Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Θ → R, si <strong>di</strong>ce stimatore <strong>di</strong> f(θ) una statistica che serve a stimare f(θ). Per in<strong>di</strong>care uno stimatore <strong>di</strong><br />
un parametro incognito θ si usa anche la notazione ̂θ. Quando alle variabili aleatorie che costituiscono<br />
il campione sostituiamo i valori osservati (ovvero effettuiamo un campionamento, che è rappresentato<br />
dalla scelta <strong>di</strong> un ω ∈ Ω), lo stimatore <strong>di</strong> un parametro incognito θ <strong>di</strong>venta una stima (<strong>di</strong> quel<br />
parametro incognito). Quin<strong>di</strong> uno stimatore è una variabile aleatoria, mentre le stime sono i valori<br />
che esso assume in seguito ai <strong>di</strong>versi campionamenti.<br />
Introduciamo ora alcune <strong>del</strong>le principali proprietà che uno stimatore può avere o meno. Se T =<br />
T (X 1 , ..., X n ) è uno stimatore <strong>di</strong> un parametro incognito θ,<br />
E θ (T (X 1 , ..., X n )) − θ è detta <strong>di</strong>storsione <strong>di</strong> T ,<br />
E θ [(T (X 1 , ..., X n ) − θ) 2 ] è detto<br />
errore quadratico me<strong>di</strong>o o rischio quadratico <strong>di</strong> T .<br />
(6.1)<br />
Si noti che queste due quantità sono funzioni <strong>di</strong> θ ∈ Θ; il campione aleatorio invece è fissato (sono<br />
fissate le variabili X 1 , ..., X n , non i loro valori!) .<br />
Uno stimatore T <strong>di</strong> θ è detto<br />
corretto (o non <strong>di</strong>storto) se E θ [T (X 1 , ..., X n )] = θ ∀n, ∀θ ∈ Θ,<br />
asintoticamente corretto se E θ [T (X 1 , ..., X n )] → θ per n → ∞, ∀θ ∈ Θ,<br />
consistente in me<strong>di</strong>a quadratica se E θ [(T (X 1 , ..., X n ) − θ) 2 ] → 0 per n → ∞, ∀θ ∈ Θ.<br />
(6.2)<br />
Si intende che ciascuna <strong>di</strong> queste con<strong>di</strong>zioni è richiesta per ogni campione (X 1 , ..., X n , ...).<br />
Errore Quadratico Me<strong>di</strong>o = Varianza + Distorsione 2 . Ponendo ¯T := E θ (T ) abbiamo<br />
E θ [(T − θ) 2 ] = E θ [({T − ¯T } + { ¯T − θ}) 2 ]<br />
= E θ [(T − ¯T ) 2 ] + E θ [( ¯T − θ) 2 ] + 2E θ [(T − ¯T )( ¯T − θ)]<br />
= Var θ (T ) + [E θ (T − θ)] 2 .<br />
(6.3)<br />
(La speranza <strong>del</strong> doppio prodotto si annulla perchè, dal momento che ¯T − θ non <strong>di</strong>pende da ω,<br />
Quin<strong>di</strong><br />
E θ [(T − ¯T )( ¯T − θ)] = E θ [(T − ¯T )] ( ¯T − θ) = 0.)<br />
errore quadratico me<strong>di</strong>o = varianza + <strong>di</strong>storsione 2 ,<br />
errore quadratico me<strong>di</strong>o = varianza,<br />
se lo stimatore è corretto.<br />
In generale uno stimatore corretto è preferibile ad uno <strong>di</strong>storto; tuttavia vi sono anche degli utili<br />
stimatori <strong>di</strong>storti. La minimizzazione <strong>del</strong>l’errore quadratico me<strong>di</strong>o è un buon criterio <strong>di</strong> scelta tra<br />
gli stimatori. Ad esempio, un’importante classe <strong>di</strong> stimatori è costituita da quelli che minimizzano<br />
l’errore quadratico me<strong>di</strong>o (ovvero la varianza ) tra tutti gli stimatori corretti. In altri termini, uno<br />
stimatore corretto T <strong>di</strong> θ appartiene a questa classe se solo se la sua varianza è minore <strong>di</strong> quella <strong>di</strong><br />
ogni altro stimatore corretto <strong>di</strong> θ.<br />
Metodo dei Momenti. Questo semplicemente consiste nell’utilizzare i momenti campionari per<br />
stimare certe quantità che <strong>di</strong>pendono dal parametro θ. Tipicamente questo si applica quando tali<br />
quantità sono proprio i momenti <strong>di</strong> una legge, che <strong>di</strong>pendono dal parametro θ. Più in generale, se θ è<br />
un vettore N <strong>di</strong>mensionale, si calcolano N momenti campionari, e li si pone uguali ai corrispondenti<br />
momenti <strong>del</strong>la legge, che appunto <strong>di</strong>pendono da θ. Si ottiene così un sistema <strong>di</strong> N equazioni in N<br />
incognite; la sua soluzione (se esiste) fornisce i parametri incogniti.<br />
Ad esempio, se X è una variabile aleatoria, la sua speranza E θ (X) (supposta finita) potrà essere<br />
convenientemente stimata dalla me<strong>di</strong>a campionaria ¯X n := 1 ∑<br />
n i X i, essendo {X 1 , .., X n } un campione<br />
aleatorio avente la stessa <strong>di</strong>stribuzione <strong>di</strong> X. Poiché E θ ( ¯X n ) := 1 ∑<br />
n i E θ(X i ) = E θ (X), questo<br />
stimatore è corretto.<br />
25<br />
(6.4)