Probabilità

(estratto da: Un’introduzione ai modelli matematici

nel management)

Fabrizio Iozzi
Dipartimento di Scienza delle Decisioni,
Università Bocconi,
Milano, 20136
fabrizio.iozzi@unibocconi.it

14 luglio 2010

1
Capitolo 1

Cenni di calcolo delle probabilità

1.1 Idea intuitiva

La quasi totalità delle azioni umane e le loro conseguenze sono soggette ad un
certo grado, variabile, di imprevedibilità. Tale imprevedibilità è di particolare
rilevanza nelle attività oggetto delle cosiddette “scienze sociali” che, in un certo
senso, si contrappongono alle “scienze esatte” proprio per essere largamente
meno prevedibili a causa dell’incertezza legata al loro oggetto di studio.
A titolo di esempio, si consideri la seguente situazione. Un imprenditore
dell’area euro ha stipulato un contratto per l’acquisto di un bene in dollari e il
pagamento è previsto tra 6 mesi. In tale situazione, l’operazione finanziaria è
esposta ai rischi connessi alla variabilità del tasso di cambio. L’imprenditore sa
che il cambio euro–dollaro è oggi 1.27 e vorrebbe poter acquistare i dollari tra 6
mesi ad un tasso di cambio non inferiore a 1.20. Una maniera per proteggersi da
questo tipo di rischi consiste nell’acquistare da una banca un contratto, detto
opzione, che raggiunge lo scopo desiderato: la banca si impegna a vendere
all’imprenditore i dollari ad un prezzo prefissato (per esempio, 1.2 dollari per
un euro) in una data prefissata. Questo contratto ha, ovviamente, un costo e
tale costo rappresenta il rischio connesso all’imprevedibilità dell’operazione. La
banca, cioè, si fa pagare per assumere su di sé i rischi propri dell’imprenditore.
Situazioni di questo genere sono molto frequenti nelle pratiche aziendali e
condividono almeno due aspetti comuni:
• la necessità di determinare la probabilità che determinati eventi si verifi-
chino
• la necessità di svolgere calcoli con le valutazioni espresse al punto prece-
dente.
Si faccia attenzione al fatto che i due aspetti sono separati e che il primo,
necessariamente, precede logicamente il secondo. Prima è necessario quantifi-
care in qualche modo l’incertezza legata ad una certa situazione. Poi si possono
eseguire calcoli e valutazioni sull’opportunità o meno di prendere determinate
decisioni.
Il primo aspetto, la determinazione delle probabilità, è un compito estre-
mamente difficile. Secondo il cosiddetto approccio “classico”, se i risultati Approccio classico
dell’esperimento sono equiprobabili la probabilità di un dato evento è data dal
rapporto tra il numero dei risultati favorevoli all’evento e il numero totale dei

1
 1. Calcolo delle probabilità

risultati possibili. Per esempio, se l’esperimento consiste nella determinazione

del tasso di cambio euro–dollaro tra 6 mesi e sono considerati solo 3 risultati
possibili, “minore o uguale a 1.2”, “maggiore o uguale a 1.4” e “compreso tra
1.2 e 1.4”, tutti ritenuti equiprobabili, la probabilità che “il tasso sia maggiore
o uguale a 1.2” è di 2/3, perché i risultati possibili sono 3 e quelli favorevoli
all’evento sono 2 (il secondo e il terzo).
Approccio soggettivista Secondo l’approccio cosiddetto “soggettivista”, la determinazione della pro-
babilità che un dato evento si verifichi è legata al soggetto che la compie. Per
esempio, di fronte al lancio di un nuovo prodotto sul mercato, il giudizio di
un giovane imprenditore potrebbe essere che il prodotto appare troppo “tra-
dizionale” e che quindi esso avrà successo con una probabilità del 40%. Un
imprenditore esperto, con una profonda conoscenza del mercato di riferimento,
potrebbe giudicare positivamente la continuità con la tradizione e stimare una
probabilità di successo del 70%. È chiaro, però, che ognuno dei due soggetti
utilizzerà solo le proprie informazioni.
Approccio frequentista Secondo un terzo approccio, detto frequentista, la determinazione delle pro-
babilità è un processo sperimentale in cui l’esperimento può essere ripetuto,
nelle medesime condizioni, all’infinito. La frequenza relativa dell’evento di in-
teresse “converge” alla probabilità dell’evento. Anche se intuitivamente accatti-
vante, tale approccio risulta impraticabile. In primo luogo perché la ripetibilità
dell’esperimento nelle medesime condizioni è praticamente irrealizzabile. In se-
condo luogo perché non si può specificare preventivamente il numero di prove
necessarie per raggiungere una certa approssimazione della probabilità.
Nel seguito, i valori di probabilità degli eventi saranno intesi come assegnati
a priori.
Il secondo aspetto, lo svolgimento dei calcoli con valutazioni probabilistiche,
è più tecnico e facilmente formalizzabile. Di seguito si dà un brevissimo e molto
parziale riassunto dei fatti che più interessano qui.

