Distribuzione di Poisson: Esercizi Svolti e Guida Pratica ai Processi Casuali

C’è qualcosa di profondamente frustrante nel guardare una fila che non scorre o nell’aspettare una telefonata che non arriva. Tendiamo a pensare che il caso sia puro caos, un disordine ribelle a qualsiasi regola. Eppure, se facciamo un passo indietro e osserviamo il quadro d’insieme, scopriamo che la casualità ha un ritmo tutto suo.

La distribuzione di Poisson è esattamente questo: lo spartito matematico che governa gli eventi rari e imprevedibili. Non ci dice quando accadrà la prossima chiamata, ma ci spiega perché, su mille ore di osservazione, quel call center riceverà proprio quel carico di lavoro.

In queste esercitazioni non ci limiteremo a calcolare probabilità, ma cercheremo di capire dove la teoria incontra (e a volte si scontra con) la realtà di ogni giorno.

Guida pratica per capire se la Poissoniana è lo strumento giusto per il tuo caso

Esercizio 1 (Livello: Base) – Il Call Center

Testo:

Un call center riceve in media 3 chiamate ogni 10 minuti durante le ore di ufficio. Il responsabile decide di analizzare i dati in intervalli di 10 minuti per valutarne il carico di lavoro.

1. Specifica qual è la variabile aleatoria discreta X adatta a questo scenario.
2. Spiega se e perché il processo può essere modellato con una distribuzione di Poisson.
3. Calcola la probabilità che in un intervallo di 10 minuti scelto a caso arrivino esattamente 2 chiamate.

Risoluzione:

1. Definizione della variabile

La variabile aleatoria discreta [math]X[/math] è definita come:
“numero di chiamate ricevute in un intervallo di tempo di 10 minuti”.

2. Verifica delle ipotesi di Poisson

Per essere modellato da una Poisson, il processo deve soddisfare alcune condizioni:

• Indipendenza: La probabilità che arrivi una chiamata in un dato istante è indipendente dalle chiamate precedenti (assunzione comune in questi contesti).
• Numero medio costante: Il tasso medio è fisso: [math]\lambda = 3[/math] chiamate/10 minuti.
• Eventi rari in intervalli piccoli (probabilità trascurabile di due o più eventi): Se considerassimo intervalli di tempo molto piccoli (es. 1 secondo), la probabilità di ricevere più di una chiamata in quel micro-intervallo è trascurabile rispetto alla probabilità di riceverne una sola.

Conclusione: Le ipotesi sono plausibili, quindi possiamo usare il modello di Poisson [math]X \sim Po(\lambda = 3)[/math].

3. Calcolo della probabilità

La formula per la probabilità di [math]k[/math] eventi in Poisson è:

[math]\displaystyle P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!}[/math]

Per [math]k=2[/math] e [math]\lambda=3[/math]:

[math]\displaystyle \begin{aligned}
P(X=2) &= \frac{e^{-3} \cdot 3^2}{2!} \\
&= \frac{e^{-3} \cdot 9}{2} \\
&\approx \frac{0.049787 \cdot 9}{2} \\
&= \frac{0.448083}{2} \approx 0.2240
\end{aligned}[/math]

La probabilità di ricevere esattamente 2 chiamate in 10 minuti è circa del 22.4%.

💡 Osservazione:

La distribuzione di Poisson è ideale per contare il numero di occorrenze di un evento (le chiamate) in un intervallo fisso (di tempo, spazio, volume) quando conosciamo il numero medio di occorrenze in quell’intervallo.

Domanda di Riflessione:

Qual è l’unità di misura fondamentale del parametro [math]\lambda[/math] in questo problema, e perché è importante definirla chiaramente?

Esercizio 2 (Livello: Base/Intermedio) – Errori di Battitura

Testo:

Un correttore di bozze rileva che, in media, ci sono 1.5 errori di battitura ogni 5 pagine di un manoscritto.

1. Determina il parametro [math]\lambda[/math] per modellare la variabile “numero di errori in 1 pagina”.
2. Verifica se è lecito assumere che due errori non possano verificarsi nella stessa “posizione” della pagina.
3. Calcola la probabilità di trovare almeno un errore in una pagina scelta a caso.

Risoluzione:

1. Ricalcolo del parametro [math]\lambda[/math]

Il tasso medio deve essere rapportato all’intervallo di riferimento (1 pagina). Se la media è 1.5 errori su 5 pagine:

[math]\displaystyle \lambda_{pagina} = \frac{1.5}{5} = 0.3 \text{ errori/pagina}[/math]

Quindi, per una singola pagina, la variabile aleatoria è [math]X \sim Po(\lambda = 0.3)[/math].

