Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Lezione 19
Lezione 19
Risultati asintotici
Ricordiamo la media empirica:
n
1
⏨
Xn = ∑ Xi
n i=1
Abbiamo vista che la media empirica si concetnra intorno al suo valore atteso, quando n
va
a più inifito.
Convergenze
Sia una (X n ) n successione di VV.AA. a valori in R
Definizione convergenza in probabilità
Sia una (X n ) n successione di VV.AA. a valori in R
Diremo che (X n ) n converge in probabilità alla V.A. limite X se:
n → +∞
∀ � > 0 , P |Xn - X| > � ⏪⏪⏪⏫ 0
⏠⏣⏣⏣ ⏡⏣⏣⏣
evento E�,n ⏢
Quindi ho una successione di probabilità (di numeri tra 0 e 1) di cui voglio studiare la
convergenza.
Equivalentemente:
n → +∞
∀ � > 0 , P(|Xn - X| < �) ⏪⏪⏪⏫ 1
E scriveremo:
P
Xn ⏪⏫ X
La V.A. limite può essere anche degenere, cioè essere un valore, come nella legge dei
grandi numeri nella quale la media empirica converge al valore atteso.
Definizione convergenza quasi certa
Sia una (X n ) n successione di VV.AA. a valori in R.
Diremo che (X n ) n converge quasi certamente alla V.A. limite X se:
n → +∞
P � ∈ Ω / Xn (�) ⏪⏪⏪⏫ X(�) =1
Cioè l'insieme degli elementi per cui c'è la convergenza è una insieme quasi certo (di
probabilità 1).
Scriveremo:
q.c.
Xn ⏪⏪
⏫X
grandi numeri nella quale la media empirica converge al valore atteso.
Definizione convergenza in distribuzione
Sia una (X n ) n successione di VV.AA. a valori in R.
Diremo che (X n ) n converge in distribuzione (o in legge) alla V.A. limite X se:
lim F Xn (x) = F X (x) ∀ punto x di continuità di F X
n → +∞
E scriveremo:
d
Xn ⏪⏫ X
La V.A. limite può essere anche degenere, cioè essere un valore, come nella legge dei
grandi numeri nella quale la media empirica converge al valore atteso.
Osservazione
convergenza quasi certa ⟹ convergenza in probabilità ⟹ convergenza in distribuzione
Teorema di Lévy
Sia (X n ) n una successione di VV.AA. a valori in R con funzioni caratteristiche � n (�) e sia
X
una V.A. a valori reali con funzione caratteristica �(�).
d n → +∞
Xn ⏪⏫ X ⟺ � n (�) ⏪⏪⏪⏫ �(�) ∀� ∈ R
X n - ⏜⏟⏟⏟
⏨ ⏝⏟⏟⏟
� ⏞ d
(1)
Sn = ⏪⏫ Z ∼ N(0, 1)
�
n
⏠⏣⏣
⏡⏣⏣
⏢
⏨n =variazione standard di X
VarX ⏨n
Qui io sto parlando di una successione di VV.AA. I.I.D. delle quali non stiamo dicendo
assolutamente nulla, esse possono essere discrete o assolutamente continue, positive
quasi certamente.
Dimostrazione
La faremo vedere tramite la convergenza delle funzioni caratteristiche.
Poi useremo il teorema di Lévy per dimostrare la tesi.
EX⏨n = �
�2
⏨n =
Var X
n
Chiamo Y n :
=�
⏜⏟⏟
⏝⏟⏟⏞
EXn - �
Xn - � EY n = =0
Yn = , �
� 1
VarY n = VarXn = 1
� 2 ⏠⏣⏣
⏡⏣⏣
2 ⏢
�
La normalizzazione di X n
Ho ottenuto una V.A. Y n con media 0 e varianza pari ad 1.
Il che aiuta molto per il risultato finale di arrivare alla normale standard
Facciamo due conti da (1) e otteniamo:
n n
1 1
Sn = ∑ (Xi - �) = ∑ Yi
� n i=1 n i=1
Calcoliamo ora la funzione caratteristica della S n
�
� Sn (�) = � 1 n (�) = � ∑ n Yi
=
∑ Y
n
i=1 i i=1
n
⏠⏣⏣⏣
⏡⏣⏣⏣
∑ Y ⏢ n
i=1 i
i�
n
Ee
NB
� Y 1 ( 0) = 1
�'Y1 (0) = iEY 1 = 0
�''Y1 (0) = i 2 EY 12 = (-1) ⋅ VarY 1 = - 1
La varianza equivale al momento secondo
perchè il valore atteso vale 0
Otteniamo:
n � �2 1
n log �Y1 n log 1- +o
� n 2n n
� Sn (�) = � Y1 =e =e =
n
NB
per t → 0
log(1 + t) ∼ t
per n grande
va 0 per definizione
di o-piccolo
per n grande � 2 ⏜⏟⏟⏟
⏝⏟⏟⏟
1 ⏞
-n + n⋅o
⏜⏟⏟
⏝⏟⏟
⏞ 2n n
= e
Passo al limite per n → +∞
�2
-
lim � Sn = e 2 (2)
n → +∞
E (2) non è altro che la funzione carattestica di una normale standard.
Per il teorema di Lévy la convergenza delle funzioni caratteristiche implica la convergenza
in
distribuzione delle VV.AA.
Perciò abbiamo:
d
S n ⏪⏫ Z ∼ N(0, 1)
Statistica
Definizione media campionaria
E' essenzialmente la media empirica
⏨n
X ⏨n
X
media empirica media campionaria
Il nostro � è il vettore dei parametri (nella V.A. ipergeometrica abbiamo 3 parametri per
esempio).
f( ∙ ; �) è la densità della V.A.
Definizione V.A. genitrice
La X è detta V.A. genitrice.
Realizzare una V.A. significa estrarre dei valori dal suo supporto.