Nel 1847, il matematico francese Augustin-Louis Cauchy stava lavorando su calcoli astronomici, quando ideò un metodo comune di ottimizzazione ora noto come discesa del gradiente. Oggi la maggior parte dei programmi di machine learning si basa su questa tecnica, e anche altri campi la usano per analizzare dati e risolvere problemi ingegneristici.
Leggi tutto “La Discesa del Gradiente: un nuovo studio mette in discussione un assunto base sull’ottimizzazione”Il Metodo Montecarlo spiegato in modo semplice e applicato a casi reali
Cos’è il metodo Monte Carlo
La storia del metodo Monte Carlo comincia nel modo più improbabile: con un matematico a letto che gioca a carte. Nel 1946, Stanisław Ulam, matematico polacco in convalescenza dopo un intervento chirurgico, si ritrovò a giocare a solitario per passare il tempo. Da matematico qual era, si chiese: quante probabilità ho di vincere una partita?
Il problema, sulla carta, era risolvibile: bastava enumerare tutte le possibili combinazioni di carte e contare quelle favorevoli. In pratica, però, il numero di combinazioni era talmente enorme da rendere il calcolo analitico impraticabile. Ulam ebbe allora un’intuizione tanto semplice quanto potente: anziché calcolare la probabilità esatta, perché non simulare centinaia di partite e contare quante volte si vince?
Leggi tutto “Il Metodo Montecarlo spiegato in modo semplice e applicato a casi reali”La distribuzione ipergeometrica
Abbiamo visto che la distribuzione binomiale si basa sull’ipotesi di una popolazione infinita N, condizione che si può realizzare in pratica campionando da una popolazione finita con reintroduzione.
Se ciò non avviene, cioè se operiamo campionando da una popolazione senza reintroduzione dobbiamo avvalerci della distribuzione ipergeometrica. (In realtà, se N è grande la funzione di probabilità di densità ipergeometrica tende alla binomiale).
La distribuzione ipergeometrica si usa per calcolare la probabilità di ottenere un certo numero di successi in una serie di tentativi binari (sì o no), dipendenti e con una probabilità di successo variabile.
La distribuzione ipergeometrica ci consente di rispondere a quesiti del tipo:
Se prendo un campione di dimensione N, in cui M elementi soddisfano determinati requisiti, qual è la probabilità di estrarre x elementi che soddisfano quei requisiti?
Leggi tutto “La distribuzione ipergeometrica”La distribuzione binomiale negativa (o distribuzione di Pascal)
La distribuzione binomiale negativa descrive il numero di prove necessarie per ottenere un certo numero di successi in una serie di prove indipendenti. Ad esempio, risponde alla domanda: lanciando una moneta bilanciata (50% di probabilità di testa a ogni lancio), con quale probabilità la terza testa arriva esattamente al quinto lancio?
La distribuzione binomiale negativa è utile in molti campi, tra cui la statistica, l’economia, la biologia e la fisica. E anche nella “nostra” SEO.
(Se invece cerchiamo la probabilità di ottenere un certo numero di successi in un numero fisso di prove, ad esempio tre teste su cinque lanci, lo strumento giusto è la distribuzione binomiale: la negativa rovescia la domanda.)
Leggi tutto “La distribuzione binomiale negativa (o distribuzione di Pascal)”Probabilità: spazio campionario, eventi, permutazioni e combinazioni
Quante probabilità ci sono che una pagina vada in prima pagina? O che un test A/B dia un risultato affidabile? Domande come queste — all’apparenza molto diverse — condividono la stessa radice: per rispondere servono probabilità e combinatoria. In questo post gettiamo le basi, partendo dallo spazio campionario ed esplorando insieme gli strumenti fondamentali che ci accompagneranno per tutto il percorso.
Leggi tutto “Probabilità: spazio campionario, eventi, permutazioni e combinazioni”