Teorema del Limite Centrale (TLC): Guida Completa all’Analisi Dati con Spiegazione, Esercizi Python e i Casi in cui Fallisce

Nel mondo dell’analisi dei dati, ci sono concetti che fanno da pilastri invisibili: uno di questi è il Teorema del Limite Centrale (TLC). Anche se i dati sembrano caotici, asimmetrici o lontani da qualsiasi regolarità, questo teorema ci dice che… qualcosa di prevedibile succede.

In questo articolo vedremo:

• Cos’è il Teorema del Limite Centrale

• Perché è così importante per chi analizza dati

• Come applicarlo in pratica con Python

• 3 esercizi guidati per imparare sul campo

• 3 esercizi guidati per capire quando non si deve usare

Cos’è il Teorema del Limite Centrale?

Il Teorema del Limite Centrale (TLC) è un concetto fondamentale nella teoria della probabilità e della statistica inferenziale.

Esso afferma che:

Se estraiamo un numero sufficientemente elevato di campioni casuali (di dimensione abbastanza grande) da una qualsiasi popolazione, la distribuzione delle medie di questi campioni tenderà ad assumere una forma normale (o gaussiana), indipendentemente dalla forma della distribuzione della popolazione originale.

In altre parole: la normalità emerge dal caos del campionamento, a patto che siano soddisfatte alcune condizioni fondamentali per le variabili casuali da cui si estraggono i campioni:

• Indipendenza: Le variabili casuali da cui vengono tratti i campioni devono essere indipendenti l’una dall’altra. L’esito di un’estrazione non deve influenzare gli altri.
• Identica Distribuzione: Le variabili casuali devono provenire dalla stessa distribuzione di probabilità (essere cioè identicamente distribuite – IID). Sebbene esistano varianti del teorema per variabili non identicamente distribuite, questa è la formulazione più comune e quella a cui faremo riferimento.
• Varianza Finita: La popolazione da cui si campiona deve avere una media ([math]\mu[/math]) finita e, crucialmente, una varianza ([math]\sigma^2[/math]) finita.

È fondamentale sottolineare che, a differenza di altri risultati statistici, il TLC non richiede assolutamente che la popolazione originale segua una distribuzione normale. Questa è la sua potenza: ci permette di utilizzare la robusta teoria legata alla distribuzione normale per fare inferenza sulle medie, anche quando la distribuzione di partenza è ignota o palesemente non normale (esponenziale, uniforme, binomiale, ecc.), purché le condizioni di indipendenza e varianza finita siano rispettate e il campione sia sufficientemente grande.

Formula

La formula approssimata che descrive la distribuzione della media campionaria ([math]\bar{X}[/math]) per campioni sufficientemente grandi è:

[math]\bar{X} \approx \mathcal{N} \left(\mu, \frac{\sigma^2}{n} \right)[/math]

dove:

• [math]\bar{X}[/math]: rappresenta la media campionaria (la variabile casuale che si ottiene calcolando la media su infiniti campioni di dimensione [math]n[/math]).
• [math]\mu[/math]: è la vera media della popolazione da cui si estraggono i campioni. Il TLC ci dice che la media di [math]\bar{X}[/math] tende a coincidere con la media della popolazione.
• [math]\sigma^2[/math]: è la vera varianza della popolazione.
• [math]n[/math]: è la dimensione di ciascun campione estratto.

Questa formula ci mostra anche come la varianza della distribuzione delle medie campionarie diminuisca all’aumentare di [math]n[/math]. Intuitivamente, campioni più grandi forniscono stime più precise della media della popolazione, e la loro media varierà meno da campione a campione.

 A cosa serve in pratica?

• Per costruire intervalli di confidenza
• Per applicare test di ipotesi anche con dati non normali
• Per giustificare l’uso della distribuzione normale in modelli e algoritmi
• Per stimare errori e incertezze sulle medie

Esercizio 1 – Simulazione del TLC con dati esponenziali

Vediamo cosa succede quando la distribuzione originale è asimmetrica.

