Vi siete mai fermati a pensare a quanto la probabilità influenzi le nostre vite? Non parliamo solo di previsioni del tempo, del traffico o dell’andamento dei mercati. La probabilità è il motore dell’intelligenza artificiale, governa la meccanica quantistica e guida ogni singola decisione che prendiamo. Ci aiuta a salvare vite e, purtroppo, anche a toglierle. Ma, in fondo, cos’è la probabilità? Beh, la risposta breve è: è un volume. Lasciate che vi spieghi meglio.
Inizialmente, la probabilità è il nostro tentativo di quantificare la casualità, di misurarla con i numeri. È un modo per interpretare la certezza che un evento casuale si verifichi. Poco importa se l’evento sia veramente casuale o se semplicemente non ne sappiamo abbastanza; la matematica ha sviluppato un concetto che funziona in entrambi i casi. Per ragioni storiche, misuriamo questa certezza con numeri tra lo 0% e il 100%. Meno è il numero, meno siamo fiduciosi che l’evento accada, e viceversa. Lo 0% indica impossibilità, il 100% certezza assoluta.
La probabilità come misura della certezza di un evento
Dimentichiamoci per un attimo la percentuale, significa solo dividere per cento. Ciò che ci interessa è una funzione matematica, un “oracolo” che prenda in input un evento casuale, lo misuri e restituisca un numero tra 0 e 1. Questo numero lo interpretiamo come la misura della certezza, e la chiamiamo misura di probabilità.
Ma come funziona questa misurazione? Prima di tutto, quando facciamo un esperimento casuale, dobbiamo capire quali sono gli esiti possibili. Pensiamo al classico lancio di una moneta: testa o croce. Certo, potrebbe cadere di taglio o essere colpita da un meteorite, ma in un modello, ci concentriamo sugli scenari più rilevanti. Un modello non sarà mai la realtà perfetta, ma “abbastanza buono” è quasi sempre sufficiente.
La probabilità come “volume” secondo la teoria della misura
Eccoci al cuore del discorso: la probabilità è un volume. La teoria della misura, una branca moderna della matematica, si dedica proprio a questo. Immaginate di dover misurare una linea: ne calcolereste la lunghezza. Per un quadrato, l’area. Per un cubo, il volume. Questi oggetti sono, in realtà, degli insiemi di punti. Una retta è un insieme di numeri reali, un quadrato un intervallo bidimensionale. La misura assegna loro una “dimensione” o “contenuto”, che i matematici chiamano volume. E quando misuriamo un evento, che è anch’esso un insieme, ne otteniamo il suo volume, che chiamiamo semplicemente probabilità.
Affinché la nostra misura di probabilità sia valida, deve rispettare tre regole fondamentali:
1. Misurabilità: Ciò che vogliamo misurare deve essere misurabile. Dobbiamo poter assegnare un volume a tutte le sue parti, a tutti i suoi sottoinsiemi.
2. Non negatività: Il volume deve essere un numero positivo o zero. Non ha senso parlare di un volume negativo. Se misuriamo il “nulla”, otteniamo zero.
3. Additività: Dobbiamo poter sommare volumi separati in modo logico. Se vogliamo dipingere un soffitto e una parete, sommiamo le loro aree per ottenere l’area totale. Allo stesso modo, la probabilità dell’unione di eventi disgiunti è la somma delle probabilità individuali.
Per un evento impossibile, la probabilità sarà zero. Per un evento certo, la probabilità sarà uno (100%). Queste regole ci permettono di costruire un modello coerente con la realtà.
Esiti ed eventi: la distinzione fondamentale e lo spazio campionario
È facile confonderli, ma esiti ed eventi sono cose diverse. Pensiamo al lancio di un dado: gli esiti possibili sono 1, 2, 3, 4, 5, 6. Ma potremmo essere interessati alla probabilità di ottenere un 4 (un singolo esito), oppure la probabilità di ottenere un numero dispari (che comprende gli esiti 1, 3, 5). Non vogliamo calcolare la probabilità di un singolo esito, ma di un evento, che può riferirsi a uno o più esiti.
Matematicamente, gli eventi sono descritti come insiemi. Prendiamo tutti gli esiti possibili e li mettiamo in un insieme, chiamato spazio campionario, spesso denotato con Ω (Omega). Un evento è semplicemente un sottoinsieme di Ω. L’evento “ottenere un numero dispari” è il sottoinsieme {1, 3, 5}. L’evento “ottenere un 4” è il sottoinsieme {4}.
