Perché un Data Scientist deve conoscere la distribuzione Beta?

Ogni volta che stimiamo una percentuale, che sia il tasso di conversione di un e-commerce, la quota di clienti che abbandonano un servizio (churn rate) o la frazione di pezzi difettosi in un lotto di produzione, stiamo in realtà cercando una probabilità nascosta.

Il problema è che la probabilità pura non è osservabile direttamente nel mondo reale: possiamo solo registrare gli esiti, contando i successi e i fallimenti.

La distribuzione Beta nasce proprio per modellare l’incertezza intorno a questa probabilità incognita.

Più che una singola formula matematica, la Beta è un vero e proprio “superpotere” per l’inferenza statistica.

Essendo definita nell’intervallo [math][0,1][/math], è lo strumento naturale per descrivere le proporzioni.

Modificando i suoi due parametri di forma, [math]\alpha[/math] e [math]\beta[/math], può adattarsi per rappresentare esattamente il nostro livello di conoscenza (o ignoranza) sul fenomeno: può assumere una curva a campana, decrescere rapidamente, o sbilanciarsi in modo asimmetrico.

In questo articolo risolveremo sei esercizi pratici, dal calcolo base della densità fino all’inferenza Bayesiana e alle trasformazioni di variabili, unendo le dimostrazioni analitiche al codice Python (SciPy) pronto all’uso.

Introduzione Teorica

La distribuzione Beta è una famiglia di distribuzioni di probabilità continue definite sull’intervallo [math][0,1][/math].

È caratterizzata da due parametri di forma [math]\alpha > 0[/math] e [math]\beta > 0[/math], con funzione di densità:

[math]\displaystyle f(x;\alpha,\beta) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}, \quad 0 \le x \le 1[/math]

dove [math]B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}[/math] è la funzione Beta.

Proprietà fondamentali:

Proprietà	Formula
Media	[math]E[X] = \frac{\alpha}{\alpha+\beta}[/math]
Varianza	[math]Var(X) = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}[/math]
Moda (per [math]\alpha,\beta > 1[/math])	[math]\frac{\alpha-1}{\alpha+\beta-2}[/math]
Funzione generatrice dei momenti	[math]\displaystyle M_X(t) = 1 + \sum_{k=1}^{\infty} \left( \prod_{r=0}^{k-1} \frac{\alpha+r}{\alpha+\beta+r} \right) \frac{t^k}{k!}[/math]

Casi particolari: [math]Beta(1,1)[/math] è la distribuzione uniforme su [math][0,1][/math].

I Parametri [math]\alpha[/math] e [math]\beta[/math]: Un Modello della Nostra Conoscenza

I due parametri della distribuzione Beta non definiscono soltanto una forma geometrica astratta, ma quantificano la nostra informazione pregressa (prior).

Nel framework Bayesiano, [math]\alpha[/math] e [math]\beta[/math] possono essere intuitivamente pensati come i “successi” e i “fallimenti” che abbiamo già osservato prima ancora di analizzare i nuovi dati.

Vediamo due scenari opposti per capire come traducono la nostra conoscenza:

Caso 1 — Poca informazione: Beta(1,1)
Questa combinazione genera una distribuzione uniforme, completamente piatta.

Significato pratico: “Non ho alcuna informazione pregressa. Prima di osservare i dati, ogni probabilità tra 0 e 1 è ugualmente plausibile.”

Caso 2 — Molta informazione: Beta(100,20)
Questa combinazione genera una curva stretta e appuntita attorno alla sua media ([math]100 / 120 \approx 0.833[/math]), con una varianza molto piccola.

Significato pratico: “Abbiamo un solido storico alle spalle che indica un tasso di successo vicino all’83%.”

Questo concetto è la vera chiave di volta per comprendere il Bayesian Machine Learning: ci permette di aggiornare dinamicamente le nostre credenze. Partiamo da un’ipotesi (il prior), osserviamo i dati e calcoliamo una nuova distribuzione (il posterior) in modo matematicamente rigoroso, bilanciando l’incertezza iniziale con l’evidenza empirica.

