{"id":3377,"date":"2026-02-19T15:39:19","date_gmt":"2026-02-19T14:39:19","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=3377"},"modified":"2026-10-04T20:56:21","modified_gmt":"2026-10-04T19:56:21","slug":"teorema-del-limite-centrale","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/teorema-del-limite-centrale\/","title":{"rendered":"Il Teorema del Limite Centrale: perch\u00e9 la statistica funziona (anche quando i dati non sono normali)"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Abbiamo avuto modo di esaminare, nel corso dei precedenti articoli, la distribuzione normale e le sue propriet\u00e0. E poi siamo andati avanti: abbiamo costruito intervalli di confidenza, condotto test delle ipotesi, calcolato margini di errore. In tutti questi passaggi, la distribuzione normale era l\u00ec, sempre presente, come un filo conduttore silenzioso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ma c&#8217;\u00e8 una domanda che forse ci siamo posti senza trovare ancora una risposta soddisfacente: <strong>perch\u00e9 la distribuzione normale funziona cos\u00ec bene, anche quando i nostri dati non sono affatto normali?<\/strong> Chi ha detto che il traffico organico, i tassi di conversione o le durate delle sessioni seguano una distribuzione a campana? Nella maggior parte dei casi, non la seguono affatto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La risposta sta in uno dei risultati pi\u00f9 eleganti e potenti di tutta la matematica: il <strong>Teorema del Limite Centrale<\/strong> (in inglese <em>Central Limit Theorem<\/em>, spesso abbreviato in TLC o CLT). \u00c8 il teorema che, in un certo senso, <em>giustifica<\/em> l&#8217;intera statistica inferenziale.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> il <strong>Teorema del Limite Centrale<\/strong> (TLC) dice che le medie di campioni sufficientemente grandi si distribuiscono in modo approssimativamente normale, qualunque sia la forma della popolazione da cui i campioni sono estratti \u2014 basta che questa abbia media e varianza finite. Con \\(n \\geq 30\\) l&#8217;approssimazione \u00e8 generalmente buona. \u00c8 il motivo per cui possiamo usare la normale per intervalli di confidenza e test anche quando i nostri dati non sono affatto normali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#cose\">Che cos&#8217;\u00e8 il Teorema del Limite Centrale<\/a><\/li><li><a href=\"#importanza\">Perch\u00e9 \u00e8 cos\u00ec importante<\/a><\/li><li><a href=\"#simulazione\">La simulazione in R: il TLC visto con i nostri occhi<\/a><\/li><li><a href=\"#regola-pratica\">Quanto deve essere grande n?<\/a><\/li><li><a href=\"#errore-standard\">Il TLC e l&#8217;errore standard<\/a><\/li><li><a href=\"#esempio-pratico\">Un esempio pratico: il traffico organico giornaliero<\/a><\/li><li><a href=\"#limiti\">Quando il TLC non basta<\/a><\/li><li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li><li><a href=\"#prova-tu\">Prova tu<\/a><\/li><li><a href=\"#per-approfondire\">Per approfondire<\/a><\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"cose\">Che cos&#8217;\u00e8 il Teorema del Limite Centrale<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Partiamo dall&#8217;enunciato, e poi lo tradurremo in parole semplici.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il Teorema del Limite Centrale afferma che: <strong>se preleviamo campioni sufficientemente grandi da una qualsiasi popolazione con media \\(\\mu\\) e deviazione standard \\(\\sigma\\) finite, la distribuzione delle medie campionarie sar\u00e0 approssimativamente normale<\/strong>, indipendentemente dalla forma della distribuzione originale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pi\u00f9 precisamente, la distribuzione delle medie campionarie \\(\\bar{X}\\) tende a:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\( \\bar{X} \\sim N\\left(\\mu, \\, \\frac{\\sigma}{\\sqrt{n}}\\right) \\\\ \\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>\\(\\mu\\) \u00e8 la media della popolazione<\/li><li>\\(\\sigma\\) \u00e8 la deviazione standard della popolazione<\/li><li>\\(n\\) \u00e8 la dimensione di ciascun campione<\/li><li>\\(\\frac{\\sigma}{\\sqrt{n}}\\) \u00e8 l&#8217;<strong>errore standard<\/strong> della media<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">In termini pi\u00f9 chiari e diretti: non importa quanto strana, asimmetrica o bizzarra sia la distribuzione dei nostri dati originali. Se prendiamo tanti campioni e calcoliamo la media di ciascuno, quelle medie si disporranno a formare una campana. Sempre.