Calcolatrice di Distribuzione di Probabilità

Benvenuti nella Calcolatrice di distribuzione di probabilità, uno strumento statistico completo per calcolare probabilità, probabilità cumulative (CDF) e quantili (CDF inversa) per varie distribuzioni di probabilità. Che tu sia uno studente che impara la statistica, un ricercatore che analizza dati o un professionista che lavora con modelli statistici, questa calcolatrice fornisce soluzioni dettagliate passo-passo e visualizzazioni interattive per aiutarti a comprendere le distribuzioni di probabilità.

Distribuzioni di Probabilità Supportate

Questa calcolatrice supporta sette distribuzioni di probabilità comunemente utilizzate, ciascuna adatta a diversi tipi di fenomeni casuali:

Comprendere le Funzioni PDF, CDF e Quantile

Funzione di Densità/Massa di Probabilità (PDF/PMF)

La PDF (per distribuzioni continue) o PMF (per distribuzioni discrete) fornisce la probabilità relativa che una variabile casuale assuma un valore specifico. Per le distribuzioni continue, il valore PDF in sé non è una probabilità ma una densità; le probabilità si trovano integrando la PDF su un intervallo.

Funzione di Distribuzione Cumulativa (CDF)

La CDF, indicata come F(x), fornisce la probabilità che una variabile casuale X sia minore o uguale a un valore x. Si scrive come P(X ≤ x). La CDF aumenta sempre da 0 a 1 all'aumentare di x.

Funzione Quantile (CDF Inversa)

La funzione quantile (chiamata anche funzione percent-point o CDF inversa) trova il valore x per il quale P(X ≤ x) = p. Risponde alla domanda: "Quale valore è superato solo dal (1-p)×100% della distribuzione?" Questo è essenziale per trovare i valori critici nei test di ipotesi.

Formule di Distribuzione

Distribuzione Normale

La distribuzione Normale (Gaussiana) è simmetrica e a forma di campana, caratterizzata dalla media μ (centro) e dalla deviazione standard σ (dispersione).

• PDF: \( f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \)
• CDF: \( F(x) = \frac{1}{2}\left[1 + \text{erf}\left(\frac{x-\mu}{\sigma\sqrt{2}}\right)\right] \)
• Quantile: \( x = \mu + \sigma \cdot \Phi^{-1}(p) \)

Distribuzione Binomiale

Modella il numero di successi in n prove indipendenti, ciascuna con probabilità di successo p.

• PMF: \( P(X=k) = \binom{n}{k} p^k (1-p)^{n-k} \)
• CDF: \( F(k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i} \)

Distribuzione di Poisson

Modella il numero di eventi in un intervallo fisso quando gli eventi si verificano a un tasso medio costante λ.

• PMF: \( P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} \)
• CDF: \( F(k) = e^{-\lambda} \sum_{i=0}^{k} \frac{\lambda^i}{i!} \)

Distribuzione Esponenziale

Modella il tempo tra gli eventi in un processo di Poisson con tasso λ.

• PDF: \( f(x) = \lambda e^{-\lambda x} \) per x ≥ 0
• CDF: \( F(x) = 1 - e^{-\lambda x} \)
• Quantile: \( x = -\frac{\ln(1-p)}{\lambda} \)

Distribuzione Chi-Quadrato

Sorge in statistica come somma di variabili normali standard al quadrato. Utilizzata nei test di ipotesi e negli intervalli di confidenza per la varianza.

• PDF: \( f(x) = \frac{x^{k/2-1} e^{-x/2}}{2^{k/2} \Gamma(k/2)} \) per x > 0

Distribuzione t di Student

Simile alla Normale ma con code più pesanti. Utilizzata per l'inferenza sulle medie della popolazione quando la dimensione del campione è piccola o la varianza della popolazione è ignota.

• PDF: \( f(x) = \frac{\Gamma\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\,\Gamma\left(\frac{\nu}{2}\right)} \left(1+\frac{x^2}{\nu}\right)^{-\frac{\nu+1}{2}} \)

Come Usare Questa Calcolatrice

1. Seleziona una distribuzione: Clicca sulla scheda della distribuzione che corrisponde ai tuoi dati o al tuo problema. Ogni scheda mostra il tipo di distribuzione (continua o discreta).
2. Scegli il tipo di calcolo: Seleziona PDF/PMF per la probabilità in un punto, CDF per la probabilità cumulativa, o Quantile per trovare un valore data una probabilità.
3. Inserisci i parametri: Inserisci i parametri della distribuzione. Il modulo mostra dinamicamente solo i parametri rilevanti per la distribuzione scelta.
4. Inserisci il valore o la probabilità: Per PDF/CDF, inserisci il valore x (o k per le discrete). Per Quantile, inserisci una probabilità tra 0 e 1.
5. Esamina i risultati: Esamina il risultato calcolato, la derivazione matematica passo-passo e la visualizzazione interattiva della distribuzione.

Domande Frequenti

Cos'è una distribuzione di probabilità?

Una distribuzione di probabilità è una funzione matematica che descrive la probabilità di diversi risultati possibili per una variabile casuale. Può essere discreta (come la Binomiale o la Poisson) per risultati numerabili, o continua (come la Normale o l'Esponenziale) per risultati che possono assumere qualsiasi valore all'interno di un intervallo.

Qual è la differenza tra PDF e CDF?

La PDF (Funzione di Densità di Probabilità) o PMF (Funzione di Massa di Probabilità) fornisce la densità di probabilità in un punto specifico. Per le distribuzioni discrete, la PMF fornisce la probabilità esatta P(X=k). La CDF (Funzione di Distribuzione Cumulativa) fornisce la probabilità che la variabile casuale sia minore o uguale a un valore: P(X≤x). La CDF è la somma cumulativa o l'integrale della PDF/PMF.

Quando dovrei usare la distribuzione Normale?

La distribuzione Normale è appropriata per dati continui distribuiti simmetricamente attorno a un valore medio. È comunemente usata per fenomeni come altezze, punteggi dei test, errori di misurazione e molte variabili biologiche. Il Teorema del Limite Centrale afferma che le medie campionarie tendono alla distribuzione normale indipendentemente dalla distribuzione della popolazione.

Cos'è una funzione quantile?

La funzione quantile (chiamata anche CDF inversa o funzione percent-point) trova il valore x tale che P(X≤x) = p per una data probabilità p. Ad esempio, il 95° percentile (p=0,95) di una distribuzione è il valore al di sotto del quale ricade il 95% delle osservazioni.

Come scelgo tra le diverse distribuzioni?

Scegli in base alle caratteristiche dei tuoi dati: Normale per dati continui simmetrici attorno a una media; Binomiale per il conteggio dei successi in prove fisse; Poisson per il conteggio di eventi rari in un intervallo fisso; Esponenziale per il tempo tra gli eventi; Uniforme per probabilità uguali in un intervallo; Chi-Quadrato per il test della varianza; t di Student per piccoli campioni con varianza della popolazione ignota.