---

Esercizio 1 (Facile) – Calcolo diretto di densità

Testo:

Un ingegnere sta modellando la percentuale di difettosi in un lotto di produzione. Supponendo che tale percentuale [math]X[/math] segua una distribuzione [math]Beta(\alpha=2, \beta=3)[/math], calcola la densità in [math]x=0.5[/math] e determina se i valori nell’intorno di questo punto sono più o meno plausibili rispetto a quelli nell’intorno di [math]x=0.2[/math].

✅ Soluzione

Passo 1: Identificazione dei parametri [math]\alpha=2, \beta=3[/math]

Passo 2: Funzione di densità

[math]\displaystyle f(x;2,3) = \frac{x^1(1-x)^2}{B(2,3)}[/math]

Passo 3: Calcolo della costante normalizzante

[math]\displaystyle B(2,3) = \frac{\Gamma(2)\Gamma(3)}{\Gamma(5)} = \frac{1! \cdot 2!}{4!} = \frac{1 \cdot 2}{24} = \frac{1}{12}[/math]

Passo 4: Valutazione nei punti richiesti

[math]\displaystyle f(0.5) = \frac{0.5^1 \cdot 0.5^2}{1/12} = \frac{0.125}{0.08333} = 1.5[/math]

[math]\displaystyle f(0.2) = \frac{0.2^1 \cdot 0.8^2}{1/12} = \frac{0.128}{0.08333} = 1.536[/math]

Il grafico mostra una curva crescente fino a circa 0.33 e poi decrescente.

💡 Osservazione: [math]f(0.5) < f(0.2)[/math]. Trattandosi di una distribuzione continua, la probabilità di un singolo punto è sempre nulla ([math]P(X=0.2) = P(X=0.5) = 0[/math]). Tuttavia, poiché la densità è maggiore in [math]x=0.2[/math], possiamo affermare che i valori nell’intorno di 0.2 sono più plausibili rispetto a quelli nell’intorno di 0.5. La distribuzione è asimmetrica con la massa di probabilità concentrata verso i valori bassi.

Grafico della densità

 Applicazione pratica

Controllo Qualità: Questo esercizio mostra la natura fondamentale della Beta come “distribuzione delle probabilità”. Calcolare [math]f(0.5)[/math] contro [math]f(0.2)[/math] non è un mero esercizio di stile: in una catena di montaggio, indica al controllo qualità dove si concentra la massa di probabilità del tasso di scarto, aiutando a impostare le soglie di allarme dei macchinari.

💬 Domanda di riflessione: Quale proprietà della distribuzione Beta hai utilizzato per calcolare la costante normalizzante?

---

Esercizio 2 (Facile-Media) – Media e varianza

Testo: Un ricercatore sta studiando la proporzione di tempo in cui un server è sotto carico. Sulla base di dati storici, stima che la proporzione [math]X[/math] sia distribuita come [math]Beta(4,2)[/math]. Calcola il valore atteso e la varianza di [math]X[/math].

Determina inoltre l’intervallo entro cui ci si aspetta che cada il 95% dei valori (usando l’approssimazione normale).

✅ Soluzione

Passo 1: Identificazione parametri [math]\alpha=4, \beta=2[/math]

Passo 2: Calcolo media

[math]\displaystyle E[X] = \frac{\alpha}{\alpha+\beta} = \frac{4}{6} = \frac{2}{3} \approx 0.6667[/math]

Passo 3: Calcolo varianza

[math]\displaystyle Var(X) = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)} = \frac{4 \cdot 2}{6^2 \cdot 7} = \frac{8}{252} = \frac{2}{63} \approx 0.03175[/math]

Deviazione standard: [math]\sigma = \sqrt{2/63} \approx 0.1782[/math]

Passo 4: Intervallo al 95% (approssimazione normale) Usando la regola empirica: [math]\mu \pm 2\sigma[/math]

Limite inferiore: [math]0.6667 – 2(0.1782) = 0.3103[/math]

Limite superiore: [math]0.6667 + 2(0.1782) = 1.0231[/math]

Essendo [math]X \in [0,1][/math], l’intervallo diventa [math][0.3103, 1][/math].

