Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15"

Transcript

1 Apputi di Statistica Matematica Ifereza Statistica Multivariata Ao Accademico 014/15 November 19, Campioi e modelli statistici Siao Ω, A, P uo spazio di probabilità e X = X 1,..., X u vettore aleatorio su Ω a valori i u isieme X. L isieme X è detto spazio campioario, il vettore X = X 1,..., X campioe e taglia campioaria. Spesso per ogi i = 1,..., si ha X i R, ma o ecessariamete. Ua realizzazioe di X, idicata co x = x 1,..., x, è detta valore campioario/campioato e rappreseta u dato osservato. Defiizioe 1.1 U campioe è detto casuale se le sue compoeti soo mutualmete idipedeti 1 e seguoo la stessa legge. L espressioe campioe idipedete ed ideticamete distribuito, i breve i.i.d., è sioimo di campioe casuale. U espressie alterativa è copie idipedeti della stessa variabile aleatoria. La legge di X determia il modello probabilistico e talora può essere iterpretata come il processo geeratore dei dati. I dati osservati soo iterpretati come ua realizzazioe del campioe. Scopo dell ifereza statistica è utilizzare i dati per otteere iformazioi su il processo che li geera. Esempio 1. Sia X ua variabile aleatoria di legge Poissoλ co λ > 0 e siao X 1,..., X copie idipedeti di X. Allora X = X 1,..., X è u campioe casuale. I questo esempio oto λ, è oto il modello probabilistico. Si immagii per esempio che per i = 1,...,, la variabile aleatoria v.a. X i rappreseti il umero di prodotti difettosi i ua liea di produzioe il gioro i-esimo di u certo periodo. La legge di Poisso è ua delle distribuzioi utilizzate per modelizzare eveti rari. La stima del valore di λ forisce cotemporaeamete iformazioi su quati difettosi ci soo i media al gioro e dà ua misura dello scostameto dal valor medio: EX 1 = VarX 1 = λ. L ipotesi di campioe casuale è u ipotesi sulla raccolta di dati, per esempio può idicare che la tecica di raccolta dati è la stessa ogi gioro, e ache sulla liea di produzioe, per esempio può idicare che le codizioi di lavorazioe soo idetiche ogi gioro. Esercizio 1.3 Per il campioameto da u ura co reimmissioe/seza reimmissioe, idividuare il campioe. E casuale? Macao iformazioi per idividuare Ω, A, P? Esempio 1.4 Campioe casuale Beroulliao. Galto ed il campioameto ormale per le altezze per gruppi omogeei per sesso ed età, altezze dei figli predette da quelle dei padri: regressioe lieare. Errori di misurazioe. Regressioe verso la media. Altezza mattia/sera: dati appaiati. *** sviluppare *** Defiizioe U modello statistico per X è ua famiglia di distribuzioi di probabilità su/per X: F = { F X x 1,..., x : x 1,..., x X e F X fuzioe di ripartizioe su X } Per correzioi e suggerimeti 1 Gli eveti A i A, i N soo mutualmete o cogiutamete idipedeti se P k J A k = k J PA k per ogi J N fiito. 1

2 . U modello statistico F è detto parametrico se esiste Θ R p tale che la mappa Θ F defiita da θ F X ; θ è biiettiva. Si oti che 1. u modello statistico parametrico è i relazioe biuivoca co u sotto isieme di uo spazio vettoriale di dimesioe fiita, detto spazio dei parametri,. il modello statistico F è idetificabile poiché ad ogi θ Θ è associato u, ed u solo, modello probabilistico di F. Nelle applicazioi soo spesso utili i modelli semi-parametrici solo parzialmete specificati da parametri. Le leggi F i F possoo essere specificate i vari modi, tipicamete tramite desità o fuzioi di ripartizioe. Compito dell ifereza statistica è selezioare u modello probabilistico all itero del modello statistico utilizzado i dati. Esempio Per X 1,..., X N µ,..., µ, σ } {{ } I, se σ è oto, lo spazio dei parametri è R; se µ è oto lo spazio dei parametri è R >0 ; se etrambi soo o oti allora Θ = R, R >0 e θ = µ, σ.. Per X Poissoλ, λ Θ = R >0. 3. Siao X R e a la orma euclidea del vettore a R. a F = {tutte le leggi di probabilità su X 1,..., X } è modello statistico o parametrico. b F = {tutte le leggi di probabilità su X 1,..., X co margiali uivariate idipedeti} è modello statistico o parametrico. c F = {F X x; µ = F 0 x µ : F 0 fuzioe di ripartizioe uivariata e µ R} è modello statistico semi-parametrico. 4. Le famiglie di posizioe e scala soo modelli semi-parametrici: X è u campioe i.i.d e si ipotizza che X 1 1 x µ σ f e µ, σ R R >0 co f desità, µ parametro di posizioe e σ di scala. U tipico σ modello di posizioe e scala è dato da N µ, σ, µ R e σ R dove fx = exp x // π. 5. L isieme delle desità simmetriche e cotiue su R è u modello semi-parametrico dove il parametro reale idetifica l asse di simmetria. Spesso u modello statistico è dato i termii di desità rispetto ad ua misura domiate che el seguito assumiamo sia la misura di Lebesgue: f X ; θ oppure PX = ; θ. Esempio 1.7 X N 1 µ 1 + µ, σ co µ 1, µ R e σ oto o è idetificabile. Esercizio 1.8 Verificare che per f desità uivariata, µ R e σ R >0 allora gx = 1 σ Esercizio 1.9 Siao X 1,..., X i.i.d. a valori reali e g 1,..., g fuzioi da R a R. 1. g 1 X 1,..., g X soo idipedeti? Soo i.i.d? x µ f σ è ua desità.. Sotto quali ipotesi valgoo le segueti uguagliaze? E g ix i = E g ix i = E g 1 X Sotto quali ipotesi valgoo le segueti uguagliaze? Var g ix i = Var g ix i = Var g 1 X Idetificabilità e stimabilità Ache se o vi faremo riferimeto i seguito è opportuo geeralizzare il puto. della Defiizioe 1.5 e cofrotarla co quella di fuzioe stimabile del parametro. Defiizioe 1.10 Siao X u campioe e F = { F X ; θ : θ Θ R p} u modello statistico parametrico. 1. La fuzioe hθ del parametro è idetificabile se hθ 1 hθ implica che F X ; θ 1 F X ; θ.. La fuzioe hθ del parametro è stimabile se esiste ua fuzioe g di X tale che E θ gx = hθ per ogi θ Θ.

3 I altre parole, h è idetificabile se, al variare dei valori che assume, ache la distribuzioe del vettore aleatorio osservabile X cambia e, aticipado della omeclatura, è stimabile se esiste u suo stimatore corretto. Proposizioe 1.11 Se h è stimabile allora è idetificabile. Proof. Se h è stimabile allora esiste g tale che E θ gx = hθ per ogi θ Θ. Se hθ 1 hθ allora E θ1 gx E θ gx. Si deduce che le due leggi probabilistiche rispetto le quali si soo calcolati i due valori attesi soo differeti. Esempio 1.1 Sia p ]0, 1[ e X Beroullip co X {0, 1} e PX = 1 = p. La fuzioe hp = p è idetificabile, ma o stimabile: ifatti dovrebbe esistere ua fuzioe g tale che E θ gx = 1 pg0 + pg1 = p, che è impossibile. Esercizio 1.13 Siao X Beroullip co X {0, 1} e Y Beroullip co Y { 1, 1} e PX = 1 = p = PY = 1. Calcolare EX e VarX, EY e VarY. 1. Modelli regolari Defiizioe 1.14 Sia X u vettore aleatorio co desità cogiuta f X. Il supporto di f X, suppf X, è la chiusura ella topologia euclidea di {x : f X x > 0}. U modello statistico parametrico è regolare se il supporto di ogi suo modello probabilistico o dipede dal parametro. Esempio 1.15 Per = 1 e X N µ, σ, il supporto è R R >0 per ogi µ, σ ed il modello è regolare. Per θ R >0 e f X = Uiforme]0, θ[, il supporto è [0, θ] e il modello X Uiforme]0, θ[, θ R >0, è modello o regolare. Esercizio 1.16 Verificare che Poissoλ, λ > 0, è u modello regolare. Esempio 1.17 Esempi otevoli di modelli regolari soo i classici modelli di classe espoeziale, modelli di regressioe lieare, modelli grafici di idipedeza. U modello statistico {f X : desità di probabilità} per u campioe X X è detto di classe expoeziale se p f X x = hx exp θ, T x ψθ = hx exp θ i T i x ψθ co h : X R >0, θ Θ spazio vettoriale, T : X Θ e, prodotto scalare su Θ. La fuzioe ψ è detta fuzioe dei cumulati e θ parametro aturale. I modelli di classe espoeziale soo regolari. Quasi sempre, ma o ecessariamete, avremo Θ = R p. No defiiamo modelli di regressioe é grafici, eccetto brevemete. Esercizio 1.18 Siao X 1,..., X i.i.d. di legge h exp T, θ ψθ. 1. Verificare che hx exp T x, θ dx = exp ψθ. X. Calcolare la legge cogiuta del campioe. 3. La legge cogiuta del campioe è u modello di classe espoeziale? Studieremo tre pricipi che soo alla base dell ifereza statistica parametrica: 1 sufficieza: riassumere i dati seza perdere iformazioi sul parametro, verosimigliaza: idetificare tutte le iformazioi sul parametro coteute ei dati, 3 ivariaza: trasformare lo spazio dei parametri e lo spazio campioario i sicroia/cotemporaeamete. 3

4 Statistiche Defiizioe.1 Si dice statistica ua fuzioe del solo campioe X e distribuzioe campioaria la sua legge di probabilità. Sia il vettore aleatorio T X sia la sua realizzazioe soo chiamati statistica. Ua statistica è ua fuzioe dei dati che forisce ua sitesi di iteresse per lo studio di u particolare aspetto dei dati e/o del sistema che li geera. Ua statistica o dipede dal modello statistico, ma solo dal campioe. I particolare se il modello statistico è parametrico, o dipede dal parametro. E u vettore aleatorio, spesso uidimesioale, la cui legge di probabilità può essere talora determiata dalla legge del campioe. Gli stimatori putuali, che vedremo più avati, soo statistiche utilizzate per stimare il parametro θ, o ua sua fuzioe, di u modello statistico parametrico. Ua statistica T iduce ua partizioe dello spazio campioario Ω: per esempio, se X = R e T R, la mappa X T {}}{ Ω R {}}{ R defiisce la partizioe i cui elemeti soo {ω Ω : T X = x}, x R. Esempio. Siao X 1,..., X variabili aleatorie a valori i R. I segueti soo esempi di statistiche. Totale campioario: T = X i Media campioaria: X = T/ Variaza campioaria: S = X i X / 1 e S 1/ Massimo campioario: X = max{x 1,..., X } Miimo campioario: X 1 = mi{x 1,..., X } Statistica d ordie del campioe: sort{x 1,..., X } = X 1, X,..., X Il campioe X = X 1,..., X è ua statistica I u modello di classe espoeziale le T i, i = 1,..., p, soo statistiche Esempio.3 1. Sia X 1,..., X N µ, σ i.i.d. co µ R e σ R >0 allora R = X µ o è ua statistica. Se µ è oto allora R è ua statistica.. Sia X 1,..., X Uif]0, θ[ co θ > 0 allora R = X /θ o è ua statistica. Ma è molto utile. Cosa rappreseta? Esercizio.4 Verificare che per le segueti statistiche e modelli statistici le distribuzioi campioarie soo quelle idicate. 1. Se X 1,..., X campioe Beroulliao di parametro p i.i.d, allora T = X Bi, p. Se X 1,..., X N µ, σ i.i.d. allora X N µ, σ / 3. Sia X 1,..., X u campioe a valori reali, i.i.d e co fuzioe di ripartizioe F. La distribuzioe del massimo campioario è F. Determiare la legge del miimo campioario. Esempio.5 1. Siao Ω, A, P, A A e 1 A ω = Aω = Allora A BeroulliPA. Si oti che EA = PA. { 1 se ω A 0 se ω A. Sia X u vettore aleatorio a valori i R. Sia A R u isieme Borel misurabile. Allora { 1 se Xω A X Aω = 1 X A ω = 0 se Xω A e X A BeroulliPX A. 4

