Complementi e applicazioni dei teoremi limite

Supponiamo dato uno spazio di probabilit`a (, A, P ). Considereremo variabili aleatorie

reali, salvo avviso contrario.

Riepilogo dei teoremi limite.

Cominciamo richiamando la legge dei grandi numeri.

Teorema 1.1. Siano Xi , i 1, variabili aleatorie i.i.d. con valore atteso nito e sia
= E(Xi ). Posto Sn = X1 + X2 + . . . + Xn risulta, per n ,
Sn
,
n

q.c. e in L1 .

(1)

Teorema 1.2. Siano Xi , i 1, variabili aleatorie i.i.d. con varianza nita e sia = E(Xi ).
Posto Sn = X1 + X2 + . . . + Xn risulta, per n ,
Sn
,
n

q.c. e in L2 .

(2)

Osservazione 1.3.
1. La sigla i.i.d. signica indipendenti e identicamente distribuite.
Si richiede pertanto che le Xi siano indipendenti e abbiano tutte la stessa legge (o
distribuzione). In particolare tali variabili hanno lo stesso valore atteso e la stessa
varianza.
2. Richiedere che le Xi abbiano valore atteso nito equivale a richiedere che appartengano
a L1 ovvero che risulti E|Xi | < . Analogamente richiedere che le Xi abbiano
varianza nita equivale a richiedere che appartengano a L2 ovvero che risulti E|Xi |2 <
.
3. I teoremi enunciati prendono il nome di legge forte dei grandi numeri. Esistono numerose varianti di tali risultati. Laggettivo forte fa riferimento al fatto che la convergenza nelle formule (1) e (2) `e intesa (anche) in senso quasi certo. I risultati in cui
tale convergenza `e intesa in probabilit`a prendono il nome di leggi deboli dei grandi
numeri.
Nel seguito faremo riferimento ad altri due teoremi limite: il teorema limite centrale e
la legge del logaritmo iterato.
Teorema 1.4. (Teorema limite centrale) Siano Xi , i 1, variabili aleatorie i.i.d. con
varianza nita e indichiamo = E(Xi ), 2 = V ar(Xi ). Posto Sn = X1 + X2 + . . . + Xn
risulta, per n ,
(
)

Sn
Sn n L
Z N (0, 2 ).
n
=
n
n
Teorema 1.5. (Legge del logaritmo iterato) Siano Xi , i 1, variabili aleatorie i.i.d.
con varianza nita e E(Xi ) = 0. Indicando
2 = V ar(Xi ) supponiamo 2 > 0. Posto

2
Sn = X1 + X2 + . . . + Xn e (n) = 2 n log(log n) risulta
(
)
(
)
Sn
Sn
P lim sup
= 1 = 1,
P lim inf
= 1 = 1.
n (n)
n (n)
1

Notiamo che laermazione sul lim inf si ottiene come conseguenza di quella sul lim sup
applicata alla successione Xi , tenendo conto del fatto che risulta lim supn (an ) =
lim inf n an per ogni successione numerica an .
Notiamo anche che la tesi si pu`o scrivere nel modo seguente: per quasi ogni , scelto ad
arbitrio > 0,
1. esiste N (dipendente da e ) tale che per ogni n > N
Sn () > (1 + )(n);

Sn () < (1 + )(n),

2. esistono inniti valori di n (dipendenti da e ) per cui

Sn () > (1 )(n),

Sn () < (1 )(n).

Alcune conseguenze immediate dei teoremi limite

2.1

Comportamento asintotico della legge binomiale

La legge binomiale B(n, p) `e quella di una variabile aleatoria Sn che si pu`o esprimere nella
forma Sn = X1 + X2 + . . . + Xn dove Xi sono indipendenti con legge di Bernoulli B(p)
di parametro p. Poiche = EXi = p, 2 = V ar Xi = p(1 p) segue dal teorema limite
centrale che
S np L
n
Z N (0, 1).
np(1 p)

2.2

Comportamento asintotico della legge 2n

La legge chi-quadrato 2n con n gradi di libert`a `e quella di una variabile aleatoria Sn che
si pu`o esprimere nella forma Sn = Z12 + Z22 + . . . + Zn2 dove Zi sono indipendenti con legge
N (0, 1). Poniamo Xi = Zi2 e notiamo che
= EXi = EZi2 = V ar Zi = 1,

2 = V ar Xi = V ar Zi2 = E(Zi4 ) 2 = 3 1 = 2.

