1 - CALCOLO DELLE PROBABILITA’ E TEOREMA
DI BAYES
1.1
Introduzione
La teoria delle probabilità è una scienza matematica che si occupa delle regolarità negli
eventi casuali (aleatori). Si dice che un evento è aleatorio se, ripetuto più volte un
esperimento, l’evento si verifica ogni volta un po’ diversamente.
Diamo alcuni esempi di eventi aleatori:
a) Un esperimento consiste nel lanciare un dado (un cubo omogeneo recante su
ciascuna delle sue facce un numero da 1 a 6). Il risultato dell’esperimento è il
numero di punti segnato sulle facce del dado. In seguito a ripetuti esperimenti il
risultato varia in modo aleatorio. Queste variazioni sono dovute all’azione di diversi
fattori talvolta poco importanti e anche impercettibili, che intervengono ogni volta
che si lancia il dado e quest’ultimo cade sulla tavola, come per esempio, l’impulso
iniziale comunicato al dado, la rugosità della superficie della tavola, le vibrazioni del
pavimento sul quale sta la tavola, ecc.: anche se sono state prese tutte le misure
necessarie per la conservazione delle condizioni dell’esperimento, non si può
assicurare la stabilità dei risultati.
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
b) Un esperimento consiste nel fatto che la cassa automatica di un autobus viene
riempita di monete durante la giornata. Questa cassa si vuota alla fine della
giornata e si conta l’incasso (risultato della prova). È chiaro che questo risultato
varia da un giorno all’altro e oscilla attorno ad un valore medio, entro certi limiti.
Queste variazioni sono dovute a fattori aleatori: il numero dei passeggeri saliti
sull’autobus, il numero di passeggeri con o senza abbonamento, ecc.
c) Un esperimento consiste nel pesare un corpo, con la bilancia automatica, un certo
numero di volte. I risultati di esperimenti ripetuti non sono rigorosamente costanti.
Le fluttuazioni sono dovute all’azione di numerosi fattori, come per esempio, la
posizione del corpo sul piatto della bilancia, le vibrazioni aleatorie della tavola, gli
errori della stima delle indicazioni dell’apparecchio, ecc.
d) Si spara con un cannone disposto sotto un angolo θ0 rispetto all’orizzonte, alla
velocità iniziale v0, avendo i proiettili le medesime caratteristiche balistiche (peso,
forma). La traiettoria teorica è interamente determinata da queste condizioni, la
traiettoria sperimentale subisce variazioni a causa degli effetti secondari: errori di
fabbricazione del proiettile, scarto del peso dal suo valore nominale, errore di
messa a punto del proiettile, condizioni meteorologiche, ecc. Se sono sparati molti
colpi in condizioni a prima vista simili, si ottiene non una sola curva teorica, bensì
tutto un fascio di traiettorie, che riflette la dispersione dei proiettili.
Tutti gli esempi menzionati sopra sono considerati dallo stesso punto di vista: sono
sottolineate le variazioni aleatorie, i risultati diversi in una serie di esperimenti, le cui
condizioni essenziali sono mantenute costanti. Tutte queste variazioni sono sempre legate
alla presenza di fattori secondari, che influiscono sul risultato dell’esperimento, ma non
figurano tra le condizioni essenziali. Le condizioni essenziali dell’esperimento,
determinando grosso modo il suo verificarsi, restano invariate; le condizioni secondarie
variano da un esperimento all’altro e fanno apparire delle variazioni aleatorie nei risultati.
È evidente che non esistono in natura effetti fisici che non abbiano elementi casuali. Per
quanto esatte e identiche siano le condizioni dell’esperimento, è impossibile raggiungere
risultati completamente e esattamente coincidenti al ripetersi dell’esperimento.
Ogni fenomeno deterministico è inevitabilmente accompagnato da scarti aleatori. Tuttavia
in certe applicazioni pratiche si possono trascurare questi elementi aleatori sostituendo un
fenomeno reale con uno schema semplificato, un suo modello, supponendo che nelle
condizioni date dall’esperimento esso si realizzi in modo ben determinato.
Per la risoluzione di un certo numero di problemi, il metodo classico delle scienze esatte
sembra, tuttavia, poco adatto. Esistono dei problemi in cui il risultato di un esperimento
dipende da un numero di fattori così grande che non è praticamente possibile registrarli
tutti e tenerne conto. Questo è il caso dei problemi in cui i fattori aleatori secondari,
intimamente legati gli uni agli altri, giocano un ruolo importante, per di più, il loro numero è
talmente grande e la loro influenza è così complicata che non è giustificato l’impiego dei
metodi classici.
2
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
I primi studi che portarono successivamente a concetti legati alla probabilità possono
essere trovati a metà del XVI secolo nel Liber de ludo aleæ di Cardano (del 1526, ma
pubblicato solo un secolo e mezzo dopo, nel 1663) e in Sulla scoperta dei dadi di Galileo
Galilei (pubblicato nel 1656), nei quali i due autori ottengono degli elenchi di numeri
facendo ricorso alle permutazioni.
