Il teorema di Bayes descrive come la probabilità di un evento (ipotesi) cambia quando si acquisiscono nuove informazioni (evidenza). È lo strumento cardine dell’inferenza bayesiana e del ragionamento probabilistico moderno.
Formula
Dati un’ipotesi H e un’evidenza E: P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)} I componenti della formula sono:
- P(H|E): la Probabilità a Posteriori (l’incertezza aggiornata).
- P(E|H): la Verosimiglianza (quanto l’evidenza sia compatibile con l’ipotesi).
- P(H): la Probabilità a Priori (la conoscenza iniziale prima dell’osservazione).
- P(E): la probabilità totale dell’evidenza (costante di normalizzazione).
Significato Ingegneristico
- Diagnostica e Monitoraggio: Calcolare la probabilità che un componente sia realmente guasto dato che un sensore ha attivato un allarme. Permette di gestire i falsi positivi.
- Apprendimento Automatico: Algoritmi come il Naive Bayes o le Reti Bayesiane utilizzano questo principio per la classificazione e il decision-making sotto incertezza.
- Ingegneria delle Telecomunicazioni: Decodifica di simboli in canali rumorosi cercando il simbolo che massimizza la probabilità a posteriori (criterio MAP).
- Robotica: Il Filtro di Kalman e i filtri a particelle (usati per la localizzazione dei robot) sono applicazioni ricorsive del teorema di Bayes.
Vedi anche: Probabilità Condizionata, Verosimiglianza, Statistica Inferenziale.