<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>beta &#8211; paologironi blog</title>
	<atom:link href="https://www.gironi.it/blog/tag/beta-it/feed/" rel="self" type="application/rss+xml" />
	<link>https://www.gironi.it/blog</link>
	<description>Appunti sparsi di (retro) informatica, analisi dei dati, statistica, seo, e cose che cambiano</description>
	<lastBuildDate>Tue, 10 Nov 2026 15:16:02 +0000</lastBuildDate>
	<language>it-IT</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>La distribuzione Beta spiegata semplice</title>
		<link>https://www.gironi.it/blog/la-distribuzione-beta-spiegata-semplice/</link>
					<comments>https://www.gironi.it/blog/la-distribuzione-beta-spiegata-semplice/#respond</comments>
		
		<dc:creator><![CDATA[paolo]]></dc:creator>
		<pubDate>Wed, 05 Jan 2022 10:47:25 +0000</pubDate>
				<category><![CDATA[statistica]]></category>
		<category><![CDATA[bayes]]></category>
		<category><![CDATA[beta]]></category>
		<guid isPermaLink="false">https://www.gironi.it/blog/?p=2429</guid>

					<description><![CDATA[Immaginiamo di avere 800 sessioni su una landing page e 65 conversioni. Il tasso grezzo è 65/800 ≈ 8,1%. Sembra un numero preciso, ma lo è davvero? È la vera probabilità di conversione della pagina, o potrebbe essere diversa? E se qualcuno sostenesse che la pagina converte almeno al 10% — i dati lo confermano &#8230; <a href="https://www.gironi.it/blog/la-distribuzione-beta-spiegata-semplice/" class="more-link">Leggi tutto<span class="screen-reader-text"> "La distribuzione Beta spiegata semplice"</span></a>]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Immaginiamo di avere 800 sessioni su una landing page e 65 conversioni. Il tasso grezzo è 65/800 ≈ 8,1%. Sembra un numero preciso, ma lo è davvero? È la <em>vera</em> probabilità di conversione della pagina, o potrebbe essere diversa? E se qualcuno sostenesse che la pagina converte almeno al 10% — i dati lo confermano o lo smentiscono?<br> Domande come questa sono all&#8217;ordine del giorno per chi lavora con dati di traffico e conversioni. La statistica bayesiana ci offre uno strumento elegante e diretto per rispondere: la <strong>distribuzione Beta</strong>.</p>



<p class="wp-block-paragraph">La distribuzione Beta è una <strong>distribuzione di probabilità continua</strong> definita sull&#8217;intervallo [0, 1]. Detta così sembra astratta, ma è esattamente ciò di cui abbiamo bisogno ogni volta che vogliamo modellare l&#8217;incertezza intorno a una <strong>proporzione</strong>: un tasso di conversione, un CTR, una percentuale di clic, una probabilità di successo. Intuitivamente, Beta è una distribuzione sulle possibili probabilità dell&#8217;evento, e questo la rende unica.</p>



<span id="more-2429"></span>



<p class="wp-block-paragraph"><strong>In sintesi:</strong> la <strong>distribuzione Beta</strong> è una distribuzione di probabilità continua definita sull&#8217;intervallo [0, 1], che modella l&#8217;incertezza intorno a una proporzione — un tasso di conversione, un CTR, una probabilità di successo. È governata da due parametri, \(\alpha\) e \(\beta\), che ne controllano la forma: possono renderla a campana, asimmetrica o a forma di U. In statistica bayesiana è la distribuzione naturale per le probabilità, perché combina i dati osservati con le convinzioni a priori.</p>



