Percorsi di apprendimento nell’inferenza bayesiana
Autore/Autrice
Corrado Caudek
Data di Pubblicazione
9 gennaio 2026
2.1 Il progetto nel suo insieme
Il materiale didattico dedicato all’inferenza bayesiana in psicologia è organizzato come un ecosistema modulare: un nucleo teorico centrale (il manuale) affiancato da risorse operative complementari (i siti companion). Questa architettura consente a ciascun lettore di costruire un percorso di apprendimento personalizzato, in funzione dei propri obiettivi formativi e del proprio background metodologico.
Nota📚 Principio guida
Il manuale è progettato per essere letto autonomamente. I siti companion sono necessari solo se si desidera implementare concretamente le analisi bayesiane.
Focus: teoria della probabilità, distribuzioni, teorema di Bayes
Assiomi di Kolmogorov.
Variabili aleatorie discrete e continue.
Distribuzioni coniugate.
Derivazione formale del teorema di Bayes.
Quando consultarlo: prima o durante la lettura del manuale, per chi desidera basi matematiche solide. Idealmente, questo materiale andrebbe studiato prima della seconda lettura del manuale.
2.2.2.3 3. utet-eda — R e analisi esplorativa dei dati
Focus: R, tidyverse, visualizzazione ed esplorazione dei dati
Sintassi R moderna (tidyverse).
Principi dell’analisi esplorativa dei dati (EDA).
Workflow di pulizia e trasformazione dei dati.
Visualizzazione efficace con ggplot2.
Quando consultarlo: prima di utilizzare utet-companion. Costituisce il prerequisito operativo per qualsiasi analisi in R.
2.2.2.4 4. utet-freq — Confronto con approccio frequentista
Focus: statistica classica, test di ipotesi, p-value
Logica frequentista (Neyman–Pearson, Fisher).
Confronto esplicito tra approccio bayesiano e frequentista.
Interpretazione corretta de valore-\(p\) e degli intervalli di confidenza.
Contesti in cui l’approccio classico rimane appropriato.
Quando consultarlo: dopo il manuale, per un confronto sistematico tra le due prospettive, soprattutto per chi ha già una formazione in statistica classica.
Consiglio📖 Hai il manuale cartaceo?
Se possiedi il volume UTET e desideri sapere quali risorse digitali corrispondono a ciascun capitolo, consulta la Guida al manuale, che include una tabella capitolo ↔︎ risorse e i percorsi di lettura (concettuale, brms, Stan).
2.3 Relazioni tra i componenti
Il diagramma seguente sintetizza le relazioni tra i diversi elementi dell’ecosistema:
flowchart TB M["<b>Manuale</b><br/>Inferenza bayesiana<br/><i>Autonomo</i>"] P["<b>utet-prob</b><br/>Fondamenti probabilistici"] E["<b>utet-eda</b><br/>R + Analisi esplorativa"] C["<b>utet-companion</b><br/>Stan/brms"] F["<b>utet-freq</b><br/>Confronto frequentista"] M -.approfondimento<br/>matematico.-> P M -.applicazione<br/>pratica.-> C P -->|prerequisito<br/>formale| C E -->|prerequisito<br/>operativo| C P -.propedeutico<br/>ideale.-> M E -.strumenti<br/>di base.-> P F -.contrasto<br/>concettuale.-> M F -.confronto<br/>implementativo.-> C style M fill:#e3f2fd,stroke:#1976d2,stroke-width:3px style C fill:#ffebee,stroke:#c62828,stroke-width:2px style P fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px style E fill:#e8f5e9,stroke:#388e3c,stroke-width:2px style F fill:#fff3e0,stroke:#f57c00,stroke-width:2px
flowchart TB
M["<b>Manuale</b><br/>Inferenza bayesiana<br/><i>Autonomo</i>"]
P["<b>utet-prob</b><br/>Fondamenti probabilistici"]
E["<b>utet-eda</b><br/>R + Analisi esplorativa"]
C["<b>utet-companion</b><br/>Stan/brms"]
F["<b>utet-freq</b><br/>Confronto frequentista"]
M -.approfondimento<br/>matematico.-> P
M -.applicazione<br/>pratica.-> C
P -->|prerequisito<br/>formale| C
E -->|prerequisito<br/>operativo| C
P -.propedeutico<br/>ideale.-> M
E -.strumenti<br/>di base.-> P
F -.contrasto<br/>concettuale.-> M
F -.confronto<br/>implementativo.-> C
style M fill:#e3f2fd,stroke:#1976d2,stroke-width:3px
style C fill:#ffebee,stroke:#c62828,stroke-width:2px
style P fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
style E fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
style F fill:#fff3e0,stroke:#f57c00,stroke-width:2px
Legenda:
Linea solida (→): Prerequisito forte (necessario per seguire i contenuti)
Linea tratteggiata (-.->): Approfondimento opzionale o complementare
2.4 Scegli il tuo percorso
2.4.1 🎓 Percorso 1 · Il teorico
Profilo: docente, filosofo della scienza, metodologo interessato all’epistemologia della statistica.