Codice Python

import numpy as np
import matplotlib.pyplot as plt

# Popolazione asimmetrica: distribuzione esponenziale
population = np.random.exponential(scale=2, size=100000)

# Estraiamo 1000 medie da campioni di 50 elementi
sample_means = [np.mean(np.random.choice(population, size=50)) for _ in range(1000)]

# Istogramma della distribuzione delle medie
plt.hist(sample_means, bins=30, color='skyblue', edgecolor='black', density=True)
plt.title("Distribuzione delle medie campionarie (n=50)")
plt.xlabel("Media campionaria")
plt.ylabel("Densità")
plt.grid(True)
plt.show()

Risultato atteso

Nonostante la popolazione esponenziale sia asimmetrica, la distribuzione delle medie campionarie appare gaussiana. Questo è l’effetto del TLC in azione.

👉La distribuzione normale

Esercizio 2 – Confronto tra distribuzione della popolazione e delle medie

Codice Python

# Istogramma della popolazione e delle medie campionarie affiancati
fig, axs = plt.subplots(1, 2, figsize=(12, 4))

# Popolazione
axs[0].hist(population, bins=50, color='salmon', edgecolor='black', density=True)
axs[0].set_title("Distribuzione della popolazione")
axs[0].set_xlabel("Valore")
axs[0].grid(True)

# Medie campionarie
axs[1].hist(sample_means, bins=30, color='lightgreen', edgecolor='black', density=True)
axs[1].set_title("Distribuzione delle medie (n=50)")
axs[1].set_xlabel("Media")
axs[1].grid(True)

plt.tight_layout()
plt.show()

Osservazioni

• La popolazione è distorta a destra.
• Le medie si concentrano intorno alla media vera e assumono una forma simmetrica → qui agisce il TLC.

Esercizio 3 – Studio della varianza delle medie al variare di [math]n[/math]

Obiettivo

Mostrare che la varianza della media campionaria diminuisce con l’aumento del campione.

Codice Python

sample_sizes = [5, 10, 30, 50, 100, 500]
variances = []

for n in sample_sizes:
    means = [np.mean(np.random.choice(population, size=n)) for _ in range(1000)]
    variances.append(np.var(means))

# Visualizzazione
plt.plot(sample_sizes, variances, marker='o', linestyle='--', color='purple')
plt.title("Varianza delle medie campionarie in funzione di n")
plt.xlabel("Dimensione del campione (n)")
plt.ylabel("Varianza delle medie")
plt.grid(True)
plt.show()

Risultato

La varianza della media decresce all’aumentare di [math]n[/math] → conferma che medie su campioni più grandi sono più stabili.

Quando il TLC non funziona bene?

• Se i dati non sono indipendenti (es. serie temporali), il TLC potrebbe non applicarsi.
• Se [math]n[/math] è troppo piccolo e la distribuzione è troppo distorta, l’approssimazione normale è imprecisa.

 

Avendo visto il potere del TLC, è altrettanto cruciale capire quando i suoi presupposti non sono soddisfatti e il teorema non si applica…

Quando il Teorema del Limite Centrale fallisce: 3 Esercizi Pratici

Ecco 3 esercizi risolti passo-passo pensati per mostrare quando e perché il Teorema del Limite Centrale (TLC) non funziona o fornisce risultati fuorvianti. Questi esempi sono cruciali per sviluppare un uso critico del TLC nell’analisi dei dati reali.

❌ Esercizio 1 – Dati fortemente dipendenti (Serie temporale autocorrelata)

Obiettivo:
Mostrare che quando i dati non sono indipendenti, il TLC non si applica correttamente.

