Teorema di Bayes

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.