QwenSite - 🧬 RemixEste método torna os números concretos e ajuda a explicar a probabilidade inversa, especialmente com eventos raros, demonstrando como um resultado positivo em um teste (o "efeito") não garante alta probabilidade da condição (a "causa") se os falsos positivos forem relevantes. Semelhante aos exemplos de apresentação de dados médicos [T8](1), a forma como o número é apresentado muda a percepção.
População Total: 10.000 pessoas
Têm a Doença
(Prob. a Priori: 1/1000)
= 10 pessoas
Não Têm a Doença
(Prob. a Priori: 999/1000)
= 9.990 pessoas
Doença Presente (10 pessoas):
Teste Positivo (VP): 9 (90%)
Teste Negativo (FN): 1 (10%)
Doença Ausente (9.990 pessoas):
Teste Positivo (FP): ~500 (~5%)
Teste Negativo (VN): ~9.490 (~95%)
Resultado: Pessoas com Teste Positivo
Total Testes Positivos = VP + FP
= 9 + ~500 = ~509 pessoas
~ 1.77%
Probabilidade de ter a doença dado um teste positivo.
Este método é excelente para explicar a probabilidade inversa [T18](2) [T19](3), tornando os números concretos e demonstrando como um resultado positivo em um teste raro (o "efeito") não garante alta probabilidade da condição (a "causa") se os falsos positivos forem relevantes [AI KNOWLEDGE]({}). É semelhante ao exemplo de apresentação de dados médicos [T8](1) onde a forma como o número é apresentado muda a percepção.
Ao ilustrar visualmente como a raridade de uma condição e a taxa de falsos positivos influenciam o resultado, o diagrama desafia intuições comuns sobre o acaso [T16](4) e a maneira como nosso cérebro tende a tecer histórias a partir de coincidências, mesmo quando elas são estatisticamente esperadas [T9](5).