2. Verifica della condizione “non sovrapposizione”

In una pagina, gli errori possono avvenire in qualsiasi punto o parola. La probabilità che due errori si verifichino esattamente nello stesso carattere è praticamente nulla. Ogni errore occupa una sua “posizione” distinta; questa condizione di non sovrapposizione (indipendenza spaziale) è fondamentale per l’applicabilità del modello di Poisson.

3. Calcolo della probabilità “almeno uno”

Invece di sommare le probabilità infinite ([math]P(1) + P(2) + \dots[/math]), utilizziamo l’evento complementare:

[math]\displaystyle P(X \ge 1) = 1 – P(X = 0)[/math]

Calcoliamo [math]P(X = 0)[/math]:

[math]\displaystyle \begin{aligned}
P(X = 0) &= \frac{e^{-0.3} \cdot 0.3^0}{0!} \\
&= e^{-0.3} \approx 0.7408
\end{aligned}[/math]

Quindi:

[math]\displaystyle P(X \ge 1) = 1 – 0.7408 = 0.2592[/math]

La probabilità di trovare almeno un errore in una pagina è circa del 25.9%.

💡 Osservazione:

Poisson si applica anche a contesti spaziali (errori in una pagina, difetti in un metro di tessuto, particelle in un volume). L’importante è che l’evento possa essere associato a un punto in uno spazio continuo.

Domanda di Riflessione:

Perché per calcolare “almeno uno” è molto più conveniente usare il complemento [math]1 – P(X = 0)[/math] che non sommare tutte le probabilità [math]P(X=1) + P(X=2) + \dots[/math]?

Esercizio 3 (Livello: Intermedio) – Decadimenti Radioattivi

Testo:

Un contatore Geiger posto vicino a una sorgente radioattiva debole registra una media di 6 particelle al minuto. Il fisico osserva il contatore per un intervallo di 10 secondi.

1. Questo processo soddisfa le ipotesi per essere modellato con una Poisson? Argomenta in dettaglio.
2. Determina la probabilità che in un intervallo di 10 secondi non venga rilevata alcuna particella.
3. Determina la probabilità che vengano rilevate più di 2 particelle in 10 secondi.

Risoluzione:

1. Verifica delle ipotesi

Il decadimento radioattivo è considerato il processo di Poisson per eccellenza poiché soddisfa i tre criteri fondamentali:

• Indipendenza: Il decadimento di un nucleo atomico è un evento casuale e indipendente dal decadimento di altri nuclei.
• Tasso medio costante: Poiché la sorgente è “debole” e l’intervallo di osservazione è breve (10 secondi), il tasso di decadimento rimane stabile senza riduzioni percettibili dovute al consumo della sorgente stessa.
• Eventi rari in intervalli piccolissimi: La probabilità che due particelle vengano emesse nello stesso istante infinitesimo è trascurabile.

2. Parametro e calcolo di [math]P(X=0)[/math]

Dobbiamo prima rapportare il tasso medio all’unità di tempo corretta (10 secondi):

[math]\displaystyle \begin{aligned}
\lambda_{minuto} &= 6 \\
\lambda_{secondo} &= \frac{6}{60} = 0.1 \text{ particelle/sec} \\
\lambda_{10s} &= 0.1 \times 10 = 1 \text{ particella}
\end{aligned}[/math]

Quindi, per il nostro intervallo, la variabile è [math]X \sim Po(\lambda = 1)[/math].

Calcoliamo la probabilità di zero particelle:

[math]\displaystyle P(X=0) = \frac{e^{-1} \cdot 1^0}{0!} = e^{-1} \approx 0.3679[/math]

3. Calcolo di [math]P(X > 2)[/math]

Per calcolare “più di 2”, usiamo il complementare di “0, 1 o 2”:

[math]\displaystyle P(X > 2) = 1 – [P(X=0) + P(X=1) + P(X=2)][/math]

Sviluppiamo i termini mancanti:

[math]\displaystyle \begin{aligned}
P(X=1) &= \frac{e^{-1} \cdot 1^1}{1!} = e^{-1} \approx 0.3679 \\
P(X=2) &= \frac{e^{-1} \cdot 1^2}{2!} = \frac{e^{-1}}{2} \approx 0.1839
\end{aligned}[/math]

Sommando i valori:

[math]\displaystyle \text{Somma} = 0.3679 + 0.3679 + 0.1839 = 0.9197[/math]

Quindi:

[math]\displaystyle P(X > 2) = 1 – 0.9197 = 0.0803[/math]

La probabilità di rilevare più di 2 particelle in 10 secondi è circa dell’8.0%.

