Quante volte hai provato prima di riuscire? Che si trattasse di superare un livello difficile di un videogioco, di trovare la persona giusta su un’app di incontri o di lanciare una campagna marketing di successo, la nostra vita è una sequenza di tentativi e fallimenti che precedono un successo.
Questa dinamica, così umana e universale, ha un potente alleato nella statistica: la distribuzione binomiale negativa. Non lasciarti spaventare dal nome. È semplicemente lo strumento matematico che ci permette di rispondere a domande come: “Quanti ‘no’ devo aspettarmi prima di ricevere un ‘sì’?” oppure “Qual è la probabilità di fallire 10 volte prima di raggiungere 3 successi?”.
In questo articolo, abbandoniamo la teoria astratta per tuffarci in 6 problemi pratici.
Vedremo come questa distribuzione ci aiuti a comprendere il comportamento degli utenti, a pianificare strategie di business e a trasformare l’incertezza in un rischio calcolato.
Esercizio 1: Facile – Probabilità in un’app di dating
Problema:
In un’app di dating, la probabilità di ottenere un match al primo swipe è del 10%.
Calcola la probabilità che ci vogliano esattamente 10 swipe falliti prima del terzo match.
Soluzione:
La distribuzione binomiale negativa descrive il numero di fallimenti ([math]k[/math]) prima di raggiungere un numero fisso di successi ([math]r[/math]) in una sequenza di prove indipendenti. La formula della probabilità è:
[math]\displaystyle P(X=k)=\binom{k+r-1}{r-1}p^r(1-p)^k[/math]
Nel nostro caso, abbiamo:
- [math]k=10[/math] fallimenti
- [math]r=3[/math] successi (match)
- [math]p=0.1[/math] (probabilità di successo)
1. Calcola il coefficiente binomiale:
[math]\displaystyle \binom{10+3-1}{3-1}=\binom{12}{2}=\frac{12 \times 11}{2 \times 1}=66[/math]
2. Calcola la probabilità di successo e fallimento:
[math]\displaystyle p^r=(0.1)^3=0.001[/math]
[math]\displaystyle (1-p)^k=(0.9)^{10}\approx0.3487[/math]
3. Moltiplica i risultati:
[math]\displaystyle P(X=10)=66 \times 0.001 \times 0.3487 \approx 0.023[/math]
La probabilità è circa 2,3%.
Commento Applicativo
Perché l’esercizio è interessante? Va oltre la semplice probabilità di un match. Modella la pazienza dell’utente.
Un product manager di un’app di dating userebbe analisi simili per capire il “punto di rottura”: troppi fallimenti consecutivi e l’utente disinstalla l’app. Questo calcolo aiuta a bilanciare l’algoritmo per mantenere gli utenti coinvolti.
Esercizio 2: Facile-Medio – Media di errori in un videogioco
Problema:
In un videogioco, un giocatore ha il 20% di probabilità di superare un livello al primo tentativo.
Calcola la media del numero di tentativi falliti prima di superare 4 livelli.
Soluzione:
La media ([math]E[X][/math]) per una distribuzione binomiale negativa è data dalla formula:
[math]\displaystyle E[X]=\frac{r(1-p)}{p}[/math]
Nel nostro caso, abbiamo:
- [math]r=4[/math] (livelli da superare)
- [math]p=0.2[/math] (probabilità di successo)
Calcola la media:
[math]\displaystyle E[X]=\frac{4 \times (1-0.2)}{0.2}=\frac{4 \times 0.8}{0.2}=\frac{3.2}{0.2}=16[/math]
In media, il giocatore fallirà 16 volte prima di superare 4 livelli.
Commento Applicativo
Questo è il cuore del game design e della monetizzazione.
Un numero medio di fallimenti troppo alto può frustrare il giocatore e portarlo ad abbandonare. Un numero troppo basso rende il gioco noioso.
I designer usano questa metrica per calibrare la difficoltà e per posizionare strategicamente incentivi o microtransazioni (es. “Compra una vita extra!”).
Esercizio 3: Medio – Varianza di consegne in un servizio di delivery
Problema:
Un corriere ha il 15% di probabilità di consegnare un pacco senza ritardi.
Calcola la varianza del numero di consegne ritardate prima di effettuare 5 consegne puntuali.
Soluzione:
La varianza ([math]Var(X)[/math]) per una distribuzione binomiale negativa è data dalla formula:
[math]\displaystyle Var(X)=\frac{r(1-p)}{p^2}[/math]
Nel nostro caso, abbiamo:
- [math]r=5[/math] (consegne puntuali)
- [math]p=0.15[/math] (probabilità di successo)
Calcola la varianza:
[math]\displaystyle Var(X)=\frac{5 \times (1-0.15)}{(0.15)^2}=\frac{5 \times 0.85}{0.0225}=\frac{4.25}{0.0225}\approx 188.89[/math]
La varianza è circa 188.89.
