Elementi di Teoria sugli Stimatori
Susanna Ragazzi
Universit degli Studi di Ferrara
Centro per la Modellistica, il Calcolo e la Statistica
Technical Report 01-2006
1. La Teoria degli Stimatori
1.1 Premessa
Linferenze statistica concerne lo studio
di informazioni campionarie per prendere
decisioni riguardanti tutta la popolazione.
Parte centrale dellinferenza la teoria che
discute la determinazione numerica di un
parametro , incognito ma fisso, caratter-
izzante la popolazione X f (x; ), anche
detta teoria degli stimatori. Si discutono al-
cune importanti propriet degli stimatori ed
in particolare della propriet di sufficienza, e
di come accertare quali requisiti conferiscono
alla stima un giudizio di qualit ossia si dis-
cute il problema della validit statistica di
uno stimatore.
1.2 Differenza tra Stimatore e Stima
di un Parametro
Sostanzialmente la differenza tra stima-
tore e stima di un parametro che il primo
una statistica (=una qualunque a funzione
a valori reali del campione casuale da cui
proviene la popolazione) mentre il secondo
il corrispondente valore numerico calcolato
sulla base del campione osservato.
Sia considerata una variabile casuale
X f (x; ) la cui forma funzionale nota
a meno del vettore di parametri (),
dove con () si intende lo spazio paramet-
rico.
Sia X = (X1 , ..., Xn ) un campione ca-
suale estratto dalla variabile casuale x la
cui determinazione numerica fornisce il cam-
pione osservati x = (x1 , ..., xn ) possibile
enunciare le seguenti:
Definizione Si definisce stima tn
qualunque funzione T (.) nota e a valori
reali definita sulla n-upla di numeri reali
(x1 , ..., xn ), cio tn = T (x1 , ..., xn ). La stima
di un parametro dunque un numero reale.
Definizione Si definisce stimatore
Tn una qualunque funzione T (.) nota e a val-
ori reali definita sulla n-upla di variabili ca-
suali (X1 , ..., Xn ), cio Tn = T (X1 , ..., Xn ).
Quindi lo stimatore definito come una vari-
abile casuale.
Una questione assai rilevante, sia per
la valutazione di una particolare procedura
di stima che per il confronto di stima-
tori alternativi, la conoscenza della dis-
tribuzione campionaria dello stimatore Tn. In
generale per individuare lo stimatore Tn per
un parametro si deve:
1. stabilire cosa si intende con "bont di
uno stimatore", enucleando gli aspetti
ritenuti pi sensibili della distribuzione
di Tn per la determinazione numerica
di . Tale discussione risulta piuttosto
complessa poich essendo un numero
e Tn una variabile casuale esistono molti
modi per parlare di bont, accuratezza,
affidabilit di uno stimatore.
2. individuare dei "metodi di costruzione
degli stimatori", di stabilire quindi
come si effettua la sintesi dei valori
di (X1 , ..., Xn) per giungere a Tn =
T (X1 , ..., Xn ) in modo tale da fornire
propriet desiderabili allo stimatore per
stimare correttamente .
3. considerare che per natura lo stima-
tore un prodotto statistico per cui la
 sua bont dipende dalla validit degli
assunti da rispettare, dalla correttezza
delle derivazioni e dal rigore con cui
viene usato nelle applicazioni.
1.3 Le propriet degli Stimatori: La
Sufficienza e le Propriet Finite
La Sufficienza degli Stimatori Il con-
cetto di sufficienza nella teoria degli stima-
tori sottost ad un principio di riduzione
del campione osservato (x1 , ..., xn ) in un sot-
tospazio di dimensione molto inferiore, per
la determinazione numerica del parametro
da stimare secondo il quale tra le infi-
nite possibili riduzioni di (x1 , ..., xn ) la statis-
tica sufficiente dovr preservare lessenziale
riguardo .
Sia X = (X1 , ..., Xn ) un campione ca-
suale generato dalla variabile casuale X
f (x; ) dove () il parametro oggetto
di stima.
Definizione Si dice che Tn suffi-
ciente per se la distribuzione condizionata
di (X1 , ..., Xn ) , assunto che Tn abbia un val-
ore t0 non dipende da ; cio Tn sufficiente
per se e solo se (X1 , ..., Xn | Tn = t0 ) non
dipende da .
Se lo stimatore Tn sufficiente per al-
lora la distribuzione condizionata:
(X1 , ..., Xn | Tn = t0 )
h(x1 , ..., xn , Tn = t0 ; )
g(Tn = t0 ; )
non dipende da ; anche se la dis-
tribuzione di ciascuna variabile Xi dipende
da e la distribuzione multivariatandel cam-

se la distribuzione di (X1 , ..., Xn | Tn =
pione casuale f (x1 , ..., xn ; ) = f (xi ; )
i=1
dipenda ancora da .
