Probabilità e Fisco: Come il Teorema di Bayes Smarchera i Falsi Positivi

I numeri non mentono, ma spesso ci ingannano. Quando leggiamo sui giornali che “un nuovo algoritmo anti-evasione ha un’accuratezza del 90%”, il nostro istinto ci porta a pensare che 9 su 10 delle persone segnalate siano effettivamente colpevoli.

Eppure, la matematica ci racconta una storia molto diversa.

Nel mondo reale della politica economica e degli accertamenti fiscali, prendere decisioni basate su un singolo indicatore, senza considerare il contesto generale, porta a falsi allarmi, sprechi di denaro pubblico e stime irrealistiche.

È qui che entra in gioco il Teorema di Bayes: uno strumento che ci costringe ad aggiornare le nostre convinzioni integrando le probabilità di partenza (quella che gli statistici chiamano prior) con le nuove informazioni a disposizione.

Proviamo a calarci nei panni del legislatore o dell’Agenzia delle Entrate.

Attraverso tre casi pratici, vedremo perché fidarsi ciecamente di un software o di una singola previsione macroeconomica è quasi sempre una pessima idea.

Esercizio 1 – Test fiscale per l’evasione (base)

Testo

Il Fisco sospetta che il 10% delle piccole imprese evada le tasse. Per individuare gli evasori viene utilizzato un software di incrocio dati che, in presenza di evasione, segnala un “alert” con probabilità 0,9 (sensibilità). Se un’impresa è in regola, il software dà comunque un falso alert con probabilità 0,2 (1 – specificità). Una impresa viene selezionata a caso e il software produce un alert.

Qual è la probabilità che questa impresa sia effettivamente evasore? Lo Stato, sulla base di questa probabilità, decide se approfondire la verifica.

Soluzione

1. Definizione degli eventi

[math]E[/math] = “l’impresa evade”
[math]A[/math] = “il software produce alert”

Dati:
[math]P(E) = 0,10[/math] (prior)
[math]P(A \mid E) = 0,90[/math]
[math]P(A \mid \bar{E}) = 0,20[/math]

2. Teorema di Bayes

[math]P(E \mid A) = \frac{P(A \mid E) \cdot P(E)}{P(A \mid E) \cdot P(E) + P(A \mid \bar{E}) \cdot P(\bar{E})}[/math]

 

3. Calcolo del denominatore (probabilità totale di alert)

[math]P(\bar{E}) = 1 – 0,10 = 0,90[/math]

[math]P(A) = 0,90 \cdot 0,10 + 0,20 \cdot 0,90 = 0,09 + 0,18 = 0,27[/math]

4. Calcolo della probabilità cercata

[math]\displaystyle P(E \mid A) = \frac{0,09}{0,27} = \frac{1}{3} \approx 0,3333[/math]

💡 L’inganno del Tasso Base (Il Paradosso)

Anche con una spia rossa che lampeggia sullo schermo dell’Agenzia delle Entrate, la probabilità che l’impresa stia effettivamente evadendo è solo del 33,3%. Fermiamoci a riflettere sulle conseguenze reali di questa percentuale. Se lo Stato si fidasse ciecamente di questo algoritmo e mandasse la Guardia di Finanza a perquisire tutte le imprese segnalate, significherebbe infastidire due aziende perfettamente oneste per ogni singolo evasore scovato.

In termini pratici, il software sta sparando nel mucchio. Questo disastro statistico accade perché gli evasori sono solo una minoranza (il 10% della platea) e quel 20% di falsi allarmi, se applicato a milioni di partite IVA, genera un esercito di innocenti ingiustamente perseguitati. Ecco perché un singolo alert, per quanto sofisticato, non basta mai per emettere una sanzione.

Risposta finale

0,333

Domanda di riflessione

Quale proprietà delle probabilità ti ha permesso di calcolare [math]P(A)[/math] come somma dei due contributi?