Segue allora dal teorema limite centrale che

Sn n L

Z N (0, 1).
2n

2.3

Comportamento asintotico della legge tn

La legge t di Student con n gradi di libert`a, indicata tn , `e quella di una variabile aleatoria
Tn che si pu`o esprimere nella forma
Tn =

Z
Sn /n

dove Z e Sn sono indipendenti, Z N (0, 1), Sn 2n . Esprimendo Sn come nel paragrafo

precedente si trova Sn /n 1 q.c. per la legge forte dei grandi numeri, da cui segue Tn Z
L

q.c. e quindi Tn Z. Si conclude che la legge tn converge debolmente verso N (0, 1).

Un reciproco della legge dei grandi numeri

La legge forte dei grandi numeri (teorema 1.1) ammette una sorta di reciproco, e precisamente:
Teorema 3.1. Siano Xi , i 1, variabili aleatorie i.i.d. e sia Sn = X1 + X2 + . . . + Xn .
Allora se E|Xi | = (cio`e Xi
/ L1 ) risulta
)
(
Sn ()
`e convergente per n = 0.
P :
n
Non daremo la dimostrazione di questo risultato, ma ci limitiamo a osservare che il
seguente corollario `e una conseguenza immediata.
Corollario 3.2. Siano Xn , n 1, variabili aleatorie i.i.d. e sia Sn = X1 + X2 + . . . + Xn .
Allora
E|X1 | <
se e solo se

Sn
converge q.c.
n

Applicazione: la probabilit`
a come limite di frequenze

Consideriamo variabili aleatorie Xi , i 1, che formano un un processo di Bernoulli. Ci`o

signica che sono indipendenti e che
P (Xi = 1) = p,

P (Xi = 0) = 1 p,

dove p [0, 1] `e un dato parametro.

Tali variabili si possono interpretare nel modo seguente: si immagini di ripetere indenitamente un esperimento casuale in cui si individuano due risultati possibili, chiamati
convenzionalmente successo e insuccesso. Si assume che le ripetizioni siano indipendenti
e che la probabilit`a di successo sia costante e uguale a p. Le variabili
{
1 se c`e successo alla iesima ripetizione
Xi =
0 se c`e insuccesso alla iesima ripetizione
formano un processo di Bernoulli di parametro p.
Introduciamo allora la frequenza di successo osservata nelle prime n ripetizioni:
numero di successi in n ripetizioni
X1 + . . . + Xn
Sn
=
=
.
n
n
n
La legge forte dei grandi numeri assicura allora che, quasi certamente,
Sn
p.
n
In tal modo si interpreta la probabilit`a di osservare un dato risultato come limite della sua
frequenza.

Applicazione: stima della funzione di ripartizione

Siano Xi , i 1, variabili aleatorie i.i.d. Una famiglia nita X1 , X2 , . . . , Xn viene chiamata

un campione di numerosit`a n. Sia F (x), x R, la comune funzione di ripartizione delle
variabili Xi . Supponendo F ignota, ci poniamo il problema di approssimarla a partire dai
valori osservati di un campione.
Poiche F (x) = P (Xi x) per ogni x ssato, si pu`o pensare di approssimare la probabilit`a dellevento {Xi x} con la sua frequenza osservata nel campione X1 , . . . , Xn , cio`e
con
numero di volte che risulta Xi () x per 1 i n
n
Tale quantit`a `e una variabile aleatoria che indicheremo Fn (, x), o semplicemente Fn (x), e
che si esprime anche nel modo seguente:
1
1{Xi x} .
n
n

Fn (x) =

i=1

Pensata come funzione di x, Fn `e detta funzione di ripartizione empirica.

