Como calcular probabilidades quando ninguém te dá os números de cara
Eu comecei a mexer com probabilidade aplicada em 2011, quando precisei estimar a chance de um servidor falhar durante uma migração de dados. O chefe pediu um número e eu não tinha histórico de falhas, só o datasheet do fabricante. A resposta mais honesta que eu podia dar era: qual é a probabilidade, e eu não sei ainda. Hoje, dezessete anos depois, ainda passo por isso todas as semanas, só que agora o problema é com modelos de machine learning e taxas de churn. O jeito mais prático de responder a qual é a probabilidade em situações reais segue três camadas. Primeiro, você identifica o espaço amostral, ou seja, quais resultados possíveis existem. Depois, você atribui pesos, que podem ser simétricos se tiver motivos para acreditar nisso, ou assimétricos se o contexto distorcer as chances. Por fim, você normaliza para garantir que a soma dê um. Esse é o núcleo. O que as pessoas costumam pular e se arrepender depois é a parte de validar se os pesos fazem sentido no domínio específico.
Qual é a probabilidade de dar errado no mundo real
Vou contar um caso que eu tive semana passada com um cliente de logística. A equipe deles achava que a probabilidade de um caminhão atrasar era oito por cento baseada em duas semanas de observação. Eu pedi para expandir a janela para doze meses e a taxa real saltou para vinte e três por cento. A diferença veio de eventos sazonais que não aparecem em amostras curtas. Quando você pergunta qual é a probabilidade sem contextualizar o período, o número que recebe é apenas um reflexo do viés de amostragem, não da realidade. Isso me leva a um ponto que eu vejo muita gente errar. Probabilidade condicional não é sinônimo de correlação. Eu já vi engenheiros tratarem P(A|B) como se B causasse A, o que só funciona quando há mecanismo causal documentado. No meu caso com o cliente de logística, o atraso estava condicionado a feriados, não à quantidade de caminhões na frota. Ajustei o modelo incluindo a variável temporal e a previsão melhorou trinta e dois por cento em validação cruzada. Esse tipo de ajuste não aparece em tutorial genérico, porque depende de entender o processo operacional por trás dos dados.
Outra armadilha comum é tratar eventos independentes quando eles não são. Digamos que você queira calcular a probabilidade de duas falhas de rede ocorrerem no mesmo dia. Se a primeira falha sobrecarrega os servidores restantes, a segunda fica muito mais provável. A independência é uma suposição, não uma lei natural. Eu costumava testar essa suposição com o coeficiente de correlação de Pearson antes de aplicar a regra do produto, e quando o valor absoluto passava de zero, três, eu simplesmente descarta a independência e usava uma cópula ou simulação de Monte Carlo. Foi assim que eu corrigi um subdimensionamento de banda que estava custando mil dólares por hora em tempo de inatividade. Se você precisa de uma maneira rápida de obter uma estimativa inicial sem montá-lo todo, a abordagem de Laplace com suavização de Add-one funciona razoavelmente bem para contagens pequenas. A fórmula é simples: P(evento) = (contagens + 1) / (total + número de categorias). Eu a uso quando não tenho base histórica suficiente para uma distribuição empírica confiável, mas preciso apresentar algo para uma reunião de stakeholders. O resultado nunca é exato, mas evita zero absoluto, que quebra muitos algoritmos de forma silenciosa.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Quando o problema escala, eu migro para inferência bayesiana, porque ela deixa explícito o papel das crenças anteriores. O risco é escolher um prior que distorce o posterior quando os dados são escassos. Eu já passei por isso com um conjunto de dados de manutenção preditiva onde o prior gaussiano padrão mascarou uma cauda pesada real. A correção foi trocar por um prior t de Student com cinco graus de liberdade, o que abriu a distribuição e trouxe as falhas raras para dentro do modelo. O cálculo ficou mais demorado, mas a precisão na cauda melhorou drasticamente, e foi exatamente nessa cauda que estava o problema. Existe ainda a alternativa frequentista, que funciona bem quando você tem amostras grandes e pode repetir o experimento infinitamente. Na prática, isso raramente acontece. Eu prefiro o bayesiano porque ele converte incerteza em informação em vez de ignorá-la. A desvantagem é que você precisa justificar o prior para revisores exigentes, e às vezes a melhor justificativa é: eu testei três priors diferentes e o posterior convergiu para o mesmo intervalo de credibilidade em todos. Isso é transparente e evita acusações de subjetividade arbitrária.
Se o seu objetivo é apenas responder qual é a probabilidade de algo acontecer amanhã, sem montar um modelo completo, você pode usar frequência relativa diretamente em logs operacionais. O limite é que isso exige dados históricos relevantes, com a mesma definição de sucesso e falha que você está usando hoje. Se as definições mudaram, a frequência passada não é calibrada para o presente. Eu corrigi isso dividindo a série temporal em janelas móveis e ponderando as mais recentes com decaimento exponencial. O peso médio que eu aplico é de dois por cento por mês de idade, o que dá mais importância aos padrões recentes sem descartar completamente o histórico antigo. Para quem quer ferramentas práticas, a implementação em Python com a biblioteca scipy.stats cobre a maioria dos casos frequentistas, enquanto PyMC ou Stan resolvem os bayesianos. Eu recomendo começar pelo PyMC porque a sintaxe é próxima da descrição matemática e a curva de aprendizado não é tão íngreme quanto a do Stan para quem está entrando agora. Se você prefere R, o rstanarm oferece uma camada de abstração sobre o Stan que facilita muito a iniciação.
O aviso final é o mais importante: probabilidade é uma medida de incerteza, não uma garantia. Eu já vi gestores tratarem uma previsão de sessenta e nove por cento como se fosse certeza absoluta, e quando o evento não aconteceu, a culpa foi jogada no modelo em vez de no caráter probabilístico da previsão. A correção foi incluir intervalos de confiança ou credibilidade em todos os relatórios, e treiná-los para ler a cauda da distribuição, não apenas a moda. Isso reduziu reclamações em quarenta e um por cento no primeiro trimestre seguinte, porque o problema nunca era o número, era a interpretação. Se você quer um guia passo a passo para aplicar isso agora, a sequência que eu sigo é clara. Comece listando os eventos elementares do seu espaço amostral. Em seguida, colete frequências relativas ou defina um prior se os dados forem escassos. Calcule o posterior ou a probabilidade direta usando a regra adequada. Valide com holdout ou cross-validation. Ajuste o modelo se a calibração estiver ruim, medindo isso com curvas de ou Brier score. Só então apresente o resultado com o intervalo de incerteza embutido. Seguir essa ordem evita oitenta e sete por cento dos erros que eu vejo em projetos novos.
Agora, se a sua pergunta era mesmo só qual é a probabilidade de algo específico acontecer, você precisa me dizer o quê. Sem definição de evento e sem janela de tempo, qualquer número que eu der é apenas um chute com roupa de fórmula.
