Вы находитесь на странице: 1из 21

1 - CALCOLO DELLE PROBABILITA E TEOREMA

DI BAYES

1.1

Introduzione

La teoria delle probabilit una scienza matematica che si occupa delle regolarit negli
eventi casuali (aleatori). Si dice che un evento aleatorio se, ripetuto pi volte un
esperimento, levento 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 dellesperimento il
numero di punti segnato sulle facce del dado. In seguito a ripetuti esperimenti il
risultato varia in modo aleatorio. Queste variazioni sono dovute allazione di diversi
fattori talvolta poco importanti e anche impercettibili, che intervengono ogni volta

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

che si lancia il dado e questultimo cade sulla tavola, come per esempio, limpulso
iniziale comunicato al dado, la rugosit 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 dellesperimento, non si pu
assicurare la stabilit dei risultati.
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 lincasso (risultato della prova). chiaro che questo risultato
varia da un giorno allaltro e oscilla attorno ad un valore medio, entro certi limiti.
Queste variazioni sono dovute a fattori aleatori: il numero dei passeggeri saliti
sullautobus, 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 allazione 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 dellapparecchio, ecc.
d) Si spara con un cannone disposto sotto un angolo 0 rispetto allorizzonte, alla
velocit iniziale v0, avendo i proiettili le medesime caratteristiche balistiche (peso,
forma). La traiettoria teorica 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, bens
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 dellesperimento, ma non
figurano tra

le

condizioni

essenziali. Le condizioni essenziali

dellesperimento,

determinando grosso modo il suo verificarsi, restano invariate; le condizioni secondarie


variano da un esperimento allaltro e fanno apparire delle variazioni aleatorie nei risultati.

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

evidente che non esistono in natura effetti fisici che non hanno elementi casuali. Per
quanto esatte e identiche siano le condizioni dellesperimento, impossibile raggiungere
risultati completamente e esattamente coincidenti al ripetersi dellesperimento.
Ogni fenomeno deterministico 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 dallesperimento 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 cos grande che non praticamente possibile registrarli
tutti e tenerne conto. Questo il caso dei problemi in cui i fattori aleatori secondari,
intimamente legati gli uni agli altri, giocano un ruolo importante, per di pi, il loro numero
talmente grande e la loro influenza cos complicata che non giustificato limpiego dei
metodi classici.
I primi studi che portarono successivamente a concetti legati alla probabilit possono
essere trovati a met del XVI secolo nel Liber de ludo ale 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)

successivamente da Tartaglia, per poi essere risolto da Pascal e Fermat.


La nascita del concetto moderno di probabilit 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 pi volte due dadi, quanti lanci sono necessari affinch si possa
scommettere con vantaggio che esce il doppio sei?
Nello stesso periodo Christiaan Huyghens (1629-1695) scrive De ratiociniis in ale lugo
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.
3

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

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 particolarit dei fenomeni aleatori, che si pu
chiamare stabilit 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, cio alla probabilit 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 per il primo a dare il fondamento teorico di questo fatto empirico. Il teorema
di Bernoulli, la forma pi semplice della legge dei grandi numeri, stabilisce una relazione
tra la probabilit di un evento e la frequenza della sua comparsa; quando il numero di
prove sufficientemente grande, ci si pu aspettare, con una certezza elevata, che la
frequenza coincida a piacere con la probabilit.
Un altro periodo importante nello sviluppo della teoria delle probabilit legato al nome di
Moivre (1667-1754). Fu lui ad introdurre e a dimostrare, nel caso pi 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.
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 probabilit lha avuto Laplace (17491827), che ha dato unesposizione concisa e sistematica dei fondamenti della teoria delle
probabilit, ha dimostrato una delle forme del teorema limite centrale (teorema di MoivreLaplace) e ha sviluppato numerose applicazioni della teoria delle probabilit a questioni
pratiche, in particolare, allanalisi degli errori nellosservazione e nella misura.
Un altro passo in avanti nello sviluppo della teoria delle probabilit appartiene a Gauss
(1777-1855), che ha dato un fondamento ancora pi 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
4

