5.69, 24.99] .
Esercizio 2. Possiamo utilizzare la quantità pivotale

X
S
n
/
n
t
n1
per costruire lintervallo per
e
(n1)S
2
n
2

2
n1
per
2
. Gli intervalli sono dati dalle relazioni
1 = P
_
t
/2;n1

X
S
n
/
n
t
1/2;n1
_
= P
_
X +t
/2;n1
S
n
/
n

X +t
1/2;n1
S
n
/
n
_
= P
_
X t
1/2;n1
S
n
/
n

X +t
1/2;n1
S
n
/
n
_
(lultima uguaglianza è giusticata dalla simmetria della distribuzione t) e
1 = P
_
2
/2;n1

(n 1)S
2
n
2

2
1/2;n1
_
= P
_
(n 1)S
2
n
2
1/2;n1

2
(n 1)S
2
n
2
/2;n1
_
.
Dalle tavole si ha: t
1/2;n1
= t
0.95,100
= 1.66,
2
1/2;n1
=
2
0.95;100
= 124.3 e
2
/2;n1
=
2
0.05;100
= 77.9. Gli intervalli al 90% relativi al campione osservato sono
per : [18.08, 18.32] per
2
: [0.45, 0.72].
Si noti che, in questesempio, la numerosità campionaria è elevata. Si può pertanto ricorrere
allapprossimazione normale delle v.a. t e
2
.
Esercizio 3. Non abbiamo una quantità pivotale per p, pero possiamo utilizzare lapprossimazione
normale per la distribuzione dello stimatore di massima verosimiglianza. Sappiamo che lo stimatore
MLE di p è p =

n
i=1
X
i
/n (la frazione di successi). Sappiamo anche che, per n grande p ha
distribuzione approssimativamente normale con valore atteso p (il parametro incognito) e varianza
1/I
n
(p) (il limite inferiore di Cramer-Rao). Quindi possiamo costruire lintervallo di condenza
usando la quantità pivotale
p p
_
1/I
n
(p)
N(0, 1)
63
e lintervallo al livello 1 è
z
/2

p p
_
1/I
n
(p)
z
1/2
.
In questo caso la varianza è
1
I
n
(p)
=
1
E
_
2
p
2
log L(p; X
n
)
_ = =
p(1 p)
n
che rende dicile esplicitare lintervallo rispetto a p. In questi casi si fa una ulteriore approssima-
zione considerando linformazione di Fisher osservata invece di quella attesa, quindi
1
I
oss
n
( p)
=
1
_
2
p
2
log L(p; X
n
)
_
p= p
= =
p(1 p)
n
.
Lintervallo approssimato è (considerando anche che z
/2
= z
1/2
)
z
1/2

p p
_
p(1 p)
n
z
1/2
e quindi p z
1/2
_
p(1 p)
n
p p +z
1/2
_
p(1 p)
n
.
Relativamente al campione osservato (con n = 100 e p = 0.8), lintervallo al 95% è
_
0.8 1.96
_
0.16
100
, 0.8 + 1.96
_
0.16
100
_
= [0.7216, 0.8784].
Esercizio 4. Si ha che: L(p; x
n
) = p
P
n
i=1
x
i
(1 p)
n
P
n
i=1
x
i
; relativamente al campione osservato
(con n = 371 e

n
i=1
x
i
= 18), la funzione di verosimiglianza è L(p; x
n
) = p
18
(1 p)
353
. Per
lintervallo di condenza le argomentazioni sono quelle fatte allesercizio 3, e lintervallo è
p z
1/2
_
p(1 p)
n
p p +z
1/2
_
p(1 p)
n
.
Il valore della stima di massima verosimiglianza è p =
18
371
= 0.048 e quindi lintervallo al 90% è
[0.029, 0.066]. Inoltre, L(0.07, x
n
) = 1.22 10
32
, L(0.03, x
n
) = 8.29 10
33
. Quindi il valore 0.07
è pi` u verosimile. Infatti il rapporto tra le verosimiglianze è
L(0.07,x
)
L(0.03,x
)
1.47, da cui si vede che 0.07
ha verosimiglianza pi` u alta.
Esercizio 5. Il rapporto delle verosimiglianze:
L(p
0
, x
n
)
L(p
1
, x
n
)
=
p
P
n
i=1
x
i
0
(1 p
0
)
n
P
n
i=1
x
i
p
P
n
i=1
x
i
1
(1 p
1
)
n
P
n
i=1
x
i
=
_
p
0
p
1
_
P
n
i=1
x
i
_
1 p
0
1 p
1
_
n
P
n
i=1
x
i
=
_
p
0
p
1
_
T
_
1 p
0
1 p
1
_
nT
avendo posto T =

n
i=1
x
i
. Tale rapporto è monotono rispetto a T. Infatti, essendo p
0
< p
1
e
1 p
0
> 1 p
1
, si ha:
_
p
0
p
1
_
T
decresce al crescere di T
_
1 p
0
1 p
1
_
nT
decresce al crescere di T
64
e quindi il rapporto di verosimiglianze è decrescente rispetto a T. Di conseguenza la regione di
riuto
_
x
n
X
n
:
L(p
0
, x
n
)
L(p
1
, x
n
)
s
_
= {x
n
X
n
: T g(s)}
è del tipo {x
n
X
n
: T k}. Se ssiamo n = 4 e k = 2, la regione di riuto diventa R =
_
x
4
X
4
:
4
i=1
x
i
2
_
. Ricordando che

n
i=1
X
i
Binom(4, p), la probabilità di errore di
prima specie è
Pr(R|p
0
) = P(
4
i=1
X
i
2|p
0
) = P(Binom(4, p
0
) 2)
=
_
4
2
_
p
2
0
(1 p
0
)
2
+
_
4
3
_
p
3
0
(1 p
0
)
1
+
_
4
4
_
p
4
0
(1 p
0
)
0
= 0.1808.
Esercizio 6. Per = 1 si ha () = 1 e ( +x) = (x + 1), quindi
f
X
(x; , = 1) = (1 )
x
.
La funzione di verosimiglianza è L(; x
n
) =
n
(1 )
P
n
i=1
x
i
che nel campione osservato diventa
L(; (3, 2, 7, 3, 5)) =
5
(1 )
20
. Rispetto ai due valori da confrontare, abbiamo
L(0.3; (3, 2, 7, 3, 5)) = (0.3)
5
(0.7)
20
> L(0.6; (3, 2, 7, 3, 5)) = (0.6)
5
(0.4)
20
.
e quindi
1
= 0.3 è pi` u verosimile.
Esercizio 7. La costruzione è analoga a quella dellesercizio 2. Questa volta, però, la numerosità
non è molto alta e quindi dobbiamo necessariamente usare le tavole della v.a. t
15
e della v.a.
2
15
senza ricorrere allapprossimazione normale. Gli intervalli di condenza al livello 1 sono
per :
_
X t
1/2;n1
S
n
/
n

