Featured image of post Por que «traçar uma reta ao acaso» produz três respostas diferentes: o Paradoxo de Bertrand e os fundamentos da probabilidade

Por que «traçar uma reta ao acaso» produz três respostas diferentes: o Paradoxo de Bertrand e os fundamentos da probabilidade

A probabilidade de uma corda escolhida ao acaso em um círculo unitário ser maior que o lado do triângulo equilátero inscrito é 1/3, 1/2 ou 1/4? Do paradoxo de Joseph Bertrand (1889) ao colapso do princípio da indiferença de Laplace e ao paradoxo do vinho e da água de Keynes, exploramos os axiomas de Kolmogorov, a invariância de grupos de transformação de Jaynes (medida cinemática de Poincaré-Santaló) e a distribuição a priori de Jeffreys.

1. Introdução: O colapso da «aleatoriedade uniforme» em 1889

Nos espaços finitos e discretos, a expressão «escolher ao acaso» parece totalmente inequívoca: ao lançar um dado honesto, cada uma das seis faces possui probabilidade \(1/6\). Contudo, assim que avançamos para o contínuo geométrico, essa intuição desmorona. Em 1889, o matemático francês Joseph Bertrand (1822–1900) apresentou em sua obra Calcul des probabilités um problema aparentemente elementar que abalou os alicerces da teoria das probabilidades: o Paradoxo de Bertrand.

Considere um círculo unitário \(S^1 = \{(x,y) \in \mathbb{R}^2 : x^2 + y^2 = 1\}\) de raio \(R = 1\) e um triângulo equilátero inscrito \(\triangle ABC\). O comprimento do lado do triângulo é \(L = 2R\sin(\pi/3) = \sqrt{3} \approx 1.732\), e o raio do seu círculo inscrito (a distância perpendicular do centro \(O\) a cada lado) é \(r_{\text{in}} = R\cos(\pi/3) = 1/2\).

[Problema de Bertrand (1889)] Escolhe-se «ao acaso» uma corda \(c\) do círculo unitário. Qual é a probabilidade \(P(c > \sqrt{3})\) de que o comprimento dessa corda seja maior que o lado \(L = \sqrt{3}\) do triângulo equilátero inscrito?

Bertrand apresentou três construções geométricas perfeitamente naturais e simétricas que levam a três probabilidades exatas mutuamente contraditórias: \(P_1 = 1/3\), \(P_2 = 1/2\) e \(P_3 = 1/4\).

  flowchart TD
    Q["Questão de Bertrand (1889)<br/>Escolhe-se ao acaso uma corda do círculo unitário:<br/>qual é a probabilidade P(c > √3)?"]
    
    Q --> M1["Método 1: Extremos aleatórios em S¹<br/>Ângulo central θ ~ Uniform(0, π)"]
    Q --> M2["Método 2: Distância radial aleatória<br/>Distância ao centro r ~ Uniform(0, 1)"]
    Q --> M3["Método 3: Ponto médio aleatório em D²<br/>Coordenadas (x, y) ~ Uniform(D²)"]
    
    M1 --> D1["Densidade radial<br/>f₁(r) = 2 / (π√(1 - r²))"]
    M2 --> D2["Densidade radial<br/>f₂(r) = 1"]
    M3 --> D3["Densidade radial<br/>f₃(r) = 2r"]
    
    D1 --> P1["Probabilidade P₁ = 1/3 ≈ 0.3333"]
    D2 --> P2["Probabilidade P₂ = 1/2 = 0.5000"]
    D3 --> P3["Probabilidade P₃ = 1/4 = 0.2500"]

2. Derivação rigorosa das três soluções clássicas e suas funções densidade

Seja \(\theta \in [0, \pi]\) o ângulo central subentendido pela corda, \(r \in [0, 1]\) a distância perpendicular do centro \(O\) ao ponto médio \(M(x,y) = (r\cos\phi, r\sin\phi)\) da corda, e \(c\) o seu comprimento. Pelo teorema de Pitágoras:

\[c = 2\sqrt{1 - r^2} = 2\sin\left(\frac{\theta}{2}\right), \qquad r = \cos\left(\frac{\theta}{2}\right) = \sqrt{1 - \frac{c^2}{4}}\]

O evento \(E = \{c > \sqrt{3}\}\) é estritamente equivalente nos três sistemas de coordenadas a:

\[c > \sqrt{3} \iff 2\sqrt{1 - r^2} > \sqrt{3} \iff 0 \le r < \frac{1}{2} \iff \theta \in \left(\frac{2\pi}{3}, \frac{4\pi}{3}\right)\]

