Probabilidade Condicional A probabilidade simples mede a chance de um evento ocorrer quando nada mais é conhecido além do experimento descrito. A probabilidade condicional surge quando uma informação adicional é revelada — isto é, quando sabemos que um evento $B$ ocorreu — e precisamos recalcular a chance de outro evento $A$ dentro desse novo contexto. A ideia-chave é sempre a mesma: uma condição funciona como um filtro. Ela elimina instantaneamente parte do espaço amostral original, e o cálculo passa a considerar apenas o que permanece possível após essa informação. Fundamentos e a lógica do “filtro” de informação Todo problema probabilístico começa com: o espaço amostral $\Omega$: conjunto de todos os resultados possíveis; um evento $A$: subconjunto de $\Omega$ que representa o que se deseja avaliar. Quando entra uma condição do tipo “sabendo que $B$ ocorreu” ou “dado que $B$ aconteceu”, o que muda não é apenas a fórmula: muda o universo de referência. 1.1. O que a condição faz, na prática Se sabemos que $B$ ocorreu, então: todos os resultados que não pertencem a $B$ deixam de ser candidatos; o novo “todo” deixa de ser $\Omega$ e passa a ser o próprio $B$; dentro desse novo todo, perguntamos: qual fração também satisfaz $A$? Em linguagem de conjuntos: após a condição $B$, só fazem sentido resultados em $B$; o evento que realmente interessa passa a ser a interseção $A\cap B$ (o que atende ao pedido e respeita a condição). Essa interpretação evita um erro recorrente: manter o denominador original mesmo após a informação condicional. Estrutura matemática e fórmula fundamental A definição canônica de probabilidade condicional é: $P(A\mid B)=\dfrac{P(A\cap B)}{P(B)}$, com $P(B)>0$. Leitura rigorosa: $P(A\mid B)$: probabilidade de $A$ acontecer dentro do cenário em que $B$ já é verdadeiro. $P(A\cap B)$: probabilidade de ocorrer simultaneamente “$A$ e $B$”. $P(B)$: probabilidade do evento que virou o novo universo. 2.1. Por que é necessário $P(B)>0$ Se $P(B)=0$, então $B$ é impossível no modelo e não existe um universo consistente “onde $B$ ocorreu”. Por isso, a condição $P(B)>0$ garante que a pergunta tenha sentido lógico. 2.2. Versão por contagem (espaços finitos equiprováveis) Em espaços finitos equiprováveis, é comum trabalhar por cardinalidades: $P(A\mid B)=\dfrac{n(A\cap B)}{n(B)}$. Aqui, $n(B)$ representa quantos resultados restaram após o filtro, e $n(A\cap B)$ representa quantos desses resultados também atendem ao que se pede. Método prático: redução do espaço amostral Quando o problema é de contagem simples, muitas vezes a maneira mais segura é reduzir explicitamente o universo e calcular uma única razão. 3.1. Exemplo: urna com 15 bolas (condição “maior que 6”) Considere $\Omega=\{1,2,3,\dots,15\}$ e a informação: “o número retirado é maior que 6”. Defina: $B$: “número

gt;6$”. $A$: “número é múltiplo de 3”. Novo universo (aplicando o filtro $B$): $B=\{7,8,9,10,11,12,13,14,15\}$, então $n(B)=9$. Favoráveis dentro do novo universo: $A\cap B=\{9,12,15\}$, então $n(A\cap B)=3$. Logo: $P(A\mid B)=\dfrac{3}{9}=\dfrac{1}{3}$. O ponto conceitual é que não se trata de “fazer mais contas”, mas de enxergar que o denominador passou a ser o total de elementos compatíveis com a condição. Probabilidade condicional em tabelas de contingência Quando os dados estão organizados em categorias (linhas e colunas), a probabilidade condicional costuma ser resolvida identificando: a coluna (ou linha) da condição: ela fornece o novo denominador; a célula de interseção com o evento desejado: ela fornece o numerador. 4.1. Exemplo: passageiros (total 140) | Eventos | Primeira viagem | Já viajou antes | Total | |---|---:|---:|---:| | Não conheciam a Bahia | 85 | 25 | 110 | | Já conheciam a Bahia | 20 | 10 | 30 | | Total | 105 | 35 | 140 | Pergunta: dado que o passageiro está em primeira viagem, qual a chance de ele já conhecer a Bahia? Defina: $B$: “primeira viagem”. $A$: “já conhecia a Bahia”. Dentro da coluna “Primeira viagem”: denominador: $n(B)=105$; numerador: $n(A\cap B)=20$. Logo: $P(A\mid B)=\dfrac{20}{105}=\dfrac{4}{21}$. Enumeração rigorosa: quando pequenas restrições mudam tudo Em experimentos com múltiplas etapas, o enunciado pode imponer filtros que mudam drasticamente o conjunto de resultados possíveis. Nesses casos, listar o espaço restrito (ou descrevê-lo corretamente) é decisivo. 