1.2 Formalizzazione: eventi e probabilità

Per ogni esperimento con esito incerto è definito uno “spazio dei risultati”.

Definizione 1.2.1 (Spazio dei risultati). Si chiama spazio dei risultati l’insie-
me di tutti i possibili risultati di un certo esperimento.

Lo spazio dei risultati viene indicato di solito con la lettera Ω. Gli elementi
di Ω sono detti eventi elementari.

Definizione 1.2.2 (Evento). Un evento A è un sottoinsieme di risultati di Ω.

Ecco tre esempi.

Esempio 1.2.1 (Concessione agevolazioni). Un imprenditore edile conside-

ra l’annuncio fatto dal governo della proroga della concessione di agevolazioni
ai lavori di ristrutturazione delle abitazioni. L’annuncio riferisce che, se tale
proroga sarà concessa, potrà essere di uno o due anni. L’esperimento consiste
nella concessione della proroga. In questo caso

Ω = {“nessuna proroga”, “proroga di un anno”, “proroga di due anni”}

2
 1.2. Formalizzazione: eventi e probabilità

e gli eventi elementari sono “nessuna proroga”, “proroga di un anno”, “proroga

di due anni”. L’evento

A = {“è stata concessa la proroga”}

corrisponde al sottoinsieme

A = {“proroga di un anno”, “proroga di due anni”}

Esempio 1.2.2 (Prezzo di un titolo). Si consideri l’esperimento consistente nel

rilevare il prezzo di un certo titolo ad una scadenza prefissata. In questo caso
Ω = {x ∈ R : x > 0}. Gli eventi elementari sono tutti i numeri reali positivi.
L’evento “il prezzo del titolo è minore di 10” si identifica con il sottoinsieme
{0 < x < 10}.

Esempio 1.2.3 (Produzione). Si consideri l’esperimento consistente nella scel-

ta a caso di un pezzo meccanico in un dato lotto. La produzione può avvenire
in due stabilimenti, S1 e S2 che producono lo stesso numero di pezzi. Il pezzo
meccanico può essere conforme ai requisiti richiesti o difettoso. Indicando con
C1 un pezzo conforme proveniente dallo stabilimento 1 e con D1 un pezzo difet-
toso proveniente dallo stesso stabilimento, e analogamente per lo stabilimento
2, si ha
Ω = {C1, C2, D1, D2}.
L’evento “il pezzo è difettoso” corrisponde al sottoinsieme {D1, D2}.

Poiché gli eventi sono sottoinsiemi di Ω, si ricordano alcune definizioni rela-

tive alle operazioni con gli insiemi. Gli esempi che seguono sono riferiti a quelli
appena descritti.

Definizione 1.2.3. Ω, come sottoinsieme di se stesso è detto evento certo;

l’insieme vuoto, ∅, viene detto evento impossibile.

Gli eventi sono sottoinsiemi di Ω e come tali con essi si possono definire le
operazioni di unione, intersezione e di complementare.

Definizione 1.2.4. L’evento Ā è detto complementare di A. Esso si verifica

se e solo se A non si verifica.

Con riferimento all’esempio 1.2.1, se B è l’evento “le agevolazioni sono state

prorogate di un anno” allora B̄ è l’evento

B̄ = {“nessuna proroga”, “proroga di due anni”}.

Definizione 1.2.5. Due eventi A e B tali che A∩B = ∅ si dicono incompatibili.

Definizione 1.2.6. Se A e B sono eventi, l’evento A ∪ B è detto unione (o

somma) degli eventi A e B e si verifica se e solo se almeno uno tra A e B si
verifica. Di solito, l’evento unione si descrive unendo le proposizioni relative
agli eventi con il connettivo “o” (inteso in senso non esclusivo).

