La Distribuzione Binomiale Negativa: Un’Analisi Approfondita con Esempi

Quante volte devo lanciare un dado per ottenere 3 volte il numero 6?

La distribuzione binomiale negativa ci fornisce la risposta a questa domanda, e a molte altre che riguardano il numero di tentativi necessari per raggiungere un certo numero di successi.

Cos’è la Distribuzione Binomiale Negativa?

La distribuzione binomiale negativa è uno strumento statistico fondamentale per analizzare scenari in cui ci interessa il numero di prove necessarie per ottenere un certo numero di successi. A differenza della distribuzione binomiale, dove il numero di prove è fisso, nella binomiale negativa il numero di prove è variabile e dipende dal raggiungimento di un numero prefissato di successi.

La distribuzione binomiale negativa, dunque, modella la probabilità di osservare k prove per ottenere r successi, dove ogni singola prova ha una probabilità di successo p e una probabilità di fallimento q = 1 – p. L’aspetto cruciale è che l’ultima prova deve necessariamente essere un successo.

La formula che definisce la distribuzione binomiale negativa è la seguente:

P(X = k) = C(k-1, r-1) * p^r * q^(k-r)

⇒ [math]\binom{k-1}{r-1} p^r (q)^{(k-r)} [/math]

Dove:

• X è la variabile aleatoria che rappresenta il numero di prove necessarie per ottenere r successi.
• k è il numero totale di prove effettuate.
• r è il numero di successi desiderati.
• p è la probabilità di successo in una singola prova.
• q è la probabilità di fallimento in una singola prova.
• [math]\binom{k-1}{r-1}  [/math] è il coefficiente binomiale, calcolato come (k-1)! / [(r-1)! * (k-r)!]. Questo coefficiente rappresenta il numero di modi in cui si possono ottenere r-1 successi nei primi k-1 tentativi.

Valore Atteso e Varianza

Un aspetto fondamentale per comprendere il comportamento della distribuzione binomiale negativa è conoscerne il valore atteso (media) e la varianza:

E[X] = r/p

Var(X) = r(1-p)/p²

Questo ci dice qualcosa di molto interessante: il numero medio di prove necessarie per ottenere r successi è semplicemente r diviso per la probabilità di successo di ogni singola prova. Più la probabilità di successo è bassa, più prove saranno mediamente necessarie.

Per esempio, se vogliamo ottenere 3 teste (r=3) lanciando una moneta equilibrata

(p=0.5): E[X] = 3/0.5 = 6 lanci in media

Var(X) = 3(1-0.5)/0.5² = 12

Cosa ci racconta la varianza?

La varianza nella distribuzione binomiale negativa ci rivela informazioni molto importanti sulla dispersione dei risultati attorno alla media. Analizziamola in dettaglio:

La formula della varianza abbiamo visto che è

Var(X) = r(1-p)/p²

Questa formula ci dice diverse cose interessanti:

1. La varianza aumenta all’aumentare di r (numero di successi desiderati). Questo è intuitivo: più successi vogliamo ottenere, più incertezza c’è sul numero esatto di prove necessarie. Nel tuo esempio con r=3, questo contribuisce al valore 3 nella formula.
2. Il termine (1-p) ci dice che la varianza è maggiore quando p non è vicino a 1. Quando p è molto piccolo (eventi rari), o quando è intermedio (come 0.5 nel caso della moneta), la varianza è più alta. Nel tuo esempio della moneta, (1-0.5) = 0.5 contribuisce alla varianza.
3. Il termine p² al denominatore è particolarmente importante: quando p è piccolo, questo termine fa “esplodere” la varianza.

Per esempio:

• Con p = 0.5 (moneta), 1/p² = 4
• Con p = 0.1 (evento raro), 1/p² = 100
• Con p = 0.01 (evento molto raro), 1/p² = 10000

Nell’esempio specifico della moneta:

Var(X) = 3(1-0.5)/0.5² = 3 * 0.5 * 4 = 12

Questo valore di 12 ci dice che c’è una notevole variabilità nel numero di lanci necessari. La deviazione standard (radice quadrata della varianza) è circa 3.46, il che significa che il numero di lanci necessari potrebbe facilmente variare di 3-4 lanci in più o in meno rispetto alla media di 6.

