Calculadora de Árvore de Probabilidades

Use esta calculadora para informar valores, ajustar opções e conferir resultados em uma área de trabalho compacta e responsiva.

Os resultados são calculados automaticamente conforme você informa os dados.

Nó pai: Início

Limite da árvore: no máximo 100 nós e 12 níveis, incluindo a raiz.

Ramos atuais
Nó pai Resultado P

Árvore

Clique em um nó para adicionar ramificações ou examinar seu caminho.
Probabilidade do caminho selecionado
Modo de simulação

▼ Veja explicações e dicas abaixo ▼

Calculadoras relacionadas

O que é uma árvore de probabilidades?

Uma árvore de probabilidades é um diagrama ramificado para uma situação que se desenvolve em etapas. Cada ramo representa um resultado possível naquela etapa e é identificado por uma probabilidade. Ao seguir um caminho do início da árvore até um ponto final, você pode modelar uma sequência completa de resultados.

As árvores de probabilidades são especialmente úteis quando os resultados posteriores dependem dos anteriores. Por exemplo, a chance de haver trânsito pode ser diferente em dias chuvosos e em dias de céu aberto. Uma árvore permite mostrar essa relação com clareza: primeiro ramifique pelo clima e depois ramifique novamente pela condição do trânsito.

A ideia principal é simples:

  • As probabilidades dos ramos que partem do mesmo nó-pai devem descrever todos os próximos resultados possíveis naquele ponto da árvore.
  • A probabilidade de um caminho completo é obtida multiplicando as probabilidades ao longo desse caminho.
  • Se os caminhos até as folhas abrangerem todos os resultados finais possíveis, suas probabilidades deverão somar \(1\), ou \(100\%\).

Por que as árvores de probabilidades são importantes

Os problemas de probabilidade podem ficar confusos quando há várias etapas, probabilidades condicionais ou muitos resultados finais possíveis. Um diagrama de árvore ajuda a manter a estrutura visível.

As árvores de probabilidades são úteis para:

  • entender a probabilidade condicional nas aulas de estatística;
  • comparar caminhos possíveis em jogos, experimentos, pesquisas e problemas de decisão;
  • verificar se um modelo de probabilidade está completo;
  • mostrar a diferença entre a probabilidade de um único ramo e a probabilidade de uma sequência completa;
  • relacionar probabilidades teóricas a resultados simulados.

Uma árvore também ajuda a evitar um erro comum: tratar uma probabilidade posterior como se fosse incondicional. Em uma árvore, um ramo da segunda etapa geralmente é a probabilidade de um resultado dado o caminho que o precedeu.

Termos importantes

  • Resultado: Um resultado possível, como “Chuva”, “Sem chuva”, “Trânsito” ou “Vias livres”.
  • Ramo: Um próximo resultado possível a partir de um nó-pai.
  • Nó-pai: O ponto onde começa um ou mais ramos.
  • Nó-folha: Um resultado terminal sem outros ramos. Um caminho completo termina em uma folha.
  • Probabilidade do ramo: A probabilidade atribuída a um ramo. Nesta calculadora, ela é informada como um número decimal de \(0\) a \(1\).
  • Probabilidade condicional: A probabilidade de um evento quando outro evento ou resultado anterior já é conhecido.
  • Probabilidade conjunta: A probabilidade de que todos os resultados de um caminho ocorram juntos.
  • Probabilidade teórica: A probabilidade calculada a partir dos valores dos ramos no modelo.
  • Probabilidade empírica: A frequência observada em tentativas repetidas de simulação.

Como funcionam as árvores de probabilidades

Uma árvore de probabilidades começa em uma raiz e depois se ramifica em resultados possíveis. Sob cada nó-pai, as probabilidades dos ramos-filhos devem somar \(1\) quando esses ramos abrangerem todos os próximos resultados possíveis.

Para um nó-pai com probabilidades dos ramos-filhos \(p_1, p_2, \ldots, p_m\), um grupo completo de ramos deve satisfazer:

$$ p_1 + p_2 + \cdots + p_m = 1 $$

Para encontrar a probabilidade de um caminho completo, multiplique as probabilidades dos ramos desse caminho:

$$ P(\text{path}) = \prod_{i=1}^{k} p_i $$

Em que:

  • \(p_i\) é a probabilidade decimal do \(i\)º ramo do caminho.
  • \(k\) é o número de ramos do caminho.
  • \(P(\text{path})\) é a probabilidade conjunta dessa sequência completa.