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

grandi numeri in una forma pi generale di quella di Bernoulli e per primo ha applicato la
teoria delle probabilit ai problemi di tiro. Una delle leggi di distribuzione che gioca un
ruolo particolarmente importante nella teoria delle probabilit e delle sue applicazioni,
porta il nome di Poisson.
Allinizio del XIX secolo, in Russia, appare la celebre scuola matematica di S. Pietroburgo
che ha dato alla teoria delle probabilit il suo fondamento logico e teorico e ne ha fatto uno
strumento sicuro, esatto ed efficace di conoscenza. A P. ebyev (1821-1894), eminente
matematico russo, sono dovuti lo sviluppo e la generalizzazione della legge dei grandi
numeri; inoltre, egli ha introdotto nella teoria delle probabilit il potente ed efficace metodo
dei momenti.
A. Markov (1856-1922), allievo di ebyev, ha ugualmente arricchito la teoria delle
probabilit di scoperte e di metodi molto importanti. Markov ha esteso il dominio di
applicazione della legge dei grandi numeri e del teorema limite centrale a esperimenti
indipendenti e dipendenti. Il merito essenziale di Markov consiste nellaver posto le basi di
una branca nuova della teoria delle probabilit, cio la teoria dei processi aleatori o
stocastici.
Un gran numero di lavori fondamentali nei diversi campi della teoria delle probabilit e
della statistica matematica appartiene a A. Kolmogorov. stato lui a dare una costruzione
assiomatica perfetta della teoria delle probabilit collegandola con un settore importante
dellanalisi, sviluppando la sua teoria nel 1933.

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

1.2

Probabilit e definizioni

3. Probabilit classica
La definizione classica di probabilit risale al XVII secolo ed dovuta a Laplace. Tale
definizione, poi ripresa da C.F. Circe nel 1910, si pu enunciare nel modo seguente: la
probabilit, p( A ) , di un evento A il rapporto tra il numero N di casi "favorevoli" (cio
il manifestarsi di A ) e il numero totale M di risultati ugualmente possibili e mutuamente
escludentisi:
p A

N
.
M

(1.1)

Questa probabilit talvolta detta probabilit a priori: il motivo dell'appellativo "a priori"
deriva dal fatto che possibile stimare la probabilit di un evento a partire dalla simmetria
del problema.
Ad esempio, nel caso di un dado regolare si sa che la probabilit di avere un numero
qualsiasi dei sei presenti sulle facce 1/6 e infatti, nel caso dell'uscita di un 3, si ha:

un 3

p 3

una faccia qualsiasi del dado

1
.
6

Analogamente, nel caso di una puntata sul colore rosso alla roulette la probabilit di
vincere pari a 18

37 , cio circa il 49% (infatti i numeri rossi sono 18 su un totale di 37,

essendoci oltre ai 18 numeri neri, anche lo zero che verde).


L'estensione

al

caso di eventi

con

risultati continui si attua attraverso

una

rappresentazione geometrica in cui la probabilit di un evento casuale data dal rapporto


tra l'area favorevole all'evento e l'area totale degli eventi possibili.
Consideriamo un esempio. Supponiamo che un bambino lanci dei sassi contro una parete
forata senza prendere la mira. Siano i fori sulla parete distribuiti a caso e per semplicit
assumiamo che le dimensioni dei sassi siano molto piccole rispetto a quelle dei fori. Ci si
chiede qual la probabilit p che un sasso passi dall'altra parte.
Se A l'area della parete e a l'area di ciascuno dei k fori, la probabilit che un sasso passi
data dall'area "favorevole" divisa l'area totale
6

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

La quantit 1

ka
.
A

A pu essere considerata come una densit di probabilit. Essa infatti la

probabilit che ha un sasso di colpire una particolare superficie unitaria del muro:
moltiplicando questa densit per l'area favorevole si ottiene direttamente la probabilit.
Si noti bene che questa definizione oggettiva di probabilit diventa di difficile applicazione
nelle numerose situazioni in cui la densit di probabilit non pu pi essere considerata
uniforme, ovvero quando vengono meno le condizioni di simmetria. Ad esempio nel caso
del bambino che lancia i sassi contro il muro pu verificarsi che le dimensioni dei fori
varino dal centro verso i bordi del muro e il bambino cerchi di mirare al centro.

