Svelare il Futuro Politico con la Probabilità
Nel mondo della politica, le previsioni sono all’ordine del giorno.
Ogni giorno, sondaggi, analisi e dibattiti cercano di anticipare l’esito di elezioni, referendum o decisioni cruciali.
Ma qual è la scienza dietro queste previsioni? Come possiamo muoverci tra incertezze e dati apparentemente contraddittori per ottenere una visione più chiara?
La risposta risiede nella probabilità condizionata e nel Teorema di Bayes. Questi strumenti matematici non sono solo concetti accademici, ma veri e propri pilastri che permettono di aggiornare le nostre convinzioni man mano che nuove informazioni diventano disponibili. Dalla comprensione di come l’età influenzi il voto, all’analisi di sondaggi multipli o alla gestione dei “falsi positivi” in un’elezione contestata, la probabilità ci offre un quadro robusto per interpretare il caos apparente dei dati politici.
In questo articolo, ti guideremo attraverso un percorso pratico e dettagliato, svelando i segreti della probabilità condizionata e del Teorema di Bayes con 9 esercizi concreti, risolti passo dopo passo. Inizieremo dalle basi per poi affrontare scenari sempre più complessi, proprio come quelli che gli analisti politici affrontano ogni giorno.
Esercizio 1 (Base) – Probabilità semplice e condizionata
Testo: In un sondaggio pre-elettorale, il 45% degli intervistati sostiene il Partito A. Tra questi, il 70% è over 50 anni. Qual è la probabilità che un intervistato scelto a caso sostenga il Partito A e sia over 50?
Soluzione
Definiamo gli eventi:
- [math]A[/math]: “Sostenitore del Partito A” [math]\rightarrow P(A)=0.45[/math].
- [math]B[/math]: “Over 50 anni” [math]\rightarrow P(B|A)=0.70[/math] (probabilità di essere over 50 dato che sostiene A).
Formula: Cerchiamo [math]P(A \cap B)[/math], la probabilità congiunta.
[math]P(A \cap B)=P(A) \cdot P(B|A)=0.45 \times 0.70=0.315 \text{ (31.5%)}.[/math]
Teoria: La probabilità condizionata [math]P(B|A)[/math] è la probabilità che si verifichi [math]B[/math] sapendo che [math]A[/math] è già verificato. La probabilità congiunta si calcola con [math]P(A \cap B)=P(A) \cdot P(B|A)[/math].
Esercizio 2 (Base) – Teorema di Bayes
Testo: In una città, il 60% degli elettori è femmina. Il 30% delle elettrici femmine vota per il Partito X, mentre il 50% degli elettori maschi vota per X. Se un elettore vota X, qual è la probabilità che sia femmina?
Soluzione
Definiamo gli eventi:
- [math]F[/math]: “Elettore femmina” [math]\rightarrow P(F)=0.60[/math].
- [math]M[/math]: “Elettore maschio” [math]\rightarrow P(M)=0.40[/math].
- [math]X[/math]: “Vota Partito X” [math]\rightarrow P(X|F)=0.30[/math], [math]P(X|M)=0.50[/math].
Applichiamo Bayes:
[math]P(F|X)=\frac{P(X|F) \cdot P(F)}{P(X|F) \cdot P(F)+P(X|M) \cdot P(M)}=\frac{0.30 \times 0.60}{0.30 \times 0.60+0.50 \times 0.40}=\frac{0.18}{0.38}\approx 0.4737 \text{ (47.37%)}.[/math]
Teoria: Il teorema di Bayes permette di aggiornare la probabilità di un evento ([math]F[/math]) dopo aver osservato un nuovo dato ([math]X[/math]).
Esercizio 3 (Intermedio) – Probabilità totale
Testo: In un referendum, il 40% degli elettori è favorevole alla proposta. Tra i favorevoli, l’80% è urbano, mentre tra i contrari il 60% è rurale. Qual è la probabilità che un elettore urbano sia favorevole?
