Esercizi sulla Distribuzione Uniforme

Concetti Teorici Preliminari

La distribuzione uniforme è un modello probabilistico in cui tutti i valori all’interno di un intervallo hanno la stessa probabilità di verificarsi. Viene rappresentata come U(a,b), dove:

• a è il limite inferiore dell’intervallo
• b è il limite superiore dell’intervallo
• La densità di probabilità è costante: f(x) = 1/(b-a)

 

In altre parole, la distribuzione uniforme è un modello di probabilità continua dove ogni valore all’interno di un intervallo specificato ha la stessa probabilità di verificarsi. Immagina di scegliere un numero a caso tra 1 e 10; se ogni numero ha la stessa possibilità di essere scelto, allora la variabile casuale “numero scelto” segue una distribuzione uniforme.

• Intervallo [a, b]: Questo definisce i limiti entro i quali la variabile casuale può assumere valori. ‘a’ è il limite inferiore e ‘b’ è il limite superiore.
• Densità di Probabilità (f(x)): La funzione di densità di probabilità (PDF) per una distribuzione uniforme è costante all’interno dell’intervallo [a, b] e zero al di fuori. Matematicamente, è espressa come:

[math]f(x) = \begin{cases} \frac{1}{b-a} & \text{per } a \le x \le b \ 0 & \text{ altrimenti} \end{cases}[/math]

• • Spiegazione Matematica: La formula 1/(b-a) assicura che l’area totale sotto la curva della densità di probabilità sia uguale a 1, come richiesto per qualsiasi distribuzione di probabilità. L’area di un rettangolo è base per altezza. In questo caso, la base è la lunghezza dell’intervallo (b-a) e l’altezza è f(x).

Quindi, (b-a) * (1/(b-a)) = 1.

• • Spiegazione Teorica: Ogni punto all’interno dell’intervallo ha la stessa “densità” di probabilità. Poiché la probabilità è data dall’area sotto la curva della densità, intervalli di uguale lunghezza all’interno di [a, b] avranno la stessa probabilità.

Funzione di Ripartizione (CDF) della Distribuzione Uniforme

La Funzione di Ripartizione Cumulativa (CDF), spesso indicata con la lettera maiuscola F(x), fornisce la probabilità che una variabile casuale X assuma un valore minore o uguale a x. Per la distribuzione uniforme U(a, b), la CDF è definita come:

[math]F(x) = P(X \le x)[/math]

Matematicamente, per la distribuzione uniforme, la CDF è espressa come:

[math]F(x) = \begin{cases} 0 & \text{per } x < a \ \frac{x-a}{b-a} & \text{per } a \le x \le b \ 1 & \text{per } x > b \end{cases}[/math]

Spiegazione Matematica:

• Per x < a: Se il valore di x è inferiore al limite inferiore dell’intervallo, è impossibile che la variabile casuale uniforme assuma un valore minore o uguale a x. Quindi, la probabilità è 0.
• Per a ≤ x ≤ b: In questo intervallo, la probabilità che X sia minore o uguale a x è data dall’area sotto la funzione di densità di probabilità da ‘a’ fino a ‘x’. La base di questo rettangolo è (x – a) e l’altezza è 1/(b – a). Pertanto, l’area (e quindi la probabilità) è (x – a) * (1/(b – a)) = (x – a) / (b – a).
• Per x > b: Se il valore di x è maggiore del limite superiore dell’intervallo, la variabile casuale uniforme assumerà sempre un valore minore o uguale a x (poiché tutti i suoi valori possibili sono compresi tra ‘a’ e ‘b’). Quindi, la probabilità è 1.

Spiegazione Teorica:

La CDF ci dice la probabilità “cumulata” fino a un certo punto. Per la distribuzione uniforme, questa probabilità aumenta linearmente all’interno dell’intervallo [a, b]. In altre parole, man mano che il valore di x si avvicina a ‘b’ partendo da ‘a’, la probabilità che la variabile casuale sia minore o uguale a quel valore aumenta in modo costante.

Rappresentazione Grafica:

La CDF della distribuzione uniforme ha una forma a “S” o a rampa. Inizia a 0 per x < a, sale linearmente da 0 a 1 nell’intervallo [a, b], e rimane costante a 1 per x > b.