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"importanza\">Perch\u00e9 il TLC \u00e8 cos\u00ec importante<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Va sempre tenuto bene a mente questo punto, perch\u00e9 \u00e8 la chiave di volta di tutto ci\u00f2 che abbiamo fatto finora.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Quando calcoliamo un intervallo di confidenza o conduciamo un test delle ipotesi, non lavoriamo con i singoli dati: lavoriamo con le <strong>medie campionarie<\/strong>. E il TLC ci garantisce che quelle medie, purch\u00e9 il campione sia abbastanza grande, seguono una distribuzione normale (o approssimativamente tale).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ecco perch\u00e9 possiamo usare la distribuzione normale e la distribuzione t anche quando i dati originali non sono normali. Non stiamo facendo un&#8217;assunzione azzardata: stiamo sfruttando un risultato matematico solido.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In pratica, il TLC \u00e8 il motivo per cui:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>gli intervalli di confidenza funzionano<\/li><li>i test delle ipotesi sono affidabili<\/li><li>possiamo fare inferenza statistica su praticamente qualsiasi tipo di dato<\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"simulazione\">Vediamolo con i nostri occhi: una simulazione in R<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La teoria \u00e8 bella, ma <em>vedere<\/em> il TLC in azione \u00e8 un&#8217;altra cosa. Costruiamo una simulazione in R che mostra il teorema al lavoro.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Partiamo da una distribuzione decisamente non normale: una distribuzione esponenziale, che \u00e8 fortemente asimmetrica a destra (pensate alla distribuzione dei tempi di permanenza su un sito: molte visite brevissime, poche molto lunghe).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Simuliamo in R il processo di campionamento ripetuto:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(42)\n\n# Popolazione: distribuzione esponenziale (media = 1\/lambda)\nlambda &lt;- 0.5\npop_mean &lt;- 1 \/ lambda  # media vera = 2\n\n# Simuliamo 10000 campioni di dimensione n\nn_campioni &lt;- 10000\n\n# Funzione per calcolare le medie campionarie\nsimula_medie &lt;- function(n) {\n  replicate(n_campioni, mean(rexp(n, rate = lambda)))\n}\n\n# Proviamo con tre dimensioni campionarie diverse\nmedie_n5  &lt;- simula_medie(5)\nmedie_n30 &lt;- simula_medie(30)\nmedie_n100 &lt;- simula_medie(100)\n\n# Visualizziamo\npar(mfrow = c(2, 2))\n\n# La distribuzione originale (esponenziale)\nhist(rexp(10000, rate = lambda), breaks = 50, probability = TRUE,\n     main = \"Popolazione originale\\n(esponenziale)\",\n     col = \"lightcoral\", xlab = \"Valore\", ylab = \"Densit\u00e0\")\n\n# Medie con n = 5\nhist(medie_n5, breaks = 50, probability = TRUE,\n     main = \"Medie campionarie (n = 5)\",\n     col = \"lightyellow\", xlab = \"Media\", ylab = \"Densit\u00e0\")\ncurve(dnorm(x, mean = pop_mean, sd = pop_mean \/ sqrt(5)),\n      add = TRUE, col = \"red\", lwd = 2)\n\n# Medie con n = 30\nhist(medie_n30, breaks = 50, probability = TRUE,\n     main = \"Medie campionarie (n = 30)\",\n     col = \"lightgreen\", xlab = \"Media\", ylab = \"Densit\u00e0\")\ncurve(dnorm(x, mean = pop_mean, sd = pop_mean \/ sqrt(30)),\n      add = TRUE, col = \"red\", lwd = 2)\n\n# Medie con n = 100\nhist(medie_n100, breaks = 50, probability = TRUE,\n     main = \"Medie campionarie (n = 100)\",\n     col = \"lightblue\", xlab = \"Media\", ylab = \"Densit\u00e0\")\ncurve(dnorm(x, mean = pop_mean, sd = pop_mean \/ sqrt(100)),\n      add = TRUE, col = \"red\", lwd = 2)<\/code><\/pre>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1110\" height=\"840\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-convergenza.png\" alt=\"Il TLC in azione: partendo da una popolazione esponenziale (in alto a sinistra), fortemente asimmetrica, la distribuzione delle medie campionarie si avvicina sempre pi\u00f9 a una normale al crescere di n. Con n = 5 resta un po' d'asimmetria, con n = 30 la campana \u00e8 gi\u00e0 evidente, con n = 100 la sovrapposizione con la normale teorica (in rosso) \u00e8 quasi perfetta. Simulazione con set.seed(42), 10.000 campioni per pannello.\" class=\"wp-image-4050\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-convergenza.png 1110w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-convergenza-300x227.png 300w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-convergenza-1024x775.png 1024w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">Il TLC in azione: partendo da una popolazione esponenziale (in alto a sinistra), fortemente asimmetrica, la distribuzione delle medie campionarie si avvicina sempre pi\u00f9 a una normale al crescere di n. Con n = 5 resta un po&#8217; d&#8217;asimmetria, con n = 30 la campana \u00e8 gi\u00e0 evidente, con n = 100 la sovrapposizione con la normale teorica (in rosso) \u00e8 quasi perfetta. Simulazione con set.seed(42), 10.000 campioni per pannello.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Come si vede, il risultato \u00e8 spettacolare. La popolazione di partenza \u00e8 completamente asimmetrica (l&#8217;esponenziale non assomiglia neanche lontanamente a una campana), eppure:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Con <strong>n = 5<\/strong>, le medie cominciano gi\u00e0 a somigliare a una normale, anche se resta un po&#8217; di asimmetria<\/li><li>Con <strong>n = 30<\/strong>, la distribuzione delle medie \u00e8 praticamente indistinguibile da una normale<\/li><li>Con <strong>n = 100<\/strong>, la sovrapposizione con la curva teorica \u00e8 quasi perfetta<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Davvero un giochetto da ragazzi: basta aumentare la dimensione del campione e la normalit\u00e0 emerge da sola.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"regola-pratica\">La regola pratica: quanto deve essere grande n?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una domanda legittima: &#8220;sufficientemente grande&#8221; \u00e8 un termine piuttosto vago. In pratica, quanto deve essere grande il campione perch\u00e9 il TLC faccia il suo lavoro?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La regola pratica pi\u00f9 diffusa \u00e8 <strong>n \u2265 30<\/strong>. Con 30 o pi\u00f9 osservazioni, la distribuzione delle medie campionarie \u00e8 generalmente ben approssimata dalla normale, anche se la distribuzione originale \u00e8 moderatamente asimmetrica.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ma attenzione: questa regola ha delle eccezioni.<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Se la distribuzione originale \u00e8 <strong>gi\u00e0 simmetrica<\/strong> (anche se non normale), bastano campioni pi\u00f9 piccoli (anche n = 10-15 pu\u00f2 essere sufficiente)<\/li><li>Se la distribuzione originale \u00e8 <strong>fortemente asimmetrica<\/strong> (come nel caso di dati con molti outlier, o distribuzioni esponenziali con parametri estremi), possono servire campioni pi\u00f9 grandi (n = 50 o anche di pi\u00f9)<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Nella pratica quotidiana della SEO e del marketing digitale, di solito lavoriamo con campioni ben superiori a 30 (centinaia o migliaia di sessioni, click, conversioni), quindi il TLC \u00e8 quasi sempre dalla nostra parte.