CONCETTI DI BASE DELLA

PROBABILITÀ

1
 Introduzione
Il calcolo delle probabilità, nato nel contesto dei giochi
d’azzardo si è sviluppato teoricamente fino ad assumere
un ruolo particolarmente rilevante nell’analisi dei
fenomeni collettivi, diventando presupposto essenziale
della teoria della statistica.
La teoria delle probabilità è una disciplina matematica
astratta e altamente formalizzata pur conservando il suo
originale e rilevante contenuto empirico.
Fornirò gli aspetti essenziali per la comprensione degli
argomenti trattati nel seguito.

2
 Introduzione

Il calcolo delle probabilità è utile per analizzare il caso (la

sorte) e per calcolare il rischio in situazioni in cui c’è una
pluralità di risultati (esiti) possibili.
La probabilità associa a ciascuno dei possibili risultati
una valutazione di quanto verosimile è il suo verificarsi.

3
 Introduzione

Serve per valutare il rischio di usare dati campionari.

Molteplici sono i campioni casuali che si possono estrarre
da una popolazione.
Posso essere “molto sfortunato” se estraggo un
campione che produce risultati molto diversi da quelli
che avrei se analizzassi tutte le unità della popolazione.
La probabilità misura questo rischio.

4
 Introduzione

Per un’azienda è importante per misurare il rischio

collegato ad una decisione.
Il lancio di un nuovo prodotto o un piano di investimenti
hanno una componente di “azzardo”.
L’azienda sa che potrebbe andare incontro ad un esito
sfavorevole.
Attraverso la probabilità si ricava una valutazione di tale
rischio.

5
 Concetti base della probabilità

La probabilità è il grado di incertezza connesso al

verificarsi di un evento aleatorio “E”.
Ad esempio, nel lancio di un dado, non è possibile
conoscere a priori il risultato che si otterrà.

6
Concetti base della probabilità
 Prova: esperimento casuale (aleatorio) dall’esito incerto, ovvero
ogni fenomeno il cui risultato non può essere previsto con certezza.
Ossia ci sono due o più possibili esiti, ma vi è incertezza su quale
esito si presenterà.
Ad esempio: lancio di un dado; l’estrazione di una numero alla roulette;
esame universitario; lancio di un prodotto sul mercato; il PIL italiano fra 5
anni; il test di durata di un pneumatico; il ROE di un impresa nel
prossimo esercizio; il numero massimo di battiti cardiaci di un paziente
durante un test di sforzo; la temperatura minima di domani in una certa
stazione meteorologica; l’intensità di una certa scossa di terremoto ….

7
 Spazio campionario

L’insieme di tutti i possibili risultati viene chiamato

spazio campionario e viene indicato con il simbolo .
Esempi:
-se l'esperimento casuale è il lancio di una moneta a due facce, lo
spazio campionario è dato da
 = {T, C}
Dove T (testa) e C (croce) sono i possibili risultati.
-se l'esperimento casuale è l’esito di una operazione di
finanziamento di una banca ad una impresa cliente, i cui risultati
possibili sono la restituzione (R) o meno (NR) del finanziamento
concesso da parte dell’impresa; lo spazio campionario è dato da:
 = {R, NR}
8
 Spazio campionario
Esempi:
- se l'esperimento casuale consiste nell'estrazione di un numero al lotto, lo
spazio campionario è dato da tutti i numeri interi da 1 a 90:
Ω = {1, 2, …, 90}
- se l'esperimento casuale consiste nel contare il numero di difetti in una
matassa di filato da 100 metri, lo spazio campionario è dato da:
Ω = {0, 1, 2, …}
cioè da tutti i numeri interi non negativi, dato che il numero di difetti è un
numero intero e non è possibile stabilire a priori il numero massimo.
- se l’esperimento casuale consiste nel test di durata di un pneumatico, lo
spazio campionario è costituito da
Ω = [0, +∞)
cioè tutti i numeri reali non negativi, poiché la durata non può essere
negativa. 9
 Spazio campionario

Dagli esempi riportati è possibile notare che lo spazio

campionario può essere costituito da:
un numero finito di punti campionari (lancio della moneta,
pezzi difettosi, palline estratte da un’urna, …)
un’infinità numerabile di punti campionari (numero di
computer prodotti, numero di accessi ad un sito internet,
numero di battiti cardiaci, …)
un’infinità non numerabile di punti campionari (test di
durata di un pneumatico, PIL italiano fra 5 anni, temperatura
di un luogo, ROE di un’impresa, …).