Soluzione
Definiamo gli eventi:
- [math]F[/math]: “Favorevole” [math]\rightarrow P(F)=0.40[/math].
- [math]C[/math]: “Contrario” [math]\rightarrow P(C)=0.60[/math].
- [math]U[/math]: “Urbano” [math]\rightarrow P(U|F)=0.80[/math], [math]P(U|C)=0.40[/math] (perché [math]P(R|C)=0.60 \implies P(U|C)=1-0.60=0.40[/math]).
Probabilità totale di essere urbano:
[math]P(U)=P(U|F) \cdot P(F)+P(U|C) \cdot P(C)=0.80 \times 0.40+0.40 \times 0.60=0.32+0.24=0.56.[/math]
Probabilità condizionata:
[math]P(F|U)=\frac{P(U|F) \cdot P(F)}{P(U)}=\frac{0.32}{0.56}\approx 0.571 \text{ (57.1%)}.[/math]
Teoria: La probabilità totale [math]P(U)[/math] è la somma delle probabilità di [math]U[/math] in tutti i casi possibili (favorevoli e contrari).
Esercizio 4 (Intermedio) – Indipendenza
Testo: In un’elezione, il 55% degli elettori è under 35. Il sostegno al Partito Y è del 40% tra gli under 35 e del 35% tra gli over 35. Verificare se l’età e il voto per Y sono indipendenti.
Soluzione
Definiamo gli eventi:
- [math]U[/math]: “Under 35” [math]\rightarrow P(U)=0.55[/math].
- [math]Y[/math]: “Vota Y” [math]\rightarrow P(Y|U)=0.40[/math], [math]P(Y|\overline{U})=0.35[/math].
Calcoliamo [math]P(Y)[/math]:
[math]P(Y)=P(Y|U) \cdot P(U)+P(Y|\overline{U}) \cdot P(\overline{U})=0.40 \times 0.55+0.35 \times 0.45=0.22+0.1575=0.3775.[/math]
Verifica indipendenza:
Se fossero indipendenti: [math]P(Y|U)=P(Y)[/math]. Ma [math]0.40 \neq 0.3775[/math]. Quindi non sono indipendenti.
Teoria: Due eventi [math]A[/math] e [math]B[/math] sono indipendenti se [math]P(A|B)=P(A)[/math].
Esercizio 5 (Avanzato) – Catena di Markov
Testo: In un’elezione con tre partiti (A, B, C), il 50% degli elettori di A rimane fedele, mentre il 30% passa a B e il 20% a C. Tra gli elettori di B, il 60% rimane, il 20% va ad A e il 20% a C. Tra gli elettori di C, il 70% rimane e il 30% va ad A. Se inizialmente A ha il 40% dei voti, B il 30% e C il 30%, qual è la distribuzione dopo un ciclo?
Soluzione
Matrice di transizione:
[math]P=\begin{bmatrix} 0.5 & 0.3 & 0.2 \ 0.2 & 0.6 & 0.2 \ 0.3 & 0.0 & 0.7 \end{bmatrix}[/math] (Righe: partito iniziale; Colonne: partito finale).
Vettore iniziale: [math]v_0=[0.4, 0.3, 0.3][/math].
Calcolo dopo un ciclo:
[math]v_1=v_0 \cdot P=[0.4 \times 0.5+0.3 \times 0.2+0.3 \times 0.3, \quad 0.4 \times 0.3+0.3 \times 0.6+0.3 \times 0.0, \quad 0.4 \times 0.2+0.3 \times 0.2+0.3 \times 0.7]=[0.35, 0.30, 0.35].[/math]
Teoria: Le catene di Markov modellano sistemi dove lo stato futuro dipende solo dallo stato presente (non dalla storia passata).