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"errore-standard\">Il TLC e l&#8217;errore standard<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il teorema ci dice anche qualcosa di prezioso sulla <strong>dispersione<\/strong> delle medie campionarie. La deviazione standard della distribuzione delle medie (cio\u00e8 l&#8217;errore standard) \u00e8:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\( SE = \\frac{\\sigma}{\\sqrt{n}} \\\\ \\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questo ha due conseguenze pratiche importanti:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>All&#8217;aumentare di n, l&#8217;errore standard diminuisce<\/strong>. Pi\u00f9 dati raccogliamo, pi\u00f9 le nostre medie campionarie si concentrano attorno alla media vera. La relazione \u00e8 con \\(\\sqrt{n}\\), il che significa (come abbiamo gi\u00e0 visto con gli intervalli di confidenza) che per dimezzare l&#8217;errore standard dobbiamo quadruplicare il campione.<\/li><\/ol>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>La variabilit\u00e0 della popolazione conta<\/strong>. Se i nostri dati sono molto dispersi (alto \\(\\sigma\\)), servono campioni pi\u00f9 grandi per ottenere stime precise. Un sito con traffico molto variabile richiede pi\u00f9 giorni di osservazione per una stima affidabile della media giornaliera.<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Verifichiamo in R che l&#8217;errore standard osservato corrisponda alla formula teorica:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code># Errore standard teorico per n = 30\nse_teorico &lt;- pop_mean \/ sqrt(30)\n\n# Errore standard osservato dalla simulazione\nse_osservato &lt;- sd(medie_n30)\n\ncat(\"SE teorico:\", round(se_teorico, 4), \"\\n\")\ncat(\"SE osservato:\", round(se_osservato, 4), \"\\n\")\ncat(\"Differenza:\", round(abs(se_teorico - se_osservato), 4), \"\\n\")<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La corrispondenza \u00e8 notevole: i due valori praticamente coincidono. Il TLC funziona esattamente come promesso.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-pratico\">Un esempio pratico: il traffico organico giornaliero<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Applichiamo il TLC a un caso concreto. Supponiamo di monitorare il traffico organico giornaliero di un sito per un anno (365 giorni). I dati di traffico non sono mai normali: sono asimmetrici a destra (giorni feriali vs weekend, picchi stagionali, anomalie).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Simuliamo in R una situazione realistica:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(123)\n\n# Simuliamo 365 giorni di traffico (distribuzione log-normale, tipica del web)\ntraffico &lt;- round(rlnorm(365, meanlog = 6, sdlog = 0.5))\n\ncat(\"Media traffico giornaliero:\", round(mean(traffico)), \"visite\\n\")\ncat(\"Mediana:\", round(median(traffico)), \"visite\\n\")\ncat(\"Dev. standard:\", round(sd(traffico)), \"visite\\n\")\n\n# Prendiamo campioni di 30 giorni e calcoliamo la media di ciascuno\nmedie_mensili &lt;- replicate(5000, mean(sample(traffico, 30, replace = TRUE)))\n\npar(mfrow = c(1, 2))\n\nhist(traffico, breaks = 30, probability = TRUE,\n     main = \"Traffico giornaliero\\n(365 giorni)\",\n     col = \"lightcoral\", xlab = \"Visite\", ylab = \"Densit\u00e0\")\n\nhist(medie_mensili, breaks = 50, probability = TRUE,\n     main = \"Medie di campioni\\nda 30 giorni\",\n     col = \"lightblue\", xlab = \"Media visite\", ylab = \"Densit\u00e0\")\ncurve(dnorm(x, mean = mean(traffico), sd = sd(traffico) \/ sqrt(30)),\n      add = TRUE, col = \"red\", lwd = 2)\n\n# Test di normalit\u00e0 sulle medie\nshapiro.test(sample(medie_mensili, 5000))<\/code><\/pre>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1110\" height=\"585\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-traffico.png\" alt=\"L'esempio del traffico: a sinistra i 365 giorni, asimmetrici a destra, con media (462) ben diversa dalla mediana (397). A destra, le medie di 5.000 campioni da 30 giorni: nonostante la popolazione storta, si dispongono lungo la normale teorica (in rosso). \u00c8 il motivo per cui possiamo costruire IC affidabili sul traffico medio.