10
Concetti base della probabilità

 Evento E: ogni possibile esito della prova (esempio:

ottenere “2” dal lancio di un dado; superare l’esame con
il massimo dei voti; il prodotto ha successo sul
mercato).
Un evento è un sottoinsieme di Ω.

11
Concetti base della probabilità
 Probabilità P(E): il grado di incertezza associato al
verificarsi di un evento.
È un numero compreso tra 0 (non si verifica l’evento) e 1
(si verifica l’evento).

12
Concetti base della probabilità

In una data prova, l’evento (E) si verifica con probabilità

P(E)
0  P (x)  1

Nel lancio di un dado… PROVA

… la faccia contrassegnata EVENTO (E=5)

dal numero 5 ...
… si presenta con PROBABILITÀ P(E=5)=1/6
probabilità uguale a 1/6
Concetti base della probabilità

EVENTO

ELEMENTARE NON ELEMENTARE

uno dei possibili risultati Evento che può essere a sua

di una prova. volta scomposto in più eventi

Esempio: nel lancio di un elementari.

dado i possibili eventi Esempio: nel lancio di un

elementari sono dado l’evento «esce un
{1,2,3,4,5,6} numero pari» comprende più
eventi elementari {2,4,6}
14
Evento impossibile e evento certo

È opportuno definire due eventi particolarmente rilevati:

L’evento impossibile, ossia l’evento che non ha nessuna
possibilità di verificarsi ha associata una probabilità pari
a0
L’evento certo, ossia l’evento che si verificherà
sicuramente ha una probabilità pari a 1
Due eventi (A e B) si definiscono incompatibili se il
verificarsi dell’uno esclude il verificarsi dell’altro.

15
 Definizioni della probabilità
Se volessimo spiegare il concetto con parole semplici,
potremmo dire che la probabilità di un evento è il grado
di certezza attribuito al verificarsi di tale evento.
Il primo problema da affrontare nella pratica è come
attribuire la probabilità, dal punto di vista numerico, nei
singoli casi concreti.
Tra le innumerevoli definizioni proposte in letteratura, ce
ne sono tre: la definizione classica, la definizione
frequentista e la definizione soggettiva.

16
Definizione classica di probabilità
La probabilità di un evento è data dal rapporto tra il numero dei risultati
favorevoli all’evento e il numero dei risultati possibili (purchè tutti
equamente probabili).
Si basa sulla conoscenza del meccanismo dell’esperimento.

num. casi favorevoli

P E  
num casi possibili

Esempio: lancio di un dado qual è la probabilità che esca 5?

1
 
P E 5 
6
17
Definizione classica di probabilità

Un’università conta 10.000 iscritti di cui 4.000 maschi.

Dalla popolazione degli studenti si estrae casualmente
uno studente.
La probabilità che lo studente estratto sia:
MASCHIO è
4 . 000
P A    0,4
10 . 000

18
 I postulati della probabilità

Con riferimento ad una prova è possibile considerare tutti

gli eventi elementari (ossia i diversi esiti della prova) e un
altro insieme di eventi, ottenuti a partire da quelli
elementari.
 I postulati della probabilità
POSTULATO 1 Gli eventi formano un’algebra di Boole

Nell’algebra di Boole si considerano 3 operazioni fondamentali:

