Por que a maioria das pessoas erra na fórmula da união de eventos
Você já tentou calcular a probabilidade da união de dois eventos e chegou num número maior que 1? Isso acontece com frequência quando as pessoas simplesmente somam P(A) + P(B) e acreditam que está correto. A união de dois eventos, em português, significa a probabilidade de pelo menos um dos eventos ocorrer. A fórmula correta é P(A B) = P(A) + P(B) - P(A B). O termo de interseção existe por um motivo prático: se A e B se sobrepõem, você contou essa parte duas vezes e precisa subtrair uma delas.
Calculando probabilidade da união de dois eventos na prática
O primeiro passo é identificar o universo. Eu trabalho com probabilidade em análise de risco financeiro, e num projeto real meu com clientes de uma fintech, tínhamos dois eventos: A = o cliente solicitar reembolso nos primeiros 30 dias, e B = o cliente cancelar a assinatura no mesmo período. A interseção era o cliente que pediu reembolso E cancelou. Quando eu somava P(A) + P(B) sem considerar a sobreposição, a probabilidade da união ficava em 28%, mas o número real era 19%, porque cerca de 9% dos clientes pertenciam a ambos os grupos. Isso errou completamente nossa estimativa de reserva financeira. Na prática, o cálculo segue três etapas. Primeiro, calcule ou estime P(A) isoladamente. Segundo, calcule P(B) isoladamente. Terceiro, defina P(A B), a probabilidade de ambos ocorrerem simultaneamente. Some os dois primeiros e subtraia o terceiro. Se A e B são mutuamente exclusivos, ou seja, não podem acontecer ao mesmo tempo, então P(A B) = 0 e a fórmula se reduz à soma simples. Essa é a exceção, não a regra, e a maioria dos cenários reais tem algum grau de sobreposição.
O que ninguém conta nos livros didáticos é que a interseção muitas vezes é o dado mais difícil de obter. Num cenário de teste A/B para uma plataforma de e-commerce, tínhamos dois eventos de conversão: clique no banner promocional (A) e adição ao carrinho nos primeiros 5 minutos (B). O problema é que esses dados vinham de sistemas diferentes. O time de marketing tinha a taxa de clique, o time de produto tinha a taxa de adição ao carrinho, mas ninguém acompanhava a interseção em tempo real. Eu resolvi isso criando uma flag temporária nos cookies que identificava quem tinha feito ambas as ações, e só depois de duas semanas de coleta é que consegui uma estimativa confiável de P(A B). Sem esse workaround, qualquer cálculo de união seria pura especulação. Outro ponto que vale a pena destacar é o chamado paradoxo da sobreposição. Quando você tem dois eventos com probabilidades individuais baixas, digamos 10% cada, mas uma alta correlação entre eles, a união pode ser surpreendentemente próxima do maior valor individual. No exemplo financeiro citado, P(A) era 12% e P(B) era 15%, mas como quase todos que pedia reembolso também cancelavam, a união ficou em 16%, não em 27%. Começar a analisar a dependência antes de aplicar a fórmula economiza horas de retrabalho.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Se os eventos são independentes, você pode calcular a interseção como P(A) × P(B). Isso simplifica bastante. Mas atenção: independência estatística é um pressuposto forte. Na minha experiência, a grande maioria dos pares de eventos em negócios não são independentes. Assumir independência quando existe correlação positiva vai superestimar a união. Assumir independência com correlação negativa vai subestimá-la. O efeito é proporcional à magnitude da dependência. Existe ainda um caso onde a fórmula padrão falha completamente: quando você está lidando com probabilidade condicional e os eventos não estão no mesmo espaço amostral. Num projeto de modelos de churn para telecomunicações, Tínhamos A definido como "cliente paga em até 5 dias após o vencimento" e B como "cliente migra para concorrente no trimestre seguinte". A probabilidade de B depende diretamente de A. Calcular a união sem considerar essa estrutura condicional gera resultados que não fazem sentido prático. Nesses casos, o caminho mais seguro é construir uma matriz de transição ou usar simulação de Monte Carlo em vez de depender da fórmula direta.
Pitfalls comuns e como evitar
O erro número um é confundir união com interseção. União é "pelo menos um", interseção é "ambos". Se você inverte, o resultado nunca será útil. O erro número dois é assumir que P(A B) nunca pode exceder 1. Teoricamente não pode, mas na prática, se você estima P(A) e P(B) com base em amostras pequenas ou enviesadas, a soma pode ultrapassar 1 antes da correção da interseção. Isso é um sinal vermelho claro de que os dados precisam de revisão. Um terceiro problema recorrente é tratar eventos dependentes como independentes. Eu vi isso acontecer em pelo menos três projetos de data science por ano. A correção é simples: use modelos de cópula ou coeficientes de correlação empíricos para ajustar a interseção. Existem pacotes em Python como copulas e statsmodels que facilitam isso, mas para cenários operacionais mais simples, uma aproximação linear de correlação costuma ser suficiente e muito mais rápida de implementar.
A limitação mais honesta que preciso mencionar é que a fórmula P(A B) = P(A) + P(B) - P(A B) só funciona rigorosamente para dois eventos. Quando você tem três ou mais, a inclusão-exclusão de Euler entra em jogo e o cálculo cresce exponencialmente em complexidade. Para três eventos: P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C). Para quatro ou mais, na prática, a via computacional é quase sempre mais viável. Recomendo usar simulação ou software estatístico em vez de tentar expandir a mão a fórmula. Outra restrição importante: a abordagem clássica exige que você tenha dados históricos confiáveis. Se você está avaliando um evento que nunca aconteceu antes, como o lançamento de um produto totalmente novo, as estimativas de probabilidade serão subjetivas e a união resultante terá uma margem de erro enorme. Nesse caso, a abordagem de intervalos de confiança bayesianos com prioris informativas tende a ser mais robusta do que tentar forçar a aplicação da fórmula frequentista tradicional.
Para fechar com algo útil: se você quer testar rapidamente seus cálculos, um script simples em Python com as funções do scipy.stats resolve em menos de 20 linhas. Eu uso esse método para validação cruzada antes de submeter qualquer análise para stakeholders, e geralmente economizo cerca de 40 minutos por revisão que antes eram gastos ajustando planilhas manualmente.