<p class="wp-block-paragraph"><strong>Di cosa parleremo</strong>:</p>



<ul class="wp-block-list"><li><a href="#cos-e-una-distribuzione-sulle-probabilita">Che cos&#8217;è una distribuzione sulle probabilità?</a></li><li><a href="#parametri-alfa-beta-flessibilita-beta">Che cosa fanno i parametri α e β?</a></li><li><a href="#la-forma-racconta">Che forma ha la Beta e cosa racconta?</a></li><li><a href="#esempio-gioco-online">Un esempio: il gioco online</a></li><li><a href="#esempio-seo-stima-tasso-conversione">Un esempio SEO: come stimare un tasso di conversione</a></li><li><a href="#beta-aggiornamento-sequenziale">Perché la Beta è perfetta per aggiornamenti sequenziali?</a></li><li><a href="#domande-frequenti">Domande frequenti</a></li><li><a href="#prova-tu">Prova tu</a></li><li><a href="#per-approfondire">Per approfondire</a></li></ul>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="cos-e-una-distribuzione-sulle-probabilita">Che cos&#8217;è una distribuzione sulle probabilità?</h2>



<p class="wp-block-paragraph">Nella vita reale, a differenza dei problemi teorici di calcolo delle probabilità, non abbiamo quasi mai il valore esatto di una probabilità: abbiamo dati.<br> Abbiamo 65 conversioni su 800 visite, non il &#8220;vero&#8221; tasso di conversione della pagina. Il nostro lavoro è risalire da quei dati a una stima del valore nascosto — e, soprattutto, a un&#8217;idea di <em>quanto sia incerta</em> quella stima.</p>



<p class="wp-block-paragraph">Una distribuzione di probabilità come la Beta risolve proprio questo problema: invece di un singolo numero (l&#8217;8,1% grezzo), otteniamo una <strong>curva che assegna un grado di plausibilità a ogni possibile valore della proporzione</strong>. Punti della curva più alti corrispondono a valori più probabili; punti più bassi a valori meno probabili. L&#8217;incertezza non è un difetto della stima, ma parte del risultato.</p>



<p class="wp-block-paragraph">In termini tecnici, la Beta è definita dalla sua <strong>funzione di densità di probabilità</strong> (PDF):</p>



<p class="has-text-align-center">\( \displaystyle Beta(p; \alpha, \beta) = \frac{p^{\alpha-1} \times (1-p)^{\beta-1}}{B(\alpha, \beta)} \)</p>



<p class="wp-block-paragraph">Dove:</p>



<ul class="wp-block-list"><li><strong>\(p\)</strong> — la proporzione che stiamo stimando (un valore tra 0 e 1)</li><li><strong>\(\alpha\)</strong> e <strong>\(\beta\)</strong> — i parametri di forma, che determinano l&#8217;aspetto della distribuzione</li></ul>



<p class="wp-block-paragraph">Più avanti vedremo che α e β possono essere interpretati come i conteggi di successi e fallimenti osservati, a partire da un valore iniziale scelto come prior. Per ora concentriamoci sulla loro influenza sulla forma.</p>



<p class="wp-block-paragraph">La funzione <strong>\(B(\alpha, \beta)\)</strong> al denominatore serve esclusivamente a normalizzare la distribuzione, facendo sì che l&#8217;area totale sotto la curva sia uguale a 1 — come deve essere per ogni distribuzione di probabilità.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="parametri-alfa-beta-flessibilita-beta">Che cosa fanno i parametri α e β?</h2>



<p class="wp-block-paragraph">Il vero punto di forza della Beta è la <strong>flessibilità</strong>. A seconda dei valori di α e β, la sua forma cambia radicalmente, rendendola adatta a descrivere situazioni molto diverse:</p>



<ul class="wp-block-list"><li>Quando α e β sono uguali, la distribuzione è <strong>simmetrica</strong> intorno a 0,5</li><li>Quando α &gt; β, la distribuzione è <strong>sbilanciata verso destra</strong> (valori alti più probabili)</li><li>Quando α &lt; β, la distribuzione è <strong>sbilanciata verso sinistra</strong> (valori bassi più probabili)</li><li>Quando α = β = 1, la Beta diventa una distribuzione <strong>uniforme</strong> — tutti i valori tra 0 e 1 sono ugualmente probabili (prior non informativo)</li><li>Quando α e β sono entrambi minori di 1, la distribuzione assume una forma a <strong>U</strong> (probabilità alta agli estremi, bassa al centro)</li></ul>



