Estatística · CESPE / CEBRASPE · 2024 | Questão sqc-ce172749

Teorema de Bayes e a influência de eventos passados

Gabarito: letra E — ERRADO. A afirmativa está incorreta porque o Teorema de Bayes, que fundamenta as redes bayesianas, estabelece exatamente o contrário: ele permite atualizar a probabilidade de um evento futuro com base em informações/eventos passados (evidências). A frase inverte o sentido do teorema, que é a ferramenta central para incorporar conhecimento prévio na estimativa de probabilidades.

O Teorema de Bayes é um dos pilares da teoria da probabilidade e da inferência estatística. Ele fornece uma regra matemática para revisar uma probabilidade inicial (probabilidade a priori) quando se obtém nova informação (evidência), resultando em uma probabilidade revisada (probabilidade a posteriori). Em termos simples, ele responde à pergunta: "dado que observamos um evento B, qual é a probabilidade de que o evento A tenha ocorrido?".

A fórmula clássica é:

P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}

onde:

$P(A|B)$ é a probabilidade a posteriori de A dado B;
$P(B|A)$ é a verossimilhança (probabilidade de B dado A);
$P(A)$ é a probabilidade a priori de A;
$P(B)$ é a probabilidade marginal de B.

Essa estrutura mostra que a probabilidade de um evento é atualizada quando se conhece a ocorrência de outro evento correlacionado. Ou seja, eventos passados (evidências) influenciam a probabilidade de eventos futuros (ou de hipóteses), desde que haja correlação/dependência entre eles. É exatamente essa capacidade de atualização que torna as redes bayesianas tão poderosas: elas modelam dependências condicionais entre variáveis e permitem propagar evidências pela rede, atualizando as probabilidades de todos os nós relacionados.

A confusão que a banca explora é tratar o Teorema de Bayes como se ele afirmasse independência entre eventos. Na verdade, o teorema é a ferramenta para quantificar a dependência — ele só é necessário quando os eventos não são independentes. Se dois eventos são independentes, $P(A|B) = P(A)$ , e o teorema se reduz a uma identidade trivial, sem utilidade prática. Portanto, a afirmativa está duplamente errada: (1) inverte o papel do teorema e (2) contradiz a própria definição de probabilidade condicional.

Caso	Afirmação do item	Teorema de Bayes (realidade)	Resultado
1	Eventos passados não influenciam eventos futuros correlacionados	Eventos passados (evidências) influenciam eventos futuros via P(A\|B)	Contradição
2	Redes bayesianas ignoram dependências passadas	Redes bayesianas modelam dependências condicionais e propagam evidências	Contradição
3	Bayes trata eventos como independentes	Bayes quantifica dependência; só é trivial se P(A\|B) = P(A)	Contradição

NÃO CAIA NESSA!

A banca troca o papel do Teorema de Bayes: em vez de "atualizar probabilidades com base em evidências", ela afirma que "eventos passados não influenciam". O candidato que decora a fórmula sem entender o conceito pode cair na armadilha. Lembre-se: Bayes é a ferramenta da dependência — ele existe justamente para quando o passado importa.

✅ ERRADO. A afirmativa é falsa: o Teorema de Bayes incorpora a influência de eventos passados (evidências) na probabilidade de eventos futuros, sendo a base das redes bayesianas que modelam exatamente essas dependências.

Questão de Estatística — Inferência estatística — CESPE / CEBRASPE 2024

Teorema de Bayes e a influência de eventos passados