Esercizio 6 (Avanzato) – Probabilità con dati incompleti
Testo: In un’indagine, il 60% degli intervistati è di sinistra (S) e il 40% di destra (D). Il 70% di S approva la legge L, ma non si conosce la percentuale per D. Tuttavia, si sa che il 58% del totale approva L. Qual è la probabilità che un elettore di D approvi L?
Soluzione
Definiamo gli eventi:
- [math]P(S)=0.60[/math], [math]P(D)=0.40[/math].
- [math]P(L|S)=0.70[/math], [math]P(L|D)=?[/math].
- [math]P(L)=0.58[/math].
Probabilità totale:
[math]P(L)=P(L|S) \cdot P(S)+P(L|D) \cdot P(D).[/math]
Sostituendo:
[math]0.58=0.70 \times 0.60+P(L|D) \times 0.40 \implies 0.58=0.42+0.40 \cdot P(L|D).[/math]
Risolvendo:
[math]P(L|D)=\frac{0.58-0.42}{0.40}=0.40 \text{ (40%)}.[/math]
Teoria: Anche con dati mancanti, la probabilità totale permette di ricavare informazioni incognite.
Ecco 3 esercizi avanzati risolti con il Teorema di Bayes, integrati con nozioni teoriche approfondite e spiegazioni dettagliate.
Esercizio 7 (Avanzato) – Aggiornamento bayesiano con dati multipli
Testo: Un partito politico stima che un candidato abbia il 60% di probabilità di essere eletto (ipotesi iniziale). Vengono condotti due sondaggi indipendenti:
- Sondaggio 1: Prevede correttamente l’elezione con 80% di accuratezza (se il candidato vince, l’80% dei sondaggi lo prevede; se perde, l’80% lo prevede). Risultato: “vittoria”.
- Sondaggio 2: Meno accurato (70% di accuratezza). Risultato: “sconfitta”.
Qual è la probabilità aggiornata che il candidato vinca dopo i due sondaggi?
Soluzione
Definiamo gli eventi:
- [math]V[/math]: “Il candidato vince” [math]\rightarrow \text{Prior } P(V)=0.60[/math].
- [math]S_1[/math], [math]S_2[/math]: Risultati dei sondaggi (“vittoria” o “sconfitta”).
Modelliamo l’accuratezza dei sondaggi:
Sondaggio 1:
- Se [math]V[/math], [math]P(S_1=\text{“vittoria”}|V)=0.80[/math].
- Se [math]\neg V[/math], [math]P(S_1=\text{“vittoria”}|\neg V)=0.20[/math] (falsi positivi).
Sondaggio 2:
- Se [math]V[/math], [math]P(S_2=\text{“sconfitta”}|V)=0.30[/math].
- Se [math]\neg V[/math], [math]P(S_2=\text{“sconfitta”}|\neg V)=0.70[/math].
Primo aggiornamento (Sondaggio 1) con Bayes:
[math]P(V|S_1)=\frac{P(S_1|V) \cdot P(V)}{P(S_1)}=\frac{0.80 \times 0.60}{0.80 \times 0.60+0.20 \times 0.40}=\frac{0.48}{0.56}\approx 0.857.[/math]
Nuova prior dopo Sondaggio 1: [math]P(V)=0.857[/math].
Secondo aggiornamento (Sondaggio 2) con Bayes:
[math]P(V|S_2)=\frac{P(S_2|V) \cdot P(V)}{P(S_2)}=\frac{0.30 \times 0.857}{0.30 \times 0.857+0.70 \times (1-0.857)}=\frac{0.2571}{0.2571+0.1001}\approx 0.720.[/math]
Risultato finale: La probabilità che il candidato vinca scende da [math]85.7%[/math] a [math]72.0%[/math] dopo il secondo sondaggio.
Teoria avanzata:
- Aggiornamento sequenziale: Bayes permette di aggiornare iterativamente la probabilità con nuovi dati.
- Indipendenza dei sondaggi: L’ipotesi di indipendenza è cruciale per moltiplicare le verosimiglianze.