Con riferimento all’esempio 1.2.3, se A è l’evento “il pezzo è difettoso” e

B è l’evento “il pezzo è stato prodotto dallo stabilimento 1” allora A ∪ B =
{C1, D1, D2}

3
1. Calcolo delle probabilità

Definizione 1.2.7. Se A e B sono eventi, l’evento A ∩ B è detto intersezione

(o prodotto) degli eventi A e B e si verifica se e solo entrambi gli eventi A e B
si verificano. Di solito, l’evento intersezione si descrive unendo le proposizioni
relative agli eventi con il connettivo “e”.

Con riferimento all’esempio 1.2.3, se A è l’evento “il pezzo è difettoso” e B

è l’evento “il pezzo è stato prodotto dallo stabilimento 1” allora A ∩ B = {D1}
A questo punto è possibile dare una definizione di probabilità.

Definizione 1.2.8 (Misura di probabilità). Una funzione P che associa ad

ogni evento A un numero reale P (A) si dice misura di probabilità se

1. qualunque sia l’evento A, P (A) ≥ 0

2. P (Ω) = 1

3. per ogni coppia di eventi A e B tali che A ∩ B = ∅, cioè per ogni coppia
di eventi incompatibili, si ha P (A ∪ B) = P (A) + P (B)

Dalla definizione di probabilità seguono immediatamente alcune importanti

conseguenze

Teorema 1.2.1. Sia P una probabilità e sia A un evento. Allora:

1. P (Ā) = 1 − P (A);

2. P (∅) = 0,

3. qualunque siano gli eventi A e B, P (A ∪ B) = P (A) + P (B) − P (A ∩ B);

questa relazione generalizza l’assioma 3 al caso di eventi generici.

4. se A implica B, cioè A ⊂ B, allora P (A) ≤ P (B)

La dimostrazione di queste proprietà si può dare intuitivamente ricorrendo

ai diagrammi di Venn.

1.3 Probabilità condizionata

Ogni valutazione di probabilità è legata ad un particolare stato informativo.
Il decisore attribuisce le probabilità agli eventi di suo interesse sulla base delle
informazioni in suo possesso. Se queste cambiano, per qualsiasi motivo, anche
le probabilità possono cambiare.

Esempio 1.3.1. L’imprenditore edile dell’esempio 1.2.1 attribuisce, sulla base

della sua esperienza, la probabilità del 40% all’evento “le agevolazioni saranno
prorogate”. Successivamente l’imprenditore viene a sapere che è in corso la
redazione di una bozza del decreto. L’imprenditore ritiene a questo punto che
la probabilità della proroga non sia più il 40% ma il 70%. La nuova informazione
ha cambiato il suo stato informativo. Il verificarsi dell’evento “si sta redigendo
una bozza di decreto” ha modificato la probabilità dell’evento “le agevolazioni
saranno prorogate”. È possibile che adesso l’imprenditore prenda delle decisioni
che prima gli sarebbero sembrate sbagliate.

4
 1.3. Probabilità condizionata

Esempio 1.3.2. L’azienda produttrice di pezzi meccanici dell’esempio 1.2.3

ha avviato una procedura di controllo qualità. Un tecnico viene inviato ad
ispezionare i lotti di produzione. Ogni lotto è composto da un ugual numero di
pezzi prodotti dai due stabilimenti. Il tecnico ispeziona un lotto ed estrae un
pezzo a caso. Senza avere ulteriori informazioni, egli stima che la probabilità
che il pezzo provenga dallo stabilimento 1 sia del 50%. Un’analisi dei processi
produttivi mostra successivamente che lo stabilimento 1, più vecchio, produce
un pezzo difettoso ogni 10 pezzi prodotti mentre lo stabilimento 2, che utilizza
macchinari di ultima generazione, produce un pezzo difettoso ogni 50 pezzi
prodotti. Il tecnico ispeziona di nuovo il pezzo estratto precedentemente e nota
che il pezzo è difettoso. A questo punto la probabilità che esso provenga dallo
stabilimento 1 è ovviamente più alta di quella che provenga dallo stabilimento
2, perchè i due stabilimenti producono lo stesso numero di pezzi ma il primo
produce più pezzi difettosi del secondo, in proporzione. Il verificarsi dell’evento
“il pezzo è difettoso” ha modificato la probabilità dell’evento “il pezzo proviene
dallo stabilimento 1”.

Negli esempi considerati, c’è uno stato informativo “precedente” e uno sta-
to informativo “successivo”. Nel gergo del calcolo delle probabilità, le corri-
spondenti probabilità sono dette “a priori” e “a posteriori”. Nello stimare la Probabilità a priori e a
probabilità di un certo evento A si passa da quella a priori a quella a posteriori posteriori
avendo saputo che un certo altro evento B si è verificato. Le probabilità nel
nuovo stato informativo si chiamano “probabilità condizionate”.

