Nozioni di base sulla probabilità condizionata
La probabilità è un metodo formale per misurare la probabilità che un evento si verifichi. In molte situazioni reali, la probabilità di un evento non è un dato isolato, ma è influenzata da altre informazioni già in nostro possesso. È qui che entra in gioco il concetto di probabilità condizionata. La probabilità condizionata ci aiuta ad aggiornare le nostre convinzioni su un particolare evento dopo aver acquisito ulteriori informazioni. Questo articolo ne illustra la definizione, la formula di base, alcuni esempi e la relazione con la regola del prodotto e il teorema di Bayes.
1. Comprensione della probabilità condizionata
Intuitivamente, la probabilità condizionata è la possibilità che si verifichi l'evento A dato che si è verificato l'evento B. Si scrive come:
\[
P(A \mid B)
\]
leggere “probabilità di A dato B”.
Ad esempio, vogliamo conoscere la probabilità che qualcuno porti con sé un ombrello (A) dato che oggi piove (B). Chiaramente, la probabilità di portare con sé un ombrello è maggiore se sappiamo che piove. L'informazione "piove" modifica il nostro spazio di considerazione: non consideriamo più tutte le condizioni meteorologiche, ma solo quelle in cui piove.
2. Formula della probabilità condizionata
La definizione matematica di probabilità condizionata è:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
a condizione che \(P(B) > 0\).
Osservazioni:
– \(P(A \mid B)\): la probabilità che si verifichi A dato che si verifica B.
– \(P(A \cap B)\): la probabilità che A e B si verifichino simultaneamente (l'intersezione di A e B).
– \(P(B)\): la probabilità che si verifichi B.
Il significato di questa formula: limitiamo la nostra attenzione all'evento B, quindi calcoliamo quanto grande sia la parte di B che include anche A.
3. Esempio semplice: le carte da gioco
Prendi una carta da un mazzo di carte da gioco standard (52 carte). Ad esempio:
– A: La carta estratta è un Asso
– B: la carta estratta è Picche
Vogliamo calcolare \(P(A \mid B)\), che è la probabilità di estrarre un Asso dato che la carta è di picche.
Langkah:
– Nel seme di picche ci sono 13 carte, quindi \(P(B) = 13/52\).
– Le fette A e B sono “Asso di picche” che totalizzano 1 carta, quindi \(P(A \cap B) = 1/52\).
COSÌ:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Ciò significa che se sappiamo già che la carta è di picche, la probabilità che sia un asso è di 1 su 13.
4. Comprendere l'intersezione (A ∩ B) e il ruolo dell'informazione
Un errore comune nello studio della probabilità è confondere \(P(A)\) con \(P(A|B)\). Nell'esempio della carta:
– \(P(A) = 4/52 = 1/13\) (probabilità di Asso senza informazioni aggiuntive)
– \(P(A|B) = 1/13\) (casualmente lo stesso in questo caso)
Tuttavia, in molti casi i due valori sono diversi. Ulteriori informazioni possono essere:
– aumentare le possibilità (ad esempio, la possibilità di superare un esame se si sa che qualcuno sta studiando),
– ridurre le opportunità (possibilità di strade tranquille se sai che è ora di tornare a casa dal lavoro),
– oppure non modifica la probabilità se gli eventi sono indipendenti.
5. Eventi reciprocamente indipendenti (Indipendenza)
Si dice che due eventi A e B sono indipendenti se l'evento B non influenza la probabilità di A, e viceversa. Formalmente:
\[
P(A \mid B) = P(A)
\]
o equivalente a:
\[
P(A \cap B) = P(A)P(B)
\]
Esempio: lanciare una moneta e un dado. Il risultato del lancio della moneta (numero/immagine) non è influenzato dal risultato del lancio del dado (1-6), quindi i due eventi sono indipendenti. Se A è "la moneta mostra un numero" e B è "il dado mostra 6", allora:
\[
P(A) = 1/2,\quad P(B)=1/6,\quad P(A \cap B)=1/12
\]
ed è vero che \(1/12 = (1/2)(1/6)\).
6. Regola della moltiplicazione
Dalla definizione di probabilità condizionata, possiamo derivare la regola di moltiplicazione:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
oppure anche:
\[
P(A \cap B) = P(B \mid A)P(A)
\]
Questa regola è molto utile quando vogliamo calcolare la probabilità che due eventi si verifichino simultaneamente, ma è più facile valutare la probabilità di uno di essi dopo aver conosciuto l'altro.
Esempio: Supponiamo che la probabilità che qualcuno superi un colloquio (B) sia 0,4. La probabilità di essere assunti (A) se superano il colloquio è 0,6. Quindi la probabilità di "superare il colloquio ed essere assunti" è:
\[
P(A \cap B) = P(A \mid B)P(B) = 0{,}6 \times 0{,}4 = 0{,}24
\]
7. Teorema di Bayes: Inversione delle condizioni
Spesso conosciamo \(P(A|B)\), ma ciò di cui abbiamo veramente bisogno è \(P(B|A)\). Il teorema di Bayes fornisce un modo per "invertire" la probabilità condizionata:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
Questo teorema è molto noto nei campi della diagnosi medica, dell'apprendimento automatico, del rilevamento dello spam e del processo decisionale basato sui dati.
Esempio breve (Salute)
Per esempio:
– B: qualcuno è veramente malato (prevalenza) \(P(B)=0{,}01\)
– A: risultato positivo del test
– Sensibilità del test: \(P(A|B)=0{,}95\)
– Falso positivo: \(P(A|\text{non malato})=0{,}05\)
Domanda: Se il risultato del test è positivo, qual è la probabilità che la persona sia effettivamente malata, ovvero \(P(B|A)\)?
Abbiamo bisogno di \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
COSÌ:
\[
P(B|A)=\frac{0,95 \times 0,01}{0,059} \approx 0,161
\]
Il risultato è stato di circa il 16,1%. Ciò dimostra che un test positivo non significa necessariamente che una persona sia sicuramente malata, soprattutto se la prevalenza della malattia è molto bassa.
8. Probabilità totale (Legge della probabilità totale)
Per calcolare \(P(A)\) in una situazione suddivisa in diverse condizioni, possiamo usare la legge della probabilità totale. Se \(B_1, B_2, …, B_n\) forma una partizione dello spazio campionario (mutuamente disgiunta e comprendente tutte le possibilità), allora:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
Viene spesso combinato con il teorema di Bayes per elaborare informazioni provenienti da più categorie o fonti.
9. Errori comuni nella probabilità condizionata
Alcuni errori comuni:
1. Supponiamo che \(P(A|B)\) sia uguale a \(P(B|A)\). Questo non è vero in generale.
2. Ignorare i tassi di base, ad esempio la prevalenza di una malattia nell'esempio di Bayes.
3. Determinare erroneamente lo spazio campionario dopo aver dato la condizione, anche se la condizione B significa che contiamo solo nella "regione B".
10. Penutup
La probabilità condizionata è un fondamento importante in statistica e nella modellazione dell'incertezza. Comprendendo la definizione di \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), possiamo valutare le probabilità considerando informazioni aggiuntive. Questo concetto è direttamente correlato alla regola del prodotto, agli eventi indipendenti, alla legge della probabilità totale e al teorema di Bayes, che risulta molto utile in numerose applicazioni pratiche. Più ci si esercita con esempi concreti – carte, dadi, sondaggi e persino casi clinici – più si rafforza l'intuizione su come le probabilità cambiano al variare delle informazioni.