\" class=\"wp-image-4051\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-traffico.png 1110w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-traffico-300x158.png 300w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/tlc-traffico-1024x540.png 1024w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">L&#8217;esempio del traffico: a sinistra i 365 giorni, asimmetrici a destra, con media (462) ben diversa dalla mediana (397). A destra, le medie di 5.000 campioni da 30 giorni: nonostante la popolazione storta, si dispongono lungo la normale teorica (in rosso). \u00c8 il motivo per cui possiamo costruire IC affidabili sul traffico medio.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Il traffico giornaliero \u00e8 chiaramente asimmetrico (la media \u00e8 diversa dalla mediana, la distribuzione ha una coda lunga a destra). Ma le medie di campioni da 30 giorni? Perfettamente normali, come il TLC garantisce.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Questo \u00e8 esattamente il motivo per cui possiamo costruire intervalli di confidenza affidabili per il traffico medio, anche se i singoli giorni hanno una distribuzione tutt&#8217;altro che normale.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"limiti\">Quando il TLC non basta<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Sarebbe disonesto non menzionare i casi in cui il TLC ha dei limiti. Il teorema richiede che la popolazione abbia <strong>media e varianza finite<\/strong>. Ci sono distribuzioni (come la distribuzione di Cauchy) che non hanno una varianza finita, e per queste il TLC non vale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nella pratica della SEO e del marketing, questo \u00e8 raramente un problema: i nostri dati hanno sempre media e varianza finite. Tuttavia, vale la pena ricordare che:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Con <strong>distribuzioni fortemente asimmetriche<\/strong> e <strong>campioni piccoli<\/strong> (n &lt; 20), l&#8217;approssimazione normale pu\u00f2 essere insufficiente. In questi casi, meglio usare metodi non parametrici o tecniche di <em>bootstrap<\/em><\/li><li>Con <strong>proporzioni estreme<\/strong> (molto vicine a 0 o a 1), il TLC per le proporzioni richiede campioni pi\u00f9 grandi perch\u00e9 l&#8217;approssimazione funzioni. Ne abbiamo gi\u00e0 parlato nell&#8217;articolo sugli intervalli di confidenza<\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Che cos&#8217;\u00e8 il Teorema del Limite Centrale?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 il teorema secondo cui, prelevando campioni sufficientemente grandi da una qualsiasi popolazione con media e deviazione standard finite, la distribuzione delle medie campionarie \u00e8 approssimativamente normale \u2014 qualunque sia la forma della distribuzione originale. Le medie di tanti campioni si dispongono a campana. Sempre.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Perch\u00e9 il TLC \u00e8 cos\u00ec importante per la statistica?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Perch\u00e9 giustifica l&#8217;inferenza statistica: quando calcoliamo un intervallo di confidenza o conduciamo un test delle ipotesi lavoriamo con le medie campionarie, non con i singoli dati. Il TLC garantisce che quelle medie siano normali purch\u00e9 il campione sia abbastanza grande \u2014 e quindi possiamo usare la normale anche con dati che non lo sono.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quanto deve essere grande il campione perch\u00e9 il TLC funzioni?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La regola pratica pi\u00f9 diffusa \u00e8 n \u2265 30. Se la distribuzione originale \u00e8 gi\u00e0 simmetrica bastano anche campioni pi\u00f9 piccoli (n = 10-15); se \u00e8 fortemente asimmetrica o piena di outlier possono servire n = 50 o pi\u00f9. Nella pratica SEO lavoriamo di solito con centinaia o migliaia di osservazioni, quindi il TLC \u00e8 quasi sempre dalla nostra parte.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Qual \u00e8 la relazione tra TLC ed errore standard?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;errore standard delle medie campionarie \u00e8 \u03c3\/\u221an: all&#8217;aumentare di n, le medie si concentrano attorno alla media vera. Poich\u00e9 la relazione \u00e8 con \u221an, per dimezzare l&#8217;errore standard dobbiamo quadruplicare il campione \u2014 lo stesso legame visto con gli intervalli di confidenza.