👉LA DISTRIBUZIONE UNIFORME O RETTANGOLARE

Esercizio 1: Probabilità di Estrazione – Tempo di Attesa alla Fermata

Un autobus passa in modo uniforme ogni volta tra le 8:00 e le 8:30.

Qual è la probabilità di attendere meno di 10 minuti alla fermata?.

Soluzione :

1. Identificare l’intervallo: [math]a = 0[/math], [math]b = 30[/math] minuti
2. Calcolare la probabilità di attendere meno di 10 minuti
3. Utilizzare la formula: [math]P(X \le 10) = \frac{10}{30 – 0} = \frac{1}{3}[/math]

Spiegazione:

• Identificare l’intervallo:
• L’intervallo di tempo in cui l’autobus può arrivare è tra 0 minuti (le 8:00) e 30 minuti (le 8:30). Quindi, a = 0 e b = 30.
• Calcolare la probabilità di attendere meno di 10 minuti:
• Questo significa che l’autobus arriva tra le 8:20 e le 8:30 (se arrivasse prima delle 8:20, l’attesa sarebbe più di 10 minuti). L’intervallo di attesa desiderato è di 10 minuti (da 0 a 10 minuti dopo le 8:00).
• La formula:
• La probabilità P(X ≤ 10) è data dalla lunghezza dell’intervallo desiderato divisa per la lunghezza dell’intervallo totale. [math]P(X \le 10) = \frac{10 – 0}{30 – 0} = \frac{10}{30} = \frac{1}{3}[/math]
• ✅  Stiamo calcolando la proporzione dell’intervallo totale (30 minuti) che corrisponde all’attesa inferiore a 10 minuti (i primi 10 minuti).
• ✅ Poiché ogni momento tra le 8:00 e le 8:30 è equiprobabile per l’arrivo dell’autobus, la probabilità di un evento è proporzionale alla durata dell’intervallo di tempo corrispondente all’evento.

Considerando l’Esercizio 1 (tempo di attesa dell’autobus U(0, 30)), la probabilità di attendere meno di 10 minuti (cioè P(X ≤ 10)) può essere calcolata usando la CDF:

[math]F(10) = \frac{10 – 0}{30 – 0} = \frac{10}{30} = \frac{1}{3}[/math]

Questo concorda con il risultato ottenuto utilizzando la PDF.

Codice Python:

import numpy as np
import matplotlib.pyplot as plt

a, b = 0, 30  # intervallo di 30 minuti
x = 10  # tempo di attesa

prob = x / (b - a)
print(f"Probabilità di attendere meno di {x} minuti: {prob:.2f}")

Probabilità di attendere meno di 10 minuti: 0.33

Esercizio 2: Temperatura Giornaliera – Previsioni Meteorologiche

Le temperature mattutine in una città variano uniformemente tra 10°C e 25°C.

Qual è la probabilità che la temperatura sia compresa tra 15°C e 20°C?

Soluzione :

1. Distribuzione: U(10, 25)
2. Calcolare valore atteso e varianza
3. Trovare probabilità di temperature tra 15°C e 20°C

Spiegazione:

• Distribuzione:
• La temperatura segue una distribuzione uniforme U(10, 25). Quindi, a = 10 e b = 25.
• Calcolare valore atteso e varianza:
  • Valore Atteso (Media): [math]\mu = \frac{a + b}{2} = \frac{10 + 25}{2} = \frac{35}{2} = 17.5[/math] °C
  • Varianza: [math]\sigma^2 = \frac{(b – a)^2}{12} = \frac{(25 – 10)^2}{12} = \frac{15^2}{12} = \frac{225}{12} = 18.75[/math]
• Trovare probabilità di temperature tra 15°C e 20°C:

L’intervallo di temperatura desiderato è [15, 20], la cui lunghezza è 20 – 15 = 5°C. La lunghezza dell’intervallo totale è 25 – 10 = 15°C. [math]P(15 \le X \le 20) = \frac{20 – 15}{25 – 10} = \frac{5}{15} = \frac{1}{3}[/math]

• ✅ Stiamo trovando la proporzione dell’intervallo totale di temperature che cade tra 15°C e 20°C.
• ✅ Ogni temperatura tra 10°C e 25°C ha la stessa probabilità di verificarsi. Pertanto, la probabilità di un intervallo di temperature è direttamente proporzionale alla sua larghezza.

