La Distribuzione Binomiale: Un’Amica nella Vita di Tutti i Giorni (e non Solo all’Esame!)

Oggi affrontiamo un argomento fondamentale, ma spesso visto con timore: la distribuzione binomiale. Non preoccupatevi, cercherò di spiegarvela in modo semplice e con esempi pratici, come faccio sempre qui sul mio blog.

Cos’è la Distribuzione Binomiale?

Immaginate di lanciare una moneta più volte. Volete sapere qual è la probabilità di ottenere un certo numero di “teste”. Ecco, la distribuzione binomiale ci aiuta proprio in questo tipo di situazioni. Più formalmente, descrive la probabilità di ottenere un certo numero di successi in una serie di prove indipendenti, dove ogni prova ha solo due possibili esiti: successo o fallimento.

Le Caratteristiche Chiave:

Per poter applicare la distribuzione binomiale, dobbiamo avere le seguenti condizioni:

Prove indipendenti: il risultato di una prova non influenza le altre. (Es: un lancio di moneta non influenza il lancio successivo).
Due soli esiti: ogni prova ha solo due possibili risultati, che chiamiamo convenzionalmente “successo” e “fallimento”. (Es: testa o croce, prodotto difettoso o non difettoso).
Probabilità costante: la probabilità di successo (p) deve rimanere la stessa per ogni prova. (Es: se la probabilità di ottenere testa è 0.5, deve rimanere 0.5 per ogni lancio).
Numero fissato di prove: il numero totale di prove (n) deve essere noto a priori. (Es: lancio la moneta 10 volte).

La Formula :

La probabilità di ottenere esattamente k successi in n prove è data dalla seguente formula:

P(X = k) = [math]\binom{n}{k} p^k (1-p)^{(n-k)} [/math]

Dove:

P(X = k): è la probabilità di ottenere k successi.
[math]\binom{n}{k} [/math]: è il coefficiente binomiale, che si calcola come n! / (k! * (n-k)!). Rappresenta il numero di modi in cui si possono ottenere k successi in n prove.
p: è la probabilità di successo in una singola prova.
(1-p): è la probabilità di fallimento in una singola prova (che spesso si indica con q).

Esempi Pratici:

Lancio di una moneta: Lanciamo una moneta 5 volte. Qual è la probabilità di ottenere esattamente 3 teste?
- n = 5 (numero di lanci)
- k = 3 (numero di teste che vogliamo ottenere)
- p = 0.5 (probabilità di ottenere testa in un singolo lancio)
P(X = 3) = [math]\binom{5}{3} [/math]* (0.5)^3 * (0.5)^2 = 10 * 0.125 * 0.25 = 0.3125

Quindi, c’è una probabilità del 31.25% di ottenere esattamente 3 teste in 5 lanci.
Controllo qualità: Un’azienda produce lampadine. La probabilità che una lampadina sia difettosa è del 2%. Se prendiamo un campione di 20 lampadine, qual è la probabilità che ce ne siano esattamente 2 difettose?
- n = 20 (numero di lampadine nel campione)
- k = 2 (numero di lampadine difettose che vogliamo trovare)
- p = 0.02 (probabilità che una lampadina sia difettosa)
P(X = 2) = [math]\binom{20}{2} [/math] * (0.02)^2 * (0.98)^18 ≈ 0.0528

Quindi, c’è una probabilità di circa il 5.28% di trovare esattamente 2 lampadine difettose in un campione di 20.
Sondaggio Elettorale: In un sondaggio su 100 persone, il 60% dichiara di votare per il candidato A. Qual è la probabilità che in un campione di 10 persone, esattamente 7 votino per A?

n = 10 (numero di persone nel campione)
k = 7 (numero di persone che votano per A)
p = 0.6 (probabilità che una persona voti per A)

P(X = 7) =[math]\binom{10}{7} [/math] * (0.6)^7 * (0.4)^3 ≈ 0.215

Quindi, c’è circa il 21.5% di probabilità che esattamente 7 persone su 10 votino per A.

Forse potrebbe interessarti anche: Distribuzione binomiale o di Bernoulli

La distribuzione binomiale in contesti applicativi

Medicina:

Efficacia di un farmaco: Immagina di testare un nuovo farmaco per l’ipertensione. Si somministra il farmaco a un campione di 100 pazienti e si osserva quanti di loro mostrano un abbassamento significativo della pressione sanguigna. Supponiamo che studi precedenti suggeriscano che il farmaco abbia una probabilità del 60% di essere efficace. Possiamo usare la distribuzione binomiale per calcolare la probabilità di osservare, ad esempio, esattamente 65 pazienti con un miglioramento. Questo aiuta a valutare se i risultati del test sono in linea con le aspettative o se suggeriscono un’efficacia diversa (maggiore o minore).

Esempio

Stiamo testando un nuovo farmaco per l’ipertensione su un campione di 100 pazienti. Studi precedenti suggeriscono che il farmaco abbia una probabilità del 60% (p = 0.6) di abbassare significativamente la pressione sanguigna. Vogliamo calcolare la probabilità di osservare esattamente 65 pazienti con un miglioramento (k = 65) nel nostro campione di 100 pazienti (n = 100).

Calcoli:

Usiamo la formula della distribuzione binomiale:

P(X = k) = [math]\binom{n}{k} [/math] * p^k * (1-p)^(n-k)

Nel nostro caso:

P(X = 65) =[math]\binom{100}{65} [/math] * (0.6)^65 * (0.4)^35

Calcolare [math]\binom{100}{65} [/math] a mano è molto complesso. Fortunatamente, possiamo usare calcolatrici scientifiche, software statistici (come R, Python con la libreria SciPy, Excel) o calcolatori online per la distribuzione binomiale.

