Você está na página 1de 8

F I L O S O F I A D A C I N C I A

O proco de um vilarejo da Inglaterra do sculo 18, at certo ponto obscuro em seu tempo, festejado e considerado avanado nos meios cientficos atuais tudo por ter escrito um pequeno ensaio sobre probabilidade. O processo de raciocnio idealizado por Thomas Bayes nesse texto, que ele mesmo sequer levou a pblico, tido hoje como uma nova forma de ver o mundo, como a base de uma verdadeira revoluo em diferentes campos do conhecimento, da gentica teologia. Mas o que o raciocnio bayesiano e por que vem ganhando tanto prestgio?

Thomas

22 CINCIA HOJE vol. 38 n 22 8

ILUSTRAO ALVIM

Srgio Danilo Pena Departamento de Bioqumica e Imunologia, Universidade Federal de Minas Gerais

F I L O S O F I A D A C I N C I A

Bayes: o cara!
Se voc visitar hoje o campus de uma universidade norte-americana, provvel que encontre estudantes usando camisetas com a inscrio Bayes rules! A traduo para o portugus seria algo como Bayes o cara! (em ingls, a frase contm um trocadilho que ser revelado mais adiante). Curioso, voc decide checar quem esse Bayes, e o melhor lugar para isso certamente a internet. Ao digitar o nome Bayes em uma pgina de busca (www.google.com.br, por exemplo) descobre-se que o nome completo dele Thomas Bayes, que h um teorema de Bayes e que esse nome citado (em junho deste ano) em nada menos que 9,3 milhes de pginas de internet! Se usarmos a palavra inglesa bayesian (bayesiano), o total de pginas sobe para 23,2 milhes. Se buscarmos informao em uma rea especfica, como o banco de dados de literatura biomdica Pubmed (www.ncbi.nlm.nih.gov), colocando Bayes na linha de procura, encontramos nada menos que 6.655 artigos! Finalmente, uma consulta, usando o nome Bayes, ao excelente repositrio de sabedoria que a Enciclopdia de Filosofia de Stanford (http:// plato.stanford.edu) faz surgirem muitos verbetes: teorema de Bayes, lgica indutiva, epistemologia bayesiana, milagres, argumento teleolgico para a existncia de Deus, teoria dos jogos, conhecimento comum, interpretaes de probabilidade, filosofia da economia, o problema do mal, teoria formal do aprendizado e atesmo e agnosticismo! Isso j permite admitir que esse tal de Bayes deve ser de fato o cara e certamente nos deixa ainda mais curiosos. Este artigo tenta apresentar quem foi Bayes, o que so o seu teorema e a sua teoria da probabilidade e por que ele importante em tantas reas
julho de 2006 CINCIA HOJE 23

F I L O S O F I A D A C I N C I A

Figura 1. O reverendo Thomas Bayes (1701?-1776), na nica representao que existe dele

na doutrina das probabilidades). Nesse artigo estava a demonstrao do famoso teorema de Bayes. Price acreditava que o artigo fornecia uma prova da existncia de Deus (o texto, na ntegra, est na pgina http://publicacoes.gene.com.br/ciencia_hoje/ Bayes.pdf). Aps sua publicao, o trabalho caiu no esquecimento, do qual s foi resgatado pelo matemtico francs Pierre-Simon de Laplace (1749-1827), que o revelou ao mundo.

O raciocnio de Bayes
O raciocnio bayesiano pode ser explicado com um exemplo mdico, relacionado com a chance de uma mulher ter cncer de mama, usando dados de um artigo do norte-americano Eliezer Yudkowsky, pesquisador da inteligncia artificial. Recomendase que, a partir dos 40 anos, as mulheres faam mamografias anuais. Nessa idade, 1% das mulheres so portadoras de um tumor assintomtico de mama. Sabe-se que a mamografia apresenta resultado positivo em 80% das mulheres com cncer de mama, mas esse mesmo resultado ocorre tambm com 9,6% das mulheres sem o cncer. Imagine agora que voc chega em casa e encontra sua tia aos prantos, desesperada, porque fez uma mamografia de rotina e o resultado foi positivo! Qual a probabilidade de ela ter um cncer de mama? Pense bem e escreva sua resposta em um papel. Vamos agora montar o problema de uma maneira bayesiana. Em primeiro lugar, sua tia tem o cncer de mama (CA) ou no (no-CA). Essas alternativas, mutuamente excludentes, podem ser colocadas em uma tabela, como abaixo. Podemos iniciar o raciocnio pela probabilidade de cada alternativa antes de fazer qualquer teste. a chamada probabilidade a priori ter cncer ou no ter. Como em mdia 1% das mulheres de 40 anos tm um tumor de mama, a probabilidade a priori de sua tia ter um cncer de 1% (0,01) e de no ter de 99% (0,99).
TEM CNCER Prob. a priori 0,01 NO TEM CNCER 0,99

do conhecimento, da medicina teologia. Essa tentativa ser feita da maneira mais simples, intuitiva e informal possvel, sem muitas frmulas ou letras gregas.