5 Esempio.6 Siao X 1,..., X R i.i.d. e co fuzioe di ripartizioe F X. Sia x R. La statistica Cx = X i x cota quati dati soo miori od uguali a x. Assume valori i {0,..., } e per j {0,..., } si ha PCx j = P X i x j = la probabilità che ci siao al più j dati o maggiori di x La statistica Cx è la somma di Beroulli di parametro F X x idipedeti. Quidi la distribuzioe campioaria di Cx è Biomiale, F X x. Esercizio.7 Siao X 1,..., X Cauchy0, σ per σ > 0 cioè f X1 x = 1 1 πσ 1+x/σ, x R. 1. Verificare che EX 1 o esiste.. E u modello di posizioe e/o scala? 3. Verificare che la fuzioe di ripartizioe è F X1 x = 1 x π arcta + 1 e la fuzioe caratteristica è σ φ X t = exp σ t. 4. Nell ipotesi che il campioe sia i.i.d., verificare che Esercizio.8 Siao X 1,..., X N i.i.d di legge 1 σ f x µ σ Xi 1. Idividuare Z i per cui X i = σz i + µ e determiare la desità.. Soo gli Z 1,..., Z i.i.d.? 3. Verificare che X = σ Z + µ e Var X = σ Var Z..1 Statistiche sufficieti Cauchy0, σ. co µ R e σ > 0. Defiizioe.9 Teorema della fattorizzazioe Sia X u campioe statistico su Ω, A, P a valori i X e sia F = { f X ; θ : θ Θ co f desità di probabilità } u modello statistico parametrico per X. Ua statistica T = T X è detta sufficiete per θ se esistoo due fuzioi h e g tali che per ogi θ Θ e per quasi ogi x X. f X x; θ = hxgt x, θ Chiaramete se X è u isieme umerabile allora f X x; θ = PX = x; θ, scriveremo ache P θ X = x. La defiizioe suggerisce che ua statistica è sufficiete se cattura tutte le iformazioi sul parametro coteute el campioe. Più precisamete, se due isiemi di dati producoo lo stesso valore della statistica sufficiete, allora co ragioameti basati sulla legge cogiuta del campioe detta ache fuzioe di verosimigliaza quado letta come fuzioe del parametro dai due campioi si otterrao idetiche deduzioi ifereziali sul parametro. Questa iterpretazioe è ribadita dal seguete teorema. Theorem.10 di Neyma-Fisher Ua statistica T è sufficiete per θ se e solo se la distribuzioe codizioata di X a T X = t o dipede da θ per ogi valore della statistica T. Proof. La dimostrazioe el caso cotiuo è lasciata al lettore. Nell ipotesi che T sia sufficiete per θ, si oti che per ogi t valore di T vale f T t = P θ T = t = P θ X = x, T X = t = P θ X = x x:t x=t = x:t x=t = gt, θ hxgt x, θ x:t x=t x:t x=t perché T è sufficiete per θ hx = gt, θh x co h x = x:t x=t hx 5

6 I particolare la legge di T dipede dal parametro solo tramite la fuzioe g. Ora si osservi che P θ X = x, T = t = P θx = x gt, θhx = f X T X=t x, θ = P θ T = t P θ T = t gt, θh x = hx h se T x = t x o defiita altrimeti Viceversa la tesi segue dall osservare che f X = f X,T = f X T f T. Esempio.11 Siao X 1,..., X i.i.d. Beroullip co p Θ =]0, 1[. Verificare che T = X i è statistica sufficiete per p. Utilizzado la defiizioe calcoliamo la legge cogiuta del campioe e cerchiamo di determiare ua fattorizzazioe i due fattori di cui uo dipede dal parametro e l altro dipede dal campioe solo tramite T P p X = x = P p X 1 = x 1,..., X = x = = p xi 1 p 1 xi P p X 1 = x i = p xi 1 p xi = p t 1 p t da cui hx = 1 e gt, p = p t 1 p t. Facciamo la verifica utilizzado il teorema. Occorre cosiderare la legge codizioata del campioe al valore assuto dalla statistica sufficiete quidi 0 se x i t P p X = x T = t = P p X = x, T = t = pt 1 p t P p T = t t pt 1 p = 1 t se x i = t t Esempio.1 1. La statistica T ella defiizioe di modello statistico di classe espoeziale è sufficiete per il parametro aturale.. Il campioe è statistica sufficiete per il parametro di ogi modello statistico parametrico sul campioe stesso. Il campioe è statistica sufficiete. Esempio.13 Sia X 1,..., X i.i.d. Uif{1,,..., θ} co θ Z 1. La legge cogiuta del campioe è f X x; θ = 1 θ x i {1,..., θ} = 1 θ x i {1,..., θ} = 1 θ x 1 1x θ x i Z 1 Allora T = X è sufficiete per θ ifatti gt, θ = x θ θ e hx = x 1 1 x i Z 1. Esempio.14 Sia X 1,..., X i.i.d. N 1 µ, σ co µ, σ R, R >0. Determiiamo statistiche sufficieti per µ, σ, µ e σ. 1. La legge cogiuta del campioe è 1 f X x = exp x i µ 1 πσ σ = πσ exp x i µ σ Si oti che x i µ = x i x + x µ = x i x + x µ + 0 6

7 e quidi f X x = πσ / exp 1 σ s x µ σ Poedo h 1 e g = f X si evidezia che X, S è ua statistica sufficiete per θ = µ, σ. Per g = exp σ x µ si ha che X è ua statistica sufficiete per µ oto σ. Poedo h 1 e g = f X si deduce che X, S è sufficiete per σ.. Poiché X N 1 µ, σ / si ha f X Xx = f πσ Xx / exp 1 f X x = σ s x µ σ πσ / 1/ exp x µ σ / 1 = πσ exp x i x /σ 1 Dal teorema di Neyma-Fisher si deduce che X è sufficiete per µ. Esercizio Dimostrare che ua fuzioe ivertibile di ua statistica sufficiete per u parametro θ è acora statistica sufficiete per θ. I particolare le statistiche sufficieti o soo uiche.. Sia X 1,..., X i.i.d. Expλ, λ > 0. Verificare che la media campioaria è ua statistica sufficiete per λ. 3. Sia X 1,..., X i.i.d. Uiform]0, θ[, θ > 0. Determiare ua statistica sufficiete uivariata per θ. Esempio.16 Sia Θ = {0, 1}, θ 0 = 0 e θ 1 = 1. Il rapporto di verosimigliaza è statistica sufficiete per θ, ifatti θ fx x; θ 1 f X x; θ = f X x; θ 0 f X x; θ 0. Statistiche sufficieti miimali Defiizioe.17 Ua statistica sufficiete per θ è sufficiete miimale per θ se è sufficiete ed è fuzioe di ogi altra statistica sufficiete per θ. Esempio.18 Per X 1,..., X campioe casuale N µ, σ, X = X i/ e X = X 1,..., X soo sufficieti per µ. Poiché X è fuzioe di X, X o è sufficiete miimale. Per defiizioe, se T è ua statistica sufficiete e T è sufficiete miimale allora esiste ua fuzioe h tale che T = ht ed i particolare se T x = T y allora T x = T y. Ua statistica sufficiete miimale può essere calcolata se ota h a partire da ogi altra statistica sufficiete. Si itede che i dati o possoo essere compressi ulteriormete seza perdere iformazioi su θ. L Esercizio.7 illustra u caso i cui due statistiche sufficieti e miimali hao dimesioe diversa. La ota successiva precisa quato sopra. Osservazioi La partizioe dello spazio campioario X idotta dalla statistica sufficiete T è tale per cui la legge cogiuta del campioe f X può essere ricostruita a meo di ua costate moltiplicativa cooscedo il valore di f X i u puto di ogi elemeto della partizioe. La partizioe sia su Ω che su X idotta da ua statistica sufficiete miimale è la meo fie tra quelle idotte da statistiche sufficieti.. Se e deduce che diverse statistiche sufficieti miimali iducoo la stessa partizioe su X e che ua fuzioe biuivoca di statistica sufficiete miimale è sufficiete miimale. 3. Ua statistica sufficiete o miimale cotiee iformazioi superflue sul parametro per ricostruire la legge cogiuta del campioe. X {}}{ Ω X T {}}{ T T M {}}{ T M. 7

8 4. Il seguete teorema dà ua codizioe sufficiete affichè ua statistica sia sufficiete miimale. Theorem.0 Se per x, y X il rapporto f Xx; θ f X y; θ, detto rapporto di verosimigliaza,3 è costate i θ se e solo se T x = T y allora T è sufficiete e miimale per θ. Proof. Per semplicità suppoiamo che f X x; θ > 0 per ogi x, θ. Deduciamo prima che T è sufficiete per θ. Per ogi valore t assuto da T sia A t = {x X : T x = t}. I particolare per ogi x, y A t si ha T x = T y e per ipotesi f Xx; θ f X y; θ cosideri y A T x e la fuzioe hx = f Xx; θ f X yx; θ o dipede da θ. Ora per x X si che o dipede da θ per costruzioe. Si scriva f X x; θ = f X x; θ f Xyx; θ f X yx; θ = f Xx; θ f X y; θ f Xy; θ = hxgt y; θ dove l ultima uguagliaza segue dall arbitrarietà di y i A t. Ora dimostriamo la miimalità di T. Sia T u altra statistica sufficiete per θ. I particolare esistoo h e g tali che f X x; θ = h xg T x; θ Per x, y X e poiché T è sufficiete si ha f X x; θ f X y; θ = h xg T x; θ h yg T y; θ = h x h y per ogi x, y tali che T x = T y. Questo rapporto evidetemete o dipede da θ. Per ipotesi questo avviee se e solo se T x = T y, da cui T è fuzioe di T. Esempio.1 Sia X 1,..., X u campioe casuale N µ, σ co µ, σ R R >0. Verificare che T = X, S è sufficiete miimale per µ, σ. Occorre caratterizzare il luogo dei puti y per cui dove 1s x = x i x. Si ha f X x; µ, σ f X y; µ, σ = πσ / exp x µ + 1s x /σ πσ / exp ȳ µ + 1s y /σ f X x; µ, σ f X y; µ, σ = exp = exp σ x ȳ µ x ȳ + 1s x s y σ x ȳ x + ȳ µ + 1s x s y da cui si deduce che il rapporto di verosimigliaza o dipede da σ e da µ se e solo se l argometo dell espoeziale è zero cioè se e solo se x ȳ x + ȳ µ + 1s x s y = 0 se e solo se x = ȳ e s x = s y, equivaletemete se e solo se T x = T y. Esercizio. Verificare che il modello statistico dell Esempio.1 è di classe espoeziale. parametro aturale, statistiche sufficieti e fuzioe geeratrice dei cumulati. Idividuare Esercizio.3 1. Si osservi che dai calcoli ell Esempio.1 segue che T = X, S è ache sufficiete miimale per σ > 0 ell ipotesi di modello casuale N σ, σ. 3 Cofrota lo stesso modello probablistico i diversi valori campioari/ dati. 8