In questo modo tutte le informazioni
circa il parametro vengono trasferite nello
stimatore Tn in modo integrale.
E importante osservare che se uno sti-
matore sufficiente per un parametro di
una variabile casuale pu non esserlo per
quello di unaltra variabile casuale apparte-
nente ad una famiglia diversa (Garthwaite et
al. 1995, pp19-20).
In sede applicativa la definizione formale
di stimatore sufficiente risulta piuttosto com-
plessa da verificare, a tal fine si introduce il
teorema proposto da Fisher, noto come teo-
rema di fattorizzazione nel quale si esplica le
condizioni necessarie e sufficienti per verifi-
care se un dato stimatore Tn sufficiente per
.
Teorema 1 (di Fattorizzazione di
Fisher) Sia (X1 , ..., Xn ) un campione ca-
suale generato da X f(x; ) allora Tn =
T (X1 , ..., Xn ) sufficiente per se e solo
se esistono due funzioni non negative g(.) e
h(.) tali che la funzione di verosimiglianza si
possa fattorizzzare nel modo seguente:
L(; x) = g(T (x1 , ..., xn ); )h(x1 , ..., xn)
dove g(.) dipende dalle osservazioni
campionarie solo attraverso la sintesi
T (x1 , ..., xn )ottenuta dallo stimatore Tn ,
mentre h(.) funzione del campione e non
dipende dal parametro .
E possibile inoltre generalizzare la
definizione di stimatore sufficiente al caso
di un vettore di m > 1 parametri
= nel modo seguente. Se un vettore
di parametri della variabile casuale X
f (x; ) dalla quale generato un campione
casuale (X1 , ..., Xn ) allora lo stimatore vet-
tore Tn congiuntamente sufficiente (=joint
sufficiente) per il vettore di parametri
t0 ) non dipende da . In maniera
analoga si generalizza il teorema di fat-
torizzazione: un vettore di stimatori Tn
congiuntamente sufficiente per il vettore
di parametri se e solo possibile scri-
vere L(; x) = g(T(x1 , ..., xn ); )h(x1 , ..., xn )
dove e T(x1 , ..., xn ) sono rispettivamente
vettori di parametri e numeri.
Limportanza della Sufficienza La pro-
priet di sufficienza di uno stimatore molto
importante perch da un lato si consider-
ano stimatori che non trascurano nessuna in-
formazione campionaria rilevante dallaltro
non includono informazioni ridondanti per la
stima del parametro.
Limportanza della sufficienza si pu for-
malizzare col seguente Teorema
Teorema 2 Linformazione di
Fisher fornita da uno stimatore sufficiente
Tn coincide con quella fornita dallintero
campione casuale (X1 , ..., Xn ).
Dimostrazione Grazie al teorema
di fattorizzazione, linformazione di Fisher
sar funzione del campione solo attraverso
log g(T (x); ) perch
log h(x1 , ..., xn ) = 0.
Si ricorda che per informazione attesa di
Fisher si intende:  2
In () = E log L(; X) = suddivisione pi fine possibile, cio con il mi-
 2  nor numero di insiemi possibili.
E log L(; X)
2 Teorema 3
dove log L(; X) rappresenta la fun-
zione score; cio la derivata della funzione
log-verosimiglianza (=logaritmo della fun-
zione di verosimiglianza).
Si ricorda che per valore atteso indicato
con E(X) di una variabile casuale X si in-
tende lequivalente della media aritmetica
nella statistica descrittiva, definito come il
momento (il momento semplice di ordine k
di una variabile casuale X discreta definito
come la media
n della
k
k-esima potenza dei val-
ori k = i=1 xi pi - con pi si denota la fun-
zione di massa di probabilit della variabile
casuale X discreta- di una variabile casuale
X continua definito come la media della k-
+
esimapotenza di valori k = xk f (x)dx
con f (x) si denota la funzione di densit
della variabile casuale., f (x) denota la fun-
zione di densit della variabile casuale)
Si osserva che se Tn sufficiente per al-
lora lo sar anche per qualsiasi altra funzione
biunivoca di Tn , per questo tra le infinite
funzioni di uno stimatore Tn si deve individ-
uare quella che realizza la massima riduzione
possibile (conservando linformazione campi-
onaria utile per il parametro ).
Definizione Si dice che Tn uno
stimatore sufficiente minimale per se per
qualsiasi altro stimatore sufficiente Tn la
statistica Tn una funzione di Tn .