Definizione 1.3.1 (Probabilità condizionata). Se P (B) > 0 si chiama proba-

bilità condizionata che si verifichi A dato che si è verificato B il rapporto

P (A ∩ B)
P (A|B) =
P (B)

Si può giustificare intuitivamente la definizione precedente in senso classico,

come rapporto tra casi favorevoli e casi possibili. Il verificarsi di B riduce i casi
possibili (perché quelli che non ammettono B non sono più da considerarsi).
Quelli favorevoli ad A sono anch’essi ridotti, perché affinché siano compatibili
con il nuovo stato informativo è necessario che siano favorevoli ad A e a B.

Esempio 1.3.3. Si lanciano due dadi e si supponga di voler determinare la

probabilità dell’evento “la somma dei dadi è maggiore di 6” (evento A). Se
si ritiene che il dato non sia truccato si può ragionare come segue. I risultati
possibili dell’esperimento (il lancio dei due dadi) sono 36, mentre quelli favore-
voli all’evento sono 21 (si veda la Figura 1.1). P (A) è quindi 21/36 ' 58.33%.
Supponiamo adesso di sapere che “il primo dei due dadi mostra il 3” (evento
B). Acquisita la nuova informazione la stima sul verificarsi di A cambia. Si
deve calcolare P (A|B). L’informazione acquisita (il fatto che si è verificato B)
riduce i casi possibili da 36 a 6, e i casi favorevoli all’evento nel nuovo scenario
sono 3. Pertanto P (A|B) = 50% (si veda la Figura 1.2).

Nelle applicazioni è particolarmente utile la seguente relazione.

Teorema 1.3.1. Se A e B sono eventi, allora

P (B) = P (B|A)P (A) + P (B|A)P (A)

5
1. Calcolo delle probabilità

1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6

3,1 3,2 3,3 3,4 3,5 3,6

4,1 4,2 4,3 4,4 4,5 4,6

5,1 5,2 5,3 5,4 5,5 5,6

6,1 6,2 6,3 6,4 6,5 6,6

Figura 1.1: Lancio di due dadi: in verde i lanci con somma maggiore di 6 (21);
in nero gli altri (15). La probabilità che la somma sia maggiore di 6 è 21/36.

1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6

3,1 3,2 3,3 3,4 3,5 3,6

4,1 4,2 4,3 4,4 4,5 4,6

5,1 5,2 5,3 5,4 5,5 5,6

6,1 6,2 6,3 6,4 6,5 6,6

Figura 1.2: Lancio di due dadi: se il primo dado mostra 3, lo spazio dei risultati
è ridotto alla sola terza riga. in verde i lanci con somma maggiore di 6 (3); in
nero gli altri (3). La probabilità che la somma sia maggiore di 6 dato che il
primo dado mostra 3 è 3/6.

6
 1.3. Probabilità condizionata

Utilizzando l’ultima relazione si può riscrivere la formula che definisce la

probabilità condizionata in un modo particolarmente significativo. La relazione
che ne deriva va sotto il nome di Teorema di Bayes.
Teorema 1.3.2 (Bayes). Se A e B sono due eventi allora si ha Teorema di Bayes

P (B|A)P (A) P (B|A)P (A)

