Calcolatore di Probabilità Condizionale e Teorema di Bayes

Ultimo aggiornamento: 2026-05-20

Definizione di probabilità condizionale

La probabilità condizionale risponde alla domanda: "sapendo che l'evento B si è verificato, quanto è probabile che si sia verificato anche l'evento A?" Si scrive P(A|B) e restringe lo spazio campionario — da tutti gli esiti possibili — ai soli casi in cui B è vero, chiedendosi poi quale frazione di questi coinvolga anche A. Questo calcolatore richiede tre valori in ingresso — la probabilità a priori P(A), la verosimiglianza P(B|A) e il tasso di falsi positivi P(B|¬A) — e calcola la probabilità a posteriori P(A|B) tramite il teorema di Bayes, insieme alla probabilità congiunta P(A∩B) e alla probabilità totale P(B).

Il teorema di Bayes passo per passo

Il teorema di Bayes collega la probabilità a posteriori a quella a priori attraverso due componenti dell'evidenza:

Passo 1 — Probabilità congiunta

$P(A \cap B) = P(A) \cdot P(B|A)$

Questa è la probabilità che A sia vero e che l'evidenza B si manifesti.

Passo 2 — Probabilità totale di B

$P(B) = P(A) \cdot P(B|A) + (1 - P(A)) \cdot P(B|\lnot A)$

B può verificarsi per due vie: quando A è vero (pesato dalla probabilità a priori) e quando A è falso (pesato dal tasso di falsi positivi). La somma delle due vie dà la probabilità complessiva di osservare B.

Passo 3 — Probabilità a posteriori tramite il teorema di Bayes

$P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{P(A) \cdot P(B|A)}{P(A) \cdot P(B|A) + (1-P(A)) \cdot P(B|\lnot A)}$

La probabilità a posteriori è la frazione degli "eventi B" che coinvolgono anche A.

Perché la formula funziona

L'intuizione è semplice: tra tutte le occasioni in cui B si verifica, alcune sono veri positivi (A era vero e ha prodotto B) e altre sono falsi positivi (A era falso ma B è apparso comunque). Il teorema di Bayes conta entrambi i gruppi con precisione. Se il gruppo dei falsi positivi è numeroso — perché P(B|¬A) è alta oppure perché ¬A è molto comune — diluisce i veri positivi e la probabilità a posteriori scende.

Esempio svolto: il paradosso della diagnosi medica

Una malattia colpisce l'1% della popolazione. Un test diagnostico ha sensibilità del 99% (P(B|A) = 0,99) e tasso di falsi positivi del 5% (P(B|¬A) = 0,05). Il test restituisce un risultato positivo. Qual è la probabilità di essere davvero malati?

Passo 1: P(A∩B) = 0,01 × 0,99 = 0,0099

Passo 2: P(B) = 0,01 × 0,99 + 0,99 × 0,05 = 0,0099 + 0,0495 = 0,0594

Passo 3: P(A|B) = 0,0099 / 0,0594 ≈ 16,7%

Nonostante il test abbia sensibilità del 99%, un risultato positivo indica solo circa 1 probabilità su 6 di essere effettivamente malati. Il 99% di persone sane genera molti più falsi positivi (≈5%) rispetto all'1% di malati che produce veri positivi (≈1%), sommergendo il segnale. Questo risultato controintuitivo è alla base del protocollo dei test di conferma, standard nella pratica clinica moderna.

La fallacia della frequenza di base

La fallacia della frequenza di base è l'errore di ignorare la probabilità a priori quando si valuta un'evidenza. Nell'esempio precedente, concentrarsi solo sull'accuratezza del 99% del test e concludere "sono quasi certamente malato" trascura un'informazione fondamentale: la malattia è rara. Più è raro l'evento, più il tasso di falsi positivi deve essere basso affinché un test positivo diventi davvero affidabile. La formula cattura esattamente questo compromesso: diminuendo P(A) nel calcolatore, la probabilità a posteriori cala anche con un test molto accurato.

Indipendenza: quando l'evidenza non dice nulla

Se P(B|A) è uguale a P(B|¬A), l'evidenza B è statisticamente indipendente da A — osservare B non fornisce alcuna informazione su A. In tal caso la probabilità totale P(B) è uguale al valore comune di entrambe le verosimiglianze e il teorema di Bayes si semplifica in P(A|B) = P(A). Impostando P(B|A) = P(B|¬A) = 50%, la probabilità a posteriori risulta uguale a quella a priori qualunque sia il valore di P(A).