La Legge Forte dei Grandi Numeri (SLLN) rappresenta la controparte robusta e più rigorosa all’interno della famiglia di teoremi noti come Legge dei Grandi Numeri. Questa fondamentale dualità fu consolidata dal matematico francese Émile Borel.
Borel dimostrò la SLLN nel 1909 nel suo influente articolo, Les probabilités dénombrables et leurs applications arithmétiques. Il suo approccio si discostò nettamente da quello del suo predecessore, Jakob Bernoulli. Bernoulli si era basato sulla Disuguaglianza di Čebyšëv per la Legge Debole.
Al contrario, Borel scelse una strada che garantiva una convergenza più stringente. Egli dimostrò che la probabilità di errori significativi diminuisce in modo esponenziale con l’aumentare delle prove. Questa rapida convergenza permise a Borel di provare la stabilità permanente delle medie campionarie nel lunghissimo periodo.
INDICE
1. Il Problema: Dalla Probabilità alla Convergenza
La Legge Forte dei Grandi Numeri (SLLN) afferma che, per una sequenza di prove indipendenti $X_1, X_2, \ldots, X_n$ con valore atteso $\mu$:
$$\lim_{n \to \infty} \left( \frac{X_1 + X_2 + \dots + X_n}{n} \right) = \mu \quad \text{con probabilità 1}$$
Questo significa che la sequenza delle medie campionarie converge al valore atteso $\mu$ per quasi tutti i risultati possibili (fatta eccezione per un insieme di probabilità zero, da cui il termine “quasi certa“).
Esempio Pratico: L’Oscillazione Scomparsa 📈
Per capire la potenza della SLLN, consideriamo il lancio di una moneta ($\mu = 0.5$). Mentre la Legge Debole (LWLLN) garantisce che al passo $n$ la media è probabilmente vicina a $0.5$, non esclude che la media possa tornare a oscillare lontano da $0.5$ infinite volte. La SLLN, invece, garantisce che le grandi oscillazioni smettono di accadere. Dopo un certo numero di lanci, la media si stabilisce definitivamente in un piccolo intervallo attorno a $0.5$ e non ne uscirà più, assicurando la stabilità permanente della frequenza relativa.
2. Tecnica e Passaggi della Dimostrazione
Mentre la Legge Debole usa la Disuguaglianza di Čebyšëv (dove l’errore diminuisce con $\frac{1}{n}$), Borel aveva bisogno di una stima che diminuisse esponenzialmente per dimostrare che le deviazioni significative si verificano solo per un numero finito di volte.
Passaggio A: Stima Esponenziale dell’Errore
Borel sfruttò una disuguaglianza (oggi nella famiglia di Hoeffding o Černoff) che fornisce un limite superiore per la probabilità che la media campionaria $\bar{X}_n$ devii dal valore atteso $p$ di una quantità $\epsilon$.
Sia $E_n$ l’evento di una deviazione significativa, $E_n = { |\bar{X}_n – p| \geq \epsilon }$. Borel dimostrò che, per le prove di Bernoulli:
$$P(E_n) \leq 2 e^{-2n\epsilon^2}$$
Questa rapida diminuzione esponenziale è cruciale, poiché garantisce che la serie delle probabilità di deviazione converga.
Passaggio B: Applicazione del Lemma di Borel-Cantelli
Una volta stabilita questa rapida diminuzione, Borel applicò la prima parte del Lemma di Borel-Cantelli:
Se la somma delle probabilità di una sequenza di eventi $E_n$ converge (è finita), allora la probabilità che un numero infinito di quegli eventi si verifichi è zero.
Borel passò a verificare la convergenza della serie:
$$\sum_{n=1}^{\infty} P(E_n) \leq \sum_{n=1}^{\infty} 2 e^{-2n\epsilon^2}$$
Poiché la serie $\sum_{n=1}^{\infty} e^{-2n\epsilon^2}$ è una serie geometrica convergente (il rapporto $e^{-2\epsilon^2}$ è $< 1$ per ogni $\epsilon > 0$), la somma totale è finita:
$$\sum_{n=1}^{\infty} P(E_n) < \infty$$
Passaggio C: Conclusione Logica
Poiché la somma delle probabilità delle deviazioni $E_n$ è finita, il Lemma di Borel-Cantelli garantisce che la probabilità che la media $\bar{X}_n$ continui a deviare da $p$ per un numero infinito di volte è pari a zero.
Di conseguenza, per quasi tutte le sequenze di risultati possibili, la media campionaria $\bar{X}_n$ deve convergere a $p$ (con probabilità 1), stabilendo così la Legge Forte dei Grandi Numeri.
SCOPRI IL MONDO DELLE PROBABILITÀ
Comincia un fantastico viaggio alla scoperta della probabilità
Accedi ai corsi di statistica e impara a destreggiarti nei labirinti dei calcoli della statistica probabilistica.