Si osserva che lo stimatore Tn opera una
partizione dello spazio campionario Cn Rn
in funzione del valore t0 assunto nel campi-
one; cos , levento Tn = t0 formato da tutte
le n-uple di Cn tali che T (x1 , ..., xn ) = t0 . Il
problema allora quello di operare su Cn la
(di Lehmann e
Scheff) Siano (X1 , ..., Xn ) e (Y1 , ..., Yn )
due campioni casuali generati da
X f (x; ). Si individui una par-
tizione dello spazio campionario Cn tale che
i due campioni appartengano ad essa se e
solo se L(; X)/L(; Y ) non dipende da .
Allora ogni stimatore corrispondente a tale
partizione sufficiente minimale.
Il teorema di Lehmann e Scheff del 1950
fornisce le condizioni necessarie e sufficienti
per lesistenza e la ricerca di statistiche suf-
ficienti minimali.
Le propriet di Ancillarit e Com-
pletezza La propriet di ancillarit di una
statistica insieme alla sufficienza collegata
alla propriet di completezza, introdotta da
Lehmann e Scheff nel 1950, la ,propri-
et di completezza in statistica di im-
portanza fondamentale poich per famiglie
complete alcune procedure inferenziali sono
uniche (Cox e HinKley 1974, pp 30-31).
La propriet di ancillarit di una statis-
tica connessa alle informazioni contenute in
un campione casuale (introdotta da Fisher).
Definizione Una statistica Tn an-
cillare se la sua distribuzione di probabilit
non dipende dal parametro .
Dalla definizione di ancillarit si deduce
che una statistica ancillare non contiene in-
formazioni sul parametro ma se utilizzata
assieme ad una statistica sufficiente mini-
male allora pu migliorare le informazioni su
. E(Tn ) = .
Definizione Sia X f (x; ) e Tn
uno stimatore sufficiente per . Si dice che
Tn uno stimatore completo se, per qualsiasi
funzione q(Tn ) tale che E [q(Tn )] = 0, per
ogni , sussiste lidentit q(Tn ) 0.
In altri termini, uno stimatore Tn com-
pleto se lunica funzione di Tn il cui valor
medio 0 la funzione identicamente nulla.
E possibile individuare il legame tra suf-
ficienza minimale, completezza ed ancillarit
nel teorema di Basu del 1955.
Teorema 4 (di Basu) Se Tn una
statistica sufficente minimale, allora Tn in-
dipendente da ogni statistica ancillare.
Osservazione Lutilit del teorema
di Basu (il cui viceversa falso) affiora
quando possibile dimostrare lindipendenza
di due statistiche senza conoscerne la dis-
tribuzione congiunta.
Teorema 5 Una statistica suffi-
ciente completa sempre minimale.
Dimostrazione Da Zacks (1971)
sufficienza e completezza implicano suffi-
cienza minimale, ma non vero il viceversa.
Propriet Finite di uno Stimatore Si fa
ora riferimento a quei stimatori validi sola-
mente per le dimensioni campionarie finite.
Le propriet finite di maggiore rilevanza
di uno stimatore sono sostanzialmente due:
la propriet di non distorsione e la propriet
di efficienza.
La propriet di non distorsione cos-
tituisce uno degli elementi fondamentali
circa il giudizio di bont di uno stimatore
poich, come si vedr in seguito, indica
come baricentro dello stimatore Tn proprio
il parametro che si vuole stimare.
Definizione Un stimatore Tn non
distorto (=unbiased) per il parametro se
il valore atteso di Tn uguale a . Cio
Si osserva che la distorsione (=bias) di
uno stimatore Tn definita in generale da:
b(Tn ) = E(Tn ) ; di conseguenza la distori-
sione positiva se E(Tn ) > 0, se E(Tn ) <
0 definita negativa. Uno stimatore non
distorto presenta distorsione identicamente
nulla.
Teorema 6 Se Tn uno stimatore
sufficiente e completo per ed esiste una
funzione (Tn ) tale che lo stimatore (Tn )
sia non distorto per , cio E [(Tn )] = ,
allora (Tn ) unico.
Dimostrazione Si supponga che es-
istano due funzioni di Tn , siano 1 (Tn) e
2 (Tn ) sufficienti, complete e non distorte
per . Allora: E [ 1 (Tn ) 2 (Tn )] = 0;
ma a causa della completezza, la relazione
E [ 1 (Tn ) 2 (Tn)] = 0 implica 1 (Tn )
2 (Tn ) 0 per ogni , e quindi 1 (Tn )
2 (Tn ).
La propriet di non distorsione di im-
portanza fondamentale poich indica come
baricentro della distribuzione dello stimatore
Tn proprio il parametro da stimare; in-
fatti il valore medio di una variabile casuale
tanto pi rappresentativo quanto pi la var-
ianza piccola.
