O simples ato de lançar uma moeda revela muito mais do que um jogo de sorte. Por trás do “cara ou coroa” estão conceitos centrais da probabilidade, como variáveis Bernoulli, distribuição Binomial, independência, Lei dos Grandes Números e sequências longas. Neste artigo, usamos uma moeda justa como exemplo para entender como eventos aparentemente aleatórios podem ser descritos matematicamente, por que a frequência de caras tende a se aproximar de 50% no longo prazo e por que sequências improváveis, como várias caras seguidas, ainda fazem parte do comportamento natural do acaso.
1) Modelo probabilístico (moeda justa)
Um lançamento
Espaço amostral:
\[\Omega=\{C,K\}\]onde $C$ = cara, $K$ = coroa.
Como é justa:
\[P(C)=P(K)=\frac12.\]2) Formalizando o cara-ou-coroa como v.a. Bernoulli
Defina, para o $i$-ésimo lançamento:
\[X_i= \begin{cases} 1, & \text{se deu cara}\\ 0, & \text{se deu coroa} \end{cases}\]Assumindo moeda justa e independência:
\[X_i \sim \text{i.i.d. Bernoulli}(p),\quad p=\frac12.\]Então:
\[\mathbb{E}[X_i]=p=\frac12, \qquad \mathrm{Var}(X_i)=p(1-p)=\frac14.\]A proporção de caras em $n$ lançamentos é
\[\hat p_n=\frac{1}{n}\sum_{i=1}^{n}X_i.\]3) Vários lançamentos: contagem de caras e distribuição Binomial
Considere $n$ lançamentos independentes e defina a v.a.
\[X=\text{número de caras em }n\text{ lançamentos}.\]Então:
\[X\sim \text{Binomial}(n,p),\quad p=\frac12.\]A probabilidade de exatamente $k$ caras é:
\[P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}.\]Como $p=\frac12$:
\[P(X=k)=\binom{n}{k}\left(\frac12\right)^k\left(\frac12\right)^{n-k} =\binom{n}{k}\left(\frac12\right)^n =\frac{\binom{n}{k}}{2^n}.\]Interpretação combinatória: há $2^n$ sequências equiprováveis; e $\binom{n}{k}$ delas têm exatamente $k$ caras.
4) Cálculos passo a passo (exemplos)
Exemplo A — $n=5$: probabilidade de sair exatamente $k=3$ caras
Seja $X$ o número de caras em $n=5$ lançamentos de uma moeda justa. Então $X\sim\mathrm{Bin}(5,\tfrac12)$ e:
\[P(X=3)=\binom{5}{3}\left(\frac12\right)^3\left(1-\frac12\right)^{5-3} =\binom{5}{3}\left(\frac12\right)^3\left(\frac12\right)^2 =\binom{5}{3}\left(\frac12\right)^5 =\frac{\binom{5}{3}}{2^5}.\]Agora, calcule $\binom{5}{3}$:
\[\binom{5}{3}=\frac{5!}{3!\,(5-3)!}=\frac{5!}{3!\,2!}.\]Expanda os fatoriais:
\[5!=5\cdot 4\cdot 3\cdot 2\cdot 1,\qquad 3!=3\cdot 2\cdot 1,\qquad 2!=2\cdot 1.\]Substituindo:
\[\binom{5}{3} =\frac{5\cdot 4\cdot 3\cdot 2\cdot 1}{(3\cdot 2\cdot 1)\,(2\cdot 1)}.\]Cancele o fator comum $(3\cdot 2\cdot 1)$:
\[\binom{5}{3} =\frac{5\cdot 4\;\cancel{(3\cdot 2\cdot 1)}}{\cancel{(3\cdot 2\cdot 1)}\,(2\cdot 1)} =\frac{5\cdot 4}{2\cdot 1}.\]Efetue as operações:
\[\binom{5}{3}=\frac{20}{2}=10.\]Agora calcule $2^5$:
\[2^5=2\cdot 2\cdot 2\cdot 2\cdot 2=32.\]Substituindo em $P(X=3)$:
\[P(X=3)=\frac{\binom{5}{3}}{2^5}=\frac{10}{32}.\]Simplifique a fração (dividindo por $2$):