P (A|B) = =
P (B) P (B|A)P (A) + P (B|A)P (A)
Il teorema di Bayes “scambia” il ruolo di A e B nella relazione della pro-
babilità condizionata. A destra del segno di uguale l’evento B “condiziona” la
probabilità di A; a sinistra, è A a condizionare la probabilità di B. Si osservi,
inoltre, che il denominatore è la probabilità di B, espressa, grazie al teorema
1.3.1, come somma di probabilità condizionate.
Per interpretare il risultato, si ritorni all’esempio 1.2.3. Il tecnico, estratto
a caso un pezzo da un lotto di produzione, verifica che il pezzo è difettoso e
vuole stimare la probabilità che esso provenga dallo stabilimento 1. In simboli,
posto A l’evento “il pezzo proviene dallo stabilimento 1” e B l’evento “il pezzo
è difettoso”, egli vuole calcolare P (A|B).
Il tecnico possiede due informazioni. La prima è che i due stabilimenti pro-
ducono lo stesso numero di pezzi. Quindi P (A) = 0.5 e P (A) = 0.5, cioè la
probabilità che un pezzo provenga dallo stabilimento 1 è del 50% e la proba-
bilità che un pezzo non provenga dallo stabilimento 1, e quindi provenga dallo
stabilimento 2, è ovviamente il 50%, P (A) = 0.5.
La seconda informazione riguarda i pezzi difettosi. Lo stabilimento 1 pro-
duce il 10% di pezzi difettosi e quindi la probabilità che un pezzo sia difettoso
dato che viene dallo stabilimento 1 è il 10%, cioè P (B|A) = 0.1. Analogamen-
te, lo stabilimento 2 produce il 2% di pezzi difettosi e quindi la probabilità
che un pezzo sia difettoso dato che viene dallo stabilimento 2 è il 2% e quindi
P (B|A) = 0.02.
Applicando il teorema di Bayes, si riesce a quantificare con precisione la
precedente conclusione qualitativa:
P (B|A)P (A)
P (A|B) =
P (B|A)P (A) + P (B|A)P (A)
0.1 × 0.5
=
0.1 × 0.5 + 0.02 × 0.5
0.05
=
0.06
5
= ' 83.33%
6
Si osservi che, assegnato un certo evento B, le probabilità “condizionate
a B” sono anch’esse delle misure di probabilità e quindi, in caso di eventi
complementari devono sommare ad 1; in simboli P (A|B) + P (A|B) = 1. Al
denominatore è stata calcolata la probabilità che un pezzo estratto a caso sia
difettoso, cioè la probabilità di B, P (B) = 0.06
Ecco un altro esempio che simula una situazione tipica dei problemi deci-
sionali.
Esempio 1.3.4. Un’autotrasportatore deve rinnovare l’intero parco automez-
zi. L’esperienza ha mostrato che la probabilità che un automezzo sia funzionan-

7
1. Calcolo delle probabilità

te dopo il primo anno di uso è del 70%. Pertanto, detto F l’evento “l’automezzo
è funzionante dopo un anno”, si ha P (F ) = 0.7 e, ovviamente, P (F ) = 0.3.
Nel passato, ogni volta che è stato necessario acquistare un certo numero di
automezzi un gruppo di autisti esperti li ha collaudati e ha fornito un parere
positivo o negativo sull’acquisto. L’affidabilità degli esperti è riassunta dalle
seguenti considerazioni:
• quando gli automezzi hanno superato il primo anno di vita, gli esperti
hanno dato parere positivo l’80% delle volte
• quando gli automezzi non hanno superato il primo anno di vita gli esperti
hanno dato parere negativo il 90% delle volte.
Detti + l’evento “gli esperti danno parere positivo” e − l’evento “gli esperti
danno parere negativo”, le informazioni precedenti si traducono nelle relazioni
P (+|F ) = 0.8 e P (−|F ) = 0.9. I due punti appena evidenziati implicano
logicamente anche le affermazioni complementari. Per esempio, poiché quando
gli automezzi hanno superato il primo anno di vita, gli esperti hanno dato
parere positivo l’80% delle volte, allora nel restante 20% delle volte gli esperti
hanno “sbagliato” parere e hanno dato parere negativo ad automezzi che poi si
sono rivelati funzionanti. In simboli, P (−|F ) = 0.2. Analogamente, il secondo
punto implica che gli esperti, avendo a che fare con mezzi che poi si sono
rivelati non funzionanti, hanno dato parere positivo il 10% delle volte e quindi
P (+|F ) = 0.1.
Anche in questo caso si decide di chiedere il parere degli esperti e ci si
domanda come cambieranno le probabilità che i mezzi siano in funzione dopo
un anno. Visto che gli esperti sono tali, c’è da aspettarsi che il loro parere
influenzi la scelta, per cui se essi esprimeranno un parere positivo, la probabilità
che i mezzi saranno sufficientemente durevoli aumenterà mentre diminuirà in
caso contrario.
Si tratta di calcolare la probabilità di F dato uno dei due pareri possibili.
Se gli esperti daranno un parere positivo, applicando il teorema di Bayes si
avrà
P (+|F )P (F )
P (F |+) =
P (+|F )P (F ) + P (+|F )P (F )
0.8 × 0.7
=
0.8 × 0.7 + 0.1 × 0.3
0.56
= = 0.9491 . . .
0.59
Di conseguenza sarà anche P (F |+) = 0.0508 . . .
Se invece il parere sarà negativo si avrà
P (−|F )P (F )
P (F |−) =
P (−|F )P (F ) + P (−|F )P (F )
0.2 × 0.7
=
0.2 × 0.7 + 0.9 × 0.3
0.14
= = 0.1818 . . .
0.77
Di conseguenza sarà anche P (F |−) = 0.8181 . . .