Quem foi Thomas Bayes


Considerando a sua imensa importncia atual, sabemos pouco sobre Thomas Bayes (figura 1). Ele foi um reverendo presbiteriano que viveu no incio do sculo 18 (1701?-1761) na Inglaterra. Estudou teologia na Universidade de Edimburgo (Esccia), de onde saiu em 1722. Em 1731 assumiu a parquia de Tunbridge Wells, no condado de Kent, a 58 km de Londres. No mesmo ano apareceu na Inglaterra um livro annimo hoje creditado a Bayes chamado Benevolncia divina. Cinco anos depois, publicou seu primeiro e nico livro de matemtica, chamado The doctrine of fluxions (A doutrina dos fluxions) o nome fluxion foi dado pelo matemtico e fsico Isaac Newton (1642-1727) para a derivativa de uma funo contnua (que Newton chamava de fluent). Com base nesse livro e em outras possveis contribuies sobre as quais no temos dados precisos, Bayes foi eleito em 1752 para a Real Sociedade, entidade cientfica britnica criada em 1645. Dois anos aps sua morte, um amigo, o filsofo Richard Price (1723-1791), apresentou Real Sociedade um artigo que aparentemente encontrou entre os papis do reverendo, com o nome An essay towards solving a problem in the doctrine of chances (Ensaio buscando resolver um problema
24 CINCIA HOJE vol. 38 n 22 8

Agora vamos incorporar o resultado da mamografia. Se o cncer de mama est presente, a probabilidade condicional de a mamografia ser positiva 0,80 (80%), e se no est presente de 0,096 (9,6%).
TEM CNCER Prob. a priori Prob. condicional 0,01 0,8 NO TEM CNCER 0,99 0,096

F I L O S O F I A D A C I N C I A

Multiplicando a probabilidade a priori pela condicional, obtemos a probabilidade conjunta:


TEM CNCER Prob. a priori Prob. condicional Prob. conjunta 0,01 0,8 0,01 x 0,8 = 0,008 NO TEM CNCER 0,99 0,096 0,99 x 0,096 = 0,0095

Observe que a soma das probabilidades a priori 1, mas isso no acontece com as probabilidades conjuntas. Para fazer com que essa segunda soma se torne 1, preciso usar uma normalizao, dividindo cada probabilidade conjunta pela soma das duas. Chegamos assim chamada probabilidade a posteriori.
TEM CNCER Prob. a priori Prob. condicional Prob. conjunta Normalizao Prob. a posteriori 0,01 0,8 0,01 x 0,8 = 0,008 NO TEM CNCER 0,99 0,096 0,99 x 0,096 = 0,0095

(0,008 + 0,0095 = 0,0175) 0,008/0,0175 = 0,46 0,0095/0,0175 = 0,54

Portanto, o raciocnio bayesiano nos levou, de modo muito simples, a concluir que a probabilidade a posteriori (ou seja, aps o teste) de sua tia no ter um cncer de mama de 0,54 (54%) e voc pode tranqiliz-la de que a situao no inevitvel. Quando esse problema foi apresentado a vrias pessoas, inclusive estudantes de medicina, observou-se uma tendncia a superestimar a probabilidade a posteriori da doena. Isso revela que o raciocnio bayesiano no intuitivo. Parece haver uma tendncia geral a ignorar o fato de que a probabilidade a priori de doena pequena, fenmeno denominado falcia da probabilidade de base pelo psiclogo norte-americano (de origem israelense) Daniel Kahneman, premiado com o Nobel de Economia em 2002 por estudos sobre o comportamento de investidores. Outro modo de expressar isso dizer que em geral as pessoas no so racionais. Em artigo recente, Mike Alder, professor de matemtica e filosofia da cincia na Universidade da Austrlia Ocidental, escreveu que o aprendizado da teoria bayesiana pode tornar qualquer um muito mais inteligente que seus amigos e at transform-lo em um super-humano.