💡 Osservazione Strategica:

Il parametro [math]\lambda[/math] è additivo. Se il tasso per unità di tempo è costante, per un intervallo di lunghezza [math]t[/math] si ha semplicemente [math]\lambda_t = \lambda \cdot t[/math]. Questa è una proprietà fondamentale dei processi di Poisson nota come omogeneità temporale.

Domanda di Riflessione:

Nella verifica delle ipotesi, perché è importante specificare che “la sorgente non si esaurisce nell’arco dell’osservazione”? Cosa accadrebbe al tasso medio [math]\lambda[/math] se non fosse vero?

Esercizio 4 (Livello: Intermedio/Avanzato) – Clienti in Banca

Testo:

In una filiale bancaria, tra le 10:00 e le 11:00 arrivano in media 15 clienti. Si consideri un intervallo di 5 minuti in questo lasso orario.

1. Giustifica l’uso della Poisson per modellare il numero di clienti in arrivo in 5 minuti.
2. Calcola la probabilità che in 5 minuti arrivino esattamente 3 clienti utilizzando la Poisson.
3. Approfondimento: Supponi di suddividere i 5 minuti in 300 intervalli da 1 secondo ciascuno. Spiega come e perché lo stesso calcolo potrebbe essere approssimato con una Binomiale e confronta i risultati.

Risoluzione:

1. Giustificazione

Le ipotesi (indipendenza degli arrivi, tasso medio costante nel breve periodo, improbabilità di arrivi simultanei in istanti infinitesimi) sono plausibili per clienti che arrivano in modo casuale. Il tasso medio per 5 minuti è:

[math]\displaystyle \lambda_{5min} = \frac{15 \text{ clienti}}{60 \text{ min}} \times 5 \text{ min} = 1.25 \text{ clienti}[/math]

2. Calcolo Poisson

Con [math]X \sim Po(\lambda = 1.25)[/math], calcoliamo [math]P(X=3)[/math]:

[math]\displaystyle \begin{aligned}
P(X=3) &= \frac{e^{-1.25} \cdot (1.25)^3}{3!} \\
&= \frac{0.286505 \cdot 1.953125}{6} \approx 0.0933
\end{aligned}[/math]

3. Approssimazione Binomiale

Suddividiamo i 5 minuti (300 secondi) in [math]n=300[/math] prove. In ogni secondo, la probabilità che un cliente arrivi (successo) è:
[math]p = \frac{\lambda_{totale}}{n} = \frac{1.25}{300} \approx 0.0041667[/math].

Usiamo [math]Y \sim Bin(n=300, p=0.0041667)[/math]:

[math]\displaystyle \begin{aligned}
P(Y=3) &= \binom{300}{3} p^3 (1-p)^{297} \\
\binom{300}{3} &= \frac{300 \cdot 299 \cdot 298}{6} = 4,455,100 \\
p^3 &\approx 7.2338 \times 10^{-8} \\
(1-p)^{297} &\approx 0.2867 \\
P(Y=3) &\approx 4,455,100 \times 7.2338 \times 10^{-8} \times 0.2867 \approx 0.0923
\end{aligned}[/math]

Confronto: Il risultato della Binomiale (0.0923) è estremamente vicino a quello della Poisson (0.0933). La piccola differenza è dovuta al fatto che la Poisson è il limite teorico “perfetto” per [math]n[/math] che tende all’infinito.

💡 Osservazione Critica:

La distribuzione di Poisson è il limite della distribuzione Binomiale quando [math]n \to \infty[/math] e [math]p \to 0[/math], mantenendo il prodotto [math]n \cdot p = \lambda[/math] costante.

Domanda di Riflessione:

Sotto quali condizioni generali si può approssimare una Binomiale con una Poisson? Quale dei due modelli è più facile da calcolare in questo scenario e perché?

Esercizio 5 (Livello: Avanzato) – Controllo di Qualità e Modelli Composti

Testo:

Una macchina produce fili di rame. I difetti sul filo (micro-impurità) seguono un processo di Poisson con una media di 0.8 difetti per metro. Il controllo qualità classifica un filo come “non conforme” se in un segmento di 2 metri presenta almeno 3 difetti.

