Esempi di domande e discussione sulla distribuzione di probabilità
La distribuzione di probabilità è uno dei concetti fondamentali della statistica e della probabilità. Viene utilizzata per comprendere la probabilità che si verifichino diversi valori di un numero casuale. Le distribuzioni di probabilità possono assumere diverse forme a seconda della natura dei dati analizzati. I due tipi più comuni di distribuzioni di probabilità sono quelle discrete e quelle continue. In questo articolo, esamineremo diversi esempi e discuteremo le distribuzioni di probabilità per comprendere meglio questo argomento.
Distribuzione discreta
Una distribuzione discreta è una distribuzione che calcola la probabilità di una variabile casuale discreta, ovvero una variabile che può assumere solo determinati valori. Esempi ben noti di distribuzioni discrete sono la distribuzione binomiale e la distribuzione di Poisson.
Esempio 1: Distribuzione binomiale
La distribuzione binomiale descrive il numero di successi in una serie di prove di Bernoulli. Ogni prova di Bernoulli ha due possibili esiti: successo o fallimento. La probabilità di successo rimane costante per tutta la durata della prova.
Domanda:
Un'azienda farmaceutica sta testando un nuovo farmaco su 10 pazienti. La probabilità che il farmaco funzioni in un singolo paziente è 0.7. Calcola la probabilità che il farmaco funzioni esattamente in 7 pazienti su 10.
Discussione:
La variabile casuale \(X\) segue una distribuzione binomiale con \(n = 10\) e \(p = 0.7\). La funzione di probabilità binomiale è:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
Per \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
Calcolo del coefficiente binomiale \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
Calcolo dei valori di probabilità:
\[ P(X = 7) = 120 \times (0.7)^7 \times (0.3)^3 \]
\[ P(X = 7) \approx 120 \times 0.0823543 \times 0.027 \]
\[ P(X = 7) \approx 0.231 \]
Pertanto, la probabilità che il farmaco funzioni in esattamente 7 pazienti su 10 è di circa 0.231, ovvero il 23.1%.
Esempio 2: Distribuzione di Poisson
La distribuzione di Poisson viene utilizzata per modellare il numero di occorrenze di un evento raro all'interno di un dato intervallo di tempo o spazio.
Domanda:
Un negozio riceve in media 4 clienti all'ora. Qual è la probabilità che il negozio riceva esattamente 5 clienti in un'ora?
Discussione:
La variabile casuale \(X\) segue una distribuzione di Poisson con parametro \(\lambda = 4\). La funzione di massa di probabilità di Poisson è:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
Per \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
Contare:
\[ P(X = 5) = \frac{1024 \cdot e^{-4}}{120} \]
\[ P(X = 5) \approx \frac{1024 \cdot 0.0183}{120} \]
\[ P(X = 5) \approx 0.156 \]
Quindi, la probabilità che il negozio riceva esattamente 5 clienti in un'ora è di circa 0.156, ovvero il 15.6%.
Distribuzione continua
Le distribuzioni continue vengono utilizzate quando la variabile casuale misurata può assumere qualsiasi valore all'interno di un determinato intervallo. Esempi ben noti di distribuzioni continue sono la distribuzione normale e la distribuzione esponenziale.
Esempio 3: Distribuzione normale
La distribuzione normale, spesso chiamata distribuzione gaussiana, è una distribuzione comunemente utilizzata in diversi campi, tra cui la scienza, l'ingegneria e l'economia.
Domanda:
L'altezza degli uomini adulti in una città è distribuita normalmente con una media di 170 cm e una deviazione standard di 10 cm. Qual è la probabilità che un uomo scelto a caso abbia un'altezza compresa tra 160 cm e 180 cm?
Discussione:
Dobbiamo calcolare il punteggio z per 160 cm e 180 cm. Il punteggio z è definito come:
\[ Z = \frac{X – \mu}{\sigma} \]
Per \(X = 160\):
\[ Z_{160} = \frac{160 – 170}{10} = -1 \]
Per \(X = 180\):
\[ Z_{180} = \frac{180 – 170}{10} = 1 \]
Ora dobbiamo esaminare i valori di probabilità da -1 a 1 nella tabella z. Il valore da z = -1 a z = 1 è approssimativamente 0.6826.
Pertanto, la probabilità che un uomo scelto a caso abbia un'altezza compresa tra 160 cm e 180 cm è approssimativamente dello 0.6826, ovvero del 68.26%.
Esempio 4: Distribuzione esponenziale
La distribuzione esponenziale viene utilizzata per modellare il tempo intercorrente tra gli eventi in un processo di Poisson.
Domanda:
Il tempo medio tra l'arrivo di due clienti in un negozio è di 15 minuti. Qual è la probabilità che il tempo tra l'arrivo di due clienti sia inferiore a 10 minuti?
Discussione:
La distribuzione esponenziale ha un parametro \(\lambda\) che è l'inverso della media (\(\mu\)). Con una media di 15 minuti:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
La funzione di distribuzione cumulativa esponenziale è:
\[ P(X \leq x) = 1 – e^{-\lambda x} \]
Per \(x = 10\):
\[ P(X \leq 10) = 1 – e^{-0.0667 \times 10} \]
\[ P(X \leq 10) = 1 – e^{-0.667} \]
\[ P(X \leq 10) \approx 1 – 0.5134 \]
\[ P(X \leq 10) \approx 0.4866 \]
Pertanto, la probabilità che il tempo tra l'arrivo di due clienti sia inferiore a 10 minuti è di circa 0.4866, ovvero del 48.66%.
conclusione
Le distribuzioni di probabilità, sia discrete che continue, sono concetti molto utili per modellare e comprendere il comportamento delle variabili casuali. Le distribuzioni binomiale e di Poisson sono spesso utilizzate per le variabili discrete, mentre le distribuzioni normale ed esponenziale sono esempi di distribuzioni continue.
Ci auguriamo che, attraverso gli esempi sopra riportati, abbiate acquisito una migliore comprensione di come calcolare e interpretare le probabilità nelle distribuzioni di probabilità. Con la pratica costante, la vostra capacità di comprendere le distribuzioni di probabilità migliorerà e potrà essere applicata in diverse discipline.