2.1 Método 1: Extremos aleatórios sobre a circunferência (\(P_1 = 1/3\))

Por simetria rotacional \(SO(2)\), fixamos o primeiro extremo \(A\) em um vértice do triângulo (\(\theta = 0\)) e escolhemos o segundo extremo \(B\) segundo \(\theta \sim \text{Uniform}(0, 2\pi)\). Tem-se \(c(\theta) > \sqrt{3}\) se e somente se \(B\) pertence ao arco oposto \(\theta \in (2\pi/3, 4\pi/3)\), de comprimento \(2\pi/3\) em \(2\pi\):

\[P_1(c > \sqrt{3}) = \frac{4\pi/3 - 2\pi/3}{2\pi} = \frac{1}{3}\]

Com \(r = \cos(\theta/2)\) (\(\theta \in [0, \pi]\), \(f_\Theta(\theta) = 1/\pi\)) e o jacobiano \(\left|\frac{d\theta}{dr}\right| = \frac{2}{\sqrt{1 - r^2}}\), obtemos:

\[f_{R,1}(r) = \frac{2}{\pi\sqrt{1 - r^2}}, \qquad f_{C,1}(c) = \frac{2}{\pi\sqrt{4 - c^2}}, \qquad \mathbb{E}_1[c] = \frac{4}{\pi} \approx 1.2732\]

2.2 Método 2: Distância radial aleatória ao longo de um raio fixo (\(P_2 = 1/2\))

Escolhemos uma direção radial \(\phi \sim \text{Uniform}(0, 2\pi)\) e sobre ela a distância ao centro \(r \sim \text{Uniform}(0, 1)\). Como o lado do triângulo equilátero dista \(r_{\text{in}} = 1/2\) do centro, \(c > \sqrt{3} \iff 0 \le r < 1/2\):

\[P_2(c > \sqrt{3}) = \int_0^{1/2} 1\,dr = \frac{1}{2}, \qquad f_{R,2}(r) = 1, \qquad f_{C,2}(c) = \frac{c}{2\sqrt{4 - c^2}}, \qquad \mathbb{E}_2[c] = \frac{\pi}{2} \approx 1.5708\]

2.3 Método 3: Ponto médio aleatório uniformemente no disco (\(P_3 = 1/4\))

Toda corda não diametral é determinada de forma única pelo seu ponto médio \(M(x, y) \in D^2\). Escolhendo \(M\) uniformemente em relação à área \(dx\,dy\) do disco unitário \(D^2\) (\(f_{X,Y}(x,y) = 1/\pi\)), então \(c > \sqrt{3}\) se e somente se \(M\) cai dentro do disco inscrito concêntrico \(D_{1/2}\) de raio \(1/2\):

\[P_3(c > \sqrt{3}) = \frac{\text{Área}(D_{1/2})}{\text{Área}(D_1)} = \frac{\pi (1/2)^2}{\pi (1)^2} = \frac{1}{4}\]

Por que os métodos 2 e 3 divergem? Porque o elemento de área em coordenadas polares inclui o determinante jacobiano \(J = r\), isto é, \(dx\,dy = r\,dr\,d\phi\). Integrando em \(\phi \in [0, 2\pi)\), a densidade marginal radial torna-se linear:

\[f_{R,3}(r) = \int_0^{2\pi} \frac{1}{\pi} r\,d\phi = 2r, \qquad f_{C,3}(c) = \frac{c}{2}, \qquad \mathbb{E}_3[c] = \frac{4}{3} \approx 1.3333\]
CaracterísticaMétodo 1: Extremos aleatóriosMétodo 2: Raio aleatórioMétodo 3: Ponto médio aleatório
Coordenada uniformeÂngulo \(\theta \sim U(0, \pi)\)Distância \(r \sim U(0, 1)\)Área \((x,y) \sim U(D^2)\) (\(r^2 \sim U(0,1)\))
Elemento de medida \(d\mathbb{P}(r,\phi)\)\(\dfrac{1}{\pi^2\sqrt{1 - r^2}}\,dr\,d\phi\)\(\dfrac{1}{2\pi}\,dr\,d\phi\)\(\dfrac{r}{\pi}\,dr\,d\phi = \dfrac{1}{\pi}\,dx\,dy\)
Densidade radial \(f_R(r)\)\(\dfrac{2}{\pi\sqrt{1 - r^2}}\)\(1\)\(2r\)
Densidade de comprimento \(f_C(c)\)\(\dfrac{2}{\pi\sqrt{4 - c^2}}\)\(\dfrac{c}{2\sqrt{4 - c^2}}\)\(\dfrac{c}{2}\)
Probabilidade \(P(c > \sqrt{3})\)\(1/3 \approx 0.3333\)\(1/2 = 0.5000\)\(1/4 = 0.2500\)
Esperança \(\mathbb{E}[c]\)\(4/\pi \approx 1.2732\)\(\pi/2 \approx 1.5708\)\(4/3 \approx 1.3333\)

