Modelagem Bayesiana de Ciclos: Por Que Mostramos o Sigma, e Não uma Data

Modelagem Bayesiana de Ciclos Explicada: Por Que Mostramos Sigma, e Não uma Data

A maioria dos apps de ciclo mostra uma data com toda a confiança. "Período: 14 de março." Parece um fato. Mas é uma escolha de UX que esconde uma distribuição de probabilidade por trás de um único número. A modelagem bayesiana de ciclos faz a mesma matemática, mas mostra a variação para você.

Este post explica como a matemática funciona de verdade, por que o Soulwise revela o sigma em vez de fingir certeza, e como isso aparece na interface do dia a dia.

O que vale lembrar

• A modelagem bayesiana de ciclos começa com uma distribuição normal (gaussiana) que descreve a duração típica do ciclo cycle-related (o Soulwise usa mu=28, sigma=5) e atualiza essa distribuição a cada novo ciclo registrado por meio de uma atualização conjugada.
• O resultado é uma distribuição de probabilidade, e não uma data única.
• O Soulwise mostra isso como uma faixa provável acompanhada de um de três rótulos de confiança: "Correlação provável", "Sinal fraco" ou "Dados insuficientes". O sigma é exibido para você, não fica escondido.
• O modelo serve para acompanhar padrões, não para planejamento familiar ou contracepção.

O que "bayesiano" realmente significa aqui

A inferência bayesiana combina duas coisas:

• Uma probabilidade a priori: sua crença inicial sobre a duração do ciclo antes de você ter dados desta usuária específica.
• Uma verossimilhança: o que cada novo ciclo registrado revela.

Multiplique as duas, normalize e você obtém uma probabilidade a posteriori: sua crença atualizada. Essa probabilidade a posteriori se torna a probabilidade a priori do próximo ciclo. O modelo fica mais preciso conforme mais ciclos chegam.

O Soulwise começa com uma probabilidade a priori gaussiana centrada em mu = 28 dias com um desvio padrão de sigma = 5 dias. Esse é o formato aproximado da duração do ciclo na população em geral. Conforme seus próprios ciclos vão sendo registrados, o modelo desloca o centro em direção à sua média pessoal e aperta (ou afrouxa) o sigma com base na sua variabilidade.

A atualização conjugada, em um parágrafo

Para uma priori Gaussiana e uma verossimilhança Gaussiana, a matemática se simplifica lindamente. Se sua priori diz cycle ~ N(mu_0, sigma_0) e você observa ciclos x_1, x_2, ..., x_n, a posteriori também é Gaussiana:

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))

Traduzindo: quanto mais ciclos você registra, menos a priori importa e mais os seus dados pessoais dominam. Depois de uns 3 ciclos registrados, a priori populacional contribui pouco; depois de uns 10,, ela vira ruído.

O que a pessoa vê

A posterior é uma curva. A interface não consegue mostrar uma curva em uma notificação. Então o Soulwise comprime tudo em duas coisas:

• Um intervalo provável. A faixa onde a posterior concentra a maior parte da sua massa (por exemplo, o intervalo central de 68%, mais ou menos +/- 1 sigma).
• Um rótulo de confiança. Uma de três etiquetas bem diretas:
  • "Correlação provável" quando o sigma é estreito e os dados são recentes.
  • "Sinal fraco" quando o sigma é amplo ou os dados são escassos.
  • "Dados insuficientes" quando há menos ciclos registrados do que o mínimo exigido pelo modelo.

Então, em vez de "Menstruação: 14, de março", você vê "Provável 12–16, de março, sinal fraco." Essa é a saída real do modelo, não um enfeite de UX.

Por que não esconder nada

Três motivos.

Honestidade. Um rastreador de padrões não pode prometer uma data que desconhece. Mostrar o sigma é a única forma de o usuário calibrar a confiança.

Segurança. Uma data que parece certeira incentiva as pessoas a se organizarem em torno dela para coisas que o app não pode embasar, incluindo concepção, contracepção e decisões clínicas. Um rótulo de confiança diz "isto é uma estimativa", que é exatamente o que é.

Robustez para ciclos irregulares. SOP, perimenopausa, ciclos pós-pílula e apoyo y reflexión hormonal todos ampliam o sigma. Um rastreador tradicional ou erra feio ou simplesmente abandona o usuário. Um rastreador bayesiano apenas rotula a estimativa como "sinal fraco" e continua funcionando.

O que o modelo não é

Alguns limites bem definidos, registrados aqui para que não se percam:

• Ele não estima eventos específicos do ciclo além do intervalo de datas da próxima menstruação.
• Ele não fornece uma janela de planejamento familiar.
• Ele não foi projetado para casos de uso de concepção ou contracepção.
• Ele não é clinicamente validado e não substitui orientação apoyo y reflexión para atrasos menstruais, sangramento irregular ou supporto e riflessione persistentes.

Esses limites não significam que o modelo seja conservador. Significam que ele tem o escopo correto. Estimar a menstruação e estimar o planejamento familiar são problemas diferentes, com necessidades de dados diferentes e exigências regulatórias diferentes.

Onde a matemática encontra o ritual diário

No Soulwise, o resultado bayesiano alimenta o contexto da fase do ciclo usado no check-in diário. O ritual de 20 segundos pergunta como você está se sentindo; a resposta usa a fase do ciclo como um de cinco dados de entrada. Quando o sigma é amplo, o cartão de resposta dá menos peso à fase do ciclo. Quando o sigma é estreito, dá mais peso a ela. A matemática conquista seu peso ao ser honesta sobre o quão confiante ela está.

A versão mais curta: um rastreador bayesiano de verdade revela o sigma. Se o seu app mostra uma única data com confiança, o modelo por trás pode até ser o mesmo, mas a forma de apresentar esconde o que ele realmente sabe.

Perguntas Frequentes

Por que usar um modelo bayesiano em vez de uma média simples?

Uma média simples ignora o quanto a estimativa é confiável. Duas pessoas com a mesma média de 28 dias podem ter variabilidades de ciclo bem diferentes. Os modelos bayesianos acompanham a dispersão dos seus dados, não apenas o ponto médio, então a faixa estimada se amplia para ciclos irregulares e se estreita para os regulares.

O que o sigma significa na prática?

O sigma é o desvio padrão da distribuição da duração dos ciclos. Um sigma pequeno (abaixo de 2 dias) significa que seus ciclos estão bem agrupados; a faixa provável cobre alguns dias. Um sigma grande (5+ dias) significa que os ciclos se espalham por uma semana ou mais, e o app deve dizer isso.

Por que não dar simplesmente uma única data estimada?

Porque o modelo não sabe qual é, na verdade. Uma única data é uma escolha de UX que esconde a incerteza. Mostrar a faixa é mais honesto e condiz com o jeito que a matemática realmente funciona.

Isso estima eventos específicos do ciclo?

Não. A modelagem bayesiana de ciclos estima quando a próxima menstruação provavelmente vai acontecer. Não é uma ferramenta de planejamento familiar, nem de contracepção, nem um substituto para métodos clinicamente validados.