Ci poniamo ora il problema di vericare in che senso Fn `e unapprossimazione di F e in
particolare di studiarne la convergenza per n . Per questo applichiamo la legge forte
dei grandi numeri alle variabili aleatorie Yi = 1{Xi x} . Si tratta di una successione i.i.d.
con varianza nita e = EYi = P (Xi x) = F (x). Risulta allora, per ogni x R,
1
Fn (x) =
Yi = F (x),
n
n

(3)

i=1

quasi certamente e in L2 , e ci`o giustica luso della funzione di ripartizione empirica per
stimare la funzione di ripartizione del campione osservato.
La conclusione ora indicata si pu`o raorzare arrivando a concludere che la convergenza
di Fn (x) verso F (x) ha luogo uniformemente rispetto a x R, nel senso precisato dal
seguente teorema.
Teorema 5.1. (Glivenko-Cantelli) Con le ipotesi e notazioni precedenti risulta, quasi certamente,
sup |Fn (x) F (x)| 0,
n .
xR

La convergenza nella formula (3) si pu`o precisare anche in un altro senso. Per questo
osserviamo che le variabili aleatorie Yi hanno in eetti legge di Bernoulli e si trova perci`o
facilmente
che 2 = V ar Yi = F (x)(1 F (x)). Per il teorema limite centrale, posto Sn =
n
i=1 Yi risulta allora, per ogni x R ssato
( n
)

1
n(Fn (x) F (x)) = n
Yi
n
i=1
(4)
(
)
(
)

Sn
L
2
= n
Z N (0, ) = N 0, F (x)(1 F (x)) .
n

Stima di media e varianza di un campione

Siano Xi , i 1, variabili aleatorie i.i.d. Una famiglia nita X1 , X2 , . . . , Xn viene chiamata

un campione di numerosit`a n. Supporremo Xi L2 e porremo = EXi , 2 = V ar Xi .
Supponendo , oppure 2 (o entrambe) ignote, ci poniamo il problema di approssimarne
il valore a partire dai valori osservati di un campione. Per questo introduciamo la media
campionaria X n e la varianza campionaria Sn2 :
1
Xn =
Xi ,
n
n

i=1

1
=
(Xi X n )2 .
n1
n

Sn2

i=1

Notiamo che da qui in avanti il simbolo Sn viene usato con questo nuovo signicato, mentre
nei paragra precedenti indicava X1 + . . . + Xn .

6.1

Stima puntuale di media e varianza

I valori X n e Sn2 vengono usati per approssimare e 2 rispettivamente. Ci`o `e giusticato

dai risultati che seguono.
(a) X n q.c.
Ci`o segue dalla legge forte dei grandi numeri (teorema 1.2), che permette inoltre di
concludere che la convergenza ha luogo anche in L2 .
(b) Sn2 2 q.c.
Infatti applicando la
legge forte dei grandi numeri (teorema 1.1) alle variabili aleatorie
Xi2 si ottiene (1/n) ni=1 Xi2 E(X12 ) q.c. da cui segue
)
( n
n
n1 2
1
1 2
2
Sn =
(Xi X n ) =
Xi (X n )2 E(X12 ) 2 = 2 q.c.
n
n
n
i=1

i=1

e quindi anche Sn2 2 q.c.

Queste propriet`a si esprimono dicendo che X n e Sn2 sono stimatori fortemente consistenti
di e 2 rispettivamente.
Valgono inoltre le seguenti aermazioni.
(c)

L
n(X n ) Z N (0, 2 ).

(d) Se Xi L4 , ponendo 4 := E[(Xi )4 ] risulta

L
n(Sn2 2 ) Z N (0, 4 4 ).

(5)

Il punto (c) si ottiene applicando il teorema limite centrale. Non riportiamo invece la
dimostrazione del punto (d).

6.2

Intervalli di confidenza asintotici per la media

Nei paragra seguenti useremo ripetutamente la seguente propriet`a : se Tn sono variabili

L
aleatorie, Tn Z N (0, 1) allora per ogni a < b risulta
lim P (a < Tn b) = P (a < Z < b).

Infatti indicando con Fn la funzione di ripartizione di Tn e con la funzione di ripartizione

di Z la propriet`a in esame si scrive
lim (Fn (b) Fn (a)) = (b) (a)

che a sua volta segue dal fatto che limn Fn (x) = (x) per ogni x R, dal momento che
`e una funzione continua.
Per ogni (0, 1) indicheremo con z il punto percentuale di ordine della legge
N (0, 1), cio`e il numero denito dalluguaglianza P (Z > z ) = , dove Z N (0, 1). Notiamo
che risulta
P (z/2 < Z < z/2 ) = 1 .
6.2.1

Caso di varianza nota

Supponiamo che sia noto il valore di 2 . Fissiamo ad arbitrio (0, 1) (in pratica si sceglie

