DISTRIBUZIONI DI PROBABILITA’ DISCRETE

1. Distribuzione binomiale o di Bernoulli

Alcuni esperimenti consistono nell’eseguire ripetutamente una data operazione, ad esempio,

lanciare ripetutamente una moneta o un dado oppure scegliere ripetutamente una pallina da un’urna;
in questi casi, chiameremo “prova” ogni lancio o scelta. In ogni prova, ad ogni evento, come la testa
per la moneta, il 4 per il dado o la pallina rossa nella scelta dell’urna, sarà associata una probabilità.
In qualche caso la probabilità non varierà da una prova all’altra (come nel caso del lancio di una
moneta o di un dado). Prove di quest’ultimo tipo saranno dette “indipendenti” o anche “prove
bernoulliane” dopo che Giacomo Bernoulli le studiò alla fine del XVII secolo.

Sia p la probabilità con la quale un evento si verifica in una prova bernoulliana (la chiameremo
probabilità di “successo”). Allora q = 1 − p sarà la probabilità che l’evento non si verifichi (la
chiameremo probabilità dell’ “insuccesso”). La probabilità che l’evento si verifichi esattamente x
volte in n prove (cioè x successi e n − x insuccessi) è data dalla funzione di probabilità

n
f (x ) = P(X = x ) =  p x q n − x =
n!
p x q n −x (1)
 
x x ! (n - x ) !

in cui la variabile casuale X denota il numero dei successi che si verificano in n prove e x = 0,1,.. ,n.
La funzione di probabilità discreta (1) è chiamata “ distribuzione binomiale” o “distribuzione
bernoulliana”. Una variabile casuale la cui distribuzione è la (1) è detta variabile casuale
“bernoulliana” o “distribuita binomialmente”.

Esempio
La probabilità di ottenere esattamente 2 teste in 6 lanci di una moneta non truccata è

2 6− 2 2 4
 6  1   1  6!  1   1 
P(X = 2 ) =     
15
=     =
 2  2   2  2! 4!  2   2  64

1.1 Alcune proprietà della distribuzione binomiale

Alcune importanti proprietà della distribuzione binomiale sono raggruppate nella seguente tabella.

Media µ = np
Varianza σ2 = npq
Deviazione standard σ = npq

Esempio
1
In 100 lanci il numero medio di teste è µ = np = (100 )  = 50 mentre la deviazione standard è
2

σ = npq = (100) 1  1  = 5 .

 2  2 

1
 Relazione di ricorrenza per la distribuzione binomiale

n−x p
P(X = x + 1) = ⋅ ⋅ P(X = x)
x +1 q

Questa relazione è particolarmente utile se si devono calcolare molti valori della probabilità con la
distribuzione binomiale per gli stessi valori di n e p.
Usando la relazione di ricorrenza, dopo aver calcolato P(X = 0), le probabilità P(X = 1), P(X = 2),
… possono essere facilmente ottenute senza dover fare lunghi calcoli coinvolgenti i coefficienti
binomiali.

Esempio
Si effettuano 6 lanci di una moneta; studiare la distribuzione di probabilità della variabile aleatoria
binomiale X = numero di teste T uscite nei 6 lanci.

1
Il successo è dato dall’uscita T e la probabilità di successo è p =
.
2
Calcoliamo con la formula della distribuzione binomiale la probabilità di ottenere 0 volte l’uscita T

0 6
 6  1   1 
P(X = 0) =      = 0,015625
 0  2   2 

Applicando la formula di ricorrenza si calcolano gli altri valori della probabilità.

