Vai al contenuto
← Matematica e Statistica · Lezione 10
Statistica · Lezione interattiva

Le variabili aleatorie

Una variabile aleatoria associa numeri agli esiti di un esperimento. Partendo dalle basi della probabilità, studieremo come descriverla con una distribuzione, calcolarne media e varianza e usare i modelli binomiale, di Poisson e normale. Gli esempi svolti e i laboratori interattivi collegano le formule ai grafici.

La curva a campana della distribuzione normale: sotto di lei il 68% dei dati cade entro una deviazione standard dalla media, il 95% entro due. La costruiremo e impareremo a leggerla nel Capitolo 7.

Segui i capitoli in ordine: gli esempi riprendono i concetti introdotti nelle sezioni precedenti.

1
Capitolo 1

Che cos'è una variabile aleatoria

Nel calcolo delle probabilità gli esiti spesso non sono numeri: «testa», «croce», «asso di cuori». Una variabile aleatoria è una regola che a ogni esito del caso associa un numero, così da poterci fare i conti.

📘 Definizione

Una variabile aleatoria (o casuale) X X è una regola che a ogni esito dell'esperimento associa un numero. Prima dell'esperimento non sappiamo quale valore assumerà: dipende dal caso.

Esempio: lancio due monete. Sia X= X= «numero di teste». Gli esiti sono TT, TC, CT, CC; la variabile li traduce nei numeri 2, 1, 1, 0. Un fenomeno con quattro esiti diventa una variabile che assume i valori 0, 1, 2.

💡 Discreta o continua?

Una v.a. è discreta se assume valori isolati che si possono elencare (0, 1, 2, …): il numero di teste, di clienti, di guasti. È continua se può assumere qualunque valore in un intervallo: un'altezza, un tempo di attesa, una temperatura. Il tipo decide quali strumenti useremo.

Da qui in poi la domanda non è più «qual è la probabilità di questo esito», ma «come si distribuisce la probabilità fra tutti i valori che X X può assumere». È la distribuzione della variabile, protagonista di tutta la lezione.

2
Capitolo 2

Distribuzioni discrete

Per una variabile discreta, conoscerla significa conoscere la probabilità di ciascuno dei suoi valori. Questa è la sua distribuzione di probabilità.

📘 Funzione di probabilità

La funzione di probabilità (o di massa) associa a ogni valore xi x_i la sua probabilità pi=P(X=xi) p_i=P(X=x_i) . Deve rispettare due regole:

  • 0≤pi≤1 0\le p_i\le 1 per ogni valore;
  • ∑ipi=1 \displaystyle\sum_i p_i=1 : la probabilità totale è 1 (uno dei valori deve pur uscire).

Utile anche la funzione di ripartizione F(x)=P(X≤x) F(x)=P(X\le x) : la probabilità che la variabile non superi x x . Cresce a gradini da 0 a 1 ed è l'analogo probabilistico delle frequenze cumulate.

Laboratorio 1 La distribuzione di una variabile discreta

Scegli l'esperimento e osserva come la probabilità si distribuisce fra i valori. Il dado è uniforme (tutte le barre uguali); la somma di due dadi è triangolare (il 7 è il più probabile). La linea rossa segna il valore atteso E[X] E[X] , che vedremo nel prossimo capitolo.

…
3
Capitolo 3

Valore atteso e varianza

Come per un insieme di dati, anche una variabile aleatoria si riassume con due numeri: dove si concentra (il valore atteso) e quanto è dispersa (la varianza).

📘 Valore atteso (media)

E[X]=μ=∑ixi pi. E[X]=\mu=\sum_i x_i\,p_i. È la media dei valori pesata con le loro probabilità: il valore medio che ci aspettiamo ripetendo l'esperimento infinite volte. Fisicamente è il baricentro della distribuzione.

📘 Varianza e deviazione standard

Var⁡(X)=σ2=∑i(xi−μ)2 pi=E[X2]−μ2,σ=Var⁡(X). \operatorname{Var}(X)=\sigma^2=\sum_i (x_i-\mu)^2\,p_i=E[X^2]-\mu^2, \qquad \sigma=\sqrt{\operatorname{Var}(X)}. Misura quanto i valori si disperdono attorno al valore atteso. La formula E[X2]−μ2 E[X^2]-\mu^2 è di solito la più rapida nei calcoli.

