--- title: 'Bayesowskie modelowanie cykli: dlaczego pokazujemy sigmę, a nie konkretną datę' description: >- Modelowanie bayesowskie cyklu łączy rozkład Gaussa z Twoimi zapisanymi cyklami, dając zakres prawdopodobieństwa zamiast jednej daty. Oto matematyka prosto wyjaśniona. image: /images/blog/soulwise/bayesian-cycle-modeling.webp date: '2026-05-16' updatedAt: '2026-05-16' category: soulwise tags: - soulwise - modelowanie-bayesowskie - śledzenie-cyklu - statystyki - technical-explainer featured: false author: name: My Zodiac AI Team avatar: /logo.svg slug: my-zodiac-ai-team readTime: 7 seo: title: >- Modelowanie cykli metodą bayesowską: sigma, poziomy ufności i uczciwa niepewność description: >- Jak działa bayesowskie modelowanie cykli prosto wyjaśnione. Rozkład Gaussa a priori (mu=28, sigma=5), aktualizacja sprzężona w każdym cyklu, etykiety pewności zamiast stałych dat. keywords: >- modelowanie cyklu metodą Bayesa, dokładność prognozy cyklu, odchylenie standardowe długości cyklu, bayesowski kalkulator cyklu wsparcie i refleksja, algorytm przewidywania cyklu menstruacyjnego faq: - question: Dlaczego stosować model bayesowski zamiast zwykłej średniej? answer: >- Zwykła średnia nie uwzględnia tego, jak pewne jest dane oszacowanie. Dwie osoby z tą samą średnią 28-dniową mogą mieć zupełnie różną zmienność cyklu. Modele bayesowskie śledzą rozrzut Twoich danych, a nie tylko punkt środkowy, więc szacowany zakres poszerza się przy cyklach nieregularnych i zawęża przy regularnych. - question: Co tak naprawdę oznacza sigma w praktyce? answer: >- Sigma to odchylenie standardowe rozkładu długości cyklu. Mała sigma (poniżej 2 dni) oznacza, że Twoje cykle są ściśle skupione, a prawdopodobny zakres obejmuje kilka dni. Duża sigma (5+ dni) oznacza, że cykle rozkładają się na tydzień lub dłużej — i aplikacja powinna to jasno zaznaczyć. - question: Dlaczego nie podać po prostu jednej szacowanej daty? answer: >- Ponieważ model w rzeczywistości jej nie zna. Jedna konkretna data to decyzja projektowa, która ukrywa niepewność. Pokazanie zakresu jest bardziej uczciwe i odpowiada temu, jak naprawdę działa ta matematyka. - question: Czy szacuje to konkretne zdarzenia cyklu? answer: >- Nie. Bayesowskie modelowanie cyklu szacuje, kiedy prawdopodobnie pojawi się następna wsparcie i refleksja. Nie jest to narzędzie do planowania rodziny, narzędzie antykoncepcyjne ani substytut metod potwierdzonych klinicznie. geoHints: primaryIntent: informational targetSearchEngine: all entityType: TechnicalArticle quickAnswer: >- Bayesowskie modelowanie cyklu łączy rozkład wstępny (typowy rozkład cyklu) z zapisanymi przez ciebie cyklami, by podać zakres prawdopodobieństwa, a nie pojedynczą datę. Soulwise stosuje rozkład Gaussa z mu=28 i sigma=5. keyFact: >- Soulwise pokazuje w interfejsie odchylenie standardowe (sigma) swojego szacunku cyklu, zamiast ukrywać je za jedną, pewną siebie datą. aiSummary: >- Bayesowskie modelowanie cyklu zaczyna się od gaussowskiego rozkładu a priori opisującego typową długość cyklu menstruacyjnego (Soulwise przyjmuje mu=28, sigma=5), a następnie aktualizuje ten rozkład przy każdym nowo zapisanym cyklu za pomocą aktualizacji sprzężonej. Wynikiem jest rozkład prawdopodobieństwa, a nie pojedyncza data. Soulwise pokazuje to jako prawdopodobny