<p class="wp-block-paragraph">La media della Beta si calcola con una formula semplice:</p>



<p class="has-text-align-center">\( \displaystyle \text{Media} = \frac{\alpha}{\alpha + \beta} \)</p>



<p class="wp-block-paragraph">E la moda (per α &gt; 1 e β &gt; 1):</p>



<p class="has-text-align-center">\( \displaystyle \text{Moda} = \frac{\alpha &#8211; 1}{\alpha + \beta &#8211; 2} \)</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="la-forma-racconta">Che forma ha la Beta e cosa racconta?</h2>



<p class="wp-block-paragraph">Vediamo quattro combinazioni dei parametri per capire visivamente quanto la Beta sia versatile:</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained">

<figure class="wp-block-image size-large"><img fetchpriority="high" decoding="async" width="1020" height="870" src="https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-forme.png" alt="Distribuzione Beta con quattro diverse combinazioni di parametri: Beta(0,5; 0,5) a forma di U, Beta(2; 5) asimmetrica a sinistra, Beta(5; 2) asimmetrica a destra, Beta(5; 5) a campana simmetrica." class="wp-image-4090" srcset="https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-forme.png 1020w, https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-forme-300x256.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px" /><figcaption class="wp-element-caption">Distribuzione Beta con quattro diverse combinazioni di parametri: Beta(0,5; 0,5) a forma di U, Beta(2; 5) asimmetrica a sinistra, Beta(5; 2) asimmetrica a destra, Beta(5; 5) a campana simmetrica.</figcaption></figure>

</div></div>



<ul class="wp-block-list"><li><strong>Beta(0,5; 0,5)</strong> — forma a U: probabilità alta agli estremi (vicino a 0% e 100%) e bassa al centro. Un prior usato quando si sospetta che il fenomeno sia &#8220;tutto o nulla&#8221;.</li><li><strong>Beta(2; 5)</strong> — asimmetrica a destra (la coda lunga è verso 1): utile quando la proporzione tende a essere bassa.</li><li><strong>Beta(5; 2)</strong> — asimmetrica a sinistra, per proporzioni che tendono a essere alte.</li><li><strong>Beta(5; 5)</strong> — campana simmetrica centrata su 0,5: quando l&#8217;evidenza è bilanciata.</li></ul>



<p class="wp-block-paragraph">La stessa famiglia matematica produce forme così diverse: è per questo che la Beta è la distribuzione più usata per modellare proporzioni e probabilità in ambito bayesiano.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="esempio-gioco-online">Un esempio: il gioco online</h2>



<p class="wp-block-paragraph">Facciamo un esempio al volo. L&#8217;organizzatore di un gioco online afferma che almeno 1 giocatore ogni 10 vince un premio. Abbiamo a disposizione i dati degli ultimi 800 giocatori, tra cui ci sono stati 65 vincitori.<br> L&#8217;organizzatore dice il vero? Basandoci sui dati, riteniamo che la probabilità di vincere sia almeno del 10%?</p>



<p class="wp-block-paragraph">Usiamo la Beta. Il nostro <strong>prior</strong> — ciò che sappiamo prima di vedere i dati — è Beta(1, 1), la distribuzione uniforme che assegna la stessa plausibilità a ogni valore possibile. Dopo aver osservato 65 vincitori su 800, il <strong>posterior</strong> è Beta(66, 736). Perché 66 e 736? Perché con il prior Beta(1, 1), il posterior ha parametri α = 1 + successi e β = 1 + fallimenti, quindi α = 1 + 65 = 66 e β = 1 + 735 = 736.</p>



<p class="wp-block-paragraph">Calcoliamo la probabilità che il vero tasso di vincita sia almeno del 10%:</p>



<pre class="wp-block-code"><code># Prior non informativo: Beta(1,1)
# Dati: 65 vincitori su 800 giocatori
# Posterior: Beta(1 + 65, 1 + 735) = Beta(66, 736)
a_post &lt;- 66; b_post &lt;- 736