6 0,5
P(X = 1) = ⋅ ⋅ P(X = 0) = 0,093750
1 0,5

5
P(X = 2) = ⋅ P(X = 1) = 0,234375
2

4
P(X = 3) = ⋅ P(X = 2) = 0,312500
3

3
P(X = 4) = ⋅ P(X = 3) = 0,234375
4

2
P(X = 5) = ⋅ P(X = 4) = 0,093750
5

1
P(X = 6) = ⋅ P(X = 5) = 0,015625
6

2
1.2 Rappresentazione grafica della distribuzione binomiale

La distribuzione binomiale viene rappresentata graficamente per mezzo di un istogramma o di un

diagramma a barre. La forma della distribuzione dipende dal valore della probabilità di successo p.
1 1
Nel caso p = , è anche 1 − p = : ciò significa che il successo e l’insuccesso sono ugualmente
2 2
probabili; da questo segue che la probabilità di avere ad esempio 2 successi (e quindi n − 2
insuccessi) è uguale alla probabilità di avere n − 2 successi (e quindi 2 insuccessi).
L’istogramma della distribuzione è quindi simmetrico (figura 1).
1 1
Se invece: p < oppure p > , l’istogramma è asimmetrico; nel primo caso l’asimmetria è
2 2
positiva, la distribuzione è obliqua a destra (figura 2), nel secondo caso l’asimmetria è negativa, la
distribuzione è obliqua a sinistra (figura 3).

3
Esempio
Se si effettuano 6 lanci di una moneta e si indica con la variabile aleatoria binomiale X il numero
di teste T uscite nei 6 lanci (esempio a pagina 2)

x P(X = x)
0 0,015625
1 0,093750
2 0,234375
3 0,312500
4 0,234375
5 0,093750
6 0,015625

Il grafico della distribuzione di probabilità è rappresentato dal seguente istogramma

1
Si noti la simmetria, dovuta al fatto che p = . Data la simmetria, non è necessario ripetere il
2
calcolo degli ultimi tre valori delle probabilità P(X = 4), P(X = 5), P(X = 6), che sono
rispettivamente uguali a quelli gia calcolati P(X = 2), P(X = 1), P(X = 0).

2. La distribuzione di Poisson

Vi sono fenomeni in cui determinati eventi, con riferimento a un certo intervallo di tempo o di
spazio, accadono raramente: il numero di eventi che si verificano in quell’intervallo varia da 0 a n, e
n non è determinabile a priori. Ad esempio, il numero di automobili che transitano in una strada
poco frequentata in un intervallo di tempo di 5 minuti scelto a caso, può essere considerato un
evento raro; analogamente sono eventi rari il numero di infortuni sul lavoro che accadono in una
azienda in una settimana o il numero di errori di stampa presenti in una pagina di un libro.
Nello studio degli eventi rari, come quelli degli esempi citati, è fondamentale il riferimento a uno
specifico intervallo di tempo o di spazio.
Per lo studio di eventi rari del tipo di quelli descritti si utilizza la “distribuzione di probabilità di
Poisson”, così chiamata in onore del matematico francese S.D. Poisson, che la scoprì agli inizi del
XIX secolo); questa distribuzione è molto usata come modello di probabilità in biologia e medicina.

4
Sia X la variabile casuale discreta che indica il numero di volte in cui si verifica un evento raro in
un dato intervallo di tempo o di spazio, ossia il numero di successi; la variabile X può assumere i
valori x = 0,1,2,…. .
La probabilità che la variabile casuale X assuma il valore x è data dalla “distribuzione di probabilità
di Poisson”
λ x e −λ
f(x) = P(X = x) = x = 0, 1, 2,… (2)
x!

dove il parametro λ > 0 indica il numero medio di realizzazioni dell’evento nell’intervallo

assegnato.
Una variabile casuale che ammette questa distribuzione è detta “distribuita poissonianamente”.

2.1 Alcune proprietà della distribuzione di Poisson

Alcune importanti proprietà della distribuzione binomiale sono raggruppate nella seguente tabella.

Media µ=λ
Varianza σ2 = λ
Deviazione standard σ= λ

2.2 Relazione tra le distribuzioni binomiale e di Poisson

Quando, nella distribuzione binomiale, n è grande mentre la probabilità p che un evento si verifichi
è vicina a zero così che q = 1 − p è vicino ad 1, l’evento è detto “evento raro” e la distribuzione
binomiale (1) può essere approssimata con la distribuzione di Poisson (2) avente media λ = np.
Una “regola pratica” accettabile è di usare questa approssimazione se n ≥ 50 e p ≤ 0,1. La regola
comunque non è rigida: si può dire che più è piccola la probabilità p e più è grande n, migliore è
l’approssimazione.

