{"id":3861,"date":"2026-06-24T11:08:40","date_gmt":"2026-06-24T10:08:40","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/distribuzioni-di-probabilita\/"},"modified":"2026-06-28T09:55:13","modified_gmt":"2026-06-28T08:55:13","slug":"distribuzioni-di-probabilita","status":"publish","type":"page","link":"https:\/\/www.gironi.it\/blog\/distribuzioni-di-probabilita\/","title":{"rendered":"Distribuzioni di probabilit\u00e0: la guida ordinata, dalle discrete alle continue"},"content":{"rendered":"\n

Ogni volta che ragioniamo sull’incerto \u2014 quante conversioni porter\u00e0 una campagna, quanti visitatori arriveranno domani, quanto durer\u00e0 una sessione \u2014 stiamo, senza accorgercene, immaginando una forma. Non un singolo numero, ma il ventaglio di valori possibili e il peso che ciascuno di essi ha. Quella forma ha un nome: si chiama distribuzione di probabilit\u00e0, ed \u00e8 il modo in cui la statistica descrive il comportamento di una grandezza che non possiamo prevedere con certezza. Una distribuzione di probabilit\u00e0 non \u00e8 altro che la mappa di tutto ci\u00f2 che potrebbe accadere, con accanto, per ognuno, quanto \u00e8 plausibile che accada davvero.<\/strong> Senza questa mappa, ogni calcolo di probabilit\u00e0 resta un esercizio scollegato dalla realt\u00e0 che vorremmo misurare.<\/p>\n\n\n\n

Conoscere le distribuzioni, per\u00f2, non significa imparare a memoria un catalogo di curve. Significa capire che dietro a problemi all’apparenza diversi \u2014 il numero di clic su un annuncio, l’attesa prima della prima vendita, l’altezza di una distribuzione di tempi di caricamento \u2014 si nascondono pochi schemi ricorrenti, e che riconoscere lo schema giusto \u00e8 met\u00e0 del lavoro. Una volta inquadrata la distribuzione corretta, le domande pratiche (“quanto \u00e8 probabile superare questa soglia?”, “quale valore \u00e8 ragionevole attendersi?”) trovano una risposta solida invece di una congettura.<\/p>\n\n\n\n

Questa pagina \u00e8 la mappa di quelle mappe, ordinata. Non rispieghiamo qui la teoria: ogni tappa \u00e8 un articolo del blog, e l’ordine in cui le abbiamo messe \u00e8 l’ordine in cui conviene leggerle. Chi parte da zero pu\u00f2 seguirle in sequenza, dalla prima all’ultima; chi ha gi\u00e0 qualche base pu\u00f2 saltare al gruppo che gli serve. La grande divisione da tenere a mente \u00e8 una sola, e attraversa tutto: ci sono grandezze che contano \u2014 eventi, successi, occorrenze, numeri interi e separati \u2014 e grandezze che misurano \u2014 tempi, lunghezze, proporzioni, valori che scivolano senza salti su una scala continua. Le prime vivono nelle distribuzioni discrete<\/em>, le seconde nelle distribuzioni continue<\/em>. Cominciamo da quelle che si contano.<\/p>\n\n\n\n

Distribuzioni discrete<\/h2>\n\n\n\n

Una distribuzione \u00e8 discreta quando i valori possibili sono separati e numerabili: zero conversioni, una, due, tre, mai due e mezzo. \u00c8 il mondo dei conteggi, ed \u00e8 anche il pi\u00f9 intuitivo, perch\u00e9 coincide con il modo in cui contiamo le cose nella vita di tutti i giorni.
Quando la domanda comincia con “quanti” o “quante volte”, quasi sempre la risposta vive in una distribuzione discreta.<\/strong><\/p>\n\n\n\n

