Calcolatore di Probabilità
Calcola la probabilità di un evento utilizzando diversi metodi statistici
Guida Completa: Come si Calcola la Probabilità (Formula e Metodi)
La probabilità è un concetto fondamentale in statistica e matematica che misura la possibilità che un evento si verifichi. Comprendere come calcolare la probabilità è essenziale in numerosi campi, dalla finanza alla medicina, dall’ingegneria alle scienze sociali.
1. Probabilità Classica (o Teorica)
La definizione classica di probabilità, anche chiamata probabilità teorica, si basa sul presupposto che tutti gli esiti possibili di un esperimento siano ugualmente probabili.
Formula:
P(E) = Num. Esiti Favorevoli / Num. Esiti Totali Possibili
Esempio: Qual è la probabilità di ottenere “testa” lanciando una moneta non truccata?
- Esiti favorevoli: 1 (testa)
- Esiti totali: 2 (testa, croce)
- Probabilità = 1/2 = 0.5 o 50%
2. Probabilità Condizionata
La probabilità condizionata misura la probabilità che si verifichi un evento A dato che si è già verificato un evento B.
Formula:
P(A|B) = P(A ∩ B) / P(B)
Esempio: In un mazzo di 52 carte, qual è la probabilità di pescare un asso dato che la carta è un cuore?
- P(A ∩ B) = Probabilità di asso di cuori = 1/52
- P(B) = Probabilità di cuore = 13/52 = 1/4
- P(A|B) = (1/52) / (1/4) = 4/52 = 1/13 ≈ 7.69%
3. Eventi Indipendenti
Due eventi sono indipendenti se il verificarsi di uno non influenza la probabilità dell’altro. La probabilità che entrambi gli eventi si verifichino è il prodotto delle loro probabilità individuali.
Formula:
P(A ∩ B) = P(A) × P(B)
Esempio: Qual è la probabilità di ottenere “testa” due volte consecutive lanciando una moneta?
- P(testa primo lancio) = 0.5
- P(testa secondo lancio) = 0.5
- P(testa due volte) = 0.5 × 0.5 = 0.25 o 25%
4. Evento Complementare
L’evento complementare di un evento A è l’evento che A non si verifichi. La somma delle probabilità di un evento e del suo complementare è sempre 1.
Formula:
P(non A) = 1 – P(A)
Esempio: Se la probabilità di pioggia domani è del 30%, qual è la probabilità che non piova?
- P(pioggia) = 0.30
- P(non pioggia) = 1 – 0.30 = 0.70 o 70%
5. Probabilità Totale e Teorema di Bayes
Il teorema di Bayes è un risultato fondamentale nella teoria delle probabilità che descrive come aggiornare le probabilità di un’ipotesi alla luce di nuove evidenze.
Formula di Bayes:
P(A|B) = P(B|A) × P(A) / P(B)
Esempio: Un test medico ha una sensibilità del 99% (probabilità di dare esito positivo se la malattia è presente) e una specificità del 98% (probabilità di dare esito negativo se la malattia è assente). Se lo 0.5% della popolazione ha la malattia, qual è la probabilità che una persona abbia realmente la malattia dato che il test è positivo?
| Termine | Valore | Descrizione |
|---|---|---|
| P(Malattia) | 0.005 | Prevalenza della malattia (0.5%) |
| P(Positivo|Malattia) | 0.99 | Sensibilità del test (99%) |
| P(Negativo|No Malattia) | 0.98 | Specificità del test (98%) |
| P(Positivo|No Malattia) | 0.02 | Falso positivo (100% – 98%) |
Calcoliamo P(Malattia|Positivo):
- P(Positivo) = P(Positivo|Malattia)×P(Malattia) + P(Positivo|No Malattia)×P(No Malattia)
- = (0.99 × 0.005) + (0.02 × 0.995) ≈ 0.004975 + 0.0199 = 0.024875
- P(Malattia|Positivo) = (0.99 × 0.005) / 0.024875 ≈ 0.00495 / 0.024875 ≈ 0.199 o 19.9%
Questo risultato sorprende molte persone: anche con un test molto accurato, se la malattia è rara, la probabilità che un risultato positivo indichi effettivamente la malattia è relativamente bassa.
