La consistenza è una proprietà asintotica di uno Stimatore Statistico. Essa garantisce che, aumentando a sufficienza la dimensione del Campione, lo stimatore convergerà verso il valore reale del parametro che si desidera stimare.
Definizione (Consistenza Debole)
Uno stimatore \hat{\theta}_n (dove n è la dimensione del campione) si dice consistente se converge in probabilità al parametro \theta per n \to \infty: \lim_{n \to \infty} P(|\hat{\theta}_n - \theta| < \epsilon) = 1 per ogni \epsilon > 0.
Condizione Sufficiente
Uno stimatore è consistente se:
- La sua Distorsione tende a zero per n \to \infty.
- La sua Varianza tende a zero per n \to \infty.
Significato Ingegneristico
- Garanzia di Successo: La consistenza assicura all’ingegnere che “vale la pena raccogliere più dati”. Se uno stimatore non fosse consistente, raccogliere milioni di dati non servirebbe ad avvicinarsi alla verità, portando a conclusioni errate anche con risorse infinite.
- Big Data e Machine Learning: In questi campi si utilizzano stimatori estremamente complessi. La dimostrazione della loro consistenza è fondamentale per garantire che i modelli imparino effettivamente i pattern reali dei dati e non solo rumore.
- Identificazione Parametrica: Nello studio delle vibrazioni o dei sistemi termici, la consistenza assicura che aumentando il tempo di osservazione (e quindi il numero di campioni digitali), i parametri del modello fisico stimati siano quelli reali.
Vedi anche: Legge dei Grandi Numeri, Stimatore Statistico.