chance de a mulher ter um cncer de mama. Sob esse ponto de vista, um teste mdico funciona como um modificador de opinio, atualizando uma hiptese inicial (probabilidade a priori) para gerar outra (probabilidade a posteriori). Essa ltima engloba tanto a crena anterior (probabilidade a priori) quanto o resultado do teste. A probabilidade a posteriori, bvio, torna-se automaticamente a probabilidade a priori para testes subseqentes. Alguns autores afirmam que o raciocnio diagnstico dos mdicos naturalmente bayesiano. Quando o paciente diz estar com dor no peito, o bom clnico j imagina uma srie de possibilidades diagnsticas (o diagnstico diferencial). Destaque-se aqui que o raciocnio bayesiano aplica-se no apenas a dois estados (no caso, infarto ou noinfarto) mutuamente excludentes, mas a trs, quatro ou mais hipteses. Assim, mtodos bayesianos podem ser usados para decidir entre vrias possibilidades diagnsticas, examinando-se qual a mais consistente com os dados clnicos. medida que prossegue a conversa com o paciente e depois, com o exame fsico, o mdico reajusta constante e automaticamente suas probabilidades iniciais e, para isso, resultados negativos em exames so to importantes quanto os positivos.

Como saber quem o pai?


Outra aplicao prtica do teorema de Bayes se d nos exames de paternidade. Voc procurado por um amigo aflito, Sinfrnio, que suspeita de traio da esposa, pois o filho no se parece nada com ele. Ento voc colhe sangue de Sinfrnio, da esposa e da criana, prepara DNA e, usando a mgica laboratorial da gentica molecular, identifica os alelos presentes em uma regio gentica, ou loco (D13S308, por exemplo) alelos so as verses possveis de um gene, e a criana herda uma verso do pai e outra da me. Os resultados mostram que, nesse loco, a me tem os alelos 14 e 17, a criana tem o 13 e o 17 e Sinfrnio tem o 10 e o 13. A criana deve ter herdado da me o 17 (pois ambos o tm). Portanto, o 13 veio do pai biolgico. Para alvio geral, Sinfrnio tem esse alelo. Se no estivesse presente, no seria o pai biolgico (excluso da paternidade) ou teria ocorrido uma mutao (um evento raro). A presena do alelo 13, porm, no prova que Sinfrnio de fato o pai, j que outras pessoas podem carregar o mesmo alelo. Ser que, sabendo desses dados do loco D13S308, podemos calcular a probabilidade de Sinfrnio ser o pai? Para isso, vamos organizar o problema de modo
julho de 2006 CINCIA HOJE 25

Bayes e a prtica mdica


No exemplo acima, o raciocnio bayesiano permitiu quantificar o grau em que o resultado positivo da mamografia ajustou uma estimativa inicial da

F I L O S O F I A D A C I N C I A

bayesiano. As alternativas so mutuamente excludentes: o pai biolgico Sinfrnio ou outro indivduo. Se Sinfrnio o pai, o espermatozide dele que fecundou o vulo da me carregava o alelo 13 lembrando que espermatozides so haplides, ou seja, levam apenas um alelo de cada gene. Como ele tem dois alelos (10 e 13), cada um tem uma probabilidade de 50% (0,5) de ser o escolhido. E se o pai outro, qual a chance de seu espermatozide portar o alelo 13? No existindo um suspeito especfico, a resposta dada pela freqncia do alelo 13 na populao (digamos que seja de 7,5%, ou 0,075). Essas probabilidades de 0,5 e 0,075 so, portanto, as nossas probabilidades condicionais. Entretanto, como no caso do cncer de mama, preciso saber as probabilidades a priori de que Sinfrnio ou outro indivduo qualquer sejam o pai biolgico da criana. Aqui, pode-se agir de maneiras diferentes. Na mais bvia, voc estima a probabilidade a priori subjetivamente, com base no que conhece de Sinfrnio e da esposa. No entanto, quando se lida com muitos casos de determinao de paternidade, invivel estudar os detalhes de cada um para fazer essa estimativa. Adota-se, ento a outra maneira: utilizar na anlise uma mesma probabilidade a priori para todos os casos. Isso no influencia muito a probabilidade final de paternidade tanto que o uso de 0,50 (50%) hoje uma conveno internacional. Agora possvel montar a tabela:
SINFRNIO O PAI Prob. a priori Prob. condicional Prob. conjunta Normalizao 0,50 0,50 0,50 x 0,50 = 0,25 O PAI OUTRO 0,50 0,075 0,50 x 0,075 = 0,0375

