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.
Nella pratica l’uso <strong>di</strong> un campione aleatorio più ampio richiede la raccolta <strong>di</strong> un maggior numero <strong>di</strong><br />
dati, il che ha un costo in generale. Occorre quin<strong>di</strong> trovare un punto <strong>di</strong> equilibrio tra il beneficio <strong>del</strong>la<br />
minore <strong>di</strong>spersione ed il prezzo <strong>del</strong>l’ulteriore acquisizione <strong>di</strong> dati. 21 La (3.15) fornisce una valutazione<br />
quantitativa <strong>del</strong>la riduzione <strong>del</strong>la <strong>di</strong>spersione che può essere utile per calcolare tale punto <strong>di</strong> equilibrio.<br />
• Il Teorema dei Gran<strong>di</strong> Numeri. Questo è uno dei principali risultati <strong>del</strong> <strong>corso</strong>; la sua prima formulazione<br />
è dovuta a Jakob Bernoulli, e risale al 1689, ovvero ai primor<strong>di</strong> <strong>del</strong> <strong>calcolo</strong> <strong>del</strong>le probabilità.<br />
Dimostrando che la me<strong>di</strong>a campionaria converge alla comune speranza <strong>del</strong>le variabili aleatorie, questo<br />
teorema stabilisce un legame fondamentale tra l’impostazione assiomatica <strong>del</strong> <strong>calcolo</strong> <strong>del</strong>le probabilità<br />
e l’approccio frequentista. Si noti pure che esso fornisce una stima <strong>del</strong>l’errore, tramite la <strong>di</strong>suguaglianza<br />
<strong>di</strong> Chebyshev (si veda l’ultima riga <strong>di</strong> [B, p. 71]). 22 Questa stima è alquanto grossolana, dovendo<br />
valere per ogni campione aleatorio. Per specifiche classi <strong>di</strong> leggi essa può essere raffinata: un esempio<br />
sarà fornito dal Teorema Limite Centrale. Entrambi sono teoremi limite, in quanto esprimono proprietà<br />
che valgono per campioni aleatori infiniti — il che ovviamente richiede un passaggio al limite.<br />
23<br />
Illustriamo brevemente la <strong>di</strong>mostrazione <strong>del</strong> teorema. Preliminarmente ricor<strong>di</strong>amo che per ogni<br />
evento A ⊂ Ω, 1 A si definisce la funzione in<strong>di</strong>catrice <strong>di</strong> A, ovvero<br />
la densità p <strong>del</strong>la legge <strong>di</strong> 1 A quin<strong>di</strong> vale<br />
1 A (ω) = 1 ∀ω ∈ A, 1 A (ω) = 0 ∀ω ∈ Ω \ A;<br />
p(1) = P(A), p(0) = 1 − P(A), p(y) = 0 ∀y ∈ R \ {0, 1}.<br />
Si noti che E(1 A ) = P(A). In altri termini, si può rappresentare la probabilità <strong>di</strong> ogni evento come la<br />
speranza <strong>di</strong> una variabile aleatoria, la funzione in<strong>di</strong>catrice <strong>di</strong> quell’evento appunto.<br />
Per ogni variabile aleatoria Y ≥ 0 ed ogni c > 0, ovviamente c1 {Y ≥c} ≤ Y ; quin<strong>di</strong><br />
cP(Y ≥ c) = E(c1 {Y ≥c} ) ≤ E(Y ) (<strong>di</strong>suguaglianza <strong>di</strong> Markov). (3.19)<br />
Per ogni variabile aleatoria X con varianza finita e speranza µ finita, applicando questa <strong>di</strong>suguaglianza<br />
alla variabile aleatoria Y = |X − µ| 2 otteniamo la <strong>di</strong>suguaglianza <strong>di</strong> Chebyshev:<br />
P(|X − µ| ≥ c) = P(|X − µ| 2 ≥ c 2 ) ≤ 1 c 2 E(|X − µ|2 ) = 1 Var(X). (3.20)<br />
c2 Se {X i } i∈N è un campione aleatorio (<strong>di</strong> ampiezza infinita) <strong>di</strong> varianza finita e speranza µ, applicando<br />
quest’ultima <strong>di</strong>suguaglianza alla successione <strong>del</strong>le me<strong>di</strong>e campionarie { ¯X n } e ricordando il<br />
principio <strong>di</strong> mutua compensazione, perveniamo alla convergenza in probabilità <strong>di</strong> ¯Xn a µ:<br />
P(| ¯X n − µ| ≥ c) ≤ 1 c 2 Var( ¯X n ) (3.18)<br />
= 1<br />
nc 2 Var(X 1) → 0 per n → ∞, ∀c > 0; (3.21)<br />
oppure equivalentemente<br />
P(| ¯X n − µ| ≤ c) = 1 − P(| ¯X n − µ| ≥ c) ≥ 1 − 1 c 2 Var( ¯X n ) → 1 per n → ∞, ∀c > 0. (3.22)<br />
21 L’ampiezza <strong>del</strong> campione è un rilevante elemento per valutare la qualità <strong>di</strong> un’indagine statistica, ad esempio un<br />
sondaggio d’opinione.<br />
22 In analisi può essere utile sapere che una successione {x n} converge ad un certo valore x. Nelle applicazioni, in<br />
particolare per l’analisi numerica, spesso è molto utile maggiorare l’errore commesso sostituendo x con x n, me<strong>di</strong>ante una<br />
quantità che ovviamente <strong>di</strong>penderà da n. Una simile maggiorazione è detta una stima <strong>del</strong>l’errore.<br />
L’errore effettivamente commesso ovviamente <strong>di</strong>pende dai dati <strong>del</strong> problema. È impossibile darne una valutazione<br />
esatta (ove fosse possibile, me<strong>di</strong>ante un’ovvia correzione <strong>del</strong> risultato si potrebbe eliminare l’errore!). Occorre quin<strong>di</strong><br />
accontentarsi <strong>di</strong> una maggiorazione, che corrisponde all’ipotesi più pessimistica. Ovviamente si cerca <strong>di</strong> fornire una stima<br />
il più possibile stringente.<br />
23 La legge (o teorema) dei gran<strong>di</strong> numeri deve il suo nome al fatto che si basa su un passaggio al limite per n → ∞:<br />
questi sono i gran<strong>di</strong> numeri. Lo stesso si può <strong>di</strong>re per gli altri teoremi limite, ma questo è stato il primo ad essere scoperto<br />
e in certo senso si è accaparrato il nome.<br />
14