Si ricorda che la varianza di uno stima-
tore misura la dispersione dello stimatore at-
torno al suo valor medio quindi se lo stima-
tore distorto, cio se E(Tn ) = , la varianza
non pu essere indicativa circa la bont dello
stesso.
Conviene considerare la variabile casuale
definita da (Tn ) per pervenire ad un cri-
terio utile sia a stimatori distorti che non
distorti, infatti se tale variabile accentrata
sullo zero allora lo stimatore assume valori
campionari attorno al parametro , sarebbe
inoltre auspicabile che la sua distribuzione
fosse con alta probabilit addensata sullo
zero. Il teorema di Markov assicura che
per variabili casuali Tn dotate di momento
secondo, questa probabilit tanto pi ele-
vata quanto pi piccolo il momento secondo
della variabile casuale (Tn ).
Un criterio valido per la bont di uno
stimatore consiste nel richiedere che la media
dei quadrati della variabile casuale (Tn )
sia minima.
Definizione Si definisce er-
rore quadratico medio (=Mean Square
Error) di uno stimatore Tn per il
parametro il seguente valore medio:
M SE(Tn ) = E(Tn )2 .
Lerrore quadratico medio di uno sti-
matore uguale alla varianza dello stima-
tore pi la distorsione al quadrato, ossia
M SE(Tn ) = V ar(Tn ) + b2 (Tn ). Si osserva
che lerrore quadratico medio di uno stima-
tore non distorto coincide con la varianza
dello stimatore.
Lerrore quadratico risulta importante
poich il confronto degli stimatori deve
avvenire sempre confrontando i rispettivi
M SE come criterio di vicinanza relativa
rispetto al parametro preferendo quello con
M SE inferiore. Questo concetto pu essere
formalizzato con il concetto di efficienza di
uno stimatore.
Definizione Uno stimatore T1n si
dice pi efficiente di uno stimatore T2n
per lo stesso parametro se M SE(T1n ) <
M SE(T2n ). In generale per confrontare due
stimatori per un dato parametro si utilizza i
reciproci dei MSE e si misura lefficienza
relativa di T1n rispetto a T2n tramite il
seguente indice:
1
M SE(T1n )
ef f (T1n | T2n ) = =
1
M SE(T2n )
M SE(T2n )
.
M SE(T1n )
Se ef f (T1n | T2n ) > 1 allora si preferisce
lo stimatore T1n rispetto a T2n ; se ef f(T1n |
T2n ) < 1 si preferisce lo stimatore T2n
rispetto a T1n infine se ef f (T1n | T2n ) = 1
allora i due stimatori sono equivalenti in ter-
mini di M SE..
Si osserva che se entrambi gli stimatori
sono non distorti per , allora lefficienza
relativa di T1n rispetto a T2n equivale a:
V ar(T2n )
ef f (T1n | T2n) = .
V ar(T1n )
In altri termini lefficienza relativa di uno
stimatore rispetto ad un altro il rapporto
tra le rispettive numerosit occorrenti per ot-
tenere lo stesso M SE e la stessa varianza nel
caso di stimatori non distorti.
Viene ora introdotta la disuguaglianza (o
limite) di Cramr e Rao utile a risolvere il
problema di trovare un limite inferiore per
la variabilit di uno stimatore di un certo
parametro.
Definizione Se esiste uno stima-
tore Tn non distorto per il parametro che,
fra tutti gli stimatori non distorti quello
con varianza pi piccola, cio il pi effi-
ciente, allora Tn sar detto stimatore non
distorto con varianza minima (=UMVUE
Uniformly Minimun Variance Unbiased Es-
timator).
Disuguaglianza di Cramr e Rao
Se (X1 , ..., Xn ) un campione casuale gen-
erato da X f (x; ) sotto le usuali con-
dizioni di regolarit sulla famiglia della vari-
abile casuale X allora per ogni stimatore
Tn non distorto per si ha: V ar(Tn )
1 1
= ; dove con In () si intende
In () nI()
linformazione di Fisher.