\[\frac{10}{32}=\frac{10\div 2}{32\div 2}=\frac{5}{16}.\]Converta para decimal:
\[\frac{5}{16} =\frac{50}{160} =0{,}3125.\]Logo,
\[P(X=3)=\frac{10}{32}=\frac{5}{16}=0{,}3125.\]Exemplo B — $n=3$: probabilidade de “pelo menos uma cara”
Defina o evento:
\[A=\{\text{pelo menos uma cara}\}.\]Use o complementar:
\[A^c=\{\text{nenhuma cara}\}=\{\text{todas coroa}\}.\]Como os lançamentos são independentes e $P(\text{coroa})=\frac12$:
\[P(A^c)=\left(\frac12\right)^3.\]Calcule:
\[\left(\frac12\right)^3 =\frac12\cdot\frac12\cdot\frac12 =\frac{1\cdot 1\cdot 1}{2\cdot 2\cdot 2} =\frac{1}{8}.\]Então:
\[P(A)=1-P(A^c)=1-\left(\frac12\right)^3=1-\frac18.\]Escreva $1$ com denominador $8$:
\[1=\frac{8}{8}.\]Subtraia:
\[1-\frac18=\frac{8}{8}-\frac{1}{8}=\frac{7}{8}.\]Converta para decimal:
\[\frac{7}{8}=0{,}875.\]Logo,
\[P(A)=1-P(A^c)=1-\left(\frac12\right)^3 =1-\frac18=\frac78=0{,}875.\]Exemplo C — probabilidade de “todas caras” em $n$ lançamentos
(1) Argumento por contagem de sequências (como no enunciado)
Em $n$ lançamentos, existem $2^n$ sequências possíveis (cada lançamento tem 2 resultados). A sequência “todas caras” é única: “$CCCC\ldots C$”. Portanto:
\[P(\text{todas caras})=\frac{1}{2^n}=\left(\frac12\right)^n.\](2) Argumento por independência (produto)
Seja $C_i={\text{cara no lançamento }i}$. Então:
\[P(\text{todas caras}) =P(C_1\cap C_2\cap\cdots\cap C_n).\]Como os lançamentos são independentes:
\[P(C_1\cap\cdots\cap C_n)=\prod_{i=1}^{n}P(C_i).\]E, para moeda justa, $P(C_i)=\frac12$ para todo $i$, logo:
\[P(\text{todas caras})=\prod_{i=1}^{n}\frac12=\left(\frac12\right)^n.\]Por exemplo, em $n=10$:
\[\left(\frac12\right)^{10}=\frac{1}{2^{10}}.\]Calcule $2^{10}$:
\[2^{10}=2\cdot 2\cdot 2\cdot 2\cdot 2\cdot 2\cdot 2\cdot 2\cdot 2\cdot 2.\]Agrupe como $(2^5)(2^5)$:
\[2^{10}=(2^5)(2^5)=32\cdot 32=1024.\]Então:
\[\left(\frac12\right)^{10}=\frac{1}{1024}.\]Em decimal:
\[\frac{1}{1024}=0{,}0009765625\approx 0{,}0009766.\]5) Fenômeno observado: por que a frequência “tende” a $1/2$, mas não fica exatamente $1/2$?
Considere a proporção amostral de caras:
\[\hat p=\frac{X}{n}.\]Valor esperado e variância
Para $X\sim \text{Bin}(n,\tfrac12)$:
\[\mathbb{E}[X]=np=\frac{n}{2}, \qquad \mathrm{Var}(X)=np(1-p)=n\cdot\frac12\cdot\frac12=\frac{n}{4}.\]Então:
\[\mathbb{E}[\hat p]=\mathbb{E}\!\left[\frac{X}{n}\right] =\frac{1}{n}\mathbb{E}[X]=\frac12,\] \[\mathrm{Var}(\hat p)=\mathrm{Var}\!\left(\frac{X}{n}\right) =\frac{1}{n^2}\mathrm{Var}(X)=\frac{1}{n^2}\cdot\frac{n}{4} =\frac{1}{4n}.\]Logo o desvio-padrão de $\hat p$ é
\[\mathrm{sd}(\hat p)=\sqrt{\frac{1}{4n}}=\frac{1}{2\sqrt{n}}.\]Leitura estatística: a “distância típica” de $\hat p$ até $1/2$ é da ordem de $1/\sqrt{n}$. Ou seja, conforme $n$ cresce, a proporção se concentra em torno de $0{,}5$, mas sempre com flutuações.
