Calculadora do Teorema de Bayes
Introduza a probabilidade a priori, a verosimilhança da evidência e a probabilidade total da evidência ou a taxa de falsos alarmes para calcular a probabilidade a posteriori P(H|E) usando o teorema de Bayes.
Calcular a Probabilidade a Posteriori
Fórmula do Teorema de Bayes
Onde:
- \(P(H|E)\) — probabilidade a posteriori: a probabilidade da hipótese depois de observar a evidência
- \(P(H)\) — probabilidade a priori: a probabilidade da hipótese antes da evidência
- \(P(E|H)\) — verosimilhança: a probabilidade da evidência assumindo que a hipótese é verdadeira
- \(P(E)\) — probabilidade total da evidência, sob todas as hipóteses
Se você conhece apenas a taxa de falsos alarmes \(P(E|\neg H)\), a probabilidade total da evidência decorre da lei da probabilidade total:
\[ P(E) = P(H) \cdot P(E|H) + \bigl(1 - P(H)\bigr) \cdot P(E|\neg H) \]
O teorema indica como atualizar uma crença numa hipótese quando chega uma nova evidência: a posteriori é proporcional à priori multiplicada pela verosimilhança.
Teorema de Bayes – Exemplo de Cálculo
Exemplo: uma doença rara afeta 1% de uma população. Um teste detecta a doença em 95% dos doentes, e uma pessoa escolhida ao acaso de toda a população tem 5,9% de chance de testar positivo. Uma pessoa testou positivo — qual é a probabilidade de ela realmente ter a doença?
\[ P(H|E) = \frac{P(H) \cdot P(E|H)}{P(E)} = \frac{0.01 \times 0.95}{0.059} = 0.1610 \]
Resultado: a probabilidade a posteriori é de aproximadamente 16,1%. Apesar do resultado positivo de um teste bastante preciso, a pessoa tem apenas 16,1% de chance de estar doente, porque a própria doença é rara.
Como usar a calculadora
- Escolha o modo de entrada da evidência:
Probabilidade total P(E)se você conhece a probabilidade global da evidência, ouFalso alarme P(E|¬H)se você conhece a probabilidade da evidência quando a hipótese é falsa. - Introduza a probabilidade a priori P(H) como uma porcentagem — a sua crença na hipótese antes da evidência.
- Introduza a verosimilhança P(E|H) como uma porcentagem — quão provável é a evidência se a hipótese for verdadeira.
- Introduza a probabilidade da evidência P(E) ou a taxa de falsos alarmes P(E|¬H), conforme o modo selecionado (apenas um dos dois campos é exibido).
- Leia o resultado: a probabilidade a posteriori P(H|E), o P(E) calculado, o teorema com os seus valores substituídos e uma breve interpretação.
O que é o teorema de Bayes e por que ele é importante
O teorema de Bayes, que leva o nome do estatístico do século XVIII Thomas Bayes, descreve como atualizar racionalmente a probabilidade de uma hipótese quando surge uma nova evidência. Você começa com uma priori — o que você acreditava antes — e multiplica pela forma como a evidência se encaixa na hipótese (a verosimilhança). A divisão pela probabilidade total da evidência normaliza o resultado, dando a posteriori — a sua crença atualizada.
O teorema é famoso por produzir resultados contraintuitivos. No exemplo acima, um teste positivo para uma doença rara eleva a probabilidade de doença para apenas 16,1%, e não para 95%. A razão é a taxa de base: como a doença afeta apenas 1% das pessoas, os falsos positivos provenientes dos 99% saudáveis dominam os resultados positivos. Este efeito da taxa de base é um dos erros de raciocínio mais comuns na medicina, nos tribunais, na filtragem de spam e na triagem de segurança.
O resultado é melhor interpretado como uma força de crença entre 0% e 100%. Uma posteriori acima de 50% significa que a evidência inclina a balança a favor da hipótese; quanto mais acima da priori ela se situar, mais informativa foi a evidência. Se a posteriori mal se afasta da priori, a evidência trouxe pouca informação nova sobre a hipótese.
Premissas, limitações e dicas
- Hipóteses binárias. A calculadora assume que a hipótese é verdadeira (H) ou falsa (¬H). Para três ou mais hipóteses concorrentes, é preciso aplicar o teorema aos pares com todos os termos no denominador.
- Evidência consistente. A verosimilhança P(E|H) não pode exceder a probabilidade total da evidência P(E); a calculadora sinalizará entradas inconsistentes. Se você receber esse erro, verifique se os dois números descrevem exatamente a mesma evidência.
- Entradas independentes e corretamente definidas. A priori deve refletir tudo o que se sabia antes da evidência, e a verosimilhança não deve incluir a priori — confundir essas duas coisas é o erro mais comum.