# Probabilità che p &gt;= 0.10 — due modi equivalenti
integrate(function(x) dbeta(x, a_post, b_post), 0.10, 1)
1 - pbeta(0.10, a_post, b_post)</code></pre>



<p class="wp-block-paragraph">Output:</p>



<pre class="wp-block-code"><code>0.03974288 with absolute error &lt; 2.3e-06
0.03974288</code></pre>



<p class="wp-block-paragraph"><strong>Alla luce dei dati, la probabilità che il vero tasso di vincita sia almeno del 10% è circa il 4%.</strong> L&#8217;affermazione dell&#8217;organizzatore appare poco plausibile.</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained">

<figure class="wp-block-image size-large"><img decoding="async" width="975" height="675" src="https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-esempio.png" alt="Posterior Beta(66, 736) con prior non informativo Beta(1,1). L'area rossa corrisponde a P(p ≥ 10%) ≈ 4% — la regione in cui l'affermazione dell'organizzatore sarebbe vera." class="wp-image-4091" srcset="https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-esempio.png 975w, https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-esempio-300x208.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px" /><figcaption class="wp-element-caption">Posterior Beta(66, 736) con prior non informativo Beta(1,1). L&#8217;area rossa corrisponde a P(p ≥ 10%) ≈ 4% — la regione in cui l&#8217;affermazione dell&#8217;organizzatore sarebbe vera.</figcaption></figure>

</div></div>



<p class="wp-block-paragraph">La figura mostra il prior uniforme (linea arancione orizzontale) e il posterior Beta(66, 736) (curva blu). L&#8217;area ombreggiata in rosso a destra della soglia del 10% è minuscola — circa il 4% — mentre la stragrande maggioranza della distribuzione si trova sotto il 10%.</p>



<p class="wp-block-paragraph">Possiamo anche leggere l&#8217;intervallo credibile della distribuzione — l&#8217;equivalente bayesiano dell&#8217;intervallo di confidenza, ma con un significato più diretto:</p>



<pre class="wp-block-code"><code># Media e CI 95% del posterior
cat("Media:", round(66/(66+736), 3), "\n")
cat("CI 95%:", round(qbeta(c(0.025, 0.975), 66, 736), 3))</code></pre>



<p class="wp-block-paragraph">Output:</p>



<pre class="wp-block-code"><code>Media: 0.082
CI 95%: 0.064 0.102</code></pre>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained">

<figure class="wp-block-image size-large"><img decoding="async" width="975" height="675" src="https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-posterior-ci.png" alt="Posterior Beta(66, 736) con media (verde), moda (arancione) e intervallo credibile al 95% (segmento rosso): la distribuzione è concentrata tra il 6,4% e il 10,2%." class="wp-image-4092" srcset="https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-posterior-ci.png 975w, https://www.gironi.it/blog/wp-content/uploads/2026/07/beta-posterior-ci-300x208.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px" /><figcaption class="wp-element-caption">Posterior Beta(66, 736) con media (verde), moda (arancione) e intervallo credibile al 95% (segmento rosso): la distribuzione è concentrata tra il 6,4% e il 10,2%.</figcaption></figure>

</div></div>



<p class="wp-block-paragraph">Il valore più probabile della proporzione di vincite è intorno all&#8217;8,2%, con un intervallo credibile al 95% compreso tra il 6,4% e il 10,2%. L&#8217;organizzatore aveva dichiarato il 10% — valore che si trova al limite superiore della nostra stima, con circa il 4% di probabilità che il vero valore sia superiore. Non è impossibile, ma è decisamente poco plausibile.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="esempio-seo-stima-tasso-conversione">Un esempio SEO: come stimare un tasso di conversione</h2>



<p class="wp-block-paragraph">Riprendiamo il caso dell&#8217;inizio: 65 conversioni su 800 sessioni su una landing page. Stimiamo il tasso di conversione con la Beta, esattamente come abbiamo appena fatto.</p>



