O que todo mundo entende errado sobre probabilidade
A primeira coisa que preciso deixar clara antes de falar sobre probabilidade o que é é que a maioria das pessoas aprende isso no colégio de forma completamente distorcida. Você joga um dado, conta quantas faces tem, divide o número de casos favoráveis pelo total de casos possíveis e pronto. Isso funciona para o jogo de tabuleiro, não para a vida real. Na prática, probabilidade é sobre modelar incerteza com números. Tudo bem, isso também é uma definição de livro, mas pelo menos não tem a cara de manual escolar. O problema é que quando você sai da situação ideal — dado perfeito, moeda balanceada, urna com bolas coloridas — tudo começa a desmoronar.
Probabilidade o que é na prática mesmo
Vou começar pelo que mais causa confusão. A diferença entre probabilidade clássica, frequentista e bayesiana. Não vou dar definições formais porque todo texto sobre isso já faz isso. Vou explicar por que elas existem e quando cada uma te decepciona. A probabilidade clássica funciona só quando todos os resultados são igualmente prováveis. E adivinhe: na maior parte dos cenários reais, eles não são. Se você está analisando a probabilidade de um cliente comprar algo depois de ver um anúncio, você não tem como listar todos os resultados possíveis e dividir por igual. Isso é um problema enorme e a maioria dos relatórios de marketing ignora completamente.
A abordagem frequentista exige dados. Muitos dados. E quando eu disse muitos, quero dizer algo na casa de milhares ou dezenas de milhares de observações para que as estimativas estabilizem. Eu já vi times de análise tentarem usar frequência relativa com bases de 50 ou 100 registros e apresentarem isso como se fosse conclusivo. O intervalo de confiança era tão largo que a resposta era basicamente "tudo é possível". O método bayesiano resolve parte desse problema porque permite incorporar conhecimento prévio. O problema é que o conhecimento prévio — a distribuição a priori — é subjetivo. Se você colocar uma prior errada, o resultado vai ser consistentemente errado e parecerá certo porque o modelo é sofisticado o suficiente para impressionar quem não leu os detalhes.
Como calcular sem errar feio
O processo básico de cálculo depende do que você está medindo. Para eventos independentes, como dois lançamentos de dado, você multiplica as probabilidades. P(A e B) = P(A) × P(B). Isso é simples e direto. Mas a regra de Bayes é onde as coisas ficam interessantes. A fórmula P(A|B) = [P(B|A) × P(A)] / P(B) é usada em diagnósticos médicos, filtragem de spam e até em sistemas de crédito. E é também onde quase todo mundo erra.
O erro clássico é confundir P(A|B) com P(B|A). Vamos supor que um teste para uma doença tem 99% de sensibilidade e 99% de especificidade. A doença atinge 1% da população. Se você testar positivo, qual a chance real de estar doente? A resposta intuitiva é "quase 100%". A resposta correta é cerca de 50%. Metade dos positivos vão ser falsos-positivos porque a doença é rara. Isso não é mágica, é aritmética básica aplicada de forma contra-intuitiva. Já me deparei com diretores executivos tomando decisões baseadas em números que pareciam sólidos até eu fazer esse cálculo na frente deles.
Um caso real que me pegou
Trabalhando em um projeto de análise de churn para uma empresa de telecomunicações, enfrentamos um problema específico com probabilidade condicional. Tínhamos modelos que previam qual cliente ia cancelar com base em histórico de uso, tempo de contrato e chamado ao suporte. O modelo estava com AUC de 0.87, que parecia excelente no papel. O problema era que quando aplicamos as probabilidades ao universo real, a precisão despencava para algo em torno de 60%. O motivo: a base de clientes tinha uma concentração enorme de churners em um segmento específico — os que tinham acabado de assinar planos de longa duração com multa rescisória alta. Esses clientes quase não cancelavam no primeiro ano, mas quando cancelavam, era em volumes que o modelo não tinha dado peso suficiente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O workaround foi criar um peso amostral stratificado, separando os assinantes por faixa de tempo de contrato e atribuindo pesos diferentes durante o treinamento. Em vez de treinar com todos os dados igualmente, demos mais peso às amostras do segmento de alto risco. O modelo não ficou perfeito — ninguém fica — mas a precisão operacional subiu para algo próximo de 74%, que era muito mais útil para o time de retenção tomar decisões.
