Calcolo Delle Probabilità E Statistica Esercizi Svolti

La probabilità e la statistica 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 padroneggiare questi concetti essenziali.

Fondamenti di Probabilità

1. Probabilità Classica (Laplace)

La definizione classica di probabilità, attribuita a Pierre-Simon Laplace, si basa sul rapporto tra casi favorevoli e casi possibili:

P(E) = (Numero di esiti favorevoli) / (Numero di esiti possibili)

Fonte Accademica:

Il corso di Probabilità di Harvard (STAT 110) offre una trattazione rigorosa della probabilità classica e dei suoi limiti, con particolare attenzione agli assiomi di Kolmogorov che formalizzano la teoria.

Esempio Pratico:

Calcolare la probabilità di ottenere un numero pari lanciando un dado a 6 facce:

• Casi favorevoli: 2, 4, 6 (3 esiti)
• Casi possibili: 1, 2, 3, 4, 5, 6 (6 esiti)
• Probabilità = 3/6 = 0.5 o 50%

2. Probabilità Condizionata

La probabilità condizionata misura la probabilità di un evento A dato che si è verificato un evento B:

P(A|B) = P(A ∩ B) / P(B)

Esempio:

In un mazzo di 52 carte, qual è la probabilità che una carta sia un asso dato che è una carta di cuori?

• P(A ∩ B) = Probabilità di asso di cuori = 1/52
• P(B) = Probabilità di carta di cuori = 13/52 = 1/4
• P(A|B) = (1/52) / (1/4) = 4/52 = 1/13 ≈ 7.69%

Distribuzioni di Probabilità

1. Distribuzione Binomiale

Modella il numero di successi in n prove indipendenti, ciascuna con probabilità di successo p:

P(X = k) = C(n, k) · p^k · (1-p)^n-k

dove C(n, k) è il coefficiente binomiale “n scegli k”.

Parametro	Descrizione	Esempio
n	Numero di prove	10 lanci di una moneta
k	Numero di successi	6 teste
p	Probabilità di successo	0.5 per una moneta equilibrata

Esempio Svolto:

Calcolare la probabilità di ottenere esattamente 3 teste in 5 lanci di una moneta equilibrata:

1. n = 5, k = 3, p = 0.5
2. C(5, 3) = 10
3. P(X=3) = 10 · (0.5)³ · (0.5)² = 10 · 0.125 · 0.25 = 0.3125

2. Distribuzione Normale

La distribuzione normale (o gaussiana) è simmetrica e a forma di campana, definita da:

f(x) = (1/σ√2π) · e^{-((x-μ)²/2σ²)}

dove μ è la media e σ è la devianza standard.

Dati Governativi:

Il U.S. Census Bureau utilizza la distribuzione normale per analizzare dati demografici e economici, inclusi gli indicatori di disoccupazione e crescita della popolazione.

Regola	Descrizione	Applicazione
68-95-99.7	≈68% dei dati entro ±1σ ≈95% entro ±2σ ≈99.7% entro ±3σ	Controllo qualità in produzione
Standardizzazione	Z = (X – μ)/σ	Confrontare dati con diverse unità di misura

Statistica Descrittiva

1. Misure di Tendenza Centrale

• Media: (Σx_i)/n
• Mediana: Valore centrale in una distribuzione ordinata
• Moda: Valore più frequente

Esempio:

Dato il dataset [3, 5, 7, 7, 9]:

• Media = (3+5+7+7+9)/5 = 6.2
• Mediana = 7
• Moda = 7

2. Misure di Dispersione

• Varianza: σ² = Σ(x_i – μ)² / n
• Deviazione Standard: σ = √varianza
• Range: Max – Min
• IQR: Q3 – Q1 (differenza tra terzo e primo quartile)

Teoremi Fondamentali

1. Teorema di Bayes

Relaziona la probabilità condizionata e quella inversa:

P(A|B) = [P(B|A) · P(A)] / P(B)

Applicazione Medica:

Supponi che un test per una malattia abbia:

• Sensibilità (P(T+|M)) = 99% (probabilità di positivo se malato)
• Specificità (P(T-|¬M)) = 99% (probabilità di negativo se sano)
• Prevalenza (P(M)) = 0.1% (probabilità di avere la malattia)

Qual è P(M|T+), la probabilità di essere malato dato un test positivo?

Risposta: ≈9.1% (non 99%!)

2. Legge dei Grandi Numeri

Affirma che la media campionaria converge alla media teorica al crescere delle osservazioni:

limₙ→∞ (ΣXᵢ/n) = μ

Esercizi Pratici con Soluzioni

Esercizio 1: Probabilità con Dadi

Domanda: Qual è la probabilità che la somma di due dadi sia 7?

Soluzione:

1. Casi favorevoli: (1,6), (2,5), (3,4), (4,3), (5,2), (6,1) → 6 combinazioni
2. Casi totali: 6 × 6 = 36
3. Probabilità = 6/36 = 1/6 ≈ 16.67%

Esercizio 2: Distribuzione Binomiale

Domanda: Un tiratore colpisce il bersaglio con probabilità 0.8. Qual è la probabilità che in 10 tentativi colpisca esattamente 9 volte?

Soluzione:

1. n = 10, k = 9, p = 0.8
2. C(10,9) = 10
3. P(X=9) = 10 · (0.8)⁹ · (0.2)¹ ≈ 0.2684 o 26.84%

Esercizio 3: Distribuzione Normale

Domanda: In una popolazione con μ=100 e σ=15, qual è la probabilità che un individuo scelto a caso abbia un punteggio >120?

Soluzione:

1. Calcolare Z = (120-100)/15 ≈ 1.33
2. P(Z > 1.33) ≈ 1 – 0.9082 = 0.0918 o 9.18%

Applicazioni nel Mondo Reale

1. Finanza: Modello Black-Scholes

Utilizza la distribuzione normale per valutare le opzioni finanziarie, assumendo che i prezzi delle azioni seguano un moto browniano geometrico:

dS_t = μS_tdt + σS_tdW_t

2. Medicina: Test Diagnostici

La probabilità condizionata è cruciale per interpretare i risultati dei test:

• Falsi positivi: P(T+|¬M) = 1 – specificità
• Falsi negativi: P(T-|M) = 1 – sensibilità

3. Controllo Qualità

Le carte di controllo (es. carte Shewhart) utilizzano:

• Limite superiore di controllo: μ + 3σ
• Limite inferiore di controllo: μ – 3σ

Errori Comuni da Evitare

1. Confondere probabilità condizionata: P(A|B) ≠ P(B|A)
2. Ignorare la dipendenza: P(A ∩ B) = P(A)·P(B) solo se indipendenti
3. Trascurare la dimensione campionaria: La legge dei grandi numeri richiede n → ∞
4. Misinterpretare p-values: Un p-value basso non prova l’ipotesi nulla falsa

Risorse per Approfondire

Libri Consigliati:

• “Probability and Statistics” (DeGroot & Schervish) – Trattazione rigorosa con esercizi
• “All of Statistics” (Wasserman) – Copre sia teoria che applicazioni pratiche
• “Naked Statistics” (Wheelan) – Introduzione accessibile per non matematici

Corsi Online:

• MITx: Probability (edX) – Corso introduttivo del MIT
• Statistics with R (Coursera) – Applicazioni pratiche con R