<p class="wp-block-paragraph">Con prior non informativo Beta(1, 1) e i dati osservati, il posterior è Beta(66, 736). La media è 66/802 ≈ 8,2%, con un CI al 95% tra 6,4% e 10,2%.</p>



<p class="wp-block-paragraph"><strong>Questo intervallo è la risposta statistica alla domanda &#8220;quanto posso fidarmi del mio tasso di conversione?&#8221;</strong> L&#8217;8,1% grezzo che vediamo in GA4 è solo il centro della distribuzione: il vero valore potrebbe essere ragionevolmente tra il 6,4% e il 10,2%.</p>



<p class="wp-block-paragraph">Se accumuliamo più dati — ad esempio 200 conversioni su 2200 sessioni totali — con prior Beta(1, 1) il posterior diventa Beta(201, 2001), la media 201/2202 ≈ 9,1% ma il CI 95% si restringe a [8,0%; 10,4%]: l&#8217;incertezza diminuisce perché abbiamo più evidenza.</p>



<p class="wp-block-paragraph">Se invece abbiamo pochissimi dati (5 conversioni su 50 sessioni), il posterior Beta(6, 46) dà media 6/52 ≈ 11,5% e CI 95% [4,9%; 20,6%] — un&#8217;incertezza enorme. In questo caso la Beta non nasconde l&#8217;incertezza: la mostra onestamente.</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow">
<p>Un avvertimento: la Beta modella la nostra incertezza <em>sulla</em> proporzione, non la proporzione stessa. Il risultato non è &#8220;il tasso di conversione è 8,2%&#8221;, ma &#8220;sulla base dei dati, la distribuzione della nostra incertezza sul tasso è Beta(66, 736)&#8221;. È una differenza sottile ma fondamentale — ed è il cuore dell&#8217;approccio bayesiano.</p>
</div></div>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="beta-aggiornamento-sequenziale">Perché la Beta è perfetta per aggiornamenti sequenziali?</h2>



<p class="wp-block-paragraph">Una delle proprietà più eleganti della Beta è che funziona come <strong>aggiornamento sequenziale</strong>: se dopo le prime 65 conversioni su 800 sessioni ne osserviamo altre 40 su 500 nuove sessioni, non dobbiamo ricominciare da capo. Prendiamo il posterior Beta(66, 736) come nuovo prior e lo aggiorniamo con i nuovi dati:</p>



<pre class="wp-block-code"><code># Nuovo posterior: Beta(66 + 40, 736 + 460) = Beta(106, 1196)
a_new &lt;- 66 + 40; b_new &lt;- 736 + 460
cat("Nuova media:", round(a_new/(a_new + b_new), 3), "\n")
cat("Nuovo CI 95%:", round(qbeta(c(0.025, 0.975), a_new, b_new), 3))</code></pre>



<p class="wp-block-paragraph">Output:</p>



<pre class="wp-block-code"><code>Nuova media: 0.081
Nuovo CI 95%: 0.067 0.097</code></pre>



<p class="wp-block-paragraph">La media è rimasta stabile (conferma che i nuovi dati sono coerenti), ma l&#8217;intervallo si è ristretto: da [6,4%; 10,2%] a [6,7%; 9,7%]. Ogni nuovo dato affina la stima.</p>



<p class="wp-block-paragraph">Questa proprietà — <strong>il posterior di oggi è il prior di domani</strong> — è ciò che rende la Beta lo strumento d&#8217;elezione per l&#8217;analisi bayesiana delle proporzioni, e il fondamento su cui poggiano strumenti più avanzati come l&#8217;A/B test bayesiano e il Thompson sampling.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="domande-frequenti">Domande frequenti</h2>



<h3 class="wp-block-heading">Che cos&#8217;è la distribuzione Beta?</h3>



<p class="wp-block-paragraph">È una distribuzione di probabilità continua definita sull&#8217;intervallo [0, 1], ideale per modellare l&#8217;incertezza intorno a una proporzione: un tasso di conversione, un CTR, una probabilità di successo. È una distribuzione sulle possibili probabilità di un evento, non sui valori di una variabile qualunque.</p>