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quando il TLC non vale?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Quando la popolazione non ha media o varianza finite, come nella distribuzione di Cauchy. Nella pratica del web \u00e8 raramente un problema: i nostri dati hanno sempre media e varianza finite. Per\u00f2 con distribuzioni molto asimmetriche e campioni piccoli (n &lt; 20) l&#8217;approssimazione pu\u00f2 essere insufficiente, e meglio usare metodi non parametrici o bootstrap.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Cosa ci insegna il TLC sul traffico organico?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Che anche se il traffico giornaliero \u00e8 asimmetrico a destra (giorni feriali vs weekend, picchi stagionali), le medie di campioni di 30 giorni si distribuiscono in modo normale. \u00c8 il motivo per cui possiamo costruire intervalli di confidenza affidabili sul traffico medio di un sito.<\/p>\n\n\n\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Che cos'\u00e8 il Teorema del Limite Centrale?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"\u00c8 il teorema secondo cui, prelevando campioni sufficientemente grandi da una qualsiasi popolazione con media e deviazione standard finite, la distribuzione delle medie campionarie \u00e8 approssimativamente normale \u2014 qualunque sia la forma della distribuzione originale. Le medie di tanti campioni si dispongono a campana. Sempre.\"}}, {\"@type\": \"Question\", \"name\": \"Perch\u00e9 il TLC \u00e8 cos\u00ec importante per la statistica?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Perch\u00e9 giustifica l'inferenza statistica: quando calcoliamo un intervallo di confidenza o conduciamo un test delle ipotesi lavoriamo con le medie campionarie, non con i singoli dati. Il TLC garantisce che quelle medie siano normali purch\u00e9 il campione sia abbastanza grande \u2014 e quindi possiamo usare la normale anche con dati che non lo sono.\"}}, {\"@type\": \"Question\", \"name\": \"Quanto deve essere grande il campione perch\u00e9 il TLC funzioni?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"La regola pratica pi\u00f9 diffusa \u00e8 n \u2265 30. Se la distribuzione originale \u00e8 gi\u00e0 simmetrica bastano anche campioni pi\u00f9 piccoli (n = 10-15); se \u00e8 fortemente asimmetrica o piena di outlier possono servire n = 50 o pi\u00f9. Nella pratica SEO lavoriamo di solito con centinaia o migliaia di osservazioni, quindi il TLC \u00e8 quasi sempre dalla nostra parte.\"}}, {\"@type\": \"Question\", \"name\": \"Qual \u00e8 la relazione tra TLC ed errore standard?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"L'errore standard delle medie campionarie \u00e8 \u03c3\/\u221an: all'aumentare di n, le medie si concentrano attorno alla media vera. Poich\u00e9 la relazione \u00e8 con \u221an, per dimezzare l'errore standard dobbiamo quadruplicare il campione \u2014 lo stesso legame visto con gli intervalli di confidenza.\"}}, {\"@type\": \"Question\", \"name\": \"Quando il TLC non vale?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Quando la popolazione non ha media o varianza finite, come nella distribuzione di Cauchy. Nella pratica del web \u00e8 raramente un problema: i nostri dati hanno sempre media e varianza finite. Per\u00f2 con distribuzioni molto asimmetriche e campioni piccoli (n < 20) l'approssimazione pu\u00f2 essere insufficiente, e meglio usare metodi non parametrici o bootstrap.\"}}, {\"@type\": \"Question\", \"name\": \"Cosa ci insegna il TLC sul traffico organico?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Che anche se il traffico giornaliero \u00e8 asimmetrico a destra (giorni feriali vs weekend, picchi stagionali), le medie di campioni di 30 giorni si distribuiscono in modo normale. \u00c8 il motivo per cui possiamo costruire intervalli di confidenza affidabili sul traffico medio di un sito.