Il problema della ripartizione della posta in gioco nel caso che un gioco d'azzardo debba
essere interrotto, venne affrontato da Fra Luca dal Borgo (detto Paccioli) in Summa de
arithmetica, geometria, proportioni et proportionalita (pubblicato nel 1494) e
successivamente da Tartaglia, per poi essere risolto da Pascal e Fermat.
La nascita del concetto moderno di probabilità viene attribuita a due grandi scienziati quali
Blaise Pascal (1623-1662) e Pierre de Fermat (1601-1665), in particolar modo nella
corrispondenza che si scambiavano discutendo di un problema legato al gioco d'azzardo:
Se si lanciano più volte due dadi, quanti lanci sono necessari affinché si possa
scommettere con vantaggio che esce il doppio sei?
Nello stesso periodo Christiaan Huyghens (1629-1695) scrive De ratiociniis in aleæ ludo
nel quale utilizza il concetto di valore atteso e il campionamento statistico con e senza
riposizionamento. I suoi lavori influenzano tra l'altro Pierre de Montmort (1678-1719) che
scrive nel 1708 Essai d'analyse sur le jeux de hasard, ma anche Jakob Bernoulli e
Abraham de Moivre.
Nel 1654 Pascal annuncia all'Accademia di Parigi che sta lavorando sul problema della
riparitizione della messa in gioco. In una lettera del 29 luglio dello stesso anno a Fermat
propone la soluzione del problema, affrontato con il metodo per ricorrenza, mentre Fermat
utilizzava metodi basati sulle combinazioni.
Nel 1713 Jakob Bernoulli formula in Ars conjectandi il primo teorema limite, ovvero la
legge dei grandi numeri.
Ancora prima di Bernoulli fu notata una particolarità dei fenomeni aleatori, che si può
chiamare “stabilità delle frequenze per un gran numero di prove” e che si manifesta nel
fatto che per un gran numero di prove, aventi ciascuna un risultato aleatorio, la frequenza
relativa di comparsa di ciascuno dei risultati tende a stabilizzarsi, convergendo a un certo
numero, cioè alla probabilità di questo risultato. Per esempio, quando si lancia un gran
numero di volte una moneta, la frequenza relativa di comparsa della testa tende a 1/2;
quando si lancia un gran numero di volte un dado a sei facce, la frequenza di comparsa
del cinque tende a 1/6, ecc.
Bernoulli fu però il primo a dare il fondamento teorico di questo fatto empirico. Il teorema di
Bernoulli, la forma più semplice della legge dei grandi numeri, stabilisce una relazione tra
la probabilità di un evento e la frequenza della sua comparsa; quando il numero di prove è
sufficientemente grande, ci si può aspettare, con una certezza elevata, che la frequenza
coincida a piacere con la probabilità.
Un altro periodo importante nello sviluppo della teoria delle probabilità è legato al nome di
Moivre (1667-1754). Fu lui ad introdurre e a dimostrare, nel caso più semplice, una legge
particolare osservata spesso nei fenomeni aleatori: la cosiddetta legge normale (o legge di
Gauss). La legge normale gioca un ruolo particolarmente importante nei fenomeni aleatori.
3
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
Il gruppo di teoremi che danno un fondamento a questa legge per differenti condizioni
porta il nome generale di teorema limite centrale.
Un ruolo particolare nello sviluppo della teoria delle probabilità l’ha avuto Laplace (17491827), che ha dato un’esposizione concisa e sistematica dei fondamenti della teoria delle
probabilità, ha dimostrato una delle forme del teorema limite centrale (teorema di MoivreLaplace) e ha sviluppato numerose applicazioni della teoria delle probabilità a questioni
pratiche, in particolare, all’analisi degli errori nell’osservazione e nella misura.
Un altro passo in avanti nello sviluppo della teoria delle probabilità appartiene a Gauss
(1777-1855), che ha dato un fondamento ancora più generale alla legge normale e ha
elaborato un metodo per trattare i dati sperimentali, noto con il nome di metodo dei minimi
quadrati. Notevoli sono i lavori di Poisson (1781-1840) che ha dimostrato la legge dei
grandi numeri in una forma più generale di quella di Bernoulli e per primo ha applicato la
teoria delle probabilità ai problemi di tiro. Una delle leggi di distribuzione che gioca un
ruolo particolarmente importante nella teoria delle probabilità e delle sue applicazioni,
porta il nome di Poisson.
All’inizio del XIX secolo, in Russia, appare la celebre scuola matematica di S. Pietroburgo
che ha dato alla teoria delle probabilità il suo fondamento logico e teorico e ne ha fatto uno
strumento sicuro, esatto ed efficace di conoscenza. A P. Čebyšev (1821-1894), eminente
matematico russo, sono dovuti lo sviluppo e la generalizzazione della legge dei grandi
numeri; inoltre, egli ha introdotto nella teoria delle probabilità il potente ed efficace metodo
dei momenti.
