Teorema De Bayes on kenji.blog

Um 'teste positivo' não significa necessariamente 'doença'? A Falácia da Taxa Base

Thu, 10 Sep 2026 21:00:00 +0900

Se você receber um resultado “positivo” (anormal) em um exame de rotina ou de câncer, qualquer um entraria em pânico. No entanto, com conhecimento de estatística e probabilidade, você pode respirar fundo e manter a calma. Isso ocorre porque “testar positivo em um teste altamente preciso” não significa necessariamente que “há uma alta probabilidade de você realmente ter a doença”.

Isso é conhecido como a “Falácia da Taxa Base (Base Rate Fallacy)” ou “Negligência da Probabilidade Prévia”, um viés cognitivo típico onde a intuição humana julga erroneamente os cálculos de probabilidade.

O Assustador Problema dos Exames de Saúde

Imagine a seguinte situação.

Em uma determinada cidade, há uma doença desconhecida que infecta 1 em cada 10.000 pessoas (0,01%). Para detectar essa doença, foi desenvolvido um excelente kit de teste com “99% de precisão”. (*99% de precisão significa que se uma pessoa doente fizer o teste, há 99% de chance de ser avaliada corretamente como “positiva”, e se uma pessoa saudável fizer o teste, há 99% de chance de ser avaliada corretamente como “negativa”.)

Se por acaso você fez esse teste e o resultado foi “positivo”. Agora, qual é a probabilidade de você realmente estar infectado com esta doença?

Muitas pessoas respondem intuitivamente: “Já que a precisão do teste é de 99%, a probabilidade de eu estar doente também deve ser de 99%.” Porém, a resposta matemática correta é “aproximadamente 0,98% (menos de 1%)”.

Por que, apesar de uma precisão de 99%, a probabilidade real acaba sendo inferior a 1%?

Teorema de Bayes e a Visualização do Todo

A chave para desvendar esse problema está em considerar não apenas a precisão do teste, mas também “quão rara é a doença em primeiro lugar (taxa base/probabilidade prévia)”. Vamos visualizar esse fenômeno contraintuitivo usando uma grande população de 1 milhão de pessoas.

População Total: 1.000.000 de pessoas
Pessoas Realmente Doentes (1 em 10.000): 100 pessoas
Pessoas Saudáveis: 999.900 pessoas

Aplicaremos o teste com “99% de precisão” a todas essas 1 milhão de pessoas.

1. Quando Pessoas Realmente Doentes (100 pessoas) Fazem o Teste

Com 99% de precisão, aquelas avaliadas corretamente como “positivas” são: 100 pessoas × 99% = 99 pessoas (Verdadeiros Positivos)

2. Quando Pessoas Saudáveis (999.900 pessoas) Fazem o Teste

Com 99% de precisão, há pessoas (falsos positivos) que serão incorretamente avaliadas como “positivas” com uma probabilidade de 1%: 999.900 pessoas × 1% = 9.999 pessoas (Falsos Positivos)

graph TD A["População Total (1.000.000 pessoas)"] --> B["Pessoas Doentes (100 pessoas)"] A --> C["Pessoas Saudáveis (999.900 pessoas)"] B -->|99% Acertos| B1["Verdadeiros Positivos (99 pessoas)"] B -->|1% Falhas| B2["Falsos Negativos (1 pessoa)"] C -->|99% Acertos| C1["Verdadeiros Negativos (989.901 pessoas)"] C -->|1% Falhas| C2["Falsos Positivos (9.999 pessoas)"] B1 -.-> D{"Total de pessoas que testaram 'Positivo': 10.098 pessoas"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

A Verdadeira Probabilidade de Você Estar Doente

Agora, o médico informou a você que o resultado “é positivo”. Isso significa que você se juntou ao grupo no canto inferior direito do diagrama, “Total de pessoas que testaram ‘Positivo’ (10.098 pessoas)”.