possvel pai. Nesse caso, necessrio reconstituir o perfil gentico desse possvel pai a partir de familiares vivos. Dependendo da relao gentica (parentesco) entre as pessoas testadas e o indivduo falecido, o raciocnio bayesiano pode ficar sinuoso, sendo difcil seguir a lgica. A sada usar solues grficas, as chamadas redes bayesianas, diagramas que analisam problemas reais atravs de um mapeamento probabilstico das relaes de causa e efeito entre as variveis (figura 2). A explicao de como funciona uma rede bayesiana em determinao de paternidade est alm dos objetivos deste artigo, mas pode ser encontrada na pgina www.gene-pater.com.

Milagres: ocorrem ou no?


A possibilidade da ocorrncia de milagres e a crena neles tm historicamente sido objeto de anlise cientfica e filosfica. O local clssico da discusso moderna e contempornea sobre milagres o dcimo captulo (Dos milagres) de um livro de 1748, Investigao acerca do entendimento humano, do filsofo e historiador escocs David Hume (17111776). Nesse captulo, ele diz: No h testemunho suficiente para fundamentar um milagre, a menos que o testemunho seja tal que a sua falsidade seria ainda mais miraculosa que o fato que se pretende estabelecer. Esse raciocnio na minha modesta opinio perfeitamente correto do ponto de vista bayesiano. O que Hume diz que a probabilidade a priori de que um milagre tenha acontecido to pequena que s uma probabilidade condicional enorme pode tornar o milagre crvel. Outros autores, como o filsofo norte-americano John Earman, no concordam com essa interpretao, e certamente pessoas religiosas tambm vo discordar, pois com base em sua f elas ajustaro subjetivamente a probabilidade a priori para nveis bem maiores que os imaginados por algum no-religioso. Em 2005 o peridico Public Library of Sciences (PLoS) Medicine publicou um artigo do epidemiologista grego John Ioannidis, intitulado Por que a maioria dos resultados cientficos publicados so falsos (http://medicine.plosjournals.org/perlserv/? request=get-document&doi=10.1371/journal. pmed.0020124), que causou sensao no meio mdico. Um dos argumentos do artigo de certa forma anlogo ao dos milagres citado acima. Vejamos: prtica rotineira, embora mal justificada, usar em testes estatsticos de estudos cientficos um nvel de significncia (limite para a chance de os resultados obtidos terem ocorrido ao acaso) de 5%.

(0,25 + 0,0375 = 0,2875) 0,0375/0,2875 = 0,13

Prob. a posteriori 0,25/0,2875 = 0,87

Esse nico resultado j permite comear a tranqilizar o Sinfrnio. No entanto, para que a certeza final seja alta preciso estudar mais locos. Os bons laboratrios rotineiramente examinam ao menos 12 regies genticas em cada determinao de paternidade. Assim, a tabela ter 12 probabilidades condicionais (uma para cada loco) e, desde que os locos usados sejam independentes, todas elas podem ser usadas no clculo da probabilidade a posteriori. No fim, a evidncia laboratorial ser to forte que a probabilidade a priori no afetar o resultado de maneira relevante. Essa facilidade de calcular probabilidades bayesianas parece indicar que no h qualquer segredo na anlise de casos de paternidade. H casos, no entanto, bem mais complexos. Um exemplo a determinao da paternidade aps a morte do
26 CINCIA HOJE vol. 38 n 22 8

F I L O S O F I A D A C I N C I A

Mas em geral no levada em conta a probabilidade a priori de o achado ser verdadeiro. Muitas vezes essa probabilidade inicial to pequena que um nvel de significncia de 5% no nem de longe suficiente para a sua reverso. Imaginemos, em um exerccio mental, a hiptese fantasiosa de que a vitamina C constitui uma cura para o cncer. Para testar isso, estudamos um grupo de 200 indivduos com cncer, distribudos aleatoriamente em dois grupos de 100. Um grupo tratado por trs meses com vitamina C, de modo duplo-cego (paciente e pesquisador no sabem se o que dado ao primeiro contm mesmo a vitamina, o que controlado parte). O outro grupo tratado com um placebo (substncia sem qualquer efeito). Ao final, descobre-se que o cncer no progrediu em 65 dos pacientes que de fato tomaram a vitamina C, e que o mesmo aconteceu a 50 dos que no tomaram a vitamina. Um teste estatstico confirma que essa diferena significativa ao nvel de 5% (porque a chance de que seja fruto do acaso menor que 5%). Com base nisso, possvel escrever um artigo cientfico defendendo a hiptese de que a vitamina C tem ao contra o cncer.