A. Markov (1856-1922), allievo di Čebyšev, ha ugualmente arricchito la teoria delle
probabilità di scoperte e di metodi molto importanti. Markov ha esteso il dominio di
applicazione della legge dei grandi numeri e del teorema limite centrale da esperimenti
indipendenti a dipendenti. Il merito essenziale di Markov consiste nell’aver posto le basi di
una branca nuova della teoria delle probabilità, cioè la teoria dei processi aleatori o
stocastici.
Un gran numero di lavori fondamentali nei diversi campi della teoria delle probabilità e
della statistica matematica appartiene a A. Kolmogorov. È stato lui a dare una costruzione
assiomatica della teoria delle probabilità, collegandola con un settore importante
dell’analisi, sviluppando la sua teoria nel 1933.
Si torni indietro: nel 1763 fu pubblicato in Inghilterra un articolo del reverendo Thomas
Bayes, che divenne famoso per le sue implicazioni. Secondo l’articolo, fare delle previsioni
su un fenomeno dipende non solo dalle osservazioni che lo scienziato ottiene dai suoi
esperimenti, ma anche da ciò che egli stesso pensa e ha compreso del fenomeno
studiato, ancor prima di procedere all’esperimento stesso. Tali premesse furono sviluppate
nel 1900 da illustri studiosi, quali B. de Finetti (La prévision: ses lois logiques, ses sources
subjectives, 1937), Savage (The foundation of statistics, 1959) e altri ancora.
4
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
1.2
Le definizioni della probabilità
1.2.1
Probabilità classica
La definizione classica di probabilità risale al XVII secolo ed è dovuta a Laplace. Tale
definizione, poi ripresa da C.F. Circe nel 1910, si può enunciare nel modo seguente: la
probabilità, p( A ) , di un evento A è il rapporto tra il numero m di casi "favorevoli" (cioè il
manifestarsi di A ) e il numero totale n di risultati ugualmente possibili e mutuamente
escludentisi:
m
p(A ) = .
(1.1)
n
Questa probabilità è talvolta detta probabilità a priori: il motivo dell'appellativo "a priori"
deriva dal fatto che è possibile stimare la probabilità di un evento a partire dalla simmetria
del problema.
Ad esempio, nel caso di un dado regolare si sa che la probabilità di avere un numero
qualsiasi dei sei presenti sulle facce è 1/6 e infatti, nel caso dell'uscita di un 3, si ha:
un 3
1
p(3) =
= .
una faccia qualsiasi del dado 6
Analogamente, nel caso di una puntata sul colore rosso alla roulette la probabilità di
vincere è pari a 18 , cioè circa il 49% (infatti i numeri rossi sono 18 su un totale di 37,
37
essendoci oltre ai 18 numeri neri, anche lo zero che è verde).
L'estensione al caso di eventi con risultati continui si attua attraverso una
rappresentazione geometrica in cui la probabilità di un evento casuale è data dal rapporto
tra l'area favorevole all'evento e l'area totale degli eventi possibili.
Si consideri un esempio. Si supponga che un bambino lanci dei sassi contro una parete
forata senza prendere la mira. Siano i fori sulla parete distribuiti a caso e per semplicità
assumiamo che le dimensioni dei sassi siano molto piccole rispetto a quelle dei fori. Ci si
chiede qual è la probabilità p che un sasso passi dall'altra parte.
Se A è l'area della parete e a l'area di ciascuno dei k fori, la probabilità che un sasso passi
è data dall'area "favorevole" divisa l'area totale
p=
ka
.
A
La quantità 1
può essere considerata come una densità di probabilità. Essa è infatti la
A
probabilità che ha un sasso di colpire una particolare superficie unitaria del muro:
moltiplicando questa densità per l'area favorevole si ottiene direttamente la probabilità.
5
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
Si noti bene che questa definizione oggettiva di probabilità diventa di difficile applicazione
nelle numerose situazioni in cui la densità di probabilità non può più essere considerata
uniforme, ovvero quando vengono meno le condizioni di simmetria. Ad esempio nel caso
del bambino che lancia i sassi contro il muro può verificarsi che le dimensioni dei fori
varino dal centro verso i bordi del muro e il bambino cerchi di mirare al centro.
1.2.2
Probabilità empirica
La definizione di probabilità empirica è dovuta largamente a R. Von Mises ed è la
definizione sperimentale di probabilità come limite della frequenza misurabile in una serie
di esperimenti. Essa ricalca lo schema della definizione classica, introducendo però
un'importante variazione: sostituisce al rapporto numero casi favorevoli / numero di casi
possibili il rapporto numero di esperimenti effettuati con esito favorevole / numero
complessivo di esperimenti effettuati. Il vantaggio di questa modifica è che questa
definizione si applica senza difficoltà anche ai casi in cui la densità di probabilità non è
uniforme, ovvero, per quanto riguarda esperimenti con risultati discreti, non è necessario
specificare che i risultati debbano essere ugualmente possibili e mutuamente escludentisi.
