Eventos e Espaço Amostral

Os conceitos de Eventos e Espaço Amostral são fundamentais para a teoria da probabilidade. Eles fornecem a estrutura básica para entender e calcular probabilidades em diversos contextos.

🎲 Importante:
O espaço amostral é o conjunto de todos os possíveis resultados de um experimento aleatório.
Um evento é qualquer subconjunto do espaço amostral.

1. Espaço Amostral

1.1 Definição Formal

O espaço amostral, geralmente denotado por Ω (ômega) ou S, é o conjunto que contém todos os possíveis resultados de um experimento aleatório.

Exemplos:

Lançamento de uma moeda: Ω = {cara, coroa}
Lançamento de um dado: Ω = {1, 2, 3, 4, 5, 6}
Extração de uma carta de um baralho: Ω = {todas as 52 cartas}

1.2 Tipos de Espaço Amostral

Discreto
- Número finito ou contável de elementos
- Exemplo: resultados de um dado
Contínuo
- Número incontável de elementos
- Exemplo: temperatura em um dia

1.3 Representação Visual

Vamos visualizar diferentes espaços amostrais usando Julia:

julia

using Plots, Random
using StatsPlots

# Configuração para reprodutibilidade
Random.seed!(123)

# Simulação de lançamentos de dado
lancamentos = rand(1:6, 1000)

# Histograma dos resultados
p1 = histogram(lancamentos,
    bins=6,
    title="Espaço Amostral Discreto\n(Lançamento de Dado)",
    xlabel="Resultado",
    ylabel="Frequência",
    label="",
    color=:royalblue,
    alpha=0.7)

# Simulação de temperatura diária
temperaturas = rand(Normal(25, 5), 1000)

# Histograma das temperaturas
p2 = histogram(temperaturas,
    bins=30,
    title="Espaço Amostral Contínuo\n(Temperatura Diária)",
    xlabel="Temperatura (°C)",
    ylabel="Frequência",
    label="",
    color=:darkorange,
    alpha=0.7)

# Combinando os plots
plot(p1, p2,
    layout=(1,2),
    size=(1000,400),
    margin=10mm)

Tipos de Espaço Amostral

Figura 1: Visualização de espaços amostrais discreto e contínuo

2. Eventos

2.1 Definição Formal

Um evento (A) é qualquer subconjunto do espaço amostral (Ω). Em termos matemáticos: \(A \subseteq \Omega\)

2.2 Tipos de Eventos

Evento Simples
- Contém apenas um elemento do espaço amostral
- Exemplo: {6} no lançamento de um dado
Evento Composto
- Contém mais de um elemento do espaço amostral
- Exemplo: {2, 4, 6} (números pares no dado)
Evento Impossível (∅)
- Não contém elementos
- Probabilidade = 0
Evento Certo (Ω)
- Contém todos os elementos do espaço amostral
- Probabilidade = 1

2.3 Operações com Eventos

Sejam A e B eventos do mesmo espaço amostral:

União (A ∪ B)
- Ocorrência de A OU B
- Exemplo: números pares OU maiores que 4 em um dado
Interseção (A ∩ B)
- Ocorrência de A E B
- Exemplo: números pares E maiores que 4 em um dado
Complemento (A’)
- Não ocorrência de A
- A’ = Ω - A

2.4 Visualização de Operações

julia

using Plots

# Função para criar círculo
function circle(h, k, r)
    θ = range(0, 2π, length=100)
    h .+ r*cos.(θ), k .+ r*sin.(θ)
end

# Plot base
plot(size=(800,300), layout=(1,3), legend=:top)

# União
p1 = plot!(subplot=1, title="União (A ∪ B)")
plot!(p1, circle(0,0,1), seriestype=:shape, alpha=0.3, color=:blue, label="A")
plot!(p1, circle(1,0,1), seriestype=:shape, alpha=0.3, color=:red, label="B")
plot!(p1, xlims=(-1.5,2.5), ylims=(-1.5,1.5), aspect_ratio=:equal)

# Interseção
p2 = plot!(subplot=2, title="Interseção (A ∩ B)")
plot!(p2, circle(0,0,1), seriestype=:shape, alpha=0.3, color=:blue, label="A")
plot!(p2, circle(1,0,1), seriestype=:shape, alpha=0.3, color=:red, label="B")
plot!(p2, xlims=(-1.5,2.5), ylims=(-1.5,1.5), aspect_ratio=:equal)

# Complemento
p3 = plot!(subplot=3, title="Complemento (A')")
plot!(p3, circle(0,0,1), seriestype=:shape, alpha=0.3, color=:blue, label="A")
rectangle = Shape([-1.5,-1.5], [2.5,-1.5], [2.5,1.5], [-1.5,1.5])
plot!(p3, rectangle, fillalpha=0.1, color=:gray, label="Ω")
plot!(p3, xlims=(-1.5,2.5), ylims=(-1.5,1.5), aspect_ratio=:equal)

Operações com Eventos

Figura 2: Representação visual das operações com eventos usando diagramas de Venn

3. Cardinalidade

A cardinalidade de um conjunto, denotada por \(\text{card}(A)\) ou \(n(A)\), representa o número de elementos desse conjunto. Este conceito é fundamental para o cálculo de probabilidades em espaços amostrais finitos.