💡 Osservazione: L’approssimazione normale è accettabile per [math]\alpha, \beta > 5[/math]? Qui [math]\alpha=4, \beta=2[/math] non sono molto grandi, quindi l’intervallo potrebbe essere meno preciso. La distribuzione è asimmetrica (media 0.667).

💬 Domanda di riflessione: Cosa succede alla varianza se [math]\alpha[/math] e [math]\beta[/math] vengono moltiplicati per una stessa costante [math]k > 0[/math] mantenendo il rapporto costante?

---

Esercizio 3 (Medio) – Probabilità di un evento

Testo: Un’azienda produce un componente elettronico. La percentuale di componenti difettosi in un lotto, indicata con [math]X[/math], segue una distribuzione [math]Beta(\alpha=5, \beta=2)[/math].

Qual è la probabilità che in un lotto la percentuale di difettosi sia tra il 60% e l’80%?

✅ Soluzione

Passo 1: Impostazione del problema Vogliamo [math]P(0.6 \le X \le 0.8)[/math] con [math]X \sim Beta(5,2)[/math].

Passo 2: Utilizzo della CDF

[math]P(0.6 \le X \le 0.8) = F(0.8) – F(0.6)[/math]

dove [math]F[/math] è la funzione di ripartizione Beta.

Passo 3:

Calcolo con Python (integrale numerico o funzione predefinita)

from scipy.stats import beta
prob = beta.cdf(0.8, 5, 2) - beta.cdf(0.6, 5, 2)
print(f"Probabilità: {prob:.4f}")
# Output: 0.4579

Passo 4: Interpretazione C’è circa il 45.8% di probabilità che la percentuale di difettosi sia tra il 60% e l’80%.

Passo 5:

Grafico dell’area

x = np.linspace(0, 1, 1000)
pdf = beta.pdf(x, 5, 2)
plt.plot(x, pdf, label='Beta(5,2)')
x_fill = np.linspace(0.6, 0.8, 100)
plt.fill_between(x_fill, 0, beta.pdf(x_fill, 5, 2), alpha=0.3, color='red')
plt.axvline(0.6, color='green', linestyle='--')
plt.axvline(0.8, color='green', linestyle='--')
plt.xlabel('x')
plt.ylabel('Densità')
plt.title('Area tra 0.6 e 0.8 per Beta(5,2)')
plt.legend()
plt.grid(True)
plt.show()

💡 Osservazione: La media è [math]5/7 \approx 0.714[/math], quindi l’intervallo [0.6, 0.8] è centrato intorno alla media. La probabilità è significativa.

💬 Domanda di riflessione: Come cambierebbe la probabilità se i parametri fossero [math]\alpha=2, \beta=5[/math]? Giustifica qualitativamente.

---

 

Esercizio 4 (Medio-Difficile) – Moda e asimmetria

Testo: Uno statistico sta analizzando i tempi di risposta di un sistema informatico, modellati con una distribuzione [math]Beta(\alpha,\beta)[/math]. Dopo aver raccolto dati, stima che la moda sia 0.75 e la media sia 0.6. Determina i valori di [math]\alpha[/math] e [math]\beta[/math]. Inoltre, discuti l’asimmetria della distribuzione.

✅ Soluzione

Passo 1: Impostazione delle equazioni Per [math]\alpha,\beta > 1[/math], la moda è:

[math]\displaystyle \text{Moda} = \frac{\alpha-1}{\alpha+\beta-2} = 0.75[/math]

La media è:

[math]\displaystyle E[X] = \frac{\alpha}{\alpha+\beta} = 0.6[/math]

Passo 2: Ricaviamo le relazioni Dalla media: [math]\alpha = 0.6(\alpha+\beta) \Rightarrow 0.4\alpha = 0.6\beta \Rightarrow \alpha = 1.5\beta[/math]