\"}}]}<\/script>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un e-commerce registra i seguenti importi degli ordini (in euro) in un mese:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>ordini &lt;- c(12, 8, 45, 15, 22, 150, 9, 18, 35, 11,\n            14, 200, 7, 19, 28, 13, 55, 10, 16, 95,\n            8, 21, 42, 12, 17, 310, 9, 14, 25, 11)<\/code><\/pre>\n\n\n\n<ol class=\"wp-block-list\"><li>Calcola media e deviazione standard degli ordini. La distribuzione sembra normale?<\/li><li>Usa <code>replicate()<\/code> e <code>sample()<\/code> per generare 5000 medie campionarie con n = 10 (campionando con reinserimento)<\/li><li>Disegna l'istogramma delle medie campionarie. Assomiglia a una normale?<\/li><li>Calcola l'errore standard teorico (\\(\\frac{s}{\\sqrt{n}}\\)) e confrontalo con la deviazione standard delle medie simulate<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Suggerimento: <code>replicate(5000, mean(sample(ordini, 10, replace = TRUE)))<\/code> fa quasi tutto il lavoro.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo visto come il Teorema del Limite Centrale sia il fondamento nascosto di tutta la statistica inferenziale: \u00e8 il motivo per cui possiamo costruire intervalli di confidenza, condurre test delle ipotesi e fare previsioni affidabili, anche quando i nostri dati non sono normali. Ma il TLC ci ha anche insegnato che la dimensione del campione \u00e8 cruciale. Questo ci apre la strada a una domanda molto pratica: <strong>quanti dati ci servono?<\/strong> \u00c8 il problema della <em>dimensione campionaria<\/em> e del <em>campionamento<\/em>, temi che affronteremo in un prossimo articolo.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Se vuoi approfondire il ruolo della distribuzione normale e del Teorema del Limite Centrale nella pratica statistica, <a href=\"https:\/\/www.amazon.it\/dp\/8806246623?tag=consulenzeinf-21&#038;ascsubtag=teorema-del-limite-centrale\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>L'arte della statistica<\/em><\/a> di David Spiegelhalter \u00e8 un'ottima compagna di viaggio. Spiegelhalter riesce a spiegare perch\u00e9 la curva a campana compare ovunque \u2014 dalle misurazioni fisiche ai sondaggi elettorali \u2014 con una chiarezza che non sacrifica mai il rigore.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Abbiamo avuto modo di esaminare, nel corso dei precedenti articoli, la distribuzione normale e le sue propriet\u00e0. E poi siamo andati avanti: abbiamo costruito intervalli di confidenza, condotto test delle ipotesi, calcolato margini di errore. In tutti questi passaggi, la distribuzione normale era l\u00ec, sempre presente, come un filo conduttore silenzioso. Ma c&#8217;\u00e8 una domanda &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/teorema-del-limite-centrale\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Il Teorema del Limite Centrale: perch\u00e9 la statistica funziona (anche quando i dati non sono normali)&#8221;<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[],"class_list":["post-3377","post","type-post","status-publish","format-standard","hentry","category-statistica-it"],"lang":"it","translations":{"it":3377,"en":3404},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"paolo","author_link":"https:\/\/www.gironi.it\/blog\/author\/paolo\/"},"uagb_comment_info":4,"uagb_excerpt":"Abbiamo avuto modo di esaminare, nel corso dei precedenti articoli, la distribuzione normale e le sue propriet\u00e0. E poi siamo andati avanti: abbiamo costruito intervalli di confidenza, condotto test delle ipotesi, calcolato margini di errore. In tutti questi passaggi, la distribuzione normale era l\u00ec, sempre presente, come un filo conduttore silenzioso. Ma c&#8217;\u00e8 una domanda&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/3377","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=3377"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/3377\/revisions"}],"predecessor-version":[{"id":4437,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/3377\/revisions\/4437"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=3377"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=3377"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=3377"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}