Probabilidade clássica e frequentista (em inglês: classical and frequentist probability)
Probabilidade
O que significa dizer que algo tem "50% de chance" — e por que jogar cara ou coroa 10 vezes sem sair coroa não significa absolutamente nada para o 11º lançamento.
🪙 Simulador de moeda justa
Lance a moeda e observe como a proporção de caras se aproxima de 50% conforme o número de lançamentos aumenta.
O que é probabilidade de verdade?
Probabilidade é uma forma matemática de medir incerteza. Ela não diz o que vai acontecer — diz o quão provável é cada resultado possível. O valor vai de 0 (impossível) a 1 (certo), e geralmente expressamos como porcentagem: 0,5 = 50%.
Existem duas formas principais de pensar em probabilidade, e é importante entender as duas:
📐 Duas definições de probabilidade
Clássica (teórica): P(evento) = casos favoráveis ÷ casos possíveis. Funciona quando todos os resultados são igualmente prováveis. Uma moeda tem 1 face cara de 2 possíveis → P(cara) = 1/2 = 50%. Uma dado tem 1 face "6" de 6 possíveis → P(6) = 1/6 ≈ 16,7%.
Frequentista (empírica): P(evento) ≈ vezes que aconteceu ÷ total de tentativas. Você lança a moeda 10.000 vezes e conta as caras. Com o tempo, a proporção se aproxima de 50%. Essa definição funciona quando não conhecemos a teoria ou quando queremos verificar experimentalmente.
Use o simulador acima para ver a definição frequentista em ação: lance a moeda poucas vezes e o resultado será caótico. Lance 10.000 vezes e a frequência de caras estará muito próxima de 50%.
Cada lançamento é independente — a moeda não tem memória
Você lançou uma moeda 10 vezes seguidas e saiu cara todas as vezes. Qual é a probabilidade de sair coroa no 11º lançamento?
A resposta é: 50%. Exatamente a mesma de sempre.
A moeda não sabe que saiu cara 10 vezes. Ela não tem memória, não tem dívida, não tem obrigação de "compensar". Cada lançamento é um evento independente — o resultado anterior não influencia o próximo de forma alguma.
Isso é contraintuitivo porque nosso cérebro é treinado para detectar padrões. Quando vemos cara, cara, cara, cara, cara, cara... esperamos que a sequência "mude". Mas a moeda não sabe disso.
⚠️ Falácia do apostador
Acreditar que "coroa está devendo" depois de muitas caras seguidas é a falácia do apostador (em inglês: gambler's fallacy) — um dos erros mais documentados em psicologia do comportamento.
O caso mais famoso aconteceu no Cassino de Monte Carlo em 1913: a roleta saiu "preto" 26 vezes seguidas. Os apostadores perderam milhões apostando em "vermelho" a cada rodada, convictos de que a sequência tinha que acabar. Ela acabou — mas não porque estava "devendo". Acabou porque a probabilidade sempre existiu.
Na Lotofácil, a dezena 17 não tem mais chance de sair por não ter saído nos últimos 30 concursos. Cada sorteio começa do zero.
Probabilidade composta: eventos em sequência
O que muda quando consideramos múltiplos eventos? Aí a probabilidade de sequências se torna interessante.
A probabilidade de sair cara duas vezes seguidas é: P(cara) × P(cara) = 1/2 × 1/2 = 1/4 = 25%. Para três vezes seguidas: 1/2 × 1/2 × 1/2 = 1/8 = 12,5%. Para 10 vezes seguidas: (1/2)¹⁰ = 1/1024 ≈ 0,1%.
Ou seja: a sequência de 10 caras é rara antes de começar. Mas depois que as 9 primeiras caras já saíram, a probabilidade de sair cara na 10ª é, de novo, 50%. O evento futuro não é afetado pelos eventos passados.
Probabilidade não é certeza — mesmo com 99%
"70% de chance de chuva" não significa que vai chover 70% do dia. Significa: em situações meteorológicas idênticas a esta, medidas historicamente, choveu em 70 de cada 100 casos.
Probabilidade descreve o longo prazo de eventos repetidos. Num evento único, ela quantifica incerteza — "mais provável que sim do que não". Um paciente com 99% de sobrevivência em uma cirurgia ainda tem 1% de não sobreviver. Isso não é pessimismo — é honestidade matemática.
A probabilidade do "quase" — por que tão perto machuca
Um caso especial que confunde muitas pessoas: acertar 14 de 15 dezenas na Lotofácil parece "quase" ganhar. Mas a probabilidade de acertar exatamente 14 (faixa 2) é 1 em 228.854 — muito diferente de 1 em 3.268.760 da faixa 1, mas ainda remotíssima.
O "quase" existe na nossa percepção, não na matemática. A distância entre "1 dezena errada" e "0 dezenas erradas" em termos de probabilidade é de 14× — não de "quase nada".
Probabilidade condicional: P(A | B)
A probabilidade condicional (em inglês: conditional probability) responde: "qual a probabilidade de A acontecer, dado que B já aconteceu?"
Exemplo: uma pessoa tossindo. P(gripe) talvez seja 10% na população geral. Mas P(gripe | tossindo) é maior — a informação de que a pessoa tosse aumenta a probabilidade de gripe. Isso é o Teorema de Bayes (em inglês: Bayes' theorem), base de diagnósticos médicos, filtros de spam e muito mais.
📐 Probabilidade condicional
P(A | B) = P(A e B) ÷ P(B)
Lê-se: "probabilidade de A dado B". O denominador P(B) "restringe" o universo de possibilidades ao cenário em que B já aconteceu.
Importante: P(A | B) ≠ P(B | A). A probabilidade de ter gripe dado que tosse ≠ probabilidade de tossir dado que tem gripe. Confundir os dois é um erro grave chamado de falácia da transposição condicional (em inglês: transposition fallacy).
Resumindo em 4 pontos
- P(evento) = casos favoráveis ÷ casos totais (quando todos têm a mesma chance).
- Eventos independentes não se influenciam — a moeda não tem memória, nem a loteria.
- P(A e B) = P(A) × P(B) para eventos independentes. Sequências se tornam muito raras.
- Probabilidade condicional P(A|B): o conhecimento de B muda a probabilidade de A.