{"id":3913,"date":"2026-06-28T10:04:02","date_gmt":"2026-06-28T09:04:02","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/approccio-bayesiano\/"},"modified":"2026-06-28T10:18:28","modified_gmt":"2026-06-28T09:18:28","slug":"approccio-bayesiano","status":"publish","type":"page","link":"https:\/\/www.gironi.it\/blog\/approccio-bayesiano\/","title":{"rendered":"L’approccio bayesiano: il percorso completo, dalle fondamenta al machine learning"},"content":{"rendered":"\n

Ogni volta che misuriamo qualcosa \u2014 il tasso di conversione di una pagina, l’efficacia di una variante, l’intento dietro una ricerca \u2014 possiamo affrontare l’incertezza in due modi. C’\u00e8 la strada frequentista, che chiede ai dati un verdetto secco e ci consegna un p-value<\/em>; e c’\u00e8 la strada bayesiana, che parte da un’altra domanda. L’approccio bayesiano muove da ci\u00f2 che gi\u00e0 crediamo, lo mette alla prova con i dati che osserviamo, e ne ricava una convinzione aggiornata: non un s\u00ec\/no, ma una probabilit\u00e0 che possiamo soppesare \u2014 “qual \u00e8 la probabilit\u00e0 che questa variante sia davvero migliore?”.<\/strong> \u00c8 un modo di ragionare pi\u00f9 vicino a come decidiamo davvero, sotto incertezza, quando i dati sono pochi e la posta in gioco \u00e8 concreta.<\/p>\n\n\n\n

Imparare l’approccio bayesiano, per\u00f2, non significa memorizzare il teorema di Bayes e accantonarlo. Significa percorrere una strada che parte dal capire come<\/em> si aggiorna una convinzione alla luce dei dati, attraversa la stima e il confronto fra alternative \u2014 quanto vale davvero un tasso di conversione, quale di due varianti conviene \u2014 e arriva fino agli usi pi\u00f9 operativi: ottimizzare in tempo reale dove mandare il traffico e classificare automaticamente l’intento di una ricerca. \u00c8 la stessa logica, dal mattone teorico all’applicazione di machine learning.<\/p>\n\n\n\n

Questa pagina \u00e8 quella strada, ordinata. Non rispieghiamo qui la teoria: ogni tappa \u00e8 un articolo del blog, e l’ordine in cui li abbiamo messi \u00e8 l’ordine in cui conviene leggerli. Chi parte da zero pu\u00f2 seguirli in sequenza; chi ha gi\u00e0 delle basi pu\u00f2 saltare al gruppo che gli serve. Le tre sezioni che seguono \u2014 le fondamenta, lo stimare e confrontare, l’ottimizzare e classificare \u2014 sono i tre movimenti di uno stesso percorso. Cominciamo dalle fondamenta.<\/p>\n\n\n\n

Le fondamenta<\/h2>\n\n\n\n

Prima di applicare il metodo bayesiano serve capire su cosa poggia. Le due tappe di questa sezione rispondono alle domande di base: cosa significa aggiornare una convinzione con i dati, e qual \u00e8 lo strumento matematico che ci permette di rappresentare l’incertezza su una proporzione.
Sono i mattoni su cui regge tutto il resto: senza di loro le applicazioni che seguono restano ricette da copiare, non strumenti da capire.<\/strong><\/p>\n\n\n\n

Statistica bayesiana: le fondamenta<\/a> \u00e8 il punto di partenza non negoziabile. Spiega il cuore del metodo \u2014 il prior, i dati, la posterior \u2014 e mostra come il teorema di Bayes non sia una formula esoterica ma il modo naturale di imparare dall’esperienza un passo alla volta. \u00c8 l’articolo da leggere per primo, perch\u00e9 tutto il resto del percorso non fa che applicare questa stessa idea a problemi via via pi\u00f9 concreti.<\/p>\n\n\n\n

La distribuzione Beta spiegata semplice<\/a> introduce lo strumento che useremo in quasi tutte le applicazioni successive. Quando ci\u00f2 che vogliamo stimare \u00e8 una proporzione \u2014 un tasso di conversione, una percentuale di clic \u2014 la Beta \u00e8 la distribuzione che ne descrive l’incertezza, e si aggiorna con i dati in modo elegante. Capirla qui significa avere gi\u00e0 in mano met\u00e0 del lavoro per gli articoli che vengono dopo.<\/p>\n\n\n\n

Stimare e confrontare<\/h2>\n\n\n\n

Con le fondamenta a posto, si entra nel lavoro vero. Questa sezione affronta le due domande che ricorrono ogni giorno in SEO e marketing: quanto vale davvero un tasso di conversione quando i dati sono pochi, e quale fra due varianti conviene scegliere.
Qui il vantaggio bayesiano si vede a occhio nudo: invece di un verdetto binario otteniamo una probabilit\u00e0 diretta, quella che davvero ci serve per decidere.<\/strong><\/p>\n\n\n\n

La stima bayesiana del conversion rate<\/a> \u00e8 la prima applicazione concreta. Mostra come passare dal numero grezzo \u2014 “3 conversioni su 100” \u2014 a una stima onesta che tiene conto di quanto pochi siano i dati, restituendo non un punto secco ma un intervallo credibile. \u00c8 il modo bayesiano di non farsi ingannare dai numeri piccoli, la trappola in cui cade chi legge un tasso di conversione senza chiedersi quanta incertezza nasconda.<\/p>\n\n\n\n