9 . Si verifichi che il modello N σ, σ, σ > 0, o è di classe espoeziale. Esempio.4 Sia X 1,..., X u campioe casuale Uif]θ, θ + 1[ co θ R. Determiare ua statistica sufficiete miimale per θ. La legge cogiuta del campioe è f X x 1,..., x ; θ = θ < x i < θ + 1 = θ < mi x i i max i x i < θ + 1 = θ < x 1 x 1 < θ = x 1 < θ < x 1 Si oti che la statistica RagoX = X X 1 appartiee a ]0, 1[ co probabilità uo. Ora siao x, y possibili valori campioari { f X x; θ f X y; θ = x 1 < θ < x 1 1 se x = y = e x 1 = y 1 y 1 < θ < y 1 dipede da θ altrimeti Per accertarsi dell ultima eguagliaza disegare il grafico del rapporto di verosimigliaza. Per il Teorema.0 T X = X 1, X è statistica suffiete miimale per θ. Esempio.5 I u modello di classe espoeziale fx; θ = hx exp T x, θ ψθ le statistiche T soo sufficieti miimali per il parametro aturale. Ifatti o dipede da θ se e solo se T x = T y. f X x; θ f X y; θ = hx hy exp T x T y, θ Esercizio.6 1. Determiare ua statistica sufficiete miimale per θ i campioe casuale uiforme su {1,..., θ} Z co θ Z 1. Cosiderare u campioe casuale -dimesioale di legge di probabilità N σ, σ co σ > 0. Verificare che ua statistica sufficiete miimale per il parametro uivariato θ è la statistica bidimesioale X i, X i. Esercizio.7 Siao X 1, X i.i.d. Beroullip co p ]0, 1[. 1. Descrivere lo spazio campioario X. {i, j : i, j = 0, 1}. Verificare che il totale campioario è statistica sufficiete miimale per p ed idividuare la partizioe di X corrispodete. A t=0 = {0, 0}, A t=1 = {0, 1, 1, 0}, A t= = {1, 1}. 3. Verificare che T = X 1, X è sufficiete miimale per p. Stessa partizioe del totale campioario. 4. Come risolviamo il fatto che T bidimesioale e totale campioario uidimesioale soo etrambi sufficieti miimali per p? Dedurre che statistiche sufficieti miimali o hao ecessariamete la stessa dimesioe. 5. Verificare che la statistica R = X 1 X o è sufficiete miimale per p..3 Statistiche acillari Defiizioe.8 Sia X u campioe su Ω, A, P e F u modello statistico su X idicizzato dal parametro θ Θ. Ua statistica T X è detta acillare per θ se la distribuzioe campioaria di T o dipede da θ. Esempio.9 Per u campioe casuale ormale N µ, σ, la statistica S = X 1 X è acillare per µ, o è acillare per σ. 9

10 Esempio.30 Sia F ua fuzioe di ripartizioe per ua variabile aleatoria cotiua a valori reali. Sia X 1,..., X campioe casuale di legge F θ co θ R e per x R valga F x θ = F Xi x per ogi i = 1,...,. Notare che se F o è ota, si tratta di u modello semiparametrico. Co F ota è u modello parametrico. Verificare che la statistica R = X X 1 0 è acillare per θ. Si defiiscao le variabili aleatorie idipedeti Z i = X i θ per i = 1,...,. La fuzioe di ripartizioe di Z i è F per ogi i ifatti per z i R si ha PZ i z i = PX i z i + θ = F z i + θ θ = F z i I particolare la legge di Z i o dipede da θ. Allora per r 0 si ha F R r = PR r = PX X 1 r = PX θ + θ X 1 r = PZ Z 1 r Poiché Z Z 1 è fuzioe degli Z i la cui legge o dipede da θ, eppure la legge di R dipede da θ. Si coclude che R è acillare per θ. Esercizio.31 Sia X 1,..., X u campioe casuale di legge F σ co σ > 0. Verificare che ogi statistica del tipo S X1 X,..., X 1 è acillare per σ. Utilizzare le variabili aleatorie ausiliarie Z i = Xi σ. X Osservazioi.3 acillarità per modello o parametrico Siao X 1,..., X i.i.d. cotiue uivariate co mediaa uguale a zero. Si osservi che T = X i > 0 Bi, 1/ e quidi la legge di probabilità di T è la stessa per ogi modello probabilistico ella famiglia statistica. Ovvero T è acillare per il modello statistico. La statistica T può essere usata per verificare l ipotesi di mediaa ulla. Esempio.33 acillarità può dare iformazioi sul parametro Sia X ua variabile aleatoria uiforme a valori i θ, θ + 1, θ + co θ Z. Si ha X θ θ + 1 θ + PX = x 1/3 1/3 1/3 X θ 0 1 Siao X 1 e X copie idipedeti di X e si cosideri la statistica T = R, M dove R = X X 1 e M = X 1 + X = X 1 + X. Notare che 1. lo spazio campioario dipede dal parametro modello o regolare;. R {0, 1, } e M {θ, θ + 1/, θ + 1, θ + 3/, θ + }; 3. la statistica R è acillare per θ [Esercizio.30]; 4. T è sufficiete miimale per θ. Questo si deduce dal fatto che X 1, X è sufficiete miimale per θ. 5. Sia r, m ua realizzazioe di T e si osserva che m è itero. Da ciò si deduce che m {θ, θ + 1, θ + } e quidi θ {m, m 1, m }. 6. Aggiugo l iformazioe che il valore osservato della statistica acillare R è. Quidi si ha { x1 + x = m x x 1 = equivaletemete x 1 = m 1 e x = m + 1. Notare che R = è possibile solo per x = θ + e x 1 = θ. Cocludedo si ha { x1 = m 1 = θ e quidi θ = m 1. x = m + 1 = θ + 10

11 .4 Statistiche complete Defiizioe.34 Sia T ua statistica e g ua fuzioe di T. La statistica T è completa per θ se E θ gt X = 0 per ogi θ Θ implica g = 0. Osservazioi Ua versioe più precisa della Defiizioe.34 afferma che, E θ gt X = 0 per ogi θ Θ, allora g = 0 deve valere co probabilità uo per ogi modello probabilistico el modello statistico: T è completa per θ se E θ gt X = 0 implica P θ gt = 0 = 1 per ogi θ.. Ua versioe poco più debole della defiizioe richiede che l implicazioe valga per g limitata completezza limitata. 3. No è difficile adattare la defiizioe di statistica completa per modelli o-parametrici. 4. I geere è difficile dimostrare che ua statistica è completa. Nell Esercizio.45 dimostreremo che la statistica caoica i u modello di classe espoeziale è completa per il parametro aturale, oltre ad essere sufficiete miimale. Esercizio.36 Dimostrare che ua statistica che è fuzioe ivertibile di statistica completa è completa. Cosa cambia se ella defiizioe se si suppoe E θ gt X = costate?. Esempio.37 Sia X 1,..., X u campioe i.i.d. Beroulliθ co θ ]0, 1[. Verifichiamo che T = X i è completa per θ. Per g fuzioe di T suppoiamo quidi 0 = E θ gt X = t=0 gtθ t 1 θ t = 1 θ t t=0 gtr t t dove r = θ 1 θ. Questo è u poliomio i r. Per il pricipio di idetità dei poliomi è zero se e solo se tutti i suoi coefficieti soo zero, cioè t gt e quidi g = 0 ideticamete. Esempio.38 Sia X Uiforme] θ, θ[ co θ > 0. Poiché E θ X = 0 per ogi θ, la statistica T X = X o è completa per θ. Esempio.39 Sia X 1,..., X u campioe i.i.d. Uiforme]0, θ[ co θ > 0. Verificare che T = X è completa per θ. Occorre verificare che se E θ gt = 0 allora g Valga 0 = EgT = θ 0 gt t 1 θ dt = 1 θ θ gtt 1 dt 0 } {{ } 0. Si derivi i θ 0 = d 1 dθ θ θ 0 gtt 1 dt = θ d dθ θ 0 d θ gtt 1 dt + dθ θ gtt 1 dt 0 =θ gθθ perché EgT = 0 =gθ/θ e quidi EgT = 0 implica g = 0 per ogi g tale che i passaggi precedeti soo possibili. 3. Possiamo effettivamete cocludere che T è completa? Theorem.40 Teorema di Basu Sia X u campioe su uo spazio di probabilità Ω, A, P e sia Θ lo spazio parametrico di u modello statistico per X. Siao V ua statistica acillare per θ Θ e T ua statistica sufficiete e completa per θ. Allora V e T soo idipedeti per ogi θ Θ. Proof. Dimostriamo che la legge cogiuta di V e T è il prodotto delle leggi margiali. 11

12 Sia B tale che {ω Ω : V ω B} A cosicchè è variabile aleatoria. V B = { 1 se V ω B 0 altrimeti P θ V B = E θ V B o dipede da θ poiché V è acillare. Per la proprietà della torre del valore atteso codizioato vale E θ E θ V B T = E θ V B = P V B ed ioltre E θ V B T o dipede da θ per il teorema di Neyma-Fisher poiché T è sufficiete. Da ció segue che l argometo del valore atteso E θ E V B T P V B = 0 è ua statistica poiché o dipede da θ ed è fuzioe di T. Poiché T è completa allora E V B T = P V B Ora siao A e B due qualuque isiemi tali che V B e T A siao variabili aleatorie. Allora P θ V B, T A = E θ V BT A = E θ E θ V BT A T = E θ T A E θ V B T = E θ T A P V B = P V B E θ T A = P V B P θ T A T A è fuzioe di T Esempio.41 Teorema di Cochra Siao X 1,..., X i.i.d. N µ, σ. La media campioaria X N µ, σ / è sufficiete e completa per µ statistica caoica i modello di classe espoeziale. La legge di 1S/σ = X i X χ 1 o dipede da µ e quidi la legge di S o dipede da µ. Allora per il teorema di Basu X e S soo idipedeti. σ Esempio.4 Sia X 1,..., X i.i.d. Espoezialeλ, λ > 0 fx; λ = 1/λ exp x/λ x > 0 X Calcolare E X λ X X. Si osservi che f ; λ è ua famiglia di scala e quidi per l esercizio.31 X X è acillare per λ. La statistica T X = X i è completa, sufficiete miimale per λ perché statistica caoica X i u modello di classe espoeziale. Quidi per il teorema di Basu T X è idipedete da X X. Ricordiamo che E λ X 1 = λ, somma di espoeziali i.i.d. è Gamma, λ e per X Gammaα, β il valore atteso di X è αβ e la sua variaza è αβ. Si deduce λ = E λ X = E λ i = E λ X i E λ i X i X X i X i i X i seza cooscere la distribuzioe cam- X da cui E λ = 1/. Abbiamo calcolato il valore atteso di i Xi pioaria. X = λ E λ i X i X i Xi 1

