Nell’ambito aziendale e produttivo la capacità di prendere decisioni informate è fondamentale. La statistica, con i suoi strumenti e metodologie, si rivela un alleato insostituibile in questo contesto. Non si tratta solo di numeri astratti, ma di una disciplina che offre insights concreti per ottimizzare processi, migliorare la qualità, prevedere andamenti e allocare risorse in modo efficiente.

Per questo motivo, gli esercizi che seguono non sono semplici calcoli teorici. Abbiamo scelto di ispirarci a contesti reali e scenari legati al funzionamento di imprese e sistemi produttivi. Questo approccio mira a rafforzare la connessione tra la teoria statistica e la sua applicazione pratica, permettendoti di comprendere come ogni formula e ogni test possa tradursi in una decisione strategica o operativa che impatta direttamente sui risultati aziendali. Preparati a esplorare il mondo della statistica attraverso sfide che richiamano le dinamiche quotidiane del business

---

Ecco 6 esercizi di statistica con difficoltà crescente, completi di spiegazioni  pratiche in contesti aziendali e produttivi.

Esercizio 1 (Facile) – Media e Varianza

Scenario:

Un’azienda vuole valutare il tempo (in minuti) impiegato da 5 dipendenti per completare un’operazione ripetitiva:

12, 15, 10, 14, 13

Calcolare:

• Media
• Varianza
• Interpretare i risultati in termini di efficienza produttiva

Soluzione:

Media ([math]\mu[/math]):

[math]\mu = \frac{12+15+10+14+13}{5} = \frac{64}{5} = 12.8 \text{ minuti}[/math]

Significato aziendale: In media, un dipendente impiega [math]12.8[/math] minuti per completare l’operazione.

Varianza ([math]\sigma^2[/math]):

[math]\sigma^2 = \frac{(12-12.8)^2+(15-12.8)^2+(10-12.8)^2+(14-12.8)^2+(13-12.8)^2}{5}[/math]

[math]\sigma^2 = \frac{0.64+4.84+7.84+1.44+0.04}{5} = \frac{14.8}{5} = 2.96 \text{ minuti}^2[/math]

Significato aziendale: Una varianza bassa ([math]2.96[/math]) indica che i tempi sono abbastanza uniformi, suggerendo un processo stabile.

Teoria:

• Media misura la tendenza centrale.
• Varianza misura la dispersione dei dati.

Applicazione:

Se la varianza fosse alta ([math]>5[/math]), l’azienda dovrebbe investigare perché alcuni dipendenti sono molto più lenti/veloci (formazione? problemi organizzativi?).

---

Esercizio 2 (Medio) – Probabilità e Controllo Qualità

Scenario:

Un’azienda produce componenti elettronici con un tasso di difettosità del [math]5\%[/math]. Viene estratto un campione di [math]20[/math] pezzi.

Domande:

• Probabilità che esattamente [math]2[/math] siano difettosi?
• Probabilità che al massimo [math]1[/math] sia difettoso?
• Cosa suggeriresti all’azienda se la probabilità di [math]>2[/math] difettosi supera il [math]10\%[/math]?

Soluzione:

Distribuzione Binomiale:

[math]P(X=2)=\binom{20}{2}(0.05)^2(0.95)^{18} \approx 0.1887 (18.87\%)[/math]

Probabilità cumulativa ([math]X \leq 1[/math]):

[math]P(X=0)=(0.95)^{20} \approx 0.3585[/math]

[math]P(X=1)=\binom{20}{1}(0.05)(0.95)^{19} \approx 0.3774[/math]

[math]P(X \leq 1)=0.3585+0.3774 \approx 0.7359 (73.59\%)[/math]

Analisi decisionale:

Se [math]P(X>2)=1-P(X \leq 2) \approx 1-0.9245=7.55\% < 10\%[/math], la situazione è accettabile.

Se superasse il [math]10\%[/math], l’azienda dovrebbe migliorare il processo produttivo (ridurre difettosità sotto il [math]3\%[/math]).

Teoria:

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

Applicazione:

Il controllo qualità usa probabilità per valutare se un processo è sotto controllo.

