Distribuzione binomiale o di Bernoulli
Il concetto di variabile aleatoria permette di formulare modelli utili allo studio di molti fenomeni aleatori. Un primo importante esempio di modello probabilistico è la distribuzione di Bernoulli, così chiamata in onore del matematico svizzero James Bernoulli (1654-1705).
Alcuni esperimenti consistono nell’eseguire ripetutamente una data prova. Ad esempio vogliamo conoscere la probabilità che 45 su 300 guidatori fermati a un blocco stradale indossino la cintura di sicurezza, oppure la probabilità che 9 su 10 lampadine durino almeno 1000 ore.
In ciascuno di questi esempi si cerca la probabilità di ottenere x successi in n prove o, in altre parole, x successi e n − x insuccessi.
Una sequenza di prove bernoulliane costituisce un processo di Bernoulli sotto le seguenti ipotesi:
1 − ci sono solo due possibili risultati mutuamente esclusivi per ogni prova, chiamati arbitrariamente “successo” e “insuccesso”;
2 − la probabilità di successo p è la stessa per ogni prova;
3 − tutte le prove sono indipendenti; l’indipendenza significa che il risultato di una prova non è influenzato dal risultato di qualunque altra prova; ad esempio, l’evento “alla terza prova si ha successo” è indipendente dall’evento “alla prima prova si ha successo”.
Sia p la probabilità di successo in una prova bernoulliana.
La variabile aleatoria X che conta il numero di successi in n prove si dice variabile aleatoria binomiale di parametri n e p; X può assumere come valori gli interi compresi fra 0 e n.
Si dimostra il seguente risultato:
Teorema 1
La probabilità che in n prove la variabile aleatoria X assuma il valore x, ossia che il successo si verifichi x volte in n prove, è data dalla distribuzione di probabilità binomiale o di Bernoulli

La media e la varianza di una distribuzione binomiale
La media e la varianza di una distribuzione binomiale dipendono solo da n e p; si dimostra la seguente proprietà.
Proprietà 1
Se X è una variabile aleatoria avente distribuzione binomiale con parametri n e p, allora:

Nel calcolo della probabilità con la distribuzione binomiale e con la funzione di ripartizione binomiale sono utili le seguenti relazioni.
Proprietà 2

Esempio 1
Si lancia per dieci volte una moneta. In ogni lancio l’evento ”testa” e l’evento ”croce” sono equiprobabili, per cui la probabilità che esca ”testa” per cinque volte vale:

Per determinare la probabilità che ”testa” esca non più di cinque volte, bisogna invece considerare come ”successi” anche tutte le sequenze che contengono k = 0, 1, .., 4 volte ”testa”. Ne segue che la probabilità totale è data dalla

Esempio 2
Da un’urna contenente 5 palline bianche e 15 nere si fanno n estrazioni, con reimbussolamento della pallina estratta in ogni prova. La probabilità di estrarre tutte le palline bianche si determina considerando che in ogni prova, la probabilità di estrarre una pallina bianca vale p = 1/4, e quella di estrarre una pallina nera è q = 3/4.
Si ottiene:

Esercizio 1
La proporzione di studenti di una certa Facoltà che hanno superato un determinato esame è 0.4 e si ipotizza di estrarre un campione casuale di 50 studenti della stessa Facoltà.
Stabilire la probabilità di ottenere una proporzione campionaria di studenti che hanno superato quell’esame pari a 0.4.
Soluzione
Dobbiamo calcolare la probabilità di ottenere 50, 04 successi in 50 prove di Bernoulli indipendenti, ciascuna con probabilità di successo θ pari a 0,4.
Utilizziamo la funzione di probabilità di una variabile casuale binomiale:

In questo caso:
θ=0,4
n=50
Proporzione campionaria

Cioè:
X/n=0,4
quindi x=0,4*50=20

Primo principio delle prove ripetute
Per la formula di Bernoulli la probabilità di non avere alcun successo dopo n prove di un esperimento casuale in cui p > 0 vale

e quella di ottenere almeno un successo è

Poichè 0 < q < 1, ripetendo all’infinito le prove si ottiene

ovvero: continuando le prove all’infinito, prima o poi si avrà certamente almeno un successo.
Secondo principio delle prove ripetute
Chiediamoci ora quale è il numero medio delle prove che si dovranno eseguire per ottenere il primo successo. Definiamo a tale scopo il tempo di attesa T(ω), o numero d’ordine delle prima prova in cui si verifica il successo. T(ω) è una variabile aleatoria discreta, che assume valori interi positivi k = 1, 2, .., n,.. aventi ciascuno la probabilità Pk = pqk−1 con cui si realizza una sequenza di (k − 1) fallimenti seguiti
dal primo successo. Se si ripetono le prove all’infinito, e se p > 0, si sa per il Primo principio che le Pk soddisfano la condizione ![]()
Dalla definizione di valor medio di T(ω) si ricava allora