Laboratorio 2 Il valore atteso è il baricentro

Cinque valori (1…5), ognuno con un «peso» (la sua probabilità). Sposta i pesi con i cursori: il fulcro si posiziona esattamente sotto E[X] E[X] , il punto in cui la distribuzione sta in equilibrio. Ammucchia peso a destra e il valore atteso scivola a destra.

…
💡 Proprietà utili

La media è lineare: E[aX+b]=a E[X]+b E[aX+b]=a\,E[X]+b . La varianza no: Var⁡(aX+b)=a2Var⁡(X) \operatorname{Var}(aX+b)=a^2\operatorname{Var}(X) (la costante b b non aggiunge dispersione, e la scala a a va al quadrato). Per variabili indipendenti, E[X+Y]=E[X]+E[Y] E[X+Y]=E[X]+E[Y] e Var⁡(X+Y)=Var⁡(X)+Var⁡(Y) \operatorname{Var}(X+Y)=\operatorname{Var}(X)+\operatorname{Var}(Y) .

Quiz lampo · valore atteso

1. Quanto vale il valore atteso del lancio di un dado equo?
E[X]=1+2+3+4+5+66=216=3,5 E[X]=\frac{1+2+3+4+5+6}{6}=\frac{21}{6}=3{,}5 . Non è un valore «possibile»: il valore atteso è una media, non un risultato.
2. Il valore atteso di una v.a. discreta si calcola come…
È la somma dei valori pesati con le rispettive probabilità: una media pesata.
3. X X vale 1 con probabilità 0,2 e 0 con probabilità 0,8. Quanto vale E[X] E[X] ?
E[X]=1⋅0,2+0⋅0,8=0,2 E[X]=1\cdot 0{,}2+0\cdot 0{,}8=0{,}2 .
4
Capitolo 4

La distribuzione binomiale

La distribuzione binomiale conta i successi in un numero fisso di prove indipendenti. È il modello del «quante volte su n».

📘 Binomiale B(n,p) B(n,p)

Se X X conta i successi in n n prove indipendenti, ciascuna con probabilità di successo p p : P(X=k)=(nk)pk(1−p)n−k,k=0,1,…,n. P(X=k)=\binom{n}{k}p^{k}(1-p)^{n-k},\qquad k=0,1,\dots,n. Valore atteso e varianza: E[X]=np,Var⁡(X)=np(1−p). E[X]=np,\qquad \operatorname{Var}(X)=np(1-p).

Per usare questo modello controlla le ipotesi: numero di prove fisso n n , due soli esiti per prova, prove indipendenti con la stessa p p . «Su 10 pazienti, quanti guariscono?», «su 20 pezzi, quanti difettosi?».

Laboratorio 3 La binomiale dal vivo

Regola n n , p p e il valore k k da evidenziare. Con p=0,5 p=0{,}5 la distribuzione è simmetrica; con p p piccolo la probabilità si concentra sui conteggi bassi e la coda si estende verso destra. La linea rossa è E[X]=np E[X]=np .

…
5
Capitolo 5

La distribuzione di Poisson

Quando gli eventi sono rari ma le occasioni tantissime (telefonate a un centralino in un'ora, refusi in una pagina, guasti in un mese), la binomiale con n n enorme e p p minuscolo si trasforma nella distribuzione di Poisson.

📘 Poisson di parametro λ \lambda

X X conta gli eventi in un intervallo, quando in media se ne verificano λ \lambda : P(X=k)=λk e−λk!,k=0,1,2,… P(X=k)=\frac{\lambda^{k}\,e^{-\lambda}}{k!},\qquad k=0,1,2,\dots In questa distribuzione, media e varianza coincidono, E[X]=Var⁡(X)=λ. E[X]=\operatorname{Var}(X)=\lambda.