---

Esercizio 2 – Previsione dell’effetto di una riduzione fiscale

Testo

Il governo valuta una riduzione dell’IRPEF. Sulla base di studi precedenti, stima che la probabilità che la manovra aumenti il PIL sia del 40%. Un modello econometrico, quando l’aumento del PIL è vero, prevede “crescita” con probabilità 0,7 (accuratezza). Quando l’aumento non si verifica, il modello prevede erroneamente “crescita” con probabilità 0,2. Il modello fornisce una previsione “crescita”.

Qual è la probabilità aggiornata che il PIL aumenti?

Il governo dovrebbe fidarsi della previsione?

Soluzione

1. Eventi

[math]C[/math] = “il PIL aumenta” (effetto positivo della riduzione fiscale)
[math]P[/math] = “il modello prevede crescita”

Dati:
[math]P(C) = 0,40[/math]
[math]P(P \mid C) = 0,70[/math]
[math]P(P \mid \bar{C}) = 0,20[/math]

2. Applicazione di Bayes

[math]\displaystyle P(C \mid P) = \frac{0,70 \cdot 0,40}{0,70 \cdot 0,40 + 0,20 \cdot 0,60}[/math]

3. Calcolo

Numeratore: [math]0,28[/math]
Denominatore: [math]0,28 + 0,12 = 0,40[/math]

[math]\displaystyle P(C \mid P) = \frac{0,28}{0,40} = 0,70[/math]

4. Interpretazione

La probabilità sale dal 40% al 70%. Il modello è abbastanza informativo: il governo può aumentare la fiducia nella manovra, ma rimane ancora un 30% di probabilità di errore.

💡 Il peso delle aspettative in Macroeconomia

Grazie al modello econometrico, la nostra fiducia nel successo della manovra fa un balzo dal 40% al 70%. Matematicamente è un ottimo risultato, ma politicamente la questione è ben diversa.

Possiamo davvero stappare lo spumante?

Non proprio. C’è ancora un 30% di probabilità che l’aumento del PIL sia solo un miraggio previsto da un software troppo ottimista.

E qui la matematica cede il passo alle decisioni reali: il governo sta scommettendo miliardi di euro di soldi pubblici su quel 30% di margine di errore.

È un rischio accettabile? Il Teorema di Bayes ci ricorda che i modelli matematici aggiornano le nostre aspettative, ma non cancellano mai del tutto l’incertezza quando si gioca con il bilancio dello Stato.

Risposta finale

0,70

Domanda di riflessione

Cosa accadrebbe alla probabilità a posteriori se la prevalenza [math]P(C)[/math] fosse molto bassa (es. 5%) mantenendo le stesse accuratezze?

---

Esercizio 3 – Due test indipendenti per l’evasione (grandi imprese)

Testo

Si stima che il 5% delle grandi imprese evada le imposte. Lo Stato utilizza due metodi di audit indipendenti condizionatamente allo stato di evasione.
Metodo 1: sensibilità 85%, specificità 90%
Metodo 2: sensibilità 75%, specificità 95%
Entrambi i metodi danno esito positivo (indicano evasione). Qual è la probabilità che l’impresa sia realmente evasore?

Soluzione

1. Eventi

[math]E[/math] = evasione
[math]T_1[/math] = test 1 positivo
[math]T_2[/math] = test 2 positivo

Dati:
[math]P(E) = 0,05 \implies P(\bar{E}) = 0,95[/math]
[math]P(T_1 \mid E) = 0,85 \quad \text{e} \quad P(T_1 \mid \bar{E}) = 0,10[/math] (1 – specificità)
[math]P(T_2 \mid E) = 0,75 \quad \text{e} \quad P(T_2 \mid \bar{E}) = 0,05[/math] (1 – specificità)

Indipendenza condizionale:
[math]P(T_1 \cap T_2 \mid E) = P(T_1 \mid E) \cdot P(T_2 \mid E)[/math] e analogo per [math]\bar{E}[/math].

