Probabilità e teorema di Bayes
Probabilità congiunta e condizionata, indipendenza e teorema di Bayes con esempi reali di IA.
Probabilità e teorema di Bayes è una lezione Learn AI with Python gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Learn AI with Python, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Learn AI with Python include 4 lezioni in totale.
Nozioni di base sulla probabilità
Una probabilità è un numero compreso tra 0 e 1 che misura quanto è probabile un evento. La probabilità condizionata P(A|B) è la probabilità che si verifichi A dato che B è accaduto.
Probabilità condizionata
P(A|B) = P(A and B) / P(B). Il condizionamento restringe lo spazio campionario ai casi in cui B è vero.
p_a_and_b = 0.12
p_b = 0.30
print(p_a_and_b / p_b) # P(A | B) = 0.4Teorema di Bayes
Il teorema di Bayes inverte una condizione: P(A|B) = P(B|A) * P(A) / P(B). Aggiorna una convinzione a priori P(A) trasformandola in una probabilità a posteriori dopo aver osservato l’evidenza B.
Nomi dei componenti
A priori P(A): convinzione precedente all’evidenza. Verosimiglianza P(B|A): quanto bene A spiega l’evidenza. A posteriori P(A|B): convinzione aggiornata. Evidenza P(B): totale di normalizzazione.
Legge della probabilità totale
Il denominatore P(B) si trova sommando tutti i casi: P(B) = P(B|A)*P(A) + P(B|not A)*P(not A). In questo modo l’evidenza viene scomposta in parti note.
p_a = 0.01 # prior
p_b_given_a = 0.99 # likelihood
p_b_given_not_a = 0.05
p_not_a = 1 - p_a
p_b = p_b_given_a * p_a + p_b_given_not_a * p_not_a
print(p_b)Esempio di test medico
Una malattia colpisce l’1% delle persone. Un test ha una sensibilità del 99%, ma un tasso di falsi positivi del 5%. Qual è la probabilità che Lei sia malato DATO un test positivo?
posterior = (p_b_given_a * p_a) / p_b
print(round(posterior, 3)) # about 0.167Il risultato sorprendente
Nonostante un test accurato al 99%, un risultato positivo implica solo una probabilità del 17% di avere la malattia. Il raro tasso di base (1% a priori) prevale: è il classico errore del tasso di base.
Indipendenza
Due eventi sono indipendenti quando P(A|B) = P(A), quindi osservare B non fornisce alcuna informazione su A. In tal caso P(A and B) = P(A) * P(B).
p_a, p_b = 0.5, 0.5
print(p_a * p_b) # 0.25 if independent (e.g. two fair coins)Il problema di Monty Hall
Tre porte nascondono un’auto. Lei ne sceglie una; il conduttore ne apre un’altra, mostrando una capra, e poi Le offre la possibilità di cambiare. Controintuitivamente, cambiare porta porta alla vittoria 2 volte su 3.
Simulazione di Monty Hall
Una simulazione conferma la matematica. Cambiare porta porta alla vittoria ogni volta che la prima scelta era sbagliata, cioè 2 volte su 3.
import random
def trial(switch):
car = random.randint(0, 2)
pick = random.randint(0, 2)
if switch:
return pick != car # switching wins if first pick was wrong
return pick == car
wins = sum(trial(True) for _ in range(100000))
print(wins / 100000) # about 0.667Perché cambiare porta funziona
La scelta iniziale è corretta 1 volta su 3. La rivelazione del conduttore concentra il restante 2/3 sull’unica porta ancora chiusa, quindi cambiando si cattura quella probabilità del 2/3.
Verifica rapida
Verifichi le Sue capacità di ragionamento probabilistico.
Riepilogo
Concetti essenziali sulla probabilità:
- Condizionata:
P(A|B) = P(A and B)/P(B) - Bayes:
P(A|B) = P(B|A)P(A)/P(B)aggiorna la probabilità a priori in una probabilità a posteriori - La legge della probabilità totale espande P(B)
- Errore del tasso di base: condizioni rare producono probabilità a posteriori basse nonostante test accurati
- Monty Hall: cambiare porta porta alla vittoria 2 volte su 3
Domande Frequenti
La lezione «Probabilità e teorema di Bayes» è gratuita?
Sì — il testo completo di «Probabilità e teorema di Bayes» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Learn AI with Python, passa a CoddyKit PRO. Il corso Learn AI with Python include 4 lezioni in totale.
Cosa imparerò in «Probabilità e teorema di Bayes»?
Probabilità congiunta e condizionata, indipendenza e teorema di Bayes con esempi reali di IA. Eserciti Learn AI with Python con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Learn AI with Python?
Non è richiesta alcuna esperienza precedente. Learn AI with Python su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «Probabilità e teorema di Bayes»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Learn AI with Python?
Sì. Ogni lezione Learn AI with Python include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Statistiche descrittive e distribuzioni
- Probabilità e teorema di Bayes
- Verifica delle ipotesi
- Correlazione e covarianza