Codice Python:

a, b = 10, 25
media = (a + b) / 2  # 17.5°C
varianza = ((b - a)**2) / 12  # 22.08

# Probabilità temperatura tra 15 e 20°C
prob = (20 - 15) / (25 - 10)
print(f"Probabilità temperatura tra 15-20°C: {prob:.2f}")

Probabilità temperatura tra 15-20°C: 0.33

Esercizio 3: Tempi di Consegna E-Commerce

Un’azienda di e-commerce ha tempi di consegna distribuiti uniformemente tra 2 e 7 giorni.

Qual è la probabilità che un pacco venga consegnato entro 4 giorni? Confrontare la probabilità teorica con una simulazione di 10.000 consegne.

Soluzione:

1. Calcolare probabilità di consegna entro 4 giorni
2. Simulare 10000 consegne
3. Confrontare distribuzione teorica e simulata

Spiegazione:

• Calcolare probabilità di consegna entro 4 giorni: L’intervallo totale è [2, 7] con una lunghezza di 7 – 2 = 5 giorni. La consegna entro 4 giorni significa un intervallo di [2, 4] con una lunghezza di 4 – 2 = 2 giorni.

[math]P(X \le 4) = \frac{4 – 2}{7 – 2} = \frac{2}{5} = 0.4[/math]

• ✅ Stiamo calcolando la frazione dell’intervallo totale di consegna che rientra nei primi 2 giorni (entro 4 giorni dal giorno 2).
• ✅Ogni giorno tra il 2° e il 7° giorno ha la stessa probabilità di essere il giorno di consegna.
• Simulare 10000 consegne: Il codice Python utilizza np.random.uniform(2, 7, 10000) per generare 10.000 numeri casuali tra 2 (incluso) e 7 (escluso).
• Verifica simulazione: np.mean(consegne <= 4) calcola la proporzione delle consegne simulate che sono inferiori o uguali a 4 giorni. Questo fornisce una stima della probabilità teorica attraverso la simulazione.
• Confrontare distribuzione teorica e simulata: I risultati teorico (0.40) e simulato (0.41) sono molto vicini, il che supporta la correttezza del calcolo teorico e l’efficacia della simulazione per approssimare la probabilità.

Codice Python:

import numpy as np

np.random.seed(42)
consegne = np.random.uniform(2, 7, 10000)

# Probabilità teorica
prob_teorica = (4 - 2) / (7 - 2)

# Verifica simulazione
prob_simulata = np.mean(consegne <= 4)
print(f"Probabilità teorica: {prob_teorica:.2f}")
print(f"Probabilità simulata: {prob_simulata:.2f}")

Probabilità teorica: 0.40
Probabilità simulata: 0.41

Esercizio 4: Analisi Produzione Industriale

In un’azienda manifatturiera, il tempo di lavorazione di un pezzo varia uniformemente tra 45 e 75 minuti.

Qual è la probabilità che un pezzo richieda più di 65 minuti per essere lavorato? Calcolare la deviazione standard del tempo di lavorazione.

Soluzione :

1. Calcolare deviazione standard
2. Determinare intervallo di confidenza
3. Stimare probabilità di superamento tempi standard

Spiegazione:

• Calcolare deviazione standard:
  • Varianza: [math]\sigma^2 = \frac{(75 – 45)^2}{12} = \frac{30^2}{12} = \frac{900}{12} = 75[/math]
  • Deviazione Standard: [math]\sigma = \sqrt{75} \approx 8.66[/math] minuti
• Stimare probabilità di superamento tempi standard (65 minuti): L’intervallo totale è [45, 75] con una lunghezza di 75 – 45 = 30 minuti. Il tempo di lavorazione superiore a 65 minuti corrisponde all’intervallo (65, 75] con una lunghezza di 75 – 65 = 10 minuti. [math]P(X > 65) = \frac{75 – 65}{75 – 45} = \frac{10}{30} = \frac{1}{3} \approx 0.33[/math]
• ✅Stiamo calcolando la proporzione dell’intervallo totale di tempo di lavorazione che supera i 65 minuti.
• ✅ Ogni minuto tra 45 e 75 minuti ha la stessa probabilità di essere il tempo di lavorazione.