Vediamo allora come viene definita la probabilità empirica o probabilità a posteriori: la
probabilità di un evento è il limite cui tende la frequenza relativa di successo all'aumentare
del numero di prove. In pratica, se abbiamo un esperimento ripetuto n volte ed un certo
risultato A che accade m volte, la probabilità di A è data dal limite della frequenza ( m )
n
quando n tende all'infinito:
m
p( A ) = lim .
(1.2)
n →∞ n
Gli n tentativi possono essere effettuati sia ripetendo in sequenza m volte lo stesso
esperimento sia misurando simultaneamente m esperimenti identici.
Esistono alcune delicate questioni riguardo l'esistenza e il significato del limite presente
nella definizione di probabilità empirica:
• la probabilità così definita non è una proprietà solo dell'esperimento, ma è anche
funzione del particolare gruppo su cui viene calcolata. Ad esempio la probabilità di
sopravvivenza ad una certa età, calcolata su diversi campioni di popolazione a cui
una stessa persona appartiene (maschi, femmine, fumatori, non fumatori,
deltaplanisti, ecc.), risulta diversa;
• la probabilità empirica si può rigorosamente applicare soltanto agli esperimenti
ripetibili, per i quali il limite per m tendente all'infinito ha significato. Si deduce
quindi che molte situazioni della vita quotidiana, non sono soggette all'uso di questa
definizione di probabilità: rappresentano esempi di questo tipo il risultato di una
partita di calcio, quello di una roulette russa o il tempo atmosferico di domani.
6
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
Inoltre, per venire incontro ad una necessità di "operatività", quasi tutti sono concordi nel
definire la probabilità come il valore della frequenza relativa di successo su un numero di
prove non necessariamente tendente all'infinito, ma giudicato sufficientemente grande.
Ad esempio, se si lancia una moneta non truccata, la frequenza di croci dopo numerosi
lanci si assesterà in generale sul 50%; tuttavia, anche se estremamente improbabile,
esiste la possibilità che ci sia una sequenza di tutte croci: è questo il difetto logico della
definizione frequentista.
1.2.3
Probabilità assiomatica
La definizione della probabilità matematica è dovuta a A.N. Kolmogorov.
Sia S un insieme di possibili risultati (A i ) di un esperimento S = {A 1, A 2 , A 3 ,...} .
Se tali eventi sono mutuamente escludentisi allora per ognuno di essi esiste una
probabilità p(A ) rappresentata da un numero reale soddisfacente gli assiomi di
probabilità:
I. p(A ) ≥ 0 ;
II. se, come ipotizzato, A 1 e A 2 sono eventi mutuamente escludentisi, allora deve
valere: p(A 1oppureA 2 ) = p( A 1 ) + p( A 2 ) dove p( A 1oppureA 2 ) è la probabilità di
avere il risultato A 1 o il risultato A 2 ;
III. ∑ p( A i ) = 1 , dove la sommatoria è estesa su tutti gli eventi mutuamente
i
escludentisi.
Le conseguenze dei tre assiomi sono:
−
p( A i ) = p(nonA i ) = 1 − p( A i ) , cioè la probabilità di non ottenere l'evento A i è uguale
−
ad uno meno la probabilità di ottenerlo;
p( A i ) ≤ 1 , cioè la probabilità è un numero reale appartenente all'intervallo [0,1]; in
pratica: 0 ≤ p( A i ) ≤ 1 dove 1 rappresenta la certezza di ottenere l'evento A i e 0
quella di non ottenerlo.
Di seguito alcune osservazioni:
• la definizione di probabilità matematica può essere estesa senza problemi alle
variabili continue;
• gli assiomi illustrati e le loro conseguenze sono sufficienti a fare qualsiasi conto,
anche complicato, con le probabilità e ad ottenere un risultato numerico corretto.
D'altra parte essi non dicono niente su cosa sia la probabilità e quale sia la sua
natura: per questo si vedano le definizioni di probabilità classica, probabilità
empirica e probabilità soggettiva;
7
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
•
tutte le definizioni di probabilità soddisfano le condizioni espresse da questi
assiomi.
1.2.4
Probabilità soggettiva
La concezione soggettivista della probabilità porta ad una definizione che si potrebbe
formulare nel modo seguente: la probabilità di un evento A è la misura del grado di
fiducia che un individuo coerente attribuisce, secondo le sue informazioni e opinioni,
all'avverarsi di A .