L
un valore sucientemente piccolo). Dai risultati precedenti risulta che n(X n )/
Z N (0, 1) e come osservato sopra segue che
(
)
Xn
1 = P (z/2 < Z < z/2 ) = lim P z/2 < n
z/2 ,
n

ovvero

)
(

= 1 .
lim P X n z/2 < X n + z/2
n
n
n

Ci`o si esprime dicendo che lintervallo

[
]

X n z/2 , X n + z/2
n
n
`e un intervallo di condenza asintotico di livello 1 per la media . Si usa anche scrivere
che asintoticamente con livello 1 :

= X n z/2 .
n
E ben noto che nel caso che il campione sia normale (cio`e la legge delle variabili aleatorie
Xi sia gaussiana) tale intervallo ha esattamente livello 1 per ogni valore di n.
6.2.2

Caso di varianza ignota

Nel caso in cui 2 `e ignota lintervallo trovato non `e pi`

u calcolabile a partire dai valori
osservati del campione. Occorre allora modicare il procedimento adottato ed `e naturale
cercare di sostituire alla varianza una sua stima.

Scegliendo Sn2 come stimatore di 2 risulta Sn2 2 q.c. Allora

Xn Xn L
n
= n
Z N (0, 1),
Sn

Sn

L
grazie al teorema di Slutsky, dato che n(X n )/ Z N (0, 1) e /Sn 1 q.c.
Ripetendo i passaggi precedenti sostituendo con Sn si ottiene
(
)
Xn
1 = P (z/2 < Z < z/2 ) = lim P z/2 < n
z/2 ,
n
Sn
ovvero
lim P

(
)
Sn
Sn
X n z/2 < X n + z/2
= 1 .
n
n

Ci`o si esprime dicendo che lintervallo

]
[
Sn
Sn
X n z/2 , X n + z/2
n
n
`e un intervallo di condenza asintotico di livello 1 per la media . Si usa anche scrivere
che asintoticamente con livello 1 :
Sn
= X n z/2 .
n
E istruttivo confrontare tale risultato che la formula ben nota
Sn
= X n t/2,n1 .
n
che fornisce un intervallo di condenza esatto di livello 1 per ogni valore di n nel caso
che il campione sia normale (e t/2,n1 indica il punto percentuale di ordine /2 della legge
t di Student con n 1 gradi di libert`a).
6.2.3

Caso di campione bernoulliano

Il procedimento illustrato nel paragrafo precedente puo essere variato a seconda del caso
specico in esame. Illustriamo a titolo di esempio il caso di un campione bernoulliano,
in cui si assume cio`e che le variabili aleatorie Xi , i 1, siano indipendenti e tutte con
legge di Bernoulli B(p) con parametro p ignoto. Risulta in questo caso = EXi = p,
2 = V ar Xi = p(1 p). Cerchiamo ancora un intervallo di condenza asintotico per la
media = p.
Per il teorema limite centrale abbiamo ancora
Xn Xn p L
n
= n
Z N (0, 1),

p(1 p)
e per la legge forte dei grandi numeri X n p q.c. Risulta allora naturale usare come
b2 :=
stimatore della varianza, invece della varianza campionaria Sn2 , la variabile aleatoria
X n (1 X n ) che converge quasi certamente verso p(1 p) = 2 (si potrebbe peraltro
dimostrare che risulta
b2 = ((n 1)/n)Sn2 quasi certamente). Allora

Xn p
p(1 p)
Xn p
L

n
= n
Z N (0, 1),
p(1 p) X (1 X )
X n (1 X n )
n
n
7

grazie al teorema di Slutsky. Ripetendo alcuni dei passaggi precedenti si ottiene

Xn p
1 = P (z/2 < Z < z/2 ) = lim P z/2 < n
z/2 ,
n
X n (1 X n )
ovvero

lim P X n z/2

X n (1 X n )
p < X n + z/2
n

X n (1 X n )
= 1 .
n

Ci`o si esprime dicendo che lintervallo

X
(1

X
)
X
(1

X
)
n
n
n
n
X n z/2
, X n + z/2
n
n
`e un intervallo di condenza asintotico di livello 1 per il parametro p. Si usa anche
scrivere che asintoticamente con livello 1 :

X n (1 X n )
.
p = X n z/2
n

Velocit`
a di convergenza e asintotica normalit`
a

Questo paragrafo `e dedicato solo a introdurre due denizioni e le corrispondenti notazioni,

che talvolta semplicano gli enunciati dei risultati precedenti e di quelli che seguiranno.
Sia data una successione Tn , n 1, di variabili aleatorie reali, un numero e una
successione di numeri reali vn tale che vn + per n +.
a di convergenza vn se esiste
Definizione 7.1. Diciamo che Tn converge verso con velocit`
una variabile aleatoria T = 0 tale che
L

vn (Tn ) T,

n .

