Eventos independentes
Dois eventos são independentes quando saber que um ocorreu não dá nenhuma informação sobre se o outro ocorreu. A independência é uma propriedade do modelo probabilístico, não apenas do contexto físico, e deve ser verificada em vez de assumida.
Definição
Os eventos \(A\) e \(B\) são independentes se e somente se:
\[P(A \cap B) = P(A) \times P(B)\]
Uma condição equivalente: \(A\) e \(B\) são independentes se e somente se \(P(A \mid B) = P(A)\), ou seja, saber que \(B\) ocorreu não muda a probabilidade de \(A\). As duas formulações dizem a mesma coisa.
Para que \(n\) eventos \(A_1, A_2, \ldots, A_n\) sejam mutuamente independentes, a regra do produto deve valer para todo subconjunto:
\[P(A_i \cap A_j) = P(A_i)P(A_j) \quad \text{para todo } i \neq j\] \[P(A_i \cap A_j \cap A_k) = P(A_i)P(A_j)P(A_k) \quad \text{para todo } i < j < k\] \[\vdots\] \[P(A_1 \cap \cdots \cap A_n) = P(A_1) \cdots P(A_n)\]
Todas as \(2^n - n - 1\) condições devem valer simultaneamente.
Como verificar a independência
O teste formal é direto: calcule \(P(A \cap B)\), \(P(A)\) e \(P(B)\), e verifique se \(P(A \cap B) = P(A) \times P(B)\).
Uma análise de 1.000 assinantes de e-mail encontra:
| Clicou no link | Não clicou | Total | |
|---|---|---|---|
| Abriu o e-mail | 180 | 220 | 400 |
| Não abriu | 120 | 480 | 600 |
| Total | 300 | 700 | 1.000 |
Seja \(A\) = abriu o e-mail, \(C\) = clicou.
\[P(A) = 400/1000 = 0{,}40, \quad P(C) = 300/1000 = 0{,}30\] \[P(A \cap C) = 180/1000 = 0{,}18\]
Teste: \(P(A) \times P(C) = 0{,}40 \times 0{,}30 = 0{,}12 \neq 0{,}18\)
Os eventos não são independentes: assinantes que abriram o e-mail têm muito mais chance de clicar do que os que não abriram. \(P(C \mid A) = 180/400 = 0{,}45 \neq 0{,}30 = P(C)\).
Uma fábrica tem duas máquinas em linhas separadas, sem componentes compartilhados. A máquina A falha com probabilidade 0,04, a máquina B com probabilidade 0,03. Em 10.000 dias de produção, ambas falharam em 12 dias.
\[P(A \cap B) = 12/10000 = 0{,}0012\] \[P(A) \times P(B) = 0{,}04 \times 0{,}03 = 0{,}0012 \checkmark\]
As falhas são independentes: consistente com as máquinas não compartilharem componentes ou causas comuns.
No painel esquerdo (independentes), as frequências observadas e esperadas coincidem: todas as células ficam próximas do branco (razão \(\approx 1\)). No painel direito (dependentes), a célula superior esquerda (tanto \(A\) quanto \(B\)) é azul (observado > esperado), enquanto a inferior esquerda (não \(A\), mas \(B\)) é vermelha (observado < esperado), revelando a estrutura de dependência.
Equívocos comuns
Independência vs. exclusividade mútua
⚠️ Eventos mutuamente exclusivos com probabilidade positiva nunca são independentes
Se \(A\) e \(B\) são mutuamente exclusivos (\(A \cap B = \emptyset\)), então \(P(A \cap B) = 0\). Para a independência, precisaríamos de \(P(A) \times P(B) = 0\), o que exige que pelo menos um deles tenha probabilidade zero.
Intuitivamente: se \(A\) e \(B\) não podem ocorrer os dois, saber que \(A\) ocorreu já indica imediatamente que \(B\) não ocorreu. Isso é o oposto da independência.
Exemplo: em uma única requisição a um servidor, os eventos “tempo de resposta abaixo de 100 ms” e “tempo de resposta acima de 500 ms” são mutuamente exclusivos. Se você sabe que a resposta foi rápida, sabe que ela não foi lenta. Eles são maximamente dependentes, não independentes.