Il campo di applicabilità di questa definizione è molto vasto; occorre aggiungere che la
"coerenza" significa la corretta applicazione delle norme di calcolo e che la misura del
grado di fiducia, cioè la valutazione di probabilità, viene fatta sull'intervallo (0,1)
attribuendo la probabilità 0 all'evento impossibile e 1 a quello certo. Circa il fatto che la
valutazione sia qui un atto soggettivo, molto si potrebbe dire; interessa osservare che
soggettivo non significa arbitrario. Di fatto, appena vi siano premesse sufficienti, le
valutazioni individuali concordano per quanti siano interessati al medesimo problema.
Si consideri un esempio: Alessio è disposto a scommettere 1 contro 20 sul fatto che nel
pomeriggio arrivi finalmente l'idraulico a riparare il rubinetto che perde da una settimana:
attribuisce cioè a tale evento una probabilità pari ad 1 (meno del 5%). E’ come se ci si
21
trovasse ad effettuare un sorteggio da un'urna con 1 pallina rossa (evento positivo = arrivo
dell'idraulico) e 20 palline nere (eventi negativi = assenza dell'idraulico).
Ricapitolando: Alessio sta implicitamente dando una valutazione di probabilità, e tale
valutazione attribuisce una probabilità 1
al realizzarsi dell'evento positivo = arrivo
21
dell'idraulico. La frazione che esprime la probabilità ha numeratore uguale ad 1, che
corrisponde a quanto Alessio è disposto a puntare, e denominatore pari a 21
corrispondente alla puntata di Alessio sommata alla puntata di un ipotetico sfidante.
Per quanto il dominio della probabilità soggettiva appaia ad alcuni incerto e arbitrario, vale
la pena di osservare che proprio questa è la definizione di probabilità a cui più spesso si
ricorre nelle considerazioni quotidiane ("domani pioverà, "questa volta passerò l'esame",
ecc.).
1.3
Teoremi fondamentali del calcolo delle probabilità
Di seguito sono riportati alcuni teoremi che riguardano la combinazione di eventi, senza
alcuna pretesa di esaustività.
Si segnalano altresì alcune definizioni.
I risultati mutuamente escludentisi di un esperimento aleatorio (come il lancio di un paio di
dadi) sono detti eventi elementari. L’insieme di tutti gli eventi associati con un dato
esperimento, è detto spazio degli eventi elementari.
Due eventi A e B sono detti mutuamente esclusivi ovvero incompatibili se non possono
accadere contemporaneamente; l’unione di due eventi A ∪ B è intesa come l’avverarsi di
8
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
almeno uno dei due; l’intersezione di due eventi A ∩ B è invece l’avverarsi di entrambi gli
eventi. Inoltre, la differenza A − B tra due eventi indica l’avverarsi di A, ma non di B e,
infine, si indica con A il complementare di A, che rappresenta il fatto che A non avviene.
1.3.1
Teorema dell’addizione delle probabilità
Nel caso di eventi mutuamente escludentisi si ha:
p( A ∪ B) = p( A ) + p(B)
(1.3a)
Nel caso che due eventi non siano mutuamente escludentisi, il teorema di addizione delle
probabilità afferma che:
(1.3b)
p( A ∪ B) = p( A ) + p(B) − p( A ∩ B)
che equivale alla seguente formula:
p( A + B) = p( A ) + p(B) − p( A × B) .
(1.4)
La dimostrazione del teorema si ricava osservando la figura 1: se i due insiemi
rappresentano rispettivamente la probabilità di successo dell'evento A e dell'evento B
allora la probabilità che si verifichi almeno uno dei due è uguale alla somma delle aree dei
due insiemi.
Però nel momento in cui si
considera l'unione dei due
insiemi bisogna togliere la
A
quantità relativa alla loro
intersezione in quanto viene
considerata due volte: una volta
B
A ∩B
per ciascun insieme.
Se si considera A formato da
(A-B)
e
( A ∩ B ),
allora,
necessariamente, per avere la
superficie interessata bisogna
sommare ad A la superficie di
B, da cui sia esclusa ( A ∩ B ).
Figura 1
Il teorema dell'addizione delle probabilità è facilmente estendibile a più di due eventi,
sempre operando le stesse considerazioni fatte per i due eventi A e B .
1.3.2
Probabilità condizionata
Si dice che l'evento A è dipendente dall'evento B se la probabilità dell'evento A dipende
dal fatto che l'evento B si sia verificato o meno. Mentre si dice che l'evento A è
indipendente dall'evento B se la probabilità del verificarsi dell'evento A non dipende dal
fatto che l'evento B si sia verificato o no.
9
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
Alcuni esempi:
-
-
si consideri l’esperimento costituito dal lancio di due monete.
Siano:
evento A = l’apparizione di testa al lancio della prima moneta,
evento B = l’apparizione di testa al lancio della seconda moneta.
La possibilità del verificarsi di A non dipende dal fatto che B si sia verificato o
meno, sicché l’evento A può dirsi indipendente dall’evento B .
un’urna contiene due palline bianche ed una nera. Due persone estraggono
ciascuna una pallina dall’urna. Si considerino i seguenti eventi:
evento A = la prima persona estrae una pallina bianca,
evento B = la seconda persona estrae una pallina bianca.