X +t
1/2;n1
S
n
/
n
_
per
2
:
_
(n 1)S
2
n
2
1/2;n1

2
(n 1)S
2
n
2
/2;n1
_
Relativamente al campione osservato gli intervalli sono
per : [26.48, 29.32] per
2
: [6.26, 21.55].
Esercizio 8. Trattiamo prima il test con due ipotesi semplici
H
0
: = 20 contro H
1
: =
1
(con
1
> 20).
La funzione di verosimiglianza è
L(, x
n
) = e
n
2
2
( x)
2
quindi il rapporto delle verosimiglianze è
L(
0
, x
n
)
L(
1
, x
n
)
= e
n
2
2
[( x
0
)
2
( x
1
)
2
]
= e
n
2
2
[( x(
1
0
)+
2
0
2
1
]
.
Essendo
1
>
0
, il rapporto è decrescente rispetto a x, quindi la regione di riuto è
R =
_
x
n
X
n
:
L(
0
, x
n
)
L(
1
, x
n
)
k
_
= {x
n
X
n
: x g(k)} .
65
Troviamo g(k) attraverso la condizione sullerrore di prima specie, ricordando che

X N(,

2
n
):
0.05 = P(R|
0
) = P(

X g(k)|
0
) = P(

X
0
/
n

g(k)
0
/
n
)
quindi g(k) è tale che
g(k)
0
/
n
= 1.65 (e quindi g(k) =
0
+ 1.65/
n).
La regione di riuto è:
R =
_
x
n
X
n
:

X
0
+ 1.65/
n
_
.
La regione di riuto non dipende dalla scelta di
1
(purche rimanga
1
>
0
). Quindi possiamo
considerare la stessa regione di riuto per il test con ipotesi composte (il test risultante è UMP)
H
0
: = 20 contro H
1
: > 20.
In particolare riuteremo (con = 5%) se x 20 + 1.65 4/
10 = 22.08. Nel campione osservato

la media campionaria è 24.3 > 22.08 e quindi RIFIUTIAMO H
0
.
La funzione potenza è
P(R|) = P(

X 22.08|) = P(

X
/
n

22.08
4/
10
) = 1 (
22.08
4/
10
),
dove () è la funzione di ripartizione della v.a. normale standardizzata. In = 25 la funzione
potenza vale 1 (
22.0825
4/
10
) = 1 (2.30) = 0.99.
Esercizio 9. Il rapporto delle verosimiglianze è
L(
0
, x
n
)
L(
1
, x
n
)
=

n
0
e
0
P
n
i=1
x
i
n
1
e
1
P
n
i=1
x
i
=
_
1
_
n
e
(
0
1
)
P
n
i=1
x
i
.
Poiche nel nostro test
0

1
< 0, il rapporto di verosimiglianze è funzione crescente di

n
i=1
x
i
,
la regione di riuto è
R =
_
x
n
X
n
:
L(
0
, x
n
)
L(
1
, x
n
)
k
_
=
_
x
n
X
n
:
n
i=1
x
i
k
_
.
Dobbiamo calcolare P(R| = 1) avendo ssato k =
2
3
e supponendo che n = 36. Ricordando che
n
i=1
X
i
Gamma( = , = n) (e quindi sotto lipotesi nulla
n
i=1
X
i
Gamma( = 1, = 36))
abbiamo
P(R| = 1) = P(
n
i=1
x
i

2
3
| = 1) = F
Gamma(1,36)
(
2
3
) = 6.43 10
49
0
Utilizzando lapprossimazione normale alla distribuzione di

X (con valore atteso E(X) = 1/ e
varianza
V (X)
n
=
1
n
2
, abbiamo
P(R| = 1) = P(
n
i=1
X
i

2
3
| = 1) = P(

X
2
3 36
| = 1)
= P(

X 1
_
1/36

2
108
1
_
1/36
) = P(Z 5.89) 0.
Esercizio 10. a) Lintervallo di condenza (basato sulla quantità pivotale

X
n
S
n
/
n
) al livello 1 è
x t
1/2;n1
S
n
n
x +t
1/2;n1
S
n
n
.
66
Per = 0.2 e n = 10, si ha t
1/2;n1
= 1.38 e quindi lintervallo diventa (con i dati osservati)
[9.20, 9.35].
b) Ricordiamo brevemente di seguito le regioni critiche dei test con ipotesi nulla semplice (sulla
media), e ipotesi alternativa unilaterale, sia nel caso di varianza nota che incognita.
Varianza nota: H
0
: =
0
contro H
1
: >
0
(vale anche se H
0
:
0
)
R =
_
x X
n
:
x
0
/
n
z
1
_
.
H
0
: =
0
contro H
1
: <
0
(vale anche se H
0
:
0
)
R =
_
x X
n
:
x
0
/
n
z
_
.
Varianza ignota: H
0
: =
0
contro H
1
: >
0
(vale anche se H
0
:
0
)
R =
_
x X
n
:
x
0
s
n
/
n
t
1;n1
_
.
H
0
: =
0
contro H
1
: <
0
(vale anche se H
0
:
0
)
R =
_
x X
n
:
x
0
s
n
/
n
t
;n1
_
.
Il test che ci interessa in questo esercizio è il quarto. Con n = 10 e = 0.01, quindi la soglia è
t
0.01;9
= 2.82;
x
0
S
n
/
n
=
9.28 10.5
0.1619/
10
= 23.82
che fa riutare decisamente lipotesi nulla.
In questo caso il p-value è P(t
9
< 23.82) 0.
Esercizio 11. Lintervallo di condenza (basato sulla quantità pivotale

