INTRODUZIONE. TaleproceduravasottoilnomediteoremadiBayes.

Transcript

1 INTRODUZIONE QUANDO CALCOLIAMO UNA PROBABILITA CONDIZIONATA USIAMO L INFORMAZIONE SUL VERIFICARSI DI UN EVENTO PER DETERMINARE LA PROBABILITA CHE UN ALTRO EVENTO SI VERIFICHI. Una estensione di questo concetto ci permette di aggiornare una probabilità sulla base di nuove informazioni e di determinare la probabilità che un certo effetto sia il risultato di una particolare causa. TaleproceduravasottoilnomediteoremadiBayes.

2 Partizioni dello spazio campionario (1) Se in un esperimento due eventi sono tali per cui almeno uno dei due si verifica, si dicono necessari: dalla loro unione si ottiene l'evento certo Ω Esempio: A B Testa o Croce Gli eventi H 1,, H k formano una partizionedello spazio campionario se: (1) H H = i = 1,..., k (2) i k U = 1 H = Ω cioè se sono a due a due incompatibili e necessari

3 Partizioni dello spazio campionario (2) Consideriamo una partizione dello spazio campionario: H 1, H 2,, H k Consideriamo adesso un altro evento E appartenente allo stesso spazio: per le proprietà degli eventi possiamo scrivere Ε = Ε Ω = Ε (H H... H ) = ( Ε H ) (E H )... (E H ) 1 2 k 1 2 k E H 1 E H 2 E H 3 H i k U = 1 H H = = Ω

4 Partizioni e probabilità Calcoliamo adesso la probabilità dell evento E così come l abbiamo definito P(Ε) = P( Ε Ω ) = P[ Ε (H H... H )] = 1 2 k = P( Ε H ) + P(E H ) P(E H ) = 1 2 k = P(E H )P(H ) + P(E H )P(H ) P(E H )P(H ) k k è il teorema delle probabilità totali La probabilità dell evento E può essere calcolata, avendo a disposizione una partizione dello spazio campionario, come una somma PONDERATA di prob. condizionate di E rispetto agli eventi H In pratica? Supponiamo di avere due urne: in A 1 ci sono 30 biglie nere e 70 bianche, in A 2 ci sono 80 biglie nere e 20 bianche. Si estrae a caso un urna e da questa si estrae una pallina: ammesso che la pallina estratta sia nera, ci si chiede qual è la probabilità che essa provenga dall urna A 1 se la prob. di selezionare ciascuna delle urne è di 0,5?

5 Causa ed effetto Simili problemi si presentano ogni volta che un evento E può essere visto come il risultato (EFFETTO) di uno tra K possibili eventi (CAUSE) H 1, H 2,, H k, e interessa valutare la probabilità che, dato E, sia H la causa che lo ha prodotto 1) si sceglie a caso l urna 2) si scegli a caso la biglia È stata estratta una biglia nera: da dove proviene? La probabilità assegnata ad A 1 e A 2 prima dell'esperimento è detta A PRIORI Come si modifica la prob. alla luce del fatto è stata scelta una biglia nera? ( ) P( A 1 N)= P A 1 N P N ( ) = = 0.78 La probabilità dell'evento dopo il verificarsi di un altro è detta A POSTERIORI A 1 A 2 Biglianera

6 Teorema di Bayes Dato l evento (effetto) E qual è la probabilità che sia H la causa che lo ha prodotto? Probabilità a priori Probabilità a posteriori ( ) P H E ( ) = 1 ( ) ( ) P H E P H P E H = = k P ( E ) P H P E H ( ) ( ) Verosimiglianza (che una certa causa ha prodotto un effetto) Dato che ho estratto una biglia nera con che probabilità proviene dall urna A 1? ( N ) P A ( ) P( N ) ( ) ( ) P A N P A P N A 0,5 0,7 = = = 0,5 0,7 + 0,5 0, P A = 1 ( ) P( N A )

7 La logica bayesiana Il teorema di Bayes può essere visto come uno strumento per mezzo del quale è possibile correggere le informazioni inizialip(h ) sulla basedelle osservazioni sperimentalip(e H ), ottenendo per correzione la probabilità finalep(h E) quanto più la probabilità a posteriori è diversa da quella a priori, tanto più la verosimiglianza ha modificato le informazioni iniziali Supponiamo che un individuo sostenga una certa visita medica: il medico già prima della visita ha qualche idea di quale malattia il paziente potrebbe avere Queste idee più o meno vaghe possono essere rappresentate come una opinione iniziale che il paziente abbia una certa malattia Nel corso della visita il paziente descrive al medico i propri sintomi, è sottoposto ad alcune analisi, e tutto ciò fornisce nuove informazioni: a questo punto il medico può modificare la propria idea in base alle informazioni acquisite e quindi ottenere una opinione finale