Independência vs. correlação zero
⚠️ Correlação zero não implica independência
Duas variáveis aleatórias (ou eventos) podem não ser correlacionadas e ainda assim serem dependentes. O exemplo clássico: seja \(X \sim \text{Uniforme}(-1, 1)\) e \(Y = X^2\). Então \(\text{Cov}(X, Y) = 0\) (correlação zero), mas \(Y\) é completamente determinada por \(X\): elas são maximamente dependentes.
Para eventos especificamente: dois eventos podem ter \(P(A \cap B) \neq P(A) \times P(B)\) mesmo quando sua “correlação” no sentido coloquial parece baixa. Use sempre o teste formal de independência, não a intuição sobre correlação.
Independência par a par vs. independência mútua
Três eventos podem ser independentes em pares, mas não mutuamente independentes. Um exemplo clássico (Bernstein):
Considere dois lançamentos de uma moeda honesta. Defina:
- \(A\) = o primeiro lançamento é cara.
- \(B\) = o segundo lançamento é cara.
- \(C\) = exatamente um lançamento é cara.
Então \(P(A) = P(B) = P(C) = 0{,}5\), e:
- \(P(A \cap B) = 0{,}25 = P(A)P(B)\) ✓
- \(P(A \cap C) = 0{,}25 = P(A)P(C)\) ✓
- \(P(B \cap C) = 0{,}25 = P(B)P(C)\) ✓
Mas \(P(A \cap B \cap C) = 0 \neq 0{,}5^3 = 0{,}125\). Os três eventos são independentes par a par, mas não mutuamente independentes.
Exemplos reais
Confiabilidade de sistema
Um sistema crítico tem três servidores de backup independentes. Cada servidor está disponível com probabilidade 0,95. O sistema funciona se pelo menos um servidor estiver disponível.
\[P(\text{todos falham}) = (1 - 0{,}95)^3 = 0{,}05^3 = 0{,}000125\]
\[P(\text{o sistema funciona}) = 1 - 0{,}000125 = 0{,}999875\]
A independência aqui é justificada pelos servidores serem fisicamente separados, sem fonte de alimentação ou componentes de rede compartilhados.
Ensaio clínico com dois desfechos
Um ensaio com um medicamento mede dois desfechos: redução da pressão arterial (\(A\)) e redução do colesterol (\(B\)). Após a análise:
\[P(A) = 0{,}60, \quad P(B) = 0{,}45, \quad P(A \cap B) = 0{,}27\]
Teste: \(P(A) \times P(B) = 0{,}60 \times 0{,}45 = 0{,}27 = P(A \cap B)\)
Os dois desfechos são independentes nesse ensaio: se um paciente responde na pressão arterial, isso não dá nenhuma informação sobre sua resposta no colesterol. Esse achado tem implicações para o mecanismo de ação do medicamento.
Segurança de senhas
Uma senha precisa passar por três verificações de segurança independentes: comprimento (\(L\)), caracteres especiais (\(C\)) e não aparecer em uma lista conhecida (\(N\)). Cada verificação é aprovada com probabilidade 0,8, de forma independente.
\[P(\text{todas as verificações passam}) = 0{,}8^3 = 0{,}512\]
\[P(\text{pelo menos uma falha}) = 1 - 0{,}512 = 0{,}488\]
Quase a metade de todas as senhas falha em pelo menos uma verificação.
💡 Quando a independência é uma suposição razoável?
A independência é uma escolha de modelagem. É razoável quando:
- Os eventos surgem de processos fisicamente separados, sem componentes ou causas compartilhadas.
- As observações são extraídas aleatoriamente de uma população grande (amostragem com reposição, ou sem reposição de uma população muito grande).
- As tentativas são repetidas em condições idênticas e sem interação entre si.
Não é razoável quando os eventos compartilham uma causa comum (duas máquinas do mesmo lote), quando os resultados se influenciam mutuamente (uma doença se espalhando entre pessoas em contato), ou ao amostrar sem reposição de uma população pequena.