Dalla moda: [math]\displaystyle \frac{\alpha-1}{\alpha+\beta-2} = 0.75 \Rightarrow \alpha-1 = 0.75(\alpha+\beta-2)[/math]

Passo 3: Sostituzione Sostituiamo [math]\alpha = 1.5\beta[/math]:

[math]1.5\beta – 1 = 0.75(1.5\beta + \beta – 2) = 0.75(2.5\beta – 2)[/math]

[math]1.5\beta – 1 = 1.875\beta – 1.5[/math]

[math]-1 + 1.5 = 1.875\beta – 1.5\beta[/math]

[math]0.5 = 0.375\beta \Rightarrow \beta = \frac{0.5}{0.375} = \frac{4}{3}[/math]

Quindi [math]\alpha = 1.5 \cdot \frac{4}{3} = 2[/math].

Passo 4: Verifica Media: [math]2/(2+4/3) = 2/(10/3) = 0.6[/math] ✓ Moda: [math](2-1)/(2+4/3-2) = 1/(4/3) = 0.75[/math] ✓

Passo 5: Asimmetria Per la distribuzione Beta, il coefficiente di asimmetria (skewness) è:

[math]\displaystyle \text{Skewness} = \frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}[/math]

Con [math]\alpha = 2, \beta = 4/3[/math]: [math]\beta – \alpha = -2/3 < 0[/math], quindi la distribuzione è asimmetrica negativa (coda a sinistra più lunga), il che è coerente con media (0.6) < moda (0.75).

💡 Osservazione:

La differenza tra media e moda è un indicatore di asimmetria. Quando media > moda, la distribuzione è asimmetrica positiva (coda a destra).

Grafico:

💬 Domanda di riflessione: Perché abbiamo assunto [math]\alpha,\beta > 1[/math] per calcolare la moda? Cosa succede se uno dei due parametri è minore o uguale a 1?

---

Esercizio 5 (Difficile) – Inferenza Bayesiana

Testo: In uno studio clinico, un farmaco ha mostrato efficacia in 17 pazienti su 20. Modellando la probabilità di successo [math]p[/math] come incognita, si assume un priori [math]Beta(2,3)[/math]. Dopo aver osservato i dati, qual è la distribuzione a posteriori di [math]p[/math]? Calcola la media a posteriori e l’intervallo di credibilità al 90% (usando i quantili). Inoltre, discuti come il priori ha influenzato la stima rispetto alla stima di massima verosimiglianza.

✅ Soluzione

Passo 1: Modello statistico [math]X \sim \text{Binomiale}(n=20, p)[/math], con [math]p[/math] incognito. Priori: [math]p \sim Beta(\alpha=2, \beta=3)[/math].

Passo 2: Verosimiglianza

[math]\displaystyle L(p; x=17) = \binom{20}{17} p^{17}(1-p)^3[/math]

Passo 3: Priori e posteriori Usando la coniugazione Beta-Binomiale:

[math]p \mid x \sim Beta(\alpha+x, \beta+n-x) = Beta(2+17, 3+20-17) = Beta(19, 6)[/math]

Passo 4: Media a posteriori

[math]\displaystyle E[p \mid x] = \frac{\alpha+x}{\alpha+\beta+n} = \frac{19}{25} = 0.76[/math]

Passo 5:

Intervallo di fiducia al 90%

from scipy.stats import beta
lower = beta.ppf(0.05, 19, 6)   # 0.05 quantile
upper = beta.ppf(0.95, 19, 6)   # 0.95 quantile
print(f"Intervallo al 90%: [{lower:.4f}, {upper:.4f}]")
# Output: [0.6178, 0.8756]

Passo 6: Confronto con MLE La stima di massima verosimiglianza (MLE) per [math]p[/math] è [math]17/20 = 0.85[/math]. La media a posteriori (0.76) è più bassa, essendo influenzata dal priori che aveva media [math]2/5 = 0.4[/math]. Il priori “tira” verso il basso la stima.

