76 CAPITOLO 6. MEDIA CAMPIONARIA E TEOREMI LIMITEEsempio 6.2.5 (Metodo di integrazione Monte Carlo) Sia h una funzione continuasu [0, 1]. Vogliamo calcolare in modo approssimato ∫ 1h(x) dx. Esistono molte formule di0quadratura, ma la tecnica Monte Carlo è una delle più semplici. Inoltre, anche se può nonrisultare il miglior metodo per funzioni su [0, 1], si estende facilmente e diventa competitivanel caso di integrali multidimensionali. Infatti, nei metodi numerici “tradizionali”, l’erroredi approssimazione dipende dalla dimensione, mentre ciò non accade nel caso del metodoMonte Carlo. I generatori di numeri casuali in ogni libreria di sistema producono valori lecui proprietà si avvicinano alle realizzazioni di variabili aleatorie i.i.d. con densità uniformesu (0,1) e rendono implementabile il metodo Monte Carlo basato sul seguente corollarioalla Legge forte dei grandi numeri:Corollario 6.2.6 Sia h una funzione su [0, 1] con ∫ 1|h(x)| dx < +∞. Siano U 0 1,U 2 ,...variabili aleatorie i.i.d. con densità uniforme su [0, 1]. Allora(P I 1n := 1 n∑∫ )1h(U j ) → h(x) dx, n → +∞ =1nj=10Dimostrazione È sufficiente osservare che le variabili aleatorie h(U 1),h(U 2 ),...sono i.i.d.con media finita ∫ 1h(x) dx ed applicare la Legge forte dei grandi numeri.0Il metodo Monte Carlo consiste nell’approssimare ∫ 1h(x) dx con I 0 1n per n “grande”. Perogni n fissato, la bontà dell’approssimazione può essere valutata tramite( ) ∫1n∑10Var(I 1n ) = Var h(U j ) =h2 (x) dx − ( ∫ 1h(x) dx)20.nnj=1Al fine di ridurre la varianza, il metodo delle “variabili antitetiche” approssima il valoredell’integrale medianteI 2n := 1 n∑(h(U i )+h(1 − U i )).2n6.3 Teorema centrale del <strong>limite</strong>i=1Consideriamo n variabili aleatorie X 1 , . . . , X n i.i.d. con media µ e varianza σ 2 , entrambefinite. Abbiamo visto nella precedente sezione che per n “grande”, la media <strong>campionaria</strong>¯X n approssima in un opportuno senso la media µ:¯X n ≃ µ.Se inoltre X 1 , . . . , X n sono gaussiane, allora è immediato verificare che ¯X(n ∼Ne quindi siamo in grado di valutare probabilisticamente la “dispersione” dei valori assuntida ¯X n intorno a µ: ad esempio, osservando che√ n( ¯Xn − µ)σ∼N (0, 1),µ, σ2n),
6.3. TEOREMA CENTRALE DEL LIMITE 77otteniamoP ( | ¯X n − µ| ≤ δ ) (√ ) ( √ ) (√ )nnn=Φσ δ − Φ −σ δ = 2Φσ δ − 1che si calcola usando le tavole della funzione di ripartizione gaussiana standard.In questa sezione presenteremo una versione semplice del Teorema centrale del <strong>limite</strong> (oTeorema del <strong>limite</strong> centrale) il cui significato euristico è il seguente: la media <strong>campionaria</strong>di un numero n, sufficientemente grande, di variabili aleatorie i.i.d., di media µ e varianzaσ 2 finite ha una funzione di ripartizione che è approssimativamente gaussiana di media µe varianza σ 2 /n.Teorema 6.3.1 Sia X 1 ,X 2 ,... una successione di variabili aleatorie i.i.d. con media µ evarianza σ 2 , con 0