1. La negazione di un evento A, ossia Ā: dato un evento A, la sua
negazione Ā è data dall’evento A non si verifica
2. L’intersezione tra due eventi A e B, ossia A  B: l’intersezione di
due eventi A e B è data dall’evento “tutti e due gli eventi A e B si
verificano contemporaneamente”
3. L’unione tra due eventi A e B, ossia A  B: l’unione di due eventi
A e B è data dall’evento “almeno uno degli eventi A e B si verifica”
 I postulati della probabilità
Con riferimento all’esempio dell’estrazione delle palline da un’urna con
100 palline (20 nere, 30 rosse, 50 bianche)
Estraendo 4 palline si considerano i seguenti eventi:
A: estrazione di una pallina nera, una rossa e 2 bianche
B: nessuna pallina nera
C: estrazione di 2 o più palline bianche
La negazione di B è definita come l’evento “estrazione di almeno una
pallina nera”.
L’unione B  C è costituito da tutte le quadruple che non contengono
palline nere oppure, pur contenendo palline nere, contengono almeno due
palline bianche.
L’intersezione B  C è costituita dall’evento “estrazione di almeno due
palline bianche e nessuna nera”.
21
Definizione frequentista di probabilità
La probabilità di un evento E si ottiene come frequenza
relativa di E, ossia come rapporto tra il numero di prove
nelle quali si è verificato l’evento E e il numero di prove
effettuate
Si basa sulla ripetitibilità della prova nelle medesime
condizioni.
Ad esempio, la probabilità di acquistare un prodotto è
data dalla proporzione di individui in un campione che
hanno effettivamente acquistato quel prodotto.

22
Definizione frequentista di probabilità

La probabilità, secondo questa definizione, può essere

quindi intesa come una sorta di idealizzazione della
frequenza relativa.
Alcuni autori ritengono, infatti, che probabilità e
frequenza relativa non siano altro che l'aspetto teorico e
quello empirico di uno stesso concetto ed interpretano la
frequenza relativa di un evento come misura
approssimata della probabilità.

23
Definizione frequentista di probabilità

L’approccio frequentista è alla base dell’impostazione

inferenziale basata sul principio del campionamento
ripetuto.
Si costruiscono procedure inferenziali che hanno
proprietà ottimali “a lungo andare”, cioè al ripetersi
dell’operazione di campionamento.

24
Definizione soggettiva di probabilità
La probabilità di un evento E è definita come il grado di
fiducia che un individuo razionale attribuisce al verificarsi
di un evento.
Si basa, quindi, sull’esperienza passata dell’individuo,
sulla sua opinione personale e sull’analisi del contesto.
Ad esempio, la probabilità che un nuovo prodotto
lanciato sul mercato abbia successo può essere
formulata in termini soggettivi dai responsabili dell’area
marketing. Maggiore è la fiducia che gli esperti nutrono
sul successo del prodotto, più vicina a 1 è la probabilità
che viene assegnata.

25
Operazioni sugli eventi elementari

Per la prova “lancio di un dado”, l’evento E1 “esce un numero

pari” si può definire come l’evento unione degli eventi elementari
2, 4 e 6.
L’evento E2 “esce un numero inferiore a 6” si può definire come
l’evento negazione dell’evento elementare 6.
L’evento E3 “esce un numero pari inferiore a 6” si può definire
come l’evento intersezione degli eventi E1 e E2.

26
Eventi esclusivi e eventi esaustivi

Due o più eventi si dicono esclusivi o incompatibili se non si

possono verificare contemporaneamente (la loro
intersezione è nulla).
Due o più eventi si dicono esaustivi se uno e uno solo di essi
deve necessariamente verificarsi (la loro unione è uguale a
Ω).

27
Definizione di probabilità
Una definizione di carattere più formale invece di stabilire
come attribuire i valori di probabilità nei casi concreti, fissa
le regole che la probabilità deve rispettare.

La distinzione fra le regole formali e il significato è la stessa

distinzione che c’è, nello svolgimento di un tema, fra
l’aspetto grammaticale, che riguarda solo le regole della
lingua in cui si scrive, e l’aspetto dei contenuti e delle idee
che nel tema sono esposte.

I due non vanno necessariamente insieme: un tema può

essere buono come forma ma povero di idee o viceversa un
pò sgrammaticato ma dai contenuti interessanti.
 I postulati della probabilità

Pertanto, la probabilità P(Ei) è una funzione di insieme che

associa a ogni evento Ei un numero reale.