💡 Osservazione: L’effetto del priori diminuisce all’aumentare di [math]n[/math]. Se avessimo avuto [math]n=100[/math], il priori avrebbe influenzato meno.

💬 Domanda di riflessione: Se il priori fosse stato non informativo, come [math]Beta(1,1)[/math], quale sarebbe stata la media a posteriori?

---

Esercizio 6 (Molto Difficile) – Trasformazione di variabili aleatorie

Testo: Sia [math]X \sim Beta(\alpha, \beta)[/math]. Definiamo la trasformazione [math]Y = -\ln(X)[/math]. Determina la funzione di densità di [math]Y[/math] e riconosci la distribuzione risultante. Successivamente, calcola il valore atteso e la varianza di [math]Y[/math] in funzione di [math]\alpha[/math] e [math]\beta[/math]. Infine, per [math]\alpha=2, \beta=3[/math], calcola numericamente [math]E[Y][/math] e [math]Var(Y)[/math].

✅ Soluzione

Passo 1: Metodo della trasformazione
La trasformazione [math]g(x) = -\ln(x)[/math] è strettamente decrescente su [math](0,1)[/math]. La sua inversa è:

[math]x = g^{-1}(y) = e^{-y}, \quad y \in (0,\infty)[/math]

La derivata (in valore assoluto) è:

[math]\displaystyle \left\vert{} \frac{dx}{dy} \right\vert{} = e^{-y}[/math]

Passo 2: Densità di Y

[math]\displaystyle f_Y(y) = f_X(e^{-y}) \cdot e^{-y} = \frac{(e^{-y})^{\alpha-1}(1-e^{-y})^{\beta-1}}{B(\alpha,\beta)} \cdot e^{-y}[/math]

Semplificando gli esponenti otteniamo:

[math]\displaystyle f_Y(y) = \frac{e^{-\alpha y}(1-e^{-y})^{\beta-1}}{B(\alpha,\beta)}[/math]

Passo 3: Interpretazione della distribuzione

La variabile [math]Y[/math] segue una distribuzione trasformata della Beta.

Questa trasformazione è estremamente utile nella pratica della Data Science perché “srotola” una variabile limitata nello spazio compatto [math][0,1][/math] trasportandola nell’intero spazio reale positivo [math][0,+\infty)[/math].

Da notare un caso limite: se poniamo [math]\beta = 1[/math], il termine [math](1-e^{-y})^0[/math] scompare e la costante normalizzante diventa [math]B(\alpha, 1) = 1/\alpha[/math]. La densità si riduce così a:

[math]\displaystyle f_Y(y) = \alpha e^{-\alpha y}[/math]

ovvero un’esatta distribuzione Esponenziale con tasso [math]\alpha[/math].

Passo 4: Calcolo di [math]E[Y][/math] e [math]Var(Y)[/math]

Utilizziamo il fatto che:

[math]E[-\ln X] = -E[\ln X][/math]

Nota che [math]E[\ln X] = \psi(\alpha) – \psi(\alpha+\beta)[/math], dove [math]\psi[/math] è la funzione digamma.

Quindi:

[math]E[Y] = \psi(\alpha+\beta) – \psi(\alpha)[/math]

Per la varianza:

[math]Var(Y) = Var(-\ln X) = Var(\ln X) = \psi_1(\alpha) – \psi_1(\alpha+\beta)[/math]

dove [math]\psi_1[/math] è la funzione trigamma.

Passo 5: Calcolo numerico per [math]\alpha=2, \beta=3[/math]

Usando Python:

from scipy.special import digamma, polygamma
alpha, beta = 2, 3
E_Y = digamma(alpha+beta) - digamma(alpha)
Var_Y = polygamma(1, alpha) - polygamma(1, alpha+beta)
print(f"E[Y] = {E_Y:.4f}")
print(f"Var(Y) = {Var_Y:.4f}")
# Output: E[Y] ≈ 0.5000, Var(Y) ≈ 0.1389

💡 Osservazione: La trasformazione [math]-\ln X[/math] è utile in contesti di analisi di sopravvivenza o per trasformare una variabile su [math][0,1][/math] in una su [math][0,\infty)[/math].

Passo 6:

Grafico comparativo

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import beta as beta_dist   # rinominiamo per chiarezza
from scipy.special import digamma, polygamma

# Parametri della Beta originale
alpha = 2
beta_param = 3   # uso un nome diverso per non confondere con la funzione beta

# --- Calcolo di E[Y] e Var(Y) ---
E_Y = digamma(alpha + beta_param) - digamma(alpha)
Var_Y = polygamma(1, alpha) - polygamma(1, alpha + beta_param)
print(f"E[Y] = {E_Y:.4f}")
print(f"Var(Y) = {Var_Y:.4f}")

# --- Grafico della densità di Y = -ln(X) ---
y_vals = np.linspace(0.01, 5, 1000)
# Densità di Y: f_Y(y) = f_X(e^{-y}) * e^{-y}
fy = beta_dist.pdf(np.exp(-y_vals), alpha, beta_param) * np.exp(-y_vals)

plt.plot(y_vals, fy, linewidth=2)
plt.xlabel('y')
plt.ylabel('Densità')
plt.title(f'Densità di Y = -ln(X) con X ~ Beta({alpha},{beta_param})')
plt.grid(True)
plt.show()

💬 Domanda di riflessione: Quale trasformazione potrebbe essere usata per ottenere una distribuzione simmetrica partendo da una Beta asimmetrica?

---

📌 Risposte alle Domande di Riflessione

Risposta Esercizio 1
Domanda: Quale proprietà della distribuzione Beta hai utilizzato per calcolare la costante normalizzante?
Risposta: Abbiamo usato la definizione della funzione Beta [math]B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}[/math]. Per [math]\alpha=2, \beta=3[/math], [math]\Gamma(2)=1![/math], [math]\Gamma(3)=2![/math], [math]\Gamma(5)=4![/math], da cui il calcolo. Questa proprietà è fondamentale perché garantisce che l’integrale della densità su [math][0,1][/math] sia 1.

Risposta Esercizio 2
Domanda: Cosa succede alla varianza se [math]\alpha[/math] e [math]\beta[/math] vengono moltiplicati per una stessa costante [math]k > 0[/math] mantenendo il rapporto costante?
Risposta: Siano [math]\alpha’ = k\alpha[/math], [math]\beta’ = k\beta[/math]. Allora la varianza diventa:

[math]\displaystyle Var(X’) = \frac{k\alpha \cdot k\beta}{(k(\alpha+\beta))^2(k(\alpha+\beta)+1)} = \frac{k^2 \alpha\beta}{k^2(\alpha+\beta)^2(k(\alpha+\beta)+1)} = \frac{\alpha\beta}{(\alpha+\beta)^2} \cdot \frac{1}{k(\alpha+\beta)+1}[/math]

Rispetto alla varianza originale ([math]\frac{1}{\alpha+\beta+1}[/math]), il fattore è [math]\frac{\alpha+\beta+1}{k(\alpha+\beta)+1}[/math].

Per [math]k>1[/math], la varianza diminuisce: aumentando i parametri di forma si concentra la distribuzione (maggiore informazione).

Risposta Esercizio 3
Domanda: Come cambierebbe la probabilità se i parametri fossero [math]\alpha=2, \beta=5[/math]? Giustifica qualitativamente.
Risposta: Con [math]\alpha=2, \beta=5[/math], la media è [math]2/7 \approx 0.286[/math], quindi la distribuzione ha massa concentrata verso valori bassi.

L’intervallo [math][0.6, 0.8][/math] si troverebbe nella coda destra, dove la densità è molto bassa.

Quindi la probabilità sarebbe molto più piccola (quasi zero). In generale, la distribuzione Beta(2,5) è asimmetrica positiva (coda a destra), ma il grosso della massa è a sinistra di 0.5.