X
n
S
n
/
n
) al livello 1 è
X
n
t
1/2;n1
S
n
n

X
n
+t
1/2;n1
S
n
n
.
Per = 0.05 e n = 20, si ha t
0.975;19
= 2.093 e quindi lintervallo diventa (con i dati osservati)
[3.130, 3.330].
Il test è del terzo tipo tra quelli elencati allesercizio precedente, quindi la regione critica è
R =
_
x
n
X
n
:
x
0
S
n
/
n
t
1;n1
_
.
Per n = 20 e = 0.05 la soglia è t
0.95;19
= 1.73; la statistica test
3.23 3.14
0.214/
20
= 1.88 è pi` u grande
della soglia e quindi si riuta lipotesi nulla.
Per n = 20 e = 0.025 la soglia è t
0.975;19
= 2.09; la statistica test
3.23 3.14
0.214/
20
= 1.88 è pi` u piccola
della soglia e quindi si accetta lipotesi nulla.
Il p-value è uguale a P(t
19
> 1.881) = 0.037 < 0.05.
67
Esercizio 12. La funzione di verosimiglianza è
L(,
2
; x
n
) = (
2
)
n
2
e
1
2
2
P
n
i=1
(x
i
)
2
.
Se =
0
, la verosimiglianza ha massimo se
2
= s
2
0
=
1
n
n
i=1
(x
i

0
)
2
, quindi al numeratore
avremo sup
=
0
,
2
>0
L(,
2
; x
n
) = L(
0
, s
2
0
; x
n
).
Sappiamo che la verosimiglianza è massima per ( = x,
2
= s
2
) (dove s
2
è la varianza cam-
pionaria non corretta), quindi al denominatore metteremo sup
R,
2
>0
L(,
2
; x
n
) = L( x, s
2
; x
n
).
Ricordando che s
2
0
= s
2
+ ( x )
2
, il rapporto delle massime verosimiglianze è
sup
=
0
,
2
>0
L(,
2
; x
n
)
sup
R,
2
>0
L(,
2
; x
n
)
=
L(
0
, s
2
0
; x
n
)
L( x, s
2
; x
n
)
=
s
2
0
n
2
e
1
2s
2
0
P
n
i=1
(x
i
0
)
2
s
2
n
2
e
1
2s
2
P
n
i=1
(x
i
x)
2
=
s
2
0
n
2
e
n
2
s
2
n
2
e
n
2
=
_
s
2
0
s
2
_
n
2
=
_
1 +
( x )
2
s
2
_
n
2
che è funzione decrescente di
_
x
s
_
2
. La regione critica quindi sarà del tipo
R =
_
x
n
X
n
:
_
x
s
_
2
k
_
=
_
x
n
X
n
:
x
s

k oppure
x
s

k
_
.
Per trovare le soglie
k usiamo la condizione sulla probabilità di errore di prima specie Pr(R|H

0
) =
. Non conosciamo la distribuzione di

X
S
n
, però sappiamo che

X
S
n
/
n
t
n1
. Poichè

X
S
n
=
X
S
n
/
n

1
n1
, la regione critica può essere espressa in termini di
x
S
n
/
n
:
R =
_
x
n
X
n
:
x
n
s/
n
k
oppure
x
n
s/
n
k
_
(dove k
n 1). Per la condizione Pr(R|H

0
) = , k
non può che essere t

1/2;n1
e quindi
la regione di riuto
R =
_
x
n
X
n
:
x
s/
n
t
1/2;n1
oppure
x
n
s/
n
t
1/2;n1
_
.
Con i dati dellesercizio,
x
s
n
/
n
= 1.88, mentre la soglia t
0.975;19
= 2.093. Quindi accettiamo lipotesi
nulla per = 0.05.
Esercizio 13.
a) Segue dal teorema centrale di convergenza, osservando che X
1
, . . . , X
n
... sono i.i.d. e che:
E(

X
n
) = , V (

X
n
) = /n.
b) 1 = P(x
n
R| =
1
) = P(

X
n
< 5.5| = 5) P(Z < (5.5 5)/
_
5/25) = (1.12) = 0.87.
c) Posto y =

n
i=1
x
i
, si ha che (x
n
) = e
n(
0
1
)
(
0
/
1
)
y
. Poichè
0
>
1
, è una funzione
monotona di y e quindi, per larbitrarietà di k, si ha: A = {x
n
X
n
: y > k}.
Esercizio 14.
a) Si ha che:
L(X
n
) = U
n
(X
n
) L
n
(X
n
) = (
1
1/n
1)X
(n)
=
1
1/n
1/n
X
(n)
.
Pertanto, per la linearità del valore atteso,
E[L(X
n
)] =
1
1/n
1/n
E[X
(n)
] =
1
1/n
1/n
n + 1
n
.
68
b) Per x
10
= 10 si ha: IC(x
(n)
) = (10,
10
(0.05)
1/10
) = (10, 13.7).
Esercizio 15.
a) Segue dal teorema centrale di convergenza, osservando che X
1
, . . . , X
n
... sono i.i.d. e che:
E(
n
i=1
X
i
) = n, V (
n
i=1
X
i
) = n(1 ).
b)
= P(
n
i=1
X
i
< k| =
0
) P(Z <
k n
0
_
n
0
(1
0
)
)

_
60 72
36
_
= (2) = 0.02.
Analogamente,
1 = P(
n
i=1
X
i
< k| =
1
) P(Z <
k n
1
_
n
1
(1
1
)
)

_
60 144(0.35)
_
144(0.35)(1 0.35)
_
= 0.953.
Pertanto: = 0.047.
c) Sia y =
n
i=1
x
i
. Il rapporto delle verosimiglianze è: (x
n
) =
_
1
_
y
_
1
0
1
1
_
ny
. Tale funzione è
monotona in y. Pertanto: (x
n
) < k

n
i=1
x
i
< k
.
Esercizio 16.
Per lindipendenza e la normalità dei due campioni casuali, si ha che la v.a.

X
n
1

X
n
2

N(
1
2
,

2
1
n
1
+

2
2
n
2
). Da quanto scritto discende che

X
n
1

X
n
2
(
1
2
)
r
2
1
n
1
+
2
2
n
2
è una quantità pivotale per
il parametro
1
2
. Pertanto
_
_
X
n
1

X
n
2
z
1
2
1
n
1
+

2
2
n
2
,

X
n
1

X
n
2
+z
1
2
1
n
1
+

2
2
n
2
_
_
è un intervallo di condenza al livello 1 per il parametro considerato. Sostituendo i valori
campionari si ottiene: (12.56, 0.55). Poichè tale intervallo contiene lo zero, al livello di condenza
considerato non possiamo escludere che
1
e
2
siano uguali.
Esercizio 17.
a) Si ha che
E[L(X
n
)] = U
n
(X
n
) L
n
(X
n
) = 2
n
i=1
X
i
_
1
2
1
2
;2n
2
;2n
_
= c