6. Distribuzioni di Probabilità
Le distribuzioni di probabilità descrivono come le probabilità sono distribuite su tutti i possibili esiti di un esperimento casuale. Le più comuni includono:
| Distribuzione | Formula | Applicazioni Tipiche |
|---|---|---|
| Binomiale | P(X=k) = C(n,k) × pk × (1-p)n-k | Num. successi in n prove indipendenti |
| Poisson | P(X=k) = (λk × e-λ) / k! | Eventi rari in grandi intervalli |
| Normale | f(x) = (1/σ√2π) × e-(x-μ)²/2σ² | Misure continue (altezza, peso, etc.) |
| Uniforme | f(x) = 1/(b-a) per a ≤ x ≤ b | Esiti equiprobabili in un intervallo |
7. Errori Comuni nel Calcolo delle Probabilità
- Fallacia del Giocatore: Credere che eventi passati influenzino eventi futuri in processi indipendenti (es. “Dopo 5 teste consecutive, è più probabile che esca croce”).
- Ignorare la Probabilità Base: Trascurare la probabilità a priori di un evento quando si valutano nuove informazioni (come nell’esempio del test medico sopra).
- Confondere Probabilità Congiunta e Condizionata: P(A|B) ≠ P(A ∩ B). La prima è la probabilità di A dato B, la seconda è la probabilità che A e B si verifichino insieme.
- Sottostimare la Variabilità: Non considerare l’intervallo di confidenza intorno a una stima probabilistica.
8. Applicazioni Pratiche della Probabilità
La probabilità ha applicazioni in numerosi campi:
- Finanza: Valutazione del rischio, modelli di pricing delle opzioni (Black-Scholes).
- Medicina: Diagnosi, efficacia dei trattamenti, studi clinici.
- Ingegneria: Affidabilità dei sistemi, controllo qualità.
- Scienze Sociali: Sondaggi, analisi dei dati demografici.
- Intelligenza Artificiale: Algoritmi di machine learning, reti bayesiane.
- Giochi: Strategie ottimali in poker, blackjack, ecc.
9. Strumenti per il Calcolo delle Probabilità
Oltre al nostro calcolatore, ecco alcuni strumenti utili:
- Excel/Google Sheets: Funzioni come
=BINOM.DIST,=POISSON.DIST,=NORM.DIST. - Python: Librerie come
scipy.statsenumpyper distribuzioni probabilistiche. - R: Funzioni native per statistiche e probabilità come
dbinom,pnorm. - Calcolatrici Grafiche: TI-84 e modelli simili hanno funzioni probabilistiche integrate.
10. Esercizi Pratici con Soluzioni
Problema 1: In un’urna ci sono 15 palline rosse e 25 palline blu. Qual è la probabilità di estrarre una pallina rossa?
Soluzione: P(Rossa) = 15 / (15 + 25) = 15/40 = 0.375 o 37.5%
Problema 2: Lanciando due dadi a 6 facce, qual è la probabilità che la somma sia 7?
Soluzione: Ci sono 6 combinazioni che danno 7: (1,6), (2,5), (3,4), (4,3), (5,2), (6,1). Totale esiti = 6 × 6 = 36. P(Somma=7) = 6/36 = 1/6 ≈ 16.67%
Problema 3: In una classe del 60% sono ragazze. Il 25% delle ragazze e il 40% dei ragazzi portano gli occhiali. Se uno studente scelto a caso porta gli occhiali, qual è la probabilità che sia una ragazza?
Soluzione: Usiamo il teorema di Bayes:
- P(Ragazza) = 0.6, P(Ragazzo) = 0.4
- P(Occhiali|Ragazza) = 0.25, P(Occhiali|Ragazzo) = 0.4
- P(Occhiali) = (0.25 × 0.6) + (0.4 × 0.4) = 0.15 + 0.16 = 0.31
- P(Ragazza|Occhiali) = (0.25 × 0.6) / 0.31 ≈ 0.15 / 0.31 ≈ 0.4839 o 48.39%