Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprenda Teorema de Bayes | Probabilidade de Eventos Complexos
Fundamentos da Teoria das Probabilidades

bookTeorema de Bayes

O teorema de Bayes é um conceito fundamental na teoria das probabilidades que permite atualizar nossas crenças ou probabilidades com base em novas evidências. Já consideramos a lei da probabilidade total, o teorema de Bayes é muito semelhante a essa lei. Vamos analisar a formulação:

Vamos fornecer explicações:

  1. É necessário dividir nosso espaço de eventos elementares em n diferentes eventos incompatíveis;
  2. Sabemos que o evento A resulta do experimento estocástico. Isso significa que A já ocorreu;
  3. Queremos entender em qual segmento H realizamos o experimento, calculando a respectiva probabilidade condicional.

Exemplo

Suponha que um teste médico para diabetes tenha precisão de 90% na detecção de uma doença específica.
A doença é rara e ocorre em apenas 1% da população. Se uma pessoa testa positivo para a doença, qual é a probabilidade de que ela realmente tenha a doença?

Solução

Para resolver este problema, é necessário considerar que o teste pode apresentar falso positivo e falso negativo. Por isso, precisamos utilizar o teorema de Bayes.

H₁: A probabilidade de um indivíduo selecionado aleatoriamente ter diabetes é 0.01.
H₂: A probabilidade de um indivíduo selecionado aleatoriamente não ter diabetes é 0.99.
A: o resultado do teste é positivo (diabetes detectada pelo teste).
P(A|H₁): a probabilidade de o teste detectar diabetes e a pessoa estar doente é 0.9 (resultado verdadeiro positivo).
P(not A|H₂): a probabilidade de o teste não detectar diabetes e a pessoa não estar doente é 0.9 (resultado verdadeiro negativo).
P(A|H₂): a probabilidade de o teste detectar diabetes e a pessoa não estar doente é 1 - P(not A|H₂) = 0.1 (resultado falso positivo).

Precisamos encontrar P(H₁|A) - a probabilidade de uma pessoa realmente estar doente se o teste detectar diabetes

12345678910111213141516
# Prior probabilities P_diabetes = 0.01 P_no_diabetes = 0.99 # Conditional probabilities P_positive_given_diabetes = 0.9 P_positive_given_no_diabetes = 0.1 # Calculate the delimiter of the expression - probability that test is positive P_positive_test = (P_positive_given_diabetes * P_diabetes) + (P_positive_given_no_diabetes * P_no_diabetes) # Calculate the probability of having diabetes given a positive test result using Bayes' theorem P_diabetes_given_positive = (P_positive_given_diabetes * P_diabetes) / P_positive_test # Print the results print(f'The probability of having diabetes given a positive test is {P_diabetes_given_positive:.4f}')
copy

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 5

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 3.85

bookTeorema de Bayes

Deslize para mostrar o menu

O teorema de Bayes é um conceito fundamental na teoria das probabilidades que permite atualizar nossas crenças ou probabilidades com base em novas evidências. Já consideramos a lei da probabilidade total, o teorema de Bayes é muito semelhante a essa lei. Vamos analisar a formulação:

Vamos fornecer explicações:

  1. É necessário dividir nosso espaço de eventos elementares em n diferentes eventos incompatíveis;
  2. Sabemos que o evento A resulta do experimento estocástico. Isso significa que A já ocorreu;
  3. Queremos entender em qual segmento H realizamos o experimento, calculando a respectiva probabilidade condicional.

Exemplo

Suponha que um teste médico para diabetes tenha precisão de 90% na detecção de uma doença específica.
A doença é rara e ocorre em apenas 1% da população. Se uma pessoa testa positivo para a doença, qual é a probabilidade de que ela realmente tenha a doença?

Solução

Para resolver este problema, é necessário considerar que o teste pode apresentar falso positivo e falso negativo. Por isso, precisamos utilizar o teorema de Bayes.

H₁: A probabilidade de um indivíduo selecionado aleatoriamente ter diabetes é 0.01.
H₂: A probabilidade de um indivíduo selecionado aleatoriamente não ter diabetes é 0.99.
A: o resultado do teste é positivo (diabetes detectada pelo teste).
P(A|H₁): a probabilidade de o teste detectar diabetes e a pessoa estar doente é 0.9 (resultado verdadeiro positivo).
P(not A|H₂): a probabilidade de o teste não detectar diabetes e a pessoa não estar doente é 0.9 (resultado verdadeiro negativo).
P(A|H₂): a probabilidade de o teste detectar diabetes e a pessoa não estar doente é 1 - P(not A|H₂) = 0.1 (resultado falso positivo).

Precisamos encontrar P(H₁|A) - a probabilidade de uma pessoa realmente estar doente se o teste detectar diabetes

12345678910111213141516
# Prior probabilities P_diabetes = 0.01 P_no_diabetes = 0.99 # Conditional probabilities P_positive_given_diabetes = 0.9 P_positive_given_no_diabetes = 0.1 # Calculate the delimiter of the expression - probability that test is positive P_positive_test = (P_positive_given_diabetes * P_diabetes) + (P_positive_given_no_diabetes * P_no_diabetes) # Calculate the probability of having diabetes given a positive test result using Bayes' theorem P_diabetes_given_positive = (P_positive_given_diabetes * P_diabetes) / P_positive_test # Print the results print(f'The probability of having diabetes given a positive test is {P_diabetes_given_positive:.4f}')
copy

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 2. Capítulo 5
some-alt