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 ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
(ii) Legge geometrica ⇒ legge esponenziale. Sia λ una costante > 0. Per n → ∞, la <strong>di</strong>stribuzione<br />
geometrica G(λ/n) converge alla <strong>di</strong>stribuzione esponenziale Exp(λ), riscalando opportunamente il<br />
tempo — si veda più avanti.<br />
(iii) Teorema dei Gran<strong>di</strong> Numeri (o TGN). (Jakob Bernoulli, 1689) Se {X i } i∈N è un campione<br />
aleatorio <strong>di</strong> variabili aleatorie con speranza µ e varianza finita, allora la me<strong>di</strong>a campionaria ¯X n converge<br />
in probabilità a µ [B, p. 71]. Lo stesso risultato vale anche per le variabili aleatorie continue, con la<br />
stessa <strong>di</strong>mostrazione. Come abbiamo visto, questo giustifica il punto <strong>di</strong> vista frequentista.<br />
(iv) Teorema Limite Centrale (o TLC). (De Moivre, 1733; Lindeberg 1922) 32 Se {X i } i∈N è un<br />
campione aleatorio <strong>di</strong> variabili aleatorie con speranza µ e varianza finita σ 2 > 0, 33 allora la <strong>di</strong>stribuzione<br />
<strong>del</strong>la me<strong>di</strong>a campionaria standar<strong>di</strong>zzata converge alla <strong>di</strong>stribuzione normale standard [B, p. 124],<br />
ovvero<br />
Sn ∗ := ¯X n − µ<br />
σ/ √ → Y in legge, con Y ∼ N(0, 1). (5.5)<br />
n<br />
Pertanto la <strong>di</strong>stribuzione standar<strong>di</strong>zzata <strong>di</strong> un campione aleatorio <strong>di</strong> sufficiente ampiezza può essere<br />
approssimata in legge da una <strong>di</strong>stribuzione gaussiana; e questo avviene in<strong>di</strong>pendentemente dalla<br />
<strong>di</strong>stribuzione <strong>del</strong> campione aleatorio (!).<br />
Tabella Riassuntiva. Lo schema <strong>di</strong> Bernoulli rappresenta un serie <strong>di</strong> acca<strong>di</strong>menti <strong>di</strong> due tipi (e.g.,<br />
successi e insuccessi). Il numero <strong>di</strong> successi in n avvenimenti ha <strong>di</strong>stribuzione binomiale. Il numero <strong>di</strong><br />
avvenimenti prima <strong>del</strong> primo successo ha <strong>di</strong>stribuzione geometrica.<br />
Lo schema <strong>di</strong> Poisson rappresenta un serie <strong>di</strong> acca<strong>di</strong>menti in<strong>di</strong>pendenti che avvengono ad istanti<br />
casuali. Il numero <strong>di</strong> acca<strong>di</strong>menti in un intervallo <strong>di</strong> tempo ha <strong>di</strong>stribuzione <strong>di</strong> Poisson. Il tempo che<br />
intercorre tra due acca<strong>di</strong>menti successivi ha <strong>di</strong>stribuzione esponenziale.<br />
La freccia rappresenta il passaggio al limite sopra illustrato.<br />
Schema <strong>di</strong> Bernoulli<br />
Schema <strong>di</strong> Poisson<br />
legge binomiale → legge <strong>di</strong> Poisson<br />
legge geometrica → legge esponenziale<br />
Osservazioni sul TLC. (i) Per il principio <strong>di</strong> mutua compensazione, Var( ¯X n ) = Var(X i )/n per<br />
ogni n ed ogni i. Quin<strong>di</strong> σ ¯Xn = σ/ √ n, ovvero il denominatore <strong>del</strong>la Sn ∗ è la deviazione standard <strong>del</strong><br />
numeratore:<br />
Sn ∗ = ¯X n − µ<br />
.<br />
σ ¯Xn<br />
Questa è la variabile aleatoria standar<strong>di</strong>zzata <strong>del</strong>la me<strong>di</strong>a campionaria, ed è <strong>di</strong>versa dalla me<strong>di</strong>a<br />
campionaria <strong>del</strong>le variabili aleatorie X i standar<strong>di</strong>zzate:<br />
standar<strong>di</strong>zzata <strong>del</strong>la me<strong>di</strong>a =<br />
1 ∑ ni=1<br />
n<br />
X i − µ<br />
σ/ √ ≠ 1 n n<br />
n∑<br />
i=1<br />
X i − µ<br />
σ<br />
= me<strong>di</strong>a <strong>del</strong>le standar<strong>di</strong>zzate.<br />
32 De Moivre <strong>di</strong>mostrò questo risultato per variabili aleatorie binomiali X i ∼ B(1, p). Lindeberg lo estese poi alla forma<br />
riportata da [B, p. 124]. (Pur se apparentemente più modesto, il passo più rilevante fu quello <strong>di</strong> De Moivre, già nel<br />
1733!)<br />
Perché il teorema si chiama così? Su questo non sono tutti d’accordo: i più lo intendono come teorema centrale<br />
<strong>del</strong> limite, ed attribuiscono l’aggettivo centrale a teorema, per il suo ruolo centrale nel <strong>calcolo</strong> <strong>del</strong>le probabilità ed in<br />
statistica. Per altri è il limite ad essere centrale, e parlano <strong>di</strong> teorema <strong>del</strong> limite centrale. Tra l’altro, la denominazione<br />
inglese central limit theorem si presta ad entrambe le interpretazioni.<br />
33 Se invece σ 2 = 0 allora ... ancora meglio: in tal caso X i = µ in tutto Ω, quin<strong>di</strong> ¯Xn = µ e per ogni n.<br />
21