Esse procedimento est correto? Obviamente, no. O problema, nesse caso, que no foi levado em conta o consenso, existente na literatura mdica e baseado em inmeros experimentos semelhantes, de que a vitamina C no cura o cncer. Assim, a probabilidade a priori de que um estudo isolado revele uma verdade oculta e revire os cnones da medicina infinitesimalmente pequena. A no ser que a evidncia experimental seja fabulosamente forte, melhor ficar calado.

Toda uma viso de mundo


Em princpio podemos dizer que o bayesianismo tem dois importantes alicerces epistemolgicos. O primeiro a viso do universo com base em graus de crena ou credibilidades, em vez do tudo-ounada. O segundo uma regra matemtica que explicita como voc deve mudar suas crenas luz de novos dados empricos. A partir desses dois pilares podemos deduzir uma srie de implicaes filosficas do bayesianismo. No temos espa-

Figura 2. Rede bayesiana para anlise de caso de determinao de paternidade em que o possvel pai falecido e seu perfil gentico reconstitudo atravs da tipagem gentica de uma irm, um irmo e uma filha. Nesses casos, a rede bayesiana permite obter resultados de altssima confiabilidade sem risco de erros lgicos (os retngulos em torno dos ns da rede foram colocados apenas para fins de clareza)
julho de 2006 CINCIA HOJE 27

F I L O S O F I A D A C I N C I A

O TEOREMA DE BAYES
Para chegar ao teorema de Bayes, partimos de princpios bsicos. Assim, a probabilidade de que observemos simultaneamente um evento A e um evento B dada por: P(A B) = P(A/B) . P(B) (1) Por outro lado, a probabilidade de que observemos simultaneamente um evento A e um evento B tambm pode ser dada por: P(B A) = P(A B) = P(B/A) . P(A) Combinando (1) e (2), temos: P(A/B) . P(B) = P(B/A) . P(A) Rearranjando, chegamos ao teorema de Bayes: P(A/B) = P(B/A) . P(A) P(B) Como geralmente no conhecemos P(B), precisamos usar uma formulao alternativa, que baseada em: P(B) = P(B A) + P(B Ac)
c

(2) 3) (4)

(5)

Onde A o evento complementar de A, tambm chamado de noA. Usando nosso conhecimento bsico (equao 1 acima) e substituindo, obtemos: P(B) = [P(B/A) . P(A)] + [P(B/Ac) . P(Ac)] Substituindo 6 em 4 obtemos a formulao alternativa: Probabilidades a priori P(A/B) = P(B/A) . P(A) [P(B/A) . P(A)] + Probabilidade a posteriori [P(B/Ac) . P(Ac)] . (6)

Probabilidades condicionais

o aqui para discutir em detalhe cada um desses tpicos, mas vale mencion-los por alto, lembrando sempre que estamos apenas arranhando a superfcie. 1. Em primeiro lugar, o processo de internalizao da experincia emprica e conseqente modificao dos nossos graus de crena tem sido comparado experincia do aprendizado. H, inclusive, uma teoria de aprendizado em inteligncia artificial denominada aprendizado bayesiano. Inmeros programas (softwares) inteligentes baseiam-se em princpios bayesianos. Um exemplo mais corriqueiro est nos programas que filtram mensagens indesejadas em nossos correios eletrnicos. 2. Uma segunda implicao refere-se existncia de uma revoluo bayesiana em curso. Ela se fundamenta no s no fato de que mais e mais cientistas esto usando o mtodo bayesiano, mas no entendimento de que o prprio mtodo cientfico tem lgica e estrutura bayesianas. O processo de elaborar hipteses, test-las experimentalmente e reajustar as crenas iniciais com base na evidncia emprica obtida essencialmente bayesiano. Esse modelo mais poderoso que, por exemplo, o falsificacionismo do cientista social e filsofo austraco Karl Popper (19021994), porque no baseado em tudo-ou-nada. Na realidade da prtica cientfica, nenhum resultado de experimento, por mais contundente que seja, capaz de falsificar uma hiptese, mas apenas de aumentar ou diminuir sua credibilidade. Em outras palavras, um resultado experimental deve ser visto como algo que modifica seu grau de crena em uma hiptese e no como uma maneira de chegar a uma verdade absoluta. 3. O filsofo grego Aristteles (384-322 a.C.) construiu um edifcio lgico que lastreou a racio-