Dimostrazione Sia per uno stima-
tore generico Tn leventuale distorsione in-
dicata con bn (Tn ; ) = b(), mentre con
b() sia indicata la derivata della distor-
sione rispetto a . Allora si ha che:
E(Tn ) = + b(), e che E(Tn ) = 1 +

b(). Daltra parte se E(Vn ) = 0 al-
lora sar anche che Cov(Tn , Vn ) = E(Tn Vn )
per le condizioni di regolarit, vale la
 sar anche: = E(T2n ) = c0 + c1 E(T1n ) =
seguente: E(Tn Vn ) = Tn ( log f)f  dx =
 f  
Tn ( )f dx = Tn ( f )dx =
f lo stimatore unico.
dx = E(Tn ) = 1 + b (), dove con f e f 
si indica la funzione di densit congiunta del
campione e la sua derivata rispetto a ; men-
tre dx = dx1 ...dxn . Per la disuguaglianza di
Cauchy e Schwarz (=per due variabili casuali
che possiedono il momento
 secondo vale sem-
pre Cov(X, Y ) V ar(X)V ar(Y )) sar
 2
[Cov(Tn , Vn )] V ar(Tn )V ar(Tn ) e quindi:
[Cov(TnVn )]2
V ar(Tn )
V ar(Vn )
[E(Tn Vn )]2 [1 + b ()]2
= .
V ar(Vn ) In ()
Se lo stimatore non distorto b() =
b () = 0, cos dimostrata la disug-
uaglianza.
Nel 1991 Pieraccini e Rizzi dimostrano
il teorema seguente che afferma lunicit di
uno stimatore non distorto che raggiunge il
limite di Cramr e Rao.
Teorema 7 Se esiste uno stimatore
Tn non distorto per che raggiunge il limite
di Cramr e Rao allora esso unico.
Dimostrazione Siano T1n e T2n due
stimatori non distorti per con la stessa var-
ianza: V ar(T1n ) = V ar(T2n ) = 1/In () = v,
allora il nuovo stimatore Tn definito come
Tn = (T1n + T2n )/2 sar non distorto e pre-
senter varianza uguale a:
V ar(Tn ) =
1
[V ar(T1n ) + V ar(T2n ) + 2Cov(T1n , T2n )] =
4
1
v(1 + );
2
avendo posto che = Corr(T1n , T2n ). Se
< 1 allora V ar(Tn ) < v, ma impossibile
perch v il valore minimo per la varianza
di uno stimatore non distorto per . Allora
deve essere = 1 che implica MT2n = c0 +
c1 T1n . Tuttavia essendo non distorti per
c0 +c1 , il che avviene solo se c0 0, c1 1.
Ma questo significa che T1n T2n , cio che
Tn f
Grazie alla disuguaglianza di Cramr e
Rao possibile introdurre il concetto di effi-
cienza assoluta o semplicemente efficienza.
Definizione Uno stimatore Tn non
distorto si dice efficiente per un parametro
di una variabile casuale X f (x; ), che
soddisfa le usuali condizioni di regolarit, se
e solo se: V ar(Tn ) = [In ()]1 .
=
Si osserva quindi che se uno stimatore
efficiente esiste ed non distorto, quello
stimatore la cui varianza raggiunge il lim-
ite inferiore della disuguaglianza di Cramr
e Rao.
Confrontando la varianza di uno stima-
tore con la varianza di uno stimatore effi-
ciente (se esso esiste) si misura lefficienza
di uno stimatore, cio si confronta la vari-
anza di ogni stimatore con il limite inferiore
di Cramr e Rao.
Definizione Si definisce efficienza
di uno stimatore Tn la quantit:
1 [1 + b ()]2
V ar(Tn )
ef f (Tn ) = =
1
1/In ()
[V ar(Tn )In ()]1 .
Dato che 0 ef f (Tn ) 1 uno stimatore
preferibile quanto pi la sua efficienza
vicina ad 1, se Tn lo stimatore efficiente
allora ef f (Tn ) 1.
1.4 Alcuni Commenti
Lefficienza determina dunque quanto la
distribuzione di uno stimatore Tn sia vic-
ina ad un parametro , aggiungendo inoltre,
nelle condizioni di regolarit di una famiglia
parametrica, la valutazione di quanto tale
vicinanza sia piccola o grande in rapporto a
quella massima raggiungibile dallo stimatore
efficiente.
E importante sottolineare che:
Lefficienza di uno stimatore impone
la conoscenza della variabile casuale
perch, dopo aver controllato le con-
dizioni di regolarit, si devono cal-
colare le derivate della funzione log-
verosimiglianza ed i rispettivi valor
medi.
La varianza di qualsiasi stima-
tore non pu superare il reciproco
dellinformazione di Fisher, ma questo
non significa che necessariamente
esiste uno stimatore che raggiunga
effettivamente quel limite.
Se lo stimatore Tn presenta la distor-
sione b() la disuguaglianza di Cramr
e Rao si generalizza come segue:
[1 + b ()]2
V ar(Tn ) .
In ()
Tuttavia se gli stimatori sono non dis-
torti, pi coerente esprimere la disug-
uaglianza in termini di M SE cio:
M SE(Tn ) + [b()]2 .
In ()
Se () una funzione che soddisfa le
usuali condizioni di regolarit tale che
(Tn ) sia il corrispondente stimatore
non distorto per () allora:
( ())2
V ar(Tn ) .