Codice Python:

import numpy as np

a, b = 45, 75
dev_std = np.sqrt(((b - a)**2) / 12)
tempo_medio = (a + b) / 2

# Probabilità di superare 65 minuti
prob_superamento = (75 - 65) / (75 - 45)
print(f"Probabilità superamento: {prob_superamento:.2f}")

Probabilità superamento: 0.33

Esercizio 5: Modello Complesso di Rischio

Un analista finanziario studia due variabili di rischio che seguono una distribuzione uniforme tra 0 e 1.

Generare 1000 simulazioni per:

• Calcolare la correlazione tra i due rischi
• Valutare la probabilità di rischi simultanei
• Interpretare i risultati dal punto di vista statistico

Soluzione :

1. Generare distribuzioni multiple
2. Calcolare correlazioni
3. Valutare probabilità congiunte

Codice Python:

import numpy as np

# Simulazione rischio multiplo
rischio_a = np.random.uniform(0, 1, 1000)
rischio_b = np.random.uniform(0, 1, 1000)

correlazione = np.corrcoef(rischio_a, rischio_b)[0, 1]
print(f"Correlazione tra rischi: {correlazione:.2f}")

Correlazione tra rischi: -0.02

Spiegazione:

• Generare distribuzioni multiple: Il codice Python genera due array di 1000 numeri casuali ciascuno, rischio_a e rischio_b, entrambi distribuiti uniformemente tra 0 e 1.
• Calcolare correlazioni: np.corrcoef(rischio_a, rischio_b)[0, 1] calcola il coefficiente di correlazione di Pearson tra i due array.
  • ✅La correlazione misura la forza e la direzione di una relazione lineare tra due variabili. Per due variabili casuali indipendenti, la correlazione teorica è 0.
  • ✅ Poiché rischio_a e rischio_b sono generati indipendentemente, non ci si aspetta una relazione lineare significativa tra loro.
• Valutare probabilità congiunte: La domanda sulla “probabilità di rischi simultanei” è un po’ vaga. Potrebbe significare diverse cose, come la probabilità che entrambi i rischi superino una certa soglia, o che la loro somma superi un certo valore. Senza una definizione più precisa, possiamo solo osservare le simulazioni. Se volessimo calcolare, ad esempio, la probabilità che entrambi i rischi siano superiori a 0.5, potremmo fare:

prob_entrambi_superiori_05 = np.mean((rischio_a > 0.5) & (rischio_b > 0.5))
print(f"Probabilità entrambi i rischi > 0.5: {prob_entrambi_superiori_05:.2f}")

Probabilità entrambi i rischi > 0.5: 0.25

• Teoricamente, poiché i rischi sono indipendenti e uniformemente distribuiti tra 0 e 1, la probabilità che un singolo rischio sia maggiore di 0.5 è (1 – 0.5) / (1 – 0) = 0.5. Quindi, la probabilità che entrambi siano maggiori di 0.5 è 0.5 * 0.5 = 0.25.
• Interpretare i risultati dal punto di vista statistico:
  • La correlazione calcolata (-0.02 nel risultato fornito) è molto vicina a zero, il che indica che non c’è una relazione lineare significativa tra le due variabili di rischio, come ci si aspetterebbe per variabili generate indipendentemente.
  • La probabilità di eventi congiunti può essere stimata dalla frequenza con cui tali eventi si verificano nella simulazione. Ad esempio, se abbiamo calcolato la probabilità che entrambi i rischi siano superiori a 0.5, il valore ottenuto dalla simulazione dovrebbe essere vicino al valore teorico (0.25).

Conclusioni:

La distribuzione uniforme è un modello probabilistico semplice ma fondamentale, utile in scenari dove ogni esito all’interno di un intervallo è equiprobabile. Gli esercizi presentati illustrano bene come applicare questo modello in diversi contesti, dal tempo di attesa ai tempi di consegna e all’analisi di rischio. La combinazione di calcoli teorici e simulazioni in Python offre un approccio pratico per comprendere e verificare i concetti.

 

 

(190)

PubblicitàPubblicità