3. A crise do princípio da indiferença de Laplace e o paradoxo do vinho e da água de Keynes (1921)

A probabilidade clássica de Pierre-Simon Laplace baseava-se no princípio da razão insuficiente, renomeado como princípio da indiferença (Principle of Indifference) por John Maynard Keynes (1921) em A Treatise on Probability. No contínuo, atribuir uma densidade uniforme \(f_X(x) = \frac{1}{b-a}\) a um parâmetro \(x \in [a, b]\) sob uma transformação não linear \(y = g(x)\) multiplica a densidade pelo jacobiano \(\left|\frac{dx}{dy}\right|\):

\[f_Y(y) = f_X\bigl(g^{-1}(y)\bigr)\left|\frac{dx}{dy}\right|\]

No paradoxo do vinho e da água de Keynes (1921):

  • Uma taça contém uma mistura de vinho e água cuja razão \(x = W_{\text{vinho}}/W_{\text{água}}\) está entre \(1/3\) e \(3\). Se \(x \sim \text{Uniform}(1/3, 3)\), a mediana é \(x_{\text{med}} = 5/3\) e \(P_X(x \le 2) = \frac{2 - 1/3}{3 - 1/3} = \frac{5}{8} = 0.625\).
  • Porém, a mesma premissa implica que a razão inversa \(y = 1/x = W_{\text{água}}/W_{\text{vinho}}\) também pertence a \([1/3, 3]\). Se \(y \sim \text{Uniform}(1/3, 3)\), a mediana é \(y_{\text{med}} = 5/3\) (contradizendo \(x \cdot y = 1\)!) e o mesmo evento \(x \le 2 \iff y \ge 1/2\) tem probabilidade \(P_Y(y \ge 1/2) = \frac{3 - 1/2}{3 - 1/3} = \frac{15}{16} = 0.9375 \neq \frac{5}{8}\).

4. As três resoluções matemáticas e físicas modernas

  flowchart TD
    Crisis["Crise do princípio da indiferença de Laplace<br/>A reparametrização não linear y = g(x) introduz o jacobiano |dx/dy|"]
    
    Crisis --> R1["Resolução 1: Kolmogorov (1933)<br/>Axiomas da teoria da medida (Ω, F, P)"]
    Crisis --> R2["Resolução 2: Jaynes (1973) e Geometria Integral<br/>Medida cinemática E(2)-invariante"]
    Crisis --> R3["Resolução 3: Jeffreys (1946) e Geometria da Informação<br/>Elemento de volume de Fisher"]
    
    R1 --> R1D["Sem especificar explicitamente a medida P, o problema é mal posto;<br/>cada mecanismo físico define um espaço de probabilidade distinto."]
    R2 --> R2D["A invariância sob o grupo euclidiano E(2) seleciona de forma única<br/>a medida cinemática dμ = dp dφ (Método 2, P = 1/2, fórmula de Cauchy-Crofton)."]
    R3 --> R3D["A distribuição a priori de Jeffreys p(θ) ∝ √det I(θ) ou a medida de Haar dx/x<br/>garante invariância exata sob reparametrizações."]

4.1 Axiomatização na teoria da medida de Kolmogorov \((\Omega, \mathcal{F}, \mathbb{P})\) (1933)

Em 1933, Andrei Kolmogorov estabeleceu que todo problema probabilístico exige definir explicitamente a tripla \((\Omega, \mathcal{F}, \mathbb{P})\). Sem especificar a medida de probabilidade \(\mathbb{P}\), pedir a probabilidade de uma corda «ao acaso» é matematicamente mal posto.