8
 1.3. Probabilità condizionata

I risultati non sorprendono. In caso di parere positivo, la probabilità che

i mezzi funzioneranno aumenta da 0.7 a 0.9491; in caso di parere negativo, la
probabilità che i mezzi funzioneranno diminuisce a 0.1818.
È interessante notare come cambiano i risultati al variare dell’affidabilità
degli esperti.
Si supponga, per esempio, che quando gli automezzi hanno superato il primo
anno di vita, gli esperti abbiano dato parere positivo il 100% delle volte; in
simboli, P (+|F ) = 1 e, di conseguenza, P (−|F ) = 0. Si supponga anche che
quando gli automezzi non hanno superato il primo anno di vita gli esperti
abbiano dato parere negativo il 100% delle volte; in simboli, P (−|F ) = 1 e, di
conseguenza, P (+|F ) = 0.I calcoli precedenti cambiano come segue:

P (+|F )P (F )
P (F |+) =
P (+|F )P (F ) + P (+|F )P (F )
1 × 0.7 0.7
= = =1
1 × 0.7 + 0 × 0.3 0.7
che implica P (F |+) = 0, e

P (−|F )P (F )
P (F |−) =
P (−|F )P (F ) + P (−|F )P (F )
0 × 0.7 0
= = =0
0 × 0.7 + 0.9 × 0.3 0.77
che implica P (F |−) = 1. Tradotte in linguaggio naturale, le espressioni prece-
denti dicono che se gli esperti danno un parere positivo, l’automezzo funzionerà
sicuramente, mentre se daranno un parere negativo l’automezzo non funzione-
ra. L’aumento delle probabilità al 100% ha trasformato gli esperti in profeti
infallibili! Naturalmente la situazione appena illustrata non è praticamente
realizzabile ma ha importanza come “caso limite” a cui si tende quando le
probabilità sono vicine a 1.
Se una sola delle due probabilità è uguale a 1, per esempio P (+|F ) = 1,
mentre l’altra rimane uguale, P (−|F ) = 0.9, i calcoli danno:

P (+|F )P (F )
P (F |+) =
P (+|F )P (F ) + P (+|F )P (F )
1 × 0.7
=
1 × 0.7 + 0.1 × 0.3
0.7
= = 0.9589 . . .
0.73
che implica P (F |+) = 0.0410 . . . , e

P (−|F )P (F )
P (F |−) =
P (−|F )P (F ) + P (−|F )P (F )
0 × 0.7
= =0
0 × 0.7 + 0.9 × 0.3
che implica P (F |−) = 1. Questi risultati si spiegano facilmente. Con i mezzi
funzionanti, F , gli esperti sono infallibili (P (+|F ) = 1) ed emettono sempre un
parere positivo. Con gli automezzi non funzionanti (F ), invece, emettono pareri

9
1. Calcolo delle probabilità

negativi solo il 90% delle volte e per il restante 10% emettono pareri positivi.
Il risultato è che se si riceve un parere positivo non si è sicuri se si tratta di un
parere dato su mezzo funzionante o su un mezzo non funzionante, anche se la
probabilità che sia funzionante è alta. Se si riceve un parere negativo, invece,
non può che provenire da un mezzo non funzionante e quindi le conclusioni
sono certe.
Si osservi infine il caso in cui le percentuali di affidabilità sono entrambe
uguali al 50%, P (+|F ) = 0.5 e P (−|F ) = 0.5. Si ha P (−|F ) = 0.5 e P (+|F ) =
0.5 e quindi

P (+|F )P (F )
P (F |+) =
P (+|F )P (F ) + P (+|F )P (F )
0.5 × 0.7 0.35
= = = 0.7
0.5 × 0.7 + 0.5 × 0.3 0.5

che implica P (F |+) = 0.3 . . . , e

P (−|F )P (F )
P (F |−) =
P (−|F )P (F ) + P (−|F )P (F )
0.5 × 0.7 0.35
= = = 0.7
0.5 × 0.7 + 0.5 × 0.3 0.5

che implica P (F |−) = 0.3. In questo caso le probabilità a priori, P (F ) = 0.7 e