L’insieme di tutti i possibili sottoinsiemi di Ω (il cosiddetto “insieme delle parti” di Ω) forma lo spazio degli eventi. Qui dentro ci sono tutti gli eventi immaginabili per il nostro esperimento: ottenere un 4, un numero dispari, nessun numero (l’insieme vuoto, che rappresenta l’evento impossibile), o un numero qualsiasi tra 1 e 6 (Ω stesso, l’evento certo).
Funzione di Massa di Probabilità (PMF) per il discreto e Funzione di Densità di Probabilità (PDF) per il continuo
Ora, come assegniamo le probabilità ai singoli eventi? Immaginiamo gli eventi elementari (quelli con un solo esito) come delle “linee”. La probabilità di un evento è la lunghezza di quella linea. La somma di tutte le lunghezze deve essere 1.
Il caso discreto: Funzione di Massa di Probabilità (PMF)
Quando lo spazio campionario Ω ha un numero finito o un’infinità numerabile di elementi (come i numeri naturali), parliamo di discreto. Qui, la distribuzione delle “masse” o “pesi” tra gli eventi elementari è gestita dalla Funzione di Massa di Probabilità (PMF), o $p(x)$. La PMF assegna un peso (una probabilità) a ogni singolo esito. Ad esempio, nel lancio di un dado equo, ogni lato ha la stessa probabilità di 1/6. Possiamo quindi sommare queste probabilità per ottenere la probabilità di eventi composti (es. probabilità di un 1 o un 4 = 1/6 + 1/6 = 2/6).
Il caso continuo: Funzione di Densità di Probabilità (PDF)
Cosa succede se gli esiti sono infiniti e senza “buchi” in mezzo, come il tempo di attesa in un ingorgo (qualsiasi numero reale)? Qui entriamo nel continuo. In questo caso, la probabilità di un singolo evento elementare (come “aspettare esattamente 2 minuti”) è zero. Pensate all’area di una linea: è zero perché non ha larghezza.
Non misuriamo più lunghezze di linee, ma aree. L’analogia è questa: invece di singole linee, abbiamo una curva che rappresenta la “densità” della probabilità. Questa curva è la Funzione di Densità di Probabilità (PDF), o $p(x)$. Le probabilità di eventi non sono i singoli valori della PDF (che possono anche essere maggiori di 1, essendo densità e non probabilità), ma le aree sotto la curva calcolate tramite integrali. Ad esempio, la probabilità di aspettare tra 2 e 3 minuti è l’area sotto la curva della PDF in quell’intervallo. L’area totale sotto l’intera curva della PDF deve essere 1.
In sintesi, ogni volta che affrontate un esperimento casuale, definite bene il vostro spazio campionario. Se è discreto, scegliete la PMF giusta. Se è continuo, optate per la PDF adatta. I vostri eventi saranno sottoinsiemi dello spazio campionario, e la loro probabilità sarà il loro “volume” (lunghezza o area).
Domande Frequenti
1. Qual è la differenza principale tra probabilità discreta e continua?
Nella probabilità discreta, gli esiti sono un numero finito o numerabile, e la probabilità di un singolo esito può essere maggiore di zero. Si usa la Funzione di Massa di Probabilità (PMF) per assegnare probabilità ai singoli esiti e si sommano le probabilità per gli eventi composti. Nella probabilità continua, gli esiti sono infiniti e non numerabili (come i numeri reali in un intervallo), e la probabilità di un singolo esito è zero. Si usa la Funzione di Densità di Probabilità (PDF) e le probabilità degli eventi sono calcolate come aree (integrali) sotto la curva della PDF.
2. Cosa si intende per “spazio campionario” e “evento”?
Lo spazio campionario (Ω) è l’insieme di tutti i possibili esiti di un esperimento casuale. Ad esempio, nel lancio di un dado, Ω = {1, 2, 3, 4, 5, 6}. Un evento è un sottoinsieme di questo spazio campionario, ovvero un gruppo specifico di uno o più esiti a cui siamo interessati. Ad esempio, “ottenere un numero pari” è un evento, rappresentato dal sottoinsieme {2, 4, 6}.
3. Perché le probabilità degli eventi elementari sono zero negli spazi continui?
Negli spazi continui, ci sono infiniti esiti possibili. Immaginare la probabilità come un “volume” ci aiuta a capire: se ogni singolo punto (evento elementare) avesse una probabilità positiva, la somma di infinite probabilità positive tenderebbe all’infinito, violando la regola che la probabilità totale debba essere 1. Pertanto, la probabilità di un singolo punto è considerata zero, e le probabilità vengono assegnate solo a intervalli (aree sotto la curva della PDF).