4. Probabilit empirica
La definizione di probabilit empirica dovuta largamente a R. Von Mises ed la
definizione sperimentale di probabilit come limite della frequenza misurabile in una serie
di esperimenti. Essa ricalca lo schema della definizione classica, introducendo per
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 che questa
definizione si applica senza difficolt anche ai casi in cui la densit di probabilit non
uniforme, ovvero, per quanto riguarda esperimenti con risultati discreti, non necessario
specificare che i risultati debbano essere ugualmente possibili e mutuamente escludentisi.
Vediamo allora come viene definita la probabilit empirica o probabilit a posteriori: la
probabilit di un evento il limite cui tende la frequenza relativa di successo all'aumentare
del numero di prove. In pratica, se abbiamo un esperimento ripetuto m volte ed un certo
risultato A che accade
) quando

n volte, la probabilit di A data dal limite della frequenza ( n m

m tende all'infinito:
p( A ) lim

n
.
m

(1.2)

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

m volte lo stesso
esperimento sia misurando simultaneamente m esperimenti identici. L'insieme degli m
Gli m tentativi possono essere effettuati sia ripetendo in sequenza
tentativi prende il nome di gruppo.

Esistono alcune delicate questioni riguardo l'esistenza e il significato del limite presente
nella definizione di probabilit empirica:

la probabilit cos definita non una propriet solo dell'esperimento, ma anche


funzione del particolare gruppo su cui viene calcolata. Ad esempio la probabilit di
sopravvivenza ad una certa et, calcolata su diversi campioni di popolazione a cui
una stessa persona appartiene (maschi, femmine, fumatori, non fumatori,
deltaplanisti, ecc.), risulta diversa;

la probabilit empirica si pu 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 probabilit: rappresentano esempi di questo tipo il risultato di una
partita di calcio, quello di una roulette russa o il tempo atmosferico di domani.
Inoltre, per venire incontro ad una necessit di "operativit", quasi tutti sono concordi nel
definire la probabilit 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 assester in generale sul 50%; tuttavia, anche se estremamente improbabile,
esiste la possibilit che ci sia una sequenza di tutte croci: questo il difetto logico della
definizione frequentista.

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

5. Probabilit assiomatica
La definizione della probabilit matematica 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
probabilit p A

rappresentata da un numero reale soddisfacente gli assiomi di

probabilit:
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 ) la probabilit di
avere il risultato A 1 o il risultato A 2 ;
p( A i ) 1 , dove la sommatoria estesa su tutti gli eventi mutuamente
III)
i

escludentisi.
Le conseguenze dei tre assiomi sono:

p( A i ) p(nonA i ) 1 p( A i ) , cio la probabilit di non ottenere l'evento A i

uguale ad uno meno la probabilit di ottenerlo;

p( A i ) 1 , cio la probabilit 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 probabilit matematica pu essere estesa senza problemi alle


variabili continue;

gli assiomi illustrati e le loro conseguenze sono sufficienti a fare qualsiasi conto,
anche complicato, con le probabilit e ad ottenere un risultato numerico corretto.
D'altra parte essi non dicono niente su cosa sia la probabilit e quale sia la sua
natura: per questo si vedano le definizioni di probabilit classica, probabilit
empirica e probabilit soggettiva;
9

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

tutte le definizioni di probabilit soddisfano le condizioni espresse da questi


assiomi.

6. Probabilit soggettiva
La concezione soggettivista della probabilit porta ad una definizione che si potrebbe
formulare nel modo seguente: la probabilit di un evento A la misura del grado di
fiducia che un individuo coerente attribuisce, secondo le sue informazioni e opinioni,
all'avverarsi di A .
Il campo di applicabilit di questa definizione molto vasto; occorre aggiungere che la
"coerenza" significa la corretta applicazione delle norme di calcolo e che la misura del
grado di fiducia, cio la valutazione di probabilit, viene fatta sull'intervallo (0,1)
attribuendo la probabilit 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.
Vediamo un esempio: Alessio 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 cio a tale evento una probabilit pari ad 1

21 (meno del 5%). E come se ci

trovassimo 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 probabilit, e tale
valutazione attribuisce una probabilit 1

21 al realizzarsi dell'evento positivo = arrivo

dell'idraulico. La frazione che esprime la probabilit ha numeratore uguale ad 1 che


corrisponde a quanto Alessio disposto a puntare e denominatore pari a 21 corrisponde
alla puntata di Alessio sommata alla puntata di un ipotetico sfidante.
Per quanto il dominio della probabilit soggettiva appaia incerto e arbitrario, vale la pena di
osservare che proprio questa la definizione di probabilit a cui pi spesso ricorriamo
nelle nostre considerazioni quotidiane ("domani piover, "questa volta passer l'esame",
ecc.).

10

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

1.1

Teoremi fondamentali del calcolo delle probabilit

In questo paragrafo vengono presentati i teoremi fondamentali riguardanti il calcolo delle


probabilit.