P (F ) = 0.3, sono uguali a quelle a posteriori, P (F |+) = 0.7 e P (F |+) = 0.3 e
analogamente nell’altro caso. Gli esperti, in questo caso, si sono rivelati com-
pletamente inutili. E questo si spiega facilmente considerando che attribuire la
probabilità del 50% ad un evento in contrapposizione ad un altro è, di fatto, la
manifestazione di incapacità ad esprimere un parere nei confronti dell’evento
stesso. L’assegnazione P (+|F ) = 0.5 vuol dire che quando gli automezzi si so-
no rivelati funzionanti, gli esperti hanno dato un parere positivo nel 50% delle
volte. Ma un parere di questo tipo non è informativo: una persona che deci-
desse di dare i pareri sulla base dell’ordine con cui gli vengono chiesti, dando
parere positivo al primo parere, al terzo, al quinto e cosı̀ via, e pareri negativi
al secondo, al quarto, al sesto parere e cosı̀ via, avrebbe la stessa affidabilità di
un tale esperto pur essendo, di fatto, completamente inaffidabile. In un certo
senso, quindi, l’ultimo risulta essere il caso peggiore dei 3 esaminati. Come già
detto, le situazioni tipiche sono quelle in cui le affidabilità degli esperti sono
intermedie tra le due situazioni estreme.

1.4 Variabili aleatorie discrete

Di norma, al risultato di un esperimento con risultato incerto è legato un
numero di interesse.

Esempio 1.4.1. Con riferimento all’esempio 1.2.1, si immagina facilmente

che il profitto dell’imprenditore possa variare al variare della situazione che si
realizzerà in futuro. Per fissare le idee, si supponga che:

1. la probabilità che le agevolazioni non siano prorogate, evento A1 , sia del

10%, P (A1 ) = 0.1;

10
 1.5. Il concetto di valore atteso

2. la probabilità che le agevolazioni siano prorogate di 1 anno, evento A2 ,

sia del 60%, P (A2 ) = 0.6;

3. la probabilità che le agevolazioni siano prorogate di 2 anni, evento A3 ,

sia del 30%, P (A3 ) = 0.3;

e che

1. se le agevolazioni non saranno prorogate l’imprenditore avrà un aumento

del fatturato di 100000 euro;

2. se le agevolazioni saranno prorogate per un anno l’imprenditore avrà un

aumento del fatturato di 200000 euro;

3. se le agevolazioni saranno prorogate per due anni l’imprenditore avrà un

aumento del fatturato di 250000 euro.

L’esperimento consiste nella proroga delle concessioni. All’esperimento è as-

sociato un numero X, detto variabile aleatoria , consistente nell’aumento del Variabile aleatoria
fatturato. I valori che la variabile aleatoria può assumere si chiamano deter-
minazioni e si indicano, di norma, con la corrispondente lettera minuscola con
un indice: x1 = 100000, x2 = 200000 e x3 = 250000. Esiste un’associazione
immediata tra la variabile aleatoria e le probabilità corrispondenti alle sue varie
determinazioni. Tale associazione è riassunta nella tabella seguente.

Eventi A1 A2 A3
Probabilità (p1 , p2 , p3 ) 0.1 0.6 0.3
Determinazioni di X (x1 , x2 , x3 ) 100000 200000 250000

Quando la variabile aleatoria assume solo un numero finito di determinazioni,

come in questo caso dove ve ne sono 3, si dice che la variabile aleatoria è
discreta. La tabella precedente è un esempio di distribuzione di probabilità di
una variabile aleatoria discreta.

1.5 Il concetto di valore atteso

Definizione 1.5.1 (Valore atteso). Se X è una variabile aleatoria discreta, si
chiama valore atteso di X la quantità
n
X
E (X) = xi × pi
i=1

Esempio 1.5.1. Nell’esempio 1.4.1 si ha

3
X
E (X) = xi × pi = 100000 × 0.1 + 200000 × 0.6 + 250000 × 0.3 = 205000
i=1

Si osservi che il valore atteso di una variabile aleatoria non è, in generale,
una delle determinazioni possibili per la variabile aleatoria. Si può dare un
senso intuitivo al significato del valore atteso immaginando di poter ripetere
l’esperimento, nelle medesime condizioni e quindi con le stesse probabilità, un

11
1. Calcolo delle probabilità

certo numero di volte. All’aumentare del numero degli esperimenti, il valore

medio per esperimento, cioè la somma dei valori ottenuti dai singoli esperimenti
divisa per il numero degli esperimenti, si avvicina al valore atteso. L’afferma-
zione cosı̀ come è stata appena scritta è imprecisa ma la sua formalizzazione
corretta esula dagli scopi di questa dispensa.