13 Esercizio.43 Necessità dell ipotesi di completezza el teorema di Basu Nell Osservazioe.33 la statistica R è acillare per θ e R, M è sufficiete miimale, però o soo idipedeti dimostrarlo e.g. per R = 0 e M = θ + 1/ oppure ell Osservazioe.33 si è utilizzata u iformazioe su R per specificare quella data da M. I particolare e segue che R, M o è completa. Seppure può sembrare che ua statistica acillare la cui distribuzioe o dipede dal parametro ed ua statistica sufficiete miimale che riduce i dati al massimo seza perdere iformazioi sul parametro debbao essere idipedeti/o relazioati, questo esempio idica che la ozioe giusta per discutere l idipedeza tra statistiche sufficieti e statistiche acillari è la completezza e o la miimalità. Esercizio.44 Dimostrare che ua statistica T sufficiete miimale e completa per θ è idipedete da ogi statistica acillare per θ. Esercizio.45 Nel modello statistico di classe espoeziale ft x = ht x exp θ, T x φθ la statistica T è completa per il parametro aturale θ R p oltre ad essere sufficiete miimale. Ifatti sia g ua fuzioe a valori reali tale che 0 = E θ gt = gt ht exp θ, t φθ dt R p e si cosiderio la parte positiva e la parte egativa di g, gt = g + t g t. Allora g + t ht exp θ, t φθ dt = R p g t ht exp θ, t φθ dt R p 1 ed i particolare per θ = 0 si ha g + t ht exp φ0 dt = g t ht exp φ0 dt R p R p semplificado exp φ0 si ha g + t ht dt = g t ht dt. Dividedo per questa quatità l Equazioe 1 R p R p si ha g + t ht g t ht g+ t ht dt e ψθ dt = g t ht dt e ψθ dt R p e θ,t Semplificado e ψθ e ricooscedo i g t ht g t ht dt e R p e θ,t g + t ht g+ t ht dt precedete è u uguagliaza tra fuzioi geeratrici dei mometi. desità di probabilità, si ota che la 13

14 3 Stimatori putuali Sia X = X 1,..., X X R u campioe su Ω, A, P e sia F u modello statistico parametrizzato da θ R p. Uo stimatore putuale di θ è ua fuzioe del solo campioe X. Cioè uo stimatore putuale di θ è ua statistica utilizzata per idividuare u modello probabilistico all itero del modello statistico. Ragioevolmete avrá la stessa dimesioe di θ. I particolare uo stimatore è ua variabile o vettore aleatorio. Ua stima è ua realizzazioe di uo stimatore. I Appedice 4.6 presetiamo u esempio di stimatore o putuale. Studieremo teciche per determiare stimatori e teciche per valutare stimatori putuali. Aticipiamo Defiizioe 3.1 Uo stimatore U di θ Θ è detto corretto o o distorto per θ se E θ U = θ per ogi θ Θ. 3.1 Metodo dei mometi Sia X = X 1,..., X u campioe casuale co desità di probabilità f X defiita da R i R e parametrizzata da θ Θ R p. Per j Z >0 il mometo teorico j-esimo di u geerico elemeto del campioe rispetto alla legge di probabilità idividuata da θ è defiito come µ j θ = E θ X j metre il mometo empirico j-esimo del Xj i campioe è defiito come ˆµ j =. Si oti che i mometi teorici potrebbero o essere defiiti. Per il pricipio di sostituzioe o metodo plug-i uo stimatore dei mometi di θ è u valore θ soluzioe del sistema µ j ˆθ = ˆµ j per j J sottoisieme fiito di Z >0. Esempio 3. Sia X 1,..., X i.i.d. Uiform]θ 1, θ [ co θ 1 < θ umeri reali. Il vettore dei parametri è θ = θ 1, θ. Vale µ 1 θ = θ 1 + θ / e µ = θ1 + θ + θ 1 θ /3 e poedo a sistema ˆµ 1 = X = µ 1 ˆθ co ˆµ = X i / = µ ˆθ si ottiee ˆθ 1 = ˆµ 1 3ˆµ ˆµ 1 e ˆθ = ˆµ 1 + 3ˆµ ˆµ 1 e i coclusioe si ha ˆθ = ˆθ 1, ˆθ stimatore putuale di θ 1, θ. Si oti che ˆµ ˆµ 1 0. Ifatti per ua sequeza di valori i R i, diciamo x, dimostriamo x i i x i equivaletemete i x i i x i. Ricordado il prodotto scalare stadard i R per a, b R si ha a, b = i a ib i la disuguagliaza da dimostrare diveta 1 x = 1, 1 x, x x, 1, ma questa è la disuguagliaza di Cauchy-Schwarz si veda ache la dimostrazioe del Teorema Esempio 3.3 Per u campioe casuale X 1,..., X per cui EX 1 e VarX 1 esistoo fiiti, uo stimatore dei mometi di VarX 1 è X i X. Giustificare il risultato. Esercizio 3.4 Determiare uo stimatore dei mometi per X 1,..., X i.i.d. e 1. Biomialk, p co k, p Z >0 ]0, 1[ 4. Geometricp co p ]0, 1[ 3. f X x, θ = θ + 1x θ 0 < x < 1 per θ Z >1. Commetare il risultato 4. Poissoλ co λ > 0. E preferibile usare ˆµ 1 o ˆµ? 5. Verificare che o esiste stimatore dei mometi se X 1 Cauchy0, σ, σ R. Notare l importaza dell ipotesi di campioe casuale e la pratica di utilizzare mometi di ordie basso, motivata sia da ragioi pratiche e computazioali che teoriche. Come si potrebbe estedere il metodo dei mometi al caso di variabili campioarie multivariate? 4 Si osservi che lo stimatore dei mometi di k, p otteuto usado i mometi primo e secodo è dato da ˆk X = X 1 Xi X e ˆp = X ˆk. Può capitare di otteere delle stime di ˆk egative!, quado la media campioaria è più piccola della variaza campioaria, idice di forte variabilità ei dati. 14

15 3. Metodo di massima verosimigliaza Defiizioe 3.5 Sia X u campioe statistico su Ω, A, P e si cosideri u modello statistico per X parametrizzato da θ Θ R p. La legge cogiuta del campioe iterpretata come fuzioe del parametro θ è chiamata fuzioe di verosimigliaza. *** ampliare l iterpretazioe di verosimigliaza *** Spesso si usa la lettera L per idicare la fuzioe di verosimigliaza. La distizioe tra variabili campioare e il parametro è idicata da, oppure ;. Nel caso di campioe discreto si ha per x X e θ Θ e per campioe cotiuo co desità cogiuta f X si ha che per campioe casuale si semplifica a Lθ; x = f X x; θ = P θ X = x Lθ; x = f X x; θ Lθ; x = f X1 x i ; θ Se la fuzioe di verosimigliaza è strettamete positiva si defiisce la fuzioe di log-verosimigliaza come lθ = log Lθ, x Osservazioi Dall Equazioe si deduce che la fuzioe di verosimigliaza rappreseta la probabilità sotto il modello idicato da θ di osservare il valore x i dati, le osservazioe.. Se T è statistica sufficiete per θ, cioè f X x, θ = hxgt x, θ allora Lθ; x gt x, θ. Esempio 3.7 Siao X 1,..., X idipedeti ed ideticamete distribuite secodo ua legge uiforme su ]0, θ[ per θ ]0, 1[. Allora 1 Lθ; x = f X x; θ = θ 0 < x i < θ = 0 < mi i x i x < θ θ Esercizio 3.8 Per il modello dell Esempio 3.7 e per = 1 e = fare il grafico della fuzioe di desità e della fuzioe di verosimigliaza. Defiizioe 3.9 Stimatore di massima verosimigliaza di θ è ˆθ MV X = arg sup θ Θ Lθ; X Osservazioi Si dice ache stimatore i massima verosimigliaza di θ.. ˆθMV X è ua variabile/vettore aleatorio, è ua statistica, è uo stimatore. 3. ˆθMV potrebbe o essere uico, potrebbe o esistere per esempio essere +, potrebbe o apparteere a Θ appartiee però alla sua chiusura euclidea. 4. Nel caso di campioe discreto è evidete l iterpretazioe dello stimatore di massima verosimigliaza come quel valore del parametro che selezioa il modello probabilistico, all itero del modello statistico, per cui il valore osservato x è il più probabile. 5. Poichè la fuzioe logaritmo è strettamete crescete, vale ˆθ MV X = arg sup θ Θ lθ; X. 6. Nel calcolo di ˆθ MV si possoo trascurare i fattori della verosimigliaza costati i θ, per esempio se T è sufficiete per θ allora ˆθ MV = arg sup θ Θ gt X; θ e lo stimatore di massima verosimigliaza è fuzioe del campioe solo tramite la statistica sufficiete. 15