💡 Il ponte con la binomiale

Per n n grande e p p piccolo, la binomiale B(n,p) B(n,p) è approssimata dalla Poisson con λ=np \lambda=np . È il motivo per cui la Poisson descrive così bene i «conteggi di eventi rari».

Laboratorio 4 La Poisson e il suo parametro λ

Aumenta λ \lambda (il numero medio di eventi) e guarda la distribuzione spostarsi a destra e allargarsi: media e varianza aumentano, perché entrambe valgono λ \lambda ; la deviazione standard vale invece λ \sqrt{\lambda} . Evidenzia un valore k k per leggerne la probabilità.

…

Quiz lampo · binomiale e Poisson

1. In una binomiale con n=5 n=5 e p=0,5 p=0{,}5 , quanto vale E[X]=np E[X]=np ?
E[X]=np=5⋅0,5=2,5 E[X]=np=5\cdot 0{,}5=2{,}5 .
2. In una Poisson con λ=4 \lambda=4 , quanto vale la varianza?
Per la Poisson media e varianza coincidono: Var⁡(X)=λ=4 \operatorname{Var}(X)=\lambda=4 .
3. Quale situazione si modella tipicamente con una Poisson?
La Poisson conta eventi rari e indipendenti in un intervallo (telefonate all'ora, guasti al mese).
6
Capitolo 6

Le variabili continue

Per un'altezza o un tempo, i valori possibili sono infiniti e nessuno ha una probabilità «puntuale». Cambia lo strumento: non più barre, ma una curva di densità, e le probabilità diventano aree.

📘 Densità di probabilità

Una v.a. continua è descritta da una funzione di densità f(x)≥0 f(x)\ge 0 . La probabilità che X X cada in un intervallo è l'area sotto la curva su quell'intervallo: P(a≤X≤b)=∫abf(x) dx. P(a\le X\le b)=\int_a^b f(x)\,dx. L'area totale sotto la curva vale 1.

⚠️ La probabilità di un punto è zero

Per una variabile continua, P(X=a)=0 P(X=a)=0 : un singolo punto ha area nulla. Le probabilità non nulle si calcolano su insiemi di valori, per esempio sugli intervalli. Ne segue anche che, con le continue, P(X≤a)=P(X<a) P(X\le a)=P(X<a) : includere o no l'estremo non cambia nulla.

L'esempio più semplice è la uniforme continua su [a,b] [a,b] : densità costante, come «un numero a caso fra a e b con tutti i punti ugualmente probabili». Nel prossimo capitolo studieremo un’altra distribuzione continua: la normale.

7
Capitolo 7

La distribuzione normale (gaussiana)

La distribuzione normale ha una curva di densità a campana. Può approssimare la distribuzione di alcune misure e di alcuni errori: la scelta del modello va verificata sui dati.

📘 Normale N(μ,σ2) N(\mu,\sigma^2)

Dipende da due parametri: la media μ \mu (dove sta il centro) e la deviazione standard σ \sigma (quanto è larga). La densità è f(x)=1σ2π  e−(x−μ)22σ2. f(x)=\frac{1}{\sigma\sqrt{2\pi}}\;e^{-\frac{(x-\mu)^2}{2\sigma^2}}. È simmetrica attorno a μ \mu , a forma di campana: μ \mu la sposta a destra/sinistra, σ \sigma la rende più stretta o più larga.

💡 La regola 68 – 95 – 99,7

Per qualsiasi normale, la percentuale di dati vicino alla media è sempre la stessa:

  • circa 68% cade entro μ±σ \mu\pm\sigma ;
  • circa 95% entro μ±2σ \mu\pm 2\sigma ;
  • circa 99,7% entro μ±3σ \mu\pm 3\sigma .
Laboratorio 5 La campana: media, deviazione standard e aree

Sposta μ \mu e cambia σ \sigma : la campana trasla e si allarga, ma la sua forma resta la stessa. Seleziona un intervallo (espresso in deviazioni standard dalla media) e leggi la probabilità come area colorata sotto la curva.

…
📘 Standardizzazione (punteggio z)

Ogni normale si riconduce alla normale standard N(0,1) N(0,1) (media 0, deviazione 1) con la trasformazione z=x−μσ. z=\frac{x-\mu}{\sigma}. Il valore z z dice «a quante deviazioni standard dalla media» si trova x x . È ciò che permette di usare un'unica tavola per tutte le normali.