POSTULATO 2 P A   0

POSTULATO 3 P    1

POSTULATO 4 P A  B   P  A   P B   P  A  B 
Ma se A e B sono 2 eventi incompatibili
P A  B   P  A   P B 
Indipendenza tra eventi
A e B si dicono statisticamente indipendenti se il verificarsi
dell’uno non modifica la probabilità dell’altro.
Indicando con P(A|B) la probabilità condizionata di A dato
B, ossia la probabilità dell’evento A, sapendo che si è
verificato l’evento B e con P(B|A) la probabilità di B
condizionata ad A
A e B sono indipendenti se P(A|B) = P(A) e P(B|A) = P(B)
Probabilità condizionata

P(A)=1/6 P(B)=3/6

31
Probabilità condizionata

P(A  B) Probabilità condizionata di A dato B

P(A | B) 
P(B) Con P(B)>0

P(A  B) Probabilità condizionata di B dato A

P(B | A) 
P(A) Con P(A)>0
32
Probabilità condizionata
Si considerino i seguenti eventi:
A: esce un numero minore di 5
B: esce un numero pari

P(A)=4/6 P(B)=3/6 P A | B   ?

P A  B  2 / 6 2
P A | B    
P B  3/6 3
Probabilità congiunte
Dalla definizione di probabilità condizionata si ricava il
principio delle probabilità composte:
P(A  B)  P(A | B)  P(B)

P(A  B)  P(B | A)  P(A)

Se due eventi, A e B, sono indipendenti il verificarsi

dell’uno non modifica la probabilità di verificarsi dell’altro,
e viceversa.
In tal caso: P A  B   P  A  P B 

34
 Esempio
Applicazione dell’approccio frequentista.
Si intervistano 1000 consumatori chiedendo loro se consumano
abitualmente una certa marca di dentifricio e se ricordano lo spot
di quella marca
Eventi elementari: ”consumatore
Ricordo lo spot Tot abituale”, “consumatore NON

si no abituale”, “ricorda lo spot”, “Non

ricorda lo spot”.
Consum si 200 50 250
atore L’evento “Non ricorda lo spot” è
abituale
no 100 650 750 l’evento complementare di
“ricorda lo spot”.
Tot 300 700 1000 L’evento “consumatore abituale”
e “ricorda lo spot” è un evento
congiunto.
35
 Esempio: probabilità marginali
Ricorda lo spot Tot

B B
Cons 200 50 250 Probabilità di essere un
umat
A consumatore abituale
ore 250
A 100 650 750 P(A)   0,25
abitu 1000
ale
Probabilità di NON essere un
Tot 300 700 1000 consumatore abituale

Probabilità di ricordare lo spot 750

P(A)   0,75  1  P(A)
300 1000
P(B)   0,30
1000

Probabilità di NON ricordare lo

spot
700
P(B )   0,70  1  P(B)
1000 36
Esempio: probabilità congiunte

Probabilità congiunta di essere

un consumatore abituale e di
ricordare lo spot

200
P(A e B)   0,20
1000

Probabilità congiunta di essere

un consumatore e di non
ricordare lo spot
50
P(A e B )   0,05
1000

37
 Esempio: probabilità condizionate
Probabilità condizionata di
ricordare lo spot dato che si è
consumatore abituale
P(A  B) 0,20
P(B | A)    0,8
P(A) 0,25

La probabilità di ricordare lo spot cresce per chi è un consumatore

abituale
P(B | A)  0,80  P(B)  0,30

Ricordare lo spot dipende dall’essere o mono un consumatore abituale.

38
Esempio

Per calcolare probabilità condizionate

ad A, si suppone che A si sia
verificato.
Questo restringe il numero delle
osservazioni da 1000 a 250.

200
P(B | A)   0,8
250

50
P(B | A)   0,2
250

39
 Esempio

Allo stesso modo,

condizionandoci all’evento
complementare di A

100
P(B | A)   0,13
750
650
P( B | A )   0,87
750

Le probabilità condizionate ad A coincidono con le frequenze relative

della prima riga.
Le probabilità condizionate ad A complementare coincidono con le
frequenze relative della seconda riga.

40