X
n
,
con c = 2n
_
1
2
1
2
;2n
2
;2n
_
. Quindi:
E[L(X
n
)] = c, V [L(X
n
)] = c
2
2
n
.
b) Per il campione osservato, si ha (utilizzando le tavole della v.a.
2
): IC(x
n
) = (
21740
34.170
,
21740
9.591
) =
(101.84, 322.84).
Esercizio 18. Vedere soluzione esercizio 10 b).
69
a) Qui si ha: t
n1;1
2
= t
19;0.975
= 2.09. Per il campione assegnato, la statistica test assume il
valore t
oss
=
x
n
0
s/
n
=
353.8350
21.85/
20
= 0.78. Si accetta pertanto H
0
.
b) Il p-value è qui uguale a 2 P(t
n1
> |t
oss
|) = 2[1 T
n1
(|t
oss
|)] = 2[1 T
19
(t
oss
)] = 0.445, dove
T
n1
indica qui la funzione di ripartizione di una v.a. t di Student con n 1 gradi di libertà. Il
p-value è elevato: i dati a disposizione forniscono una evidenza forte a favore di H
0
.
Esercizio 19.
a) IC risulta:

X
n
z
1/2
/
n. Per il campione osservato e per l considerato si ha: [169.9, 185.1].

b) R = {x
n
:

n( x
n
)/ = t
oss
> z
1/2
}. In questo caso t
oss
= (177.5 175)/
_
300/20 =
0.645 < 1.644 = z
0.95
. Si accetta quindi H
0
.
c) Il p-value è P{Z > t
oss
= 0.645} = 1 (0.645) = 0.259. E un valore elevato che indica una
evidenza sostanziale a favore dellipotesi nulla.
Esercizio 20. La semilunghezza dellIC è = z
1/2
n
. Si ha che > 200 n >
_
z
1/2
200
_
2
=
_
2.57
900
200
_
2
, da cui si ottiene che n
= 134.
Esercizio 21. La funzione di potenza è () = P(

X
n
0
/
n
> z
1
) = P(

X
n
> z
1
n
+
0
). In
generale,

X
n
N(,

n
). Pertanto, () = P(Z >
n(
0
)
+z
1
) = 1 (
n(
0
)
+z
1
). Si
ha in questo caso che (178) = 1 (
20
(175178)
300
+ 1.644) = 0.19.
Esercizio 22.
a) Il test è del tipo:
H
0
: <
0
= 5, H
1
: >
0
= 5,
da cui,
R = {x
n
: T(x
n
) > z
1
}; = 0.01, z
0.99
= 2.32
T(x
n
) =
x
n
0
/
n
=
5.5 5
2/4
=
0.5
1/2
= 1 < z
1
= 2.32.
Si accetta quindi H
0
.
b) Il valore-p si ottiene calcolando:
Pr{T(X
n
) > 1| =
0
} = 1 (1) = 1 0.84 = 0.16.
Esercizio 23.
a) Per lequivariana SMV:
g() = g(
) = e

X
b) Per il Delta method:
g() N
_
g(), [g
()]
2
I
1
()
_
.
Dato che
I() =
n
, g
() = e
, [g
()]
2
= e
2
,
si ha
g() N
_
e
, e
2

n
_
c)
V [

g()] e
2

X

X
n
70
d)
IC
(1)
(X) g(
) z
1
2
_

V [

g()] = e
x
1.96e
2 x
_
x
n
.
Dato che x = 2.8, lintervallo è: IC = (0.058, 0.063).
Esercizio 24.
a) Per i noti risultati sulle statistiche medie campionarie per popolazioni normali, si ha che
X
A
n
A

X
B
n
B
N
_
B
, 2
2
n
_
.
Si ottiene cos` la seguente quantità pivotale :
X
A
n
A

X
B
n
B

_
2
n
N(0, 1).
Lintervallo di condenza per è quindi:
[X
A
n
A

X
B
n
B
z
1
_
2
n
, X
A
n
A

X
B
n
B
+z
1
_
2
n
],
dove z
1
2
indica il percentile di livello 1

2
della v.a. N(0, 1). Assumendo 1 = 0.95 si
ha z
0.975
= 1.96. Poiche x
A
n
A
= 1.22 e x
B
n
B
= 1.44, si ottiene che lintervallo osservato risulta
essere [0.59, 0.15]. Dal momento che tale intervallo include lo zero (valore che indica lugua-
glianza dei due parametri
A
e
B
), sulla base dei dati disponibili non possiamo concludere
che il confezionamento determini una dierenza statisticamente signicativa nei ricavi.
b) Si può rispondere al quesito in due modi.
I modo. Lintervallo di condenza osservato contiene tutti i valori che corrispondono a ipotesi
nulle accettate dal test bilaterale di livello , condotto con i dati a disposizione. In altre
parole, se lintervallo di condenza di livello 1 osservato contiene lo zero, lipotesi nulla
= 0 contro lalternativa = 0 viene accettata nel test di livello condotto con gli stessi
dati che si sono usati per determinare lintervallo. (IMPORTANTE: notare la corrsipondenza
tra livello di condenza (1 ) e livello del test ()).
II modo. Il valore osservato della statistica test per il confronto tra unipotesi nulla semplice
e unipotesi alternativa bilaterale è
(x
A
n
A
x
B
n
B
) 0
_
2
n
=
0.22
_
(0.16 2)/9
= 1.17 < 1.96 = z
1
2
.
Si accetta pertanto H
0
.
Esercizio 25.
a) La funzione di verosimiglianza per il modello di Poisson è
L(; x
n
) = e
n
P
n
i=1
x
i
,
da cui si ottiene il rapporto delle verosimiglianze
(x
n
) = e
n(
0
1
)
_
1
_
P
n
i=1
x
i
.
71
Per il Lemma di Neyman e Pearson, osservando che è funzione crescente di

n
i=1
x
i
(dal
momento che
0
= 2 > 1 =
1
), si ha che
R =
_
x
n
: (x
n
) k
_
= {x
n
: x
n
k} .
Per n = 3 si ottiene quanto cercato.
b) Osserviamo innanzitutto che Y
3
= X
1
+X
2
+X
3
Poisson(3). Per denizione, = P{R; =
0
} e 1 = P{R; =
1
}. Assumendo k = 1, si ha
= P{Y
3
1; = 2} = P{Y
3
= 0; = 2} +P{Y
3
= 1; = 2} = e
6
+ 6e
6
= 0.017,
1 = P{Y
3
1; = 1} = P{Y
3
= 0; = 1} +P{Y
3
= 1; = 1} = e
3
+ 3e
3
= 0.2.
In questo problema la distribuzione della statistica test è nota, e non è quindi necessario
ricorrere alla distribuzione asintotica che, per n sucientemente elevato, risulta N(n, n).
Si noti inoltre che, in questo caso, essendo n = 3 molto piccolo, i valori che si ottengono
utilizzando lapprossimazione normale sono piuttosto imprecisi. Infatti