4.2 Invariância por grupos de transformação de E. T. Jaynes (1973) e geometria integral

Em “The Well-Posed Problem” (1973), o físico Edwin T. Jaynes demonstrou que ao lançar canudos longos sobre um círculo desenhado no chão, a medida \(h(p, \phi)\,dp\,d\phi\) das retas \(x\cos\phi + y\sin\phi = p\) deve ser invariante sob:

  1. Rotações \(SO(2)\): \(h(p, \phi) = g(p)/(2\pi)\);
  2. Mudanças de escala (restrição a um subcírculo concêntrico de raio \(a < 1\));
  3. Translações \(\mathbb{R}^2\) (grupo euclidiano de movimentos rígidos \(E(2) = \mathbb{R}^2 \rtimes O(2)\)): ao transladar a origem por \((x_0, y_0)\), tem-se \(p' = p - x_0\cos\phi - y_0\sin\phi\) e \(\phi' = \phi\), cujo determinante jacobiano é identicamente \(1\): \(J = \det\frac{\partial(p', \phi')}{\partial(p, \phi)} = \det\begin{pmatrix} 1 & x_0\sin\phi - y_0\cos\phi \\ 0 & 1 \end{pmatrix} = 1\) A invariância translacional \(g(p') = g(p)\) impõe de forma única \(g(p) = \text{const.}\)

Esta é a medida cinemática de Poincaré–Santaló da geometria integral:

\[d\mu(L) = dp\,d\phi\]

Pela fórmula de Cauchy–Crofton (que também rege a agulha de Buffon), a medida das retas que interceptam um corpo convexo \(K \subset \mathbb{R}^2\) é igual ao seu perímetro \(\text{Perimeter}(\partial K)\). A razão entre o perímetro do círculo inscrito (\(\pi\)) e do círculo unitário (\(2\pi\)) fornece imediatamente o Método 2 (\(P = 1/2\)).

4.3 Distribuição a priori de Jeffreys (1946)

Na inferência bayesiana, Harold Jeffreys (1946) utilizou a raiz quadrada do determinante da matriz de informação de Fisher \(I_{ij}(\theta) = -\mathbb{E}\left[\frac{\partial^2 \ln p(X\mid\theta)}{\partial\theta_i\partial\theta_j}\right]\):

\[p_J(\theta) \propto \sqrt{\det I(\theta)}\]

Para o paradoxo do vinho e da água, a medida de Haar do grupo multiplicativo \((\mathbb{R}_{>0}, \times)\), \(d\mu(x) = \frac{dx}{x}\) com densidade \(f(x) = \frac{1}{2\ln 3 \cdot x}\) em \([1/3, 3]\), é invariante sob \(y = 1/x\), fornecendo uma mediana consistente \(x_{\text{med}} = y_{\text{med}} = 1\).


5. Simulação de Monte Carlo em Python

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
import numpy as np

def simulate_bertrand(n: int = 1_000_000, seed: int = 42) -> None:
    rng = np.random.default_rng(seed)
    limit = np.sqrt(3.0)

    # Método 1: Extremos aleatórios em S^1 (P = 1/3)
    t1 = rng.uniform(0, 2 * np.pi, n)
    t2 = rng.uniform(0, 2 * np.pi, n)
    c1 = 2.0 * np.sin(np.abs(t1 - t2) / 2.0)

    # Método 2: Distância radial aleatória r ~ U(0, 1) (P = 1/2)
    r2 = rng.uniform(0.0, 1.0, n)
    c2 = 2.0 * np.sqrt(1.0 - r2**2)

    # Método 3: Ponto médio aleatório u = r^2 ~ U(0, 1) (P = 1/4)
    r3 = np.sqrt(rng.uniform(0.0, 1.0, n))
    c3 = 2.0 * np.sqrt(1.0 - r3**2)

    # Método 4: Experimento físico de Jaynes (Círculo deslocado em (3.5, -2.0))
    phi = rng.uniform(0, 2 * np.pi, n * 5)
    p = rng.uniform(-10.0, 10.0, n * 5)
    r_shifted = np.abs(p - (3.5 * np.cos(phi) - 2.0 * np.sin(phi)))
    hits = r_shifted[r_shifted <= 1.0]
    c_jaynes = 2.0 * np.sqrt(1.0 - hits**2)

    for name, arr, exact in [
        ("Method 1 (Endpoints)", c1, 1/3),
        ("Method 2 (Radius)", c2, 1/2),
        ("Method 3 (Midpoint)", c3, 1/4),
        ("Jaynes Off-Center Toss", c_jaynes, 1/2),
    ]:
        print(f"{name:<24}: P(c > √3) = {np.mean(arr > limit):.5f} (Exact: {exact:.5f})")

if __name__ == "__main__":
    simulate_bertrand()
comments powered by Disqus