1.6 Esercizi
Esercizio 1.6.1. Una società finanziaria ha appena investito 10 milioni di euro
in immobili costruiti in una certa zona di Milano. L’AD della società stima in
0.3 la probabilità che nei prossimi due anni gli immobili aumentino il valore
del 30% e in 0.5 che il valore aumenti dello 0.1%. Esiste infine la possibilità
che il valore degli immobili rimanga invariato. Si calcoli il valore atteso degli
immobili dopo due anni.
Esercizio 1.6.2. Una azienda sta organizzando un viaggio premio per la pro-
pria clientela VIP. La scelta è caduta su un certo villaggio turistico in un’isola
tropicale. La dirigenza dell’azienda stima che la probabilità di successo del
viaggio sia dell’80%. Per prassi consolidata, prima di confermare il viaggio un
paio di dirigenti dell’azienda si recheranno sul posto per esprimere un parere,
positivo o negativo, sulla meta turistica. Nel passato si è visto che quando la
meta è stata gradita dai clienti, i dirigenti avevano espresso parere positivo nel
90% dei casi, mentre quando la meta non è stata gradita dai clienti, i dirigenti
hanno espresso parere negativo nell’80% dei casi. I due dirigenti sono sulla
via del ritorno. Come potrebbe cambiare la probabilità che il viaggio sia un
successo per i clienti?

1.7 Domande a risposta breve

Domanda 1.7.1. Il risultato incerto di un’operazione finanziaria, in milioni
di euro, può essere 1, 2 o 5. Il suo valore atteso può essere 6? Perché?

Domanda 1.7.2. Dato che P (A|B) = 0.4 si può concludere che P (A|B) = 0.6?
Domanda 1.7.3. Dato che P (A|B) = 0.4 si può concludere che P (A|B) = 0.6?

Domanda 1.7.4. Di due eventi A e B si sa che P (A) = 0.4 e che P (B) = 0.3.
Può succedere che P (A ∪ B) = 0.8?

Domanda 1.7.5. Di due eventi A e B si sa che P (A) = 0.4 e che A implica

B. Può succedere che P (B) = 0.6?

12
Soluzioni degli esercizi proposti

13
 1.7. Domande a risposta breve

1.6.1 Il valore degli immobili in milioni di euro è una variabile aleatoria X con
determinazioni x1 = 13, x2 = 11 e x3 = 10 con probabilità p1 = 0.3, p2 = 0.5
e p3 = 0.2. Il valore atteso di x è quindi

E (X) = 13 × 0.3 + 11 × 0.5 + 10 × 0.2 = 11.4

1.6.2 Sia S l’evento “il viaggio è di successo” e “+” l’evento “il parere dei
dirigenti è positivo”. Prima che i dirigenti riferiscano il loro parere, si ha
P (S) = 0.8 e di conseguenza P (S) = 0.2. Si sa inoltre che P (+|S) = 0.9
e che P (+|S) = 0.8; da queste relazioni si deduce che P (+|S) = 0.1 e che
P (+|S) = 0.2. Il parere dei due dirigenti è incognito. Se esso sarà positivo, si
dovrà calcolare P (S|+). Applicando il teorema di Bayes si ha

P (+|S)P (S)
P (S|+) =
P (+|S)P (S) + P (+|S)P (S)
0.9 × 0.8 0.72
= =
0.9 × 0.8 + 0.2 × 0.2 0.76
18
= ' 0.9473
19
Se esso sarà negativo, si dovrà calcolare P (S|+). Sempre applicando il teorema
di Bayes si ha

P (+|S)P (S)
P (S|+) =
P (+|S)P (S) + P (+|S)P (S)
0.1 × 0.8 0.08
= =
0.1 × 0.8 + 0.8 × 0.2 0.24
1
= ' 0.3333
3
1.7.1 No, perché il valore atteso di una variabile aleatoria discreta è compreso
tra il minimo ed il massimo delle sue determinazioni.

1.7.2 No, perché B e B sono eventi diversi e le probabilità condizionate da

ciascuno di essi non sono legate da semplici relazioni.

1.7.3 Sı̀, perché le due probabilità sono quelle di eventi complementari condi-
zionate allo stesso evento B.

1.7.4 No. Poiche vale la relazione

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0.7 − P (A ∩ B)

la probabilità cercata è minore o uguale a 0.7.

1.7.5 Sı̀. Se A implica B allora P (A) < P (B) e quindi B può effettivamente
avere probabilità uguale a 0.8.

15