_
1 n
0
n
0
_
= (5/
6) = 0.0207,
1
_
1 n
1
n
1
_
= (2/
3) = 0.124.
Esercizio 26.
a) Per la proprietà di equivarianza degli stimatori di MV si ha
g() = g(
MV
) = ln

X
n
(1

X
n
).
b) Per il Delta Method (le cui condizioni di applicabilità sono qui soddisfatte) si ha che V
g()]
[g
()]
2
I
n
()
1
, dove, nel problema qui considerato, g
() =
d
d
ln (1 ) =
12
(1)
e I
n
() =
n
(1)
è linformazione attesa di Fisher per il modello bernoulliano. Si ha quindi che
V
[ln

X
n
(1

X
n
)]
(1 2)
2
n(1 )
.
Inoltre, ricordando che linformazione osservata risulta I
oss
n
(x
n
) =
d
d
lnL(; x
n
)|
=
MV
=
n
x
n
(1 x
n
)
, si ha
g()] [g
MV
)]
2
[I
oss
n
(x
n
)]
1
=
(1 2

X
n
)
2
n

X
n
(1

X
n
)
.
c) Per il Delta Method si ha che

g() ha distribuzione approssimativamente
N
_
g(), [g
()]
2
I
n
()
1
,
_
da cui si ottiene lintervallo di condenza di livello 1 approssimato
g() z
1
2
_
[g
MV
)]
2
[I
oss
n
(x
n
)]
1
In questo esercizio si ha quindi che
ln

X
n
(1

X
n
) N
_
ln(1 ),
|1 2|
_
n(1 )
_
72
e che lintervallo approssimato è
ln

X
n
(1

X
n
) z
1
2
|1 2 x
n
|
_
n x
n
(1 x
n
)
.
Per i dati a disposizione si ottiene quindi:
ln(0.6 0.4) 1.96
0.2
100 0.6 0.4

,
da cui si ottiene lintervallo [1.51, 1.35].
Esercizio 27.
1. Per il test di Neyman-Pearson, la regione di accettazione è: RA = {x X
n
: (x) > k}, dove
(x) = f
n
(x; =
0
)/f
n
(x; =
1
) = L
x
(
0
)/L
x
(
1
), e dove k è tale che P(X RR|H
o
) = , con
ssato. Dato che
(x) =

n
0
_
(1 x
i
)
0
1
n
1
_
(1 x
i
)
1
1
=
_
1
_
n
_
n
i=1
(1 x
i
)
_
1
si ha che (x) > k quando:
n(log
0
log
1
) + (
0
1
)
n
i=1
log(1 x
i
) > log k e, dato che
0
1
< 0, si ottiene
n
i=1
log(1 x
i
) <
log kn(log
0
log
1
)
1
, da cui:
n
P
n
i=1
log(1x
i
)
>
n(
0
1
)
log kn(log
0
log
1
)
.
Quindi RA = {X X
n
:

MLE
< K}, con K =
n(
0
1
)
log kn(log
0
log
1
)
.
2.

MLE
N(, I
1
()), dove I() = nE
_
2
log f
X
(x; )
è linformazione attesa di Fisher. Dato

che log f
X
(x; ) = log + ( 1) log(1 x) e

2
2
log f
X
(x; ) =
2
, si ottiene che I
1
() =

2
n
e
quindi

MLE
N(,

2
n
).
3. Lintervallo di condenza approssimato di livello 1 si ottiene utilizzando la distribuzione
asintotica di

MLE
dove il valore di nellespressione della varianza è sostituito da

MLE
. Nel caso
di distribuzione campionaria N(, V
2
), per uno stimatore T(X), lintervallo di condenza è dato
da:
IC = (T(x
oss
) z
1/2
V , T(x
oss
) +z
1/2
V ).
In questo caso T(X) =

MLE
con distribuzione campionaria asintotica è N(,

2
MLE
/n) ed il valore
di z
/2
= z
.9
= 1.28. Quindi lintervallo di condenza approssimato è:
IC
_
MLE
z
.9
(
MLE
/
n) ,

MLE
z
.9
(
MLE
/
n)
_
=
_
1.51.28(0.1) , 1.5+1.28(0.1)
_
= (1.372 , 1.628).
4. Il valore approssimato della potenza del test è:
1 = P(RR;
1
) = P(
MLE
> K;
1
) = P
_
MLE
MLE
/
n
>
K
1
MLE
/
n
_
P
_
Z >
1.464 1.6
0.1
_
= P(Z > 1.36) = 1 (1.36) = 0.913.
Esercizio 28.
1.

MLE
N(, I
1
()), dove I() = nE
_
2
log f
X
(x; )
_
è linformazione attesa di Fisher.
Dato che
log f
X
(x; ) = log( + 2) + ( + 1) log x , e che

2
2
log f
X
(x; ) =
1
( + 2)
2
,
73
si ha I() =
n
( + 2)
2
, quindi

MLE
N
_
,
( + 2)
2
n
_
.
Parte facoltativa. No, non è necessario. Perchè lapprossimazione campionaria asintotica dello
stimatore di massima verosimiglianza non dipende dalla sua espressione matematica. Dipende solo
dallespressione matematica dellinformazione attesa di Fisher, il cui inverso è la varianza asintotica.
2. Per costruire un intervallo di condenza approssimato per

MLE
si deve usare la distribuzio-
ne campionaria asintotica ottenuta al punto precedente, dove il valore di nellespressione della
varianza è sostituito da

MLE
.
Lintervallo è dato da
IC
(1)
=
_
z
1
+ 2
n
_
=
_
1.6 1.96
3.6
12
_
= (1.6 0.588) = (1.012 , 2.188)
3. Dato che, come al punto 2, la distribuzione campionaria asintotica di

è:

N
_
,
(
+ 2)
2
n
_
,
si ha:
P{RR| =
0
} = P{
< k| =
0
} = P
_

0
(
+ 2)/
n
<
k
0
(
+ 2)/
n
_

_
k
0
(
+ 2)/
n
_
= .
Da cui si ottiene che
k
0
(
+ 2)/
n
= z
e k = z
+ 2
n
+
0
4. Dato che

= 1.6 e che z
= z
0.05
= 1.64, si ottiene che k = 1.64
3.6
12
+1.5 = 1.64(.3)+1.5 =
0.49 + 1.5 = 1.01 si ha dunque che