---

Esercizio 3 (Medio-Difficile) – Regressione Lineare

Scenario:

Un’azienda vuole stimare la relazione tra spese in pubblicità (X, in k€) e vendite (Y, in k€). Dati:

Trovare:

• Equazione della retta di regressione [math]\hat{Y}=a+bX[/math]
• Interpretare il coefficiente angolare (b) in termini aziendali
• Prevedere le vendite per [math]X=22[/math] k€

Soluzione:

Calcolo coefficienti:

Somme necessarie:

• [math]\sum X = 10+15+20+25+30=100[/math]
• [math]\sum Y = 50+70+80+90+110=400[/math]
• [math]\sum XY = (10 \cdot 50)+(15 \cdot 70)+(20 \cdot 80)+(25 \cdot 90)+(30 \cdot 110) = 500+1050+1600+2250+3300=8700[/math]
• [math]\sum X^2 = 10^2+15^2+20^2+25^2+30^2=100+225+400+625+900=2250[/math]
• [math]n=5[/math]

[math] \begin{align*} b &= \frac{n\sum XY – (\sum X)(\sum Y)}{n\sum X^2 – (\sum X)^2} \ &= \frac{5 \cdot 8700 – 100 \cdot 400}{5 \cdot 2250 – 100^2} \ &= \frac{43500 – 40000}{11250 – 10000} \ &= \frac{3500}{1250} = 2.8 \end{align*} [/math]

[math]\bar{X} = \frac{100}{5} = 20[/math] [math]\bar{Y} = \frac{400}{5} = 80[/math]

[math]a=\bar{Y}-b\bar{X}=80-2.8 \cdot 20 = 80-56=24[/math]

Retta di Regressione:

[math]\hat{Y}=24+2.8X[/math]

Interpretazione di b:

[math]b=2.8[/math] significa che per ogni 1 k€ in più speso in pubblicità, le vendite previste aumentano di 2.8 k€. Questo indica l’efficacia incrementale degli investimenti pubblicitari.

Previsione per [math]X=22[/math]:

[math]\hat{Y}=24+2.8 \cdot 22 = 24+61.6=85.6 \text{ k€}[/math]

Teoria:

La Regressione Lineare modella la relazione lineare tra una variabile dipendente e una o più variabili indipendenti, permettendo di fare previsioni.

Applicazione:

Questo strumento aiuta le aziende a ottimizzare i budget pubblicitari e a prevedere i risultati delle vendite basandosi sugli investimenti.

---

Esercizio 4 (Difficile) – Test d’Ipotesi (Z-test)

Scenario:

Un’azienda sostiene che il peso medio delle confezioni è [math]500[/math]g. Un campione di [math]50[/math] confezioni ha media [math]495[/math]g e deviazione standard [math]10[/math]g.

Verificare ([math]\alpha=5\%[/math]):

• Ipotesi nulla ([math]H_0[/math]) e alternativa ([math]H_1[/math])
• Statistica test Z e decisione
• Implicazioni per il controllo qualità

Soluzione:

Ipotesi:

[math]H_0: \mu=500[/math]

[math]H_1: \mu \neq 500[/math]

Calcolo Z:

[math]Z=\frac{\bar{X}-\mu}{\sigma/\sqrt{n}}=\frac{495-500}{10/\sqrt{50}} \approx \frac{-5}{10/7.07} \approx \frac{-5}{1.414} \approx -3.54[/math]

Valore critico:

[math]|Z_{0.025}|=1.96[/math]

Decisione:

[math]-3.54 < -1.96 \implies[/math] Rifiuto [math]H_0[/math]

Implicazioni:

Il peso medio non è [math]500[/math]g, serve un aggiustamento del macchinario.

Teoria:

• Z-test verifica se una media campionaria differisce da un valore atteso.

Applicazione:

Usato in produzione per garantire standard qualitativi.

---

Esercizio 5 (Molto Difficile) – ANOVA

Scenario:

Un’azienda testa [math]3[/math] metodi produttivi per ridurre i tempi (in minuti):

Metodo A	Metodo B	Metodo C
10	12	8
11	13	9
9	11	7

Domande:

• Esiste una differenza significativa tra i metodi? ([math]\alpha=5\%[/math])
• Quale metodo consiglieresti?

