25
Lezione m . 17 ( luneok , 16 novembre 2015 ) Regda di Bayes Touma delle probabilities total Touma di Bayes : derivation ed interpretation ; letturd del teams strutted lefvgueuze natural Schema diestzazi one da au ' Wha on zimessa e Senza times sa Xfiammifeo tomato

Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

  • Upload
    others

  • View
    5

  • Download
    0

Embed Size (px)

Citation preview

Page 1: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

Lezione m.

17

( luneok , 16novembre2015 )

Regda di Bayes

Touma delle probabilities total

Touma di Bayes : derivation ed interpretation ;

letturd del teams strutted lefvgueuze natural

Schema diestzazi one da au' Wha on zimessa

e Senza times sa

Xfiammifeo tomato

Page 2: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

REGOLA Dl BAYES

PC El F ) = P(E¥ PCFII ) = PCENFTPCF ) PCE )

⇐Plane ) =P ( FII ) PCE )

PFEIF ) =PCFlE)PfE÷F)

petalinePCE IF ) use le due pob . marginal e A pub .

codizionata in an'

i due events '

giocah un 6 diva

Page 3: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

µEz

.immaginiamo oh '

are uk

T partition oh ' A in n event ,

'

/ .¥\±E • U Ei = AE5 in ,

\ \A • Ein Ej =¢

adfes.

le Ii sons tube le possibili cause ohepossohoavuSainato un dato even to F

Ei malaltie F sintomo

Ei guastiimpianti F difetto

Page 4: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

P ( Ei 1 F ) date he si vnifcotol ' event F

qual I la pob .che sid doruto a E ;

putcalaeaeguests , si pnipocobu :

PCEI IF ) =Nepi⇐⇒=P(flEi)P(E=PCF )

"

¥IiYIE?£¥n¥÷eTo%E"

incmpatibili /

v

PCA =P ( ¥ EE :D ~

-= [} PCFNEI )=¥P( FIEDPIEI )

Iassioma

Page 5: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

Esempio : we pezzo di un assemblatoe sotto post ad un

coutullo pee verified se I difettoso

E ' moto he la puautuak di perzi difettosie

dell 's %

E ' note ineke che il test ok uus risposlz esatta

Mel 99% dei cat se il pezzo I difettos e mel

98% se il pezzo I bud

Se un pezzo sotto post I test non lo super , qual i

la pobabilito che il peso side effettirameute

difettose ?O

Page 6: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

D= olifettoso

B= buow = I

BPC D) = 0.01TPCB ) = 0,99

Pfnmgnfesudlui ID ) = 0,99 / pfsyepsqiie 113=0.98I ¥

Plsupfeisehooplm.eu#Pu4B)=@@

Page 7: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

PfD 1tegument)=PlDntYt5antD=( test mon

supeeato )

=Ps(teuptaFElD)P#=P[ ChipmanD) ulteuptungonn B) )

=Pl tested I D) PC D)

-FEE ID ) P( D) t PHYFE IB) PCB)

= 0,99×0=-10,3330,99×0,01 + 0,02 × 0199

Page 8: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

ESEMPIO : interpretation del teoumadi Bayesd paztiredalle frequenze mztuzali

8 maeati - tfegajtire

hfaofienti/ \ 1 teesstatiro

\992 non -

70 fanfaremale hie \

g , , negativetest

Pcmaeatol, tpestitiro ) = ¥0 = 5¥ 0.09°

Page 9: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

8 maeati - ttefsetire

hfofienti/ \ 1 teesstatiro

\992 non -

70 foxfiremolehill

gas festive

PC Malati )=soI@= 0,008 P ( malati )= 0,992

Pftestposittmaeata )=¥=0i9 Pftpeostt,

lmatati )= 907

P( malato I TP )= 01008×0=0,008×0,9+0,992×0.0-7=909

Page 10: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

NOT A : melle trepaginesegue nti i possibleleggie il dettagliodell ' interpretation del

teams di Bayes in termini

delle Eeguehze natural

Page 11: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities
Page 12: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

OSA

TE CO

NO

SCER

E!