Laboratorio 6 Standardizza: dal valore x al punteggio z

Inserisci un valore x x , la media μ \mu e la deviazione σ \sigma : ottieni il punteggio z z e il percentile (quanta parte della popolazione sta sotto x x ). Il segnalino sulla curva standard mostra dove cadi rispetto alla regola 68-95-99,7.

…

Quiz lampo · la normale

1. In una normale, quale percentuale di dati cade circa entro μ±2σ \mu\pm 2\sigma ?
La regola empirica: 68% entro 1σ, 95% entro 2σ, 99,7% entro 3σ.
2. Come si standardizza un valore x x ?
Si sottrae la media e si divide per la deviazione standard: z z misura la distanza da μ \mu in unità di σ \sigma .
3. La normale standard ha…
N(0,1) N(0,1) : media 0 e deviazione standard 1. È quella a cui riconduciamo le altre distribuzioni normali con la z z .
8
Capitolo 8

Scegliere una distribuzione: tre esempi svolti

Per risolvere un esercizio, individua la variabile, controlla le ipotesi del modello e scegli la distribuzione adatta. Poi calcola la probabilità o il valore richiesto.

💡 Come riconoscere la distribuzione
  • Numero fisso di prove sì/no indipendenti → binomiale (E=np, Var⁡=np(1−p)) (E=np,\ \operatorname{Var}=np(1-p)) .
  • Conteggio di eventi rari in un intervallo → Poisson (E=Var⁡=λ) (E=\operatorname{Var}=\lambda) .
  • Misura continua «a campana» → normale → standardizza con z=x−μσ z=\frac{x-\mu}{\sigma} .
Problema d'esame · svolgimento completo

Parte A (binomiale). Un macchinario produce pezzi difettosi con probabilità p=0,1 p=0{,}1 . Se ne prelevano n=8 n=8 , assumendo difetti indipendenti. Sia X X il numero di difettosi.

E[X]=np=8⋅0,1=0,8 E[X]=np=8\cdot 0{,}1=0{,}8 ; Var⁡(X)=np(1−p)=8⋅0,1⋅0,9=0,72 \operatorname{Var}(X)=np(1-p)=8\cdot 0{,}1\cdot 0{,}9=0{,}72 .

P(X=0)=(80)(0,1)0(0,9)8=(0,9)8≈0,430 P(X=0)=\binom{8}{0}(0{,}1)^0(0{,}9)^8=(0{,}9)^8\approx 0{,}430 . Probabilità che ce ne sia almeno uno: 1−0,430=0,570 1-0{,}430=0{,}570 .

Parte B (Poisson). A un centralino arrivano in media λ=3 \lambda=3 chiamate al minuto. Assumiamo un modello di Poisson e indichiamo con Y Y il numero di chiamate in un minuto.

E[Y]=Var⁡(Y)=3 E[Y]=\operatorname{Var}(Y)=3 . P(Y=0)=30e−30!=e−3≈0,0498 P(Y=0)=\dfrac{3^0 e^{-3}}{0!}=e^{-3}\approx 0{,}0498 : meno del 5% di probabilità di un minuto senza chiamate.

Parte C (normale). In un esempio ipotetico, modelliamo l'altezza di un gruppo di adulti con una normale di media μ=175 \mu=175 cm e deviazione standard σ=7 \sigma=7 cm. Probabilità di superare i 189 cm?

Standardizzo: z=189−1757=2 z=\dfrac{189-175}{7}=2 . Poiché 189=μ+2σ 189=\mu+2\sigma , per la regola 95% resta il 5% fuori dall'intervallo μ±2σ \mu\pm2\sigma , metà da ciascun lato: P(X>189)≈2,5% P(X>189)\approx 2{,}5\% .

I tre esempi distinguono un conteggio di successi su prove fisse, un conteggio di arrivi in un intervallo e una misura continua modellata con la normale.

