O que acontece quando você soma probabilidades
A regra mais básica do cálculo de probabilidades é também a mais negligenciada na prática. Quando dois eventos são mutuamente exclusivos, a probabilidade de um ou outro ocorrer é simplesmente a soma das duas. $P(A \cup B) = P(A) + P(B)$ se $A \cap B = \emptyset$. A complicação começa assim que essa condição deixa de valer. No meu trabalho com modelagem estatística, a primeira coisa que eu verifico antes de fazer qualquer soma é a independência e a excludência. Sem isso, o resultado fica inflacionado e você acaba gerando números que não somam com a realidade. Já vi projetos inteiros de análise de risco sendo comprometidos por alguém que assumiu que dois eventos eram disjuntos porque "faziam sentido" semanticamente, quando na verdade havia uma sobreposição estrutural que ninguém tinha mapeado.
Regras de soma de probabilidades para eventos não exclusivos
O caso mais comum é quando os eventos não são mutuamente exclusivos. Aí entra a fórmula completa: $P(A \cup B) = P(A) + P(B) - P(A \cap B)$. O termo $P(A \cap B)$ existe exatamente para corrigir o double counting que acontece quando você soma diretamente. Sem subtrair a interseção, você superestima a probabilidade combinada. A magnitude do erro depende da correlação entre os eventos — quanto mais sobrepostos, maior a distorção. Um exemplo prático. Digamos que você está calculando a probabilidade de um cliente cancelar o serviço (evento A, 12%) e a probabilidade de ele sofrer uma falha técnica (evento B, 8%). Se esses eventos forem independentes, a interseção é $0{,}12 \times 0{,}08 = 0{,}0096$. A soma correta é $0{,}12 + 0{,}08 - 0{,}0096 = 0{,}1904$, não $0{,}20$ como alguém faria no automático. A diferença parece pequena, mas em modelos que escalam para centenas de variáveis, o erro se acumula exponencialmente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Tive um problema específico recentemente com dados de churn em um cliente de telecomunicações. Tínhamos três variáveis de risco que pareciam independentes à primeira vista: inadimplência, baixa frequência de uso e registro de chamados técnicos. A soma ingênua das probabilidades individuais dava 47%. O modelo correto, considerando as interseções estimadas a partir dos dados históricos, resultou em 38%. Onze pontos de diferença num cenário onde a decisão era basear cortes de crédito nessa métrica. A diferença foi mapeada identificando que usuários com inadimplência tendiam a reduzir o uso naturalmente, criando uma correlação negativa entre as variáveis que a abordagem ingênua completamente ignorava.
Quando a soma de probabilidades falha
A soma direta de probabilidades só funciona bem sob condições bem específicas. Se os eventos são dependentes de forma não linear, ou se há variáveis latentes que conectam múltiplos caminhos causais, a abordagem simples produz estimativas enviesadas. Isso é especialmente problemático em redes bayesianas com ciclos, onde a probabilidade marginal de um nó não pode ser derivada apenas somando as contribuições das arestas de entrada. Outro ponto cego é a questão da normalização. Após somar probabilidades conditionais, o resultado precisa ser validado contra o espaço amostral completo. Se a soma das probabilidades de todos os eventos possíveis não iguala 1, algo está errado — ou você esqueceu um evento, ou há dependência não contabilizada, ou o modelo está mal especificado. Esse cheque de consistência é trivial de implementar e quase sempre ignorado em pipelines automatizados.
Para cenários com múltiplas variáveis interdependentes, o recomendável é abandonar a soma manual e usar decomposição direta. Métodos como a regra da probabilidade total ou inferência em grafos estruturais produzem resultados mais confiáveis com esforço comparável uma vez que a estrutura do problema está mapeada. A soma simples continua sendo a ferramenta certa para eventos mutuamente exclusivos ou independentes bem definidos, mas fora disso o custo de erro supera rapidamente o benefício da simplicidade.
