Campionamento
Una grandezza fisica e' distribuita secondo una certa
PDF
La pdf e' caratterizzata da determinati parametri
Non abbiamo una conoscenza diretta della pdf
Possiamo determinare una distribuzione di frequenza
mediante n misure sperimentali
Gli N esperimenti che contribuiscono a determinare la
distribuzione costituiscono un CAMPIONE.
Un campione e' un sottoinsieme degli infiniti risultati
possibili, che prendono il nome di POPOLAZIONE
Alessandro De Falco, INFN Cagliari
1
8/19/09
Stima di parametri
Calcolo delle
probabilita'
Teoria
Dati
Noti i parametri delle distribuzioni di probabilita',
possiamo predire le caratteristiche dei dati
Statistica
Teoria
Dati
I dati forniscono informazioni sulle proprieta' dei
parametri o sulla correttezza delle funzioni di
distribuzione
Alessandro De Falco, INFN Cagliari
2
8/19/09
Statistica, stima
Abbiamo n osservazioni indipendenti di una variabile casuale x
che costituiscono un CAMPIONE di dimensione n
Le xi sono indipendenti: la probabilità congiunta è:
f sample  x = f  x 1  f  x 2  ... f  x n 
Date le misure xi vogliamo ottenere le proprietà di f(x) (media,
varianza...)
STATISTICA: una funzione dei dati (senza parametri incogniti)
STIMATORE(STIMA):
della f(x)
Notazione:
Esempi:

è lo stimatore del parametro  da misurare

 x=
1

V  X =
N
Alessandro De Falco, INFN Cagliari
una statistica usata per estrarre le proprietà
1
N
∑ xi

  x =
x min  x max
2
i

∑  x i −
i
3
2
V  X =
1
N −1
 2
∑  x i −
i
8/19/09
Esempi di stimatori
Un rivelatore misura la molteplicità delle particelle
cariche per ciascuno degli N eventi.
Vogliamo determinare la molteplicità media
Ecco alcuni stimatori possibili:
1- Media aritmetica delle N misure
2- Somma delle N misure divisa per (N-1)
3- Prendiamo la moda (valore più probabile)
4- Media aritmetica degli eventi dispari
5- Media dei primi 100 eventi. Buttiamo gli altri.
6- Buttiamo via i dati e prendiamo come risultato 43
particelle
Come stabiliamo la qualità di uno stimatore?
Alessandro De Falco, INFN Cagliari
4
8/19/09
Proprietà generali delle stime
Non esiste una regola d'oro per costruire uno stimatore.
Si possono però definire alcune proprietà degli stimatori
che ne esprimono la qualità:
Consistenza:
(Assenza di) Bias
Efficienza
Alessandro De Falco, INFN Cagliari
la stima converge al valore del
parametro per campioni di grandi
dimensioni?
Il valore di aspettazione della
stima è uguale al valore del
parametro da stimare?
La varianza dello stimatore è
piccola?
5
8/19/09
Consistenza
Uno stimatore  della quantità  da misurare è consistente se,
per un numero arbitrariamente grande di misure, il valore dello
stimatore converge al valore della quantità da misurare:
lim   =
N ∞
In generale, per una statistica finita,  differirà da  , a causa
delle fluttuazioni statistiche. Per la legge dei grandi numeri,
aumentando la dimensione del campione, le fluttuazioni
diminuiscono. In queste condizioni, un buono stimatore deve
convergere al valore del parametro da determinare
Nell'esempio precedente, gli stimatori 1,2,4 sono consistenti. 5
e 6 sono inconsistenti. 3 è consistente solo se moda=media
In genere la constistenza è considerata un requisito essenziale
per uno stimatore
Alessandro De Falco, INFN Cagliari
6
8/19/09
Bias
Poichè uno stimatore è una variabile casuale,
possiamo calcolare il suo valore medio:
 〉=∫∫∫ ... 
  x 1, x 2. .. f  x1,  f  x 2,  ... dx 1 dx 2 ... dx n
〈
Il bias è definito come
 −
b= 
Il bias in generale dipenderà dalla dimensione del
campione (n) e dalla forma funzionale dello stimatore.
Uno stimatore è senza bias se b=0.
Nell'esempio precedente, 1, 4 e 5 non hanno bias -ma
5 non è consistente. 2 ha un bias.
Alessandro De Falco, INFN Cagliari
7
8/19/09
È un requisito utile, ma non sempre necessario
Se il bias è piccolo rispetto alla varianza, non è
considerato importante
Ma se si combinano risultati di diversi esperimenti
biasati, la varianza si riduce, ma il bias resta
Si considera talvolta la quantità:
2
2