6) Lei dos Grandes Números (LGN): onde entra?
LGN fraca (convergência em probabilidade)
\[\hat p_n \xrightarrow{P} \frac12 \quad \text{quando } n\to\infty.\]Isto significa:
\[\forall\,\varepsilon>0,\quad P\!\left(\left|\hat p_n-\frac12\right|>\varepsilon\right)\to 0.\]LGN forte (quase certamente)
\[\hat p_n \xrightarrow{a.s.} \frac12.\]Ou seja, com probabilidade 1, a sequência de médias amostrais de fato converge para $1/2$.
Leitura prática: quanto mais você lança, mais a frequência de caras “gruda” em torno de 50%.
7) Uma demonstração curta “de lousa” (via Chebyshev)
Primeiro, calcule a variância de $\hat p_n$.
Como $X_i$ são independentes:
\[\mathrm{Var}\!\left(\sum_{i=1}^{n}X_i\right) =\sum_{i=1}^{n}\mathrm{Var}(X_i) =n\cdot\frac14=\frac{n}{4}.\]Logo,
\[\mathrm{Var}(\hat p_n) =\mathrm{Var}\!\left(\frac{1}{n}\sum_{i=1}^{n}X_i\right) =\frac{1}{n^2}\mathrm{Var}\!\left(\sum_{i=1}^{n}X_i\right) =\frac{1}{n^2}\cdot\frac{n}{4} =\frac{1}{4n}.\]Agora, pela desigualdade de Chebyshev:
\[P\!\left(\left|\hat p_n-\mathbb{E}[\hat p_n]\right|\ge\varepsilon\right) \le \frac{\mathrm{Var}(\hat p_n)}{\varepsilon^2}.\]Mas $\mathbb{E}[\hat p_n]=1/2$. Então:
\[P\!\left(\left|\hat p_n-\frac12\right|\ge\varepsilon\right) \le \frac{1}{4n\varepsilon^2}\xrightarrow[n\to\infty]{}0.\]Isso já prova a LGN fraca aqui.
8) Por que isso NÃO contradiz sequências longas?
Sequências longas (runs) são eventos “locais” (padrões consecutivos).
A LGN é sobre um evento “global”: o comportamento da média $\hat p_n$.
Você pode ter uma sequência de, digamos, 15 caras seguidas e ainda assim, ao longo de milhares de lançamentos, a proporção total de caras ficar muito perto de $0{,}5$. A LGN não diz “não haverá runs”; ela diz “o saldo médio estabiliza”.
Uma forma de ver a coexistência:
- Runs existem e até ficam maiores com $n$ (tipicamente $\sim \log_2 n$).
- Mas a flutuação de $\hat p_n$ encolhe em escala $\sim n^{-1/2}$.
9) Por que aparecem “sequências” (várias caras seguidas)?
Mesmo com independência, sequências longas não são anomalia: elas fazem parte da variabilidade natural.
Importante: independência significa
\[P(\text{cara no próximo}\mid \text{muitas caras antes}) =P(\text{cara})=\frac12.\]Ou seja, após 5 caras seguidas, a chance de cara continua $1/2$.
A intuição de que “agora tem que vir coroa” é a falácia do jogador.
10) (Curiosidade) “Dar exatamente 50% de caras” não é tão provável quanto parece
Se $X\sim \text{Bin}(n,\tfrac12)$, então
\[P(X=k)=\frac{\binom{n}{k}}{2^n}.\]Para $n$ par, a probabilidade de empatar ($X=n/2$) é
\[P\!\left(X=\frac{n}{2}\right)=\frac{\binom{n}{n/2}}{2^n} \approx \sqrt{\frac{2}{\pi n}} \quad \text{(aprox. normal / Stirling)}.\]Ex.: $n=100$:
\[P(X=50)\approx \sqrt{\frac{2}{\pi\cdot 100}} \approx 0{,}0798,\]ou seja, ~8% apenas. “Perto de 50” é comum; “exatamente 50” nem tanto.
