Calcolatore di Probabilità e Statistica
Guida Completa al Calcolo delle Probabilità e Statistica Matematica: Esercizi Svolti
La probabilità e la statistica matematica sono fondamentali in numerosi campi, dalla scienza dei dati alla finanza, dalla medicina all’ingegneria. Questa guida approfondita ti fornirà le basi teoriche, esempi pratici ed esercizi svolti per padronizzare questi concetti essenziali.
1. Fondamenti di Probabilità
1.1 Definizioni Base
- Esperimento casuale: Processo che può essere ripetuto infinite volte nelle stesse condizioni, ma con esiti non prevedibili con certezza (es. lancio di un dado).
- Spazio campionario (S): Insieme di tutti i possibili esiti di un esperimento (es. S = {1, 2, 3, 4, 5, 6} per un dado).
- Evento: Sottoinsieme dello spazio campionario (es. “numero pari” = {2, 4, 6}).
1.2 Assiomi della Probabilità
- Non negatività: P(E) ≥ 0 per ogni evento E.
- Normalizzazione: P(S) = 1 (la probabilità dello spazio campionario è 1).
- Additività: Se A e B sono mutuamente esclusivi, P(A ∪ B) = P(A) + P(B).
Probabilità Classica (Laplace)
P(E) = (Numero casi favorevoli) / (Numero casi possibili)
Esempio: Probabilità di estrarre un asso da un mazzo di 52 carte:
P = 4/52 = 1/13 ≈ 0.0769 (7.69%)
Probabilità Frequenzista
P(E) = lim (n→∞) (frequenza relativa di E in n prove)
Esempio: Se lanciando una moneta 1000 volte esce testa 512 volte, P(testa) ≈ 512/1000 = 0.512
Probabilità Soggettiva
Valutazione personale basata su conoscenza ed esperienza.
Esempio: Un meteorologo potrebbe assegnare P(pioggia domani) = 0.7 basato su modelli e dati storici.
2. Distribuzioni di Probabilità Discrete
2.1 Distribuzione Binomiale
Modella il numero di successi in n prove indipendenti, ciascuna con probabilità di successo p.
Formula: P(X = k) = C(n, k) · pᵏ · (1-p)ⁿ⁻ᵏ
Esempio: Probabilità di ottenere esattamente 3 teste in 10 lanci di una moneta (p=0.5):
P(X=3) = C(10,3) · (0.5)³ · (0.5)⁷ = 120 · 0.125 · 0.0078125 ≈ 0.1172 (11.72%)
| Parametro | Descrizione | Formula |
|---|---|---|
| Media (μ) | Valore atteso | μ = n · p |
| Varianza (σ²) | Dispersione | σ² = n · p · (1-p) |
| Deviazione Standard (σ) | Radice della varianza | σ = √(n·p·(1-p)) |
2.2 Distribuzione di Poisson
Modella il numero di eventi che si verificano in un intervallo fisso di tempo/spazio, dato un tasso medio λ.
Formula: P(X = k) = (e⁻λ · λᵏ) / k!
Esempio: Numero di chiamate in un centralino in un’ora (λ=5):
P(X=7) = (e⁻⁵ · 5⁷) / 7! ≈ 0.1279 (12.79%)
3. Distribuzioni di Probabilità Continue
3.1 Distribuzione Normale (Gaussiana)
Simmetrica a forma di campana, definita da media (μ) e deviazione standard (σ).
Formula PDF: f(x) = (1/σ√2π) · e⁻((x-μ)²/2σ²)
Regola 68-95-99.7:
- 68% dei dati entro μ ± σ
- 95% dei dati entro μ ± 2σ
- 99.7% dei dati entro μ ± 3σ
3.2 Standardizzazione (Z-score)
Trasforma qualsiasi distribuzione normale in una standard (μ=0, σ=1):
Formula: Z = (X – μ) / σ
Esempio: In una distribuzione con μ=100 e σ=15, P(X > 120):
Z = (120-100)/15 ≈ 1.33 → P(Z > 1.33) ≈ 0.0918 (9.18%)
4. Statistica Inferenziale
4.1 Stima Puntuale e Intervalli di Confidenza
La stima puntuale fornisce un singolo valore (es. media campionaria x̄), mentre un intervallo di confidenza fornisce un range con un certo livello di confidenza (tipicamente 95%).
