Visualização do Teorema de Bayes

Explore Como as Evidências Atualizam Nossas Crenças

P(A|B) = P(B|A) · P(A) P(B)
Probabilidade a priori: crença antes de ver as evidências
Verossimilhança: probabilidade das evidências se a hipótese é verdadeira
Evidência: probabilidade total de ver as evidências
Probabilidade a posteriori: crença atualizada após ver as evidências

Paradoxo do Falso Positivo

Um teste para uma doença rara tem alta precisão, mas se você testar positivo, a probabilidade de você realmente ter a doença pode ser muito menor do que você pensa. Vamos ver por quê.

0.01% 10%
50% 100%
0.1% 10%

Quando o Teste é Positivo

9.0% Probabilidade de Realmente Ter a Doença

Processo de Cálculo (baseado em 10.000 pessoas):

1 Pessoas realmente doentes: 10 人
2 Teste positivo (verdadeiros positivos): ≈10 人
3 Pessoas saudáveis: 9,990 人
4 Falsos positivos: ≈100 人
5 Total de testes positivos: ≈110 人
6 Doença real entre os positivos: 10 / 110 ≈ 9.0%

Distribuição da População (10.000 pessoas)

Verdadeiro Positivo (Doente e Teste Positivo)
Falso Negativo (Doente e Teste Negativo)
Falso Positivo (Saudável e Teste Positivo)
Verdadeiro Negativo (Saudável e Teste Negativo)

Comparação de Probabilidades

Processo de Atualização Bayesiana

Ajuste a probabilidade a priori e a verossimilhança para observar como a probabilidade a posteriori muda. Isso demonstra o mecanismo central do raciocínio bayesiano: como novas evidências atualizam nossas crenças.

1% 99%

Crença inicial antes de ver as evidências

1% 99%

Probabilidade das evidências se a hipótese é verdadeira

1% 99%

Probabilidade total de ver as evidências em todos os casos

Probabilidade A Posteriori P(H|E)

80.0% Crença Atualizada

Cálculo da Fórmula:

A Priori: P(H) = 50%
↓
Evidência: P(E|H) = 80%
↓
Normalização: P(E) = 50%
↓
A Posteriori: P(H|E) = 80.0%

Diagrama de Relações de Conjuntos

Hipótese H
Evidência E
P(H∩E)

Percepções Chave

A Priori é Importante

Para eventos raros, mesmo com alta precisão do teste, os resultados positivos podem ser principalmente falsos positivos. Isso ocorre porque a taxa base é muito baixa.

Evidências Atualizam Crenças

O teorema de Bayes fornece uma estrutura matemática para como atualizar racionalmente nossas crenças com base em novas evidências.

O Poder da Razão de Verossimilhança

Quando as evidências são mais prováveis sob a hipótese do que sob sua negação (alta razão de verossimilhança), as evidências têm forte poder persuasivo.

Atualização Iterativa

O a posteriori de hoje pode se tornar o a priori de amanhã, permitindo-nos acumular continuamente evidências e gradualmente nos aproximarmos da verdade.