<h3 class="wp-block-heading">Che cosa fanno i parametri α e β?</h3>



<p class="wp-block-paragraph">Controllano la forma della distribuzione: a parità di dati, valori più alti di α spingono la Beta verso l&#8217;alto (probabilità più alte), valori più alti di β verso il basso. Possono renderla a campana simmetrica, asimmetrica a destra o a sinistra, o persino a forma di U con valori estremi come Beta(0,5; 0,5).</p>



<h3 class="wp-block-heading">Come si usa la Beta in statistica bayesiana?</h3>



<p class="wp-block-paragraph">Come distribuzione a priori sulle probabilità: i dati osservati (successi e insuccessi) si sommano ai parametri α e β del prior, producendo il posterior. Con un prior Beta(1, 1), dopo 65 conversioni su 800 sessioni il posterior è Beta(66, 736). Il posterior di oggi diventa il prior di domani: ogni nuovo dato affina la stima.</p>



<h3 class="wp-block-heading">Che differenza c&#8217;è tra media, moda e intervallo credibile?</h3>



<p class="wp-block-paragraph">La media è il valore medio della distribuzione, la moda è il valore più probabile, e l&#8217;intervallo credibile al 95% è il segmento che contiene il 95% della massa di probabilità. Nell&#8217;esempio dell&#8217;articolo, con posterior Beta(66, 736), la media è circa 8,2%, la moda 8,1% e l&#8217;intervallo va da circa il 6,4% al 10,2%.</p>



<h3 class="wp-block-heading">A cosa serve la Beta per le conversioni di una landing page?</h3>



<p class="wp-block-paragraph">A rispondere con onestà a domande come &#8220;questa pagina converte almeno al 10%?&#8221;: la Beta permette di calcolare la probabilità che la proporzione vera superi una soglia, invece di affidarsi al tasso grezzo come a una verità assoluta. Con i dati dell&#8217;esempio, la probabilità che la conversione superi il 10% è solo circa il 4%.</p>



<h3 class="wp-block-heading">Come cambia la Beta quando arrivano nuovi dati?</h3>



<p class="wp-block-paragraph">Si aggiorna in modo semplice: basta sommare i nuovi successi e insuccessi ai parametri correnti. Il posterior si ristringe attorno al valore più probabile. Nell&#8217;esempio, aggiungendo nuovi dati l&#8217;intervallo credibile passa da [6,4%; 10,2%] a [6,7%; 9,7%]: ogni osservazione affina la stima.</p>



<script type="application/ld+json">{"@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{"@type": "Question", "name": "Che cos'è la distribuzione Beta?", "acceptedAnswer": {"@type": "Answer", "text": "È una distribuzione di probabilità continua definita sull'intervallo [0, 1], ideale per modellare l'incertezza intorno a una proporzione: un tasso di conversione, un CTR, una probabilità di successo. È una distribuzione sulle possibili probabilità di un evento, non sui valori di una variabile qualunque."}}, {"@type": "Question", "name": "Che cosa fanno i parametri α e β?", "acceptedAnswer": {"@type": "Answer", "text": "Controllano la forma della distribuzione: a parità di dati, valori più alti di α spingono la Beta verso l'alto (probabilità più alte), valori più alti di β verso il basso. Possono renderla a campana simmetrica, asimmetrica a destra o a sinistra, o persino a forma di U con valori estremi come Beta(0,5; 0,5)."}}, {"@type": "Question", "name": "Come si usa la Beta in statistica bayesiana?", "acceptedAnswer": {"@type": "Answer", "text": "Come distribuzione a priori sulle probabilità: i dati osservati (successi e insuccessi) si sommano ai parametri α e β del prior, producendo il posterior. Con un prior Beta(1, 1), dopo 65 conversioni su 800 sessioni il posterior è Beta(66, 736). Il posterior di oggi diventa il prior di domani: ogni nuovo dato affina la stima."}}, {"@type": "Question", "name": "Che differenza c'è tra media, moda e intervallo credibile?", "acceptedAnswer": {"@type": "Answer", "text": "La media è il valore medio della distribuzione, la moda è il valore più probabile, e l'intervallo credibile al 95% è il segmento che contiene il 95% della massa di probabilità. Nell'esempio dell'articolo, con posterior Beta(66, 736), la media è circa 8,2%, la moda 8,1% e l'intervallo va da circa il 6,4% al 10,2%."}}, {"@type": "Question", "name": "A cosa serve la Beta per le conversioni di una landing page?", "acceptedAnswer": {"@type": "Answer", "text": "A rispondere con onestà a domande come \"questa pagina converte almeno al 10%?\": la Beta permette di calcolare la probabilità che la proporzione vera superi una soglia, invece di affidarsi al tasso grezzo come a una verità assoluta. Con i dati dell'esempio, la probabilità che la conversione superi il 10% è solo circa il 4%."}}, {"@type": "Question", "name": "Come cambia la Beta quando arrivano nuovi dati?", "acceptedAnswer": {"@type": "Answer", "text": "Si aggiorna in modo semplice: basta sommare i nuovi successi e insuccessi ai parametri correnti. Il posterior si ristringe attorno al valore più probabile. Nell'esempio, aggiungendo nuovi dati l'intervallo credibile passa da [6,4%; 10,2%] a [6,7%; 9,7%]: ogni osservazione affina la stima."}}]}</script>