Tabella 4.1 Risultati degli esarni. U

n esame pub dare quattro esiti possibili:

(a) positivo, essendoci la malattia (o qualche altra condizione ignota), (h)

positivo senza malattia, (c) negativo essendoci la m

alattia, (dl negativo senza m

alattia. Le percentuali dei casi in cui si verificano questi quattro esiti sono dette, rispettivam

ente, (a) sensibilitii (o proporzione delle positivitii vere), (b) proporzione delle positiviti false, (c) proporzione delle negativitk false e (4 specificitk (proporzione delle negativitk vere). Le due aree om

breggiate indicano i due tipi di errore possibili. La frequenza dellc positivitii vcre c di quelle false sono, rispettivam

ente, la a e la b della regola di Bayes.

Malattia

Risultato dell'esam

e Si

No

vera) o negativo (negativitd falsa). La probabilith p(positi- volm

alattia) i: la sensibilila' dell'esame; la sensibiliti della

mam

mografia i: la proporzione delle donne con un risultato

positivo fra quelle col cancro a1 sen0 (di solito varia fra 1'80%

e il95 %, con valori piu bassi fra quelle piii giovani). La som

- m

a delle proporzioni di questi due esiti (sensibiliti e tasso di false negativit;) i: uguale a 1.

Quando una persona non ha la m

alattia, l'esito pui, essere positivo (fdlsa positivita') o negativo (negativitd V

era). Anche

qui la somm

a delle rispettive proporzioni - tasso di false posi-

tivith e specificiti - i: uguale a 1. La probabiliti p(positi-

volnon malattia) i: il tasso di false positiviti di un esam

e; il tas- so di false positivith della m

amm

ografia 2 la percentuale delle donne con un esito positivo fra quelle che non hanno il can- cro al seno; varia fra i15 e il 10%

e ha valori piu elevati fra le piu giovani.

Fra i yuattro esiti possibili, due (yuelli ombreggiati nella ta-

bella 4.1) sono errati. Le proporzioni di questi due errori sono

interdipendenti: se il tasso di false positivitii di un esame dim

i- nuisce, quello di false negativiti aum

enta, e viceversa. Le

quattro probabiliti della tabella 4.1 sono dette condizionali

LA CO

MPREN

SION

E

perchi esprimono la probabilita di un certo evento (per esem

- pio, un esito positivo) nell'ipotesi che se ne verifichi un certo altro (per esem

pio, la malattia) -

dato cioi: questo altro evento. La probabilith non condizionale p(m

a1attia) i: il tasso di base della m

alattia stessa; in altre parole, il tasso di base i: la pro- porzione delle persone con una determ

inata malattia su una

certa popolazione e in un mom

ento specific0 - ed i: ben noto

che le probabiliti condizionali ci fanno confondere, il tasso di base no.

Ma adesso capiam

o finalmente la ragione esatta per cui le

cose stanno cosi. Quando trasform

iamo le frequenze naturali

in probabiliti condizionali, togliarno di mezzo il tasso di base

(6 la cosiddetta normalizzazione), cosa che ha il vantaggio di

far cadere tutti i valori risultanti in uno stesso intervallo, quel- lo fra 0 e 1, m

a anche lo svantaggio che quando facciamo infe-

renze a partire dalle probabiliti anziche dalle frequenze natu- rali dobbiam

o ri-moltiplicare queste probabilith condizionali

per i rispettivi tassi di base.'' R

icapitolando, le frequenze naturali facilitano le inferenze effettuate sulla base di inform

nzioni numeriche. E la rappre-

sentazione a eseguire una parte del ragionamento fornendoci

direttamente il risultato di certe m

oltiplicazioni che dovrem-

mo fare noi, se ci venissero fornite delle probabiliti. E in que-

sto senso che la comprensione pui, venire alla m

ente dall'e- sterno."

LA MENTE E ADATTATA ALLE FREQU

ENZE NATURAL1

Le frequenze naturali derivano dal process0 che ha m

esso gli um

ani e gli animali di fronte all'inform

azione sul rischio per la m

aggior parte della loro evoluzione, mentre le probabi-

lit& le perccntuali e altri m

odi formalizzati di rappresentarsi il

rischio sono relativamente recenti. G

li animali possono regi-

" Gioco di parole intraducibile. Insight significa "com

prensione" ma an-

che, letteralmente, "visione interna" (%

= "dentro", szght = "visione"). [N

dTl

Page 13: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

Schema estzazidu palli he da un'

wind

(V

multi espeimeuti Passaro essen sohemdtizzatj usavob il

parallels di eskzzioni successive de un

'

wine

�1� estrzzione on rimes ( on ripetizione )

l 'unite estate view rimessa mell '

urna prima oh ' estrohe

le palline successive A rimane invariato Salle varies

estraziomehy single estizziemin( sotto prove

) sow

ink pendent :

