SECONDA LEZIONE STATISTICA 23/09/25

CAMPIONE CASUALE: costituito da (X1, X2,…,Xn) variabili casuali sono indipendenti, identicamente
distribuite rispetto ad X.

Caratteristiche del campione (v.c. n-dimensionale):

- Distribuzione;
- Momenti (momenti centrali e dall’origine).

I momenti sono valori che descrivono la forma di una distribuzione di dati. I 2 principali sono:

1) Momenti rispetto all’origine: sono calcolati rispetto allo zero, cioè senza tener conto della media.
2) Momenti centrali: sono calcolati rispetto alla media anziché verso lo 0. Misurano la dispersione e la
forma della distribuzione rispetto alla media.

Distribuzione del campione:

X è la mia variabile casuale popolazione, dove è sicuramente casuale discreta/continua e ha una funzione
di densità fx(x):

 Perciò la distribuzione campionaria è data da f(X1…Xn)(x1,x2,…,xn).

Poiché le v.c. sono indipendenti, una funzione di densità/probabilità (a seconda che sia continua/discreta)
congiunta di n v.c., la distribuzione campionaria può essere scritta come il prodotto delle singole
distribuzioni delle singole variabili casuali:

f(X1,…Xn)(x1,x2,…,xn)= fX1(x1)*fX2(x2)*…*fXn(xn)

Poiché le v.c. sono identicamente distribuite (vuol dire che X1, X2, Xn sono tutte uguali tra di loro e in
particolari uguali alla X popolazione), questo si semplifica a:

= fX(x1)*fX(x2)*…*fX(xn)

X grande sono le variabili casuali, x piccolo sono i potenziali valori che osservo nel campione.
n

∏ fX (x i)
i=1

Questa è la distribuzione campionaria.

Momenti del campione:

Si indagheranno i momenti degli elementi del campione (momenti campionari). Un campione casuale è un
insieme di n variabili casuali (X1,X2,…,Xn) che sono indipendenti e identicamente distribuite (iid) dalla
stessa variabile casuale X della popolazione.

Questo implica che:

- Tutti gli elementi del campione (Xi) hanno la stessa distribuzione della popolazione (X).
- Tutti gli elementi del campione (Xi) hanno gli stessi momenti della popolazione (X):
Si definiscano i momenti della v.c. univariata Popolazione X:

 Valore atteso (media) di X: E[X] = u. Se continua si calcola con un integrale, se discreta con
sommatoria.
 Generico momento r-esimo dall’origine di X: E[Xr]= u’r
 Varianza: misura quanto una lista di valori si scosta dal proprio valor medio. Sigma alla seconda.
E[(X-u)2]
 Generico momento centrale r-esimo di X: E[(X-u)r]=ur

 Questo per quanto riguarda il campione X. Essendo le variabili casuali all’interno del campione X
i.i.d, anche i momenti delle variabili casuali saranno uguali a quelli delle X.

I momenti campionari corrispondono ai parametri della popolazione. Definizione slide:

Dato che Xi sono i.i.d. come X:

X ∼ (si distribuisce come) … (una certa distribuzione casuale)

Xi ∼ (si distribuisce come) … (= a X) ∀ i: ogni elemento del campione si distribuisce come qualsiasi


cosa purché sia uguale a quella di X
 Momenti (Xi) = momenti (X)

Quello che succede solitamente nei casi reali è che la distribuzione di X non è nota.

L’interesse è focalizzato sui parametri di X, che possono essere alcuni noti e alcuni ignoti.

X∼…?

Avendo a disposizione il campione, cosa si può costruire di utile da esso per trarre delle INFO sui parametri
ignoti di interesse della popolazione?

 Strumento utile: STATISTICHE (“STIMATORI”)

Una statistica è una funzione (matematica) T(*) delle n v.c. del CAMPIONE (n saranno il nostro input per la
funzione):

T(X1, X2, …, Xn)

È una funzione che non dipende dai parametri ignoti della popolazione.

LE CARATTERISTICHE DI UNA STATISTICA:

 Dato un CAMPIONE (X1, X2, …, Xn), la funzione T(X1, X2, …, Xn) è una statistica che è una funzione di n
variabili casuali: di conseguenza è una variabile casuale:

 T = T (X1, …, Xn) è una STATISTICA, è una v.c.