Obiettivo: comprendere le basi concettuali del ragionamento bayesiano senza necessariamente implementare analisi.
Percorso:
Manuale (lettura completa)
Focus: Capitoli 1-5 (epistemologia), 11-12 (confronto con frequentismo)
[Opzionale] utet-prob
Per formalizzare matematicamente le intuizioni del manuale
Per un confronto sistematico con l’approccio classico
Tempo stimato: 40-60 ore (solo manuale)
ConsiglioConsiglio per questo percorso
Anche senza scrivere codice, eseguire mentalmente gli esempi del manuale aiuta a consolidare i concetti. Prova a “simulare” i ragionamenti prima di leggere le soluzioni.
2.4.2 🔬 Percorso 2 · Lo studente completo
Profilo: studente magistrale o dottorando che parte da zero (nessuna esperienza in R, probabilità avanzata o Bayes).
Obiettivo: acquisire competenze complete per condurre autonomamente analisi bayesiane.
Percorso sequenziale (3-4 mesi, studio part-time):
Fase 1: Strumenti di base (4-6 settimane)
utet-eda
Capitoli 5-11 (R programming)
Capitoli 12-16 (EDA essentials)
Esercizi: Tutti, con dataset forniti
Output: Competenza in R, tidyverse, ggplot2
Fase 2: Fondamenti matematici (3-4 settimane, parallela con Fase 3)
utet-prob
Capitoli 1-7 (probabilità base)
Capitoli 8-10 (inferenza, teorema di Bayes)
Esercizi: Focus su simulazioni in R
Output: Padronanza di distribuzioni, likelihood, prior/posterior
Fase 3: Teoria bayesiana (3-4 settimane, parallela con Fase 2)
Manuale (prima lettura)
Tutti i capitoli
Focus: Comprensione concettuale, senza ossessionarsi sui dettagli formali
Output: Visione d’insieme della logica bayesiana
Fase 4: Implementazione (4-6 settimane)
utet-companion
Workflow bayesiano completo
Capitoli su prior, likelihood, model checking
Esercizi: Analisi guidate con Stan/brms
Output: Capacità di condurre analisi bayesiane autonome
Fase 5: Consolidamento (2-3 settimane)
Manuale (seconda lettura)
Focus su capitoli teorici complessi (6-10)
Ora con comprensione operativa solida
Tempo totale stimato: 200-300 ore
ImportantePercorso consigliato per il corso PSI0028
Questo è il percorso seguito nel corso di Analisi dei dati psicologici dell’Università di Firenze. Gli studenti lavorano sulle 5 fasi in parallelo con le lezioni frontali.
2.4.3 💼 Percorso 3 · Il pratico con background
Profilo: ricercatore o professionista con esperienza in R e statistica frequentista.
Obiettivo: transitare rapidamente verso l’analisi bayesiana.
Percorso accelerato (6-8 settimane):
Manuale + utet-companion (studio parallelo)
Leggi 2-3 capitoli del manuale a settimana
Per ogni capitolo, implementa esempi analoghi in utet-companion
Strategia: “Leggi teoria → Implementa → Ripeti”
utet-prob (consultazione spot)
Usa come riferimento quando il manuale richiede dettagli matematici
Se hai già usato pacchetti come BayesFactor o rstanarm, puoi saltare i primi capitoli di utet-companion e concentrarti su workflow avanzati (prior predictive checks, model comparison, sensitivity analysis).
2.4.4 🎯 Percorso 4 · Il pragmatico
Profilo: ricercatore che deve analizzare dati immediatamente e approfondirà la teoria in seguito.
Obiettivo: acquisire una competenza minima per condurre un’analisi bayesiana standard.
Percorso minimo (2-3 settimane intensive):
utet-eda (solo R essentials)
Capitoli 5-6, 9 (sintassi, dplyr, ggplot2)
Obiettivo: Competenza minima in R
utet-companion (workflow guidato)
Segui UN case study completo (es. regressione lineare bayesiana)
Copia/adatta codice per i tuoi dati
Non preoccuparti di capire TUTTO
Manuale (lettura mirata)
Capitolo 1 (perché Bayes)
Capitolo corrispondente al tuo modello (es. cap. 8 per regressione)
[Successivamente] Tornare indietro
Quando hai tempo, segui Percorso 2 o 3 per solidificare basi
Tempo stimato: 40-60 ore
AvvisoAttenzione
Questo percorso è un “pronto soccorso”. Funziona per analisi standard, ma rischi di:
Non riconoscere problemi di convergenza
Specificare prior inappropriati
Interpretare male i risultati
Considera questo percorso come temporaneo: torna ai fondamenti appena possibile.
2.4.5 👨🏫 Percorso 5 · Il docente
Profilo: docente che desidera integrare una prospettiva bayesiana nel proprio insegnamento.
Obiettivo: selezionare e adattare materiali didattici modulari.