Risposta Esercizio 4
Domanda: Perché abbiamo assunto [math]\alpha,\beta > 1[/math] per calcolare la moda? Cosa succede se uno dei due parametri è minore o uguale a 1?
Risposta: La formula della moda [math]\frac{\alpha-1}{\alpha+\beta-2}[/math] è valida solo per [math]\alpha,\beta > 1[/math]. Se:

• [math]\alpha = 1, \beta > 1[/math]: la densità è decrescente (moda in 0)
• [math]\alpha > 1, \beta = 1[/math]: la densità è crescente (moda in 1)
• [math]\alpha = 1, \beta = 1[/math]: uniforme (nessuna moda unica, o ogni punto è moda)
• [math]\alpha < 1, \beta < 1[/math]: la densità è a forma di U (mode in 0 e in 1)
• [math]\alpha < 1, \beta \ge 1[/math]: moda in 0
• [math]\alpha \ge 1, \beta < 1[/math]: moda in 1

Quindi la formula data è solo per il caso unimodale all’interno dell’intervallo.

Risposta Esercizio 5
Domanda: Se il priori fosse stato non informativo, come [math]Beta(1,1)[/math], quale sarebbe stata la media a posteriori?
Risposta: Con priori [math]Beta(1,1)[/math], la posteriori sarebbe [math]Beta(1+17, 1+20-17) = Beta(18, 4)[/math]. La media a posteriori sarebbe [math]18/(18+4) = 18/22 \approx 0.8182[/math].

Questo è molto vicino alla MLE (0.85) perché il priori uniforme ha poco impatto, e l’informazione dei dati (17 successi su 20) domina. Rispetto al priori informativo (media 0.4), la media è più alta.

Risposta Esercizio 6
Domanda: Quale trasformazione potrebbe essere usata per ottenere una distribuzione simmetrica partendo da una Beta asimmetrica?
Risposta: Una trasformazione comune per ottenere simmetria è [math]Z = \ln\left(\frac{X}{1-X}\right)[/math] (logit). Se [math]X \sim Beta(\alpha, \beta)[/math], allora [math]Z[/math] ha distribuzione logit-Beta. Tuttavia, la simmetria si ottiene solo quando [math]\alpha = \beta[/math]. Se [math]\alpha \neq \beta[/math], la logit-Beta è asimmetrica.

Per ottenere una distribuzione approssimativamente simmetrica, si potrebbe usare una trasformazione di stabilizzazione della varianza come l’arcoseno: [math]Y = \arcsin(\sqrt{X})[/math], che per Beta(α,β) tende a normalità per grandi α,β.

 

---

Perché questi esercizi sono utili nel mondo reale?

Esercizio 1 (Controllo Qualità):
Questo esercizio mostra la natura fondamentale della Beta come “distribuzione delle probabilità”. Calcolare [math]f(0.5)[/math] contro [math]f(0.2)[/math] non è un mero esercizio di stile: in una catena di montaggio, indica al controllo qualità dove si concentra la massa di probabilità del tasso di scarto, aiutando a impostare le soglie di allarme dei macchinari.

Esercizio 2 (DevOps e Ingegneria di Rete):
Valutare l’uptime o il carico di un server richiede stime intervallari, non solo puntuali. La peculiarità qui sta nell’uso (e nei limiti) dell’approssimazione normale. Per parametri piccoli (come 4 e 2), l’intervallo sfora il limite logico di 1 (arrivando a 1.02), dimostrando sul campo perché per proporzioni estreme l’approssimazione normale fallisce ed è necessario usare i quantili esatti della Beta.

Esercizio 3 (Supply Chain e Tolleranze):
Traduce la funzione di ripartizione (CDF) in decisioni di business.

Sapere che c’è quasi il 46% di probabilità che i difetti si attestino in un range critico (60-80%) giustifica economicamente la decisione di fermare o meno un intero lotto di produzione.

Esercizio 4 (Reverse Engineering dei Dati):
Spesso nella realtà non possediamo i dati grezzi, ma solo metriche di sintesi (media e moda) fornite da un report o da un software legacy. Questo esercizio insegna a fare reverse engineering per ricostruire l’intera distribuzione probabilistica (e i suoi parametri [math]\alpha[/math] e [math]\beta[/math]) partendo solo da due statistiche descrittive.