Dentro deste grupo, qual é a proporção de “pessoas que estão realmente doentes (verdadeiros positivos)”?

$$ \text{Probabilidade de estar realmente doente} = \frac{\text{Verdadeiros Positivos}}{\text{Total de positivos}} = \frac{99}{99 + 9.999} = \frac{99}{10.098} \approx 0,0098 $$

O resultado do cálculo é de aproximadamente 0,98%. Apesar de ser informado de que testou “positivo”, a probabilidade de você estar saudável (falso positivo) é esmagadoramente maior (cerca de 99%).

Por Que a Intuição Erra?

Embora esse fenômeno seja explicado matematicamente pelo “Teorema de Bayes”, que calcula a probabilidade condicional, o cérebro humano é muito ruim em lidar com esse tipo de cálculo.

O motivo pelo qual cometemos erros é que nos distraímos com as informações individuais e fortes fornecidas imediatamente diante de nós (“O resultado do seu teste é positivo! A precisão é de 99%!”), e ignoramos os imensos e monótonos dados estatísticos ao fundo (“Em primeiro lugar, apenas 1 em 10.000 pessoas contrai essa doença (taxa base)”).

Como a “raridade da doença (0,01%)” é muito mais extrema do que a “imprecisão do teste (1%)”, até o menor erro no teste engole rapidamente o número original de pessoas doentes.

A “Falácia da Taxa Base” Escondida na Sociedade

Essa ilusão causa pânico e julgamentos equivocados não apenas na medicina, mas em várias outras situações.

Sistemas de Reconhecimento Facial e Terroristas: Mesmo que uma câmera de reconhecimento facial com 99,9% de precisão encontre um “terrorista” em um aeroporto, como a probabilidade base de terroristas é extremamente baixa, a maioria das pessoas detidas será de cidadãos comuns inocentes (falsos positivos) com rostos parecidos.
Acidentes de Trânsito e Motoristas Idosos: Mesmo que você sinta que há perigo ao ver as notícias de que “〇〇% dos carros que causaram acidentes eram de idosos”, a menos que considere a “proporção de motoristas idosos entre todos os motoristas que trafegam nas estradas (taxa base)”, você não saberá se essa faixa etária específica tem mais probabilidade real de causar acidentes.

A “Falácia da Taxa Base” nos ensina a importância do pensamento estatístico, ou seja, voltar a refletir sobre “quão provável é que isso aconteça na totalidade em primeiro lugar (taxa base)” precisamente quando vemos números chocantes e casos individuais.

O Problema da Bela Adormecida: A probabilidade da moeda é 1/2 ou 1/3? O enigma que divide a teoria das probabilidades

Thu, 10 Sep 2026 09:00:00 +0900

1. As regras do estranho experimento

Você (a Bela Adormecida) foi escolhida como cobaia de um experimento científico. O experimento ocorre de domingo a quarta-feira. Na noite de domingo, dão a você uma pílula para dormir e você adormece.

Após você adormecer, o experimentador joga uma moeda justa (uma moeda em que a probabilidade de dar cara ou coroa é de exatamente 1/2). Então, dependendo do resultado, ele a acordará de acordo com o seguinte cronograma:

[Caso o resultado da moeda seja “Cara”]

Você será acordada apenas uma vez na segunda-feira e farão uma pergunta. Em seguida, será colocada para dormir novamente e não acordará até o fim do experimento (quarta-feira).

[Caso o resultado da moeda seja “Coroa”]

Você será acordada na segunda-feira e farão uma pergunta. Depois, darão a você um medicamento especial (um remédio para apagar a memória) e você voltará a dormir.
Na terça-feira, você será acordada mais uma vez e farão a mesma pergunta. Em seguida, voltará a dormir, o que encerra o experimento (quarta-feira).

