Navegar

6 de November de 2019, 12:02h

O ponto de vista bayesiano na inteligência artificial

Foto: AFP

Reprodução da coluna de Marcelo Viana, na Folha de S.Paulo

Já escrevi sobre probabilidade, mas nunca discuti a questão mais básica: o que é a probabilidade de um evento e como ela pode ser determinada? Em muitos casos, há uma resposta direta. Por exemplo, quando lançamos uma moeda muitas vezes, em cerca da metade dá cara. Então, a probabilidade do evento “cara” é 50%. 

Mas essa abordagem, chamada frequentista, nem sempre é adequada. Qual é a probabilidade de o Brasil ganhar a Copa do Mundo de 2022? Não podemos repetir a competição para contar quantas o Brasil ganhou. Para tais situações, há o ponto de vista bayesiano.

Leia também: De havaianas nos pés, britânico Robert Morris faz combinatória
Artur Avila é o homenageado do 2019 Fields Medal Symposium
Visgraf celebra aniversário de 30 anos em evento no IMPA

O nome homenageia o reverendo inglês Thomas Bayes (1701-1761), pioneiro no uso de probabilidade na resolução de problemas. Mas a probabilidade bayesiana como a entendemos hoje deve-se sobretudo ao francês Pierre-Simon de Laplace (1749-1827), que redescobriu as ideias de Bayes e as difundiu.

Para os matemáticos bayesianos, a probabilidade de um evento é a expectativa de que ele ocorra, com base na informação disponível. Ela é, então, subjetiva, já que depende da informação acessível a cada pessoa. Isso é muito surpreendente para uma teoria matemática!

Bayes apresentou uma fórmula para melhorar a estimativa da probabilidade a partir de cada nova informação. Vou exemplificar com a seguinte questão: quando um teste de HIV dá positivo, qual é a probabilidade de que a pessoa esteja realmente infectada?

Suponhamos que a chance de erro do teste —dar positivo para pessoa saudável ou negativo para pessoa infectada— é 0,2%. Com chance de erro tão baixa, concluiríamos que a probabilidade de alguém com teste positivo estar infectado deve ser quase 100%. Mas suponhamos que também é sabido que os infectados formam 0,1% da população. Usando esta nova informação, a fórmula de Bayes dá que a probabilidade de alguém com teste positivo estar infectado é de apenas 33%.

Leia também: IMPA leva Matemática ao MAST de 6 a 9 de novembro
No Blog Ciência & Matemática, a importância da nanotecnologia