La probabilità che si verifichi l’evento A in assenza di informazioni su B è 2 ; se
3
invece è noto che l’evento B si è verificato, la possibilità che si verifichi l’evento A
diventa 1 . Da ciò si conclude che l’evento A è dipendente dall’evento B .
2
La probabilità dell’evento A , calcolata a condizione che l’evento B si sia verificato, si dice
probabilità condizionata di A e si denota nella seguente modalità:
p(A B ).
Nel caso del secondo esempio citato si ha quindi: p( A ) = 2
(1.5)
3
e p( A B) = 1 .
2
La condizione di indipendenza dell’evento A dall’evento B si può scrivere:
p( A B) = p( A ) ,
(1.6)
mentre la condizione di dipendenza diventa:
p( A B) ≠ p( A ) .
1.3.3
(1.7)
Teorema del prodotto delle probabilità
In generale, per prodotto delle probabilità di due eventi si intende il verificarsi di entrambi
simultaneamente. Ad esempio, se l'evento A consiste nell'estrazione di un due da un
mazzo di carte e l'evento B nell'estrazione di una carta di picche, allora l'evento C = A × B
consiste nell'apparizione di un due di picche.
Il teorema si può quindi scrivere nella seguente forma:
p( A ∩ B) = p( A ) + p(B) − p( A ∪ B)
10
(1.8)
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
che equivale a:
p( A × B) = p( A ) + p(B) − p( A + B) .
(1.9)
La dimostrazione del teorema è facilmente intuibile sempre dall'osservazione della Figura
1, dove la quantità p( A ∩ B) corrisponde alla zona bianca di intersezione tra i due insiemi.
Tale zona, nel caso della somma dei due insiemi viene ricoperta due volte, quindi,
togliendo la grandezza p( A ∪ B) si eliminano le parti non comuni dei due insiemi e in più
si sottrae anche una volta la superficie p( A ∩ B) , proprio come si voleva.
Il teorema del prodotto delle probabilità, come nel caso dell'addizione, è facilmente
estendibile al caso di più variabili, applicando le stesse considerazioni fatte nel caso di due
variabili.
Esiste anche un'altra formulazione di questo teorema, che va sotto il nome di teorema
delle probabilità composte.
1.3.4
Teorema delle probabilità composte
Un altro modo per esprimere il teorema di moltiplicazione delle probabilità è rappresentato
dal teorema delle probabilità composte.
Tale teorema può essere enunciato nel modo seguente: la probabilità del prodotto di due
eventi è uguale al prodotto della probabilità di uno degli eventi per la probabilità
condizionata dell'altro cioè, come si è visto, la probabilità del secondo evento, calcolata a
condizione che il primo abbia luogo:
p( A ∩ B) = p( A ) ⋅ p(B A ) = p(B) ⋅ p( A B) .
(1.10)
Si dimostra questo teorema per gli eventi che si riducono a uno schema di casi. Si
supponga che i risultati possibili della prova si riducano a n casi indicati con n punti:
k ∈B
m∈A
…………….
l ∈ AB
n
Si supponga che m casi siano favorevoli all’evento A e k casi all’evento B ; non essendo
A e B supposti incompatibili, si ammette che esistano, in generale, dei casi favorevoli
all’evento A e all’evento B simultaneamente.
11
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
Sia l il numero di tali casi. Allora:
l
n
m
p(A ) = .
n
p(AB ) =
(1.11)
Si calcola p(B A ), vale a dire la probabilità dell’evento B , a patto che A sia verificato. Se è
noto che l’evento A ha avuto luogo, degli n casi possibili all’inizio della prova rimangono
possibili solo quegli m casi che sono favorevoli all’evento A , essendo l di questi m casi
favorevoli all’evento B . Di conseguenza:
l
p(B A ) = .
(1.12)
m
Sostituendo le espressioni di p(AB ), p( A ) e p(B A ) nella formula (1.10), si ottiene
un’identità. Il teorema è dimostrato.
È evidente che applicando il teorema di moltiplicazione, l’ordine del susseguirsi degli
eventi A e B non ha nessuna importanza e si può scrivere questo teorema come segue:
p(AB ) = p(B ) p(A B ) .
(1.13)
Si noti che se gli eventi A e B sono mutuamente escludentisi, la probabilità condizionata
si annulla per definizione, mentre se gli eventi sono indipendenti si ha che p(B A ) = p(B) e
analogamente p( A B) = p( A ) ; da questo ultimo caso discende un 1° corollario molto
importante: la probabilità del prodotto di due eventi indipendenti è uguale al prodotto delle
probabilità di questi eventi:
(1.14)
p( A ∩ B) = p( A ) ⋅ p(B) .