16 Osservazioi Il determiare uo stimatore di massima verosimigliaza è quidi u problema di massimizzazioe di fuzioi multivariate e soggetto alle difficoltà iereti questi calcoli, comprese quelle di istabilità umerica.. Se L è differeziabile i θ, lo stimatore di massima verosimigliaza è soluzioe delle equazioi di verosimigliaza defiite come Lθ = 0 per i = 1,..., p o, equivaletemete se l è defiita, lθ = 0. θ i θ i 3. Occorre verificare che i puti critici delle equazioi di verosimigliaza siao effettivamete puti di massimo. I due dimesioi, se esiste la matrice Hessiaa della fuzioe di verosimigliaza o logverosimigliaza e el puto critico il suo determiate è positivo ed almeo u suo elemeto diagoale è egativo, allora il puto critico è u massimo locale ed u cadidato ad essere massimo globale e quidi stimatore di massima verosimigliaza. Nel caso di tre parametri si può studiare il sego degli autovalori della matrice Hessiaa. E el caso di spazio parametrico di dimesioe maggiore di tre? Esempio 3.1 Si cosiderio le segueti due desità di probabilità per X {0, 1, } idicizzate da θ {θ 0, θ 1 } X = x 0 1 θ θ Se si osserva x = 0 allora lo stimatore di massima verosimigliaza di θ è θ 0, altrimeti è θ 1. Esercizio Sia X 1,..., X i.i.d. Beroullip co p ]0, 1[. Utilizzado la fuzioe di log-verosimigliaza verificare che ˆp = X è stimatore di massima verosimigliaza di p. Notare che è ache statistica sufficiete. Verificare che il valore atteso di ˆp è p. Soo queste proprietà geerali degli stimatori di massima verosimigliaza?. Siao X 1,..., X copie idipedeti di X Expλ co λ > 0. Si osservi che per f X1 x 1 = λ exp λx 1 x 1 > 0 si ha l λ = λ x i = 0 per ˆλ = / x i e che l λ = λ < 0. Si ha quidi ˆλ MV = / X i = 1/ X. Si oti che ˆλ MV è stimatore distorto di λ ifatti per la disuguagliaza di Jese vale la maggiorazioe stretta E1/ X > 1/ E X = 1 = λ I particolare gli stimatori di massima verosimigliaza possoo o essere corretti. Idichiamo che soo asitoticamete corretti seza dimostrarlo v. Esempio L esercizio successivo idica u metodo tramite il quale talora è possibile correggere uo stimatore. Esercizio 3.14 Stimatori di massima verosimigliaza possoo essere distorti Sia X 1,..., X i.i.d. Uiform]0, θ[ co θ > Dimostrare che lo stimatore di massima verosimigliaza di θ R >0 è ˆθ = X.. Verificare che la desità di probabilità di X è fy = y 1 θ 1 λ co y ]0, θ[. 3. Verificare che E θ ˆθ = +1 θ e che Var θ θˆθ = +x+1. Si oti che ˆθ è distorto per θ. Lo si può correggere otteedo u altro stimatore ˆθ = +1 ˆθ = +1 X. 4. Verificare che ˆθ è statistica sufficiete per θ. 5. Cofrotare ˆθ co ˆθ MOM = X. Ricooscere i ˆθ MOM uo stimatore dei mometi di θ, verificare che è corretto per θ. Notare che X o è statistica sufficiete per θ. Esempio 3.15 Siao X 1,..., X i.i.d. Uiform]θ, θ + 1[ co θ R. La fuzioe di verosimigliaza è Lθ; x = x 1 > θx 1 < θ = x 1 < θ < x 1 Ogi variabile aleatoria ell itervallo stocastico [X 1, X 1 ] è stimatore di massima verosimigliaza. Si osservi che Prob θ X 1 X 1 = 0 per ogi θ e quidi co probabilità uo esistoo ifiiti stimatori di massima verosimigliaza. 16

17 Esercizio 3.16 IMPORTANTE Calcolare gli stimatori di massima verosimigliaza el caso di campioi casuali di taglia 1. N µ, σ per µ, σ R R suppoedo σ oto, µ oto, etrambi o oti;. Poissoλ co λ > 0. Theorem 3.17 di ivariaza per stimatori di massima verosimigliaza Sia ˆθ di massima verosimigliaza per θ allora gˆθ è di massima verosimigliaza per gθ per ogi fuzioe g. Proof. Se g è ivertibile, la dimostrazioe è immediata. Defiiamo A η = {θ Θ : gθ = η} per ogi η valore assuto da g e la fuzioe di verosimigliaza idotta Ora sup η L η; x = sup η sup {θ:gθ=η} = sup Lθ; x θ L η; x = Lθ; x sup Lθ; x [0, + ] {θ:gθ=η} per defiizioe di L per proprietà di sup = Lˆθ; x per defiizioe di MLE di θ = sup Lθ; x = L gˆθ; x {θ:gˆθ=gθ} Esempio Lo stimatore di massima verosimigliaza di p i u campioe casuale Beroulliao di parametro p ]0, 1[ è ˆp = X = X i /.. Il valore atteso di ˆp rispetto alle leggi di probabilità el modello è Eˆp Xi = E p = 1 p1 p Var p Xi + E p Xi = + p = p p1 p + I particolare lo stimatore di massima verosimigliaza di p esiste, uico, ma o è corretto. Ma il secodo termie ell uguagliaza precedete il fattore di distorsioe coverge a zero se tede a più ifiito. Si dice che lo stimatore ˆp è asitoticamete corretto per p. Questa è ua proprietà codivisa dagli stimatori di massima verosimigliaza. Più i geerale vale che gli stimatori di massima verosimigliaza soo asitoticamete cosisteti v Determiare lo stimatore di massima verosimigliaza di p1 p. Theorem 3.19 Stima i massima verosimigliaza e modelli di classe espoeziale Sia X hx exp θ, T x ψθ co θ R p e x X R v e T = T 1,..., T p R p. Siao X 1,..., X copie idipedeti di X. 1. Il campioe X = X 1,..., X è di classe espoeziale. e la fuzioe di verosimigliaza associata è Lθ; x 1,..., x = hx i exp θ, T x i ψθ 3. Vale E θ T i = ψθ θ i per i = 1,..., p 17

18 4. Cov θ T i, T j = ψθ θ i θ j per i, j = 1,..., p ψθ 5. Ioltre T X è stimatore di massima verosimigliaza di Gradiet θ ψ = θ 1 6. ed è stimatore corretto.,..., ψθ θ p Proof. Trascuriamo lo studio dell esisteza dei valori attesi e covariaze. Si osservi che corrispode a questioi di esisteza di derivate prime e secode di ua fuzioe del parametro. Si lascia al lettore la dimostrazioe dei primi due puti. Per il resto della dimostrazioe useremo 1 = hx exp θ, T x ψθ dx = hx exp θ, T x dx exp ψθ χ da cui expψθ = hx exp θ, T x dx. Nel seguito suppoiamo di poter commutare gli operatori di χ itegrazioe e derivazioe coivolti. 5 Per la dimostrazioe del puto 3, da cui segue il puto 6., si cosideri che ψ θ = i hx exp θ, T x dx χ χ θ i χ hx exp θ, T x dx = hx θ i exp θ, T x dx hx exp θ, T x dx χ χ = ht i exp θ, T dx = T i h exp θ, T ψθ dx expψθ χ La dimostrazioe del puto 4. è simile: occorre derivare rispetto θ j oltre che rispetto a θ i. Per il quito puto si poga uguale a zero il gradiete della fuzioe di log-verosimigliaza χ l θ i = T i ψ θ i = 0 e si verifichi che la matrice Hessiaa è defiita-egativa 6 ei puti critici di l sfruttado la relazioe l = ψθ = VarCov θ T i, T j θ i θ j θ i θ j Esercizio 3.0 Alla luce di questo teorema, rifare l esercizio Esercizio 3.1 Si ricordi che N µ, σ, co µ, σ R R >0, è u modello di classe espoeziale. particolare da exp x σ + µ σ x µ σ 1 log σ µ si deduce che θ = σ, 1 σ R R <0 è parametro aturale e vale µ, σ = θ 1, 1 θ θ -campioe casuale T = X i, X i è statistica caoica e la fuzioe dei cumulati è µ ψθ = σ + 1 log σ = 1 log θ θ 1 4θ I. Per u 5 d bθ Spesso per gli esempi che facciamo si può applicare la regola di Leibitz: fx, θ dx = fbθ, θ d dθ aθ dθ bθ faθ, θ d bθ dθ aθ + d fx, θ dx co f, a, b differeziabili i θ. Per a e b costati v. modelli regolari si semplifica a aθ dθ d b b d fx, θ dx = fx, θ dx. dθ a a dθ 6 Matrici di variaza-covariaza soo semidefiite positive, ifatti VarCovX = E X EXX EX t = E Y Y t = VarCovY where Y = X EX. Ora per ogi x R vale x t VarCovY x = Ex t Y Y t x = EY t x t Y t x = EZ dove Z = Y t x. 18

19 Per il Teorema 3.19 T è stimatore di massima verosimigliaza di θ ψ. Calcoliamo ψ = θ 1 = µ θ 1 θ ψ = θ 1 θ + θ 1 4θ = σ + µ Per il teorema di ivariaza degli stimatori di massima verosimigliaza si ha T 1 = X i = µ ˆ = ˆµ T = Xi = σ + ˆ µ = ˆσ + ˆµ e quidi gli stimatori di massima verosimigliaza dei parametri µ e σ soo ˆµ = X i / X ˆσ = i X ˆµ = i X i / Xi = X Ricordado che S Xi = X è corretto per σ si ha che lo stimatore di massima verosimigliaza di σ 1 o è corretto. Calcolare lo stimatore di massima verosimigliaza di θ. Verifichiamo l ultima affermazioe dell esercizio precedete. Esempio 3. stimatori di massima verosimigliaza possoo essere distorti, u altro esempio Sia X 1,..., X u campioe casuale uivariato co EX 1 e VarX 1 fiiti quadrato itegrabile. Per la liearità dell operatore valore atteso, la media campioaria è stimatore corretto di EX 1. Metre X i X o è stimatore corretto di VarX 1 si ricordi che è stimatore di massima verosimigliaza ifatti: E θ X i X = E θ 1 Xi 1 X j X k =... = 1σ Ne segue che X i X 1 j k lo stimatore dei miimi quadrati è corretto per VarX 1. Esercizio 3.3 Sia V stimatore di massima verosimigliaza di θ R ed esistao a, b R co a 0 tale che E θ V = aθ + b. Allora V b/a è stimatore corretto di θ. 3.3 Pricipio di ivariaza/equivariaza Si veda il libro di Casella Berger paragrafi 6.3 e Fiora abbiamo studiato la tecica di riduzioe dei dati per sufficieza e la sua relazioe co la fuzioe di verosimigliaza: se T è statistica sufficiete per θ e x, y X soo tali che T x = T y allora si ha la stessa ifereza su θ per verosimigliaza. Ifatti per la sufficieza di T esistoo due fuzioi h, g tali che Lθ; x = hxgt x; θ e quidi Lθ; x gt x; θ = gt y; θ Lθ; y. Ora itroduciamo u altro pricipio di ifereza basato sul cocetto di ivariaza. Suppoiamo u esperimeto i cui è di iteresse stimare il diametro medio degli alberi di ua foresta. Il campioe potrà essere misurato i cetimetri o i piedi o i qualche altra uità di misura lieare. Se si misurao gli stessi alberi, si dovrà otteere la stessa stima, cambierà l uità di misura rispetto alla quale è espressa ma le deduzioi ifereziali sul valore medio del diametro dovrao essere le stesse. Questo è u esempio di ivariaza rispetto all uità di misura measuremet ivariace per cui l ifereza o dipede dalla scala di misura. Ora suppoiamo che due problemi ifereziali abbiao la stessa struttura matematica. Allora dalla stessa procedura ifereziale si dovrao dedurre le stesse coclusioi per i due problemi. La struttura matematica di u problema ifereziale i questo cotesto è il modello statistico. Si parla di ivariaza formale. Per esempio per stimare l altezza media degli alberi i ua foresta, la lughezza del collo delle giraffe, il costo medio delle 19