28 CINCIA HOJE vol. 38 n 22 8

F I L O S O F I A D A C I N C I A

nalidade humana por mais de 2 mil anos. Sua lgica, entretanto, toda baseada na idia de que uma proposio falsa ou verdadeira nenhuma outra alternativa aceitvel. Na vida real, porm, raramente encontramos situaes em que podemos afirmar que esta ou aquela alternativa so verdades ou falsidades absolutas. Na dcada de 1920, o economista ingls John Maynard Keynes (1883-1946) mostrou ser possvel construir uma lgica contnua. Tomando-se uma afirmativa B, podemos estipular um nmero entre 0 e 1 que represente o quanto acreditamos nela ser a credibilidade de B. O valor 0 significa que a afirmativa falsa e o valor 1 que verdadeira, mas h infinitos valores de credibilidade entre 0 e 1. Essa credibilidade de Keynes equivale probabilidade subjetiva de Bayes. Da para o bayesianismo um pequeno salto, pois certamente fatos posteriores relevantes alteraro o valor-verdade (a credibilidade) de B. Assim, Bayes nos leva a uma generalizao da lgica aristoteliana, ponto discutido com especial cuidado no j citado artigo de Mike Alder. 4. Em suma, o bayesianismo nos fornece toda uma viso de mundo. Como podemos ver na pgina anterior, o teorema de Bayes liga a inferncia racional (a probabilidade a posteriori), no lado esquerdo da equao, subjetividade (probabilidade a priori) e experincia emprica (probabilidades condicionais), ambas no lado direito. Como escrito poeticamente por Eliezer Yudkowski, o teorema de Bayes liga a razo humana ao universo fsico. Considerando que Bayes tem importncia to grande em tantas reas, seria de esperar que fosse um super-heri entre os estatsticos. Aparentemente, isso no ocorre, pelo menos para a maioria. Atualmente, a filosofia dominante nessa rea a chamada interpretao freqentista. Bayesianos e freqentistas usam mtodos e linguagens diferentes. Como j vimos, na estatstica bayesiana a probabilidade mede um grau de crena (uma credibilidade) e isso permite que falemos em probabilidade de hipteses e parmetros, o que no possvel no paradigma freqentista. Como em festa de jacu, inhambu no entra, este artigo fica fora dessa controvrsia.

Sugestes para leitura


An intuitive explanation of bayesian reasoning (Yudkowsky, 2003, em http:// yudkowsky.net/ bayes/bayes.html ) e Non-aristotelian logic in practice, or how to be much cleverer than all your friends (so they really hate you) (Alder, 2005, em http://www. maths.uwa.edu.au/ ~mike/NonAristotelian Logic in Practice.pdf). Why clinicians are natural bayesians (Gill, Sabin & Schmid, 2005, em http:// bmj.bmjjournals.com/ cgi/content/full/ 330/7499/1080). The bayesian revolution in genetics (Baumont & Rannala Nature Reviews Genetics , v. 5, p. 251, 2004) e Bayesian analysis and risk assessment in genetic counseling and testing (Ogino & Wilson, 2004, em http:// jmd.amjpathol. org/cgi/content/ full/6/1/1 ). Assessing probability of paternity and the product rule in DNA systems (Gjertson & Morris, Geneticas, v. 96, p. 89, 1995).

Curiosidade aguada
ILUSTRAO ALVIM

As limitaes de espao fizeram com que essa introduo ao bayesianismo fosse breve e superficial. Entretanto, espero que ela possa aguar a

curiosidade dos leitores e estimul-los a aprofundar seus estudos sobre Bayes, que podem ser iniciados na internet ou em outras fontes. Um ltimo ponto: no primeiro pargrafo foi dito que a expresso Bayes rules!, aqui traduzida como Bayes o cara!, continha um trocadilho em ingls. Qual ? Bem, um sinnimo bastante utilizado para o teorema de Bayes (Bayes theorem) a expresso Bayes rule (regra de Bayes) da vem o trocadilho com a gria rules.

julho de 2006 CINCIA HOJE 29