Usando un calcolatore online o un software, otteniamo:

P(X = 65) ≈ 0.049 (circa)

Calcolare la distribuzione binomiale in Python

import scipy.special as sp
import scipy.stats as st

n = 100
k = 65
p = 0.6

coefficiente = sp.comb(n, k, exact=True)
probabilita_esatta = st.binom.pmf(k, n, p)
probabilita_cumulata = st.binom.cdf(k, n, p)
probabilita_almeno_k = 1 - st.binom.cdf(k-1, n, p) # P(X >= k)

print(f"Il coefficiente binomiale ({n} su {k}) è: {coefficiente}")
print(f"P(X = {k}): La probabilità di ottenere esattamente {k} successi è: {probabilita_esatta}")
print(f"P(X <= {k}): La probabilità di ottenere al massimo {k} successi è: {probabilita_cumulata}") print(f"P(X >= {k}): La probabilità di ottenere almeno {k} successi è: {probabilita_almeno_k}")

Output:

Il coefficiente binomiale (100 su 65) è: 1095067153187962886461165020
P(X = 65): La probabilità di ottenere esattamente 65 successi è: 0.0491328236685278
P(X <= 65): La probabilità di ottenere al massimo 65 successi è: 0.952579294528153
P(X >= 65): La probabilità di ottenere almeno 65 successi è: 0.09655352914037483

Cosa stiamo calcolando esattamente?

Stiamo usando la funzione di massa di probabilità (PMF) della distribuzione binomiale. Questa funzione ci dice la probabilità di ottenere esattamente un certo numero di successi (in questo caso, 65). Non ci dice la probabilità di ottenere almeno 65 successi o al massimo 65 successi.

Perché 0.049 è un valore plausibile?

Immagina di lanciare una moneta “truccata” (con probabilità di testa del 60%) 100 volte. È intuitivo che ottenere esattamente 60 teste sia l’esito più probabile. Ottenere 65 teste è un po’ meno probabile, ma non così improbabile da avere una probabilità vicina allo zero. Un valore intorno al 4.9% è quindi ragionevole.

Confronto con altri tipi di probabilità:

P(X = 65): (Probabilità di ottenere esattamente 65 successi) = circa 0.049 (4.9%). Questo è ciò che calcola st.binom.pmf(65, 100, 0.6).
P(X ≤ 65): (Probabilità di ottenere al massimo 65 successi) = st.binom.cdf(65, 100, 0.6). Questo valore sarebbe molto più alto, perché include la probabilità di ottenere 0, 1, 2, …, fino a 65 successi.
P(X ≥ 65): (Probabilità di ottenere almeno 65 successi) = 1 - st.binom.cdf(64, 100, 0.6). Questo valore sarebbe anch’esso più alto di 0.049, perché include la probabilità di ottenere 65, 66, 67, …, fino a 100 successi.

Forse potrebbe interessarti anche: Excel: La distribuzione binomiale. Esercizi risolti

Interpretazione:

La probabilità di osservare esattamente 65 pazienti con un miglioramento su un campione di 100, assumendo che la probabilità di successo del farmaco sia del 60%, è di circa il 4.9%.

Analisi e Implicazioni:

Bassa probabilità: Il risultato (4.9%) è relativamente basso. Questo significa che, se il farmaco avesse veramente un’efficacia del 60%, sarebbe piuttosto raro osservare esattamente 65 successi in un campione di 100.
Confronto con altri risultati: Se nel nostro studio avessimo osservato un numero di successi molto diverso da 60 (ad esempio, solo 50 o addirittura 75), la bassa probabilità di ottenere 65 successi ci porterebbe a mettere in dubbio l’ipotesi iniziale che l’efficacia del farmaco sia del 60%.
Test di ipotesi: In termini di test di ipotesi, potremmo formulare le seguenti ipotesi:
- Ipotesi nulla (H0): L’efficacia del farmaco è del 60% (p = 0.6).
- Ipotesi alternativa (H1): L’efficacia del farmaco è diversa dal 60% (p ≠ 0.6).
Se osservassimo un risultato molto improbabile sotto l’ipotesi nulla (come 65 successi, che ha una probabilità del 4.9%), potremmo avere evidenza sufficiente per rifiutare l’ipotesi nulla e concludere che l’efficacia del farmaco è probabilmente diversa dal 60%. Però, per prendere una decisione formale, si usa un livello di significatività (alfa, tipicamente 0.05). In questo caso, 4.9% è inferiore a 5%, quindi potremmo rifiutare l’ipotesi nulla.

Esempio con un risultato diverso:

Supponiamo di aver osservato 70 pazienti con un miglioramento. Usando la stessa logica e la formula binomiale (o un calcolatore), troveremmo una probabilità ancora più bassa (circa 0.004 o 0.4%). Questo rafforzerebbe ulteriormente l’evidenza contro l’ipotesi che l’efficacia del farmaco sia del 60%.

Ingegneria:

Controllo qualità: Un’azienda produce componenti elettronici. Sa che il 2% dei componenti prodotti è difettoso. Prelevando un campione di 50 componenti, si può usare la distribuzione binomiale per calcolare la probabilità di trovare un certo numero di componenti difettosi nel campione. Questo aiuta a monitorare la qualità della produzione e a intervenire se il numero di difetti supera una soglia accettabile.

Esempio :

Un’azienda produce penne. Sa che il 5% delle penne prodotte ha un difetto nell’inchiostro. Prende un campione di 20 penne. Qual è la probabilità di trovare esattamente 3 penne difettose nel campione?