Sei sulla pagina 1di 8

Legge dei Grandi Numeri: Data la successione di v.a.

(Xn)n con valore atteso E(Xn) = μ, si dice che


S
(Xn)n obbedisce alla Legge dei Grandi Numeri (LGN) se la v.a. : n ≈ μ per n grande. In altri
n
termini, la v.a. Sn/n può essere approssimata dalla v.a. che assume valore costante μ quasi
certamente.
Al fine di determinare l’andamento probabilistico di Sn/n, faremo uso dei seguenti risultati.

Dimostrazione. Poichè X ≥ 0, allora 0 ≤ E(X) ≤ +∞. Se E(X) = +∞, non vi è nulla da dimostrare. Si
supponga, perciò, che sia E(X) < +∞.

col che la disuguaglianza di Markov è provata. Se X è una variabile aleatoria discreta, allora la
disuguaglianza può essere provata allo stesso modo sostituendo il segno di integrale con la
sommatoria (come usuale nel calcolo del valore medio di una variabile aleatoria discreta).
La stima fornita da (1.1.1) dipende unicamente dalla conoscenza della media di X. Essa potrebbe
essere lontana, però, dal valore reale della probabilità ivi indicata.

per ogni k > 0. Pertanto, vale il seguente risultato.


Disuguaglianza di Cebysev: Sia X una v.a. di media μ e varianza σ 2, entrambe finite. Allora, per
σ2
ogni k>0, si ha: P(|X-μ|≥k)≤ 2 .
k
Essa consente di interpretare la varianza come misura della dispersione dei valori assunti dalla v.a.
X attorno alla sua media μ. Infatti, essa si può scrivere nella forma equivalente: P(|X- E(X) |≥kσ )
1
≤ 2.
k
Definizione 1.1.1. Si dice che la successione di v.a. (Xn) converge in probabilità alla v.a. X se, per
lim P (|X −X|>ε)=0.
ogni ε > 0, risulta: n−→∞ n
LGN forte: Sia (Xn)n una successione di v.a. i.i.d. di media μ e varianza σ2, entrambe finite. Sia
n
lim S n /n= μ) =1.
Sn = ∑ X i. Allora Sn / n converge a μ con probabilità 1, ossia P (n−→∞
i=1
Definizione 1.1.2. Si dice che la successione (Xn) converge quasi certamente alla v.a. X se esiste un
insieme trascurabile N con P(N) = 0, tale che per ogni ω ∈ Nc si abbia Xn(ω) → X(ω). Si scrive
allora

Diremo questo tipo di convergenza convergenza quasi certa.


Le funzioni generatrici di momenti:
Osservazione 1.2.1. Si noti che esiste una stretta relazione tra f.g.m. e funzioni di ripartizione, nel
senso che v.a. avente la stessa f.g.m. hanno la stessa funzione di ripartizione. Questo consente di
esprimere la legge di una v.a. anche in termini della sola f.g.m..
Inoltre, le f.g.m. svolgono altri tre ruoli importanti in probabilità: esiste un legame profondo tra i
momenti di una v.a. e le derivate della corrispondente f.g.m.; le f.g.m. consentono di determinare in
maniera semplice la legge della somma di variabili aleatorie indipendenti; infine, esse semplificano
lo studio della convergenza di successioni di v.a.
Anzitutto, ricordiamo che, data una v.a. X, per ogni numero naturale n, si dice momento di ordine n
di X la quantità E(Xn). Ora, sia ϕ X la f.g.m. della v.a. X. Supponiamo che X abbia densità fX.
Allora si ha
Il Metodo Monte Carlo
Una delle maggiori applicazioni del TLC `e fornita dal Metodo Monte Carlo. L’idea principale del
metodo consiste nell’approssimare il valore atteso di una v.a. E(X) con la media (aritmetica) di un
grande numero N di realizzazioni indipendenti ottenute simulando dalla distribuzione di X. Ecco `e,
pertanto, un metodo stocastico per il calcolo numerico di quantità deterministiche.