1. Determina la distribuzione del numero di difetti in un segmento di 2 metri.
2. Calcola la probabilità che un segmento di 2 metri scelto a caso sia “non conforme”.
3. Se ispeziono 5 segmenti indipendenti di 2 metri, qual è la probabilità che al massimo uno di essi sia non conforme?

Risoluzione:

1. Distribuzione per 2 metri

Il processo è di Poisson, quindi il parametro si scala linearmente con la lunghezza del segmento:

[math]\displaystyle \lambda_{2m} = 0.8 \times 2 = 1.6 \text{ difetti}[/math]

Sia [math]D \sim Po(\lambda = 1.6)[/math] il numero di difetti in 2 metri.

2. Probabilità di non conformità

Un segmento è “non conforme” se [math]D \ge 3[/math]. Usiamo il complementare:

[math]\displaystyle P(D \ge 3) = 1 – [P(D = 0) + P(D = 1) + P(D = 2)][/math]

[math]\displaystyle \begin{aligned}
P(D = 0) &= e^{-1.6} \approx 0.2019 \\
P(D = 1) &= e^{-1.6} \cdot 1.6 \approx 0.3230 \\
P(D = 2) &= \frac{e^{-1.6} \cdot (1.6)^2}{2!} = \frac{0.2019 \cdot 2.56}{2} \approx 0.2584
\end{aligned}[/math]

Sommando le probabilità: [math]0.2019 + 0.3230 + 0.2584 = 0.7833[/math].

[math]\displaystyle P(D \ge 3) = 1 – 0.7833 = 0.2167[/math]

La probabilità di non conformità per un singolo segmento è circa del 21.67%.

3. Problema Binomiale derivato

Ora consideriamo l’ispezione di [math]n=5[/math] segmenti indipendenti. Ogni segmento ha una probabilità di successo (essere non conforme) [math]p = 0.2167[/math].

Sia [math]Y \sim Bin(n=5, p=0.2167)[/math] il numero di segmenti non conformi. Vogliamo [math]P(Y \le 1)[/math]:

[math]\displaystyle P(Y \le 1) = P(Y = 0) + P(Y = 1)[/math]

[math]\displaystyle \begin{aligned}
P(Y = 0) &= \binom{5}{0} p^0 (1-p)^5 = (0.7833)^5 \approx 0.295 \\
P(Y = 1) &= \binom{5}{1} p^1 (1-p)^4 = 5 \cdot 0.2167 \cdot (0.7833)^4 \approx 0.408
\end{aligned}[/math]

Quindi: [math]P(Y \le 1) \approx 0.295 + 0.408 = 0.703[/math].

La probabilità che al massimo 1 su 5 segmenti sia non conforme è circa del 70.3%.

💡 Osservazione Strategica:

Questo esercizio combina due distribuzioni: si usa la Poisson per modellare il fenomeno fisico di base (i difetti) e poi una Binomiale per modellare il risultato del controllo qualità su più unità. È un classico esempio di modello gerarchico.

Domanda di Riflessione:

In questo scenario, la variabile [math]Y[/math] (numero di segmenti difettosi) potrebbe essere approssimata da una Poisson? Perché sì o perché no?

Esercizio 6 (Livello: Avanzato/Critico) – Violazione delle Ipotesi: Arrivi in Autostrada

Testo:

Un sensore conta i veicoli che passano in un casello autostradale. L’azienda rileva una media di 90 veicoli all’ora nel periodo di punta serale (18:00-19:00).

1. Perché, nonostante ci sia una media ben definita, il semplice modello di Poisson con [math]\lambda = 90[/math] potrebbe non essere adeguato per calcolare la probabilità che passino esattamente 85 veicoli?
2. Quali ipotesi del modello di Poisson potrebbero essere violate in questo contesto reale? Proponi almeno due ragioni.
3. In quale scenario modificato (e più realistico) l’uso della Poisson diventerebbe più giustificabile?

Risoluzione:

1. Inadeguatezza del modello semplice

Un singolo parametro [math]\lambda = 90[/math] presuppone che gli arrivi siano completamente casuali e uniformi nell’ora. Nella realtà, il flusso autostradale in un’ora di punta ha delle dinamiche interne (es: picchi all’inizio o alla fine dell’ora, possibili code) che violano l’ipotesi di “tasso costante”.