Percorso modulare:
Step 1: Comprensione personale
Manuale (lettura completa)
utet-companion (esplorazione case studies)
utet-freq (per confronti espliciti nelle lezioni)
Step 2: Selezione materiali
Scegli moduli dai companion in base al tuo corso:
Se insegni…
Usa materiali da…
Capitoli/sezioni suggeriti
Statistica descrittiva
utet-eda
Cap. 12-19 (EDA)
Probabilità
utet-prob
Cap. 1-7 (tutti)
Inferenza base
Manuale + utet-freq
Confronto t-test, ANOVA
Modelli lineari
utet-companion
Regressione, ANCOVA
Modelli avanzati
utet-companion
Gerarchici, misure ripetute
Step 3: Adattamento
Tutti i materiali sono sotto licenza CC BY-NC-ND 4.0
Puoi usarli nelle tue lezioni citando la fonte
Per modifiche/traduzioni, contatta l’autore
NotaMateriali didattici aggiuntivi
Slide, esercizi, dataset e soluzioni sono disponibili nel repository GitHub. Ogni sito ha il proprio repository linkato nella homepage.
2.5 Domande frequenti
2.5.1 Il manuale è davvero leggibile senza matematica?
Sì. Il manuale privilegia intuizioni, visualizzazioni e analogie. Le formule sono ridotte al minimo e sempre accompagnate da spiegazioni discorsive. Tuttavia, per una comprensione profonda, lo studio di utet-prob è fortemente consigliato.
2.5.2 Devo imparare Stan o posso usare solo brms?
Dipende dai tuoi obiettivi:
Solo brms: Se fai analisi standard (regressione, ANOVA, modelli misti) e non hai esigenze particolari
Stan: Se vuoi modelli custom, massima flessibilità, o comprensione profonda di come funziona l’inferenza bayesiana
Il sito utet-companion copre entrambi, con enfasi graduale: prima brms (più accessibile), poi Stan (più potente).
2.5.3 Posso fare analisi bayesiane senza R?
Tecnicamente sì, ma quasi tutte le risorse di questo progetto sono basate su R. Alternative possibili:
Python: PyMC, PyStan (non trattate qui).
JAGS: alternativa a Stan (non trattata qui).
Software GUI: JASP per analisi bayesiane di base.
Se preferisci Python, leggi il manuale per i concetti, poi cerca risorse Python-specific per l’implementazione.
2.5.4 Quanto è importante il companionutet-freq se voglio utilizzare solo l’approccio bayesiano?
È altamente consigliato per almeno tre motivi:
Confronto critico Comprendere le differenze concettuali e operative tra approccio bayesiano e frequentista consente di padroneggiare meglio entrambi i paradigmi.
Comunicazione scientifica Gran parte della letteratura, così come molti revisori e collaboratori, utilizza un linguaggio e strumenti di matrice frequentista; conoscerli facilita il dialogo e l’interpretazione reciproca.
Scelta metodologica consapevole Alcuni problemi statistici sono affrontati in modo più efficace con metodi classici; conoscere entrambe le prospettive permette di scegliere l’approccio più appropriato al contesto.
Il sito utet-freqnon è un prerequisito, ma rappresenta un completamento metodologico di grande valore per chi intende usare l’inferenza bayesiana in modo critico e informato.
2.5.5 Posso saltare utet-eda se conosco già R?
Probabilmente sì, ma controlla i capitoli 12-16 (EDA). Questi coprono workflow di analisi esplorativa specifici per psicologia che potrebbero essere nuovi anche per chi conosce R. Inoltre, il cap. 10 (Quarto) è utile per report riproducibili.
2.6 Risorse aggiuntive
2.6.1 Libri complementari
Per approfondire con testi esterni:
Teoria: McElreath, Statistical Rethinking — integrazione concettuale con esempi applicativi.
Implementazione: Gelman et al., Regression and Other Stories — ponte verso modelli bayesiani più complessi.
Probabilità: Jaynes, Probability Theory: The Logic of Science — fondamenti teorici ed epistemologici.
2.6.2 Dataset per esercitazioni
Ogni sito companion include dataset nella cartella /data. In particolare:
utet-eda: dataset psicologici puliti per esercizi di analisi esplorativa.
utet-companion: dati da studi reali per la replicazione di analisi bayesiane.
utet-prob: simulazioni per l’esplorazione delle distribuzioni probabilistiche.
2.7 In sintesi: quale percorso per me?
Usa questa tabella decisionale:
La tua situazione
Percorso consigliato
Tempo
Priorità
Interesse teorico
Percorso 1
40–60 h
Manuale
Studente da zero
Percorso 2
200–300 h
EDA → Prob → Manuale → Companion
Background R/statistica
Percorso 3
100–150 h
Manuale + Companion
Urgenza pratica
Percorso 4
40–60 h
Companion + Manuale mirato
Docente
Percorso 5
Variabile
Selezione modulare
Consiglio💡 Consiglio finale
Non esiste un percorso “sbagliato”. L’ecosistema è progettato per adattarsi alle tue esigenze: inizia da dove ti senti più a tuo agio e lascia che la curiosità guidi gli approfondimenti.
L’importante non è seguire un percorso perfetto, ma iniziare.
2.8 Feedback e miglioramenti
Questi materiali sono in evoluzione. Se hai suggerimenti, hai trovato errori, o vuoi condividere come hai usato questi percorsi nel tuo contesto: