Calcolo Binomial E Con Normale Esercizi

Esercizi e calcoli statistici con distribuzione binomiale e approssimazione normale

Guida Completa al Calcolo Binomiale e Normale: Esercizi e Applicazioni Pratiche

La distribuzione binomiale e la distribuzione normale sono due dei concetti fondamentali nella statistica e nella probabilità. Questo articolo esplorerà in dettaglio come calcolare le probabilità per entrambe le distribuzioni, quando utilizzare l’approssimazione normale per la binomiale, e fornirà esercizi pratici con soluzioni.

1. Distribuzione Binomiale: Fondamenti e Calcoli

La distribuzione binomiale descrive il numero di successi in una sequenza di n prove indipendenti, ciascuna con probabilità di successo p. La formula per la probabilità esatta di ottenere esattamente k successi è:

P(X = k) = C(n, k) × p^k × (1-p)^n-k

Dove C(n, k) è il coefficiente binomiale, calcolato come:

C(n, k) = n! / (k! × (n-k)!)

Quando utilizzare la distribuzione binomiale:

• Prove indipendenti con solo due esiti possibili (successo/fallimento)
• Probabilità di successo costante per ogni prova
• Numero fisso di prove (n)

Esempio pratico:

Supponiamo di lanciare una moneta equilibrata 10 volte. Qual è la probabilità di ottenere esattamente 6 teste?

Soluzione: n = 10, k = 6, p = 0.5

P(X = 6) = C(10, 6) × (0.5)⁶ × (0.5)⁴ = 210 × 0.015625 × 0.0625 ≈ 0.2051

2. Distribuzione Normale: Caratteristiche e Calcoli

La distribuzione normale (o gaussiana) è una distribuzione continua simmetrica caratterizzata da:

• Media (μ): valore centrale
• Deviazione standard (σ): misura della dispersione
• Forma a campana simmetrica

La funzione di densità di probabilità è data da:

f(x) = (1/(σ√(2π))) × e^{-(x-μ)²/(2σ²)}

Regola empirica (68-95-99.7):

• ≈68% dei dati entro μ ± σ
• ≈95% dei dati entro μ ± 2σ
• ≈99.7% dei dati entro μ ± 3σ

3. Approssimazione Normale della Binomiale

Quando il numero di prove (n) è grande, la distribuzione binomiale può essere approssimata dalla distribuzione normale con:

• Media: μ = n × p
• Varianza: σ² = n × p × (1-p)
• Deviazione standard: σ = √(n × p × (1-p))

Condizioni per l’approssimazione:

• n × p ≥ 5
• n × (1-p) ≥ 5

Correzione di continuità: Quando si approssima una distribuzione discreta (binomiale) con una continua (normale), si applica una correzione di ±0.5:

• P(X ≤ k) → P(X ≤ k + 0.5)
• P(X < k) → P(X ≤ k - 0.5)
• P(X = k) → P(k – 0.5 ≤ X ≤ k + 0.5)

Esempio di approssimazione:

Calcolare P(X ≤ 40) per una binomiale con n=100, p=0.4

Soluzione:

1. Verifica condizioni: 100×0.4=40 ≥5 e 100×0.6=60 ≥5 → OK
2. Calcola μ = 100×0.4 = 40
3. Calcola σ = √(100×0.4×0.6) ≈ 4.899
4. Applica correzione: P(X ≤ 40.5)
5. Standardizza: z = (40.5 – 40)/4.899 ≈ 0.102
6. Cerca P(Z ≤ 0.102) ≈ 0.5408

4. Confronto tra Distribuzione Binomiale e Normale

Caratteristica	Distribuzione Binomiale	Distribuzione Normale
Tipo	Discreta	Continua
Parametri	n (prove), p (probabilità)	μ (media), σ (dev. standard)
Forma	Asimmetrica se p ≠ 0.5	Sempre simmetrica
Applicazioni tipiche	Successi/fail in prove ripetute	Misurazioni continue (altezza, peso, etc.)
Calcolo probabilità	Formula esatta o tavole	Standardizzazione a Z
Approssimazione	Può essere approssimata dalla normale	N/A

5. Esercizi Pratici con Soluzioni

Esercizio 1 (Binomiale)

Un test a scelta multipla ha 20 domande, ciascuna con 4 risposte di cui una corretta. Qual è la probabilità che uno studente che risponde a caso ottenga:

1. Esattamente 5 risposte corrette?
2. Almeno 10 risposte corrette?

Soluzione:

n = 20, p = 0.25 (1/4)