*Nota: Devido ao efeito do remédio para apagar a memória, ao acordar, você não consegue se lembrar absolutamente de “que dia da semana é hoje” ou “se já foi acordada antes”.

graph TD Sunday["Domingo: A Bela adormece"] --> Toss{"Cara ou Coroa"} Toss -->|Cara (1/2)| Mon_Heads["Segunda-feira: Acorda + Pergunta
(Depois, fim do experimento)"] Toss -->|Coroa (1/2)| Mon_Tails["Segunda-feira: Acorda + Pergunta
(Depois, memória apagada)"] Mon_Tails --> Tue_Tails["Terça-feira: Acorda + Pergunta
(Depois, fim do experimento)"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

Então, na segunda-feira (ou terça-feira), você acorda. Não há relógio nem calendário no quarto, e você não sabe que dia da semana é hoje.

O experimentador entra e faz a seguinte pergunta: “Na condição em que você se encontra agora, acordada, qual você acha que é a probabilidade de a moeda jogada ter dado ‘Cara’?”

Você é uma bela conhecedora de matemática. E então, o que você responde?

2. O embate entre duas facções: 1/2 ou 1/3

Este problema foi concebido na década de 1990 e publicado em uma revista acadêmica pelo filósofo Adam Elga no ano 2000. A probabilidade da moeda parece óbvia, mas na verdade, devido a esse problema, matemáticos, estatísticos e filósofos do mundo todo se dividiram exatamente ao meio em dois grupos: os “Metadistas (1/2)” (“Halfers”) e os “Terceiristas (1/3)” (“Thirders”). Eles continuam travando um debate acalorado até hoje.

Vamos ouvir a “lógica perfeita” de cada grupo.

O argumento dos “Metadistas (1/2)” (“Halfers”)

“Como a moeda é justa e não viciada, a probabilidade de dar cara é naturalmente 1/2. Não importa quantas vezes o experimentador me acorde depois que eu dormir, ou que apague minha memória, isso não afeta em nada o resultado físico da moeda. A probabilidade no momento em que a moeda foi lançada é de 1/2, e o fato de eu acordar não me fornece nenhuma nova informação (nenhuma dica para inferir se foi cara ou coroa). Portanto, a probabilidade permanece 1/2.”

Essa é uma opinião muito sensata que valoriza o fenômeno físico objetivo e a não atualização de informações.

O argumento dos “Terceiristas (1/3)” (“Thirders”)

“O próprio fato de você estar ‘acordada’ é uma informação que altera a probabilidade. Suponha que repetíssemos esse experimento 100 vezes (durante 100 semanas). A moeda deverá dar ‘Cara’ 50 vezes e ‘Coroa’ 50 vezes.

Nas 50 semanas em que sai Cara, você acorda apenas 1 vez, na segunda-feira $\rightarrow$ O número de vezes em que acorda com ‘Cara’ é 50 vezes

Nas 50 semanas em que sai Coroa, você acorda 2 vezes, na segunda e na terça-feira $\rightarrow$ O número de vezes em que acorda com ‘Coroa’ é 100 vezes

Em outras palavras, em um total de 150 situações de despertar, o ‘padrão de acordar com Cara’ ocorre 50 vezes e o ‘padrão de acordar com Coroa’ ocorre 100 vezes. Portanto, a probabilidade do despertar que você está vivenciando agora ser ‘Cara’ é 50 / 150 = 1/3!”

Essa é uma opinião poderosa, baseada no “frequentismo” ou no “princípio antrópico”, que incorpora a própria situação de “estar existindo (observando) agora” como um elemento do espaço de probabilidades no cálculo.

3. Tentando calcular com o Teorema de Bayes

Há também tentativas de resolver esse problema usando o “Teorema de Bayes”, uma ferramenta matemática para atualizar probabilidades. Vamos organizar a lógica dos “Terceiristas (1/3)” sob a perspectiva da probabilidade condicional.

