Il Campionamento p Seconda Università degli studi Napoli Facoltà di Economia P l i statistica Popolazione i i Una v.c. X caratterizzata da una Funzione di ripartizione F(X) Distribuzioni campionarie C i statistico Campione t ti ti Il campione casuale Rappresenta una v.c. congiunta R. Lombardo, I. Camminatiello Di i Dipartimento di EEconomiai Distribuzione campionaria St ti ti e momenti Statistica ti campionari. i i Siano X1…Xn n v.c. i.i.d. con funzione di distribuzione detta di densità congiunta f (X1…Xn)=f(X1)*…*f(Xn) Allora X1…Xn è definito campione casuale (con reintroduzione) di ampiezza n estratto da una popolazione X. Le caratteristiche dei campioni estratti da una popolazione sono sintetizzate attraverso una funzione detta statistica Se dda una popolazione S l i X sii estraggono t tutti t tti i possibili ibili campioni i i di ampiezza n e per ogni campione si calcola la statistica di interesse,, definita come funzione delle sole osservazioni campionarie e non dipendente da nessun parametro incognito, si ottiene un insieme di valori ognuno dei quali è candidato ad essere una stima del parametro incognito della popolazione. popolazione Il modo in cui la statistica varierà da un campione ad un altro determina la distribuzione di probabilità della statistica considerata ossia la distribuzione campionaria della statistica. A seconda della specificazione della statistica possiamo avere la distribuzione campionaria della media, della mediana, della varianza e così via. Teorema sulla distribuzione della Media campionaria Siano X1…Xn n osservazioni campionarie p i.i.d. estratte da una Popolazione p X con funzione di densità f(X) ( ) con media e 2 Varianza X X n i E(X ) Media campionaria Si dimostra 2 Var ( X ) n Media campionaria Sia data una certa popolazione X con funzione di densità f (X , , ) Considerando tutte le medie campionarie ed associando ad ogni media distinta la sua probabilità, si ottiene la distribuzione di probabilità della media campionaria Var ( X ) n Di t i Dimostrazione n X 1 E ( X ) E i i 1 n n n i 1 E(X i ) 1 n n i 1 1 n n Si noti che la distribuzione della Media campionaria tende, al crescere di n a concentrarsi attorno alla media della Popolazione Distribuzione della media Media campionaria: Campionamento senza reintroduzione Nel caso in cui le v.c. X1…Xn siano dipendenti Il campionamento è detto senza reintroduzione: Se X 1 ,, X n è un campione casuale estratto 2 X N ( , ) ssi haa cchee da una u a popolazione popo a o e X N ( , 2 n) e Z X n N (0,1) La probabilità che un elemento della popolazione entri a far Parte del campione è influenzata dal risultato delle estrazioni precedenti!!! Si dimostra che E(X ) e la varianza Var ( X ) 2 N n n N 1 Si noti che quando la popolazione è infinita i due schemi di Campionamento p coincidono!!! In generale la varianza ottenuta da uno schema senza reimmissione è minore di quella ottenuta da un campionamento con reimmissione Teorema di De MoivreMoivre-Laplace p Teorema del Limite Centrale Date n v.c. X1…Xn i.i.d. con media e Varianza 2 e sia: Zn X n E(X n ) Var ( X n ) Xn / n Allora per n che tende ad infinito la distribuzione di Zn converge alla Normale standardizzata. Regola empirica: per n>30 l’approssimazione è accettabile. Il teorema è importante perché grazie ad esso, la distribuzione campionaria della v.c. Media campionaria, si riconduce, per n grande, ad una distribuzione Normale, qualunque sia la forma della funzione di distribuzione della Popolazione dalla quale il campione è estratto!! Se consideriamo una popolazione X descritta da una v.c. di Bernoulli, la v.c. numero di successi in n prove Sn X1 X n g una distribuzione binomiale con segue E ( S n ) np Var ( S n ) npq Consideriamo Yn S n E S n S n np varS n npq Al tendere di n all'infinito la distribuzione di Yn tende alla distribuzione Normale standardizzata. Il teorema vale anche pper la v.c. pproporzione p campionaria p Teorema di De MoivreMoivre-Laplace: Laplace: osservazioni i i • La rapidità con la quale la distribuzione binomiale converge a quella gaussiana dipende dal valore di p • Agli effetti pratici l’approssimazione è ritenuta accettabile se np e nq sono entrambi t bi maggiori i i o ugualili a 55. • Per migliorare l’approssimazione si ricorre alla cosiddetta correzione per continuità. • Poiché la binomiale è discreta e la gaussiana è continua, ai fini del calcolo approssimato si considera ogni valore intero x come centro dell’intervallo ( x-0,5; x+0,5 ). Sn n Esercizio Una moneta ben equilibrata viene lanciata 500 volte. Si calcoli la probabilità che il p tra 240 e 260. numero di teste sia compreso
© Copyright 2024 ExpyDoc