Legge dei grandi numeri e teorema del limite centrale
Confronta la convergenza delle medie campionarie con la distribuzione delle loro fluttuazioni, includendo leggi debole e forte, scala, dipendenza, ergodicità e interpretazione finanziaria
Risposta diretta
La legge dei grandi numeri afferma che una media campionaria si avvicina alla media della popolazione secondo condizioni adeguate. Il teorema del limite centrale descrive l'errore casuale scalato attorno a quel limite e spesso fornisce un'approssimazione normale. La LLN identifica verso dove va la media; il CLT descrive come fluttua lungo il percorso
I teoremi rispondono a domande diverse
Per osservazioni X_1,…,X_n con media μ, la media campionaria è X̄_n=n^(−1)Σ_iX_i
Una LLN chiede se X̄_n si avvicina a μ quando n cresce, mentre un CLT chiede quale sia la distribuzione limite di una differenza scalata come √n(X̄_n−μ)
La convergenza al valore corretto non fornisce da sola un tasso d'errore, una forma, un intervallo di confidenza o un'approssimazione utile a campione finito
La legge debole usa la convergenza in probabilità
La LLN debole afferma P(|X̄_n−μ|>ε)→0 per ogni ε>0 secondo le sue ipotesi
Dice che la probabilità di un errore di dimensione fissa svanisce, non che ogni percorso realizzato alla fine resti sempre vicino
Per osservazioni iid, un'aspettativa finita è sufficiente per un'ampia legge debole, mentre semplici dimostrazioni basate sulla varianza spesso assumono varianza finita
La legge forte è un'affermazione sui percorsi
La LLN forte afferma X̄_n→μ quasi certamente, cioè la convergenza vale per tutti gli esiti al di fuori di un unico insieme di probabilità zero
La convergenza quasi certa implica convergenza in probabilità, ma il contrario non vale senza struttura aggiuntiva
La legge forte resta asintotica e non specifica quanto debba essere grande n per una determinata tolleranza decisionale
Il CLT ingrandisce l'errore rimanente
Per variabili iid con varianza positiva finita σ², √n(X̄_n−μ)/σ converge in distribuzione a N(0,1)
Il fattore √n impedisce all'errore in diminuzione di collassare a zero e ne rivela la forma limite non degenere
La LLN può valere quando il CLT classico fallisce, anche in contesti a coda pesante in cui la media esiste ma la varianza no
La dipendenza richiede più di una lunga storia
Processi stazionari ergodici possono soddisfare una LLN, mentre un CLT richiede inoltre un controllo sufficiente di dipendenza e fluttuazioni
Le serie temporali finanziarie possono cambiare media, varianza, esposizione, liquidità e regime, quindi un unico record lungo non deve comportarsi come estrazioni ripetute da una stessa legge
Più osservazioni dallo stesso cluster di crisi o regime obsoleto possono aggiungere meno informazione effettiva di quanto suggerisca il loro numero di righe
La diversificazione usa una logica correlata ma separata
Lo shock idiosincratico medio può stabilizzarsi su molte posizioni sufficientemente poco dipendenti, riflettendo un effetto simile alla LLN
Fattori comuni, dipendenza di coda, pesi concentrati e default correlati non scompaiono soltanto perché il portafoglio contiene molti nomi
Analogamente, un rendimento medio lungo non garantisce di rivelare un rendimento atteso permanente quando cambia lo stesso insieme di opportunità
L'inferenza pratica richiede entrambe le diagnostiche
Traccia medie progressive e stime su sotto-campioni, poi esamina dipendenza, rotture strutturali, momenti di coda e dimensione effettiva del campione
Usa un errore standard giustificato dal CLT pertinente o dallo schema di ricampionamento invece di trattare la convergenza della media come una stima dell'incertezza
Riporta estimando, ipotesi di convergenza, orizzonte, bande d'errore e sensibilità a finestre o regimi prima di invocare uno dei due teoremi
Domande frequenti
Qual è la differenza principale tra LLN e CLT?
La LLN riguarda la convergenza di una media verso un obiettivo; il CLT riguarda la distribuzione scalata degli scostamenti attorno a quell'obiettivo
La legge dei grandi numeri richiede dati normali?
No. Si applica ben oltre le distribuzioni normali secondo le sue condizioni sui momenti e sulla dipendenza
La LLN può valere quando il CLT fallisce?
Sì. Una media finita può permettere la convergenza della media anche quando una varianza infinita impedisce il CLT normale classico
Più dati finanziari rendono sempre affidabile una stima?
No. Dipendenza, cambiamento di regime, qualità dei dati e un obiettivo instabile possono mantenere l'informazione effettiva molto più piccola del numero di osservazioni