= 1.6 > k = 1.01, il valore di

non appartiene alla regione
di riuto e si accetta H
0
.
Esercizio 29.
1. Dalla ben nota formula della varianza congiunta
2
P
(pooled variance)

2
P
=
s
2
x
(n
x
1) +s
2
y
(n
y
1)
n
x
+n
y
2
si ottiene numericamente
2
P
= 0.78
> (0.94^2*(229-1)+0.83^2*(243-1))/(229+243-2)
[1] 0.7833502
2. Per la stima puntuale si ottiene immediatamente che
=

X

Y = x y = 2.14 4.29 = 2.15
Ricordando che per determinare la stima per intervallo per il parametro =
x

y
si
utilizza la statistica pivotale
X

Y
_
_
1
n
x
+
1
n
y
_

2
P
T
n
x
+n
y
2
74
e che la distribuzione T di Student, per valori elevati dei gradi di libertà è ben approssimata
da una distribuzione normale
Pr
_
_
z
1
X

Y
_
_
1
n
x
+
1
n
y
_

2
P
z
1
2
_
_
da cui si ricava
_
X

Y z
1
_
1
n
x
+
1
n
y
_

2
P
,

X

Y +z
1
_
1
n
x
+
1
n
y
_

2
P
_
e quindi per i valori campionari osservati
_
inf
,

sup
_
= [1.99, 2.31]
> (2.14-4.29)+1.96*sqrt(0.78*(1/229+1/243))
[1] -1.990576
> (2.14-4.29)-1.96*sqrt(0.78*(1/229+1/243))
[1] -2.309424
3. Per rispondere al quesito ricorriamo ad una procedura formale di verica di ipotesi del sistema
_
H
0
: = 0
H
1
: < 0
Per la costruzione della regione di riuto, ci si ada alla statistica test
T(X
1
, ..., X
n
x
, Y
1
, ...Y
n
y
) =

X

Y
_
_
1
n
x
+
1
n
y
_

2
P
di cui è noto che, quando = 0 (ovvero sotto H
0
), si distribuisce come una distribuzione di
tipo T di Student e precisamente T
n
x
+n
y
2
. La regione di riuto è data da
R =
_
(X
1
, ..., X
n
x
, Y
1
, ...Y
n
y
) : T(X
1
, ..., X
n
x
, Y
1
, ...Y
n
y
) < t
n
x
+n
y
2,
_
Dal momento che n
x
+ n
y
2 = 470 > 100 la distribuzione T di Student n
x
+ n
y
2 con
gradi di libertà è molto ben approssimata da una distribuzione normale standard Z N(0, 1)
considereremo i seguenti quantili t
n
x
+n
y
2,
= z
= 1.64. Dal campione osservato si ha

> t.oss=(2.14-4.29)/sqrt(0.78*(1/229+1/243))
> t.oss
[1] -26.43267
per cui T = t
oss
= 26.43267 < 1.64 e dunque, ad un livello di signicatività = 0.05,
concludiamo in favore dellipotesi alternativa che il punteggio medio del primo docente è
inferiore a quello del secondo.
4. Da quanto già argomentato è evidente che lelevata numerosità campionaria e il teorema
centrale del limite consentono di utilizzare la distribuzione normale come approssimazione
della distribuzione delle media campionarie

X e

Y e dunque è possibile utilizzare la stessa
quantità pivotale e la stessa statistica test con gli stessi quantili anche in assenza di esplicita
ipotesi di normalità delle singole osservazioni campionarie.
75
Esercizio 30.
1.
E[X] =
_

0
x
3
3
x
2
dx =
3
3
_
x
4
4
_
0
=
3
4
E[X
2
] =
_

0
x
2
3
3
x
2
dx =
3
3
_
x
5
5
_
0
=
3
5
2
V[X] = E[X
2
] (E[X])
2
=
3
5
_
3
4
_
2
=
3
80
2
X
n
= E[X]

X
n
=
3
4

M
=
4
3

X
n
.
2.
Si verica facilmente che lo stimatore dei momenti è non distorto, quindi lerrore quadratico
MSE(
M
) = V(
M
) = V(
4
3

X
n
) =
16
9
V(X)
n
=
16
9
1
n
3
80
2
=

2
15n
Poiche lerrore quadratico medio tende a 0 per n possiamo concludere che lo stimatore
dei momenti è consistente.
3.
Ricordando che

X
n
N
_
E[X],
V[X]
n
_
M
=
4
3

X
n
N
_
4
3
E[X],
16
9
V[X]
n
_
N
_
,

2
15n
_
Assumendo come stima della varianza

2
M
15n
, possiamo trovare lintervallo di condenza asintotico
per :
IC
1
() =

M
z1
2
2
M
15n
=
4
3

X
n
z1
2
(
4
3
X
n
)
2
15n
4.
La stima dei momenti è
M
=
4
3
x
n
=
4
3
n
i=1
x
i
n
=
4
3
3
2
1
36
=
1
18
= 0.056
e lintervallo di condenza asintotico a livello 0.95:
IC
1
() =
1
18
1.96
_
(1/18)
2
15 36
= [0.051; 0.06]
Esercizio 31.
1.
Applicando il Lemma di Neyman-Pearson, la regione di accettazione sarà del tipo
A = {x X
n
:
L(
0
; x)
L(
1
; x)
c}.
76
Per il modello considerato la verosimiglianza risulta essere
L(; x) =
n
i=1
_
2
x
i
e
x
i
_

2n
exp
_
i=1
x
i
_
e quindi si ha:
L(
0
; x)
L(
1
; x)
=

2n
0
exp {
0
n
i=1
x
i
}
2n
1
exp {
1
n
i=1
x
i
}
=
_
1
_
2n
exp
_
(
0
1
)
n
i=1
x
i
_
.
Dal momento che (
0
1
) < 0 il rapporto delle verosimiglianze è funzione decrescente di
n
i=1
x
i
(o equivalentemente di x
n
) e dunque possiamo concludere che la regione di accettazione è del tipo
A = {x X
n
:
n
i=1
x
i
< k
} = {x X
n
: x
n
< k}
2.
X
n
N
_
E[X],
V[X]
n
_
N
_
2
,
2
n
2
_
3.
Fissando e utilizzando la regione di accettazione di cui al punto 1 si ha
= P(X R = A
c
|H
0
) = P(