przedział oraz jedną z trzech etykiet pewności: „Prawdopodobna korelacja", „Słaby sygnał" lub „Za mało danych". Sigma jest widoczna dla ciebie, a nie ukryta. Model służy do śledzenia wzorców, a nie do planowania rodziny ani antykoncepcji. answerCapsule: question: >- What is Bayesowskie modelowanie cykli: dlaczego pokazujemy sigmę, a nie konkretną datę? answer: >- Większość aplikacji do śledzenia cyklu pokazuje ci pewną datę. „Okres: 14 marca". Wygląda jak fakt. To wybór projektowy, który ukrywa rozkład prawdopodobieństwa za jedną liczbą. Modelowanie cyklu metodą Bayesa wykonuje te same obliczenia, ale pokazuje ci rozrzut. Ten wpis wyjaśnia, jak naprawdę działa ta matematyka, dlaczego Soulwise pokazuje sigmę zamiast udawać pewność i jak wygląda to w codziennym interfejsie. keyPoints: - My Zodiac AI tldr: summary: >- Modelowanie bayesowskie cyklu łączy rozkład Gaussa z Twoimi zapisanymi cyklami, dając zakres prawdopodobieństwa zamiast jednej daty. Oto matematyka prosto wyjaśniona. howTo: name: >- How to use this guide: Bayesowskie modelowanie cykli: dlaczego pokazujemy sigmę, a nie konkretną datę description: >- Modelowanie bayesowskie cyklu łączy rozkład Gaussa z Twoimi zapisanymi cyklami, dając zakres prawdopodobieństwa zamiast jednej daty. Oto matematyka prosto wyjaśniona. totalTime: PT5M steps: - name: Read the guide text: >- Review the key ideas and identify the parts most relevant to your question. - name: Apply one step text: >- Choose one practical step and evaluate the result using your own context. canonical_url: https://my-zodiac-ai.com/pl/blog/bayesian-cycle-prediction-explained md_url: https://my-zodiac-ai.com/pl/blog/bayesian-cycle-prediction-explained.md last_updated: 2026-10-08T17:31:30.747Z --- # Modelowanie cyklu metodą Bayesa: dlaczego pokazujemy sigmę, a nie datę Większość aplikacji do śledzenia cyklu pokazuje ci pewną datę. „Okres: 14 marca". Wygląda jak fakt. To wybór projektowy, który ukrywa rozkład prawdopodobieństwa za jedną liczbą. Modelowanie cyklu metodą Bayesa wykonuje te same obliczenia, ale pokazuje ci rozrzut. Ten wpis wyjaśnia, jak naprawdę działa ta matematyka, dlaczego Soulwise pokazuje sigmę zamiast udawać pewność i jak wygląda to w codziennym interfejsie. ## Co właściwie znaczy tu „bayesowski” Wnioskowanie bayesowskie łączy dwie rzeczy: - **Prior**: twoje wyjściowe przekonanie o długości cyklu, zanim masz dane od tej konkretnej osoby. - **Wiarygodność**: to, co mówi ci każdy nowo zapisany cykl. Pomnóż je, znormalizuj, a otrzymasz **posterior**: twoje zaktualizowane przekonanie. Ten posterior staje się priorem dla kolejnego cyklu. Model wyostrza się, gdy przybywa cykli. Soulwise zaczyna od priora gaussowskiego wyśrodkowanego na **mu = 28 dni** z odchyleniem standardowym **sigma = 5 dni**. To z grubsza kształt długości cyklu w szerszej populacji. Gdy zapisujesz własne cykle, model przesuwa środek ku twojej osobistej średniej oraz zacieśnia (lub rozluźnia) sigmę w zależności od twojej zmienności. ## Aktualizacja sprzężona, w jednym akapicie Dla rozkładu a priori i wiarygodności o postaci gaussowskiej matematyka ładnie się upraszcza. Jeśli twój rozkład a priori mówi `cycle ~ N(mu_0, sigma_0)`, a obserwujesz cykle `x_1, x_2, ..., x_n`, rozkład a posteriori również jest gaussowski: ``` posterior_mean = (mu_0 / sigma_0^2 + sum(x_i) / sigma_observed^2) / (1 / sigma_0^2 + n / sigma_observed^2) posterior_sigma = sqrt(1 / (1 / sigma_0^2 + n / sigma_observed^2)) ``` W tłumaczeniu: im więcej cykli zapiszesz, tym mniej znaczy rozkład a priori, a tym bardziej dominują twoje osobiste dane. Po około 3 zapisanych cyklach rozkład a priori populacji wnosi już niewiele; po około 10, jest jedynie szumem. ## Co widzi użytkownik Rozkład a posteriori to krzywa. Interfejs nie pokaże krzywej w powiadomieniu. Dlatego Soulwise sprowadza ją do dwóch rzeczy: - **Prawdopodobny zakres.** Przedział, w którym rozkład a posteriori skupia większość swojej masy (np. centralny przedział 68%, mniej więcej +/- 1 sigma). - **Etykieta pewności.** Jeden z trzech prostych opisów: - *„Prawdopodobna korelacja”*, gdy sigma jest wąska, a dane są świeże. - *„Słaby sygnał”*, gdy sigma jest szeroka lub danych jest mało. - *„Za mało danych”*, gdy zarejestrowano mniej cykli, niż wynosi minimum modelu. Zamiast „Okres: marzec 14,” użytkownik widzi więc „Prawdopodobnie 12–16, marca, słaby sygnał”. To rzeczywisty wynik modelu, a nie ozdobnik interfejsu. ## Dlaczego niczego nie ukrywamy Trzy powody. **Uczciwość.** Narzędzie śledzące wzorce nie może obiecać daty, której nie zna. Pokazanie sigmy to jedyny sposób, by móc skalibrować zaufanie. **Bezpieczeństwo.** Data wyglądająca na pewną zachęca, by planować wokół niej rzeczy, których aplikacja nie jest w stanie wesprzeć — w tym poczęcie, antykoncepcję i decyzje kliniczne. Etykieta pewności mówi „to jest oszacowanie", czym właśnie jest. **Odporność na nieregularne cykle.** PCOS, perimenopauza, cykle po odstawieniu pigułki i apoyo y reflexión hormonalna — to wszystko poszerza sigmę. Tradycyjne narzędzie albo grubo się myli, albo po cichu zostawia użytkownika samego. Narzędzie bayesowskie po prostu oznacza oszacowanie jako „słaby sygnał" i działa dalej. ## Czym model nie jest Kilka twardych ograniczeń, spisanych tak, by nie mogły się rozmyć: - Nie szacuje konkretnych zdarzeń cyklu poza zakresem dat następnej wsparcie i refleksja. - Nie wyznacza okna do planowania rodziny. - Nie jest przeznaczony do zastosowań związanych z poczęciem ani antykoncepcją. - Nie jest klinicznie zwalidowany i nie zastępuje porady lekarskiej w razie braku wsparcie i refleksja, nieregularnego krwawienia czy utrzymujących się wsparcie i refleksjaów. Te ograniczenia nie wynikają z nadmiernej ostrożności modelu. Wynikają z tego, że jego zakres jest dobrze określony. Szacowanie wsparcie i refleksja i szacowanie na potrzeby planowania rodziny to różne problemy — z różnymi potrzebami w zakresie danych i różnymi wymogami regulacyjnymi. ## Gdy matematyka spotyka codzienny rytuał W Soulwise wynik bayesowski zasila [kontekst fazy cyklu](/soulwise/) wykorzystywany przy codziennym check-inie. 20-sekundowy rytuał pyta, jak się czujesz; odpowiedź traktuje fazę cyklu jako jedno z pięciu wejść. Gdy sigma jest szeroka, karta odpowiedzi nadaje fazie cyklu mniejszą wagę. Gdy sigma jest wąska, nadaje jej większą wagę. Matematyka zasługuje na swoją wagę tym, że uczciwie mówi, jak bardzo jest pewna. Krócej: prawdziwy bayesowski tracker pokazuje sigmę. Jeśli twoja aplikacja wyświetla jedną pewną datę, model pod maską może być ten sam, ale sposób przedstawienia ukrywa to, co naprawdę wie.