 2 ] E [  −]2 =V [ ]b

E [  − ]=E [ −E
[ ]
che può essere interpretata come la somma in
quadratura dell'errore sistematico e dell'errore
statistico.
Alessandro De Falco, INFN Cagliari
8
8/19/09
Nota: Consistenza vs bias
La consistenza è una proprietà asintotica
Il bias è una proprietà che riflette il comportamento che
avrebbe la stima se si ripetesse l'esperimento M volte, sempre
con lo stesso numero di eventi
Una proprietà non
implica l'altra
Alessandro De Falco, INFN Cagliari
9
8/19/09
Efficienza
Confrontiamo due stimatori entrambi consistenti e
senza bias: quello con varianza più piccola è il più
efficiente
Fissata la dimensione del campione, lo stimatore più
efficiente avrà maggiore probabilità di essere più
vicino al valore vero del parametro da stimare
Nell'esempio precedente 1 e 4 sono entrambi
consistenti e senza bias, ma 1 è più efficiente di 4.
Mentre è relativamente facile trovare se uno
stimatore consistente è senza bias, è più complicato
stabilire l'efficienza di uno stimatore, perché questa
dipende dalla particolare pdf.
E' possibile stabilire un limite alla varianza di uno
stimatore (minimum variance bound, MVB).
Torneremo in seguito su questo punto.
Alessandro De Falco, INFN Cagliari
10
8/19/09
Quale stimatore scegliere?
Non esiste lo stimatore ideale
La scelta richiede giudizio:
La varianza dello stimatore dipende dalla pdf, dunque
l'efficienza può essere diversa per problemi differenti
E' possibile avere uno stimatore che si rivela 'biasato',
per cui è necessario bilanciare i vantaggi e gli svantaggi
per uno stimatore più efficiente e con un piccolo bias o
meno efficiente e con bias nullo
Alessandro De Falco, INFN Cagliari
11
8/19/09
Una stima per il valore medio
La media aritmetica delle misure xi e' detta media
campione
1

 x= 
x=
n
∑ xi
i
Se V[x] è finita, la media campione è una stima
consistente e senza bias per il valore medio
lim P ∣
−∣ =0
∀ ∈ R

n∞
E[
x ]=
2
1
n
2
1
∑ E [ xi ]= ∑ =
n
i
V [ x ]= E [ x ]− E [ x ] =E [
1
n
stima senza bias
i
1
1
∑ xi ∑ x j ]− = 2 ∑ E [ x i x j ]−2
n
2
n i,j
2
1

2
2
2
2
2
= 2 [ n −n  n   ]− =
n
n
Alessandro De Falco, INFN Cagliari
stima consistente
i
12
j
E [ x i x j ]=
2
2
per i≠ j
2
E [ x i ]= 
2
8/19/09
Una stima per la varianza
Supponiamo che non sia nota la varianza ma sia noto il
valore medio 
In analogia col caso precedente possiamo definire lo
stimatore della varianza come
2
S =
1
n
∑  xi −2
i
Questa stima è consistente e senza bias:
2
E [ S ]=
2
n 〈 x− 〉
n
2
=〈 x− 〉=
2
Supponiamo che non siano noti nè la varianza nè il valore
medio. Se usiamo lo stimatore appena definito
sostituendo al valore medio la media campione,
otteniamo una stima con bias:
Alessandro De Falco, INFN Cagliari
13
8/19/09
Infatti:
2
E [ S ]=
2
n 〈 x−x  〉
n
2
2
2
Per il teorema del limite centrale
Dunque:
2
2
2
2
=〈 x 〉−〈 
x 〉=〈 x 〉−〈 
x 〉〈 
x 〉 −〈 x 〉
2
2
〈 x 〉=〈 
x〉
2
2
E [ S ]=〈 x 〉−〈 x 〉=〈 x 〉−〈 
x 〉−〈 x 〉 〈 
x〉
V  x −V  
x
Ma ancora il CLT ci dice che:
Dunque:
2
2
V 
x =V  x/ n
1
 