X
n
> k| =
0
).
Sotto H
0
vale la distribuzione asintotica di cui al punto 2, e standardizzando si ha:
= P
_
_
X
n
0
_
2
n
2
0
>
k
2
0
_
2
n
2
0
_
_
= 1 P
_
_
Z <
k
2
0
_
2
n
2
0
_
_
1 =
_
_
k
2
0
_
2
n
2
0
_
_
Applicando la funzione inversa alla funzione di ripartizione si ottiene:
k
2
0
_
2
n
2
0
= z
1
da cui si ricava
k
=
2
0
+z
1
2
n
2
0
.
Per = 0.05,
0
= 2 e n = 25, si ha
k
= 1 + 1.64
_
2
25 4
= 1.23.
4. La potenza, in corrispondenza dellipotesi alternativa semplice
1
= 1, risulta essere
1 = P(X R = A
c
|H
1
) = P(

X
n
> k
| =
1
) = 1
_
_
1.23
2
1
_
2
25
_
_
= 1 (2.72) = 0.997
5. Poiche il valore osservato della media campionaria x
25
= 1 < k
= 1.23 cade nella regione

di accettazione, non si può riutare lipotesi nulla a livello = 0.05.
77
Esercizio 32.
1.
E[X] =
_

0
x
1
2
x
dx =
1
2
1
2
_
x
3
2
3
2
_
0
=

3
E[X
2
] =
_

0
x
2
1
2
x
dx =
1
2
1
2
_
x
5
2
5
2
_
0
=

2
5
V[X] = E[X
2
] (E[X])
2
=

2
5

_
3
_
2
=
4
45
2
X
n
= E[X]

X
n
=

3

M
= 3

X
n
2. Si verica facilmente che lo stimatore dei momenti è non distorto, quindi lerrore quadratico
MSE(
M
) = V(
M
) = V(3

X
n
) = 9
V(X)
n
= 9
4
45
1
n
2
=
4
2
5n
Poiche lerrore quadratico medio tende a 0 per n possiamo concludere che lo stimatore dei
momenti è consistente.
3. Ricordando che

X
n
N
_
E[X],
V[X]
n
_
M
= 3

X
n
N
_
3E[X], 9
V[X]
n
_
N
_
,
4
2
5n
_
Assumendo come stima della varianza
4
2
M
5n
, possiamo trovare lintervallo di condenza asintotico
per :
IC
1
() =

M
z1
2
2
M
5n
= 3

X
n
z1
2
_
4(3

X
n
)
2
5n
=
4. La stima dei momenti
M
= 3 x
n
= 3
n
i=1
x
i
n
= 3
1
3
1
36
=
1
36
= 0.028
e lintervallo di condenza asintotico a livello 0.95:
IC
1
() =
1
36
1.96
_
4
(1/36)
2
5 36
= [0.0197; 0.0359]
Esercizio 33.
1. Applicando il Lemma di Neyman-Pearson, la regione di accettazione sarà del tipo
A = {x X
n
:
L(
0
; x)
L(
1
; x)
c}.
Per il modello considerato la verosimiglianza risulta essere
78
L(; x) =
n
i=1
_
e
x
i
_

n
exp
_
i=1
x
i
_
e quindi si ha:
L(
0
; x)
L(
1
; x)
=

n
0
exp {
0
n
i=1
x
i
}
n
1
exp {
1
n
i=1
x
i
}
=
_
1
_
n
exp
_
(
0
1
)
n
i=1
x
i
_
.
Dal momento che (
0
1
) < 0 il rapporto delle verosimiglianze è funzione decrescente di
n
i=1
x
i
(o equivalentemente di x
n
) e dunque possiamo concludere che la regione di accettazione è del tipo
A = {x X
n
:
n
i=1
x
i
< k
} = {x X
n
: x
n
< k}
2.
X
n
N
_
E[X],
V[X]
n
_
N
_
1
,
1
n
2
_
3. Fissando e utilizzando la regione di accettazione di cui al punto 1 si ha
= P(X R = A
c
|H
0
) = P(

X
n
> k| =
0
).
Sotto H
0
vale la distribuzione asintotica di cui al punto 2, e standardizzando si ha:
= P
_
_
X
n
0
_
1
n
2
0
>
k
1
0
_
1
n
2
0
_
_
= 1 P
_
_
Z <
k
1
0
_
1
n
2
0
_
_
1 =
_
_
k
1
0
_
1
n
2
0
_
_
Applicando la funzione inversa alla funzione di ripartizione si ottiene:
k
1
0
_
1
n
2
0
= z
1
da cui si ricava
k
=
1
0
+z
1
1
n
2
0
.
Per = 0.05,
0
= 2 e n = 25, si ha
k
=
1
2
+ 1.64
_
1
25 4
= 0.664.
4. La potenza, in corrispondenza dellipotesi alternativa semplice
1
= 1, risulta essere
1 = P(X R = A
c
|H
1
) = P(

X
n
> k
| =
1
) = 1
_
_
0.664 1
_
1
25
_
_
= 1 (1.68) = 0.9535
5. Poiche il valore osservato della media campionaria x
25
= 1.5 > k
= 0.664 cade nella regione

di riuto, si riuta lipotesi nulla a livello = 0.05.
Esercizio 34.
79
1. Lo stimatore è non distorto in quanto, per le proprietà del valore atteso, si ha:
E[T] =
E[

X
1
] +E[

X
2
]
2
=

1
+
2
2
= , R.
Dallipotesi di indipendenza dei due campioni discende che
V
_

X
1
+

X
2
2
_
=
1
4
(V[

X
1
] +V[

X
2
]) =
1
4
_
1
n
1
+
1
n
2
_
.
Pertanto, essendo T uno stimatore non distorto di , si ha che
MSE[T] = V[T] =
1
4
_
1
n
1
+
1
n
2
_
.
Lo stimatore è consistente poichè, al divergere di n
1
e n
2
, MSE[T] 0, R.
2. Per le proprietà delle medie campionarie nei modelli normali, si ha che
X
i
|
i
N
_
i
,
1
ni
_
, i = 1, 2.
Ricordando che una combinazione lineare di v.a. normali ha distribuzione normale, abbiamo
che:
X
1
+

X
2
2
N
_
,
1
4
_
1
n
1
+
1
n
2
__
.
3. Per la normalità dello stimatore

X
1
+

X
2
2
si ha che, per (0, 1),
1 = P
_
_
_
_
z
1
2
<
X
1
+

X
2
2

_
1
4
_
1
n
1
+
1
n
2
_
< z
1
2
_
_
_
_
,
dove z
1
2
è il percentile di livello 1

2
della v.a. N(0, 1). Con gli usuali passaggi si può
quindi facilmente vericare che lintervallo aleatorio
_