In ()
Molto importante il teorema seguente
poich fornisce le risposte circa le condizioni
sotto le quali la varianza di uno stimatore
possa effettivamente raggiungere il limite in-
feriore della disuguaglianza di Cramr e Rao.
Teorema 8 Condizione necessaria e
sufficiente affinch esista uno stimatore Tn
efficiente e non distorto per che sia:
Vn = log L(; X) = In ()(Tn ).
Dimostrazione La disuguaglianza
 2
[Cov(Tn , Vn )] V ar(Tn )V ar(Tn ) diventa
unuguaglianza se e solo se esiste una re-
lazione lineare tra Tn e Vn , cio se: Vn =
c0 + c1 Tn . Se si applica ad ambo i membri
il valor medio, ricordando che E(Vn ) = 0,
E(Tn ) = si ha che:
0 = c0 + c1 c0 = c1 ,
il quale sostituito alla relazione Vn = c0 +
c1 Tn , implica che:
Vn = c1 + c1 Tn = c1 (Tn ).
Se si moltiplica questultima relazione
per Vn e si considera il valore medio di en-
trambi i membri, ricordando che E(Vn Tn ) =
1 si ha che:
E(Vn )2 = c1 E(Vn Tn ) c1 E(Vn ) =
c1 (1) c1 (0) = c1 ,
da cui si deduce che:
 c1 = E(Vn )2 = In () ed infine:
Vn = In ()(Tn ).
Osservazione Emulando la di-
mostrazione per uno stimatore non distorto
possibile pervenire alla famiglia delle vari-
abili casuali per la quale esiste uno stimatore
efficiente, cio la famiglia esponenziale.
Osservazione Lefficienza pu es-
sere verificata solo se le condizioni di rego-
larit sono valide, che non avviene sempre,
come ad esempio per variabili casuali Uni-
formi e per variabili casuali troncate. In
questi casi il limite di Cramr e Rao pu
essere abbassato parlando cos di super ef-
ficienza. (Azzalini 1992 e Rizzi 1992a).
E possibile individuare i legami tra i
concetti di sufficienza, non distorsione ed ef-
ficienza trattai finora con il seguente teo-
rema:
Teorema 9 (di Rao e Blackwell) Sia
(X1 , ..., Xn ) un campione casuale estratto da
X f (x; ) e sia T1n uno stimatore suffi-
ciente per mentre T2n un qualsiasi sti-
matore non distorto di . Allora posto Tn =
E(T2n /T1n ) si ha che:
i) Tn funzione esclusiva di T1n ;
ii) E(Tn ) funzione esclusiva di
T1n ;
iii) V ar(Tn ) V ar(T2n ).
Dimostrazione T2n uno stima-
tore non distorto per , per le propriet del
valor medio si ha che:
E(Tn ) = E(E(T2n | T1n )) = E(T2n ) = .
E noto che per ogni variabile casuale
doppia (X, Y ) si ha:
V ar(Y ) = V ar(Y | X) +
V ar [E(Y | X)] V ar [E(Y | X)] ;
segue che:
V ar(T2n ) V ar(E(T2n | T1n )) =
V ar(Tn );
la quale dimostra il punto iii) del Teo-
rema. Si osservi infine che mentre la ii) e
la iii) derivano da propriet dei valori medi
condizionati per qualsiasi stimatore, la suf-
ficienza di T1n che permette di ottenere lo
stimatore Tn = E(T2n | T1n ). Infatti per ef-
fettuare tale calcolo si deve conoscere la fun-
zione di densit (T2n | T1n = t), la quale non
dipende da solo perch T1n uno stimatore
sufficiente.
Il teorema di Rao e Blackwell fornisce
le indicazioni su come costruire uno stima-
tore pi efficiente di uno stimatore non dis-
torto utilizzando la conoscenza di uno sti-
matore sufficiente. Tale teorema impor-
tante perch mostra che uno stimatore non
distorto di con varianza minima deve essere
funzione di una statistica sufficiente Tn ; al-
trimenti la media condizionata produrrebbe
stimatori piefficienti.
Osservazione Se esiste uno stima-
tore UM V UE per e (Tn ) non distorto
per ; dove Tn uno stimatore completo suf-
ficiente (minimale), allora (Tn ) uno sti-
matore UM V UE.
Un requisito di semplicit per la formu-
lazione analitica di uno stimatore la linear-
it.
Definizione Uno stimatore si dice
lineare se pu essere espresso mediante
una combinazione lineare di variabili casu-
ali campionarie,
 cio se:
Tn = ni=1 ai Xi ;
dove le costanti ai con i = 1, ..., n sono
quantit note.