�2� esyrazione in blood ( Senza rimessa osmza ripetiziome )✓

A cambia oh '

estzaziom ] sotto pure di pendentin eskdziohe

Page 14: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

N = 10 paeline -3 ✓

er5 B

P ( V ) = IT PCG ) =] PCB )=÷o

Due estizzioni successive P ( eskamele due gislle )

PC Gs n 92 )= PCGD P ( 9<1 Gr )

÷ �2� in bloc 6�1� on

rimesPG - 1Gs)=PK )%×÷ ¥÷ x

Page 15: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

P ( estrzme 1 sola Pallino gialk ) =

÷ ✓

Ilzalk-

Gen Vs Vs n Gas*

prime Lamps,

V, , na ,

] 892¥:

=P { ( Gen Vs ) u ( Gsr Ba ) u ( Vena ) U ( Beras ) } =

erentiinoupatibili ( It as sienna

= P ( Gen V, ) + PC Gen Bs ) tP( Ven Ge) + P (Bin

⇐Ge )P(✓r)tP(GdP( Be )+ . - . -

\@PCG , ) PCVNGDTP ( Gdp ( Bzkdt - - -

Page 16: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

in multi ca si onvieue oh ' ride gli event

in event'

' oh ' inter esse ( sucussi ) ed alto

( insuccessi )

,u

P ( estrohe I paelina a ) - P{ ( Grn Es ) u ( Ee n Ga ) } =

= PC Grn Tz) t P (Es n Gz )

\@PCGDPCGI ) t PCEs ) P ( Ga )

. PCGDPCGTIGDt PCGI ) PCGZIED

÷÷o+±÷o ÷÷+÷o÷Utilized quest approach i calcoli diveutan piusemplia

' ( in

part . colon all ' zumentore del m. di alai different '

e del m . oh ' eskazioni )

Page 17: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

3 estzaziomi

P¥3 paelineblu ) =P ( Bs n Bs n B } )

ax �2�

PC Bs ) PCBDPCB } ) MBDP ( Be ) Br ) PCB } I Ban Bz )

÷÷± .

N€Se il m. di palline mell ' wine 5 molto frank Goo )i due scheme sons iutusczmbiali

1

= view in quest usae

il piu semplice

Page 18: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

Riculate i Fratelh . Dalton e

la Salta del fiammifeeo burial ?

I✓

schema di pureestate .

one olipendeutiseuearipetizione ||

%ouline oh . saltse- important

Page 19: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

1

Il fiammifero bruciato (prima puntata)

La storia

I Dalton sono quattro fratelli furfanti dai caratteri diversi:

x Joe, il più grande, è la mente criminale del gruppo;

x i gemelli William e Jack sono maturi ed equilibrati;

x Averell è il più giovane e sciocco.

Dopo innumerevoli tentativi malriusciti di fuga dal carcere, finalmente riescono a scappare

scavando un tunnel sotterraneo dal cortile della prigione.

Prima di salire sul treno diretto nel Klondike, si accorgono di aver lasciato in cella la mappa del

tesoro che il loro ex-compagno di cella Long John Silver gli aveva lasciato prima della sua

esecuzione.

A chi toccherà andare a riprendere la mappa nel carcere?

Joe ha in tasca una scatola contenente 4 fiammiferi e decide di prenderla. Accende un fiammifero

e subito dopo lo spegne e lo ripone nella scatola. Infine, propone ai suoi fratelli di estrarre a turno

un fiammifero senza poi riporlo nella scatola: chi pescherà quello bruciato, sarà costretto ad

andare a riprendere la mappa.

Non appena il fiammifero bruciato viene estratto, il gioco finisce e coloro che avrebbero dovuto

estrarre successivamente non saranno più chiamati a farlo.

- Wow! - esclama Averell - Ma chi sarà il primo ad estrarre? -

Joe sa di essere il leader e di poter scegliere senza che i suoi fratelli sollevino obiezioni, ma è

davvero indeciso su cosa proporre: potrebbero estrarre in ordine discendente di età (così lui

sarebbe il primo) oppure in ordine ascendente (così sarebbe l’ultimo), oppure potrebbe scegliere

per secondo o per terzo.