20 uova è ragioevole cosiderare u campioe ideticamete distribuito, ragioevolmete o idipedete, e lo stesso modello statistico. Secodo il pricipio di ivariaza se gx è u cambiameto di uità di misura tale che i modelli statistici per X e per gx hao la stessa struttura formale, allora ua procedura di ifereza dovrebbe essere ivariate sia rispetto al cambio di misura sia formalmete. Defiizioe 3.4 U gruppo di trasformazioi dello spazio campioario X è u isieme di fuzioi da X a X tale che 1. per ogi g, h G g h G è chiuso rispetto alla composizioe, posso trasformare il trasformato,. per ogi g, h, l G allora h g l = h g l proprietà associativa, è lo stesso ruotare ciò che è stato scalato e traslato o prima traslare e poi applicare u rotazioe e traslazioe 3. esiste i G G per cui per ogi g G si ha i G g = g i G = g gruppo co idetià 4. per ogi g G esiste g 1 G tale che g g 1 = g 1 g = i G iverso, traslo di θ e di θ e o ho cambiato lo spazio campioario. Defiizioe 3.5 Il modello statistico F parametrizzato da θ Θ è ivariate per il gruppo di trasformazioi dello spazio campioario G se per X f ; θ e per g G esiste uico θ Θ tale che Y = gx f ; θ. Se F è ivariate rispetto a G allora dato g G ad ogi θ è associato u uico θ Θ. Sia ḡθ = θ la fuzioe da Θ a Θ idotta da g. Esempio 3.6 Siao X Biomial, θ co oto e θ ]0, 1[= Θ e G = {g 1, g } co g 1 x = x e g x = x per x {0, 1,..., } = X. La variabile aleatoria g X = X Biomial, θ cota i successi metre g 1 X Biomial, 1 θ cota i fallimeti. Il modello statistico determiato da Biomial, θ co θ ]0, 1[ e oto è ivariate rispetto a G e ḡ θ = θ e ḡ 1 θ = 1 θ per θ ]0, 1[. Metre se Θ =]1/, 1[ il modello statistico biomiale o è ivariate rispetto a G. Esercizio 3.7 Siao X 1,..., X i.i.d. N µ, σ co µ, σ R R >0 e G = {g a x = x 1 + a,..., x + a : a R}. Verificare che il modello ormale è ivariate rispetto a G. E ivariate ache rispetto al gruppo di trasformazioi H = {g a x = x 1 + a 1,..., x + a : a = a 1,..., a R }? Defiizioe 3.8 Sia F ivariate rispetto a G e sia W X uo stimatore putuale di θ. rispetto a G se per ogi X, θ Θ e g G vale W gx = ḡw x. W è ivariate Questa defiizioe equaglia l ivariaza i misura, ḡw x stima di ḡθ, co l ivariaza formale, W gx stima di ḡθ. Esempio 3.9 Esercizio 3.6 Sia T X uo stimatore di θ e T x uo stimatore di 1 θ. L ivariaza per misura impoe T x = 1 T x e quella formale impoe la stessa procedura e quidi T x = 1 T x = 1 T x I particolare per uo stimatore ivariate rispetto alla trasformazioe successi/fallimeti, oto T x è oto ache T x. Verificare che la stima della probabilità di successo data dalla proporzioe di successi osservati x è ivariate. Esempio 3.30 Siao X 1,..., X i.i.d. e si cosideri u modello statistico di posizioe co fuzioe di ripartizioe F x θ, x R e θ R e sia G = {g a x = x 1 + a,..., x + a : a R, x R }. 1. Si cosideri Il campioe trasformato Y ha legge determiata da Y = g a X = X + a = X 1 + a,..., X + a PY y = PY 1 y 1,..., Y y = PX 1 y 1 a,..., X y a = PX 1 y 1 a... PX y a = F y i a θ da cui la trasformazioe idotta sullo spazio dei parametri da g a è ḡθ = θ + a. 0

3.4 Tecniche per valutare uno stimatore

3.4 Tecniche per valutare uno stimatore 3.4 Teciche per valutare uo stimatore 3.4. Il liguaggio delle decisioi statistiche, stimatori corretti e stimatori cosisteti La teoria delle decisioi forisce u liguaggio appropriato per discutere sulla

Dettagli

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15 Corso di Laurea Magistrale i Igegeria Iformatica A.A. 014/15 Complemeti di Probabilità e Statistica Prova scritta del del 3-0-15 Puteggi: 1. 3+3+4;. +3 ; 3. 1.5 5 ; 4. 1 + 1 + 1 + 1 + 3.5. Totale = 30.

Dettagli

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

1 Metodo della massima verosimiglianza

1 Metodo della massima verosimiglianza Metodo della massima verosimigliaza Estraedo u campioe costituito da variabili casuali X i i.i.d. da ua popolazioe X co fuzioe di probabilità/desità f(x, θ), si costruisce la fuzioe di verosimigliaza che

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docete: dott. F. Zucca Esercitazioe # 4 1 Distribuzioe Espoeziale Esercizio 1 Suppoiamo che la durata della vita di ogi membro di

Dettagli

PARTE QUARTA Teoria algebrica dei numeri

PARTE QUARTA Teoria algebrica dei numeri Prerequisiti: Aelli Spazi vettoriali Sia A u aello commutativo uitario PARTE QUARTA Teoria algebrica dei umeri Lezioe 7 Cei sui moduli Defiizioe 7 Si dice modulo (siistro) su A (o semplicemete, A-modulo)

Dettagli

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1 SUCCESSIONI e LIMITI DI SUCCESSIONI c Paola Gervasio - Aalisi Matematica 1 - A.A. 15/16 Successioi cap3b.pdf 1 Successioi Def. Ua successioe è ua fuzioe reale (Y = R) a variabile aturale, ovvero X = N:

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE LORENZO BRASCO. Teoremi di Cesaro Teorema di Stolz-Cesaro. Siao {a } N e {b } N due successioi umeriche, co {b } N strettamete positiva, strettamete crescete e ilitata. Se esiste

Dettagli

I appello - 29 Giugno 2007

I appello - 29 Giugno 2007 Facoltà di Igegeria - Corso di Laurea i Ig. Iformatica e delle Telecom. A.A.6/7 I appello - 9 Giugo 7 ) Studiare la covergeza putuale e uiforme della seguete successioe di fuzioi: [ ( )] f (x) = cos (

Dettagli

1 Successioni 1 1.1 Limite di una successione... 2. 2 Serie 3 2.1 La serie armonica... 6 2.2 La serie geometrica... 6

1 Successioni 1 1.1 Limite di una successione... 2. 2 Serie 3 2.1 La serie armonica... 6 2.2 La serie geometrica... 6 SUCCESSIONI Successioi e serie Idice Successioi. Limite di ua successioe........................................... Serie 3. La serie armoica................................................ 6. La serie

Dettagli

II-9 Successioni e serie

II-9 Successioni e serie SUCCESSIONI II-9 Successioi e serie Idice Successioi. Limite di ua successioe........................................... Serie 3. La serie armoica................................................ 6. La

Dettagli

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi.

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi. Serie SERIE NUMERICHE Co l itroduzioe delle serie vogliamo estedere l operazioe algebrica di somma ad u umero ifiito di addedi. Def. Data la successioe {a }, defiiamo la successioe {s } poedo s = a k.

Dettagli

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni Statistica I, Laurea trieale i Ig. Gestioale, a.a. 2011/12 Registro delle lezioi Lezioe 1 (28/9, ore 11:30). Vedere la registrazioe di Barsati, dispoibile alla pagia http://users.dma.uipi.it/barsati/statistica_2011/idex.html.

Dettagli

Successioni. Capitolo 2. 2.1 Definizione

Successioni. Capitolo 2. 2.1 Definizione Capitolo 2 Successioi 2.1 Defiizioe Ua prima descrizioe, più ituitiva che rigorosa, di quel che itediamo per successioe cosiste i: Ua successioe è ua lista ordiata di oggetti, avete u primo ma o u ultimo

Dettagli

Analisi statistica dell Output

Analisi statistica dell Output Aalisi statistica dell Output IL Simulatore è u adeguata rappresetazioe della Realtà! E adesso? Come va iterpretato l Output? Quado le Osservazioi soo sigificative? Quati Ru del Simulatore è corretto effettuare?

Dettagli

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA Matematica e statistica: dai dati ai modelli alle scelte www.dima.uige/pls_statistica Resposabili scietifici M.P. Rogati e E. Sasso (Dipartimeto di Matematica Uiversità di Geova) STATISTICA INFERENZIALE

Dettagli

Campi vettoriali conservativi e solenoidali

Campi vettoriali conservativi e solenoidali Campi vettoriali coservativi e soleoidali Sia (x,y,z) u campo vettoriale defiito i ua regioe di spazio Ω, e sia u cammio, di estremi A e B, defiito i Ω. Sia r (u) ua parametrizzazioe di, fuzioe della variabile

Dettagli

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI Apputi di Statistica Sociale Uiversità ore di Ea LE MISURE DI VARIABILITÀ DI CARATTERI QUATITATIVI La variabilità di u isieme di osservazioi attiee all attitudie delle variabili studiate ad assumere modalità

Dettagli

V Tutorato 6 Novembre 2014

V Tutorato 6 Novembre 2014 1. Data la successioe V Tutorato 6 Novembre 01 determiare il lim b. Data la successioe b = a = + 1 + 1 8 6 + 1 80 + 18 se 0 se < 0 scrivere i termii a 0, a 1, a, a 0 e determiare lim a. Data la successioe

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea i Ecoomia e Fiaza Statistica 1 A.A. 2015/2016 (8 CFU, corrispodeti a 48 ore di lezioe frotale e 24 ore di esercitazioe) Prof. Luigi Augugliaro 1 / 19 Iterdipedeza lieare fra variabili quatitative

Dettagli

Successioni. Grafico di una successione

Successioni. Grafico di una successione Successioi Ua successioe di umeri reali è semplicemete ua sequeza di ifiiti umeri reali:, 2, 3,...,,... dove co idichiamo il termie geerale della successioe. Ad esempio, discutedo il sigificato fiaziario

Dettagli

SUCCESSIONI E SERIE NUMERICHE

SUCCESSIONI E SERIE NUMERICHE SUCCESSIONI E SERIE NUMERICHE. Successioi umeriche a. Defiizioi: successioi aritmetiche e geometriche Cosideriamo ua sequeza di umeri quale ad esempio:,5,8,,4,7,... Tale sequeza è costituita mediate ua

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

5. Le serie numeriche

5. Le serie numeriche 5. Le serie umeriche Ricordiamo che ua successioe reale è ua fuzioe defiita da N, evetualmete privato di u umero fiito di elemeti, a R. Solitamete si idica ua successioe co la lista dei suoi valori: (a

Dettagli

Metodi statistici per l analisi dei dati

Metodi statistici per l analisi dei dati Metodi statistici per l aalisi dei dati due ttameti Motivazioi ttameti Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ttameti) per cui soo stati codotti gli esperimeti. due ttameti Esempio itroduttivo

Dettagli

Foglio di esercizi N. 1 - Soluzioni

Foglio di esercizi N. 1 - Soluzioni Foglio di esercizi N. - Soluzioi. Determiare il domiio della fuzioe f) = log 3 + log 3 3)). Deve essere + log 3 3) > 0, ovvero log 3 3) >, ovvero prededo l espoeziale i base 3 di etrambi i membri) 3 >

Dettagli

Successioni ricorsive di numeri

Successioni ricorsive di numeri Successioi ricorsive di umeri Getile Alessadro Laboratorio di matematica discreta A.A. 6/7 I queste pagie si voglioo predere i esame alcue tra le più famose successioi ricorsive, presetadoe alcue caratteristiche..