L’A\/B test bayesiano<\/a> porta lo stesso ragionamento al confronto fra due varianti. Invece di chiedersi “la differenza \u00e8 significativa?”, risponde alla domanda che interessa davvero: “qual \u00e8 la probabilit\u00e0 che B sia meglio di A, e di quanto?”. \u00c8 utile leggerlo in dialogo con la versione classica del metodo \u2014 l’A\/B testing frequentista<\/a>, che resta il riferimento per gli esperimenti controllati \u2014 per cogliere cosa cambia, e cosa si guadagna, quando si passa dal p-value<\/em> alla probabilit\u00e0 diretta.<\/p>\n\n\n\n

Ottimizzare e classificare<\/h2>\n\n\n\n

L’ultima sezione porta il metodo bayesiano dove diventa quasi invisibile: dentro sistemi che decidono e classificano da soli. Le due tappe mostrano i due usi pi\u00f9 operativi dell’idea bayesiana \u2014 allocare il traffico in tempo reale fra pi\u00f9 alternative, e attribuire un’etichetta a un testo.
\u00c8 il punto in cui la statistica bayesiana sconfina nel machine learning, senza mai smettere di essere la stessa idea di partenza.<\/p>\n\n\n\n

Il multi-armed bandit e il Thompson sampling<\/a> \u00e8 l’evoluzione naturale dell’A\/B test. Invece di aspettare la fine dell’esperimento per scegliere la variante vincente, il bandit sposta il traffico verso ci\u00f2 che funziona mentre<\/em> il test \u00e8 in corso, riducendo il costo di tenere in vita le alternative perdenti. Il Thompson sampling \u00e8 la strategia bayesiana che rende tutto questo elegante: campiona dalle posterior e lascia che l’incertezza guidi l’esplorazione.<\/p>\n\n\n\n

Naive Bayes per l’intento di ricerca<\/a> chiude il percorso applicando il teorema di Bayes a un problema di classificazione. Mostra come un modello sorprendentemente semplice possa assegnare a una query l’intento pi\u00f9 probabile \u2014 informazionale, transazionale, navigazionale \u2014 a partire dalle parole che la compongono. \u00c8 la prova che la stessa logica delle fondamenta, scalata a migliaia di esempi, diventa uno strumento di machine learning a tutti gli effetti.<\/p>\n\n\n\n

Da dove cominciare<\/h2>\n\n\n\n

Se questo \u00e8 il primo contatto con il metodo, il punto d’ingresso \u00e8 uno solo: Statistica bayesiana: le fondamenta<\/a> e, subito dopo, la distribuzione Beta<\/a>. Sono le due tappe da cui tutto il resto prende senso; affrontate le applicazioni senza di esse e, prima o poi, si torna sempre l\u00ec. Chi invece arriva da un’esigenza pratica \u2014 stimare un tasso, confrontare due pagine \u2014 pu\u00f2 partire dalla sezione che gli serve e risalire alle fondamenta quando sente il bisogno di capire perch\u00e9<\/em> funziona.<\/p>\n\n\n\n

Questo \u00e8 uno dei percorsi tematici che stiamo costruendo per orientarsi tra gli articoli del blog. Affianca quello sulla statistica inferenziale<\/a>, che batte la strada frequentista: due modi diversi di rispondere alla stessa domanda sull’incertezza, e vale la pena conoscerli entrambi. L’approccio bayesiano, per\u00f2, ha un suo fascino particolare \u2014 \u00e8 il pi\u00f9 vicino al modo in cui, fuori dai manuali, aggiorniamo le nostre idee ogni volta che il mondo ci porta un dato nuovo.<\/p>\n","protected":false},"excerpt":{"rendered":"

Ogni volta che misuriamo qualcosa \u2014 il tasso di conversione di una pagina, l’efficacia di una variante, l’intento dietro una ricerca \u2014 possiamo affrontare l’incertezza in due modi. C’\u00e8 la strada frequentista, che chiede ai dati un verdetto secco e ci consegna un p-value; e c’\u00e8 la strada bayesiana, che parte da un’altra domanda. L’approccio … Leggi tutto “L’approccio bayesiano: il percorso completo, dalle fondamenta al machine learning”<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_uag_custom_page_level_css":"","footnotes":""},"class_list":["post-3913","page","type-page","status-publish","hentry"],"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"Paolo Gironi","author_link":"https:\/\/www.gironi.it\/blog\/author\/autore-articoli\/"},"uagb_comment_info":0,"uagb_excerpt":"Ogni volta che misuriamo qualcosa \u2014 il tasso di conversione di una pagina, l’efficacia di una variante, l’intento dietro una ricerca \u2014 possiamo affrontare l’incertezza in due modi. C’\u00e8 la strada frequentista, che chiede ai dati un verdetto secco e ci consegna un p-value; e c’\u00e8 la strada bayesiana, che parte da un’altra domanda. L’approccio…","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3913","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=3913"}],"version-history":[{"count":1,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3913\/revisions"}],"predecessor-version":[{"id":3939,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3913\/revisions\/3939"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=3913"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}