O estado em que se encontra ao acordar é um dos três seguintes:

$E_1$: A moeda deu “Cara”, e agora é “Segunda-feira”
$E_2$: A moeda deu “Coroa”, e agora é “Segunda-feira”
$E_3$: A moeda deu “Coroa”, e agora é “Terça-feira”

A probabilidade de sair “Cara” é de $1/2$, e a de “Coroa” é de $1/2$. Porém, no caso de coroa, como “segunda-feira” e “terça-feira” são perfeitamente simétricas (não é possível distingui-las por falta de memória), considera-se que a probabilidade de ocorrer $E_2$ e $E_3$ seja igual.

Como a soma total das probabilidades deve ser $1$, se atribuirmos cada despertar como um “evento (ponto de observação)” independente com igual probabilidade, teremos: $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ Assim, a conclusão é que a “probabilidade de ter sido Cara ($P(E_1)$)” é $1/3$.

Por outro lado, os “Metadistas (1/2)” argumentam que, para começar, “a segunda e a terça-feira quando a moeda dá coroa ($E_2$ e $E_3$) são apenas eventos dependentes derivados do mesmo resultado único da moeda, e contá-los como probabilidades independentes é um erro”.

4. Por que esse problema não é resolvido?

O motivo pelo qual o “Problema da Bela Adormecida” perturba tanto os acadêmicos não se deve a um mero erro de cálculo ou ilusão. A razão é que esse problema toca na questão fundamental e mais profunda da teoria das probabilidades, ou seja, na pergunta filosófica: “O que exatamente é a probabilidade?”

Para os Metadistas (1/2), a probabilidade é uma “propriedade física da moeda” ou um “fato objetivo”.
Para os Terceiristas (1/3), a probabilidade é o “grau de crença do observador (a Bela)” ou a “frequência observada”.

Temas profundos que remetem ao “problema da medição” na mecânica quântica e ao “princípio antrópico” na cosmologia (a ideia de deduzir a probabilidade do universo a partir do fato de existirmos) estão condensados neste simples experimento de cara ou coroa.

5. Conclusão

Se você fosse a cobaia desse experimento, responderia “1/2” ou “1/3” ao acordar?

Qualquer que seja a sua resposta, haverá matemáticos de primeira linha no mundo para defendê-la. Como uma definição matemática aparentemente simples pode desmoronar assim que se vincula aos conceitos incômodos da “subjetividade” e “existência” humanas. Os paradoxos continuam a abalar o nosso senso comum todos os dias.

O Problema de Monty Hall: A Armadilha da Probabilidade que Desafia a Intuição e a Solução Completa por Inferência Bayesiana

Thu, 10 Sep 2026 00:00:00 +0900

1. O Cenário é um Programa de TV de Perguntas: O Que Você Faria?

Em 1990, na coluna “Ask Marilyn” da revista americana de notícias “Parade”, um leitor enviou a seguinte pergunta:

Você é um participante em um programa de TV. Há 3 portas (A, B, C) à sua frente. Atrás de uma das portas há um carro novo (prêmio), e atrás das outras duas portas há cabras (sem prêmio).

Primeiro, você escolhe a porta A.

Então, o apresentador, Monty Hall, que sabe onde está o carro novo, abre a porta B revelando uma cabra.

Monty então diz a você: “Se quiser, pode mudar para a porta C agora. O que você faz?”

Afinal, você deve mudar de porta?

Intuitivamente, pensamos: “Restam duas portas, A e C. Como o carro estar em qualquer uma delas é algo completamente aleatório, a probabilidade de acertar é de $\frac{1}{2}$ (50%) para ambas. Portanto, mudar ou não mudar dá no mesmo”.

No entanto, a colunista Marilyn vos Savant (reconhecida pelo Guinness Book of Records como a pessoa com o QI mais alto) respondeu: “Você deve mudar. Se você mudar, suas chances de ganhar dobram.”