<h2 class="wp-block-heading" id="prova-tu">Prova tu</h2>



<p class="wp-block-paragraph">Un sito lead generation ha 12 conversioni su 350 sessioni.</p>



<ol class="wp-block-list"><li>Calcola il posterior Beta con prior non informativo Beta(1, 1). Quali sono i parametri α e β del posterior?</li><li>Qual è la media del posterior? E il CI 95%?</li><li>Il proprietario del sito afferma che il tasso di conversione è almeno del 5%. I dati gli danno ragione? (Suggerimento: calcola P(p ≥ 0.05) con <code>pbeta</code>)</li><li>Se lo stesso sito avesse 120 conversioni su 3500 sessioni (stesso tasso grezzo, 10× i dati), come cambierebbe l&#8217;intervallo? Perché?</li></ol>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph">In questo articolo abbiamo visto cos&#8217;è la distribuzione Beta, come i parametri α e β ne determinano la forma, e come si usa per stimare proporzioni a partire da dati osservati. È il mattoncino fondamentale dell&#8217;inferenza bayesiana per i tassi di conversione.<br> Nel prossimo articolo faremo il passo successivo: <a href="https://www.gironi.it/blog/conversion-rate-bayesiano/">stimare un conversion rate con la Beta</a>, usando prior informativi e non informativi in un caso SEO concreto.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h3 class="wp-block-heading" id="per-approfondire">Per approfondire</h3>



<p class="wp-block-paragraph">Due letture per proseguire: <a href="https://www.amazon.it/dp/8867319396?tag=consulenzeinf-21&amp;ascsubtag=la-distribuzione-beta-spiegata-semplice" rel="nofollow sponsored noopener" target="_blank"><em>Finalmente ho capito la statistica</em></a> di Maurizio De Pra per inquadrare la Beta tra le altre distribuzioni, e <a href="https://www.amazon.it/dp/1593279566?tag=consulenzeinf-21&amp;ascsubtag=la-distribuzione-beta-spiegata-semplice" rel="nofollow sponsored noopener" target="_blank"><em>Bayesian Statistics the Fun Way</em></a> di Will Kurt per scoprire perché questa distribuzione è la regina dell&#8217;inferenza bayesiana, con esempi in R come quelli che usiamo qui.</p>



<p class="wp-block-paragraph">Questo articolo fa parte del percorso <a href="https://www.gironi.it/blog/approccio-bayesiano/">«L&#8217;approccio bayesiano»</a>, la guida ragionata agli articoli su statistica e inferenza bayesiana applicate alla SEO.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://www.gironi.it/blog/la-distribuzione-beta-spiegata-semplice/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