Per capire meglio, pensa a questo: anche se in media servono 6 lanci per ottenere 3 teste, in alcuni casi potresti essere molto fortunato (ottenendo 3 teste in soli 3 lanci) o molto sfortunato (necessitando magari di 10 o più lanci). La varianza ci quantifica precisamente questa incertezza.

👉 Distribuzione Binomiale Negativa: Guida Dettagliata con Analisi di Esempi Pratici

Analizziamo alcuni scenari pratici che illustrano come la variabilità della distribuzione binomiale negativa si manifesta nel mondo reale. Questo ci aiuterà a capire meglio l’impatto pratico di questa variabilità.

Scenario 1: Vendite e Conversioni

Immaginiamo un venditore che ha una probabilità del 20% (p=0.2) di concludere una vendita ad ogni incontro con un cliente. Il suo obiettivo è ottenere 5 vendite (r=5).

In questo caso: E[X] = 5/0.2 = 25 incontri (media)

Var(X) = 5(1-0.2)/0.2² = 100 incontri

La deviazione standard è quindi 10 incontri. Questo significa che:

• Anche se in media servono 25 incontri per ottenere 5 vendite
• Non sarebbe insolito dover fare tra 15 e 35 incontri (±1 deviazione standard)
• In alcuni casi potrebbero servire anche 45 incontri o più (±2 deviazioni standard)

Questa variabilità ha implicazioni pratiche importanti per la pianificazione del tempo del venditore e per la definizione di obiettivi realistici.

Scenario 2: Test Medici

Consideriamo uno screening per una malattia rara con prevalenza dell’1% (p=0.01) dove vogliamo trovare 3 casi positivi (r=3).

E[X] = 3/0.01 = 300 test (media)

Var(X) = 3(1-0.01)/0.01² = 29,700

La deviazione standard è circa 172 test. Questo mostra una variabilità enorme:

• In media servono 300 test
• Ma il numero effettivo potrebbe facilmente variare tra 128 e 472 test
• Questa grande variabilità deve essere considerata nella pianificazione delle risorse ospedaliere

Scenario 3: Controllo Qualità

In una linea di produzione, supponiamo che il 5% dei pezzi sia difettoso (p=0.05) e vogliamo trovare 4 pezzi difettosi (r=4) per un’analisi di qualità.

E[X] = 4/0.05 = 80 pezzi (media)

Var(X) = 4(1-0.05)/0.05² = 1,520

La deviazione standard è circa 39 pezzi. Questo significa che:

• Anche se ci aspettiamo di dover ispezionare 80 pezzi
• Il numero effettivo potrebbe variare facilmente tra 41 e 119 pezzi
• Questa variabilità influenza significativamente i tempi di ispezione e la pianificazione della produzione

 Questi esempi ci mostrano che la variabilità può avere un impatto significativo sulla pianificazione in contesti reali.

In particolare:

1. Con probabilità basse (come nel caso dei test medici), la variabilità diventa molto grande rispetto alla media.
2. Questo suggerisce che in questi casi è importante:
   • Pianificare con margini di sicurezza ampi
   • Non fare affidamento su stime puntuali
   • Considerare scenari sia ottimistici che pessimistici
3. La variabilità aumenta sia quando:
   • Cerchiamo più successi (r più grande)
   • La probabilità di successo è più bassa (p più piccolo)

Esempi Classici

Esempio 1: Lancio di un Dado

Consideriamo il lancio ripetuto di un dado. Vogliamo calcolare la probabilità di ottenere il terzo “6” esattamente al settimo lancio.

• k = 7 (numero di lanci)
• r = 3 (numero di successi desiderati, cioè ottenere “6”)
• p = 1/6 (probabilità di successo in un singolo lancio)
• q = 5/6 (probabilità di fallimento in un singolo lancio)

Applichiamo la formula:

P(X = 7) = [math]\binom{7-1}{3-1}  [/math] * (1/6)^3 * (5/6)^(7-3)

P(X = 7) =[math]\binom{6}{2}  [/math] * (1/216) * (625/1296)

P(X = 7) = 15 * (1/216) * (625/1296)

P(X = 7) ≈ 0.0335

Pertanto, la probabilità di ottenere il terzo “6” al settimo lancio è di circa 0.0335 o 3.35%.

Esempio 2: Pezzi Difettosi in una Linea di Produzione

Immaginiamo una linea di produzione in cui ogni pezzo ha una probabilità del 5% di essere difettoso. Vogliamo calcolare la probabilità che il quarto pezzo difettoso venga prodotto esattamente al decimo pezzo.

