Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>di</strong>mostrazione, questo poggia sull’ipotesi <strong>di</strong> non correlazione. 17 Questi risultati si estendono al caso<br />
<strong>di</strong> una successione <strong>di</strong> variabili aleatorie, sotto la con<strong>di</strong>zione che tutte le quantità che compaiono in<br />
questa formula (le speranze, le covarianze, le serie) convergano.<br />
• Il Coefficiente <strong>di</strong> Correlazione. Date due variabili aleatorie X, Y , si definisce il loro coefficiente<br />
<strong>di</strong> correlazione<br />
ρ X,Y := Cov(X, Y )<br />
σ X σ Y<br />
se σ X , σ Y ≠ 0. (3.16)<br />
Valgono le seguenti proprietà:<br />
ρ X,Y = 1 ⇒ ∃a > 0, ∃b ∈ R : Y = aX + b,<br />
ρ X,Y = −1 ⇒ ∃a < 0, ∃b ∈ R : Y = aX + b,<br />
ρ X,Y = 0 ⇐ (⇏) se X, Y sono in<strong>di</strong>pendenti,<br />
∀a, b, c, d ∈ R con a · c > 0, U := aX + b, V := cY + d ⇒ ρ U,V = ρ X,Y .<br />
(3.17)<br />
• Il Principio <strong>di</strong> Mutua Compensazione. Il Teorema dei Gran<strong>di</strong> Numeri poggia sul teorema <strong>di</strong><br />
Chebyshev e su un risultato tanto semplice quanto potente, che potremmo definire come il principio<br />
<strong>di</strong> mutua compensazione, che ora illustriamo.<br />
Si consideri una successione {X i } i∈N <strong>di</strong> variabili aleatorie equi<strong>di</strong>stribuite (cioé aventi la stessa<br />
<strong>di</strong>stribuzione <strong>di</strong> probabilità) e non correlate. Poiché Var(cY ) = c 2 Var(Y ) per ogni Y ed ogni c ∈ R,<br />
e Var(X i ) = Var(X 1 ) (per via <strong>del</strong>la equi<strong>di</strong>stribuzione), abbiamo<br />
( 1<br />
Var<br />
N<br />
∑<br />
)<br />
X i<br />
i<br />
= 1<br />
N 2 Var ( ∑<br />
i<br />
) (3.15)<br />
X i = 1 ∑<br />
N 2 Var (X i ) = 1 N Var (X 1). (3.18)<br />
Più in generale, si definisce campione aleatorio <strong>di</strong> ampiezza N una famiglia <strong>di</strong> N variabili aleatorie<br />
in<strong>di</strong>pendenti equi<strong>di</strong>stribuite.<br />
18<br />
Quin<strong>di</strong> la me<strong>di</strong>a campionaria (o me<strong>di</strong>a empirica) <strong>di</strong> un campione<br />
aleatorio, ovvero la variabile aleatoria 1 ∑<br />
N i X i, ha varianza ridotta <strong>di</strong> un fattore 1/N rispetto alle<br />
X i . Questo si può interpretare osservando che me<strong>di</strong>ando su più in<strong>di</strong>vidui le oscillazioni (ovvero, le<br />
deviazioni dal valore atteso) <strong>del</strong>le <strong>di</strong>verse X i in <strong>parte</strong> si compensano. 19 Il fatto che una popolazione<br />
20 possa presentare una <strong>di</strong>spersione statistica minore <strong>di</strong> quella dei singoli è anche esperienza <strong>del</strong>la vita<br />
<strong>di</strong> tutti i giorni. La teoria qui sviluppata ne fornisce una rappresentazione matematica, evidenziando<br />
le ipotesi essenziali: l’equi<strong>di</strong>stribuzione e l’assenza <strong>di</strong> correlazione.<br />
17 e ovviamente anche dalla definizione <strong>di</strong> varianza. Esaminiamo un momento questa definizione. Come noto, la<br />
varianza è una misura <strong>del</strong>la <strong>di</strong>spersione intorno alla me<strong>di</strong>a; lo stesso si può <strong>di</strong>re <strong>del</strong>la quantità E(|X − E(X)|), ma<br />
la presenza <strong>del</strong> valore assoluto rende quest’ultima non derivabile, e quin<strong>di</strong> poco maneggevole. È vero che il quadrato<br />
<strong>di</strong>storce un po’ la <strong>di</strong>spersione, poiché<br />
|X − E(X)| 2 < |X − E(X)| se |X − E(X)| < 1, |X − E(X)| 2 > |X − E(X)| se |X − E(X)| > 1;<br />
però la funzione quadrato è derivabile. La definizione <strong>del</strong>la varianza presenta anche altri vantaggi, tra i quali l’utile<br />
formula Var(X) = E(X 2 ) − E(X) 2 . E comunque <strong>di</strong>versi risultati che vedremo <strong>di</strong>pendono in modo essenziale da questa<br />
definizione.<br />
18 Una tale situazione si presenta in svariati ambiti applicativi. Ad esempio la conferma sperimentale propria <strong>del</strong> metodo<br />
scientifico presuppone la riproducibilià dei risultati sperimentali; ovvero la possibilità <strong>di</strong> effettuare prove sperimentali il<br />
cui esito sia rappresentato da una successione <strong>di</strong> variabili aleatorie in<strong>di</strong>pendenti ed equi<strong>di</strong>stribuite.<br />
19 Occorre prestare attenzione all’uso <strong>del</strong> termine me<strong>di</strong>a, (o valor me<strong>di</strong>o), che è leggermente ambiguo. Se {X i} i=1,...,n<br />
è un campione aleatorio, allora si possono effettuare due tipi <strong>di</strong> me<strong>di</strong>e. Si può me<strong>di</strong>are rispetto a i, ottenendo la<br />
me<strong>di</strong>a campionaria; questa è la variabile aleatoria ¯X ∑<br />
n := 1 Xi (per ogni n), come l’abbiamo definita in statistica<br />
n i<br />
descrittiva. Oppure si può me<strong>di</strong>are rispetto a ω ∈ Ω, ottenendo il valor me<strong>di</strong>o E(X i) (lo stesso per ogni i, essendo le<br />
X i equi<strong>di</strong>stribuite). Per quest’ultimo parleremo piuttosto <strong>di</strong> speranza, e cercheremo <strong>di</strong> evitare i sinonimi valor me<strong>di</strong>o o<br />
me<strong>di</strong>a.<br />
20 In statistica il termine popolazione è usato in senso molto esteso, e può anche essere riferito ad un insieme <strong>di</strong> oggetti<br />
simili tra <strong>di</strong> loro. I componenti <strong>di</strong> una popolazione sono allora detti in<strong>di</strong>vidui, ma possono ben essere inanimati.<br />
i<br />
13