La legge normale e il teorema del limite camera/lab-fisica/dispense/6-Statistica......

Click here to load reader

  • date post

    22-Sep-2020
  • Category

    Documents

  • view

    0
  • download

    0

Embed Size (px)

Transcript of La legge normale e il teorema del limite camera/lab-fisica/dispense/6-Statistica......

  • La legge normale e

    il teorema del limite centrale

    .

    Mentre la legge dei grandi numeri stabilisce la convergenza del valor medio xmedio di un certo campione di variabili casuali

    (x1,x2,x3…….xn) verso il valore atteso E(x) e della deviazione standard σx verso il valore atteso della deviazione standard σ della popolazione, nulla dice sulle leggi di distribuzione di probabilità di tali

    variabili casuali.

    Il teorema del limite centrale risponde a questo problema e stabilisce le

    condizioni per le quali una variabile casuale tende alla distribuzione

    normale di Gauss

  • Campione e popolazione

    Sperimentalmente si studia il comportamento di un fenomeno non deterministico raccogliendo un campione di variabili aleatorie (x1,x2,x3…….xn) e si calcola la

    media Xmedio= ( xi)/n

    Ebbene se il numero n delle osservazioni è sufficientemente grande il comportamento probabilistico della media campionaria (qualunque sia la legge di probabilità delle variabili x1,x2,x3…….xn ) è dello stesso tipo segue la legge normale di Gauss

    con valor medio   Xmedio e varianza σ 2  σ2medie= σx

    2/n

    Questo straordinario risultato va sotto il nome di Teorema del limite centrale e giustifica il perché la distribuzione normale di Gauss abbia un ruolo prevalente nella statistica inferenziale

  • L’enunciato del teorema è il seguente:

    Sia X una variabile casuale somma di variabili casuali xi

    X=  ai xi

    indipendenti ed equidistribuite

    (ovvero le variabili casuali seguono la stessa legge di probabilità

    e si indichi con E(x) il valore atteso e Var(x) la varianza

    della variabile aleatoria xi (anche se non noti)

    Si dimostra che

    La variabile X ha una funzione di distribuzione di probabilità

    che tende a quella normale al crescere di n, con valore

    E(X)=  ai E(xi) e

    Var (X)=  ai 2 Var(xi) .

  • Ora la media è una combinazione lineare di xi

    indipendenti e equidistribuiti con tutti gli E(xi) = E(x) e

    Var(xi) = Var(x) e con gli ai=1/n.

    Applicando il teorema risulta che

     = E(Xmedio) = n(1/n)E(x) = E(x) e

    σ2 = Var (Xmedio) = n(1/n 2) Var(x) = Var (x)/n

    Inoltre il teorema centrale assicura che la distribuzione di

    probabilità della variabile Xmedia è, per n sufficientemente

    grandi, la distribuzione di Gauss con parametri

     e σ sopra determinati.

    Vedremo che la miglior approssimazione

    di  è Xmedio e di  è x/n

  • Esiste una dimostrazione rigorosa, dovuta a Laplace, che la distribuzione degli scarti delle misure affette da errori casuali e indipendenti è la funzione normale di Gauss

    La legge di Gauss degli errori come limite di una binomiale (7.13 Carnelli)

    Si suppone, nel modello di Laplace che gli errori casuali di misura possano essere schematizzati come il concorso contemporaneo di un numero n molto grande di disturbi, molto piccoli e indipendenti tra loro, di ampiezza costante ℇ, ognuno dei quali tenda a spostare la misura x dal valore vero X con uguale probabilità in difetto o in eccesso.

  • Modello di prove ripetute

    e la pro(n- )

  • La probabilità che si presenti un determinato valore di x è data dalla probabilità che si presentino n disturbi

    positivi e (n-n) disturbi negativi ovvero dalla

    Bn,p(n) = ( n n)p

    n q(n-n) con p = q

  • La variabile x è legata a n da una relazione lineare

    Si dimostra che la forma analitica della densità di probabilità per un certo risultato x è la gaussiana