(6)

In questa denizione T = 0 signica che T non coincide quasi certamente con la costante
nulla, cio`e P (T = 0) = 1.
P

Notiamo che se vale (6) allora Tn : infatti

Tn =

1
L
vn (Tn ) 0 T = 0,
vn
L

per il teorema di Slutsky; ne consegue che Tn e poiche `e costante si conclude che

P
Tn . La successione vn quantica la rapidit`a con cui ha luogo tale convergenza.
Definizione 7.2. Diciamo che Tn `e asintoticamente normale se vale (6) con la variabile
aleatoria T avente legge N (0, q) con q > 0. In questo caso scriviamo
(
)
q
Tn AN , 2 .
vn
8

In molti casi lasintotica normalit`a ha luogo con velocit`a di convergenza vn =

conseguenza del teorema limite centrale.

n come

Esempio 7.3. Siano Xi , i 1, variabili aleatorie i.i.d. in L2 , = EXi , 2 = V ar Xi > 0.

Allora per il teorema limite centrale X n converge verso con velocit`a n e risulta
(
)
2
.
X n AN ,
n
Esempio 7.4. La formula (4) si pu`o riscrivere pi`
u sinteticamente: per ogni x R,
)
(
F (x)(1 F (x)
.
Fn (x) AN F (x),
n
Esempio 7.5. La formula (5) si pu`o riscrivere:
(
)
4
2 4
2
Sn AN ,
.
n

Il metodo delta

Siano Xi , i 1, variabili aleatorie i.i.d. e in L2 , = EXi , 2 = V ar Xi > 0. Nella sezione 6

abbiamo visto che `e ragionevole approssimare la media per mezzo della media campionaria
X n per il fatto che X n q.c. Supponiamo ora di essere interessati ad approssimare il
valore di un altro parametro (ignoto) della legge delle variabili aleatorie Xi , indicato con ,
e di sapere che `e una funzione della media, cio`e = () per unopportuna funzione .
Se `e continua allora `e naturale approssimare mediante (X n ): infatti in tal caso risulta
(X n ) () = q.c.
Esempio 8.1. Siano Xi , i 1, variabili aleatorie i.i.d. con legge Exp(), cio`e esponenziale
con parametro > 0. Allora = EXi = 1/, 2 = V ar Xi = 1/2 . In questo caso
il parametro ignoto `e e risulta = () ponendo (x) = 1/x. Un modo naturale di
approssimare consiste nel calcolare (X n ) = 1/X n a partire dai valori osservati di un
campione di numerosit`a n. In tal caso si avr`a (X n ) = 1/X n 1/ = q.c.
Si pongono ora in modo naturale varie domande. Abbiamo visto che X n converge verso

di (X n ) verso
con velocit`a n: che cosa si pu`o aermare sulla velocit`a di(convergenza
)
= ()? Pi`
u precisamente avevamo provato che X n AN , 2 /n : si pu`o concludere
che (X n ) `e ancora asintoticamente normale? Quale `e la sua distribuzione asintotica?
In molti casi si pu`o dare risposta a queste domande per mezzo del teorema che segue.
Lapplicazione di questo risultato prende il nome di metodo delta. Il teorema `e formulato in
generale per una successione di variabili aleatorie Tn anche se in queste note lo applicheremo
solo al caso Tn = X n .
Teorema 8.2. Siano Tn , T variabili aleatorie reali che prendono valori in un insieme
misurabile R. Supponiamo che risulti
L

vn (Tn ) T,

n ,

dove `e un punto interno a e vn `e unopportuna successione di numeri reali divergente

a +. Se : R `e una funzione misurabile, dierenziabile nel punto , allora
L

vn ((Tn ) ()) () T,
dove () indica la derivata di nel punto .
9

Nel caso in cui T = 0, e pertanto la velocit`a di convergenza di Tn verso `e vn , il teorema

aerma in particolare che (Tn ) converge verso () con la stessa velocit`a vn , a condizione
che soddis le ipotesi e che risulti () = 0.
Spesso il teorema viene usato nella forma particolare espressa nel seguente corollario.

