CAP 3 – STIMA
Cap. 3 - Dipartimento di Statistica, Informatica, Applicazioni ...
Cap. 3 - Dipartimento di Statistica, Informatica, Applicazioni ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Corso di laurea magistrale in Statistica, Scienze Attuariali e Finanziarie<br />
INFERENZA STATISTICA (Note didattiche)<br />
Bruno Chiandotto Versione 2015<br />
3. Stima<br />
parla di inferenza statistica parametrica.<br />
In questo capitolo si tratterà, in modo quasi esclusivo, di stima parametrica<br />
limitatamente alla così detta impostazione classica dell’inferenza statistica, cioè,<br />
dell’inferenza statistica che tratta di procedure di induzione basate sulla sola evidenza<br />
campionaria (informazione oggettiva) a differenza dell’impostazione bayesiana che<br />
prevede, invece, l’utilizzo simultaneo di informazioni campionarie e di informazioni a<br />
priori che, nella generalità dei casi, hanno natura soggettiva.<br />
3.1 - Stima puntuale<br />
Se X è una variabile casuale discreta o continua, con funzione di massa o di densità di<br />
probabilità f(x;dove Θ rappresenta il parametro caratteristico non noto, la stima<br />
puntuale di si risolve nella ricerca di una funzione degli elementi campionari<br />
<br />
x1, x2,..., xn<br />
<br />
in modo tale da ottenere un valore<br />
ˆ 1, 2,..., n <br />
T x x x<br />
vicino possibile’ al vero valore dell’entità incognita <br />
Come già sottolineato più volte, attraverso l’introduzione della statistica<br />
che sia ‘il più<br />
T <br />
effettua una compattazione delle informazioni passando, usualmente, dagli n valori<br />
numerici x 1 ,x 2 ,…,x n ad un solo valore numerico, ad es.<br />
x <br />
1<br />
<br />
n xi<br />
n i 1<br />
si<br />
. Risulta evidente<br />
che tale operazione comporta una notevolissima perdita di informazioni; aspetto questo<br />
che non deve assolutamente preoccupare, anzi, in molte situazioni risulta vantaggioso,<br />
soprattutto quando le informazioni che si perdono sono del tutto irrilevanti ai fini degli<br />
obiettivi che s’intendono perseguire.<br />
L’ultima considerazione suggerisce una prima possibilità di qualificazione della<br />
generica affermazione deve essere “il più vicino possibile” a od anche, ˆ deve<br />
ˆ<br />
essere “la migliore stima” di . Ad esempio, se si ha ragione di ritenere che una certa<br />
variabile casuale X sia distribuita normalmente, ma non si conosce il valore numerico dei<br />
due parametri che la caratterizzano, µ e 2 , si può decidere di estrarre un campione di n<br />
elementi dalla distribuzione stessa e cercare poi di individuare due funzioni che applicate<br />
ai valori campionari diano una misura, la “migliore”, dei due parametri incogniti.<br />
Analogo ragionamento può essere fatto nei confronti del parametro che caratterizza la<br />
distribuzione di Poisson, del parametro p che caratterizza la distribuzione bernoulliana,<br />
ecc.<br />
Più in generale, data una variabile casuale, discreta o continua, X con funzione di<br />
massa o di densità di probabilità f(x;), la stima puntuale del un parametro incognito <br />
si ottiene applicando una specifica funzione<br />
T ai valori campionari; essa varierà<br />
quindi al variare del campione, secondo la legge di distribuzione della popolazione cui il<br />
campione si riferisce, ed è necessario fare riferimento a tale distribuzione per riuscire a<br />
176