Dettagli

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE STATISTICA parte / U test statistico è ua regola di decisioe Effettuare u test statistico sigifica verificare IPOTESI sui parametri. STATISTICA INFERENZIALE STIMA PUNTUALE STIMA PER INTERVALLI TEST PARAMETRICI

Dettagli

LA VERIFICA DELLE IPOTESI SUI PARAMETRI

LA VERIFICA DELLE IPOTESI SUI PARAMETRI LA VERIFICA DELLE IPOTESI SUI PARAMETRI E u problema di ifereza per molti aspetti collegato a quello della stima. Rispode ad u esigeza di carattere pratico che spesso si preseta i molti campi dell attività

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Ua fuzioe reale di ua variabile reale f di domiio A è ua legge che ad ogi x A associa u umero reale che deotiamo co f(x). Se A = N, la f è detta successioe di umeri reali. Se co si

Dettagli

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

Capitolo Decimo SERIE DI FUNZIONI

Capitolo Decimo SERIE DI FUNZIONI Capitolo Decimo SERIE DI FUNZIONI SUCCESSIONI DI FUNZIONI I cocetti di successioe e di serie possoo essere estesi i modo molto aturale al caso delle fuzioi DEFINIZIONE Sia E u sottoisieme di  e, per ogi

Dettagli

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere Eserciio 1 7 puti. Dato il campo vettoriale v, + 1,, i si determii ua fuioe f > i modo tale che il campo vettoriale f v sia irrotaioale, cioè abbia le derivate icrociate uguali; ii si spieghi se i risultati

Dettagli

5 ln n + ln. 4 ln n + ln. 6 ln n + ln

5 ln n + ln. 4 ln n + ln. 6 ln n + ln DOMINIO FUNZIONE Determiare il domiio della fuzioe f = l e e + e + e Deve essere e e + e + e >, posto e = t si ha t e + t + e = per t = e e per t = / Il campo di esisteza è:, l, + Determiare il domiio

Dettagli

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x.

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x. ANALISI MATEMATICA Area dell Igegeria dell Iformazioe Appello del 5.0.0 TEMA Esercizio Si cosideri la fuzioe f(x = arcsi log x. Determiare il domiio di f e discutere il sego. Discutere brevemete la cotiuità

Dettagli

Statistica di base. Luca Mari, versione 31.12.13

Statistica di base. Luca Mari, versione 31.12.13 Statistica di base Luca Mari, versioe 31.12.13 Coteuti Moda...1 Distribuzioi cumulate...2 Mediaa, quartili, percetili...3 Sigificatività empirica degli idici ordiali...3 Media...4 Acora sulla media...4

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

Terzo appello del. primo modulo. di ANALISI 18.07.2006

Terzo appello del. primo modulo. di ANALISI 18.07.2006 Terzo appello del primo modulo di ANALISI 18.7.26 1. Si voglioo ifilare su u filo delle perle distiguibili tra loro solo i base alla dimesioe: si hao a disposizioe perle gradi di diametro di 2 cetimetri

Dettagli

Il test parametrico si costruisce in tre passi:

Il test parametrico si costruisce in tre passi: R. Lombardo I. Cammiatiello Dipartimeto di Ecoomia Secoda Uiversità degli studi Napoli Facoltà di Ecoomia Ifereza Statistica La Verifica delle Ipotesi Obiettivo Verifica (test) di u ipotesi statistica

Dettagli

Statistica descrittiva

Statistica descrittiva Statistica descrittiva idici idici (o misure) di posizioe media campioaria di osservazioi x, x,..., x x i x= per campioi x ì ripetuti ciascuo co frequeza f i x= x i f i Posto y i =a x i b : y=a x mediaa

Dettagli

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag.

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag. SERIE NUMERICHE (Cosimo De Mitri. Defiizioe, esempi e primi risultati... pag.. Criteri per serie a termii positivi... pag. 4 3. Covergeza assoluta e criteri per serie a termii di sego qualsiasi... pag.

Dettagli

Modelli multiperiodali discreti. Strategie di investimento

Modelli multiperiodali discreti. Strategie di investimento Modelli multiperiodali discreti Cosideriamo ora modelli discreti cioè co u umero fiito di stati del modo multiperiodali, cioè apputo co più periodi. Il prototipo di questa classe di modelli è il modello

Dettagli

Esercizi riguardanti limiti di successioni

Esercizi riguardanti limiti di successioni Esercizi riguardati iti di successioi Davide Boscaii Queste soo le ote da cui ho tratto le esercitazioi del gioro 27 Ottobre 20. Come tali soo be lugi dall essere eseti da errori, ivito quidi chi e trovasse

Dettagli

STATISTICA DESCRITTIVA

STATISTICA DESCRITTIVA STATISTICA DESCRITTIVA La statistica descrittiva serve per elaborare e sitetizzare dati. Tipicamete i dati si rappresetao i tabelle. Esempio. Suppoiamo di codurre u idagie per cooscere gli iscritti al

Dettagli

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1)

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) I umeri aturali hao u ordie; ogi umero aturale ha u successivo (otteuto aggiugedo 1), e ogi umero aturale diverso da zero ha u precedete (otteuto sottraedo 1).

Dettagli

DISTRIBUZIONI DOPPIE

DISTRIBUZIONI DOPPIE DISTRIBUZIONI DOPPIE Fio ad ora abbiamo visto teciche di aalisi dei dati per il solo caso i cui ci si occupi di u solo carattere rilevato su u collettivo (distribuzioi semplici). I termii formali fio ad

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02%

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02% RISPOSTE MOTIVATE QUIZ D AMMISSIONE 2000-2001 MATEMATICA 51. L espressioe log( 2 ) equivale a : A) 2log B) log2 C) 2log D) log E) log 2 Dati 2 umeri positivi a e b (co a 1), si defiisce logaritmo i base

Dettagli

Analisi Fattoriale Discriminante

Analisi Fattoriale Discriminante Aalisi Fattoriale Discrimiate Bibliografia Lucidi (materiale reperibile via Iteret) Lauro C.N. Uiversità di Napoli Gherghi M. Uiversità di Napoli D Ambra L. Uiversità di Napoli Keeth M. Portier Uiversity

Dettagli

CARATTERISTICHE MECCANICHE DI PIETRE NATURALI PER FACCIATE VENTILATE. Di seguito verranno utilizzati i seguenti simboli:

CARATTERISTICHE MECCANICHE DI PIETRE NATURALI PER FACCIATE VENTILATE. Di seguito verranno utilizzati i seguenti simboli: PROPOSTA DI UN PROTOCOLLO DI PROVE PER IL CONTROLLO DELLE CARATTERISTICHE MECCANICHE DI PIETRE NATURALI PER FACCIATE VENTILATE FINALITÀ Nel campo edile l utilizzo di rivestimeti esteri da riportare sulle

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006 ESAME DI STAT DI LICE SCIENTIFIC CRS DI RDINAMENT 006 Il cadidato risolva uo dei due problemi e 5 dei 0 quesiti i cui si articola il questioario. PRBLEMA U filo metallico di lughezza l viee utilizzato

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagia Giovaa Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secodaria di secodo grado UNITÀ CAMPIONE Edizioi del Quadrifoglio à t i U 2 Radicali I questa Uità affrotiamo

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioi di Statistica Il modello di Regressioe Prof. Livia De Giovai statistica@dis.uiroma.it Esercizio Solitamete è accertato che aumetado il umero di uità prodotte, u idustria possa ridurre i costi

Dettagli

Capitolo 6 Teoremi limite classici

Capitolo 6 Teoremi limite classici Capitolo 6 Teoremi limite classici Abstract I Teoremi limite classici, la legge dei gradi umeri e il teorema limite cetrale, costituiscoo il ucleo del Calcolo delle Probabilità, per la loro portata sia

Dettagli

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale Calcolo della risposta di u sistema lieare viscoso a più gradi di libertà co il metodo dell Aalisi Modale Lezioe 2/2 Prof. Adolfo Satii - Diamica delle Strutture 1 La risposta a carichi variabili co la

Dettagli

Le carte di controllo

Le carte di controllo Le carte di cotrollo Dott.ssa Bruella Caroleo 07 dicembre 007 Variabilità ei processi produttivi Le caratteristiche di qualsiasi processo produttivo soo caratterizzate da variabilità Le cause di variabilità

Dettagli

Dispense di Analisi Matematica II

Dispense di Analisi Matematica II Dispese di Aalisi Matematica II Domeico Cadeloro (Prima Parte) Itroduzioe Queste dispese trattao la prima parte del corso di Aalisi Matematica II. Nel primo capitolo si discutoo gli itegrali geeralizzati

Dettagli

Tutti i diritti di sfruttamento economico dell opera appartengono alla Esselibri S.p.A. (art. 64, D.Lgs. 10-2-2005, n. 30)

Tutti i diritti di sfruttamento economico dell opera appartengono alla Esselibri S.p.A. (art. 64, D.Lgs. 10-2-2005, n. 30) Copyright 2005 Esselibri S.p.A. Via F. Russo, 33/D 8023 Napoli Azieda co sistema qualità certificato ISO 400: 2003 Tutti i diritti riservati. È vietata la riproduzioe ache parziale e co qualsiasi mezzo

Dettagli

Anno 5 Successioni numeriche

Anno 5 Successioni numeriche Ao 5 Successioi umeriche Itroduzioe I questa lezioe impareremo a descrivere e calcolare il limite di ua successioe. Ma cos è ua successioe? Come si calcola il suo limite? Al termie di questa lezioe sarai

Dettagli

Selezione avversa e razionamento del credito

Selezione avversa e razionamento del credito Selezioe avversa e razioameto del credito Massimo A. De Fracesco Dipartimeto di Ecoomia politica e statistica, Uiversità di Siea May 3, 013 1 Itroduzioe I questa lezioe presetiamo u semplice modello del

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA Corso di Laurea i Ig Edile Politecico di Bari AA 2008-2009 Prof ssa Letizia Bruetti DISPENSE DEL CORSO DI GEOMETRIA 2 Idice Spazi vettoriali Cei sulle strutture algebriche 4 2 Defiizioe di spazio vettoriale

Dettagli

Limiti di successioni

Limiti di successioni Argometo 3s Limiti di successioi Ua successioe {a : N} è ua fuzioe defiita sull isieme N deiumeriaturaliavalori reali: essa verrà el seguito idicata più brevemeteco{a } a èdettotermie geerale della successioe

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

Corso di Elementi di Impianti e macchine elettriche Anno Accademico 2014-2015

Corso di Elementi di Impianti e macchine elettriche Anno Accademico 2014-2015 Corso di Elemeti di Impiati e mahie elettriche Ao Aademico 014-015 Esercizio.1 U trasformatore moofase ha i segueti dati di targa: Poteza omiale A =10 kva Tesioe omiale V 1 :V =480:10 V Frequeza omiale

Dettagli

ESEMPIO 1. Immaginiamo come si distribuirebbero le stime campionarie se l operazione di campionamento venisse ripetuta più volte.