Essa resposta causou sensação em todos os Estados Unidos, e cerca de 10.000 cartas de protesto (sendo cerca de 1.000 de acadêmicos com doutorado em matemática) a inundaram. Foi uma tempestade de críticas severas, como “Você não entende o básico de probabilidade” e “Isso é a lógica das mulheres”. Mas, indo direto ao ponto, a resposta de Marilyn estava matematicamente correta.

2. A Discrepância Entre a Intuição e a Matemática: A Bifurcação das Probabilidades Visualizada no Mermaid

Por que nossa intuição nos engana e nos faz pensar que é “$\frac{1}{2}$”? Primeiro, vamos visualizar todos os padrões do jogo.

graph TD Start["Início do Jogo"] --> CarA["Carro na Porta A (Probabilidade 1/3)"] Start --> CarB["Carro na Porta B (Probabilidade 1/3)"] Start --> CarC["Carro na Porta C (Probabilidade 1/3)"] CarA --> PickA1["Você escolhe a Porta A"] CarB --> PickA2["Você escolhe a Porta A"] CarC --> PickA3["Você escolhe a Porta A"] PickA1 --> HostB_or_C["Apresentador abre B ou C"] PickA2 --> HostC["Apresentador sempre abre C"] PickA3 --> HostB["Apresentador sempre abre B"] HostB_or_C --> Stay1["Não muda: Prêmio!"] HostB_or_C --> Switch1["Muda: Sem prêmio..."] HostC --> Stay2["Não muda: Sem prêmio..."] HostC --> Switch2["Muda: Prêmio!"] HostB --> Stay3["Não muda: Sem prêmio..."] HostB --> Switch3["Muda: Prêmio!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

Assumindo que você escolheu a “Porta A”, os três cenários a seguir ocorrem com probabilidades iguais ($\frac{1}{3}$).

Cenário 1 (Carro em A): O apresentador abre B ou C, onde há cabras. Mudar de porta significa ficar sem prêmio.
Cenário 2 (Carro em B): O apresentador só pode abrir C, que tem uma cabra. Mudar de porta significa ganhar o prêmio.
Cenário 3 (Carro em C): O apresentador só pode abrir B, que tem uma cabra. Mudar de porta significa ganhar o prêmio.

Em outras palavras, em 2 de 3 vezes (Cenários 2 e 3), “mudar a porta garante uma vitória”. Portanto, a probabilidade de ganhar se você mudar de porta é $\frac{2}{3}$, o que é o dobro da probabilidade de $\frac{1}{3}$ se você não mudar.

3. Prova Rigorosa Através do Teorema de Bayes

Para resolver esse problema rigorosamente de forma matemática, usamos o “Teorema de Bayes” para calcular a probabilidade condicional.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Aqui, definimos os eventos da seguinte forma:

$C_A, C_B, C_C$ : Eventos em que o carro está nas portas A, B e C, respectivamente. As probabilidades a priori são $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Suponha que você escolheu inicialmente a porta A.
$M_B$ : O evento onde o apresentador abre a porta B com a cabra.

O que queremos encontrar é “a probabilidade do carro estar na porta C, dado que o apresentador abriu a porta B”, ou seja, a probabilidade a posteriori $P(C_C|M_B)$.

Primeiro, considere a probabilidade do apresentador abrir a porta B $P(M_B|C_X)$ dependendo de onde o carro está.

Se o carro estiver na porta A ($C_A$) O apresentador pode abrir B ou C aleatoriamente.
$$ P(M_B|C_A) = \frac{1}{2} $$
Se o carro estiver na porta B ($C_B$) Como o apresentador não pode abrir a porta com o carro novo, a probabilidade de abrir B é zero.
$$ P(M_B|C_B) = 0 $$
Se o carro estiver na porta C ($C_C$) Como o apresentador não pode abrir A (que você escolheu) e C (onde está o carro), ele deve abrir B.
$$ P(M_B|C_C) = 1 $$

A seguir, encontramos a probabilidade total de o apresentador abrir a porta B, $P(M_B)$, usando o “Teorema da Probabilidade Total”.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Finalmente, aplicamos o Teorema de Bayes para calcular as probabilidades a posteriori das portas A e C.