Soluzione:

ANOVA a un fattore:

Calcolo F-ratio confrontando varianza tra gruppi e dentro gruppi.

Se [math]F>F_{crit}[/math], rifiuto [math]H_0[/math] (“le medie sono uguali”).

Risultato: [math]F \approx 12.5 > F_{crit}=4.26 \implies[/math] Differenza significativa.

Analisi post-hoc:

Metodo C ha media più bassa ([math]8[/math] minuti) [math]\rightarrow[/math] più efficiente.

Teoria:

• ANOVA confronta medie di più gruppi.

Applicazione:

Scelta di processi ottimali in produzione.

---

Esercizio 6 (Estremamente Difficile) – Ottimizzazione con Programmazione Lineare

Scenario:

Un’azienda produce 2 prodotti (X e Y) con le seguenti caratteristiche:

• Profitto: Prodotto X = 4€, Prodotto Y = 6€
• Risorse:
  • Lavoro: [math]2[/math]h per X, [math]3[/math]h per Y (disponibilità massima: [math]\textbf{52.5}[/math]h)
  • Materiale: [math]1[/math]kg per X, [math]2[/math]kg per Y (disponibilità massima: [math]30[/math]kg)

Trovare:

• Vincoli e funzione obiettivo
• Soluzione ottimale (grafico o simplesso)
• Interpretazione manageriale

Soluzione:

Modello di Programmazione Lineare:

Funzione Obiettivo (Massimizzare il Profitto Z): [math]\text{Max } Z=4X+6Y[/math]

Vincoli:

• Vincolo sul Lavoro: [math]2X+3Y \leq 52.5[/math] (ore di lavoro)
• Vincolo sul Materiale: [math]X+2Y \leq 30[/math] (kg di materiale)
• Vincoli di Non Negatività: [math]X \geq 0, Y \geq 0[/math] (non si possono produrre quantità negative)

Soluzione Ottimale (Metodo Grafico):

Per trovare la soluzione ottimale, identifichiamo i punti di intersezione dei vincoli e valutiamo la funzione obiettivo in tali punti (gli angoli della regione ammissibile).

Intersezione delle Retta del Lavoro ([math]2X+3Y=52.5[/math]) e del Materiale ([math]X+2Y=30[/math]):

Dalla seconda equazione, ricaviamo

X: [math]X=30-2Y[/math]. Sostituiamo X nella prima equazione: [math] \begin{align*} 2(30-2Y)+3Y &= 52.5 \ 60-4Y+3Y &= 52.5 \ 60-Y &= 52.5 \ Y &= 60-52.5 \implies \textbf{Y = 7.5} \end{align*} [/math] Sostituendo [math]Y=7.5[/math] in [math]X=30-2Y[/math]: [math]X=30-2(7.5)=30-15 \implies \textbf{X = 15}[/math]

Questo punto di intersezione è [math](15, 7.5)[/math].

Valutazione dei Punti Angolari Ammissibili:

• [math](0, 0)[/math]: [math]Z=4(0)+6(0)=0€[/math]
• Intersezione Materiale con asse Y: [math]0+2Y=30 \implies Y=15[/math]. Punto [math](0, 15)[/math]: [math]Z=4(0)+6(15)=90€[/math]

(Questo punto è ammissibile per il vincolo Lavoro: [math]2(0)+3(15)=45 \leq 52.5[/math])

• Il punto di intersezione dei due vincoli attivi ([math]15, 7.5[/math]): [math]Z=4(15)+6(7.5)=60+45=105€[/math]

Nota sui punti non ammissibili:

• Intersezione Lavoro con asse Y: [math]2(0)+3Y=52.5 \implies Y=17.5[/math]. Punto [math](0, 17.5)[/math]: [math]Z=4(0)+6(17.5)=105€[/math]

(Questo punto non è ammissibile per il vincolo Materiale: [math]0+2(17.5)=35 > 30[/math])