11) Sequências longas (“runs”) são esperadas: o maior bloco cresce como $\log_2 n$
Uma heurística clássica:
o número “esperado” de ocorrências de uma sequência de $k$ caras em $n$ lançamentos é da ordem de
\[\approx \frac{n}{2^k}.\]Quando $\frac{n}{2^k}\approx 1$, você “começa a esperar” ver ao menos uma vez:
\[2^k\approx n \;\Rightarrow\; k\approx \log_2 n.\]Exemplos:
- $n=1000$: $\log_2(1000)\approx 9{,}97$ $\Rightarrow$ é bem normal aparecer uma sequência máxima de ~10 caras.
- $n=1\,000\,000$: $\log_2(10^6)\approx 19{,}93$ $\Rightarrow$ sequências máximas de ~20 são esperadas.
Moral: runs longos não indicam “viciada” automaticamente.
12) Probabilidade de sair 100 caras seguidas (em 100 lançamentos)
Existe exatamente 1 sequência “$CCCC\ldots C$” entre as $2^{100}$ sequências possíveis de 100 lançamentos. Logo,
\[P(100\ \text{caras em 100 lançamentos}) =\left(\frac12\right)^{100} =\frac{1}{2^{100}}.\]Como
\[2^{100}=1267650600228229401496703205376,\]temos
\[P=\frac{1}{1267650600228229401496703205376} \approx 7{,}8886\times 10^{-31}.\]Observação importante: se você lançar para sempre, a probabilidade de em algum momento aparecer uma sequência de 100 caras é 1 (quase certamente). O que é gigantesco é o tempo de espera típico.
13) “Tentando sem parar”: tempo esperado até aparecer uma sequência de 100 caras (sem reiniciar)
Defina $T$ = número de lançamentos até ocorrer pela primeira vez uma sequência de $k=100$ caras consecutivas.
Para moeda justa, um resultado clássico:
\[\mathbb{E}[T]=2^{k+1}-2.\]Para $k=100$:
\[\mathbb{E}[T]=2^{101}-2.\]Como
\[2^{101}=2535301200456458802993406410752,\]segue:
\[\mathbb{E}[T]=2535301200456458802993406410750 \approx 2{,}5353\times 10^{30}\ \text{lançamentos}.\]Convertendo para tempo (depende da taxa de lançamentos)
Se você faz $r$ lançamentos por segundo, então
\[\mathbb{E}[\text{tempo}]=\frac{2^{101}-2}{r}\ \text{segundos}.\]Usando $1$ ano $\approx 365{,}25\times 24\times 3600 = 31557600$ s:
- $r=1$ lançamento/s:
- $r=10$ lançamentos/s: $\approx 8{,}0339\times 10^{21}$ anos
- $r=100$ lançamentos/s: $\approx 8{,}0339\times 10^{20}$ anos
Por que $\mathbb{E}[T]$ é da ordem de $2^{101}$ (e não $2^{100}$)?
Porque “sem parar” permite janelas sobrepostas e estados parciais (você pode estar com 37 caras seguidas “em andamento”). A teoria de tempos de espera para runs leva ao fator $\approx 2$ a mais:
\[\mathbb{E}[T]\approx 2\cdot 2^{100}.\]Exemplo rápido: $k=10$
Se você lança sem parar e espera a primeira ocorrência de $k=10$ caras consecutivas:
\[\mathbb{E}[T]=2^{11}-2=2048-2=2046\ \text{lançamentos}.\]Isso é uma forma elegante de ver “o preço” de exigir padrão muito específico.
14) (Mais avançada) Lei do Arco-Seno: “ficar na frente” costuma ser extremo
Considere o passeio aleatório
\[S_n=\#\text{caras}-\#\text{coroas}.\]Um fato contraintuitivo: a fração do tempo em que $S_n>0$ (mais caras do que coroas) tende a ter distribuição em “U” (muito perto de 0% ou 100% é mais provável do que perto de 50%). Isso é a lei do arco-seno para passeios aleatórios.
É um ótimo antídoto contra intuições lineares.
Comentários