CAP 3 – STIMA
Cap. 3 - Dipartimento di Statistica, Informatica, Applicazioni ...
Cap. 3 - Dipartimento di Statistica, Informatica, Applicazioni ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
dove<br />
Corso di laurea magistrale in Statistica, Scienze Attuariali e Finanziarie<br />
INFERENZA STATISTICA (Note didattiche)<br />
Bruno Chiandotto Versione 2015<br />
3. Stima<br />
d E Θ ˆ<br />
<br />
viene detta distorsione. Se Θ ˆ ( , ,..., )<br />
n<br />
Tn X1 X<br />
2<br />
X<br />
n<br />
è uno<br />
stimatore non distorto di si ha d 2 = 0 e quindi:<br />
2<br />
<br />
2<br />
EQM ( Θˆ ) E Θ ˆ E Θˆ E Θ ˆ Var( ˆ )<br />
<br />
<br />
<br />
cioè, se uno stimatore è corretto il suo errore quadratico medio e la sua varianza<br />
coincidono. Pertanto, nella classe ristretta degli stimatori corretti si può affermare che lo<br />
stimatore più efficiente nell’EQM è lo stimatore di minima varianza. Quest’ultima<br />
conclusione provoca spesso confusione inducendo a concludere che lo stimatore più<br />
efficiente è lo stimatore di minima varianza; si tratta, ovviamente, di una conclusione<br />
errata perché l’affermazione vale solo nell’ambito degli stimatori corretti.<br />
Il vincolo di correttezza in molti testi non viene introdotto con una tale connotazione,<br />
cioè come restrizione della classe degli stimatori, ma come proprietà dello stimatore<br />
stesso. Nella logica espositiva qui seguita, dove la “bontà” di uno stimatore è misurata<br />
facendo riferimento alla sua variabilità campionaria, una tale interpretazione della<br />
correttezza non può essere accolta; in altre parole la correttezza rappresenta un vincolo e<br />
non una proprietà. Ovviamente, a parità di tutte le altre condizioni, uno stimatore<br />
corretto è preferibile ad uno stimatore distorto.<br />
È stato più volte sottolineata la possibilità di non esistenza dello stimatore più<br />
efficiente, sia nell’EQM che nell’ESM, possibilità questa molto meno frequente invece<br />
nella classe ristretta degli stimatori corretti; infatti, come si avrà modo di chiarire nelle<br />
righe che seguono, per alcuni modelli è possibile dimostrare che, in una classe ristretta,<br />
esiste lo stimatore più efficiente nell’EQM. In tale ottica un ruolo fondamentale è svolto<br />
dalla disuguaglianza di Cramèr-Rao; si tratta di una disuguaglianza che individua il<br />
valore minimo assumibile dalla varianza di uno stimatore corretto.<br />
Teorema 3 (Limite di Cramèr-Rao); Sia X una v.c. con funzione di massa o di densità<br />
<br />
<br />
<br />
f(x; ), dove Θ è un parametro incognito, e<br />
<br />
<br />
<br />
X<br />
1, X<br />
2,..., X<br />
n<br />
uno stimatore corretto di , se sono soddisfatte le condizioni di regolarità:<br />
d<br />
log f x ; <br />
esiste per qualunque x e per qualunque Θ<br />
d<br />
d<br />
d<br />
;<br />
d<br />
d<br />
n<br />
n<br />
d<br />
f x dx dx dx f x dx dx dx<br />
<br />
<br />
; ; <br />
i 1 2 n i 1 2 n<br />
i1 d<br />
i1<br />
, , ; <br />
1 2 n i 1 2 n<br />
i1<br />
<br />
n<br />
t x x x f x dx dx dx<br />
<br />
<br />
n<br />
d<br />
t x , x , x f x ; dx dx dx<br />
;<br />
<br />
<br />
<br />
<br />
<br />
<br />
1 2 n i 1 2 n<br />
d<br />
i1<br />
;<br />
<br />
è<br />
181