Esercizio 8 (Avanzato) – Effetto della probabilità a priori
Testo: In un paese, due partiti ([math]P[/math] e [math]Q[/math]) competono. L’esperto A stima [math]P(P \text{ vince})=0.70[/math], mentre l’esperto B stima [math]P(P \text{ vince})=0.30[/math]. Un sondaggio con 90% di accuratezza prevede la vittoria di [math]P[/math].
Come cambiano le stime dei due esperti dopo il sondaggio? Quale esperto aveva la prior più informativa?
Soluzione
Applicazione di Bayes per Esperto A (Prior: 0.70):
[math]P(P|\text{Sondaggio})=\frac{0.90 \times 0.70}{0.90 \times 0.70+0.10 \times 0.30}=\frac{0.63}{0.66}\approx 0.9545 \text{ (95.45%)}.[/math]
Applicazione di Bayes per Esperto B (Prior: 0.30):
[math]P(P|\text{Sondaggio})=\frac{0.90 \times 0.30}{0.90 \times 0.30+0.10 \times 0.70}=\frac{0.27}{0.34}\approx 0.7941 \text{ (79.41%)}.[/math]
Risultati:
- Esperto A: La probabilità sale da [math]70%[/math] a [math]95.45%[/math].
- Esperto B: La probabilità sale da [math]30%[/math] a [math]79.41%[/math].
Teoria avanzata:
- Robustezza delle prior: Una prior forte (Esperto A) è meno influenzata dai dati rispetto a una prior debole (Esperto B).
- Convergenza delle opinioni: Con dati sufficienti, le posteriori convergono, ma prior molto diverse richiedono più evidenza.
Esercizio 9 (Avanzato) – Bayes e falsi positivi in elezioni contestate
Testo: Un’elezione ha 1 milione di votanti. Si stima che 10.000 voti siano fraudolenti. Un sistema di rilevamento delle frodi ha:
- Sensibilità (true positive rate): 99% (identifica il 99% delle frodi).
- Specificità (true negative rate): 98% (identifica correttamente il 98% dei voti legittimi).
Se un voto è segnalato come fraudolento, qual è la probabilità effettiva che lo sia?
Soluzione
Definiamo gli eventi:
- [math]F[/math]: “Voto fraudolento” [math]\rightarrow P(F)=\frac{10.000}{1.000.000}=0.01[/math].
- [math]S[/math]: “Voto segnalato come fraudolento”.
Calcoliamo le probabilità:
- [math]P(S|F)=0.99[/math] (sensibilità).
- [math]P(S|\neg F)=1-0.98=0.02[/math] (falsi positivi).
Applichiamo Bayes:
[math]P(F|S)=\frac{P(S|F) \cdot P(F)}{P(S)}=\frac{0.99 \times 0.01}{0.99 \times 0.01+0.02 \times (1-0.01)}=\frac{0.0099}{0.0099+0.02 \times 0.99}=\frac{0.0099}{0.0099+0.0198}=\frac{0.0099}{0.0297}\approx 0.333 \text{ (33.3%)}.[/math]
Interpretazione: Nonostante l’alta accuratezza del sistema, solo il 33.3% dei voti segnalati come fraudolenti lo è davvero, a causa della bassa prevalenza delle frodi ([math]1%[/math]).
Teoria avanzata:
- Paradosso dei falsi positivi: Quando la prevalenza di un evento è bassa, anche test accurati producono molti falsi positivi.
- Importanza della prior: La probabilità a priori ([math]P(F)[/math]) domina la posterior se è molto piccola.
Conclusione
Questi esercizi mostrano come il Teorema di Bayes sia cruciale per:
- Aggiornare credenze con nuovi dati (Esercizio 7).
- Valutare l’impatto delle prior (Esercizio 8).
- Gestire falsi positivi in contesti a bassa prevalenza (Esercizio 9).
Sono strumenti essenziali per previsioni politiche, analisi di sondaggi e contesti decisionali con incertezza.