E [ S 2 ]=V  x −V  
x =V  x  1−
n
=
n−1
n
V  x≠V  x 
Per ottenere una stima senza bias si introduce un fattore
n/(n-1) detto correzione di Bessel, per cui la stima diventa
2
s =V  X =
Alessandro De Falco, INFN Cagliari
1
n−1
2
∑  x i − x  =
i
14
n
n−1
2
2
 x − 
x 
8/19/09
Riassumendo: stima per la varianza
Supponiamo che non siano noti nè il valore medio nè
la varianza
Stimiamo2 con la varianza campione
2
s =V  X =
n
2
2
2 − 


x
−
x

=

x
x

∑ i
n−1 i
n−1
1
Il fattore 1/(n-1) è tenuto in conto in modo che la
stima risulti senza bias: E[s2]=2
Se il valore medio è noto a priori, la stima
2
S =
è senza bias
Alessandro De Falco, INFN Cagliari
1
n
∑  xi −2 = x2 −2 
i
15
8/19/09
Stima per la covarianza
Per la covarianza Vxy=cov[x,y] possiamo usare la stima
senza bias:
1
n



V xy =
 xy− 
x y 
∑  xi − x  yi − y =
n−1 i
n−1
Per il coefficiente di correlazione =Vxy/(xy):
r=

V
xy
sx sy
∑  x i − x  yi− y 
=
i
∑  x j − x 2⋅∑  y k −y 2
j
k
xy− x y
=
2
2
2
2 1/ 2
 x − 
x  y −y 
r ha un bias che tende a zero per
Alessandro De Falco, INFN Cagliari
16
n∞
8/19/09
La likelihood
E' dato un set di misure {x1, x2, x3, ...xN} (ciascuna
delle quali puo' essere multidimensionale)
Supponiamo che la pdf (f) dipenda da un parametro a
(anch'esso eventualmente multidimensionale)
La likelihood e' definita come la densità di probabilità
che il set di misure {x1, x2, x3, ...xN} sia prodotto a
partire dal particolare valore di a:
L  x1, x 2,. .. x N ; a= f  x 1 ; a f  x 2 ; a.... f  x N ; a=∏ f  x i ; a
2
〈 a 〉=∫ a L dx 1. .. dx n
Alessandro De Falco, INFN Cagliari
2
〈 a 〉=∫ a L dx 1. .. dx n
17
8/19/09
Efficienza e Minimum Variance Bound
Come abbiamo accennato, la varianza di uno stimatore
dipende dalla particolare pdf, e può dipendere anche dal
particolare valore di a (L=L(xi;a)).
2
2
V  a =〈 a −a 〉=〈 a 〉−〈 a 〉
〈 a 〉=∫ a L dx 1. .. dx n
2
2
2
〈 a 〉=∫ a L dx 1. .. dx n
C'è un limite all'accuratezza di uno stimatore (per la
dimostrazione vedi R. Barlow), detto Minimum Variance
Bound (MVB) che, per uno stimatore senza bias è:
V  a ≥
1
ovvero
2
〈 d log L / da 〉
se V  a = MVB≡
1
2
〈 d log L / da  〉
altrimenti la sua efficienza è
Alessandro De Falco, INFN Cagliari
18
,
V  a ≥
−1
2
2
〈 d log L / da 〉
a è efficiente
MVB
V a

8/19/09
Efficienza della media campione per una pdf gaussiana
Se la pdf è gaussiana, la media campione è una stima
efficiente di 
n
L=∏
i=1

2
d log L
d
2
2
1
1  x i −
exp −
2
2
2
=−

N

2

2

MVB=
N
per il teorema del limite centrale, è la varianza
della media campione
Alessandro De Falco, INFN Cagliari
19
8/19/09