Para um evento em duas etapas, essa é a conhecida regra da multiplicação:

$$ P(A \text{ and } B) = P(A) \times P(B \mid A) $$

Isso significa que a probabilidade de \(A\) e \(B\) é a probabilidade de \(A\) multiplicada pela probabilidade de \(B\) depois que \(A\) aconteceu.

Se uma árvore tiver vários caminhos terminais, a probabilidade total de todos os resultados das folhas será:

$$ T_{\text{leaf}} = \sum_{\ell \in L} P(\ell) $$

Em que \(L\) é o conjunto de caminhos até as folhas. Em uma árvore completa, esse total deve ser próximo de \(1\), ou \(100\%\).

A simulação acrescenta outra camada. Se um caminho ocorrer \(n_\ell\) vezes em \(N\) tentativas de simulação, sua probabilidade empírica será:

$$ E_\ell = \frac{n_\ell}{N} $$

A probabilidade teórica vem da árvore. A probabilidade empírica vem de tentativas aleatórias, portanto pode variar de uma execução para outra.

Exemplos práticos de árvores de probabilidades

Exemplo 1: Um início simples com dois ramos

Suponha que o resultado de um teste possa ser Aprovado ou Reprovado:

  • Aprovado: \(0.6\)
  • Reprovado: \(0.4\)

O grupo de ramos é consistente porque:

$$ 0.6 + 0.4 = 1 $$

Isso significa que os dois ramos abrangem todos os resultados possíveis no início. As probabilidades também podem ser lidas como \(60\%\) e \(40\%\).

Exemplo 2: Clima e trânsito

Suponha que a primeira etapa seja o clima:

  • Chuva: \(0.3\)
  • Sem chuva: \(0.7\)

Em seguida, o trânsito depende do clima:

  • Se chover: Trânsito \(0.8\), Vias livres \(0.2\)
  • Se não chover: Trânsito \(0.25\), Vias livres \(0.75\)

A probabilidade do caminho Chuva → Trânsito é:

$$ P(\text{Rain and Traffic}) = 0.3 \times 0.8 = 0.24 = 24\% $$

A probabilidade do caminho Sem chuva → Trânsito é:

$$ P(\text{No rain and Traffic}) = 0.7 \times 0.25 = 0.175 = 17.5\% $$

Para encontrar a probabilidade total de trânsito, some os caminhos terminais que terminam em trânsito:

$$ P(\text{Traffic}) = 0.24 + 0.175 = 0.415 = 41.5\% $$

Isso mostra por que as árvores são úteis: o mesmo resultado final pode ser alcançado por mais de um caminho.

Exemplo 3: Um grupo de ramos incompleto

Suponha que um grupo de ramos de clima seja informado como:

  • Chuva: \(0.3\)
  • Sem chuva: \(0.6\)

A soma é:

$$ 0.3 + 0.6 = 0.9 $$

Isso deixa \(0.1\), ou \(10\%\), sem explicação. A árvore ainda pode mostrar os ramos, mas o modelo fica incompleto até que a probabilidade ausente seja corrigida ou outro ramo seja adicionado.

Exemplo 4: Um ramo com probabilidade zero

Uma probabilidade de ramo igual a \(0\) é permitida no modelo. Se um caminho incluir um ramo com probabilidade \(0\), a probabilidade do caminho completo também será \(0\):

$$ 0.5 \times 0 = 0 $$

Uma probabilidade de ramo igual a \(1\) significa que, de acordo com o modelo, esse ramo é certo a partir desse nó-pai. Se um ramo tiver probabilidade \(1\), os outros ramos irmãos deverão somar \(0\) para que o grupo continue consistente.

Como interpretar o resultado

O resultado do caminho selecionado é a probabilidade conjunta de seguir uma sequência exata de ramos desde o início. Ele não é apenas a probabilidade do rótulo do último resultado; inclui todos os ramos do caminho.

A contagem de resultados nas folhas informa quantos caminhos terminais existem atualmente na árvore. Trata-se de uma contagem, não de uma probabilidade.

O total das probabilidades das folhas mostra a soma de todas as probabilidades dos caminhos terminais. Em uma árvore completa e consistente, esse valor deve ser próximo de \(100\%\). Se for muito menor ou maior, a árvore pode ter ramos ausentes, cobertura duplicada ou grupos de ramos que não somam \(1\).

O status de consistência verifica se cada conjunto de ramos irmãos soma \(100\%\). Uma árvore consistente é importante porque cada nó-pai deve descrever um conjunto completo de próximos resultados possíveis.