 Data una REALIZZAZIONE CAMPIONARIA (ho un campione di studenti (X), ogni studente è la mia
Xn, il suo voto di laurea (dato che mi interessa) è xn), cioè data la lista dei valori osservati di ogni
 singola variabile casuale appartenente al campione, la funzione T(x1, x2, …, xn) è la REALIZZAZIONE
DELLA STATISTICA ed è una combinazione di numeri, quindi un numero.

 t = T(x1, x2, …, xn) è una realizzazione della statistica, un numero.

Appurato dunque che una STATISTICA T è una v.c., allora:

- Ha una sua Distribuzione e dunque può assumere un intervallo di valori.

- Ha delle sue caratteristiche, ad esempio valore atteso e varianza

ESEMPI DI STATISTICHE:

MEDIA CAMPIONARIA:

La media campionaria come STATISTICA (v.c.) è definita come:

Una sua realizzazione campionaria è un VALORE NUMERICO (realizzazione della v.c. MEDIA CAMPIONARIA),
per esempio:
TEOREMA SUI MOMENTI CAMPIONARI: (NON NECESSARIA LA DIMOSTRAZIONE)

Riesco a trovare l’incognita mu’r calcolando il valore atteso di M’r: trovo un valore che prima mi era ignoto
(mu’r) trovando M’r.

La formula b ci dice inoltre che, la varianza di M’r sarà sempre più utile più grande è il campione (n).

 Stimare: attribuire o sostituire un valore a un parametro ignoto;

 Portata di questo risultato qualora i MOMENTI (ignoti) della POPOLAZIONE fossero i parametri di
INTERESSE;

STATISTICHE PIU’ FAMOSE:

1) Media Campionaria
2) Varianza Campionaria “Corretta”
3) Proporzione Campionaria

L’obiettivo per conoscere al meglio una variabile casuale è determinarne:

- E(*);
- Var(*);
- Distribuzione;
Vogliamo trovare la media della media campionaria e la varianza della media campionaria, oltre alla sua
distribuzione.

1) Valore atteso della Media Campionaria:

2) Varianza della media campionaria:

3) Distribuzione della media campionaria:

LEZIONE 25/09

VARIANZA CAMPIONARIA “CORRETTA” S2:

La varianza campionaria è fatta come formula in blu:

Essa è legata a M2 , cioè al momento campionario centrale di ordine r=2 (la varianza campionaria “non
corretta”) della relazione

La varianza campionaria è fatta come la formula in blu: per ottenere quella corretta dobbiamo
moltiplicare per n/n-1;

1) Valore Atteso della Varianza Campionaria Corretta E[S2]:

Quest’ultima relazione si può separare in:

- Nel caso della prima, abbiamo Xi (generica variabile casuale del campione) scarto da mu (sia la
media della variabile casuale X da cui campiono, sia la media di ognuna delle variabili casuali Xi che
sono fotocopie del campione): non è altro che la varianza della X.
- Il secondo elemento invece, è lo scarto tra Xn (media campionaria) e mu (che è anche la media
della media campionaria): è la varianza della media campionaria.

 Mediamente centra esattamente la varianza della popolazione.

2) Varianza della Varianza Campionaria Corretta Var[S2]:

3) Distribuzione della Varianza Campionaria Corretta, distrib. di S2:

PROPORZIONE CAMPIONARIA:

- W: considerato la somma degli elementi del campione.

 A tutti gli effetti è come se fosse una media campionaria però calcolata in un caso particolare: il
caso in cui la variabile casuale Popolazione ha una forma nota e unica ed è una Bernoullina.

- n è la numerosità del campione;

- La variabile X popolazione è una Bernoulliana di parametro p (Ind(p))
- p corrisponde alla proporzione (frequenza relativa) che corrisponde alla quota nell’intera
popolazione di avvenire dell’evento A nella popolazione X (urna 100 palline con 10 palline rosse:
nella popolazione la probabilità di A è del 10%).

Nel momento in cui affermiamo che la proporzione campionaria è data da W/n, stiamo dicendo che è
somma delle Xi / n dove somma di Xi per noi è una somma di 0 e 1 a seconda che sia venuto l’evento
che ci interessa:

 è la conta del numero di successi in n volte che abbiamo replicato l’esperimento.