Esempio
Se la probabilità che un individuo sia allergico ad un dato siero è 0,001, determinare le probabilità
che su 2000 individui siano allergici
a) esattamente 3;
b) più di 2.

Sia X il numero degli individui allergici. X è distribuita bernoullianamente, ma poiché si suppone

che un caso di allergia sia un evento raro, possiamo supporre che X sia distribuita
poissonianamente cioè
λ x e −λ
P(X = x) = in cui λ = np = (2000)(0,001) = 2
x!
2 3 e −2
a) P(X = 3) = = 0,180
3!
 2 0 e −2 21 e −2 2 2 e −2 
b) P(X > 2) = 1 − [P(X = 0) + P(X = 1) + P(X = 2)] = 1 −  + + −2
 = 1 − 5e = 0,323
 0! 1! 2! 

La valutazione esatta della probabilità mediante la distribuzione binomiale sarebbe stata molto più
laboriosa.

5
 Relazione di ricorrenza per la distribuzione di Poisson

In alcuni casi è richiesto di calcolare più valori della distribuzione di Poisson per lo stesso valor
medio µ = λ. Può essere utile la seguente relazione di ricorrenza, simile a quella valida per la
distribuzione binomiale

λ
P(X = x + 1) = ⋅ P(X = x)
x +1

Con questa relazione, partendo da P(X = 0) = e − λ , si possono calcolare successivamente le

probabilità P(X = 1), P(X = 2),….

Esempio
La variabile aleatoria X ha la distribuzione di probabilità di Poisson con valor medio λ = 3,5.
Calcolare P(X = 0), P(X = 1), P(X = 2), P(X = 3), P(X = 4), P(X = 5),….

Usando la relazione di ricorrenza si ha

P(X = 0) = e −3,5 = 0,0302

P(X = 1) = 3,5 ⋅ P(X = 0) = 3,5 ⋅ 0,0302 = 0,1057

3,5 3,5
P(X = 2) = ⋅ P(X = 1) = ⋅ 0,1057 = 0,1850
2 2

3,5 3,5
P(X = 3) = ⋅ P(X = 2) = ⋅ 0,1850 = 0,2158
3 3

3,5 3,5
P(X = 4) = ⋅ P(X = 3) = ⋅ 0,2158 = 0,1888
4 4

3,5 3,5
P(X = 5) = ⋅ P(X = 4) = ⋅ 0,1888 = 0,1322
5 5

…….

2.3 Rappresentazione grafica della distribuzione di Poisson

Anche la distribuzione di Poisson viene rappresentata graficamente con un istogramma o con un

diagramma a barre. Al crescere di λ il grafico presenta un aspetto maggiormente simmetrico, come
si può osservare dai grafici della figura 4 riportati nella pagina seguente, dove sono rappresentate
alcune distribuzioni di Poisson per valori crescenti di λ; si noti che i diagrammi sono troncati dopo
un opportuno valore di x, perché, anche se la variabile X può assumere valori maggiori, le
corrispondenti probabilità sono molto basse.

6
 Figura 4

Esempio
La probabilità che un oggetto prodotto da una macchina sia difettoso è p = 0,15; calcolare le
probabilità che in un campione di 10 oggetti scelti a caso, ci siano 0, 1, 2, ….., 10 oggetti difettosi
usando la distribuzione binomiale e la distribuzione di Poisson, e confrontare su un grafico i
risultati ottenuti.

Usando le relazioni di ricorrenza per le due distribuzioni

otteniamo i valori riportati nella seguente tabella
BINOMIALE POISSON
(n = 10; p = 0,15) (λ = np = 1,5)
x P(X = x) P(X = x)
0 0,1969 0,2231
1 0,3474 0,3347
2 0,2759 0,2510
3 0,1298 0,1255
4 0,0401 0,0471
5 0,0085 0,0141
6 0,0012 0,0035
7 0,0001 0,0008
8 0,0000 0,0001
9 0,0000 0,0000
10 0,0000 0,0000