- Atualizações sequenciais. Para várias evidências independentes, você pode usar cada posteriori como a nova priori para a evidência seguinte.
- P(E) igual a zero. Se a evidência for impossível (P(E) = 0), a posteriori é indefinida e a calculadora relata um erro.
Se você estiver modelando quantas vezes a evidência ocorre em tentativas repetidas, a Calculadora de Distribuição Binomial e a Calculadora de Distribuição de Poisson podem ajudar a estimar as verosimilhanças. Para quantificar a incerteza em estimativas, consulte a Calculadora de Intervalo de Confiança.
Perguntas frequentes
Como calcular o teorema de Bayes manualmente?
Multiplique a probabilidade a priori pela verosimilhança e depois divida pela probabilidade total da evidência: \(P(H|E) = \frac{P(H) \cdot P(E|H)}{P(E)}\). Se você conhece a taxa de falsos alarmes em vez de \(P(E)\), primeiro calcule \(P(E) = P(H)\cdot P(E|H) + (1-P(H))\cdot P(E|\neg H)\) e depois substitua. Mantenha sempre todas as probabilidades na mesma escala (todas decimais ou todas em porcentagem) para evitar um erro aritmético comum.
Qual é a diferença entre P(E|H) e P(H|E)?
São probabilidades condicionais diferentes e frequentemente confundidas. \(P(E|H)\) é a verosimilhança: a probabilidade de observar a evidência se a hipótese for verdadeira (por exemplo, com que frequência um teste é positivo para uma pessoa doente). \(P(H|E)\) é a posteriori: a probabilidade de a hipótese ser verdadeira dada a evidência (por exemplo, a chance de uma pessoa que testou positivo estar realmente doente). O teorema de Bayes converte uma na outra, e elas geralmente têm valores muito diferentes.
Por que um resultado de teste positivo frequentemente está errado, mesmo com um teste preciso?
Por causa da taxa de base. Quando uma condição é rara, os falsos positivos da grande maioria saudável podem superar os verdadeiros positivos do pequeno grupo afetado. Com uma priori de 1%, taxa de detecção de 95% e taxa de falsos alarmes de 5%, um resultado positivo dá apenas cerca de 16% de probabilidade de doença — embora o teste em si seja bastante preciso. É por isso que probabilidades a posteriori em contextos de triagem nunca devem ser interpretadas como um diagnóstico; a realização de testes confirmatórios é prática padrão.
Quais unidades devo introduzir e como converter chances (odds) ou frequências?
Introduza todas as entradas como porcentagens entre 0 e 100. Se os seus dados estiverem como frequência (por exemplo, 1 em 250), converta para \(1/250 = 0.004\), ou seja, 0,4%. Se você tiver odds (por exemplo, 3:1 a favor), converta-as em probabilidade com \(p = \frac{o}{o+1}\) — aqui \(3/4 = 75\%\). A posteriori exibida também é uma porcentagem; multiplique mentalmente por 100 se precisar dela como decimal.
Posso usar a calculadora para várias evidências ou atualizações sequenciais?
Sim, desde que as evidências sejam condicionalmente independentes. Execute a calculadora uma vez com a sua priori inicial, depois pegue a posteriori resultante e introduza-a como priori para a segunda evidência, e assim por diante. Cada rodada aplica \(P(H|E_1,E_2) = \frac{P(H|E_1)\cdot P(E_2|H)}{P(E_2)}\). Note que reutilizar a mesma evidência duas vezes, ou alimentar evidências dependentes sequencialmente, conta-a em duplicidade e infla a posteriori.
O que acontece se a verosimilhança P(E|H) for maior que P(E)?
A calculadora sinaliza as entradas como inconsistentes, porque \(P(E)\) é a média ponderada de \(P(E|H)\) e \(P(E|\neg H)\), logo nunca pode ser menor que qualquer um dos componentes. Esse erro geralmente significa que os dois números descrevem evidências diferentes (por exemplo, um se refere a um teste positivo e o outro a um diagnóstico confirmado), ou que a priori foi introduzida por engano como verosimilhança. Verifique se cada entrada se refere exatamente ao mesmo evento antes de recalcular.
Como a taxa de falsos alarmes se relaciona com a sensibilidade e a especificidade do teste?
Em testes médicos, a verosimilhança \(P(E|H)\) corresponde à sensibilidade (a taxa de verdadeiros positivos), enquanto a taxa de falsos alarmes \(P(E|\neg H)\) é igual a 1 menos a especificidade. Portanto, se um teste tem especificidade de 92%, introduza \(100 - 92 = 8\%\) como taxa de falsos alarmes. A priori \(P(H)\) é a prevalência da doença. A combinação desses três números pelo teorema de Bayes fornece o valor preditivo positivo — a probabilidade de um resultado positivo ser um verdadeiro positivo.