1. P(X = 5) = C(20,5) × (0.25)⁵ × (0.75)¹⁵ ≈ 0.2023
2. P(X ≥ 10) = 1 – P(X ≤ 9) ≈ 1 – 0.9861 = 0.0139

Esercizio 2 (Approssimazione Normale)

In una fabbrica, il 5% dei pezzi prodotti è difettoso. Qual è la probabilità che in un lotto di 200 pezzi ci siano:

1. Esattamente 10 pezzi difettosi?
2. Tra 8 e 12 pezzi difettosi (inclusi)?

Soluzione:

n = 200, p = 0.05 → μ = 10, σ ≈ 3.08

1. P(X = 10) ≈ P(9.5 ≤ X ≤ 10.5) → z₁ ≈ -0.16, z₂ ≈ 0.16 → P ≈ 0.1272
2. P(8 ≤ X ≤ 12) ≈ P(7.5 ≤ X ≤ 12.5) → z₁ ≈ -0.81, z₂ ≈ 0.81 → P ≈ 0.5865

6. Errori Comuni da Evitare

• Dimenticare la correzione di continuità: Quando si approssima una distribuzione discreta con una continua, è essenziale applicare la correzione di ±0.5 per ottenere risultati accurati.
• Usare l’approssimazione normale quando non è valida: Sempre verificare che n×p ≥ 5 e n×(1-p) ≥ 5 prima di utilizzare l’approssimazione.
• Confondere P(X ≤ k) con P(X < k): Nella distribuzione discreta, queste probabilità sono diverse, mentre nella continua sono equivalenti.
• Calcoli errati del coefficiente binomiale: Ricordare che C(n,k) = C(n,n-k) può semplificare i calcoli per valori grandi di k.
• Arrotondamenti eccessivi: Durante i calcoli intermedi, mantenere almeno 4 cifre decimali per evitare errori di accumulo.

7. Applicazioni Pratiche

Le distribuzioni binomiale e normale trovano applicazione in numerosi campi:

Distribuzione Binomiale:

• Controllo qualità: Probabilità di trovare pezzi difettosi in un campione
• Medicina: Probabilità di successo di un trattamento in un gruppo di pazienti
• Finanza: Probabilità che un certo numero di prestiti risultino insolventi
• Marketing: Probabilità che un certo numero di clienti risponda a una campagna

Distribuzione Normale:

• Antropometria: Distribuzione di altezze, pesi nella popolazione
• Test standardizzati: Distribuzione dei punteggi (es. QI, test di ammissione)
• Processi industriali: Variazioni nelle misure di produzione
• Errori di misura: Distribuzione degli errori in misurazioni ripetute

8. Strumenti e Risorse per il Calcolo

Per facilitare i calcoli, sono disponibili numerosi strumenti:

• Calcolatrici scientifiche: La maggior parte include funzioni per binomiali e normali
• Software statistico: R, Python (SciPy), SPSS, Excel
• Tavole statistiche: Per distribuzione normale standard e binomiale
• Applicazioni online: Come il calcolatore presente in questa pagina

Per calcoli manuali, è utile ricordare:

• La distribuzione normale standard (Z) ha media 0 e deviazione standard 1
• Le tavole Z forniscono P(Z ≤ z) per z positivo (usare simmetria per z negativo)
• Per la binomiale, i coefficienti possono essere calcolati con la formula o con il triangolo di Tartaglia per n piccolo

9. Approfondimenti Matematici

Per chi desidera approfondire gli aspetti teorici:

Funzione Generatrice dei Momenti (MGF):

• Binomiale: M(t) = (1 – p + pe^t)ⁿ
• Normale: M(t) = exp(μt + (σ²t²)/2)

Relazione tra Binomiale e Normale:

Il teorema centrale del limite afferma che, sotto certe condizioni, la somma di un gran numero di variabili casuali indipendenti tendono a una distribuzione normale, anche se le variabili originali non sono normali. Questo spiega perché la binomiale (somma di n variabili di Bernoulli) tenda alla normale per n grande.

Altre approssimazioni:

Oltre alla normale, la distribuzione binomiale può essere approssimata da:

• Distribuzione di Poisson: Quando n è grande e p è piccolo (n×p = λ costante)
• Correzione di Yates: Una variante della correzione di continuità per migliorare l’approssimazione

Risorse Autorevoli:

NIST/SEMATECH e-Handbook of Statistical Methods – Binomial Distribution NIST/SEMATECH e-Handbook of Statistical Methods – Normal Distribution Brown University – Probability Distributions (Interactive)