Esercizio 5 (A/B Testing e Studi Clinici):
È il cuore dell’inferenza Bayesiana applicata. La peculiarità dell’esercizio sta nel mostrare la “battaglia” tra le convinzioni passate (il priori) e l’evidenza presente (la verosimiglianza). Mentre la statistica frequentista (MLE) decreta un freddo [math]0.85[/math], l’approccio Bayesiano tira il freno a mano ([math]0.76[/math]) basandosi sui dati storici.

È esattamente così che i moderni siti di e-commerce calcolano dinamicamente il Click-Through Rate (CTR) dei loro annunci.

Esercizio 6 (Analisi di Sopravvivenza):
Perché complicarsi la vita con i logaritmi?

La trasformazione [math]Y = -\ln(X)[/math] è il ponte che collega la distribuzione Beta all’analisi di sopravvivenza e ai modelli di affidabilità (time-to-failure). Trasforma uno spazio probabilistico limitato tra [math][0,1][/math] in uno spazio temporale [math][0, \infty)[/math], permettendo di passare dalle “probabilità di guasto” al “tempo prima del guasto”.

---

Applicazioni Moderne della Distribuzione Beta nel Machine Learning

La distribuzione Beta è il motore matematico dietro ad alcuni degli algoritmi più utilizzati nelle moderne architetture di intelligenza artificiale.

Ecco come i Data Scientist la utilizzano oggi in produzione:

1. Bayesian A/B Testing

L’approccio frequentista tradizionale all’A/B testing (basato sui p-value) può essere rigido e controintuitivo. Il Bayesian A/B Testing, usato da giganti dell’e-commerce, modella le performance delle varianti tramite la distribuzione Beta.

Se un sito testa due versioni di una landing page, il Click-Through Rate (CTR) di ciascuna viene trattato come una distribuzione:

[math]CTR_A \sim Beta(\alpha_A, \beta_A)[/math]

[math]CTR_B \sim Beta(\alpha_B, \beta_B)[/math]

Il vantaggio? La domanda reale del business non è mai il freddo “Quale CTR osservato è maggiore?”, ma piuttosto: qual è la probabilità che la variante B sia effettivamente migliore della A?

La formulazione Bayesiana risponde esattamente a questo, calcolando in modo diretto [math]P(CTR_B > CTR_A)[/math].

2. Thompson Sampling e Multi-Armed Bandit

Nei sistemi di raccomandazione e nell’advertising online, il problema principale è decidere se mostrare l’annuncio che sappiamo già funzionare bene (sfruttamento) o provare un annuncio nuovo di cui sappiamo poco (esplorazione).

Il Thompson Sampling risolve questo dilemma elegantemente usando la distribuzione Beta:

• Ogni campagna pubblicitaria o contenuto ha una propria distribuzione Beta associata ai suoi successi (click) e fallimenti (impression senza click).
• Il sistema campiona un valore da ciascuna distribuzione e sceglie il contenuto con il valore estratto più alto.
• Le campagne con molta incertezza (distribuzioni piatte) verranno testate periodicamente, mentre il sistema convergerà naturalmente sulle campagne più performanti aggiornando continuamente le probabilità di successo man mano che arrivano nuovi dati.

3. Bayesian Neural Networks (BNN)

Anche nel deep learning, la certezza assoluta è spesso un difetto (porta a reti “troppo sicure” anche quando sbagliano). Le Bayesian Neural Networks integrano distribuzioni a priori (priors) sui parametri e sui pesi della rete.

La filosofia di base è esattamente la stessa che abbiamo visto con la Beta: non stimare solo un singolo valore puntuale, ma modellare l’incertezza della stima. Un sistema di intelligenza artificiale applicato in ambito medico o finanziario non deve solo fare una previsione, ma deve anche saper dire “Sono sicuro al 95%” oppure “Non ho dati sufficienti, la mia incertezza è alta”.

---

Pubblicità