Pensamento bayesiano para previsores

O pensamento bayesiano é uma forma disciplinada de mudar de ideias: parte-se de uma crença a priori, pesa-se o quanto uma nova prova nela se encaixa e chega-se a uma crença atualizada chamada a posteriori. O teorema de Bayes é apenas a aritmética que lhe diz exatamente quanto se deslocar.

A maioria de nós atualiza-se mal. Ou nos agarramos a uma primeira impressão ou saltamos para o último título que surgiu. O raciocínio bayesiano é o meio-termo: cada prova empurra a sua estimativa numa quantidade que depende do quão surpreendente seria se estivesse errado. Adquira o hábito e as suas previsões tornam-se mais estáveis, mais bem calibradas e muito mais difíceis de enganar.

As três palavras de que realmente precisa

O teorema de Bayes tem fama de intimidar, mas toda a ideia cabe em três termos simples.

• A priori: aquilo em que acreditava antes de a nova prova chegar. Muitas vezes é uma taxa de base, a frequência de fundo do evento.
• Verosimilhança: o quão expectável seria a prova em cada mundo, aquele em que a sua hipótese é verdadeira e aquele em que é falsa.
• A posteriori: a sua crença revista depois de combinar o a priori com a verosimilhança. Torna-se o a priori da prova seguinte.

O mecanismo é simples de enunciar: uma prova muito mais provável quando a sua hipótese é verdadeira do que quando é falsa deve elevar fortemente a sua crença; uma prova mais ou menos igualmente provável em ambos os casos quase nada lhe diz e mal o deve mover. A maioria dos erros de raciocínio vem de ignorar um dos lados dessa comparação.

A regra tem o nome de Thomas Bayes, um pastor do século XVIII cujo ensaio sobre a «doutrina das probabilidades» foi publicado em 1763, dois anos após a sua morte. A matemática não mudou desde então; o que mudou foi a frequência com que é usada para raciocinar sobre o futuro.

O a priori costuma ser uma taxa de base

O erro mais comum é partir do a priori errado, ou esquecer-se de fixar um. Antes de olhar para os pormenores de um caso, pergunte-se com que frequência este tipo de coisa acontece em geral. Essa frequência de fundo é o seu a priori, e ancora tudo o que se segue.

Os psicólogos chamam a esta falha «negligência da taxa de base». Daniel Kahneman documentou com que facilidade as pessoas abandonam as taxas de base assim que ouvem uma história vívida e concreta, mesmo quando essa história é muito menos informativa do que as simples estatísticas.

Escolher a classe de referência certa para essa taxa de base é uma competência por si só. Veja as taxas de base e a previsão por classe de referência para saber como escolher o grupo a que o seu caso pertence.

Um exemplo resolvido, com números reais

Nada faz Bayes encaixar mais depressa do que um cálculo concreto. Aqui fica o clássico caso do teste médico, que faz tropeçar até profissionais treinados.

Suponha que uma condição afeta 1 em cada 100 pessoas. Um teste deteta-a em 99 % dos casos reais, mas também assinala por engano 5 % das pessoas saudáveis. O seu teste dá positivo. Qual é a probabilidade de ter mesmo a condição? A maioria estima cerca de 95 %. A resposta real é de cerca de 17 %, e Bayes mostra porquê.

1. Parta do a priori. Na população geral, 1 em cada 100 pessoas tem a condição, por isso antes de qualquer teste o seu a priori é de 1 %.
2. Anote as verosimilhanças. O teste assinala 99 % de quem a tem e 5 % de quem não a tem.
3. Imagine 10 000 pessoas. Cerca de 100 têm a condição, e o teste assinala corretamente 99 delas.
4. Olhe para as 9 900 pessoas saudáveis. O teste assinala por engano 5 % delas, ou seja, 495 falsos positivos.
5. Conte todos os resultados positivos: 99 verdadeiros positivos mais 495 falsos positivos dão 594 pessoas com teste positivo.
6. Leia o a posteriori. Dessas 594, apenas 99 têm mesmo a condição, por isso a sua probabilidade atualizada é 99 / 594, cerca de 17 %.

O resultado parece errado porque o facto marcante, um teste positivo, ofusca o discreto, a baixa taxa de base. Mas há simplesmente muito mais pessoas saudáveis para gerar falsos alarmes do que doentes para gerar verdadeiros. Um único positivo levou-o de 1 % para 17 %, uma grande atualização, mas não até à quase certeza. Um segundo teste positivo independente voltaria a movê-lo, desta vez a partir de 17 % para cima. É a atualização bayesiana em ação: cada novo resultado remodela o anterior.

Os bons previsores atualizam-se em pequenos passos

Os melhores previsores tratam a sua probabilidade como um mostrador, não como um interruptor. Quando chega um novo dado, fazem uma única pergunta: quão mais provável é isto se a minha visão estiver certa do que se estiver errada? Depois ajustam, não saltam.

• Partem de uma taxa de base em vez do primeiro pormenor marcante.
• Movem-se pouco perante prova fraca e muito perante prova forte, na proporção do seu poder de diagnóstico.
• Evitam as duas falhas: ancorar-se com tanta força que a prova nunca conta, e reagir em excesso a ponto de cada título virar a sua visão.
• Continuam a atualizar-se, porque uma previsão é uma estimativa em curso, não um veredicto único.

Este hábito incremental é um dos traços que separam os previsores de elite da multidão. Veja os superprevisores explicados para o conjunto mais amplo de competências que o acompanha.

Porque é que isto importa para prever a atualidade

As perguntas do mundo real raramente vêm com números arrumados, mas a disciplina transpõe-se diretamente. Sai uma sondagem, uma empresa falha os resultados, circula um rumor: cada um é uma prova, e Bayes diz-lhe para a pesar contra uma taxa de base em vez de a tratar como toda a história. Um incumbente à frente por três pontos numa sondagem não deve apagar o que dezenas de sondagens anteriores e décadas de taxas de base eleitorais já lhe disseram.

O hábito também o protege de ser manipulado. A prova sensacionalista é concebida para parecer diagnóstica, mas faça a pergunta bayesiana, qual a probabilidade disto se a afirmação for falsa, e muitas «bombas» encolhem para ruído. Ao longo de muitas previsões, deslocar-se na quantidade certa em vez da quantidade dramática é o que produz um historial calibrado.

A calibração é como verifica, ao longo do tempo, se as suas atualizações têm o tamanho certo. Veja a calibração de previsões explicada para ver como é um historial bem afinado.

Pratique com perguntas reais

A atualização bayesiana é um músculo, e a única forma de o desenvolver é fazer apostas probabilísticas e vê-las resolver-se. Preveja, observe o resultado e repare se se moveu demasiado ou de menos.

A Clutch permite-lhe prever notícias e desporto reais com créditos dentro da aplicação e faz a contagem, para que sinta os seus a priori a chocar com a realidade e veja a sua calibração a melhorar. Obtenha a aplicação e comece a atualizar-se como um bayesiano.