La linearit semplifica la derivazione dei
momenti di uno stimatore e, in taluni casi,
anche della sua distribuzione di probabilit.
E possibile ora riassumere le propriet
di uno stimatore derivato da un campione
casuale di numerosit finita:
La sufficienza una propriet essenziale
per lintera Inferenza statistica e la com-
pletezza aggiunge la garanzia della unic-
 it per lo stimatore; insieme inducono
sufficienza minimale.
Efficienza e non distorsione, in con-
dizione di regolarit della famiglia di
variabili casuali assicurano una vici-
nanza tra i valori campionari ed il val-
ore teorico del parametro perch garan-
tiscono il massimo addensamento possi-
bile della distribuzione dello stimatore
attorno al parametro.
Quando la variabile casuale appartiene
ad una famiglia per la quale la varianza
dello stimatore raggiunge il limite della
disuguaglianza di Cramr e Rao, allora
esiste uno stimatore efficiente, non dis-
torto, sufficiente e completo (quindi suf-
ficiente minimale). Tale stimatore uni-
coi.
1.5 Propriet Asintotiche di Uno Sti-
matore
Premesssa Si sono finora discusse le pro-
priet statistiche degli stimatori quando la
numerosit campionaria finita, ragionev-
ole peraltro richiedere un miglioramento di
tali propriet quando la numerosit campi-
onaria diverge con lintroduzione di ulteri-
ori propriet statistiche, in modo da rendere
sempre pi rappresentativo il campione per
la popolazione ed in modo da utilizzare nella
"direzione giusta" ogni nuovo dato disponi-
bile.
La Non Distorsione Asintotica, La
Consistenza Definizione Uno stima-
tore Tn si dice asintoticamente non distorto
per se:
lim lim
E(Tn ) = b(Tn ) = 0.
n n tenza in probabilit di uno stimatore si us-
Quindi uno stimatore asintoticamente
non distorto uno stimatore eventualmente
distorto per n finito, ma cui la distorsione
tende a zero al crescere della numerosit
campionaria.
Le propriet connesse alla propriet di
consistenza (in media quadratica, in prob-
abilit, quasi certa) sono di maggior rilievo
nellambito delle propriet asintotiche di uno
stimatore.
Definizione Uno stimatore Tn si
dice consistente in media quadratica per
se:
lim lim
M SE(Tn ) = E(Tn
n n
)2 = 0.
Uno stimatore consistente in media
quadratica se il suo M SE tende a zero al
crescere della numerosit campionaria. Es-
sendo il MSE di uno stimatore la somma
di due quantit non negative (V ar(Tn ) e
[b(Tn )]2 ) la definizione sopra equivalente
alla verifica contemporanea delle seguenti
condizioni:
lim
- V ar(Tn ) = 0
n
lim
- [bn (Tn )]2 = 0.
n
Se uno stimatore non distorto (o as-
intoticamente non distorto) allora consis-
tente in media quadratica se la varianza dello
stimatore tende a zero al crescere della nu-
merosit campionaria, e vale anche il vicev-
ersa; di conseguenza possibile affermare che
la consistenza in media quadratica implica la
distorsione asintotica.
Definizione Uno stimatore Tn
consistente in probabilit per se per ogni
* > 0 fissato, si ha:
lim
Pr(|Tn | < *) = 1.
n
Notazione Per indicare la consis-
p
ano le seguenti notazioni: Tn oppure
p lim(Tn ) = .
La consistenza inm probabilit risulta
particolarmente utile quando si conosce la
distribuzione di probabilit della variabile
casuale X.
Esiste unanalogia tra la convergenza
quasi certa di una successione di variabili
casuali ad una costante e la convergenza di
uno stimatore: la si pu definire come una
forma pi forte di consistenza.
A tal fine sia data la seguente definizione.
Definizione Uno stimatore Tn
qc
consistente quasi certamente per se Tn
; ovvero se per ogni * > 0 si ha che:
lim
Pr(|Tn | < *, m n) = 1.
n Un Parametro
LEfficienza Asintotica e Normal-
it Asintotica Definizione Uno sti-
matore Tn non distorto per si dice asin-
toticamente efficiente se:
lim 1
V ar(Tn ) = 1. La stima di un parametro deve essere
n In ()
lim
ef f(Tn) = 1.
n
Quindi uno stimatore Tn asintotica-
mente efficiente se, pur non raggiungendo il
limite di Cramr e Rao per un n finito, lo
raggiunge quando n diverge.
Definizione Uno stimatore Tn per il
parametro si dice asintoticamente Normale
se:
lim Tn E(Tn )
Pr(  t) = (t);
n V ar(Tn )
cio al crescere della numerosit campi-
onaria la funzione di ripartizione dello sti-
matore standardizzato tende alla funzione
di ripartizione della variabile casuale Z

N (0, 1).