Quindi la Variabile Casuale W è una binomiale definita da due parametri:

- Numero di prove che si fanno (nel nostro caso la numerosità del campione): n
- Dalla probabilità di successo;

dove E(W) = np e Var(W) = np(1-p).

Leggi del CALCOLO della PROBABILITA’:
Per riuscire a capire la distribuzione delle 3 statistiche (Stimatori) analizzate in precedenza abbiamo bisogno
di analizzare:
  Spiegazione:

Definizione: La successione di v.c è una lista di tante variabili casuali. Si dice che la successione converge in
probabilità alla costante c se per ogni epsilon strettamente positivo il limite per i che tende all’infinito della
probabilità dello scarto in valore assoluto di Xi meno c < epsilon = 1:

- Con i che tende a infinito intendiamo che sto prendendo una successione di v.c molto numerosa.
- Se questa successione converge in probabilità ad una costante, vuol dire che vale il risultato
indicato nella definizione (Pr[… =1) , ovvero la probabilità di un evento che vale 1. Qual è l’evento
che ha probabilità 1 di capitare?
 L’evento certo: in questo caso è lo scarto in valore assoluto tra una generica v.c. della successione e
la costante c dove tale scarto è più piccolo di un valore piccolo (epsilon). Sarà una variabile casuale
che tenderà ad assumere valori non troppo diversi tra loro e molto vicini alla costante c.

Spiegazione del Teorema:

 Qualora avessimo una successione che converge in probabilità a c, allora anche la successione
costruita dove ad ogni elemento della successione gli viene applicata una generica funzione g,
siamo sicuri che questa converga in probabilità alla trasformazione g(C).

Spiegazione del NB:

Considerando specifiche successioni di v.c. prendo una particolare g(*), questo risultato diventa le LEGGE
(debole) dei GRANDI NUMERI:

- Se applico la convergenza in Probabilità ad un campione casuale e agli elementi di questo campione

applico la trasformazione g(*) (g è pari a una statistica, in particolare media, varianza corretta,
ecc…) ottengo il risultato della convergenza in probabilità che prende il nome di LEGGE DEI GRANDI
NUMERI.

Legge dei grandi numeri che si divide in 3 casi:

Sono 3 applicazioni della convergenza che abbiamo appena visto a un campione casuale di tante variabili
casuali dove però la g è di caso in caso diversa:
Dimostrazione teorema a), ovvero applicazione della convergenza alla media campionaria:

Occorre dimostrare che la media campionaria presa come particolare trasformazione di una particolare
successione di variabili casuali converge in probabilità a mu, cioè assume una distribuzione degenere e
concentrata nel vero valor medio della popolazione da cui ho campionato.

Quindi devo dimostrare:

Nel passaggio finale, avendo una disequazione con a sinistra il limite di una probabilità >= 1, l’unico
risultato possibile è = uguale 1 in quanto una probabilità non può assumere valori più grandi.
Per la dimostrazione: prendo sempre la tesi da dimostrare iniziale, successivamente applico Chebyshev
andando a prendere la varianza della proporzione campionaria e inserendola nel lato destro della
disequazione.

Osservazioni:

- Convergenze coinvolgono tutte e 3 sul lato sinistro delle “Statistiche” e in qualità di tali sono
elementi noti della funzione e gli oggetti a cui convergono sono parametri della popolazione che,
spesso, sono ignoti e di nostro interesse.
- Quindi per grandi campioni (ambiente asintotico quindi con ninfinito) possiamo stabilire che le
statistiche si avvicinano alla corrispondente caratteristica della popolazione.
Si parla sempre si successione molto grande. Cosa vuol dire che una successione converge in distribuzione?

Convergenza in distribuzione a una variabile casuale indica che le v.c. che fanno parte della successione
tendono ad assomigliare tutte ad una sola, cioè la v.c. a cui convergono.

 Qualora prenda una successione molto numerosa, la funzione di ripartizione (CDF) della generica
variabile casuale della successione, perciò della probabilità cumulata fino a un certo x, è identica
alla probabilità cumulata se io la calcolassi della v.c. X a cui la successione converge in distribuzione.
Se prendo un campione formato da n v.c. che sono indipendenti e identicamente distribuite (i.i.d.) e che
ognuna di esse ha un valore atteso e una varianza finita, il teorema del Limite centrale considera una
particolare variabile casuale che non è altro la somma delle v.c. (S n) che formano gli elementi del campione
e in qualità di v.c. somma sappiamo che il suo valore atteso è n volte il valore atteso della singola variabile e
la varianza è n volte la varianza della singola variabile.

