The distribution of the de Moivre experiment

Sintesi Tecnica: La Distribuzione dell'Esperimento di de Moivre

Problema e Motivazione
Questo articolo affronta una lacuna storica nella modellizzazione probabilistica riguardante l' "esperimento di de Moivre". Mentre Abraham de Moivre, nella sua opera del 1711 The Doctrine of Chances, analizzò il problema combinatorio di determinare il numero di modi per ottenere una specifica somma $k$ lanciando $n$ dadi con $(s+1)$ facce, la distribuzione probabilistica che governa questo esperimento non è stata formalmente sviluppata nella letteratura. Storicamente, il caso in cui il numero di facce è uguale a 2 (il lancio della moneta) ha portato alle distribuzioni di Bernoulli e binomiale. Tuttavia, la generalizzazione a una distribuzione uniforme su $\{0, 1, \dots, s\}$ (dove $s > 1$) è rimasta non modellata fino a quando le espressioni semplificate per i coefficienti associati non sono state stabilite negli anni 2000. Gli autori mirano a formalizzare questo esperimento, definire le leggi di probabilità associate e investigare i loro comportamenti limite.

Metodologia e Definizioni
Lo studio procede definendo la variabile casuale fondamentale e le sue distribuzioni associate:

1. La Distribuzione $s$-Bernoulliana: Gli autori definiscono una variabile casuale $X$ che rappresenta l'esito di un singolo dado con $(s+1)$ facce, che assume valori in $\{0, 1, \dots, s\}$. La funzione di massa di probabilità è parametrizzata da $p$ (probabilità di successo) e $q$ (probabilità di fallimento), con vincoli specifici che garantiscono che la somma delle probabilità sia pari a 1.

   • La funzione generatrice $G_X(t)$ viene derivata per entrambi i casi in cui $p \neq q$ e $p = q$.
   • Vengono fornite formule esplicite per l'attesa e la varianza.
   • Il documento stabilisce una relazione tra i momenti di questa distribuzione e i numeri euleriani estesi $A(n, k, s)$. Per il caso $p=q$, i momenti sono espressi utilizzando i numeri di Bernoulli.

2. La Distribuzione Bis binomiale: Ripetendo l'esperimento $s$-Bernoulliano $n$ volte indipendentemente, gli autori definiscono la distribuzione bisbinomiale, indicata con $B^{(s)}(n, p)$. La funzione di massa di probabilità coinvolge i coefficienti bisbinomiali $\binom{n}{k}_s$, che contano il numero di modi per distribuire $k$ punti tra $n$ dadi con $(s+1)$ facce.

   • La funzione generatrice per la distribuzione bisbinomiale viene derivata come la $n$-esima potenza della funzione generatrice $s$-Bernoulliana.
   • Vengono stabilite le formule per l'attesa e la varianza.
   • I momenti di ordine superiore sono espressi utilizzando i polinomi parziali di Bell, collegando la distribuzione alle strutture combinatorie.

Risultati Chiave: Distribuzioni Limite
Il nucleo del contributo teorico dell'articolo è la prova della convergenza della distribuzione bisbinomiale sotto specifiche condizioni limite al tendere di $n \to \infty$.

1. Convergenza alla Distribuzione di Poisson:
   Gli autori dimostrano che se il numero di prove $n$ aumenta indefinitamente mentre il valore atteso della somma rimane costante ($\lambda_s$), la distribuzione bisbinomiale converge a una distribuzione di Poisson con parametro $\lambda_s$.

   • La prova utilizza il Teorema della Funzione Implicita per approssimare la relazione tra i parametri $p_n$ e $q_n$ quando $n \to \infty$.
   • Espandendo questi parametri in serie di potenze e applicando il Lemma 5.2 (che stabilisce il limite del coefficiente normalizzato $\binom{n}{k}_s / n^k$), gli autori dimostrano che la funzione di massa di probabilità converge a $\frac{\lambda_s^k}{k!} e^{-\lambda_s}$.
   • L'articolo nota che questo risultato supporta gli argomenti storici secondo cui la distribuzione di Poisson dovrebbe essere attribuita a de Moivre, poiché egli la derivò come limite della distribuzione binomiale nel 1711, precedendo il lavoro di Poisson del 1837.

2. Convergenza alla Distribuzione Normale:
   Il documento stabilisce che per grandi valori di $n$, la distribuzione bisbinomiale approssima una distribuzione Normale.

   • Utilizzando il metodo della Funzione Generatrice dei Momenti (MGF), gli autori analizzano la variabile standardizzata $Z = \frac{X - E(X)}{\sigma_s}$.
   • Attraverso l'espansione in serie di Taylor della MGF, mostrano che, al tendere di $n \to \infty$, la MGF di $Z$ converge a $e^{t^2/2}$, la MGF della distribuzione normale standard.
   • Ciò conferma che la distribuzione bisbinomiale soddisfa un Teorema del Limite Centrale analogo al caso binomiale classico, con media $\mu_s$ e varianza $\sigma_s^2$ derivate dai parametri della distribuzione $s$-Bernoulliana.

Significato e Rivendicazioni
L'articolo sostiene di fornire la prima modellizzazione probabilistica completa dell'esperimento di de Moivre per un numero generale di facce $(s+1)$. Introducendo le distribuzioni $s$-Bernoulliana e bisbinomiale, gli autori estendono il classico framework binomiale a un contesto combinatorio più ampio.

La significatività del lavoro risiede nel:

• Contesto Storico: Esso colma la lacuna tra il lemma combinatorio di de Moivre del 1711 e la moderna teoria della probabilità, definendo formalmente le leggi di distribuzione che erano precedentemente implicite.
• Generalizzazione Matematica: Generalizza la distribuzione binomiale (dove $s=1$) al caso bisbinomiale, fornendo formule esplicite per momenti, funzioni generatrici e coefficienti di asimmetria/curtosi coinvolgendo i polinomi di Euler e di Bell.
• Comportamento Limite: Dimostra rigorosamente che queste distribuzioni generalizzate convergono alle distribuzioni di Poisson e Normale, unificando così l'esperimento di de Moivre con i fondamentali teoremi limite della teoria della probabilità.

Gli autori mantengono un ambito modesto, concentrandosi strettamente sulla definizione, sulle proprietà e sui casi limite di queste distribuzioni senza proporre nuove applicazioni sperimentali o implicazioni future oltre alle prove matematiche presentate.