Nos resultados da simulação, a coluna teórica se baseia nas probabilidades dos ramos. A coluna empírica se baseia em tentativas aleatórias. Com mais tentativas, os resultados empíricos geralmente se aproximam das probabilidades teóricas, mas não precisam coincidir exatamente em uma única simulação.

Erros comuns e equívocos

Informar porcentagens em vez de decimais. Uma probabilidade de \(60\%\) deve ser informada como \(0.6\), não como \(60\) nem como 60%.

Usar frações quando são necessários decimais. Um valor como \(\frac{3}{5}\) deve ser informado como \(0.6\).

Esquecer que os ramos irmãos devem somar \(1\). Se os ramos sob o mesmo nó-pai somarem \(0.85\) ou \(1.20\), a árvore não representará uma divisão completa de probabilidades.

Confundir a probabilidade do ramo com a probabilidade do caminho. Um ramo pode ter probabilidade \(0.8\), mas o caminho completo até esse ramo pode ter probabilidade \(0.3 \times 0.8 = 0.24\).

Somar quando deveria multiplicar. Multiplique ao longo de um caminho. Some caminhos terminais distintos somente quando eles representarem formas alternativas de o evento de interesse ocorrer.

Simular antes de a árvore estar consistente. A simulação só faz sentido quando cada grupo de ramos é uma divisão válida de probabilidades.

Arredondar cedo demais. Arredondar probabilidades intermediárias pode alterar ligeiramente os resultados finais. Mantenha os valores decimais informados tão precisos quanto possível e só depois arredonde a interpretação final.

Supor que um rótulo curto no gráfico altera o rótulo real. Rótulos longos podem ser encurtados na visualização do gráfico, mas o rótulo completo continua sendo o nome significativo do resultado nas tabelas e nos caminhos.

Quando usar árvores de probabilidades

Use uma árvore de probabilidades quando uma situação tiver etapas ou resultados condicionais, como:

  • retirar itens com ou sem reposição;
  • modelar o clima seguido das condições de viagem;
  • descrever resultados de aprovação ou reprovação seguidos das próximas ações;
  • comparar caminhos possíveis em uma decisão ou experimento;
  • ensinar eventos dependentes e independentes;
  • verificar se um modelo de probabilidade abrange todos os resultados finais;
  • comparar probabilidades teóricas com frequências simuladas.

Para um único evento de uma etapa, uma árvore pode ser desnecessária. Para eventos com várias etapas, especialmente quando as probabilidades mudam após resultados anteriores, uma árvore pode tornar a estrutura muito mais fácil de entender.

Limitações e pontos importantes

Uma árvore de probabilidades é tão confiável quanto as probabilidades informadas nela. Se as probabilidades dos ramos forem estimativas, estiverem desatualizadas ou se basearem em dados ruins, o resultado refletirá essas deficiências.

Esta calculadora usa probabilidades decimais de \(0\) a \(1\). Ela não interpreta entradas como 60% ou 3/5. Converta esses valores para decimais antes de informá-los.

Os grupos de ramos são verificados quanto à consistência, mas não são normalizados automaticamente. Se um grupo somar \(0.9\), a calculadora informará o problema em vez de alterar os valores para você.

As probabilidades exibidas são arredondadas como porcentagens, portanto um resultado exibido pode ser aproximado. Podem ocorrer diferenças muito pequenas de arredondamento, especialmente em árvores com muitas probabilidades decimais.

Os resultados da simulação são aleatórios. Duas simulações com a mesma árvore e o mesmo número de tentativas podem produzir porcentagens empíricas diferentes. Um número maior de tentativas geralmente reduz a variação aleatória, mas não a elimina completamente.

A quantidade de tentativas da simulação é limitada a números inteiros de \(1\) a \(100000\). Quantidades muito pequenas podem ser úteis para demonstração, mas podem diferir significativamente das probabilidades teóricas.

Para manter o diagrama utilizável, uma árvore pode conter no máximo 100 nós ao todo e no máximo 12 níveis, incluindo a raiz Início. Adicione ramos ou importe linhas na ordem nó-pai antes do nó-filho, respeitando esses limites.

Para decisões importantes envolvendo dinheiro, saúde, segurança, obrigações legais, trabalho de engenharia ou registros oficiais, trate os resultados da árvore de probabilidades como um recurso educacional ou de modelagem. Verifique novamente as premissas e consulte um profissional qualificado quando necessário.