Resta così provato il seguente risultato:
il numero medio delle prove che occorre eseguire per ottenere il primo successo èil reciproco della probabilità di successo.
Esercizio 2
Calcolare la probabilità che, effettuando quattro estrazioni con reimbussolamento da un’urna contenente 20 palline bianche e 30 nere, venga estratta per tre volte una pallina bianca.
Soluzione
La probabilità di successo (estrazione di pallina bianca) è

Esercizio 3
Si effettuano 10 lanci successivi di una moneta; calcolare la probabilità che per metà delle volte esca croce e per metà testa.
Soluzione
In questo caso si ha:

Esercizio 4
La probabilità che un giocatore di basket segni un tiro libero è 0.43.
Supponiamo che tiri 8 volte e che gli 8 lanci possano essere considerati mutuamente indipendenti.
(a) Qual è la probabilità che non segni mai?
(b) Qual è la probabilità che segni almeno una volta?
(c) Qual è la probabilità che segni 8 volte?
(d) Quanti tiri liberi segnerà in media
(e) Supponiamo ora che il giocatore abbia a disposizione 50 tentativi. Qual
è la probabilità che segni almeno 20 volte?
Soluzione
Definiamo una variabile aleatoria X che rappresenta il “numero di tiri liberi in 8 prove”. X ha distribuzione Binomiale con parametri
n = 8 p = 0.43, cioè X ∼ Binom(8, 0.43).
Le probabilità richieste sono quindi:

(d) il numero di tiri liberi segnati in media è pari al valore atteso

(e) Se consideriamo 50 tentativi, con la stessa probabilità di segnare p sappiamo che X ∼ Binom(n = 50, p = 0.43). In questo caso, per calcolare la probabilità richiesta, possiamo ricorrere (è verificata la regola empirica np > 10 e n(1 − p) > 10) all’approssimazione normale della distribuzione binomiale, ovvero considerare X distribuita approssimativamente come N(np, np(1 − p)), dove E(X) = np = 50 · 0.43 = 21.5 e Var(X) = np(1 − p) = 12.255.
Approssimare la Binomiale con la Normale
Quando n è grande il calcolo delle probabilità cumulate è complesso: X ∼ Bin(n=50, p):
P(X≤25) = P(X=0) + P(X=1) + … + P(X=25)
Quando la varianza è > 9 la Normale è una buona approssimazione della binomiale.
In tal caso le probabilità cumulate della X∼Bin(n, p) sono approssimate da quelle della normale Y∼N(np, np(1-p))
A questo punto la probabilità di segnare almeno 20 volte è

(14749)
Altri articoli nella categoria "Esercizi svolti di Calcolo delle probabilità"
- Sottoinsiemi con somma divisibile per un numero: combinatoria, congruenze e funzioni generatrici
- Formula di Stirling: fattoriali, approssimazioni ed esercizi svolti
- 15 Esercizi di Logica per Test e Concorsi: Ragionamento, Deduzione e Soluzioni Commentate
- Funzioni Suriettive: Definizione, Calcolo Combinatorio ed Esercizi Svolti
- Test d’Ipotesi nel Marketing: Quando la Significatività Statistica Non Basta (Esercizi Svolti)
- Esercizi di Calcolo Combinatorio Applicato al Nudging di Richard Thaler: 6 Casi Aziendali Svolti per l’Architettura delle Scelte
- Test sulla Distribuzione Binomiale: 10 Esercizi Svolti (con Soluzioni e Valutazione)
- Legge di Benford e Data Quality nel Marketing: Guida, Formule ed Esercizi Python
- Calcolo Combinatorio: Come Risolvere i Problemi Senza Formule (con Esempi e Python)
- Il Principio dei Cassetti: la tecnica olimpica che risolve problemi apparentemente impossibili