Commento Applicativo
La varianza misura l’imprevedibilità. Una media bassa di ritardi è buona, ma una varianza alta come questa è un campanello d’allarme per un manager della logistica. Significa che, sebbene la media sia una, i risultati reali sono estremamente dispersi: a volte ci sono pochissimi ritardi, altre volte un’ondata ingestibile. Questo valore è fondamentale per la gestione del rischio, l’allocazione delle risorse e la definizione di contratti di servizio (SLA).
Esercizio 4: Medio-Difficile – Probabilità cumulativa in aggiornamenti software
Problema:
Un team di sviluppo ha il 25% di probabilità che un aggiornamento risolva un bug.
Calcola la probabilità che servano al massimo 8 fallimenti per risolvere 2 bug.
Soluzione:
Dobbiamo calcolare la probabilità cumulativa [math]P(X\le 8)[/math], che è la somma delle probabilità da [math]P(X=0)[/math] a [math]P(X=8)[/math].
- [math]r=2[/math] (bug da risolvere)
- [math]p=0.25[/math] (probabilità di successo)
Calcoliamo le singole probabilità [math]\displaystyle P(X=i)=\binom{i+2-1}{2-1}(0.25)^2(0.75)^i[/math] e le sommiamo:
[math]\displaystyle \begin{aligned} P(X=0)&=\binom{1}{1}(0.25)^2(0.75)^0\approx 0.0625 \\ P(X=1)&=\binom{2}{1}(0.25)^2(0.75)^1\approx 0.0938 \\ P(X=2)&=\binom{3}{1}(0.25)^2(0.75)^2\approx 0.1055 \\ P(X=3)&=\binom{4}{1}(0.25)^2(0.75)^3\approx 0.1055 \\ P(X=4)&=\binom{5}{1}(0.25)^2(0.75)^4\approx 0.0989 \\ P(X=5)&=\binom{6}{1}(0.25)^2(0.75)^5\approx 0.0890 \\ P(X=6)&=\binom{7}{1}(0.25)^2(0.75)^6\approx 0.0787 \\ P(X=7)&=\binom{8}{1}(0.25)^2(0.75)^7\approx 0.0689 \\ P(X=8)&=\binom{9}{1}(0.25)^2(0.75)^8\approx 0.0594 \end{aligned}[/math]
Somma delle probabilità:
[math]\displaystyle P(X\le 8)\approx 0.0625+0.0938+0.1055+0.1055+0.0989+0.0890+0.0787+0.0689+0.0594\approx 0.7622[/math]
La probabilità che servano al massimo 8 fallimenti è di circa il 76,22%.
Commento Applicativo
Questo è il mondo del Project Management Agile. Un Product Owner o uno Scrum Master deve pianificare gli sprint e gestire le aspettative degli stakeholder. Sapere che c’è una probabilità del 76% di risolvere due bug critici entro un certo numero di tentativi (che si traducono in tempo e risorse) permette di prendere decisioni informate sulla data di rilascio di un software e di comunicare scadenze più realistiche.
Esercizio 5: Difficile – Approssimazione in campagne di marketing
Problema:
In una campagna di email marketing, la probabilità di conversione è del 5%.
Approssima la probabilità che servano più di 50 email fallite prima di 10 conversioni, usando un’approssimazione alla normale.
Soluzione:
Per [math]r[/math] grande, la binomiale negativa può essere approssimata da una distribuzione normale.
- [math]r=10[/math]
- [math]p=0.05[/math]
1. Calcola media ([math]\mu[/math]) e varianza ([math]\sigma^2[/math]):
[math]\displaystyle \mu=\frac{r(1-p)}{p}=\frac{10 \times (1-0.05)}{0.05}=190[/math]
[math]\displaystyle \sigma^2=\frac{r(1-p)}{p^2}=\frac{10 \times 0.95}{(0.05)^2}=\frac{9.5}{0.0025}=3800[/math]
[math]\displaystyle \sigma=\sqrt{3800}\approx 61.64[/math]
2. Standardizza per trovare [math]Z[/math]:
Vogliamo calcolare [math]P(X>50)[/math]. Usiamo una correzione per la continuità, valutando [math]P(X>50.5)[/math].
