Probabilidade e teorema de Bayes
Probabilidade conjunta e condicional, independência e teorema de Bayes com exemplos reais de IA.
Probabilidade e teorema de Bayes é uma aula grátis de Learn AI with Python no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.
Noções básicas de probabilidade
Uma probabilidade é um número de 0 a 1 que mede a possibilidade de um evento ocorrer. A probabilidade condicional P(A|B) é a chance de A ocorrer dado que B aconteceu.
Probabilidade condicional
P(A|B) = P(A and B) / P(B). Condicionar restringe o espaço amostral aos casos em que B é verdadeiro.
p_a_and_b = 0.12
p_b = 0.30
print(p_a_and_b / p_b) # P(A | B) = 0.4Teorema de Bayes
O teorema de Bayes inverte uma condição: P(A|B) = P(B|A) * P(A) / P(B). Ele atualiza uma crença inicial P(A) para uma crença posterior depois da observação da evidência B.
Identificando as partes
Prior P(A): crença antes da evidência. Likelihood P(B|A): quão bem A explica a evidência. Posterior P(A|B): crença atualizada. Evidence P(B): um total de normalização.
Lei da probabilidade total
O denominador P(B) é encontrado somando todos os casos: P(B) = P(B|A)*P(A) + P(B|not A)*P(not A). Isso expande a evidência em partes conhecidas.
p_a = 0.01 # prior
p_b_given_a = 0.99 # likelihood
p_b_given_not_a = 0.05
p_not_a = 1 - p_a
p_b = p_b_given_a * p_a + p_b_given_not_a * p_not_a
print(p_b)Exemplo de teste médico
Uma doença afeta 1 por cento das pessoas. Um teste tem sensibilidade de 99 por cento, mas uma taxa de falsos positivos de 5 por cento. Qual é a chance de você estar doente GIVEN um teste positivo?
posterior = (p_b_given_a * p_a) / p_b
print(round(posterior, 3)) # about 0.167O resultado surpreendente
Apesar de um teste com 99 por cento de precisão, um resultado positivo significa apenas 17 por cento de chance de doença. A baixa taxa-base (prior de 1 por cento) predomina: é a clássica falácia da taxa-base.
Independência
Dois eventos são independentes quando P(A|B) = P(A), portanto observar B não informa nada sobre A. Nesse caso, P(A and B) = P(A) * P(B).
p_a, p_b = 0.5, 0.5
print(p_a * p_b) # 0.25 if independent (e.g. two fair coins)O problema de Monty Hall
Três portas escondem um carro. Você escolhe uma; o apresentador abre outra porta, revelando uma cabra, e então oferece a opção de trocar. Contraintuitivamente, trocar faz você ganhar em 2/3 das vezes.
Simulando Monty Hall
Uma simulação confirma a matemática. Trocar resulta em vitória sempre que sua primeira escolha estava errada, o que acontece 2 de cada 3 vezes.
import random
def trial(switch):
car = random.randint(0, 2)
pick = random.randint(0, 2)
if switch:
return pick != car # switching wins if first pick was wrong
return pick == car
wins = sum(trial(True) for _ in range(100000))
print(wins / 100000) # about 0.667Por que trocar funciona
Sua escolha inicial está certa em 1/3 das vezes. A revelação do apresentador concentra os 2/3 restantes na única porta fechada, então trocar captura essa probabilidade de 2/3.
Verificação rápida
Teste seu raciocínio probabilístico.
Recapitulação
Essenciais da probabilidade:
- Condicional:
P(A|B) = P(A and B)/P(B) - Bayes:
P(A|B) = P(B|A)P(A)/P(B)atualiza a crença inicial para a posterior - A lei da probabilidade total expande P(B)
- Falácia da taxa-base: condições raras produzem probabilidades posteriores baixas apesar de testes precisos
- Monty Hall: trocar resulta em vitória em 2/3 das vezes
Perguntas Frequentes
A aula “Probabilidade e teorema de Bayes” é grátis?
Sim — o texto completo de “Probabilidade e teorema de Bayes” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.
O que vou aprender em “Probabilidade e teorema de Bayes”?
Probabilidade conjunta e condicional, independência e teorema de Bayes com exemplos reais de IA. Você pratica Learn AI with Python com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Learn AI with Python?
Nenhuma experiência prévia é necessária. Learn AI with Python no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “Probabilidade e teorema de Bayes”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Learn AI with Python?
Sim. Cada aula de Learn AI with Python inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Estatística descritiva e distribuições
- Probabilidade e teorema de Bayes
- Testes de hipóteses
- Correlação e covariância