Como usar esta calculadora

  1. Selecione o nó-pai onde deseja adicionar um ramo. A árvore começa com Início selecionado.
  2. Informe um rótulo para o resultado do ramo, como “Chuva” ou “Aprovado”.
  3. Informe a probabilidade do ramo como um número decimal de \(0\) a \(1\).
  4. Adicione o ramo sob o nó-pai selecionado.
  5. Repita até que todos os ramos irmãos sob cada nó-pai somem \(1\).
  6. Revise o resultado do caminho selecionado, a contagem de resultados nas folhas, o total das probabilidades das folhas e o status de consistência.
  7. Edite os rótulos ou as probabilidades dos ramos na tabela de ramos quando necessário.
  8. Remova um ramo se também quiser remover sua subárvore descendente.
  9. Use a importação somente quando suas linhas estiverem na ordem nó-pai, resultado e probabilidade, e cada nó-pai aparecer antes de seus filhos. As linhas legadas exigem rótulos de resultados exclusivos; Start sempre se refere à raiz, mesmo que um resultado filho também se chame Início. Use IDs de quatro colunas quando os rótulos se repetirem.
  10. Informe um número inteiro de tentativas de \(1\) a \(100000\) antes de executar uma simulação.
  11. Compare as porcentagens teóricas e empíricas após a simulação.
  12. Baixe o gráfico como PNG se precisar de uma imagem da árvore atual.

Perguntas frequentes

Por que os ramos sob um nó-pai precisam somar 1?

Os ramos sob o mesmo nó-pai representam os próximos resultados possíveis a partir daquele ponto. Se abrangerem todas as possibilidades, suas probabilidades deverão somar \(1\), ou \(100\%\). Caso contrário, a árvore está deixando uma probabilidade de fora, contando uma probabilidade duas vezes ou usando probabilidades que não pertencem ao mesmo grupo de ramos.

Devo multiplicar ou somar probabilidades em uma árvore de probabilidades?

Multiplique as probabilidades ao longo de um único caminho para encontrar a probabilidade daquela sequência exata. Some as probabilidades de caminhos terminais distintos quando esses caminhos forem formas alternativas de o evento de interesse acontecer.

Qual é a diferença entre a probabilidade do ramo e a probabilidade conjunta?

A probabilidade do ramo descreve uma etapa a partir de um nó-pai. A probabilidade conjunta descreve um caminho completo, portanto combina todas as probabilidades dos ramos desse caminho. Por exemplo, \(0.3\) pode ser a probabilidade de chuva, enquanto \(0.3 \times 0.8 = 0.24\) é a probabilidade conjunta de chuva e trânsito.

Por que a simulação não coincide exatamente com a probabilidade teórica?

A simulação usa tentativas aleatórias. A porcentagem empírica se baseia no que aconteceu nessas tentativas, portanto pode ficar acima ou abaixo da probabilidade teórica. Com mais tentativas, o valor empírico geralmente se aproxima do valor teórico, mas não há garantia de coincidência exata.

Posso informar 60% ou uma fração como 3/5?

Use somente números decimais. Informe \(60\%\) como \(0.6\) e informe \(\frac{3}{5}\) como \(0.6\). Sinais de porcentagem e textos de frações não são tratados como entradas de probabilidade válidas.

A probabilidade de um ramo pode ser 0 ou 1?

Sim. Uma probabilidade de \(0\) significa que o ramo não contribui com probabilidade para nenhum caminho que o utilize. Uma probabilidade de \(1\) significa que o ramo é certo a partir desse nó-pai no modelo, portanto os outros ramos irmãos devem somar \(0\).

Fontes e referências

Livros

  1. Barbara Illowsky, Susan Dean, et al. Introductory Statistics 2e. OpenStax, 2023. Chapter 3, “Probability,” especially Section 3.5, “Tree and Venn Diagrams,” and Chapter 3 Key Terms. https://openstax.org/books/introductory-statistics-2e/pages/3-5-tree-and-venn-diagrams; https://openstax.org/books/introductory-statistics-2e/pages/3-key-terms
  2. Charles M. Grinstead and J. Laurie Snell. Introduction to Probability, 2nd ed. American Mathematical Society, 2003; freely redistributable version by Peter G. Doyle, 2006. Chapters 4 and 8. https://math.dartmouth.edu/~prob/prob/prob.pdf

Fontes on-line e oficiais

  1. LibreTexts Statistics. “The Monte Carlo Simulation V2.” Acessado em 4 de julho de 2026. https://stats.libretexts.org/Bookshelves/ComputingandModeling/RTG%3ASimulatingHighDimensionalData/TheMonteCarloSimulationV2