8 Esempio (1) Il centralino di una grande azienda ha tre diverse linee telefoniche (A, B e C) che risultano libere rispettivamente con una probabilità del 60%, 30% e 75% Contattando l azienda la probabilità che la chiamata sia smistata su una delle tre linee è la stessa: 1) Qual è la probabilità di trovare la linea libera? 2) La linea è libera. Qual è la probabilità che abbiano risposto dalla linea C? Che informazioni iniziali abbiamo? P(A) = P(B) = P(C) = 1/3 ( 0,33) Che informazioni aggiuntive abbiamo? P(L A) = 0,60 P(L B) = 0,30 P(L C) = 0,75 1) P(L) = P(L A) P(A) + P(L B) P(B) + P(L C) P(C) = 0,60/3 + 0,30/3 + 0,75/3 = 0,55 2) P(B L) = P(B L)/P(L) = [P(L B) P(B)] / P(L) = 0,10/0,55 0,18 P(A L) = P(A L)/P(L) = [P(L A) P(A)] / P(L) = 0,20/0,55 0,36 P(C L) = P(C L)/P(L) = [P(L C) P(C)] / P(L) = 0,25/0,55 0,45

9 Esempio (2) Da uno studio sulla popolazione italiana sappiamo che il 20% delle ragazze ha i capelli biondi, il 40% ha i capelli castani, il 25% ha i capelli neri e il 15% ha i capelli rossi. Sappiamo inoltre che ha gli occhi azzurri il 45% delle bionde, il 20% delle castane, il 10% delle nere e il 5% delle rosse. Conosco una ragazza in chat e mi dice che ha gli occhi azzurri: che probabilità ho che sia bionda? Che informazioni iniziali abbiamo? P(B) = 0,20 P(C) = 0,40 P(N) = 0,25 P(R) = 0,15 Che informazioni aggiuntive abbiamo? P(A B) = 0,45 P(A C) = 0,20 P(A N) = 0,10 P(A R) = 0,05 1) P(A) = P(A B) P(B) + P(A C) P(C) + P(A N) P(N) + P(A R) P(R) = = (0,20 0,45) + (0,40 0,20)+ (0,25 0,10) + (0,15 0,05)= 0,2025 2) P(B A) = P(B A)/P(A) = [P(A B) P(B)] / P(A) = [0,20 0,45] / 0,2025 0,44 N.B. Sia le probabilità iniziali che le probabilità finali devono complessivamente essere uguali a 1

10 Applicazioni a dati osservati Supponiamo di doverci sottoporre ad un test per una certa malattia P (virus) = 0,001 P (no virus) = 0,999 Il test prevede 2 soli risultati: +/ probabilità a priori (dati nella Popolazione prima di aver sostenuto il test) P (+ virus) = 0,98 P ( virus) = 0,02 P (+ no virus) = 0,03 P ( no virus) = 0,97 probabilità dei 2 possibili risultati nel caso di persona malata probabilità dei 2 possibili risultati nel caso di persona sana Il risultato del test è + devo preoccuparmi?

11 La probabilità di essere malato dato un risultato+del test è: P (virus +) = P (+ virus) P (virus) P (+ virus) P (virus) + P (+ no virus) P (no virus) = 0,98 x 0,001 0,98 x 0, ,03 x 0,999 = Sorprendente? NO, la probabilità a priori è molto piccola (0,1%) e la probabilità di essere malato dato un risultato? P (virus ) = P ( virus) P (virus) P ( virus) P (virus) + P ( no virus) P (no virus) = 0,02 x 0,001 0,02 x 0, ,97 x 0,999 2,1 x 10-5 Quindi il test è affidabile

12 Albero delle decisioni P(V) = 0,999 SANO e TEST + (V +) P( + V)P(V) = 0, 03 0,999 PAZIENTI SANO e TEST -(V -) P( V)P(V) = 0,97 0,999 P(V) = 0, 001 virus no virus MALATO e TEST + (V +) P( + V)P(V) = 0,98 0, 001 MALATO e TEST -(V -) P( V)P(V) = 0, 02 0, ,98 0,03 P(V + ) = P(V + ) P( + ) P(V + ) = P(V + ) P( + ) - 0,02 0,97 P(V = ) P(V ) P( ) P(V = ) P(V ) P( )

13 Esercizio In una società che produce scarpe da tennis si è osservato come in passatoil40%deinuoviprodottihaavutosuccessoeil60%èstatoun flop commerciale Il responsabile marketing viene a conoscenza del fatto che il 70% delle scarpe da tennis di successo aveva avuto un giudizio positivo da parte degli analisti di mercato della società, mentre solo il 20% delle scarpe che si erano poi rivelate un prodotto fallimentare avevano avuto un giudizio positivo Qual è la probabilità che un nuovo modello di scarpe abbia successo se aveva avuto un giudizio favorevole degli esperti? Che informazioni iniziali abbiamo? Che informazioni aggiuntive abbiamo?