Scenario:
Simuliamo una serie temporale autoregressiva (AR(1)), in cui ogni valore dipende fortemente dal precedente:

[math]X_t = 0.95 \cdot X_{t-1} + \epsilon_t,\quad \epsilon_t \sim \mathcal{N}(0,1)[/math]

Codice Python:

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)
n_points = 1000
series = [0]
for _ in range(1, n_points):
    series.append(0.95 * series[-1] + np.random.normal())

series = np.array(series)

# Medie di 100 blocchi consecutivi da 10 elementi (non indipendenti!)
block_means = [np.mean(series[i:i+10]) for i in range(0, len(series)-10, 10)]

plt.hist(block_means, bins=30, color='orange', edgecolor='black')
plt.title("Distribuzione delle medie su dati autocorrelati")
plt.xlabel("Media di blocchi (n=10)")
plt.grid(True)
plt.show()

Spiegazione:

Anche se la dimensione del campione è 10, le osservazioni all’interno di ciascun blocco non sono indipendenti.
Il TLC non si applica ⇒ la distribuzione delle medie non è normale, ma distorta o sovradispersa.

Il TLC richiede che i campioni siano tratti da variabili indipendenti. In una serie AR(1), ogni punto dipende dal precedente. Pertanto, le medie dei blocchi consecutivi non sono indipendenti, violando un presupposto chiave del teorema. Di conseguenza, la distribuzione delle medie non converge a una normale.

❌ Esercizio 2 – Campione troppo piccolo da distribuzione molto asimmetrica

Obiettivo:
Dimostrare che con un campione troppo piccolo e distribuzione di partenza molto asimmetrica, il TLC non fornisce una buona approssimazione.

Scenario:
Distribuzione lognormale con media lontana dalla mediana.

Codice Python:

from scipy.stats import lognorm
import numpy as np
import matplotlib.pyplot as plt

# Genera una popolazione lognormale (asimmetrica a destra)
population = lognorm(s=1.0).rvs(100000)

# Estrai 1000 medie da campioni di soli 5 elementi
sample_means = [np.mean(np.random.choice(population, size=5)) for _ in range(1000)]

# Visualizza distribuzione delle medie
plt.hist(sample_means, bins=30, color='red', edgecolor='black', density=True)
plt.title("Medie campionarie con n=5 da popolazione lognormale")
plt.xlabel("Media")
plt.grid(True)
plt.show()

Spiegazione:

Il campione ha [math]n = 5[/math], troppo piccolo per “normalizzare” una distribuzione fortemente asimmetrica.
La distribuzione delle medie è anch’essa asimmetrica, e non normale ⇒ TLC non applicabile in modo affidabile.

Il TLC è un teorema asintotico, valido per [math]n \to \infty[/math]. Per valori finiti di [math]n[/math], è un’approssimazione. Quanto ‘grande’ deve essere [math]n[/math] dipende dalla forma della distribuzione originale. Una distribuzione lognormale è molto asimmetrica. Con [math]n=5[/math], la media campionaria è ancora fortemente influenzata dalla forma asimmetrica della popolazione, e l’effetto ‘normalizzante’ del campionamento non è sufficiente. La distribuzione delle medie campionarie rimane quindi asimmetrica, non normale.

❌ Esercizio 3 – Popolazione con varianza infinita (distribuzione di Cauchy)

Obiettivo:
Mostrare che se la popolazione ha varianza infinita, il TLC non può essere applicato.

Scenario:
Distribuzione di Cauchy, una distribuzione patologica senza media né varianza finite.