Probabilidade do carro estar na porta A (caso você não mude):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Probabilidade do carro estar na porta C (caso você mude):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

A prova matemática mostra claramente que “as chances de ganhar dobram (2/3) se você mudar de porta”.

4. Viés Cognitivo: O Valor da Informação do “Condicionamento”

Por que até mesmo muitos matemáticos geniais erraram intuitivamente neste problema? Isso se deve ao “Viés de Equiprobabilidade” e à “Falha na Atualização de Informações” incorporados ao cérebro humano.

4.1. Viés de Equiprobabilidade (Equiprobability Bias)

Quando os humanos se deparam com escolhas desconhecidas, eles têm uma tendência subconsciente de assumir que “as probabilidades das opções restantes são sempre iguais”. No momento em que o cérebro vê duas portas restantes, ele automaticamente as rotula como “$50\%$ : $50\%$”.

4.2. A Informação da “Intenção” do Apresentador

A principal razão pela qual nossa intuição falha é porque ignoramos o fato de que as ações do apresentador não são aleatórias. Se a regra fosse “o apresentador abre uma porta aleatoriamente sem saber onde está o carro, e por acaso é uma cabra” (conhecido como Problema de Monty Fall), a probabilidade para as portas A e C seria $\frac{1}{2}$ para cada.

No entanto, no Problema de Monty Hall real, o apresentador opera sob restrições estritas:

Ele não pode abrir a porta escolhida pelo participante.
Ele não pode abrir a porta com o carro novo.

Devido a essas restrições, o próprio ato do apresentador “abrir a porta B” nos fornece uma informação enorme sobre a porta C. Ele está enviando a mensagem não dita: “Eu não pude abrir a porta C (porque o carro novo está lá)”.

5. Corrigindo a Intuição com um Exemplo Extremo

Se você ainda não está convencido, tente aumentar o número de portas para 1 milhão.

Dentre 1 milhão de portas, você escolhe a porta 1. (A chance de ganhar é $\frac{1}{1.000.000}$)
O apresentador, que sabe de tudo, abre 999.998 portas contendo cabras, das 999.999 restantes.
As únicas portas fechadas são a “porta 1” que você escolheu e a “porta 777.777” que o apresentador deixou fechada de propósito.

E então, você vai mudar? Neste caso, a menos que você acredite que acertou o milagre de “1 em 1 milhão” no começo, você deve mudar. Realisticamente, você pode entender intuitivamente que a probabilidade de que o carro novo esteja na “única porta que o apresentador absolutamente não pôde abrir” é $\frac{999.999}{1.000.000}$.

O Problema de Monty Hall (3 portas) é simplesmente o mesmo fenômeno deste “1 milhão de portas” em uma escala menor.

pie title "Efeito de Mudar de Porta (100 Simulações)" "Muda e Ganha Prêmio (aprox. 66.7%)" : 67 "Não Muda e Ganha Prêmio (aprox. 33.3%)" : 33

6. Conclusão: Lições de Vida e Negócios Ensinadas Pela Teoria das Probabilidades

O Problema de Monty Hall vai além de ser apenas um jogo e nos ensina lições importantes.

A intuição costuma falhar: O cérebro humano não evoluiu para lidar intuitivamente com probabilidades condicionais complexas. Tomar decisões importantes contando apenas com a intuição é perigoso.
Atualize as probabilidades com novas informações (Atualização Bayesiana): Quando a situação muda e novas informações são apresentadas (como qual porta o apresentador abriu), a chave para o sucesso é a capacidade de atualizar de forma flexível as probabilidades e estratégias sem se apegar às ideias existentes.

A pequena decisão de “mudar de porta” pode dobrar suas chances de conseguir o “carro novo” de sua vida.