La formula della standardizzazione la ottengo togliendo alla variabile casuale il valore atteso di Sn (che è,
come detto sopra, n*mu) e al denominatore la std di Sn (ricordando che la varianza è data da n*sigma^2).

Formula generale della standardizzazione:

Il teorema del Limite Centrale ci dice che se io prendo un grande campione, allora la sua funzione di
probabilità cumulata è uguale alla funzione di probabilità cumulata di una variabile casuale Normale
Standard (che ha media 0 e varianza 1  questo dipende dalla standardizzazione).

Quindi la successione formata da quella particolare funzione degli elementi del campione che genere una
variabile casuale somma standardizzata converge in distribuzione a una Normale con media 0 e varianza 1.

Come si distribuisce una variabile somma (Sn) quando non la standardizzo? È una normale non standard,
perciò non è a media 0 e varianza diverso da 1, cioè:
LEZIONE 4: 30/09
Applicazioni del TLC:

La distribuzione di Poisson è una distribuzione di probabilità discreta: serve a descrivere la probabilità che
un certo numero di eventi si verifichino in un intervallo di tempo fissato.

- È una distribuzione discreta: solo valori interi non negativi (non posso avere quindi es: 2,5 eventi);
- Modella il conteggio di eventi  si usa per contare quante volte succede qualcosa;
- Ha un solo parametro, lambda: rappresenta il numero medio di eventi che ti aspetti di osservare
nell’intervallo stabilito.

Media e Varianza nella Poisson sono entrambe uguali a lamda. Nell’esempio sopra, uso la proprietà di
Riproduttività dove se sommo più variabili di Poisson indipendenti, il risultato è ancora una variabile di
Poisson che ha come parametro Lamda la somma dei parametri (nell’esempio sommo 3 lamda).

 Nel caso in cui n=30 (tanti), il Teorema del Limite Centrale inizia a valere: di qualsiasi tipo di
variabile [Link]., se in numero sufficiente, può essere approssimata da una distribuzione Normale.

In questo caso, si considera una variabile casuale X che ha una distribuzione Bernoulliana con parametro p
(probabilità di successo). La distribuzione di Bernoulli modella un singolo esperimento che ha solo due esiti
possibili (successo/insuccesso).

Si considerano Xn campioni estratti dalla popolazione X:

 Nel caso in cui n tenda a infinito, posso applicare il TLC dove la somma diventa approssimata a una
variabile con valori:

- Convergenza in probabilità: vuol dire prendere una successione di particolari v.c. (che potrebbero
essere nel nostro caso o una Statistica o una Funzione di Statistica) e dire che converge in
probabilità a una costante indica che al crescere del numero di oggetti del Campione questa v.c. o
una sua funzione sta diventando una v.c. che degenera in un punto solo (costante)
- Convergenza in distribuzione: prendo quella particolare successione di v.c (che possono essere
configurate come una Statistica o una Funzione di Statistica) e posso dire che di fronte a un grande
campione, questa statistica può essere sostituita da una sola v.c: ha una distribuzione secondo una
variabile casuale che posso facilmente riconoscere.
Prendiamo due successioni di v.c., una che converge in distribuzione a una particolare v.c. e una che
converge in probabilità a una costante: abbiamo due risultati:

- Se la nuova successione è data dalla moltiplicazione degli elementi delle due successioni iniziali,
essa converge in distribuzione ad un oggetto che è la costante di una delle due per la variabile
casuale a cui converge l’altra;
- Se la nuova successione è data dalla somma degli elementi delle due successioni iniziali, essa
converge in distribuzione alla somma della variabile casuale limite e della costante;
In questo primo caso, n è un piccolo campione: la distribuzione della media campionaria prende il nome di
DISTRIBUZIONE ESATTA. Non è nota in generale in quanto dipende dalla forma della distribuzione da dove
campioniamo, la quale deve essere quindi nota  non c’è possibilità di dare una distribuzione alla Statistica
media campionaria.
Quando ho un grande campione, la distribuzione si chiama DISTRIBUZIONE ASINTOTICA.