Erros que vejo todo dia
O viés do sobrevivente é um dos mais perigosos. Você analisa dados de quem ainda está ativo e ignora quem saiu. Em finanças, isso significa estudar apenas as empresas que sobreviveram a uma crise e concluir que certos fatores levaram ao sucesso, quando na verdade esses mesmos fatores podem ter levado à falência de dezenas de outras que simplesmente desapareceram dos bancos de dados. O problema do pequeno número também é frequente. Você faz uma pesquisa com 30 pessoas e conclui que 70% preferem o produto X. O erro padrão dessa estimativa é enorme — cerca de 8,9 pontos percentuais. Ou seja, a verdadeira preferência na população pode estar entre 61% e 79%. A margem é grande demais para qualquer decisão séria.
Outra armadilha é o efeito do observador. Quando você sabe que está sendo medido, seu comportamento muda. Testar a probabilidade de alguém comprar algo depois de ver um anúncio, mas sabendo que estão sendo observados em um laboratório, produz resultados que não se repetem no ambiente natural. Já vi campanhas inteiras serem aprovadas com base em dados de laboratório que não funcionaram quando saíram do controle.
Quando a probabilidade não serve
É importante ser honesto sobre as limitações. Probabilidade clássica e frequentista dependem de pressupostos que raramente são atendidos integralmente. Distribuições normais, independência entre eventos, homocedasticidade — tudo isso precisa ser verificado, e a verificação muitas vezes mostra que os pressupostos são violados. Em cenários de cauda longa, como crises financeiras ou pandemias, a probabilidade baseada em dados históricos subestima drasticamente eventos extremos. Os modelos que usavam a distribuição normal para calcular o risco de perda em carteiras de investimento falharam catastroficamente em 2008 porque eventos que teoricamente poderiam acontecer a cada 100 anos estavam ocorrendo em sequência. A probabilidade não estava errada na teoria. A aplicação estava errada porque ninguém verificou se os dados obedeciam à distribuição assumida.
Para esses cenários, simulações de Monte Carlo com múltiplas distribuições e testes de robustez são mais úteis do que fórmulas fechadas. Mas mesmo assim, elas só são tão boas quanto as premissas que você insere nelas. Lixo entra, lixo sai. O nome técnico disso é garbage in, garbage out, e é a desculpa número um para resultados que parecem precisos mas não têm nenhuma conexão com a realidade.
O que realmente funciona
A primeira coisa a fazer antes de qualquer cálculo é entender o que você está realmente tentando medir. Probabilidade de quê, sob quais condições, com base em quais dados. Anotar isso explicitamente antes de abrir qualquer software economiza horas de trabalho e evita a maioria dos erros. Segundo, valide os pressupostos. Teste normalidade, verifique independência, chegue se os dados realmente refletem a população que você quer analisar. Ferramentas como o teste de Shapiro-Wilk para normalidade e o teste de Ljung-Box para autocorrelação são rápidas e reveladoras.
Terceiro, use intervalos de confiança em vez de pontos únicos. Um número sozinho é enganos. Um intervalo diz o quão incerto você é, e essa informação é mais valiosa do que qualquer estimativa pontual. Para uma amostra de 200 com proporção observada de 0.35, o intervalo de confiança de 95% fica entre aproximadamente 0.285 e 0.415. A variabilidade é real e precisa ser comunicada. Por fim, documente todas as premissas e fontes de erro. Quando alguém questionar seus resultados, você precisa ser capaz de mostrar exatamente onde a probabilidade entrou e onde as suposições puderam distorcer o resultado. Isso é o que separa uma análise séria de um número bonito empurrado para uma reunião de diretoria.