Come visto, il corollario segue immediatamente dalla definizione di eventi indipendenti.
Inoltre: se l’evento A è indipendente dall’evento B , anche l’evento B è indipendente da
A . Questo 2°corollario può essere così dimostrato.
È noto che l’evento A non dipende da B , cioè:
p(A ) = p(A B ) .
(1.15)
Si richiede di dimostrare che l’evento B è indipendente anch’esso da A , cioè:
p(B ) = p(B A ) .
12
(1.16)
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
Per la dimostrazione si supponga p(A ) ≠ 0 .
Si scrive il teorema di moltiplicazione nelle due forme:
p(AB ) = p(A ) p(B A )
p(AB ) = p(B ) p(A B )
(1.17)
da cui:
p(A ) p(B A ) = p(B ) p(A B )
(1.18)
o, in accordo con la condizione (1.15):
p(A ) p(B A ) = p(B ) p(A ) .
(1.19)
dividendo ambedue i membri dell’uguaglianza (1.19) per p(A ) , si ottiene:
p(B A ) = p(B ) ,
(1.20)
ciò che volevasi dimostrare.
Da questo corollario segue che la dipendenza o l’indipendenza degli eventi sono sempre
reciproche. Ciò premesso si può dare una nuova definizione di eventi indipendenti: due
eventi si dicono indipendenti se il verificarsi di uno dei due non altera la probabilità di
realizzazione dell’altro.
La nozione di indipendenza di eventi può essere estesa a un numero qualsiasi di eventi.
Più eventi sono detti mutuamente indipendenti se nessuno di essi dipende da tutto
l’insieme degli altri.
Il teorema può essere generalizzato al caso di un numero qualsiasi di eventi. Nella forma
generale esso si enuncia nel modo seguente: la probabilità del prodotto di più eventi è
uguale al prodotto delle probabilità di questi eventi, essendo calcolata la probabilità di
ciascun i-esimo evento, a condizione che tutti gli i-1 eventi si siano verificati:
(
)
p A 1A 2 ...A n = p(A 1 ) p(A 2 A 1 ) p(A 3 A 1A 2 )...p(A n A 1A 2 ...A n−1 ) .
(1.21)
Questa formula può essere dimostrata con lo stesso metodo di induzione adottato in
precedenza.
Per gli eventi indipendenti il teorema si semplifica e assume la forma:
p(A 1A 2 ...A n ) = p(A 1 ) p(A 2 )...p(A n ) ,
(1.22)
cioè: la probabilità del prodotto di eventi indipendenti è uguale al prodotto delle probabilità
di questi eventi.
13
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
Usando il segno del prodotto, si può scrivere questo teorema come segue:
n
n
p ∏ A i = ∏ p(A i ).
i =1 i =1
Consideriamo alcuni esempi di applicazione del teorema.
Esempio 1
Un'urna contiene 2 palline bianche e 3 palline rosse. Si estraggono due
palline dall'urna. Trovare la probabilità che le due palline estratte siano
entrambe bianche.
Si denoti con A l'evento “apparizione di due palline bianche”. L'evento A è il
prodotto di due eventi elementari:
A = A1A 2
dove A 1 rappresenta l'apparizione della pallina bianca alla prima estrazione
e A 2 è la probabilità di ottenere la pallina bianca alla seconda estrazione.
In virtù del teorema delle probabilità composte si ha:
p( A ) = p( A 1 ) p( A 2 A 1 ) = ( 2 ) × ( 1 ) = 0.1
5
4
Si consideri la stessa situazione in cui dopo la prima estrazione, la pallina
estratta viene rimessa nell'urna (si parla allora di estrazione con
reintroduzione); in questo caso gli eventi A 1 e A 2 sono indipendenti e, per il
corollario, si ha:
p( A ) = p( A 1 ) p( A 2 ) = ( 2 ) × ( 2 ) = 0.16 .
5
5
Esempio 2
Nelle applicazioni pratiche, in generale, l’evento la cui probabilità si
determina, viene rappresentato come una somma di più eventi incompatibili
(varianti dell’evento in esame), ciascuno di essi essendo, a sua volta, un
prodotto di eventi.
Tre colpi siano sparati successivamente su un bersaglio. La probabilità di
colpire il bersaglio al primo, al secondo e al terzo colpo è uguale,
rispettivamente, a p1 = 0.4 , p 2 = 0.5 e p 3 = 0.7 . Determinare la probabilità
che di questi tre colpi uno vada esattamente a centro.
14
(1.23)
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
Si consideri un evento A “esattamente un colpo va a centro”. Questo evento
può verificarsi in modi diversi, cioè si decompone in più varianti incompatibili.
Si denotino con A1, A 2 , A 3 gli eventi che consistono nel colpire il bersaglio,
rispettivamente, al primo, al secondo e al terzo colpo e A 1 , A 2 ,A 3 gli eventi
che consistono nel mancare il bersaglio rispettivamente al primo, secondo e
terzo colpo. Di conseguenza:
A = A 1 A 2 A 3 + A 1A 2 A 3 + A 1 A 2 A 3 .
