🔄 Calculadora do Teorema de Bayes

Entendendo o resultado do seu teorema de Bayes

Mantendo fixas a sensibilidade em 95% e a taxa de falsos positivos em 5%, a tabela abaixo mostra como a probabilidade posterior muda drasticamente conforme a prior — é o efeito da taxa-base, o coração do teorema de Bayes.

• A probabilidade posterior é muito sensível à probabilidade prior, especialmente quando esta é pequena — e é por isso que as taxas-base não podem ser ignoradas ao interpretar um resultado positivo ou qualquer outra nova evidência.
• A fórmula desta calculadora vale para uma partição binária: um evento A e seu complemento ¬A. Situações com mais de duas possibilidades mutuamente exclusivas (por exemplo, mais de um diagnóstico candidato) exigem a forma completa da lei da probabilidade total sobre todas as possibilidades.
• A taxa de falsos positivos, P(B | ¬A), não é o mesmo que a especificidade — ela equivale a 1 menos a especificidade, portanto um teste descrito como “95% específico” tem taxa de falsos positivos de 5%.
• Arredondar probabilidades intermediárias antes de combiná-las pode distorcer sensivelmente a posterior final, sobretudo quando a prior é pequena; sempre que possível, leve a precisão completa ao longo do cálculo.

O que é o teorema de Bayes?

O teorema de Bayes é uma fórmula para atualizar a probabilidade de um evento (A) após observar uma nova evidência (B), combinando uma probabilidade prior com o quanto essa evidência é provável em diferentes cenários. Ele se escreve P(A | B) = P(B | A) × P(A) / P(B) e converte uma probabilidade “direta”, como a chance de um teste dar positivo dado que a doença está presente, na probabilidade “inversa” que costuma ser a de real interesse: a chance de a doença estar presente dado um resultado positivo.

Esta calculadora usa o enquadramento habitual de testes diagnósticos: P(A) é a probabilidade prior (taxa-base) da condição na população relevante antes de qualquer teste, P(B | A) é a sensibilidade — a probabilidade de resultado positivo dado que a condição está presente — e P(B | ¬A) é a taxa de falsos positivos — a probabilidade de resultado positivo dado que a condição está ausente (igual a 1 menos a especificidade).

A falácia da taxa-base é o erro comum de olhar apenas para a sensibilidade do teste e ignorar a probabilidade prior. Um teste pode ter alta sensibilidade e baixa taxa de falsos positivos e ainda assim produzir uma probabilidade posterior muito abaixo do que a intuição sugere, sempre que a condição investigada for rara na população.

Como usar esta calculadora do teorema de Bayes

1. Informe a probabilidade prior P(A) — a taxa-base do evento ou da condição na população relevante, em porcentagem.
2. Informe P(B | A), a sensibilidade — a probabilidade de observar a evidência dado que o evento é verdadeiro.
3. Informe P(B | ¬A), a taxa de falsos positivos — a probabilidade de observar a evidência dado que o evento não é verdadeiro.
4. Leia a probabilidade posterior P(A | B), a probabilidade total da evidência P(B) e a razão de verossimilhança (fator de Bayes), que compara o quanto a evidência é mais provável sob A do que sob ¬A.

A fórmula por trás do teorema de Bayes

O teorema de Bayes expande o denominador P(B) pela lei da probabilidade total sobre as duas possibilidades A e ¬A: P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))].

Exemplo prático: prior P(A) = 1%, sensibilidade P(B | A) = 95%, taxa de falsos positivos P(B | ¬A) = 5%. Numerador: 0,95 × 0,01 = 0,0095. Probabilidade total de resultado positivo: P(B) = 0,95 × 0,01 + 0,05 × 0,99 = 0,0095 + 0,0495 = 0,059. Posterior: P(A | B) = 0,0095 ÷ 0,059 ≈ 0,1610, ou seja, a probabilidade posterior é de aproximadamente 16,10% — mesmo que o teste identifique corretamente 95% dos casos verdadeiros, a maior parte dos resultados positivos nesse cenário vem do conjunto muito maior de pessoas que não têm a condição.

A razão de verossimilhança (fator de Bayes) é P(B | A) ÷ P(B | ¬A). No exemplo prático, 0,95 ÷ 0,05 = 19, o que significa que um resultado positivo é 19 vezes mais provável de ocorrer se A for verdadeiro do que se A for falso.

Erros comuns

• Confundir P(B | A), a sensibilidade, com P(A | B), a probabilidade posterior — supor que um resultado de teste muito sensível significa alta probabilidade de realmente ter a condição, ignorando a taxa-base, é a clássica falácia da taxa-base.
• Ignorar por completo a probabilidade prior — um teste com 95% de sensibilidade e 5% de falsos positivos ainda entrega posterior de apenas cerca de 16% quando a prior é de 1%, porque a maior parte dos positivos vem do conjunto muito maior de verdadeiros negativos.
• Tratar especificidade e taxa de falsos positivos como intercambiáveis sem converter — esta calculadora pede P(B | ¬A), a taxa de falsos positivos, que equivale a 1 menos a especificidade.
• Aplicar a fórmula de dois termos quando há mais de duas possibilidades mutuamente exclusivas — a versão simples de A contra ¬A só vale para uma partição binária dos desfechos.
• Arredondar probabilidades intermediárias antes de combiná-las, o que acumula erro num cálculo especialmente sensível a pequenas variações da prior em taxas-base baixas.

Perguntas frequentes

Referências

1. Bayes T, Price R. An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1763; 53: 370-418.
2. Kahneman D, Tversky A. On the psychology of prediction. Psychological Review 1973; 80(4): 237-251 (base-rate neglect in probability judgment).
3. National Institute of Standards and Technology (NIST). NIST/SEMATECH e-Handbook of Statistical Methods — probability rules and Bayes' theorem. nist.gov.
4. Moore DS, McCabe GP, Craig BA. Introduction to the Practice of Statistics. W. H. Freeman (conditional probability and Bayes' rule).
5. Casella G, Berger RL. Statistical Inference (2nd ed). Duxbury, 2002 (Bayes' theorem and conditional probability).