Lezione 19 - 13/04/21

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.

In questa lezione andramo a vedere le:

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

Definizione deviazione standard

Var = deviazione standard

Definizione normalizzazione
Sia una V.A. X, sottrarre per il suo valore atteso e dividere per la sua variazione standard
si
dice normalizzazione.
X - EX
VarX
Teorema del limite centrale
Sia (X n ) n una successione di VV.AA. I.I.D. (indipendenti ed identicamente distribuite) con
� = EX1 e � 2 = VarX1
Allora:
 media di ogni
singola V.A.
ma anche il valore
atteso della media
empirica che così
la centra

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

Ora, siccome le X n sono I.I.D. allora anche le Y n sono I.I.D.

 n
n � �
= ∏ i=1 � Yi = � Y1
n n
⏠⏣⏣⏣⏣
grazie ⏡⏣⏣⏣⏣ ⏢
alla indipendenza grazie⏠⏣⏣⏣ ⏡⏣⏣⏣
alla identica ⏢
distribuzione
che ci dice che le funzioni caratteristiche
per ogni singola Y i

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

Voglio espandere con Taylor ora la funzione caratteristica:

t→0
t2
� Y1 (t) = � Y1 (0) + �'Y1 (0)t + � Y'' 1 (0) + o t2 =
2
ci sostituisco quanto calcolato nel nota bene
t2
= 1- + o t2
2
Quindi:
1
o
n
⏜⏟⏟
⏝⏟⏟
2⏞
� �2 �
� Y1 = 1- +o n → +∞
n 2n n

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

Definizione campione casuale

Sia n ∈ N * fissato. Consideriamo un vettore aleatorio
X = (X1 ,........., Xn ) , n ∈ N *
Con componenti I.I.D.
discreta
Con densità o f( ∙ ; �).
continua
Chiameremo il vettore X campione casuale di taglia n estratto da una popolazione X (che
non è una componente del vettore, ma è una V.A. esterna) con densità f( ∙ ; �)

Il campione casuale è un vettore aleatorio relativamente semplice perchè formato da

componenti I.I.D.

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.

Il campione casuale avrà le sue realizzazioni (cioè il risultati dell'esperimento)

x = (x 1 , x 2 , … , x n )

In probabilità abbiamo sempre pensato a questa cosa, ma adesso la formalizziamo.

Realizzare una V.A. significa estrarre dei valori dal suo supporto.