La legge dei grandi numeri afferma che, ripetendo molte volte un esperimento nelle stesse condizioni, la media campionaria tende alla media teorica. È il fondamento probabilistico dell’idea che la ripetizione indipendente riduca l’incertezza media.
Media campionaria
Siano X_1,\ldots,X_n variabili aleatorie indipendenti e identicamente distribuite con media
La media campionaria è
La legge dei grandi numeri studia il comportamento di \bar X_n quando n cresce.
Versione debole
Una forma classica, sotto ipotesi di varianza finita, dice che
La freccia \xrightarrow{P} indica convergenza in probabilità: per ogni \varepsilon>0,
In parole: la probabilità che la media campionaria sia lontana dalla media teorica tende a zero.
Versione forte
La legge forte dei grandi numeri afferma, sotto ipotesi opportune di integrabilità, che
La convergenza quasi certa è più forte: con probabilità uno, la successione delle medie campionarie converge effettivamente a \mu lungo la realizzazione osservata.
Interpretazione ingegneristica
In misure ripetute, simulazioni Monte Carlo, controllo qualità e affidabilità, la legge dei grandi numeri giustifica l’uso della media campionaria come stima della media teorica. Aumentare il numero di prove non elimina la variabilità del singolo esperimento, ma riduce l’errore medio della stima aggregata.
Se la varianza è finita, la varianza della media campionaria è
Questo spiega perché l’incertezza della media decresce come 1/\sqrt n in deviazione standard: per dimezzare l’errore tipico bisogna quadruplicare il numero di osservazioni.
Differenza dal teorema del limite centrale
La legge dei grandi numeri dice che la media converge al valore atteso. Il teorema del limite centrale descrive invece la forma approssimata della distribuzione dell’errore normalizzato. Sono risultati complementari: il primo assicura consistenza della media, il secondo quantifica la fluttuazione asintotica.
Per controlli quantitativi sull’approssimazione normale si può consultare anche il teorema di Berry-Esseen.
Errori comuni
Un errore frequente è pensare che la legge garantisca un errore piccolo per ogni campione finito. Il teorema è asintotico: non dice che con n=10 la media sia necessariamente vicina a \mu.
Un secondo errore è ignorare l’indipendenza o l’identica distribuzione. Dipendenze forti, drift del processo o dati non stazionari possono invalidare l’uso ingenuo della legge.
Infine, la legge dei grandi numeri non richiede che i singoli valori si avvicinino alla media: sono le medie aggregate a stabilizzarsi. Per esercizi e formule di contesto, vedi il formulario di probabilità e gli esercizi sulle variabili aleatorie discrete.