Codice Python:

from scipy.stats import cauchy
import numpy as np
import matplotlib.pyplot as plt

# Genera una popolazione da distribuzione di Cauchy
population = cauchy.rvs(size=100000)

# Calcola medie da 1000 campioni di n=50
sample_means = [np.mean(np.random.choice(population, size=50)) for _ in range(1000)]

# Visualizza la distribuzione delle medie
plt.hist(sample_means, bins=100, color='purple', edgecolor='black', density=True)
plt.title("Medie campionarie da distribuzione di Cauchy (n=50)")
plt.xlabel("Media")
plt.xlim(-25, 25) # Limita l'asse x per una migliore visualizzazione (Cauchy ha outlier estremi)
plt.grid(True)
plt.show()

Spiegazione:

La distribuzione di Cauchy non ha varianza finita, quindi i presupposti del TLC non sono rispettati.
Le medie campionarie non convergono a una distribuzione normale, e spesso fluttuano selvaggiamente anche con [math]n=50[/math] o più.

Una condizione fondamentale del TLC è che la popolazione abbia varianza finita ([math]\sigma^2 < \infty[/math]). La distribuzione di Cauchy è un esempio ‘patologico’ di distribuzione senza media (rigorosamente parlando) e senza varianza finita. Poiché questa condizione non è soddisfatta, il TLC semplicemente non si applica. Le medie campionarie da una distribuzione di Cauchy, sorprendentemente, hanno la stessa distribuzione di Cauchy, indipendentemente dalla dimensione del campione [math]n[/math] (questa è una proprietà speciale delle distribuzioni ‘stabili non normali’, di cui la Cauchy fa parte).

🔎 Conclusione: quando non usare il TLC

Caso	Perché il TLC fallisce
Dati dipendenti	L’indipendenza è requisito essenziale
Campioni troppo piccoli	La “normalizzazione” è lenta con distribuzioni distorte
Popolazione con varianza infinita	Il TLC richiede varianza finita

Conclusione

In sintesi, il Teorema del Limite Centrale (TLC) è uno dei risultati più potenti e affascinanti della statistica. Come abbiamo visto, esso fornisce un ponte fondamentale tra la teoria e la pratica, dimostrando che la normalità può emergere dalla casualità di molteplici processi, anche quando le singole osservazioni non seguono affatto una distribuzione normale.

Questa proprietà è la ragione per cui possiamo applicare così tanti strumenti statistici basati sulla distribuzione normale (come i test Z o T e la costruzione di intervalli di confidenza) alle medie campionarie, anche quando lavoriamo con dati che provengono da distribuzioni sconosciute o palesemente non normali, purché la dimensione del campione sia “sufficientemente grande”. Gli esercizi pratici con Python hanno illustrato chiaramente questo fenomeno, mostrando come le medie campionarie di dati esponenziali convergano a una distribuzione gaussiana e come la loro varianza diminuisca all’aumentare della dimensione del campione, esattamente come previsto dalla formula teorica [math]\text{Var}(\bar{X})=\sigma^2/n[/math].

Tuttavia, è cruciale ricordare che il TLC non è una soluzione universale priva di condizioni. La sua validità dipende dal rispetto di presupposti chiave: l’indipendenza delle osservazioni, l’identica distribuzione (nella sua forma più comune) e, in particolare, l’esistenza di una varianza finita per la popolazione originale. Gli esercizi che esplorano i casi di fallimento ci hanno mostrato in modo inequivocabile cosa accade quando questi presupposti vengono violati: la distribuzione delle medie campionarie può rimanere asimmetrica (con campioni piccoli da popolazioni molto distorte) o comportarsi in modi imprevedibili (in presenza di forte dipendenza o varianza infinita, come nel caso della distribuzione di Cauchy).

Per chiunque lavori con i dati, la lezione è chiara: il Teorema del Limite Centrale è uno strumento indispensabile che semplifica enormemente l’inferenza statistica. Ma il suo impiego deve essere informato e critico. Comprendere quando e perché il TLC funziona, così come quando e perché fallisce, è essenziale per scegliere le metodologie statistiche appropriate e per trarre conclusioni valide e affidabili dalle nostre analisi. Il TLC ci fornisce una potente approssimazione, ma la consapevolezza dei suoi limiti è la vera chiave per un’analisi dei dati rigorosa e corretta.

Pubblicità