• Intersezione Materiale con asse X: [math]X+2(0)=30 \implies X=30[/math]. Punto [math](30, 0)[/math]: [math]Z=4(30)+6(0)=120€[/math]

(Questo punto non è ammissibile per il vincolo Lavoro: [math]2(30)+3(0)=60 > 52.5[/math])

Soluzione Ottimale:

Confrontando i profitti nei punti angolari ammissibili ([math]0,0[/math]), ([math]0,15[/math]) e ([math]15,7.5[/math]), il profitto massimo si ottiene producendo 15 unità di X e 7.5 unità di Y, generando un profitto di 105€.

Interpretazione Manageriale:

Per massimizzare il profitto a 105€, l’azienda dovrebbe produrre 15 unità di prodotto X e 7.5 unità di prodotto Y. Questo piano di produzione consente di sfruttare pienamente le risorse di lavoro e materiale disponibili, massimizzando l’efficienza. Nella pratica, per prodotti fisici, sarebbe necessario considerare l’arrotondamento (es. produrre 15 unità di X e 7 unità di Y o 15 di X e 8 di Y) e ricalcolare il profitto e l’utilizzo delle risorse per ciascun caso.

Teoria:

La Programmazione Lineare è una tecnica di ottimizzazione matematica che permette di trovare il massimo (o minimo) di una funzione obiettivo lineare, soggetta a un insieme di vincoli lineari. È uno strumento fondamentale per l’allocazione delle risorse in scenari di scarsità.

Applicazione:

È largamente impiegata per la pianificazione della produzione, la gestione della logistica, l’allocazione del personale e altre decisioni strategiche che richiedono l’ottimizzazione di risorse limitate.

---

Conclusione

La statistica non è solo un esercizio accademico; è uno strumento potente per guidare le decisioni strategiche e operative in ogni settore aziendale.

• Efficienza e Ottimizzazione dei Processi:

  • Misurazione dell’efficienza (Esercizio 1): Analizzare la media e la varianza dei tempi di completamento delle operazioni aiuta a identificare colli di bottiglia, a standardizzare le procedure e a ottimizzare l’allocazione delle risorse umane. Una varianza elevata può indicare la necessità di formazione aggiuntiva o di una revisione del processo.
  • Ottimizzazione Metodi Produttivi (Esercizio 5): L’ANOVA consente alle aziende di confrontare l’efficacia di diversi metodi, macchinari o fornitori. Questo è cruciale per selezionare le pratiche più efficienti e ridurre i costi operativi.
  • Pianificazione della Produzione (Esercizio 6): La programmazione lineare è essenziale per massimizzare il profitto o minimizzare i costi, tenendo conto delle limitazioni di risorse (lavoro, materiali, tempo). Permette di determinare la quantità ottimale di ciascun prodotto da produrre.

• Controllo Qualità e Gestione del Rischio:

  • Monitoraggio della Qualità (Esercizio 2): L’uso della distribuzione binomiale nel controllo qualità permette alle aziende di valutare la probabilità di produrre un certo numero di pezzi difettosi. Questo è fondamentale per impostare soglie di accettazione e per identificare quando il processo produttivo sta deviando dagli standard.
  • Conformità agli Standard (Esercizio 4): I test d’ipotesi sono strumenti indispensabili per verificare se i prodotti rispettano le specifiche (es. peso, dimensioni, purezza). Rifiutare l’ipotesi nulla significa che c’è un problema nel processo che necessita di un intervento immediato, evitando sprechi e richiami di prodotti.

• Marketing e Strategia Commerciale:

  • Analisi dell’Efficacia del Marketing (Esercizio 3): La regressione lineare è ampiamente utilizzata per quantificare la relazione tra investimenti di marketing (es. pubblicità) e risultati di vendita. Questo permette alle aziende di allocare il budget pubblicitario in modo più efficace e di prevedere le vendite future.
  • Segmentazione del Mercato: Sebbene non trattato direttamente, la statistica supporta la segmentazione del mercato, l’analisi del comportamento dei consumatori e la previsione della domanda.

(142)

PubblicitàPubblicità