7. Teorema delladdizione delle probabilit


Attraverso questo teorema calcoliamo la probabilit di pi eventi, sia che essi accadano
insieme oppure in alternativa l'uno all'altro. Consideriamo due eventi: se essi sono
mutuamente escludentisi, allora la probabilit che accada o uno o l'altro data dal
secondo assioma della probabilit, mentre se l'accadere di uno non preclude la possibilit
che si presenti anche il secondo, allora bisogna ragionare in un altro modo.
Nel caso che due eventi non siano mutuamente escludentisi, il teorema di addizione delle
probabilit afferma che:
p( A B) p( A ) p(B) p( A B)

(1.3)

p( A B) p( A ) p(B) p( A B) .

(1.4)

che equivale a:

La dimostrazione del teorema si ricava osservando la figura 1: se i due insiemi


rappresentano rispettivamente la probabilit di successo dell'evento A e dell'evento B
allora la probabilit che si verifichi almeno uno dei due uguale alla somma delle aree dei
due insiemi.
Fig. 1

Per nel momento in cui si


considera
insiemi
quantit

l'unione
bisogna

dei
togliere

relativa

alla

due
la
loro

A B

intersezione in quanto viene


considerata due volte: una volta
per ciascun insieme.

11

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

Il teorema dell'addizione delle probabilit, come nel caso del prodotto, facilmente
estendibile a pi di due eventi, sempre operando le stesse considerazioni che abbiamo
fatto per i due eventi A e B .

8. Probabilit condizionata
Si dice che l'evento A dipendente dall'evento B se la probabilit dell'evento A
dipende dal fatto che l'evento B si sia verificato o meno. Mentre diciamo che l'evento A
indipendente dall'evento B se la probabilit del verificarsi dell'evento A non dipende
dal fatto che l'evento B si sia verificato o no.
Vediamo alcuni esempi:
-

Si consideri lesperimento costituito dal lancio di due monete.


Siano:
evento A = lapparizione di testa al lancio della prima moneta,
evento B = lapparizione di testa al lancio della seconda moneta.
La possibilit del verificarsi di A non dipende dal fatto che B si sia verificato o
meno, sicch levento A pu dirsi indipendente dallevento B .

Unurna contiene due palline bianche ed una nera. Due persone estraggono
ciascuna una pallina dallurna. Si considerino i seguenti eventi:
evento A = la prima persona estrae una pallina bianca,
evento B = la seconda persona estrae una pallina bianca.
La probabilit che si verifichi levento A in assenza di informazioni su B 2 ; se
3
invece noto che levento B si verificato, la possibilit che si verifichi levento A
diventa 1 . Da ci si conclude che levento A dipendente dallevento B .
2

La probabilit dellevento A , calcolata a condizione che levento B si sia verificato, si


dice probabilit condizionata di A e si denota:
p A B .

Nel caso del secondo esempio citato si ha quindi: p( A ) 2

12

(1.5)

p( A B) 1 .
3 e
2

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

La condizione di indipendenza dellevento A dallevento B si pu scrivere:


p( A B ) p( A ) ,

(1.6)

p( A B ) p( A ) .

(1.7)

mentre la condizione di dipendenza:

9. Teorema del prodotto delle probabilit


In generale, per prodotto delle probabilit 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 pu quindi scrivere nella seguente forma:


p( A B ) p( A ) p(B ) p( A B )

(1.8)

p( A B ) p( A ) p(B ) p( A B ) .

(1.9)

che equivale a:

La dimostrazione del teorema facilmente intuibile sempre dall'osservazione della figura


1.1, dove la quantit 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 pi
si sottrae anche una volta la superficie p( A B) , proprio come volevamo.
Il teorema del prodotto delle probabilit, come nel caso dell'addizione, facilmente
estendibile al caso di pi 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 probabilit composte.

13

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

10.

Teorema delle probabilit composte

Un altro modo per esprimere il teorema di moltiplicazione delle probabilit rappresentato


dal teorema delle probabilit composte.
Tale teorema pu essere enunciato nel modo seguente: la probabilit del prodotto di due
eventi uguale al prodotto della probabilit di uno degli eventi per la probabilit
condizionata dell'altro, calcolata a condizione che il primo abbia luogo:
p( A B ) p( A ) p(B A ) p(B) p( A B ) .

