Calculando probabilidades quando o cenário não é simples
No final de 2019, trabalhava em um modelo de classificação de risco para crédito consorciado. O cliente pedia uma taxa de inadimplência global, mas os dados estavam segmentados por faixa etária, região e score de crédito prévio. Tentar calcular diretamente era impossível porque as variáveis se cruzavam de forma não linear. Foi aí que me deparei com a necessidade prática de aplicar a lei da probabilidade total no dia a dia, sem textbook nenhum por perto. A regra básica é simples de enunciar, mas difícil de aplicar corretamente na primeira vez. Se você tem uma partição do espaço amostral — ou seja, eventos mutuamente exclusivos que cobrem todas as possibilidades — a probabilidade de qualquer evento A é a soma das probabilidades condicionais de A dado cada parte da partição, ponderada pela probabilidade de cada parte.
Entendendo a lei da probabilidade total na prática
O que muita gente não entende na primeira leitura é que essa lei não cria informação nova. Ela apenas rearranja o que já existe. O erro comum é tratar os eventos da partição como independentes entre si. Eles não são. Eles são excludentes e coletivamente exhaustivos. Misturar isso com independência é o tipo de engano que gera problemas sérios em modelos reais. Na minha experiência, o cenário mais crítico que já enfrentei ocorreu quando tentei aplicar a lei sem verificar se a partição realmente cobria todo o espaço amostral. Tinha uma segmentação por cidade, mas havia casos de clientes sem cidade cadastrada. Esses casos caíam fora da partição. O resultado foi uma subestimativa de 3,7% na probabilidade total de inadimplência. O workaround foi criar uma categoria "não informado" e tratá-la como parte da partição, mesmo que fosse uma classe residual.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Outro detalhe importante que poucos mencionam: a lei da probabilidade total funciona bem quando as probabilidades condicionais são estáveis. Se você está lidando com dados temporais onde as condições mudam rapidamente, como em mercados voláteis, a aplicação direta pode levar a estimativas defasadas. Nesse caso, considere usar uma versão ponderada dinamicamente, onde os pesos são atualizados com dados recentes. O problema é que, mesmo com a partição correta, a precisão depende totalmente da qualidade das probabilidades condicionais. Se elas vêm de amostras pequenas, a variância explode. Já vi modelos onde a partição tinha 47 categorias, mas várias com menos de 20 observações. O resultado era uma estimativa de probabilidade total com intervalo de confiança tão amplo que o modelo perdia utilidade prática. A solução foi agrupar categorias raras até atingir um tamanho mínimo de amostra.
Também é importante notar que a lei não lida bem com dependências não capturadas. Se dois eventos da partição têm correlação latente não modelada, a probabilidade total calculada pode ser otimista ou pessimista demais. Em um projeto de 2021, identifiquei que regiões distintas tinham fatores econômicos sobrepostos que não estavam no modelo. A probabilidade total estava 2,1% acima do observado empiricamente. A correção foi adicionar variáveis de controle regional que capturavam essa sobreposição. O uso mais eficiente da lei da probabilidade total acontece quando você já tem as probabilidades condicionais estimadas de forma confiável. Nesses casos, o cálculo em si leva segundos. A dificuldade está em obter essas probabilidades base, o que geralmente requer dados históricos robustos e segmentação adequada. Sem isso, a lei se torna mais uma fonte de erro do que uma ferramenta útil.