• k = 10 (numero di pezzi prodotti)
• r = 4 (numero di pezzi difettosi desiderati)
• p = 0.05 (probabilità di un pezzo difettoso)
• q = 0.95 (probabilità di un pezzo non difettoso)

Applichiamo la formula:

P(X = 10) = [math]\binom{10-1}{4-1}  [/math] * (0.05)^4 * (0.95)^(10-4)

P(X = 10) = [math]\binom{9}{3}  [/math] * (0.00000625) * (0.735091890625)

P(X = 10) = 84 * (0.00000625) * (0.735091890625)

P(X = 10) ≈ 0.00386

Quindi, la probabilità che il quarto pezzo difettoso venga prodotto al decimo pezzo è circa 0.00386 o 0.386%.

Punti Chiave da Ricordare

1. Focus sul numero di prove necessarie:

La caratteristica distintiva della distribuzione binomiale negativa risiede nel suo obiettivo: determinare quante prove sono necessarie per raggiungere un certo numero di successi prefissato. A differenza della distribuzione binomiale, che si concentra sul numero di successi in un numero fisso di prove, la binomiale negativa inverte la prospettiva. Ci chiediamo: “Quante volte devo ripetere un esperimento (prove di Bernoulli) per ottenere r successi?”.

Immagina di lanciare una moneta fino a quando non ottieni 3 teste. La distribuzione binomiale negativa ci fornisce la probabilità che tu debba lanciare la moneta, ad esempio, 5, 7 o 10 volte per raggiungere questo obiettivo. Il numero di lanci (prove) diventa quindi la variabile aleatoria di interesse.

2. Importanza dell’ordine e ultimo evento come successo:

L’ordine degli eventi è fondamentale nella distribuzione binomiale negativa. Non stiamo semplicemente contando quanti successi ci sono in un certo numero di prove; stiamo contando quante prove fino a quando non raggiungiamo un certo numero di successi. Questo implica che l’ultima prova deve essere un successo.

Riprendendo l’esempio del lancio della moneta per ottenere 3 teste: se lanci la moneta 5 volte e ottieni 3 teste, l’ultimo lancio deve necessariamente essere una testa. Le possibili sequenze di lanci che soddisfano questa condizione sono, ad esempio:

• T C T C T
• C T C T T
• C C T T T

Sequenze come T T T C C (3 teste nei primi 3 lanci) non rientrano nel calcolo della probabilità binomiale negativa per “ottenere 3 teste al quinto lancio”. In questo caso, ci saremmo fermati al terzo lancio.

3. Il coefficiente binomiale C(k-1, r-1) e la sua funzione:

Il coefficiente binomiale [math]\binom{k-1}{r-1}  [/math] , che si legge “k-1 su r-1”, è un elemento cruciale della formula della distribuzione binomiale negativa. Esso svolge un ruolo specifico: conta il numero di modi in cui si possono ottenere r-1 successi nei primi k-1 tentativi.

Perché r-1 e k-1? Perché l’ultimo tentativo (k-esimo) è già determinato: deve essere un successo per definizione della distribuzione binomiale negativa. Quindi, ci concentriamo su come distribuire i restanti r-1 successi nei precedenti k-1 tentativi.

Facciamo un esempio concreto.

Supponiamo di voler calcolare la probabilità di ottenere 3 teste al quinto lancio di una moneta. Abbiamo:

• k = 5 (numero totale di lanci)
• r = 3 (numero di teste desiderate)

Il coefficiente binomiale sarà [math]\binom{5-1}{3-1}  [/math] = [math]\binom{4}{2}  [/math]. Questo significa “quanti modi ci sono per ottenere 2 teste nei primi 4 lanci”. Calcolando [math]\binom{4}{2}  [/math] otteniamo 6. Queste 6 combinazioni rappresentano le possibili sequenze di 4 lanci che contengono esattamente 2 teste. L’ultimo lancio (il quinto) sarà poi necessariamente una testa per soddisfare la condizione di “ottenere 3 teste al quinto lancio”.

In sintesi, [math]\binom{k-1}{r-1}  [/math] ci evita di dover considerare tutte le possibili permutazioni di k eventi, semplificando il calcolo e focalizzandoci sulla corretta combinazione di successi e fallimenti prima dell’ultimo successo.

Pubblicità