2. Applicazione di Bayes con due prove

[math]\displaystyle P(E \mid T_1 \cap T_2) = \frac{P(T_1 \cap T_2 \mid E) \cdot P(E)}{P(T_1 \cap T_2 \mid E) \cdot P(E) + P(T_1 \cap T_2 \mid \bar{E}) \cdot P(\bar{E})}[/math]

3. Calcolo delle verosimiglianze congiunte

[math]P(T_1 \cap T_2 \mid E) = 0,85 \times 0,75 = 0,6375[/math]
[math]P(T_1 \cap T_2 \mid \bar{E}) = 0,10 \times 0,05 = 0,005[/math]

4. Numeratore e denominatore

Numeratore: [math]0,6375 \times 0,05 = 0,031875[/math]
Denominatore: [math]0,031875 + (0,005 \times 0,95) = 0,031875 + 0,00475 = 0,036625[/math]

5. Probabilità finale

[math]\displaystyle P(E \mid T_1 \cap T_2) = \frac{0,031875}{0,036625} \approx 0,8703[/math]

💡 Il dietro le quinte del Fisco: L’unione fa la forza

Partendo da una probabilità di evasione minuscola (solo il 5%), l’uso combinato di due test ci porta a una certezza granitica: oltre l’87%.

Questo è l’esatto dietro le quinte di come lavorano le moderne agenzie fiscali. Le autorità sanno bene che un singolo database è fallibile (ricordi il disastro dei falsi positivi nel primo esercizio?), per questo usano metodi e archivi diversi proprio per aggirare la debolezza del singolo test.

Incrociare i movimenti dei conti correnti bancari con le anomalie della fatturazione elettronica crea una trappola quasi infallibile.

Ma c’è un trucco: i test devono essere indipendenti. Se entrambi i metodi si limitassero a leggere lo stesso identico scontrino, il secondo test non aggiungerebbe alcuna informazione utile e il Fisco tornerebbe a brancolare nel buio.

Risposta finale

0,870

---

Risposte alle domande di riflessione

Esercizio 1

Proprietà usata:

Teorema della probabilità totale. Si è scomposto l’evento [math]A[/math] (alert) nei due casi mutuamente esclusivi (che non possono verificarsi contemporaneamente) ed esaustivi (che coprono tutte le possibilità) [math]E[/math] e [math]\bar{E}[/math]:

[math]P(A) = P(A \mid E)P(E) + P(A \mid \bar{E})P(\bar{E})[/math]

Questa è una diretta conseguenza del principio di additività degli assiomi di Kolmogorov.

Esercizio 2

Se la prevalenza [math]P(C)[/math] fosse molto bassa (es. [math]0,05[/math]) e le accuratezze rimanessero invariate, la probabilità a posteriori diventerebbe:

[math]\displaystyle P(C \mid P) = \frac{0,7 \cdot 0,05}{0,7 \cdot 0,05 + 0,2 \cdot 0,95} = \frac{0,035}{0,035 + 0,19} = \frac{0,035}{0,225} \approx 0,156[/math]

Il paradosso del falso positivo: Nonostante una previsione di “crescita”, la probabilità effettiva sarebbe solo del 15,6%. La probabilità a priori ha un impatto formidabile sul risultato finale: una manovra economica considerata molto improbabile in partenza rimane tale anche davanti a un segnale positivo, a meno che lo strumento di previsione non sia straordinariamente accurato.

Esercizio 3

È lecito moltiplicare le probabilità perché abbiamo assunto l’ipotesi di indipendenza condizionale dei due test rispetto allo stato di evasione dell’impresa. Formalmente:

[math]P(T_1 \cap T_2 \mid E) = P(T_1 \mid E) \cdot P(T_2 \mid E)[/math]

Questa ipotesi è solida e realistica se i due metodi di audit attingono a fonti di informazione completamente diverse (ad esempio, il primo analizza le discrepanze nelle fatture elettroniche e il secondo incrocia i flussi dei conti correnti bancari). Se i test fossero dipendenti (perché magari basati sulla stessa stringa di dati o sullo stesso algoritmo), la moltiplicazione diretta sarebbe un errore matematico e richiederebbe il calcolo della probabilità congiunta.

Pubblicità