Vediamo il punto b) che è davvero interessante
Se prendiamo la funzione parametrica richiesta $tau(lambda)=1-e^(-lambda)$ la prima cosa da fare è calcolare quanto vale il lower bound di Cramér Rao per uno stimatore non distorto di $tau(lambda)$
Con semplici calcoli trovi che
$V(T)>=(lambdae^(-2lambda))/n$
Ora, giusto per fare un esempio, prendiamo uno stimatore non distorto di $tau(lambda)$ e ce lo scegliamo nel modo più semplice:
Indichiamo con
$I_({X_i>0})(X_i)-={{: ( 1 , 0 ),( 1-e^(-lambda) , e^(-lambda) ) :}$
la funzione che vale 1 quando $X_i>0$ e zero altrimenti
Prendiamo come stimatore di $P{X>0}$ la proporzione delle osservazioni nel campione che sono maggiori di zero.
$T=1/n sum_(i=1)^(n)I_({X_i>0})(X_i)$
tale stimatore è non distorto, dato che
$E[T]=1/n*nE[I_({X_i>0})(X_i)]=1*(1-e^(-lambda))+0*e^(-lambda)=1-e^(-lambda)=tau(lambda)$
e la sua varianza è
$V[T]=1/n e^(-lambda)(1-e^(-lambda))$
si verifica abbastanza semplicemente che, essendo $lambda>0$ per ipotesi:
$1/n e^(-lambda)(1-e^(-lambda))>(lambdae^(-2lambda))/n$
E quindi questo stimatore non distorto NON raggiunge il limite inferiore di CR. Ora bisognerebbe capire cosa accade ad altri stimatori non distorti per $tau(lambda)$...
Il modo più analitico di rispondere alla domanda, anche se non è facilissimo, è quello di trovare l'UMVUE di $tau(lambda)$
1 e verificare che la sua varianza non raggiunge il limite inferiore....
ma secondo me si può rispondere alla domanda del testo utilizzando il corollario di un noto teorema riguardante gli UMVUE delle distribzuzioni appartenenti alla famiglia esponenziale.......
Ora vediamo anche come derivare lo stimatore UMVUE per $P(X>0)$
Prendiamo il seguente stimatore
$T=1-I_((0))(X_1)$
dove
$I_((0))(X_1)-={{: ( 1 , 0 ),( e^(-y) , 1-e^(-y) ) :}$
E' facile verificare che
$E[T]=1-e^(-y)$
quindi T è corretto per $P{X>0}$
Applichiamo il teorema di Rao Blackwell e per poterlo applicare ci serve sapere qual è la statistica sufficiente (e completo) del modello
$sum_(i=1)^(n) X_i=s$
Secondo il teorema di Rao Blackwell lo stimatore UMVUE, quindi lo stimatore non distorto a varianza minima (che non è detto abbia varianza pari al lower bound di CR) è
$E[T|S]$
Quindi procediamo innanzitutto a calcolare la distribuzione condizionata $T|S$ con la definizione
$P{T=0|sum_(i=1)^(n)X_i=s}=(P(T=0)P(sum_(i=2)^(n)X_i=s))/(P(sum_(i=1)^(n)X_i=s))=$
$=((e^(-lambda)[(n-1)lambda]^s e^(-(n-1)lambda))/(s!))/(((nlambda)^se^(-nlambda))/(s!))=((n-1)/n)^(Sigmax)$
A questo punto, finalmente, possiamo calcolare il nostro valore atteso condizionato che, per il teorema citato, è l'UMVUE cercato.
$T|S-={{: ( 0 , 1 ),( ((n-1)/n)^(Sigmax) , 1-((n-1)/n)^(Sigmax) ) :}$
e quindi
$E[T|S]=1-((n-1)/n)^(Sigmax)$
A questo punto viene la parte per così dire più semplice, ovvero calcolare media e varianza del nostro stimatore UMVUE
$U=1-((n-1)/n)^(Sigmax)$
e controllare che non raggiunge il limite inferiore di varianza
Intanto sappiamo che $Y=Sigmax~ Po(nlambda)$
e quindi
$E[U]=1-sum_(y=0)^(oo)((n-1)/n)^y((nlambda)^ye^(-nlambda))/(y!)=...=1-e^(-lambda)$
mentre per
$V[U]=V[((n-1)/n)^y]=sum_(y=0)^(oo)[(n-1)^2/n^2]^y((nlambda)^ye^(-nlambda))/(y!)-e^(-2lambda)=...=e^(lambda(1-2n)/n)-e^(-2lambda)$
che è evidentemente sempre maggiore del Lower Bound di Cramér Rao...anzi con l'esempio preliminare che ho fatto si vede bene che l'UMVUE ha varianza minore di un qualunque altro stimatore non distorto ma, in questo caso, pur essendo lo stimatore a varianza minima, tale varianza non raggiunge il limite inferiore teorico.
$1/n lambdae^(-2lambda)<e^(lambda(1-2n)/n)-e^(-2lambda)<1/n e^(-lambda)(1-e^(-lambda))$
Spero che questo topic possa essere di aiuto. Gli altri quesiti sono davvero standard e non hanno bisogno di spiegazioni.