Si osserva che luso della distribuzione
Normale per approssimare la distribuzione
di uno stimatore semplifica le elaborazioni
numeriche, inoltre la convergenza alla Nor-
malit delle variabili casuali Tn consente di
applicare allo stimatore tutte le propriet
notevoli di cui gode tale distribuzione, anche
se valgono solo quando la dimensione cam-
pionaria diverge.
Osservazione Uno stimatore Tn per
il parametro viene definito stimatore BAN
(=Best Asymptotically Normal), oppure
CAN E (=Consistent Asymptotically Nor-
mal Efficient), se asintoticamente Normale,
consistente in media quadratica e possiede la
varianza pi piccola nella classe di tutti gli
stimatori di consistenti ed asintoticamente
Normali.
1.6 Principi Generali per la Stima di
Viene ora presentato un elenco dei prin-
cipi generali per effettuare la stima di un
parametro.
espressa nella stessa unit di misura del
parametro. Per controllare il rispetto
di tale criterio ci si affida al valore
medio del campione per constatare che
lunit di misura rispetta quella attesa.
Connesso a tale requisito vi il prin-
cipio dellinvarianza in base al quale
linferenza non pu essere modificata
dalla particolare unit di misura utiliz-
zata o dal particolare problema di cui si
discute.
2. Se tutte le informazioni del campione
sono accurate allo stesso modo, nes-
suna sintesi dovrebbe privilegiare qual-
cuna pi di altre per cui il loro ordine
di acquisizione dovrebbe essere irrile-
vante. Ci implica che per la stima di
un parametro occorre utilizzare funzioni
simmetriche di (x1 , ..., xn) il che conduce
al concetto di scambiabilit.
3. La sintesi Tn , per il parametro deve
essere coerente per nel senso che deve
valutare e non ().
4. Un principio differente di coerenza, de-
nominato consistenza, afferma che se
le unit campionarie sono repliche in-
dipendenti e somiglianti della popo-
lazione ciascuna di esse deve apportare
delle informazioni aggiuntive per la de-
terminazione di , cio al crescere di n
la distribuzione di Tn deve essere uni-
modale ma che occorre richiedere che la
probabilit |Tn | < * per * > 0 pic-
colo tenda a crescere con n.
5. Un altro principio quello di richiedere
che uno stimatore Tn possieda una
probabilit elevata di assumere val-
ori attorno a a parit di ampiezza
dellintervallo. Questo conduce al con-
cetto di massima concentrazione di
probabilit; infatti se T1n e T2n sono due
stimatori per per i quali:
Pr(T1n ) Pr(T2n ), J.Wiley &Sons, II Edizione (1973).
per tutti i > 0; allora T1n uniforme-
mente preferibile a T2n .
6. Deve essere rispettato il principio di uti-
lizzare al meglio le osservazioni campi-
onarie nel senso di estrarre da un cam-
pione tutto e solo ci che riguarda il
parametro da stimare. Questo conduce
al principio di sufficienza di uno stima-
tore che prioritario e decisivo per tutta
la discussione sulla scelta dello stima-
tore.
1.7 Riferimenti Bibliografici
1) Azzalini, A. Inferenza Statis-
tica. Una introduzione basata sul concetto
di verosimiglianza, Berlin, Springer-Verlag
(1992). pp 137-138.
2) Casella, G. e Berger, R.L. Statis-
tical Inference, Belmont, CA, Duxbury Press
(1990). pp 222, pp 316.
3) Lehmann, E.L. Theory of Point
Estimation, New York, J. Wiley &Sons
(1983).
4) Pieraccini, L. (1976) Fondamenti
di inferenza statistica, Torino, Giappichelli
(1991). pp 210-211, 212-214, 260-268.
5) Piccolo, D. Statistica, Bologna, Il
Mulino (1998). pp 534-577.Ricci, F. Sta-
tistica ed elaborazione statistica delle infor-
mazione, Bologna, Zanichelli (1975).
6) Rao, C.R. Linear Statistical In-
ference and Its Applications, New York,
7) Ricci, F. Statistica ed elab-
orazione statistica delle informazione,
Bologna, Zanichelli (1975).
8) Rizzi, A: Inferenza Statistica,
Torino, Utet-Libreria (1992a). pp 113-117.

7. Vi numerosi altri principi e a sec-

onda dellimpostazione inferenziale si
preferisce luno o laltro, si cita, tra
tutti, il principio di condizionamento
secondo il quale la stima per deve es-
sere ricavata condizionatamente al val-
ore assunto dalle informazioni presenti
nel campione.