La distribuzione binomiale<\/a> \u00e8 il punto di partenza non negoziabile, e la pi\u00f9 intuitiva del gruppo. Descrive quante volte si verifica un certo esito \u2014 un clic, una conversione, una risposta s\u00ec \u2014 in un numero fisso di tentativi indipendenti, ciascuno con la stessa probabilit\u00e0 di riuscita. \u00c8 lo schema che torna ogni volta che ripetiamo la stessa prova pi\u00f9 volte e contiamo i successi, ed \u00e8 la base concettuale su cui poggiano quasi tutte le altre distribuzioni discrete.<\/p>\n\n\n\n

La distribuzione geometrica<\/a> cambia la domanda: non pi\u00f9 quanti<\/em> successi su un numero fisso di prove, ma quante prove<\/em> servono prima di vedere il primo successo. \u00c8 la distribuzione dell’attesa \u2014 quanti visitatori arrivano prima della prima conversione, quante email prima della prima risposta \u2014 e capirla insegna a ragionare sul tempo che precede un evento, non solo sulla sua frequenza.<\/p>\n\n\n\n

La distribuzione ipergeometrica<\/a> entra in gioco quando le prove non sono indipendenti perch\u00e9 estraiamo senza rimettere<\/em>. Pescare clienti da una lista finita, campionare prodotti da un lotto senza reinserirli: ogni estrazione cambia le probabilit\u00e0 delle successive. \u00c8 la cugina della binomiale per le popolazioni piccole, e confonderle \u00e8 un errore sottile ma frequente.<\/p>\n\n\n\n

La distribuzione binomiale negativa<\/a>, nota anche come distribuzione di Pascal<\/em>, generalizza la geometrica: non pi\u00f9 l’attesa del primo successo, ma del k<\/em>-esimo. Quante prove servono per raccogliere, diciamo, dieci conversioni? \u00c8 lo strumento giusto quando l’obiettivo non \u00e8 un singolo evento ma un traguardo cumulato, e mostra come poche idee di base si combinino in modelli via via pi\u00f9 ricchi.<\/p>\n\n\n\n

La distribuzione di Poisson<\/a> chiude la sezione spostandosi sui conteggi nel tempo o nello spazio: quanti eventi rari capitano in un intervallo dato \u2014 visite all’ora, errori al giorno, richieste al minuto \u2014 quando ciascuno \u00e8 indipendente dagli altri. \u00c8 fra le distribuzioni pi\u00f9 usate nell’analisi del traffico e dei log, e segna il ponte naturale verso il mondo continuo, perch\u00e9 nasce proprio come limite della binomiale.<\/p>\n\n\n\n

Distribuzioni continue<\/h2>\n\n\n\n

Una distribuzione \u00e8 continua quando la grandezza pu\u00f2 assumere qualsiasi valore su una scala senza salti: un tempo, una lunghezza, una proporzione. Qui non ha pi\u00f9 senso chiedersi la probabilit\u00e0 di un valore esatto \u2014 \u00e8 sempre nulla \u2014 ma quella di cadere in un intervallo, e la forma della curva diventa il vero protagonista.
Quando la domanda comincia con “quanto” misurando, e non con “quanti” contando, siamo passati nel territorio delle distribuzioni continue.<\/strong><\/p>\n\n\n\n

La distribuzione normale<\/a> \u00e8 la regina indiscussa, la curva a campana che ricompare ovunque. Descrive grandezze che si addensano simmetricamente attorno a un valore centrale, con gli estremi sempre pi\u00f9 rari, ed \u00e8 l’altro candidato naturale come punto d’ingresso a tutto il percorso. La sua onnipresenza non \u00e8 un caso ma una conseguenza profonda di come si sommano tante piccole variazioni casuali, e proprio per questo \u00e8 la distribuzione su cui poggia la statistica inferenziale che incontreremo pi\u00f9 avanti.<\/p>\n\n\n\n