9
Capitolo 9

Verifica finale

Dieci domande sull'intera lezione. Rispondi a tutte, poi premi «Correggi» per il punteggio e le spiegazioni. Puoi sempre riprovare.

1. Per una v.a. discreta, la somma di tutte le probabilità ∑ipi \sum_i p_i vale…
La probabilità totale è sempre 1: uno dei valori deve verificarsi.
2. Il valore atteso del lancio di un dado equo è…
E[X]=216=3,5 E[X]=\frac{21}{6}=3{,}5 .
3. La varianza di una variabile aleatoria misura…
È la media pesata dei quadrati degli scarti da μ \mu : quanto la variabile «oscilla» attorno alla media.
4. Binomiale con n=20 n=20 e p=0,5 p=0{,}5 : quanto vale E[X] E[X] ?
E[X]=np=20⋅0,5=10 E[X]=np=20\cdot 0{,}5=10 .
5. In una Poisson con λ=3 \lambda=3 , la varianza vale…
Per la Poisson Var⁡(X)=λ=3 \operatorname{Var}(X)=\lambda=3 (uguale alla media).
6. La deviazione standard è…
σ=Var⁡(X) \sigma=\sqrt{\operatorname{Var}(X)} .
7. In una normale, entro μ±σ \mu\pm\sigma cade circa il…
Regola empirica: ≈68% entro 1σ.
8. Se X∼N(50,102) X\sim N(50,10^2) , il punteggio z z di x=70 x=70 è…
z=70−5010=2 z=\frac{70-50}{10}=2 : 70 dista 2 deviazioni standard dalla media.
9. La normale standard ha media e deviazione standard pari a…
N(0,1) N(0,1) : media 0, deviazione 1.
10. Per una v.a. continua, l'area totale sotto la curva di densità vale…
L'area totale sotto una densità è sempre 1: rappresenta l'intera probabilità.
★
Riepilogo

Riepilogo delle formule

Le formule principali della lezione, con una breve indicazione su come usarle.

Variabili discrete

  • 0≤pi≤1 0\le p_i\le 1 · ∑ipi=1 \sum_i p_i=1
  • Ripartizione: F(x)=P(X≤x) F(x)=P(X\le x)
  • E[X]=∑ixipi E[X]=\sum_i x_i p_i

Media & varianza

  • Var⁡(X)=E[X2]−μ2 \operatorname{Var}(X)=E[X^2]-\mu^2 · σ=Var⁡ \sigma=\sqrt{\operatorname{Var}}
  • E[aX+b]=aE[X]+b E[aX+b]=aE[X]+b
  • Var⁡(aX+b)=a2Var⁡(X) \operatorname{Var}(aX+b)=a^2\operatorname{Var}(X)

Binomiale B(n,p) B(n,p)

  • P(X=k)=(nk)pk(1−p)n−k P(X=k)=\binom{n}{k}p^{k}(1-p)^{n-k}
  • E[X]=np E[X]=np
  • Var⁡(X)=np(1−p) \operatorname{Var}(X)=np(1-p)

Poisson (λ) (\lambda)

  • P(X=k)=λke−λk! P(X=k)=\dfrac{\lambda^{k}e^{-\lambda}}{k!}
  • E[X]=Var⁡(X)=λ E[X]=\operatorname{Var}(X)=\lambda
  • Approssima B(n,p) B(n,p) con n n grande, p p piccolo, λ=np \lambda=np

Continue & normale

  • P(a≤X≤b)=∫abf(x) dx P(a\le X\le b)=\int_a^b f(x)\,dx · area totale = 1
  • N(μ,σ2) N(\mu,\sigma^2) : campana, 68-95-99,7
  • Standardizzazione: z=x−μσ z=\dfrac{x-\mu}{\sigma}

Riconoscere la distribuzione

  • n prove sì/no → binomiale
  • conteggio eventi rari → Poisson
  • misura continua a campana → normale

Lezione interattiva sulle variabili aleatorie · dal numero sul caso alla curva a campana · buono studio!

Tengo corsi di programmazione, analisi dati e intelligenza artificiale per aziende ed enti di formazione, in aula e da remoto. Scopri come insegno e quali materiali uso a lezione.