5.1. Dois dados: soma 8, dado que os resultados são ímpares Condição $B$: “os dois resultados são ímpares”. Logo, cada dado pode ser $\{1,3,5\}$, formando 9 pares: $B=\{(1,1),(1,3),(1,5),(3,1),(3,3),(3,5),(5,1),(5,3),(5,5)\}$. Evento $A$: “a soma é 8”. Dentro de $B$, os pares que somam 8 são: $A\cap B=\{(3,5),(5,3)\}$. Assim: $P(A\mid B)=\dfrac{2}{9}$. 5.2. Três lançamentos de moeda: dado que o primeiro foi cara Considere sequências com $C$ (cara) e $K$ (coroa). A condição $B$: “o primeiro é cara” reduz o universo a 4 sequências: $B=\{(C,C,C),(C,C,K),(C,K,C),(C,K,K)\}$. Se o evento $A$ é “exatamente duas caras”, então dentro de $B$ as favoráveis são: $A\cap B=\{(C,C,K),(C,K,C)\}$. Logo: $P(A\mid B)=\dfrac{2}{4}=\dfrac{1}{2}$. 5.3. Baralho: condicionando por cor ou naipe “Retirar um ás sabendo que é copas”: condição: universo = 13 cartas de copas; favoráveis: apenas 1 ás de copas; $P(\text{ás}\mid\text{copas})=\dfrac{1}{13}$. “Ser ouros sabendo que é vermelha”: condição: universo = 26 cartas vermelhas (copas e ouros); favoráveis: 13 cartas de ouros; $P(\text{ouros}\mid\text{vermelha})=\dfrac{13}{26}=\dfrac{1}{2}$. Condicionalidade, independência e a falsa intuição de “memória” A probabilidade condicional também é a ferramenta que define formalmente independência. 6.1. Critério de independência Dois eventos $A$ e $B$ são independentes quando: $P(A\mid B)=P(A)$ (com $P(B)>0$). Isto significa que saber que $B$ ocorreu não adiciona informação relevante para prever $A$. 6.2. Interpretação em sequências de lançamentos Em lançamentos sucessivos de uma moeda não viciada, os eventos (resultados de lançamentos diferentes) são modelados como independentes. Isso significa que: O resultado de um lançamento não influencia o outro. Portanto, mesmo após várias ocorrências de “cara”, a chance de “cara” no lançamento seguinte permanece $\dfrac{1}{2}$. A conclusão vem do modelo de independência adotado, que é válido porque definimos os lançamentos como experimentos separados e sem influência mútua. Nesse modelo, a probabilidade conjunta é o produto das probabilidades individuais: $P(\text{cara no 1º} \cap \text{cara no 2º}) = P(\text{cara no 1º}) \times P(\text{cara no 2º})$. A constância da probabilidade marginal (sempre 1/2) é uma consequência da moeda ser não viciada, mas a independência é uma propriedade adicional do modelo. Exemplos completos com foco no denominador correto Nesta seção, o objetivo é reforçar o procedimento “condição = novo universo”. 7.1. Participação em enquete (condicionando ao grupo que respondeu) Um blog teve 500 visitantes. Sabe-se que: 79% participaram da enquete; 12% do total acharam o conto “chato”. Defina: $B$: “participou da enquete”. $A$: “achou chato”. Cálculos por população: $n(B)=0{,}79\cdot 500=395$; $n(A\cap B)$ coincide com o total que marcou “chato” (informado como 12% do total): $0{,}12\cdot 500=60$. Logo: $P(A\mid B)=\dfrac{60}{395}=\dfrac{12}{79}\approx 0{,}151898$. 7.2. Dois dados: soma 6, probabilidade de ter aparecido o número 4 Condição $B$: “a soma foi 6”. Os pares ordenados possíveis são: $B=\{(1,5),(2,4),(3,3),(4,2),(5,1)\}$, então $n(B)=5$. Evento $A$: “apareceu o 4 em algum dado”. Favoráveis dentro de $B$: $A\cap B=\{(2,4),(4,2)\}$, então $n(A\cap B)=2$. Logo: $P(A\mid B)=\dfrac{2}{5}=0{,}4=40\%$. 7.3. Filtro de calçados (condicionando ao grupo com número maior que 36) Dados: 3 funcionárias calçam 37; 10 funcionárias calçam 38; 1 funcionária calça 39. Condição $B$: “calça número maior que 36”. Então: $n(B)=3+10+1=14$. Evento $A$: “calça 38”. Então: $n(A\cap B)=10$. Logo: $P(A\mid B)=\dfrac{10}{14}=\dfrac{5}{7}$. Procedimento padrão para qualquer questão de probabilidade condicional Para resolver com consistência, aplique sempre a mesma estrutura lógica. 8.1. Passo 1: identifique o filtro (novo denominador) Localize a condição “sabendo que…/dado que…”. Defina o evento condicionante $B$ e determine quantos casos pertencem a $B$. O denominador passa a ser $P(B)$ (ou $n(B)$, em contagem). 8.2. Passo 2: determine a interseção (novo numerador) Dentro do universo filtrado por $B$, conte apenas os casos que também satisfazem o evento desejado $A$. O numerador passa a ser $P(A\cap B)$ (ou $n(A\cap B)$). 8.3. Passo 3: forme a razão e simplifique Calcule: $P(A\mid B)=\dfrac{P(A\cap B)}{P(B)}$. Quando o problema for de contagem equiprovável: $P(A\mid B)=\dfrac{n(A\cap B)}{n(B)}$. A probabilidade condicional é, em essência, uma medida da chance de ocorrência do evento $A$ dentro do novo universo de possibilidades redefinido pela condição $B$ (ou seja, considerando apenas os casos onde $B$ ocorreu).