Vai al contenuto

Metodo dei Momenti

La Formula

L'idea centrale è uguagliare i momenti campionari ai momenti teorici della distribuzione.

  1. Calcola i momenti campionari:
\[ m_k = \frac{1}{n} \sum_{i=1}^n x_i^k \]
  1. Calcola i momenti teorici (popolazione) come funzioni dei parametri ignoti \(\theta\):
\[ \mu_k(\theta) = E[X^k] \]
  1. Uguagliali e risolvi per \(\theta\):
\[ \mu_k(\theta) = m_k \quad \text{per } k = 1, \dots, p \]

Cosa Significa

Il Metodo dei Momenti (MoM) è uno dei modi più antichi per stimare i parametri di una distribuzione di probabilità (come trovare \(\mu\) e \(\sigma\) per una distribuzione normale, o \(\lambda\) per una distribuzione di Poisson) basandosi sui dati osservati.

Segue una logica semplice: "Se i dati provengono da questa distribuzione, la media dei dati dovrebbe corrispondere alla media teorica, e la varianza dei dati dovrebbe corrispondere alla varianza teorica."

È come fare reverse-engineering: guardi la forma dei dati (i suoi momenti) e regoli le manopole del tuo modello finché non corrisponde a quella forma.

Perché Funziona — L'Intuizione

Supponi di avere una moneta misteriosa. Non conosci la probabilità di testa (\(p\)). La lanci 100 volte e ottieni 60 teste. * La media campionaria è \(0.60\). * La media teorica di un singolo lancio (Bernoulli) è \(p\). * Il Metodo dei Momenti dice: imposta \(p = 0.60\).

Sembra ovvio, vero? Ma funziona anche per distribuzioni complesse. Se una distribuzione ha 2 parametri ignoti (come media e varianza), hai bisogno di 2 equazioni. Calcoli la media campionaria e la varianza campionaria, le uguagli alle formule teoriche e risolvi il sistema di equazioni.

Gli stimatori MoM sono solitamente consistenti (ottengono la risposta giusta con dati infiniti) ma non sempre efficienti (la Stima di Massima Verosimiglianza, MLE, è spesso più precisa). Tuttavia, MoM è spesso molto più facile da calcolare rispetto a MLE.

Esempio di Derivazione: Distribuzione Gamma

Sia \(X \sim \text{Gamma}(\alpha, \beta)\). Vogliamo stimare \(\alpha\) (forma) e \(\beta\) (scala).

  1. Momenti Teorici:

    • \(E[X] = \alpha \beta\)
    • $ ext{Var}(X) = \alpha \beta^2$

  2. Momenti Campionari:

    • \(m_1 = \bar{x}\) (Media Campionaria)
    • Usiamo la varianza campionaria \(s^2\) come stima del secondo momento centrale.

  3. Uguaglia e Risolvi:

    • Eq 1: \(\bar{x} = \alpha \beta\)
    • Eq 2: \(s^2 = \alpha \beta^2\)

    Da Eq 1: \(\beta = \bar{x} / \alpha\). Sostituisci in Eq 2:

\[ s^2 = \alpha (\frac{\bar{x}}{\alpha})^2 = \frac{\bar{x}^2}{\alpha} \]
\[ \hat{\alpha} = \frac{\bar{x}^2}{s^2} \]
Ora trova $\beta$:
\[ \hat{\beta} = \frac{\bar{x}}{\hat{\alpha}} = \frac{\bar{x}}{(\bar{x}^2 / s^2)} = \frac{s^2}{\bar{x}} \]

Quindi, solo conoscendo media e varianza dei tuoi dati, puoi stimare istantaneamente i parametri Gamma!

Variabili Spiegate

Simbolo Nome Descrizione
\(\theta\) Parametri Le incognite che vogliamo trovare (es. \(\alpha, \beta, \lambda\))
\(m_k\) Momento Campionario Calcolato dai dati: \(\frac{1}{n} \sum x^k\)
\(\mu_k(\theta)\) Momento Teorico Aspettativa matematica \(E[X^k]\)
\(p\) Numero di Parametri Quante equazioni ci servono

Esempio Pratico

Dati: \([2, 4, 9]\). Assumiamo una distribuzione Esponenziale (\(X \sim \text{Exp}(\lambda)\)). Media teorica: \(E[X] = \frac{1}{\lambda}\).

  1. Calcola Media Campionaria (\(m_1\)):
\[ \bar{x} = \frac{2+4+9}{3} = 5 \]
  1. Uguaglia a Media Teorica:
\[ \frac{1}{\lambda} = 5 \]
  1. Risolvi per \(\lambda\):
\[ \hat{\lambda} = \frac{1}{5} = 0.2 \]

Errori Comuni

  • Usare troppi momenti: Se hai 2 parametri, usa solo i primi 2 momenti. Usare il 3° aggiunge complessità inutile e varianza.
  • Stime Impossibili: A volte MoM può dare valori fuori dal range consentito (es. probabilità > 1 o varianza negativa). MLE gestisce meglio questi casi.

Formule Correlate