--- title: 'Modelagem Bayesiana de Ciclos: Por Que Mostramos o Sigma, e Não uma Data' description: >- A modelagem bayesiana de ciclos usa um prior gaussiano e seus ciclos registrados para gerar uma faixa de probabilidade, não uma data única. Veja a matemática explicada de forma simples. image: /images/blog/soulwise/bayesian-cycle-modeling.webp date: '2026-05-16' updatedAt: '2026-05-16' category: soulwise tags: - soulwise - modelagem-bayesiana - acompanhamento-de-ciclos - estatísticas - explicação-técnica featured: false author: name: My Zodiac AI Team avatar: /logo.svg slug: my-zodiac-ai-team readTime: 7 seo: title: >- Modelagem Bayesiana de Ciclos: Sigma, Níveis de Confiança e Incerteza Honesta description: >- Como funciona a modelagem bayesiana de ciclos em termos simples. Prior gaussiana (mu=28, sigma=5), atualização conjugada a cada ciclo e rótulos de confiança em vez de datas fixas. keywords: >- modelagem bayesiana de ciclo, precisão da estimativa de ciclo, sigma da estimativa de período, monitor de período bayesiano, algoritmo de modelagem do ciclo cycle-related answerCapsule: question: O que é a modelagem bayesiana de ciclos e como funciona? answer: >- A modelagem bayesiana de ciclos parte de uma distribuição a priori gaussiana que descreve a duração típica do ciclo e, em seguida, atualiza essa priori a cada ciclo registrado. O resultado é um intervalo de probabilidade com um sigma desvio padrão e um rótulo de confiança, não uma única data estimada. keyPoints: - >- Começa com uma distribuição a priori gaussiana, normalmente mu=28 e sigma=5 - >- Atualiza a distribuição a priori a cada novo ciclo registrado (atualização conjugada) - >- Fornece um intervalo provável e um rótulo de confiança, nunca uma única data - >- O sigma é exibido ao usuário, nunca escondido por trás da confiança da interface faq: - question: Por que usar um modelo bayesiano em vez de uma média simples? answer: >- Uma média simples ignora o quão confiável é a estimativa. Dois usuários com a mesma média de 28 dias podem ter variabilidade de ciclo muito diferente. 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. - question: O que o sigma significa na prática? answer: >- Sigma é o desvio padrão da distribuição da duração do ciclo. Um sigma pequeno (abaixo de 2 dias) significa que seus ciclos estão bem agrupados; uma faixa provável cobre poucos dias. Um sigma grande (5+ dias) significa que os ciclos se espalham por uma semana ou mais, e o app deve dizer isso. - question: Por que não fornecer apenas uma única data estimada? answer: >- Porque o modelo, na verdade, não conhece uma. Uma data única é uma escolha de UX que esconde a incerteza. Mostrar a faixa é mais honesto e corresponde a como a matemática realmente funciona. - question: Isso estima eventos específicos do ciclo? answer: >- Não. A modelagem bayesiana de ciclo estima quando a próxima menstruação provavelmente vai ocorrer. Não é uma ferramenta de planejamento familiar, não é um método contraceptivo e não substitui métodos clinicamente validados. geoHints: primaryIntent: informational targetSearchEngine: all entityType: TechnicalArticle quickAnswer: >- A modelagem bayesiana de ciclos combina uma distribuição a priori (a distribuição típica dos ciclos) com os ciclos que você registra para gerar uma faixa de probabilidade, e não uma data única. O Soulwise usa uma distribuição a priori gaussiana de mu=28 e sigma=5. keyFact: >- O Soulwise mostra o desvio padrão (sigma) da sua estimativa de ciclo na interface, em vez de escondê-lo atrás de uma única data cravada com confiança. aiSummary: >- A modelagem bayesiana de ciclos começa com um prior gaussiano que descreve a duração típica do ciclo cycle-related (o Soulwise usa mu=28, sigma=5) e atualiza esse prior a cada novo ciclo registrado por meio de uma atualização conjugada. O resultado é uma distribuição de probabilidade, e não uma única data. O Soulwise apresenta isso como um intervalo provável, acompanhado de um entre três rótulos de confiança: "Correlação provável", "Sinal fraco" ou "Dados insuficientes". O sigma é mostrado para você, não fica escondido. O modelo serve para acompanhar padrões, não para planejamento familiar ou contracepção. tldr: summary: >- A modelagem bayesiana de ciclos usa um prior gaussiano e seus ciclos registrados para gerar uma faixa de probabilidade, não uma data única. Veja a matemática explicada de forma simples. howTo: name: >- How to use this guide: Modelagem Bayesiana de Ciclos: Por Que Mostramos o Sigma, e Não uma Data description: >- A modelagem bayesiana de ciclos usa um prior gaussiano e seus ciclos registrados para gerar uma faixa de probabilidade, não uma data única. Veja a matemática explicada de forma simples. 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/pt-BR/blog/bayesian-cycle-prediction-explained md_url: https://my-zodiac-ai.com/pt-BR/blog/bayesian-cycle-prediction-explained.md last_updated: 2026-10-08T17:33:21.078Z --- # 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](/soulwise/) 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.