[math]\displaystyle Z=\frac{(50.5-\mu)}{\sigma}=\frac{(50.5-190)}{61.64}=\frac{-139.5}{61.64}\approx -2.26[/math]
3. Calcola la probabilità:
[math]P(X>50)\approx P(Z>-2.26)[/math]
Usando una tavola di distribuzione normale standard, [math]P(Z>-2.26)=1-P(Z\le -2.26)\approx 1-0.0119=0.9881[/math].
La probabilità approssimata è di circa il 98,81%.
Commento Applicativo
Questo esercizio è un salvavita per chi lavora su larga scala. Calcolare la probabilità esatta richiederebbe una somma di 51 termini, un’operazione lunga e soggetta a errori. L’approssimazione normale fornisce una stima eccellente in una frazione del tempo. Un Digital Marketing Manager la userebbe per valutare rapidamente la performance di una campagna: se dopo poche conversioni si osserva un numero di fallimenti molto più alto della media (190), è un segnale che la campagna sta andando male e va fermata o modificata, risparmiando budget.
Esercizio 6: Molto Difficile – Stima di parametri in test A/B
Problema:
In un test A/B, la versione A di un sito ha una probabilità sconosciuta [math]p[/math] di click su un bottone. Si osservano 20 fallimenti prima del quinto click. Stima [math]p[/math] usando il metodo dei momenti.
Soluzione:
Il metodo dei momenti eguaglia la media teorica ([math]E[X][/math]) alla media campionaria (i fallimenti osservati, [math]k[/math]).
- Media teorica: [math]\displaystyle E[X]=\frac{r(1-p)}{p}[/math]
- Media osservata: [math]k=20[/math]
- Successi: [math]r=5[/math]
1. Imposta l’equazione:
[math]\displaystyle 20=\frac{5(1-p)}{p}[/math]
2. Risolvi per [math]p[/math]:
[math]\displaystyle 20p=5(1-p)[/math]
[math]\displaystyle 20p=5-5p[/math]
[math]\displaystyle 25p=5[/math]
[math]\displaystyle p=\frac{5}{25}=0.2[/math]
La stima di [math]p[/math] (la probabilità di click) è 0,2 (o 20%).
Commento Applicativo
Questo è l’inverso dei problemi precedenti ed è il cuore del lavoro di un Data Analyst o Data Scientist. Non stiamo predicendo un risultato a partire da una probabilità nota, ma stiamo stimando una probabilità ignota a partire da dati osservati. Questo processo è fondamentale per interpretare i risultati di un test A/B e decidere quale versione di un sito web o di un’app converte meglio, guidando decisioni che possono valere milioni di euro di fatturato.
In Sintesi: Quando Usare la Binomiale Negativa (e Quando No)
Per non fare confusione con altre distribuzioni di probabilità, ecco una guida rapida per scegliere lo strumento giusto in base alla domanda che ti stai ponendo.
Usa la Binomiale Negativa se… ✅
La tua domanda riguarda il numero di fallimenti che avvengono PRIMA di raggiungere un numero PREFISSATO di successi.
- Parole chiave: “Quanti tentativi a vuoto…”, “quante volte devo provare prima di…”, “quanti insuccessi fino al successo numero r”.
- Cosa è fisso: Il numero di successi da raggiungere ().
- Cosa è variabile: Il numero di fallimenti () e, di conseguenza, il numero totale di tentativi.
- Esempio: Quante email non convertite (fallimenti) riceverò prima di ottenere 10 vendite (successi fissi)?
NON usarla se… ❌ (e cosa usare al suo posto)
- Caso 1: Il numero di tentativi è fisso. Se la tua domanda è: “Quanti successi otterrò in un numero fisso di tentativi?” ➡️ Usa la Distribuzione Binomiale.
- Esempio a confronto: Qual è la probabilità di ottenere 3 vendite (successi variabili) inviando 100 email (tentativi fissi)?
- Caso 2: Stai aspettando solo il primo successo. Se la tua domanda è: “Quanti fallimenti incontrerò prima del primissimo successo?” ➡️ Usa la Distribuzione Geometrica. (che è semplicemente una Binomiale Negativa con ).
- Esempio a confronto: Quanti swipe a vuoto farò prima di ottenere il mio primo match?
- Caso 3: Stai contando eventi in un intervallo. Se la tua domanda riguarda il numero di eventi che accadono in un intervallo di tempo o spazio, data una frequenza media. ➡️ Usa la Distribuzione di Poisson.
- Esempio a confronto: Quanti clienti entreranno nel mio negozio in un’ora (intervallo fisso), sapendo che in media ne entrano 5?
Questo schema ti aiuta a ricordare che ogni distribuzione di probabilità è uno strumento specifico, progettato per risolvere un tipo particolare di problema. Scegliere quello giusto è il primo passo per un’analisi dei dati corretta ed efficace.