ESEMPIO 1. Immaginiamo come si distribuirebbero le stime campionarie se l operazione di campionamento venisse ripetuta più volte. ESEMPIO Prima dell esplosioe di ua cetrale ucleare, i terrei di ua certa regioe avevao ua produzioe media di grao pari a 00 quitali co uo scarto di 5. Dopo la catastrofe si selezioao 00 uità di superficie

Dettagli

Calcolo Combinatorio (vers. 1/10/2014)

Calcolo Combinatorio (vers. 1/10/2014) Calcolo Combiatorio (vers. 1/10/2014 Daiela De Caditiis modulo CdP di teoria dei segali Igegeria dell Iformazioe - sede di Latia, CALCOLO COMBINATORIO Pricipio Fodametale del Calcolo Combiatorio: Si realizzio

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia) Massimo A. De Fracesco Uiversità di Siea December 18, 2013 1 ichiami su utilità attesa e avversioe al rischio Prima di cosiderare il

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie umeriche e serie di poteze Sommare u umero fiito di umeri reali è seza dubbio u operazioe che o può riservare molte sorprese Cosa succede però se e sommiamo u umero ifiito? Prima di dare delle defiizioi

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S = S0 X k, co X k = k= co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti

Dettagli

Strumenti di indagine per la valutazione psicologica

Strumenti di indagine per la valutazione psicologica Strumeti di idagie per la valutazioe psicologica 1.2 - Richiami di statistica descrittiva Davide Massidda davide.massidda@gmail.com Descrivere i dati Dovedo scegliere u esame opzioale, uo studete ha itezioe

Dettagli

Teorema 13. Se una sere converge assolutamente, allora converge:

Teorema 13. Se una sere converge assolutamente, allora converge: Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi 03: Riferimeti: R.Adams, Calcolo Differeziale.- Si cosiglia vivamete di fare gli esercizi del testo. Covergeza assoluta e

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia per maager. Prima versioe, marzo 2013; versioe aggiorata, marzo 2014) Massimo A. De Fracesco Uiversità di Siea March 14, 2014 1 Prezzo

Dettagli

ARGOMENTO: SERIE NUMERICHE 1. Dott.ssa Sandra Lucente

ARGOMENTO: SERIE NUMERICHE 1. Dott.ssa Sandra Lucente Corso di Laurea i Matematica LEZIONI PER IL CORSO DI ANALISI MATEMATICA..2 A.A. 2007-2008 ARGOMENTO: SERIE NUMERICHE Dott.ssa Sadra Lucete Idice :. Prime geeralità sulle serie. 2. Serie a termii o egativi:

Dettagli

(DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scienze dell Informazione

(DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scienze dell Informazione (DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scieze dell Iformazioe NOTA Quado i problemi soo formulati el liguaggio ordiario, teere presete che la soluzioe

Dettagli

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1 Prova scritta di Statistica per Biotecologie 9 Aprile Programma Cristallo. Uo dei processi di purificazioe impiegati i ua certa sostaza chimica prevede di metterla i soluzioe e di filtrarla co ua resia

Dettagli

Approfondimenti di statistica e geostatistica

Approfondimenti di statistica e geostatistica Approfodimeti di statistica e geostatistica APAT Agezia per la Protezioe dell Ambiete e per i Servizi Tecici Cos è la geostatistica? Applicazioe dell aalisi di Rischio ai siti Cotamiati Geostatistica La

Dettagli

UNIVERSITA DEGLI STUDI DI PADOVA

UNIVERSITA DEGLI STUDI DI PADOVA UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA SPECIALIASTICA IN SCIENZE STATISTICHE, ECONOMICHE, FINANZIARIE E AZIENDALI TESI DI LAUREA IL METODO DELLE COPULE: ifereza,

Dettagli

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale.

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale. Corso di laurea i Matematica Corso di Aalisi Matematica -2 Dott.ssa Sadra Lucete Fuzioi poteza ed espoeziale. Teorema. Teorema di esisteza della radice -esima. Sia N. Per ogi a R + esiste uo ed u solo

Dettagli

UNIVERSITÀ POLITECNICA DELLE MARCHE Dipartimento di Economia. Variabili Casuali. Giulio Palomba

UNIVERSITÀ POLITECNICA DELLE MARCHE Dipartimento di Economia. Variabili Casuali. Giulio Palomba UNIVERSITÀ POLITECNICA DELLE MARCHE Dipartimeto di Ecoomia Variabili Casuali Giulio Palomba Variabili casuali Idice Itroduzioe 5 Variabili casuali discrete 7. Variabile casuale degeere....................

Dettagli

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo ESERCIZI DI CALCOLO DELLE PROBABILITÁ ) Qual e la probabilita che laciado dadi a facce o esca essu? Studiare il comportameto asitotico di tale probabilita per grade. ) I u sacchetto vi soo 0 pallie biache;

Dettagli

Sommario lezioni di Probabilità versione abbreviata

Sommario lezioni di Probabilità versione abbreviata Sommario lezioi di Probabilità versioe abbreviata C. Frachetti April 28, 2006 1 Lo spazio di probabilità. 1.1 Prime defiizioi I possibili risultati di u esperimeto costituiscoo lo spazio dei campioi o

Dettagli

CAPITOLO SETTIMO GLI INDICI DI FORMA 1. INTRODUZIONE

CAPITOLO SETTIMO GLI INDICI DI FORMA 1. INTRODUZIONE CAPITOLO SETTIMO GLI INDICI DI FORMA SOMMARIO: 1. Itroduzioe. - 2. Asimmetria. - 3. Grafico a scatola (box plot). - 4. Curtosi. - Questioario. 1. INTRODUZIONE Dopo aver aalizzato gli idici di posizioe

Dettagli

Capitolo Terzo. rappresenta la rata di ammortamento del debito di un capitale unitario. Si tratta di risolvere un equazione lineare nell incognita R.

Capitolo Terzo. rappresenta la rata di ammortamento del debito di un capitale unitario. Si tratta di risolvere un equazione lineare nell incognita R. 70 Capitolo Terzo i cui α i rappreseta la rata di ammortameto del debito di u capitale uitario. Si tratta di risolvere u equazioe lieare ell icogita R. SIANO NOTI IL MONTANTE IL TASSO E IL NUMERO DELLE

Dettagli

ESERCIZI SULLE SERIE

ESERCIZI SULLE SERIE ESERCIZI SULLE SERIE Studiare la atura delle segueti serie. ) cos 4 + ; ) + si ; ) + ()! 4) ( ) 5) ( ) + + 6) ( ) + + + 7) ( log ) 8) ( ) + 9) log! 0)! Studiare al variare di x i R la atura delle segueti

Dettagli

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5 Il 16 dicembre 015 ero a Napoli. Ad u agolo di Piazza Date mi soo imbattuto el "matematico di strada", come egli si defiisce, Giuseppe Poloe immerso el suo armametario di tabelle di umeri. Il geiale persoaggio

Dettagli

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c.

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c. I LEZIONE Il ostro iteto è aalizzare i dettaglio i metodi di cifratura che si soo susseguiti el corso della storia prestado particolare attezioe all impiato matematico che e cosete la realizzazioe Iiziamo

Dettagli

Distribuzioni di probabilità Unità 79

Distribuzioni di probabilità Unità 79 Prerequisiti: - Primi elemeti di probabilità e statistica. - Nozioi di calcolo combiatorio. - Rappresetazioe di puti e rette i u piao cartesiao. Questa uità iteressa tutte le scuole ad eccezioe del Liceo

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2006

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2006 ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 006 Il cadidato risolva uo dei due problemi e 5 dei 0 quesiti i cui si articola il questioario. PRBLEMA U filo metallico di lughezza l viee utilizzato

Dettagli

Capitolo 8 Le funzioni e le successioni

Capitolo 8 Le funzioni e le successioni Capitolo 8 Le fuzioi e le successioi Prof. A. Fasao Fuzioe, domiio e codomiio Defiizioe Si chiama fuzioe o applicazioe dall isieme A all isieme B ua relazioe che fa corrispodere ad ogi elemeto di A u solo

Dettagli

ESERCIZI SULLE SERIE NUMERICHE

ESERCIZI SULLE SERIE NUMERICHE ESERCIZI SULLE SERIE NUMERICHE a cura di Michele Scaglia RICHIAMI TEORICI Richiamiamo brevemete i pricipali risultati riguardati le serie umeriche. Teorema (Codizioe Necessaria per la Covergeza) Sia a

Dettagli

Appunti sulla MATEMATICA FINANZIARIA

Appunti sulla MATEMATICA FINANZIARIA INTRODUZIONE Apputi sulla ATEATIA FINANZIARIA La matematica fiaziaria si occupa delle operazioi fiaziarie. Per operazioe fiaziaria si itede quella operazioe ella quale avviee uo scambio di capitali, itesi

Dettagli

1. Considerazioni generali

1. Considerazioni generali . osiderazioi geerali Il processaeto di ob su acchie parallele è iportate sia dal puto di vista teorico che pratico. Dal puto di vista teorico questo caso è ua geeralizzazioe dello schedulig su acchia

Dettagli

Complementi di Matematica e Statistica

Complementi di Matematica e Statistica Uiversità di Bologa Sede di Forlì Ao Accademico 009-00 Complemeti di Matematica e Statistica (Alessadro Lubisco) Aalisi delle compoeti pricipali INDICE Idice... i Aalisi delle compoeti pricipali... Premessa...

Dettagli

3.1 Il principio di inclusione-esclusione

3.1 Il principio di inclusione-esclusione Capitolo 3 Calcolo combiatorio 3.1 Il pricipio di iclusioe-esclusioe Il calcolo combiatorio prede i cosiderazioe degli isiemi fiiti particolari e e cota il umero di elemeti. Questo può dar luogo ad iteressati

Dettagli

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche est o parametrici Il test di Studet per uo o per due campioi, il test F di Fisher per l'aalisi della variaza, la correlazioe, la regressioe, isieme ad altri test di statistica multivariata soo parte dei

Dettagli

Statistica (Prof. Capitanio) Alcuni esercizi tratti da prove scritte d esame

Statistica (Prof. Capitanio) Alcuni esercizi tratti da prove scritte d esame Statistica (Prof. Capitaio) Alcui esercizi tratti da prove scritte d esame Esercizio 1 Il tempo (i miuti) che Paolo impiega, i auto, per arrivare i ufficio, può essere modellato co ua variabile casuale

Dettagli

1 Limiti di successioni

1 Limiti di successioni Esercitazioi di matematica Corso di Istituzioi di Matematica B Facoltà di Architettura Ao Accademico 005/006 Aa Scaramuzza 4 Novembre 005 Limiti di successioi Esercizio.. Servedosi della defiizioe di ite

Dettagli

Serie numeriche. Lorenzo Pisani Facoltà di Scienze Mm.Ff.Nn. A.A. 2007/08

Serie numeriche. Lorenzo Pisani Facoltà di Scienze Mm.Ff.Nn. A.A. 2007/08 Serie umeriche Lorezo Pisai Facoltà di Scieze Mm.Ff.N. A.A. 2007/08 Il problema di sommare i iti addedi è uo dei problemi classici dell aalisi matematica. Azi si tratta di u problema che ell atichità ha

Dettagli