(1.10)

Dimostriamo questo teorema per gli eventi che si riducono a uno schema di casi.
Supponiamo che i risultati possibili della prova si riducano a n casi che indichiamo con n
punti:
k B
mA

.
l AB
n

Supponiamo che m casi siano favorevoli allevento A e k casi allevento B ; non essendo

A e B supposti incompatibili, si ammette che esistano, in generale, dei casi favorevoli


allevento A e allevento B simultaneamente. Sia l il numero di tali casi. Allora:
l
n
.
m
p A
n
p AB

Calcoliamo

p B A ,

(1.11)

vale a dire la probabilit condizionata dellevento B a condizione

che A sia verificato. Se noto che levento A ha avuto luogo, degli n casi possibili
allinizio della prova rimangono possibili solo quegli m casi che sono favorevoli allevento

A , essendo l di questi m casi favorevoli allevento B . Di conseguenza:

14

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

p B A

l
.
m

Sostituendo le espressioni di p AB , p( A ) e

p B A

(1.12)
nella formula (1.10), si ottiene

unidentit. Il teorema dimostrato.


evidente che applicando il teorema di moltiplicazione, lordine del susseguirsi degli
eventi A e B non ha nessuna importanza e possiamo 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 probabilit condizionata


si annulla per definizione, mentre se gli eventi sono indipendenti si ha che
e analogamente

p( A B ) p( A ) ;

p(B A ) p(B )

da questo ultimo caso discende un 1 corollario molto

importante: la probabilit del prodotto di due eventi indipendenti uguale al prodotto delle
probabilit di questi eventi:
p( A B) p( A ) p(B) .

(1.14)

Come visto, il corollario segue immediatamente dalla definizione di eventi indipendenti.


Inoltre: Se levento A indipendente dallevento B , anche levento B indipendente
da A . Questo 2corollario pu essere cos dimostrato.
noto che levento A non dipende da B , cio:

p A p A B .

(1.15)

Si richiede di dimostrare che levento B indipendente anchesso da A , cio:


p B p B A

Per la dimostrazione supponiamo p A 0 .


Scriviamo il teorema di moltiplicazione nelle due forme:
15

(1.16)

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

p AB p A p B A ;

(1.17)

p AB p B p A B ,

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)

dividiamo ambedue i membri delluguaglianza (1.19) per p A . Si ottiene:


p B A p B

(1.20)

ci che volevasi dimostrare.


Da questo corollario segue che la dipendenza o lindipendenza degli eventi sono sempre
reciproche. Ci premesso si pu dare una nuova definizione di eventi indipendenti: due
eventi si dicono indipendenti se il verificarsi di uno dei due non altera la probabilit di
realizzazione dellaltro.
La nozione di indipendenza di eventi pu essere estesa a un numero qualsiasi di eventi.
Pi eventi sono detti mutuamente indipendenti se nessuno di essi dipende da tutto
linsieme degli altri.
Il teorema pu essere generalizzato al caso di un numero qualsiasi di eventi. Nella forma
generale esso si enuncia nel modo seguente: la probabilit del prodotto di pi eventi
uguale al prodotto delle probabilit di questi eventi, essendo calcolata la probabilit di
ciascun i-esimo evento, a condizione che tutti gli i-1 eventi si siano verificati:

p A 1 A 2 ...A n p A 1 p A 2 A 1 p A 3 A 1 A 2 ...p A n A 1 A 2 ...A n1 .

(1.21)

Questa formula pu essere dimostrata con lo stesso metodo di induzione completa.


Per gli eventi indipendenti il teorema si semplifica e assume la forma:

p A 1 A 2 ...A n p A 1 p A 2 ...p A n ,
16

(1.22)

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

cio: la probabilit del prodotto di eventi indipendenti uguale al prodotto delle probabilit
di questi eventi.
Usando il segno del prodotto, si pu scrivere questo teorema come segue:

Esempio 2

p A i .

i
i1
i1

(1.23)

Nelle applicazioni pratiche, in generale, levento la cui probabilit si


Consideriamo alcuni esempi di applicazione del teorema:
determina, viene rappresentato come una somma di pi eventi incompatibili
(varianti dellevento in esame), ciascuno di essi essendo, a sua volta, un
Esempio 1
prodotto di eventi.
Un'urna contiene 2 palline bianche e 3 palline rosse. Si estraggono due
palline
dall'urna.
Trovare
la probabilit che
le bersaglio.
due palline
siano
Tre colpi
sono sparati
successivamente
su un
La estratte
probabilit
di
entrambe
colpire il bianche.
bersaglio al primo, al secondo e al terzo colpo uguale,
Denotiamo
con A
di due
palline
bianche.laL'evento
A
0.7
0.4 ,apparizione
p 0.5 e p
rispettivamente,
a pl'evento
. Determinare
probabilit
1

il prodotto di due eventi elementari:


che di questi tre colpi uno vada esattamente a centro.
AA A

1
2
Consideriamo un evento A esattamente
un colpo va a centro. Questo
dove
della cio
pallina
alla prima
estrazione
1 rappresenta
eventoA pu
verificarsi l'apparizione
in modi diversi,
si bianca
decompone
in pi
varianti

e A 2 la probabilit di ottenere la pallina bianca alla seconda estrazione.