Corollario 8.3. Supponiamo che le ipotesi del teorema valgano con vn = n e T N (0, q),

L
dove q 0. Allora n((Tn ) ()) ()T N (0, ()2 q). Se q > 0 e () = 0 si ha
pertanto
(
)
( q)
()2 q
=
(Tn ) AN (),
.
Tn AN ,
n
n
Notiamo che il corollario `e una conseguenza immediata del teorema, perche T N (0, q)
implica ()T N (0, ()2 q). Il corollario aerma che passando da Tn a (Tn ) anche
lasintotica normalit`a viene preservata, sotto opportune ipotesi.
Dimostrazione del teorema 8.2. Luguaglianza
( + h) = () + () h + R(h),
denisce una funzione R(h) per ogni h R per cui + h . Poiche `e un punto interno
di , R(h) `e denita in un intorno di 0. Poiche `e dierenziabile in , si ha R(h)/h 0
per h 0. Deniamo

R(h)
per + h , h = 0,
g(h) =
0h
per h = 0,
e deniamo g(h) = 0 anche per ogni altro valore di h. Allora per costruzione vale luguaglianza
( + h) = () + () h + h g(h),
per + h ,
dove g : R R `e una funzione misurabile, continua in h = 0.
Sostituendo h = Tn e moltiplicando per vn si ha
vn ((Tn ) ()) = () [vn (Tn )] + vn (Tn ) g(Tn ).
Notiamo che
Tn =

(7)

1
L
vn (Tn ) 0 T = 0,
vn
L

per il teorema di Slutsky; pertanto Tn e poiche `e costante si deduce che Tn .

Poiche la funzione g `e continua nellorigine segue che
P

g(Tn ) g(0) = 0.
Poiche per ipotesi

vn (Tn ) T
si conclude che

vn (Tn ) g(Tn ) T 0 = 0,
per il teorema di Slutsky. Poiche la convergenza ha luogo verso una costante si ha anche
P

vn (Tn ) g(Tn ) 0.
10

(8)

Poiche inne

() [vn (Tn )] () T,

la tesi del teorema segue da (7) e (8) con unaltra applicazione del teorema di Slutsky.
Applichiamo il metodo delta nella situazione dellesempio 8.1 di cui riprendiamo ipotesi
e notazioni.
Siano Xi , i 1, variabili aleatorie i.i.d. con legge Exp(), con parametro > 0 ignoto.
Allora = EXi = 1/, 2 = V ar Xi = 1/2 . Posto pertanto (x) = 1/x approssimiamo il
bn := (X n ) = 1/X n . Abbiamo gi`a notato che
bn q.c.
valore di mediante
Per il teorema limite centrale
(
)

1
L
2
n(X n ) Z N (0, ) = N 0, 2 ,

e applicando il metodo delta si trova

(
)

2 1
b
n(n ) = n((X n ) ()) ()Z N 0, () 2 .

Poiche (x) = 1/x2 si ha () = 1/2 = 2 e si conclude che

(
)

L
bn )
n(
()Z N 0, 2 .
Con dierente notazione possiamo scrivere
bn AN

(9)

)
(
2
.
,
n

bn consente di trovare un intervallo di

La conoscenza della distribuzione asintotica di
condenza asintotico per , seguendo la linea di ragionamento della sezione 6.2. Anzitutto
scriviamo (9) nella forma
bn L

n
Z N (0, 1) .

bn q.c., e quindi /
bn 1 q.c., segue dal teorema di Slutsky che
Poi, ricordando che
bn
bn L

n
= n
Z N (0, 1) .
bn
bn

Pertanto, ssato (0, 1),

ovvero

bn

1 = P (z/2 < Z < z/2 ) = lim P z/2 < n
z/2
n
bn

(
)
bn
bn

bn z/2 <
bn + z/2
lim P
= 1 .
n
n
n

)
,

Ci`o si esprime dicendo che lintervallo

]
[
bn
bn

bn z/2 ,
bn + z/2

n
n
`e un intervallo di condenza asintotico di livello 1 per il parametro . Si usa anche
scrivere che asintoticamente con livello 1 :
bn

bn z/2
=
.
n

11