Usando i teoremi di addizione e moltiplicazione degli eventi e tenendo conto
delle proprietà degli eventi contrari si trova:
p( A ) = p( A 1 A 2 A 3 ) + p( A 1A 2 A 3 ) + p( A 1 A 2 A 3 ) =
= 0.4 ⋅ 0.5 ⋅ 0.3 + 0.6 ⋅ 0.5 ⋅ 0.3 + 0.6 ⋅ 0.5 ⋅ 0.7 = 0.36.
Esempio 3
Nelle condizioni dell’esempio precedente si trovi la probabilità che almeno un
colpo vada a centro.
Si consideri l’evento B “almeno un colpo va a centro”.
Usando il procedimento e le notazioni dell’esempio precedente si può
rappresentare l’evento B come una somma di varianti incompatibili:
B = A 1 A 2 A 3 + A 1A 2 A 3 + A 1 A 2 A 3 + A 1A 2 A 3 + A 1 A 2 A 3 + A 1A 2 A 3 + A 1 A 2 A 3
Occorre dunque trovare mediante il teorema di moltiplicazione la probabilità
di ciascuna delle varianti e sommarle. Tuttavia questo procedimento è troppo
complicato; qui è più opportuno passare dall’evento B al suo contrario B ,
“nessun colpo va a centro”.
É evidente che:
B = A1 A 2 A 3 .
Per il teorema di moltiplicazione:
p(B) = p( A 1 A 2 A 3 ) = 0.6 ⋅ 0.5 ⋅ 0.3 = 0.09
da cui:
p(B) = 1 − p(B) = 1 − 0.09 = 0.91 .
15
1 – Calcolo delle probabilità e teorema di Bayes
________________________________________________________________________________________________
L’ultimo esempio è un’illustrazione dell’opportunità di applicare gli eventi
contrari in teoria delle probabilità, che si enuncia nel modo seguente: se
l’evento contrario A si decompone in un numero più piccolo di varianti
dell’evento A , è opportuno, calcolando le probabilità, passare all’evento
contrario.
1.4.4 Teorema di Bayes
Esso si ricava semplicemente a partire dai teoremi finora illustrati; si osservi infatti che,
dati due eventi A e B qualsiasi, è possibile esprimere A come:
(
A = (A ∩ B ) ∪ A ∩ B
)
(1.24)
per cui:
(
)
( ) ()
( )
p(A ) = p(A ∩ B ) + p A ∩ B = p(A B ) p(B ) + p A B p B = p(A B ) p(B ) + p A B [1 − p(B )]
(1.25)
Si ricorre ad un esempio per chiarire il concetto: si suppone che una popolazione sia
predisposta ad essere attaccata da un virus per il 30%, mentre ovviamente il restante 70%
è più forte dal punto di vista immunitario. Si sa da indagini statistiche che tra gli individui
predisposti se ne ammalano annualmente il 50%, mentre tra quelli più forti il 20%. Qual è
la probabilità che un individuo qualsiasi si ammali?
Sia A l’evento “un individuo si ammala” e B l’evento “un individuo è predisposto”. Si ha:
( )( )
( )
p(A ) = p(A B )p(B ) + p A B p B = p(A B )p(B ) + p A B [1 − p(B )] = 0.5 * 0.3 + 0.2 * 0.7 = 0.29
che è la probabilità che un individuo qualsiasi si ammali.
Si riscrive l’espressione della probabilità condizionata, tenendo conto della definizione
data in precedenza e dell’espressione (1.25):
p(B A ) =
p(A B ) p(B )
p(B ∩ A )
=
p(A )
p(A B ) p(B ) + p A B p B
( ) ()
(1.26)
Come esempio, si immagini che un’analisi sia affidabile al 95%, cioè dia risultati positivi se
un individuo è malato per il 95% e ugualmente risultati positivi se l’individuo è sano per il
restante 5%. E’ noto che la malattia è diffusa tra la popolazione al 1%. Si calcoli la
probabilità che il soggetto sia malato a condizione che il risultato sia positivo.
Sia A l’evento “risultato positivo dell’analisi” e sia B l’evento “individuo effettivamente
malato”.
16
1 – Calcolo delle probabilità e teorema di Bayes
___________________________________________________________________________________________________________
Si ha:
p(B A ) =
p(A B )p(B )
( )( )
p(A B )p(B ) + p A B p B
=
0.95 * 0.01
= 0.16 .
0.95 * 0.01 + 0.05 * 0.99
La formula può essere generalizzata e si ottiene quello che comunemente viene chiamato
Teorema di Bayes:
(
p(A B ) p(B )
) p(Bpj(A∩)A ) = n j j .
∑ p(A B i ) p(B i )
p Bj A =
1
17
(1.27)