La distribuzione Beta<\/a> \u00e8 meno celebre ma preziosissima quando ci\u00f2 che misuriamo \u00e8 una proporzione, un valore costretto a vivere tra zero e uno: un tasso di conversione, una probabilit\u00e0 che vogliamo stimare, una percentuale. \u00c8 flessibile come poche \u2014 pu\u00f2 assumere forme molto diverse a seconda dei parametri \u2014 ed \u00e8 lo strumento d’elezione quando vogliamo ragionare sull’incertezza intorno a una percentuale invece che su un suo singolo valore.<\/p>\n\n\n\n

La distribuzione t<\/a> chiude il percorso facendo da cerniera verso l’inferenza. Assomiglia alla normale ma \u00e8 un po’ pi\u00f9 prudente, con le code pi\u00f9 spesse, perch\u00e9 tiene conto del fatto che, con campioni piccoli, non conosciamo la vera variabilit\u00e0 della popolazione. \u00c8 la distribuzione che si incontra non appena si comincia a testare<\/em> ipotesi sui dati, e per questo \u00e8 il naturale passaggio dal catalogo delle distribuzioni alla statistica che le usa per decidere.<\/p>\n\n\n\n

Da dove cominciare<\/h2>\n\n\n\n

Se questo \u00e8 il primo contatto con la materia, i punti d’ingresso sono due, a seconda di cosa abbiamo davanti. Se ragioniamo su conteggi e successi, la distribuzione binomiale<\/a> \u00e8 la tappa pi\u00f9 intuitiva da cui partire: una volta capita lei, geometrica, Pascal e Poisson diventano sue variazioni naturali. Se invece misuriamo grandezze continue, la porta \u00e8 la distribuzione normale<\/a>, la curva da cui tutto il resto del mondo continuo prende riferimento. Affrontate le altre fuori sequenza e, prima o poi, si torna sempre a queste due.<\/p>\n\n\n\n

Questo \u00e8 uno dei percorsi tematici che stiamo costruendo per orientarsi tra gli articoli del blog: le distribuzioni sono il vocabolario con cui la probabilit\u00e0 descrive l’incerto, e tornano utili in ogni analisi successiva. Chi vuole le fondamenta che vengono prima \u2014 descrivere e riassumere i dati \u2014 trova tutto nel percorso di statistica di base<\/a>; chi \u00e8 pronto a vedere queste curve all’opera nei test e negli esperimenti pu\u00f2 passare al percorso dedicato alla statistica inferenziale<\/a>, dove la distribuzione giusta diventa lo strumento per decidere se un effetto \u00e8 reale o solo apparente.<\/p>\n","protected":false},"excerpt":{"rendered":"

Ogni volta che ragioniamo sull’incerto \u2014 quante conversioni porter\u00e0 una campagna, quanti visitatori arriveranno domani, quanto durer\u00e0 una sessione \u2014 stiamo, senza accorgercene, immaginando una forma. Non un singolo numero, ma il ventaglio di valori possibili e il peso che ciascuno di essi ha. Quella forma ha un nome: si chiama distribuzione di probabilit\u00e0, ed … Leggi tutto “Distribuzioni di probabilit\u00e0: la guida ordinata, dalle discrete alle continue”<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_uag_custom_page_level_css":"","footnotes":""},"class_list":["post-3861","page","type-page","status-publish","hentry"],"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"Paolo Gironi","author_link":"https:\/\/www.gironi.it\/blog\/author\/autore-articoli\/"},"uagb_comment_info":0,"uagb_excerpt":"Ogni volta che ragioniamo sull’incerto \u2014 quante conversioni porter\u00e0 una campagna, quanti visitatori arriveranno domani, quanto durer\u00e0 una sessione \u2014 stiamo, senza accorgercene, immaginando una forma. Non un singolo numero, ma il ventaglio di valori possibili e il peso che ciascuno di essi ha. Quella forma ha un nome: si chiama distribuzione di probabilit\u00e0, ed…","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3861","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=3861"}],"version-history":[{"count":1,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3861\/revisions"}],"predecessor-version":[{"id":3869,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3861\/revisions\/3869"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=3861"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}