Distribuzione normale: la curva a campana

La distribuzione normale (gaussiana) è la più importante distribuzione continua di probabilità. Fu introdotta da Abraham de Moivre (1733) come limite di binomiali e sistematizzata da Carl Friedrich Gauss (1809) nello studio degli errori di misura. La sua funzione di densità è f(x) = exp(−(x − μ)²/(2σ²)) / (σ·√(2π)), con μ media (centro della campana) e σ deviazione standard (ampiezza). È simmetrica rispetto a μ, con flessi in μ ± σ; somma totale ∫ f dx = 1.

Teorema del limite centrale

La ragione per cui la normale appare ovunque: il teorema del limite centrale (CLT) afferma che la somma di un gran numero di variabili indipendenti con varianza finita tende alla distribuzione normale, indipendentemente dalla distribuzione di partenza. Per questo errori di misura, altezza, pressione arteriosa, rendimenti azionari, rumore termico, tempi di reazione seguono approssimativamente una N(μ, σ²). Non è però universale: distribuzioni a coda pesante (Cauchy, Lévy) o asimmetriche (lognormale) richiedono modelli diversi.

Densità (PDF) e funzione di distribuzione (CDF)

La PDF f(x) misura la densità di probabilità al punto x; P(a ≤ X ≤ b) = ∫_a^b f(x) dx. La funzione di distribuzione cumulata Φ(x) = P(X ≤ x) = ∫_{-∞}^x f(t) dt non ha forma chiusa elementare, ma si calcola con espansioni: Abramowitz-Stegun (1964) formula 26.2.17 dà errore < 7,5·10⁻⁸; erf e erfc (error function) sono le basi. z-score standardizza: z = (x − μ)/σ, riconducendo a N(0, 1). Tavole e calcolatori danno Φ(z) per −4 < z < 4.

Regola empirica 68-95-99.7

Intervalli classici intorno alla media: P(|X − μ| ≤ σ) ≈ 68,27%; P(|X − μ| ≤ 2σ) ≈ 95,45%; P(|X − μ| ≤ 3σ) ≈ 99,73%; P(|X − μ| ≤ 4σ) ≈ 99,994%. Convenzioni: 95% IC = μ ± 1,96·σ; 99% IC = μ ± 2,576·σ. In controllo qualità (Six Sigma): ±6σ = 3,4 parti per milione di difetti (con 1,5σ di drift processo, convenzione industriale).

Quantile: funzione inversa

Il quantile di ordine p, o inverso della CDF, è il valore x_p = μ + σ·Φ⁻¹(p) tale che P(X ≤ x_p) = p. Notevoli: Φ⁻¹(0,5) = 0 (mediana); Φ⁻¹(0,975) = 1,96; Φ⁻¹(0,995) = 2,576; Φ⁻¹(0,999) = 3,09. Nel calcolo numerico si usa l'algoritmo di Acklam (2000) o Beasley-Springer-Moro: approssimazione razionale a tratti con errore assoluto < 1,2·10⁻⁹.

Applicazioni

Statistica inferenziale (test z, IC, p-value); biometria (altezza, peso); economia (rendimenti finanziari in ipotesi Black-Scholes, modelli GARCH); ingegneria (tolleranze produttive, Six Sigma); psicometria (IQ con μ=100, σ=15); meteorologia (temperature medie); controllo qualità (SPC Shewhart charts); machine learning (noise gaussiano, distribuzioni a priori bayesiane, dropout); fisica (rumore termico, incertezze di misura, statistica di Maxwell-Boltzmann); segnali e comunicazioni (rumore additivo AWGN, BER di modulazioni).

Limiti della normalità

Attenzione: molti fenomeni reali non sono normali. Rendimenti azionari hanno code più pesanti (leptocurtosi, Black Monday 1987); reddito è lognormale (asimmetrico positivo); tempi di attesa sono esponenziali; variabili categoriche sono binomiali/multinomiali. Il test di normalità Shapiro-Wilk, Kolmogorov-Smirnov, Anderson-Darling verifica se un campione può ragionevolmente provenire da N(μ, σ²). Rifiuto della normalità a p < 0,05 suggerisce trasformazioni (log, Box-Cox) o modelli alternativi.

Come usare

Seleziona la modalità: PDF (x, μ, σ → f(x) e z-score), CDF (x, μ, σ → Φ(x) probabilità cumulata), Intervallo (a, b, μ, σ → P(a ≤ X ≤ b)), Quantile (p, μ, σ → x tale che P(X ≤ x) = p). Default μ=0, σ=1 (normale standard).

Da Gauss al teorema del limite centrale

La distribuzione normale porta il nome di Carl Friedrich Gauss, che la introdusse nel 1809 studiando gli errori nelle osservazioni astronomiche, anche se Abraham de Moivre l'aveva già intuita nel 1733. La sua ubiquità nasce dal teorema del limite centrale, dimostrato in forma generale da Pierre-Simon Laplace e perfezionato nell'Ottocento: la somma o la media di molte variabili indipendenti, quale che sia la loro distribuzione, converge a una normale. È il motivo per cui la campana gaussiana ricorre in fisica, biologia, economia e nel controllo qualità industriale, dove i limiti di tolleranza sono spesso fissati a tre sigma.

Un esempio pratico e il controllo qualità

Supponiamo che il diametro dei pezzi prodotti da una macchina segua una normale con media 10,00 mm e deviazione standard 0,05 mm. La probabilità che un pezzo sia entro le tolleranze 9,90-10,10 mm (due sigma) è circa il 95,4%, mentre la frazione di scarti oltre tre sigma è inferiore allo 0,3%. È il ragionamento alla base delle carte di controllo di Shewhart usate nell’industria e del metodo Six Sigma, che punta a meno di 3,4 difetti per milione portando i limiti a sei deviazioni standard dalla media.

Aggiornato a luglio 2026