X
1
+

X
2
2
z
1
2
1
2
_
n
1
+n
2
n
1
n
2
,
X
1
+

X
2
2
+z
1
2
1
2
_
n
1
+n
2
n
1
n
2
_
,
è un intervallo di condenza di livello 1 per . Per = 0.05 si ha inoltre che z
1
2
=
z
0.975
= qnorm(0.975) = 1.96. Lintervallo osservato risulta essere:
_
2 + 3
2
1.96
1
2
_
2
10
,
2 + 3
2
+ 1.96
1
2
_
2
10
_
= (2.19, 2.80).
Esercizio 35.
1. Per le propr. di valore atteso e varianza e dal suggerimento dato, si ha che:
E[X
(n)
] =
n
n + 1
, V[X
(n)
] =
n
(n + 1)
2
(n + 2)
2
.
Si ha quindi che, (0, 1):
E[T
1
] = ;
80
V[T
1
] = MSE[T
1
] =

2
n(n+2)
;
E[T
2
] =
n(n+2)
(n+1)
2
;
V[T
2
] =
n(n+2)
(n+1)
4
2
;
MSE[T
2
] = (E[T
2
] )
2
+V[T
2
] = . . . =

2
(n+1)
2
.
Pertanto:
T
1
è stimatore non distorto di e funzione di statistica suciente e completa, X
(n)
. Si
tratta quindi dello stimatore non distorto di minima varianza (UMVUE).
T
1
è consistente in errore quadratico medio, dal momento che, (0, 1),
lim
n+
MSE[T
1
] = lim
n+
2
n(n + 2)
= 0.
Lo stimatore T
2
è stimatore distorto di con distorsione negativa e pari a
B[T
2
] =

(n + 1)
2
.
Tuttavia lo stimatore risulta consistente (e dunque asintoticamente corretto), in quanto
(0, 1),
lim
n+
MSE[T
2
] = lim
n+
2
(n + 1)
2
= 0.
Lo stimatore T
2
1
poichè:
MSE[T
2
] < MSE[T
1
] (n + 1)
2
> n(n + 2) 1 > 0,
condizione che risulta essere ovviamente vericata per ogni valore di n e di .
Da quanto vericato si evince che, in base al criterio delle errore quadratico medio, lo stimatore
T
2
benchè distorto, è migliore dello stimatore non distorto T
1
(peraltro anche UMVUE).
2. Poichè il primo momento di X è
1
() = E[X] =

2
e il primo momento campionario è
m
1
(X
n
) =

X
n
, lequazione dei momenti(
1
() = m
1
(X
n
)) diventa:
2
=

X
n
,
da cui si ottiene lo stimatore dei momenti:
M
= 2

X
n
.
Per le proprietà della media campionaria ed il Dal momento che X
1
, . . . , X
n
sono v.a. i.i.d.
con valore atteso e varianza niti vale il teorema centrale di convergenza e si ha che

X
n
ha
distribuzione asintotica normale. Pertanto, osservando che
E[
M
] = E[2

X
n
] = , V[
M
] = V[2

X
n
] = 4V[

X
n
] = 4

2
12n
=

2
3n
,
possiamo aermare che, per un qualsiasi ,
M

_
V[
M
]
N(0, 1)
81
ovvero che
M
= 2

X
n
N
_
,

2
3n
_
.
Da quanto appena determinato discende che, per un qualsiasi (0, 1),
1 P
_
_
z
1
2
<
M

_
V[
M
]
< z
1
2
_
_
,
dove z
1
2
indica il percentile della v.a. N(0, 1). Pertanto, sostituendo a V[
M
] =

2
3n
il suo
stimatore,
V[
M
] =
2
M
3n
=
4

X
2
n
3n
,
lintervallo di condenza asintotico per è
M
z
1
2
_

V[
M
] ,
ovvero
2

X
n
z
1
2
2
3n
X
n
.
3. Sostituendo i valori indicati, si ottiene:
T
1
=
21
20
0.9, T
2
=
22
21
0.9,

M
= 2 0.4 = 0.8.
Poichè z
1
2
= z
0.95
= qnorm(0.95) = 1.65, lintervallo osservato risulta essere:
0.8 1.645
2 0.4
3 20
= (0.66, 0.94).
Si noti che il dato fornito relativamente alla varianza campionaria S
2
n
risulta inutile ai ni
della soluzione al quesito posto.
Esercizio 36.
1. La funzione di verosimiglianza di è
L() =
n
i=1
_
x
1
i
x
i
_

n
_
n
i=1
x
i
_
.
La funzione di log-verosimiglianza risulta quindi essere:
() = ln L() = c +nln +
n
i=1
lnx
i
.
Lequazione di log-verosimiglianza
() = 0
è quindi:
n
+
n
i=1
ln x
i
= 0,
da cui si ottiene
MV
=
n
n
i=1
ln x
i
.
(NB: si tratta proprio del punto di massimo in quanto
() = n
2
< 0, > 0).
82
2. La funzione di potenza, per denizione, è:
() = P[R; ] = P[X > 1/2; ] =
_
1
1/2
x
1
dx =
_
x
_
1
1/2
= 1
1
2
.
Si ha quindi che:
(2) = 1
1
2
2
= 1
1
4
=
3
4
.
83

Esercizi 2012

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Esercizi 2012

Caricato da

Copyright:

Formati disponibili

ESERCIZI DI INFERENZA STATISTICA

, si ha che E[Y ] = e che V [Y ] = 2)

107.64) = (1.88) = 0.03,

X < 104} = Pr{Z <

. Per linvarianza delle stime di MV

T(x) = x B() = 2 log .

c) Una statistica suciente `e data da T(x) =

che ha derivata prima data da:

si pu`o rapidamente concludere che, sfruttando la propriet`a di inva-

, che si azzera per 2 n + (1 )

. La funzione di log verosimiglianza

(X) (ci serviranno entrambi):

[W] = 2n. Poich`e T =

quindi lo stimatore di massima verosimiglianza `e

, quindi la stima di massima verosimiglianza sar`a

(X) = (1 ). Studiamo prima T

[X] discende che

) e lintervallo di verosiniglianza approssimato

g()], varianza asintotica di

indica il percentile di livello della distribuzione normale

10 = 22.08. Nel campione osservato

k usiamo la condizione sulla probabilit`a di errore di prima specie Pr(R|H

n 1). Per la condizione Pr(R|H

non pu`o che essere t

n. Per il campione osservato e per l considerato si ha: [169.9, 185.1].

100 0.6 0.4

`e linformazione attesa di Fisher. Dato

= 1.64. Dal campione osservato si ha

= 1.23 cade nella regione

= 0.664 cade nella regione

Potrebbero piacerti anche