Per quanto riguarda la distribuzione della media campionaria, è unica e nota e si ottiene attraverso il TLC:
  Dal riassunto si evince che, nel caso della Statistica Media Campionaria, la sua distribuzione
asintotica, grazie al TLC, è sempre una distribuzione Normale con mu e sigma^2/n.

Nel momento in cui standardizzo la media campionaria, allora so anche qual è la distribuzione della media
campionaria standardizzata: il risultato è la formula rossa, ovvero la convergenza in distribuzione. Se per
convenzione noi Z la chiamiamo una N(0,1), allora la nuova v.c. indicata dalla formula rossa, converge in
distribuzione a una NORMALE(0,1).

1) Caso piccolo campione: la distribuzione ESATTA di S 2 non è nota in generale: dipende dalla
distribuzione della v.c. da dove campiono. Perciò, se voglio capire la distribuzione di S^2 devo
sapere esattamente da che variabile casuale sto campionando (nel caso del campione piccolo).
Mi interessa dare una connotazione alla distribuzione asintotica di S^2: risulta nota qualsiasi sia la
distribuzione da cui si campiona purché sia davanti a un grande campione.

 Il valore atteso di S^2 è la vera varianza della popolazione (sigma^2).

 La varianza della varianza campionaria corretta è come avevamo visto all’inizio. Il termine n-3/n-1,
essendo il campione molto grande, tende a 1 (limite ninfinito).
 Distribuzione ESATTA qui è nota: so qual è la v.c. da cui campiono  quando utilizzo la
proporzione campionaria so già che sto estraendo da una Bernoulliana.
  Caso Campionamento da 1 v.c. Normale X con N(mu, sigma^2):

Cosa succede alla distribuzione della media campionaria e della varianza campionaria corretta qualora
stessi campionando da una Normale (risultati validi solo da estrazione da una Normale)?

 Se io non sapessi la distribuzione del campione da cui sto campionando, questa distribuzione
varrebbe solo nel caso in cui fossi di fronte un grande campione. Invece, se campiono da una
Normale, questo risultato vale per qualsiasi sia la numerosità campionaria.

Qualsiasi sia la numerosità del mio campione questa è una distribuzione ESATTA.
APPLICAZIONI TEOREMA DI SLUTSKY:
I primi 3 risultati notiamo che discendono dalle 3 distribuzioni asintotiche delle 3 statistiche stiamo
considerando. Il quarto e il quinto sono invece i risultati appena messi in evidenza tramite le applicazione di
Slutsky.
 1) Genesi v.c. chi-quadrato:

Si parte avendo a disposizione una Normale Standard Z. Di questa Z ne faccio il quadrato: è una nuova
variabile casuale che si distribuisce come una variabile casuale chi-quadrato con 1 gradi di libertà.

Prendiamo ora una somma di k v.c. costruite come Z i, ovvero costruite come le Z2 appena descritte: devo
imporre che queste v.c. siano tra loro indipendenti.

 Se faccio la loro somma e mettendole tutte al quadrato, la nuova variabile casuale X sarà formata
da un chi-quadro1, + chi-quadro1…;

Per la variabile chi quadrato, vale la proprietà RIPRODUTTIVA: se io prendo delle variabili casuale dove
ognuna è distribuita come un chi-quadrato, se genero una v.c. somma allora anch’essa sarà una variabile
casuale chi-quadrato con il parametro k che si chiama gradi di libertà (gdl), che non è altro che la somma di
ogni grado di libertà.

2) Genesi v.c. T-student:

Anche in questo caso, per generare una T dobbiamo avere a disposizione una Normale Standard. Per
generare la T mi serve inoltre un chi-quadro k (chiamato U). Devo assicurarmi che Z e U siano, in
probabilità, indipendenti tra loro.
Una T con infiniti gradi di libertà si approssima ad una Normale.

3) Genesi v.c. di Fisher (snedecor):

Ha come ingredienti due oggetti: 2 chi-quadro.

- U con m gradi di libertà;

- V con n gradi di libertà;

Devo poi assicurarmi che siano indipendenti tra di loro: costruisco poi una v.c. X costruita come indicata
sopra.
LEZIONE 5: 2/10