2. Ipotesi violate

• Tasso medio costante (stazionarietà): Il tasso istantaneo di arrivo [math]\lambda(t)[/math] non è costante durante l’ora osservata. Alle 18:00 il traffico potrebbe essere molto più intenso rispetto alle 18:30. Se [math]\lambda[/math] cambia nel tempo, il modello di Poisson standard fallisce.
• Indipendenza: In presenza di traffico intenso, i veicoli non sono indipendenti. Si muovono a scaglioni o in “pacchetti” (convogli). La presenza di un veicolo influenza la probabilità di vederne un altro a breve distanza, violando la richiesta di eventi indipendenti tra loro.

3. Scenario più realistico per Poisson

Per avvicinarsi alle condizioni di Poisson, dovremmo:

• Ridurre l’intervallo: Considerare un tempo molto più breve in cui il flusso è stabile (es: 5 minuti, dalle 18:20 alle 18:25).
• Flusso Libero: Scegliere un periodo non congestionato (es: ore notturne), dove i veicoli circolano in modo indipendente e non influenzano la velocità o la distanza degli altri.

In questi casi, potremmo stimare un [math]\lambda[/math] specifico e usare Poisson in modo più affidabile.

💡 Osservazione Critica:

La distribuzione di Poisson è un modello ideale per eventi puramente casuali. Nel mondo reale, è fondamentale riconoscere quando le deviazioni (come la dipendenza tra eventi o la non-stazionarietà) sono così forti da invalidare il modello. In statistica avanzata, si utilizzano i Processi di Poisson non omogenei per gestire tassi variabili.

Domanda di Riflessione:

Se calcolassi comunque [math]P(X = 85)[/math] con [math]X \sim Po(90)[/math], quale ipotesi saresti implicitamente accettando? Quanto affidabile pensi sarebbe la probabilità ottenuta per prendere decisioni operative (es: dimensionare il numero di caselli aperti)?

🚀 La Poisson nel “Mondo Reale”: Dalla Teoria agli Algoritmi

Per un aspirante Data Scientist, la distribuzione di Poisson non è solo un capitolo di un libro di testo: è uno dei sensori più potenti per capire se un sistema digitale è “sano” o sotto attacco. Il parametro [math]\lambda[/math] diventa un battito cardiaco che monitoriamo in tempo reale.

1. Cybersecurity: Distinguere il rumore da un attacco Brute-Force

Gli errori di digitazione della password sono “eventi rari” che accadono in modo casuale e indipendente. Questo è il rumore di fondo di un server.

• Modellazione: Se la media storica ([math]\lambda[/math]) di accessi falliti è di 2 al minuto, avere 5 o 6 errori è raro ma possibile.
• La voce critica: Se il sistema registra improvvisamente 50 tentativi in un minuto, la probabilità calcolata con Poisson diventa [math]P \approx 10^{-15}[/math].
• Il verdetto: L’ipotesi di indipendenza è caduta. Non è un fenomeno casuale, è un bot. La statistica qui diventa un sistema di Intrusion Detection.

2. Cloud Computing: Gestire il traffico nei Microservizi

Ogni volta che apri un’app come Netflix, il tuo dispositivo invia richieste API. I Data Scientist usano la Poisson per il Capacity Planning:

• Scenario: Se un server gestisce al massimo 100 richieste/sec e la media è [math]\lambda = 80[/math], calcoliamo la probabilità di un buffer overflow.
• Auto-scaling: Gli algoritmi DevOps usano queste probabilità per decidere quando “clonare” automaticamente un server nel cloud prima che il sistema vada in crisi, ottimizzando i costi.

3. Perché questo cambia la prospettiva?

Lavorare con i dati significa usare la Poisson per:

• Anomaly Detection: Creare soglie dinamiche basate sulla probabilità (es. “avvisa se l’evento ha una probabilità [math]< 0.01\%[/math]”) invece di limiti fissi.
• Ottimizzazione dei Costi: Non accendere troppe macchine “per sicurezza”, ma basarsi sulla tolleranza al rischio calcolata matematicamente.

⚠️ Il limite del modello 

La Poisson presuppone indipendenza. In caso di un attacco DDoS o del lancio di un prodotto virale, le richieste sono coordinate o correlate. In questi casi, il modello “si rompe”.

Il salto di qualità: Un bravo Data Scientist sa quando smettere di usare Poisson e passare a modelli più complessi come i Processi di Hawkes (che tengono conto dell’auto-eccitazione degli eventi).