Calculadora do teorema de Bayes

Calcula probabilidade posterior

Atualiza uma probabilidade apos nova evidencia.

Exemplos de resultados

1 Exemplos

Atualizar probabilidade apos teste positivo

Usa taxa base, sensibilidade e falso positivo.

{
  "result": {
    "posteriorProbability": 0.1667,
    "posteriorPercent": 16.6667
  }
}
Ver parâmetros de entrada
{ "priorProbability": 1, "likelihood": 99, "falsePositiveRate": 5, "inputScale": "percent", "decimalPlaces": 4 }

Fatos principais

Categoria
Matemática, datas e finanças
Tipos de entrada
number, select
Tipo de saída
json
Cobertura de amostras
1
API disponível
Yes

Visão geral

A Calculadora do Teorema de Bayes é uma ferramenta matemática projetada para calcular a probabilidade posterior de um evento com base em novas evidências. Inserindo a probabilidade a priori, a verossimilhança (sensibilidade) e a taxa de falsos positivos, você pode atualizar rapidamente suas estimativas estatísticas, sendo ideal para análises médicas, testes de hipóteses e tomada de decisões baseada em dados.

Quando usar

  • •Quando precisar interpretar resultados de exames médicos ou testes de triagem considerando a prevalência da doença na população.
  • •Ao avaliar a eficácia de filtros de spam ou algoritmos de detecção de fraudes com base em taxas de acerto e falso positivo.
  • •Para atualizar crenças ou probabilidades estatísticas em pesquisas científicas após a obtenção de novas evidências.

Como funciona

  • •Insira a probabilidade a priori (Prior P(A)), que representa a chance inicial do evento ocorrer antes da nova evidência.
  • •Defina a verossimilhança (P(B dado A)), ou seja, a probabilidade da evidência ser observada caso o evento seja verdadeiro.
  • •Informe a taxa de falsos positivos (P(B dado não A)), que é a chance da evidência ocorrer mesmo sem o evento.
  • •Escolha a escala (percentual ou proporção) e o número de casas decimais para obter a probabilidade posterior calculada instantaneamente.

Casos de uso

Diagnósticos médicos: Calcular a chance real de um paciente ter uma doença rara após um exame de sangue apresentar resultado positivo.
Controle de qualidade: Determinar a probabilidade de um lote de produtos estar defeituoso após um teste de amostragem indicar falha.
Machine Learning: Ajustar pesos e avaliar a precisão de modelos de classificação binária, como detectores de spam ou fraudes financeiras.

Exemplos

1. Análise de Exame Médico Positivo

Médico Epidemiologista
Contexto
Uma doença afeta 1% da população. Um novo teste tem 99% de sensibilidade, mas apresenta 5% de taxa de falsos positivos.
Problema
Descobrir a probabilidade real de um paciente estar doente após receber um resultado positivo no teste.
Como usar
Insira 1 no Prior P(A), 99 na Verossimilhança e 5 no Falso positivo, mantendo a escala em 'Percentual'.
Configuração de exemplo
Prior: 1, Verossimilhança: 99, Falso positivo: 5, Escala: percent
Resultado
A calculadora revela que a probabilidade posterior é de apenas 16,6667%, demonstrando o impacto da baixa prevalência (taxa base).

2. Avaliação de Filtro de Spam

Engenheiro de Dados
Contexto
Um servidor de e-mail recebe 20% de mensagens de spam. O filtro identifica corretamente 95% dos spams, mas marca 2% dos e-mails legítimos como spam (falso positivo).
Problema
Calcular a probabilidade de um e-mail classificado como spam ser realmente um spam.
Como usar
Configure o Prior P(A) para 20, a Verossimilhança para 95 e a taxa de Falso positivo para 2.
Configuração de exemplo
Prior: 20, Verossimilhança: 95, Falso positivo: 2, Escala: percent
Resultado
O resultado mostra uma probabilidade posterior de aproximadamente 92,23%, indicando a alta confiabilidade da classificação do filtro.

Testar com amostras

math-&-numbers
Exemplos de Análise de Logs ELK Stack
Exemplos completos de ELK Stack para agregação, processamento e visualização de logs em sistemas distribuídos
task process
sample

FAQ

O que é a probabilidade a priori (Prior)?

É a estimativa inicial ou a taxa base de um evento ocorrer antes de qualquer nova evidência ser considerada, como a prevalência de uma doença na população.

Qual a diferença entre verossimilhança e falso positivo?

A verossimilhança (sensibilidade) é a chance de um teste dar positivo quando a condição existe. O falso positivo é a chance do teste dar positivo quando a condição não existe.

Posso usar valores em porcentagem ou proporção?

Sim, a ferramenta permite alternar entre escala percentual (ex: 99%) e proporção (ex: 0.99) através da opção 'Escala de entrada'.

Por que a probabilidade posterior costuma ser menor do que a precisão do teste?

Isso ocorre devido ao Paradoxo da Taxa Base. Se a probabilidade a priori for muito baixa, mesmo um teste altamente preciso gerará muitos falsos positivos em termos absolutos.

Quantas casas decimais posso configurar no resultado?

Você pode ajustar a precisão do resultado de 0 a 10 casas decimais, dependendo do nível de detalhe necessário para a sua análise.

Documentação da API

Ponto final da solicitação

POST /pt/api/tools/bayes-theorem-calculator

Parâmetros da solicitação

Nome do parâmetro Tipo Requerido Descrição
priorProbability number Sim -
likelihood number Sim -
falsePositiveRate number Sim -
inputScale select Não -
decimalPlaces number Não -

Formato de resposta

{
  "key": {...},
  "metadata": {
    "key": "value"
  },
  "error": "Error message (optional)",
  "message": "Notification message (optional)"
}
Dados JSON: Dados JSON

Documentação de MCP

Adicione este ferramenta à sua configuração de servidor MCP: 

{
  "mcpServers": {
    "elysiatools-bayes-theorem-calculator": {
      "name": "bayes-theorem-calculator",
      "description": "Calcula probabilidade posterior",
      "baseUrl": "https://elysiatools.com/mcp/sse?toolId=bayes-theorem-calculator",
      "command": "",
      "args": [],
      "env": {},
      "isActive": true,
      "type": "sse"
    }
  }
}

Você pode encadear várias ferramentas, ex: `https://elysiatools.com/mcp/sse?toolId=png-to-webp,jpg-to-webp,gif-to-webp`, máx 20 ferramentas.

Se você encontrar algum problema, por favor, entre em contato conosco em [email protected]