Formula IC per media (σ noto):
x̄ ± Z(α/2) · (σ/√n)
Esempio: Con x̄=50, σ=10, n=30, confidenza 95% (Z=1.96):
IC = 50 ± 1.96·(10/√30) ≈ 50 ± 3.57 → [46.43, 53.57]
| Livello di Confidenza | Z(α/2) | Interpretazione |
|---|---|---|
| 90% | 1.645 | 90% degli intervalli conterrà μ |
| 95% | 1.960 | 95% degli intervalli conterrà μ |
| 99% | 2.576 | 99% degli intervalli conterrà μ |
4.2 Test d’Ipotesi
Processo per verificare affermazioni su un parametro di popolazione usando dati campionari.
- Ipotesi nulla (H₀): Affermazione di default (es. μ = μ₀).
- Ipotesi alternativa (H₁): Affermazione da verificare (es. μ ≠ μ₀).
- Livello di significatività (α): Probabilità di rifiuto errato di H₀ (tipicamente 0.05).
- Statistica test: Valore calcolato dai dati (es. Z o t).
- Regione critica: Valori della statistica test che portano al rifiuto di H₀.
Esempio (Test Z): Verificare se un nuovo farmaco abbassa la pressione (μ₀=120 vs x̄=115, σ=10, n=30, α=0.05):
Z = (115-120)/(10/√30) ≈ -2.74 → |Z| > 1.96 → Rifiuto H₀
5. Esercizi Svolti
5.1 Esercizio su Distribuzione Binomiale
Problema: Un’azienda sa che il 5% dei suoi prodotti è difettoso. Qual è la probabilità che in un campione di 20 prodotti esattamente 2 siano difettosi?
Soluzione:
n = 20, k = 2, p = 0.05
P(X=2) = C(20,2) · (0.05)² · (0.95)¹⁸ ≈ 190 · 0.0025 · 0.3775 ≈ 0.1789 (17.89%)
5.2 Esercizio su Intervallo di Confidenza
Problema: Un campione di 50 studenti ha una media di 72 con s=10. Costruisci un IC al 95% per la media della popolazione.
Soluzione:
x̄ = 72, s = 10, n = 50, t(0.025, 49) ≈ 2.01
IC = 72 ± 2.01·(10/√50) ≈ 72 ± 2.84 → [69.16, 74.84]
5.3 Esercizio su Test d’Ipotesi
Problema: Un produttore afferma che le sue batteria durano ≥ 10 ore. Un campione di 25 batterie ha durata media 9.5h con s=1.2h. Verifica l’affermazione al 5%.
Soluzione:
H₀: μ ≥ 10 vs H₁: μ < 10 (test monocaudale sinistro)
t = (9.5-10)/(1.2/√25) ≈ -2.08 → t < -1.711 (t₀.₀₅,₂₄) → Rifiuto H₀
6. Risorse Esterne Autorevoli
Per approfondire:
- NIST/SEMATECH e-Handbook of Statistical Methods – Guida completa con esempi pratici.
- Seeing Theory (Brown University) – Visualizzazioni interattive di concetti statistici.
- Khan Academy: Probabilità e Statistica – Lezioni gratuite con esercizi.
7. Errori Comuni e Consigli Pratici
❌ Errori da Evitare
- Confondere probabilità e statistica.
- Usare test parametrici con dati non normali.
- Ignorare le assunzioni (es. indipendenza, normalità).
- Interpretare erroneamente i p-value (non è la probabilità che H₀ sia vera).
✅ Best Practice
- Sempre verificare le assunzioni del test.
- Usare grafici (istogrammi, Q-Q plot) per valutare la normalità.
- Preferire intervalli di confidenza ai solo p-value.
- Documentare sempre metodo e dati.