Page 20: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

2

Domanda 1:

Se tu fossi Joe, cosa faresti per abbassare la probabilità di scegliere il fiammifero bruciato?

Sceglierei per primo

Sceglierei per secondo

Sceglierei per terzo

Sceglierei per ultimo (quarto)

Non vedo motivi per preferire una posizione rispetto ad un’altra

Giustifica brevemente la tua risposta:

Domanda 2:

Immagina adesso che i fratelli Dalton siano 100 (naturalmente anche i fiammiferi nella scatola

saranno 100). Cosa conviene fare in questo caso?

Estrarre per primo

Estrarre per ultimo (centesimo)

Estrarre in una posizione intermedia: posizione n° _____

Non vedo motivi per preferire una posizione rispetto ad un’altra

Giustifica brevemente la tua risposta:

Page 21: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

BMI il fiammifeie bruciatoeestrzito

i=K , . . +4 }all ' i - esima estrazione

( chiaramonte non essenob state estzalto

aduuaoblleeskazionipzeadeuffn

P ( BM, ) =

!@P ( B Mos ) =P ( BMT n B Mrs ) = PCBFDPCBRKIBI ) = }31=140PCBM,

) =P ( BFSABFHIBM 3) = PCFM, ) P ( FM. IBF , ) PC BBI Brin BFD =

=÷±3¥8PCBMQ ) =P ( BMA BTKA Btbn BMA ) =

= PCBFDPCBTY, IBIS ) PCBFBIBFKABFDPCBMQIBTMSRBMIABTY.)=

= of × ÷ × I ×1

=#

Page 22: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

Riculate i Fratelh . Dalton e

la Salta del fiammifeeo bucci at ?

1✓

schema di pureestate .

one olipendeutisewzaripetizione

brispostetounite dalla Maggie $ 20parte degli student . i in lines on

91¥66.FI?EtFhEftoaEp.ale#p*hwEelEesperimeutoso&e'I6bciua

degli towline inquest cab non ha akunstudent fratisposto effetto perches mello sceglieie la position

Gmettamente men si ha alaina information sugliesiti delle pure precedent

Page 23: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

3

Il fiammifero bruciato (seconda puntata)

I fratelli di Joe contestano la sua proposta e decidono di procedere come segue: dopo che il fiammifero

bruciato viene riposto nella scatola insieme agli altri tre fiammiferi, tutti i fratelli vengono bendati;

ognuno sceglie un fiammifero e alla fine un fratello alla volta si toglie la benda per controllare se gli è

capitato quello bruciato. Essendo il leader, i fratelli lasciano a Joe la possibilità di scegliere quando

togliersi la benda.

Domanda 3:

Se tu fossi Joe, cosa faresti per abbassare la probabilità di pescare il fiammifero bruciato?

Toglieresti la benda per primo

Toglieresti la benda per secondo

Toglieresti la benda per terzo

Toglieresti la benda per ultimo (quarto)

Non vedo motivi per preferire una posizione rispetto ad un’altra

Giustifica brevemente la tua risposta:

Domanda 4:

Se i fratelli Dalton fossero 100 (e 100 i fiammiferi nella scatola), cosa converrebbe fare?

Togliersi la benda per primo

Togliersi la benda per ultimo (centesimo)

Togliersi la benda in una posizione intermedia: posizione n° _____

Non vedo motivi per preferire una posizione rispetto ad un’altra

Giustifica brevemente la tua risposta:

Page 24: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

4

Il fiammifero bruciato (epilogo)

Secondo te i fratelli hanno fatto bene a contestare la procedura suggerita da Joe?

Sì (Giustifica brevemente la tua risposta)

No (giustifica brevemente la tua risposta)

Page 25: Lezione m 2015 16 - Domenico Vistoccodomenicovistocco.it/.../aa2015-16/appuntiLezioni/lezione17-16nov20… · Lezione m. 17 (luneok, novembre201516) Regda di Bayes Touma delle probabilities

Jmvea , mel caso della second a version della staid ( he pi I

uguale alla prima da un punt di vista lgicoe probabilistic )

la Maggie parte degli students .

I riuscik a oglieu-indipeideuzz

.

↳ pin del 90%