Calculadora do teorema de Bayes

A calculadora do teorema de Bayes converte uma probabilidade prévia, uma sensibilidade (taxa de verdadeiro positivo), e uma taxa de falso positivo na probabilidade posterior de uma hipótese depois de observar evidência. Essa é a atualização binária padrão usada em raciocínio diagnóstico, alarmes de controle de qualidade, esboços de filtros de spam, e problemas de sala de aula sobre doenças raras e testes imperfeitos. Você informa três números no intervalo unitário fechado: quão comum é a hipótese antes de ver o teste, com que frequência a evidência aparece quando a hipótese é verdadeira, e com que frequência a evidência aparece quando a hipótese é falsa. O mecanismo retorna o posterior P(H dado E), a probabilidade marginal de evidência P(E), a especificidade um menos a taxa de falso positivo, e a razão de verossimilhança positiva quando ela é finita.

O que a regra de Bayes responde e o que a resposta contém

O teorema de Bayes responde a uma pergunta enganosamente simples: dado com que frequência uma hipótese é verdadeira antes de você olhar, e como a evidência se comporta quando a hipótese é verdadeira ou falsa, quão fortemente você deve acreditar na hipótese depois de observar a evidência? Em símbolos, P(H dado E) é igual a P(E dado H) vezes P(H) dividido por P(E). Para uma hipótese binária, a probabilidade de evidência se expande como sensibilidade vezes prior mais taxa de falso positivo vezes um menos prior.

Essa única identidade sustenta o clássico exemplo de doença rara em todo livro didático de probabilidade: um teste altamente preciso ainda pode deixar um posterior baixo quando a taxa base é minúscula, porque os falsos positivos dominam os resultados positivos. Esta calculadora retorna esse posterior junto com a massa de evidência intermediária, a especificidade um menos a taxa de falso positivo, e a razão de verossimilhança positiva sensibilidade sobre taxa de falso positivo quando o denominador é positivo.

As entradas são ecoadas em forma numérica normalizada, para que os chamadores possam verificar que a conversão de unidade não mudou a escala. O contrato é rígido por design. Se os três números se combinarem em uma probabilidade de evidência de zero, o posterior é matematicamente indefinido e a chamada falha em vez de retornar NaN.

Esta página é apenas uma única atualização binária de Bayes. Ela não encadeia múltiplos testes independentes, não amostra de posteriores, e não ajusta modelos hierárquicos.

Onde as atualizações posteriores se encaixam no estudo, no produto e nas operações

Estudantes encontram o teorema de Bayes quando um livro didático pede a chance de alguém ter uma condição rara depois de um teste de triagem positivo, quando uma planilha de exercícios quer a probabilidade de uma máquina estar defeituosa depois de um alarme, ou quando eles verificam que as taxas base importam mais que a precisão bruta do teste. Professores podem gerar gabaritos previamente para priors e características de teste fixos, sem depender de aplicativos de calculadora opacos que escondem a expansão de evidência.

Equipes de produto e segurança esboçam a fadiga de alertas: alta sensibilidade com uma taxa de falso positivo não trivial e um prior baixo de incidentes reais produz posteriores moderados que justificam filas de revisão secundária, em vez de desligamentos automáticos. Engenheiros de qualidade modelam medidores de aprovação-reprovação, onde um sensor dispara em defeitos verdadeiros e em alarmes falsos ocasionais, depois convertem essas taxas em uma probabilidade posterior de defeito para uma unidade sinalizada.

Cientistas de dados usam a mesma estrutura ao documentar por que um classificador de alta precisão ainda pode gerar baixo risco absoluto em uma população de eventos raros. Desenvolvedores chamam o contrato a partir de scripts para gerar vetores de teste unitário determinísticos, para ilustrar razões de verossimilhança, ou para atender desafios de programação que exigem P(H dado E) para um prior, sensibilidade e taxa de falso positivo dados, sem embutir fórmulas improvisadas.

A prática de concursos costuma precisar de uma fonte rápida e offline de números de Bayes, para que soluções possam ser verificadas sem construir denominadores à mão sob pressão de tempo.