incompatibili.
A 2 , Aprobabilit
In virt del teorema
composte
si ha: nel colpire il bersaglio,
Denotiamo
con A 1 ,delle
che consistono
3 gli eventi

rispettivamente, al primo, al secondo e al terzo colpo e

A 1 , A 2 ,A 3

gli eventi

che consistono nelp(mancare


A ) p( A 1il)pbersaglio
( A 2 A 1 ) rispettivamente
( 2 ) ( 1 ) 0al
.1 primo, secondo e

terzo colpo. Di conseguenza:


Consideriamo la stessa situazione in cui dopo la prima estrazione, la pallina
estratta viene rimessa nell'urna (si parla allora di estrazione con
A A1 A 2 A 3 A1A 2 A 3 A1 A 2 A 3 .
reintroduzione); in questo caso gli eventi A 1 e A 2 sono indipendenti e, per
Usando i teoremi di addizione e moltiplicazione degli eventi e tenendo conto
il corollario, si ha:
delle propriet degli eventi contrari si trova:

p(2AA1 3)p) (Ap2()A1 A( 2 A)3) p()A10A.16


p( A ) p( A
p()A1 A
2A3 )
5
5

0.4 0.5 0.3 0.6 0.5 0.3 0.6 0.5 0.7 0.36

Esempio 3
Nelle condizioni dellesempio precedente trovare la probabilit che almeno
un colpo vada a centro.
Consideriamo levento B almeno un17
colpo va a centro.

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

Usando il procedimento e le notazioni dellesempio precedente si pu


rappresentare levento B come una somma di varianti incompatibili
B A1A 2 A 3 A1A 2 A 3 A1 A 2 A 3 A1A 2 A 3 A1 A 2 A 3 A1A 2 A 3 A1 A 2 A 3

Occorre trovare mediante il teorema di moltiplicazione la probabilit di


ciascuna delle varianti e sommarle. Tuttavia questo procedimento troppo
complicato; qui pi opportuno passare dallevento B al suo contrario B ,
nessun colpo va a centro.
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 .

Lultimo esempio unillustrazione dellopportunit di applicare gli eventi


contrari in teoria delle probabilit, che si enuncia nel modo seguente: se
levento contrario A si decompone in un numero pi piccolo di varianti
dellevento A , opportuno, calcolando le probabilit, passare allevento
contrario.

18

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

1.4.4 Teorema di Bayes

19

1 Calcolo delle probabilit e teorema di Bayes


________________________________________________________________________________________________

A partire dai teoremi finora illustrati, osserviamo che dati due eventi A e B qualsiasi,
possibile esprimere A come:

A A B A B

(1.24)

p A p A B 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)
Ricorriamo 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%
pi 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 pi forti il 20%. Qual
la probabilit che un individuo qualsiasi si ammali?
Sia A levento un individuo si ammala e B levento un individuo 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 la probabilit che un individuo qualsiasi si ammali.


Riscriviamo lespressione della probabilit condizionata, tenendo conto delle osservazioni
fatte finora:

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, immaginiamo che una analisi sia affidabile al 95%, cio dia risultati positivi
se un individuo malato per il 95% e ugualmente risultati positivi se lindividuo sano per
il restante 5%. E noto che la malattia diffusa tra la popolazione al 1%. Calcoliamo la
probabilit che il soggetto sia malato a condizione che il risultato sia positivo.
Sia A levento risultato positivo dellanalisi e sia B levento individuo effettivamente
malato.
Si ha:

p B A

p A B p B

0.95 * 0.01

20 0.95 * 0.01 0.05 * 0.99 0.16

p A B p B p A B p B

1 Calcolo delle probabilit e teorema di Bayes


___________________________________________________________________________________________________________

La formula pu essere generalizzata e si ottiene quello che viene chiamato Teorema di


Bayes:

pB j A

p B j A
p A

p A B p B
n

21

p A B j p B j
i

(1.27)