Capitolo 5 Variabili aleatorie gaussiane
Le densità gaussiane (o normali) sono particolari densità continue (su \(\R\) o più in generale su \(\R^d\)) che hanno una estrema rilevanza sia nella teoria della probabilità che nelle applicazioni. Tra le densità continue è di sicuro la famiglia più versatile e importante (anche più delle densità uniformi).
Il capitolo è strutturato nel seguente modo:
Nella Sezione 5.1 introduciamo la densità gaussiana nel caso di variabili aleatorie reali, discutendo il ruolo dei parametri (media e varianza). Successivamente, nella Sezione 5.2 estendiamo al caso vettoriale, ma senza addentrarci troppo nelle dimostrazioni, più tecniche.
Le Sezioni 5.3, 5.4, 5.5 si occupano del problema di stimare i parametri di variabili gaussiane sulla base di una o più osservazioni. La struttura particolare delle densità gaussiane permette sia di considerare stime di massima verosimiglianza sia l’approccio bayesiano da un punto di vista analitico (purché si introducano densità a priori opportune). Per semplificare l’esposizione discutiamo prima il caso di una singola variabile gaussiana, poi il caso di osservazioni indipendenti di variabili reali (tutte con gli stessi parametri) e infine accenniamo al caso vettoriale.
Presentiamo poi due applicazioni fondamentali delle variabili gaussiane: l’analisi delle componenti principali (PCA), nella Sezione 5.6, e il criterio dei minimi quadrati per la regressione, nella Sezione 5.7. L’ipotesi che le variabili osservate o i residui siano gaussiane permette di giustificare tali metodi in termini di stime di massima verosimiglianza per opportuni modelli.
La Sezione 5.8 indica come valutare l’ipotesi di gaussianità per una variabile aleatoria, sia in modo qualitativo (tramite opportuni grafici) che quantitativo (tramite test statistici).
Concludiamo infine con la Sezione 5.9 in cui si presenta un metodo dovuto a Laplace, euristico ma spesso efficace, per approssimare una densità generale con una opportuna gaussiana.