3.1 Definição e Notação

Seja \(A\) um conjunto qualquer:

Cardinalidade de \(A\): \(\text{card}(A)\) ou \(n(A)\)
Cardinalidade do espaço amostral: \(\text{card}(\Omega)\)
Cardinalidade do conjunto vazio: \(\text{card}(\emptyset) = 0\)

Para conjuntos finitos, a cardinalidade é um número natural: \(\text{card}(A) \in \mathbb{N}_0 = \{0, 1, 2, ...\}\)

3.2 Propriedades

Cardinalidade da União

Para quaisquer eventos \(A, B \subseteq \Omega\): \(\text{card}(A \cup B) = \text{card}(A) + \text{card}(B) - \text{card}(A \cap B)\)

Para três eventos \(A, B, C \subseteq \Omega\):
\[\begin{align*} \text{card}(A \cup B \cup C) &= \text{card}(A) + \text{card}(B) + \text{card}(C) \\ &- \text{card}(A \cap B) - \text{card}(B \cap C) - \text{card}(A \cap C) \\ &+ \text{card}(A \cap B \cap C) \end{align*}\]
Cardinalidade do Complemento

Para um evento \(A \subseteq \Omega\): \(\text{card}(A^c) = \text{card}(\Omega) - \text{card}(A)\)
Propriedades Básicas
- Se \(A \subseteq B\), então \(\text{card}(A) \leq \text{card}(B)\)
- o \(\text{card}(A \cap B) \leq \min(\text{card}(A), \text{card}(B))\)
- o \(\text{card}(A \cup B) \leq \text{card}(A) + \text{card}(B)\)

3.3 Exemplos Práticos

Lançamento de um Dado
- \(\text{card}(\Omega) = 6\) (faces do dado)
- Seja \(P = \{x \in \Omega : x \text{ é par}\}\), então \(\text{card}(P) = 3\) (faces 2, 4, 6)
- Seja \(M = \{x \in \Omega : x > 4\}\), então \(\text{card}(M) = 2\) (faces 5, 6)
- \(\text{card}(P \cap M) = 1\) (face 6)
- \[\text{card}(P \cup M) = \text{card}(P) + \text{card}(M) - \text{card}(P \cap M) = 3 + 2 - 1 = 4\]
Baralho de 52 Cartas
- \(\text{card}(\Omega) = 52\) (total de cartas)
- Seja \(C = \{\text{cartas de copas}\}\), então \(\text{card}(C) = 13\)
- Seja \(V = \{\text{cartas vermelhas}\}\), então \(\text{card}(V) = 26\)
- Seja \(F = \{\text{figuras}\}\), então \(\text{card}(F) = 12\)
- \(\text{card}(C \cap F) = 3\) (J, Q, K de copas)

3.4 Aplicação em Probabilidade

Em um espaço amostral finito e equiprovável, a probabilidade de um evento \(A\) é dada por:

\[P(A) = \frac{\text{card}(A)}{\text{card}(\Omega)}\]

Para eventos \(A\) e \(B\): \(P(A \cup B) = \frac{\text{card}(A \cup B)}{\text{card}(\Omega)} = \frac{\text{card}(A) + \text{card}(B) - \text{card}(A \cap B)}{\text{card}(\Omega)}\)

julia

using Random

# Exemplo: Lançamento de dois dados
function cardinalidade_soma_dados()
    # Espaço amostral
    Ω = [(i,j) for i in 1:6 for j in 1:6]
    
    # Evento A: soma igual a 7
    A = filter(x -> sum(x) == 7, Ω)
    
    # Evento B: primeiro dado maior que 4
    B = filter(x -> x[1] > 4, Ω)
    
    # Cardinalidades
    println("Cardinalidade do espaço amostral: ", length(Ω))
    println("Cardinalidade do evento A (soma = 7): ", length(A))
    println("Cardinalidade do evento B (primeiro > 4): ", length(B))
    println("Cardinalidade da interseção A ∩ B: ", length(intersect(A, B)))
    println("Cardinalidade da união A ∪ B: ", length(union(A, B)))
end

cardinalidade_soma_dados()

4. Propriedades e Relações

4.1 Propriedades da União e Interseção

Comutativa \(A \cup B = B \cup A\) \(A \cap B = B \cap A\)
Associativa \((A \cup B) \cup C = A \cup (B \cup C)\) \((A \cap B) \cap C = A \cap (B \cap C)\)
Distributiva \(A \cup (B \cap C) = (A \cup B) \cap (A \cup C)\) \(A \cap (B \cup C) = (A \cap B) \cup (A \cap C)\)

4.2 Leis de De Morgan

\((A \cup B)' = A' \cap B'\) \((A \cap B)' = A' \cup B'\)

5. Aplicações Práticas

5.1 Análise de Dados

julia

using DataFrames, Random

# Simulação de dados de estudantes
Random.seed!(123)
n = 100

# Criando eventos
notas_altas = rand(Bool, n)  # Evento A: Tirou nota alta
estuda_muito = rand(Bool, n) # Evento B: Estuda muito

# Criando DataFrame
df = DataFrame(
    nota_alta = notas_altas,
    estuda_muito = estuda_muito
)

# Calculando probabilidades
p_nota_alta = mean(notas_altas)
p_estuda = mean(estuda_muito)
p_ambos = mean(notas_altas .& estuda_muito)

println("P(Nota Alta) = ", round(p_nota_alta, digits=3))
println("P(Estuda Muito) = ", round(p_estuda, digits=3))
println("P(Nota Alta ∩ Estuda Muito) = ", round(p_ambos, digits=3))

5.2 Exemplos do Mundo Real

Controle de Qualidade
- Ω = {produtos produzidos}
- A = {produtos defeituosos}
- B = {produtos dentro das especificações}
Medicina
- Ω = {população de pacientes}
- A = {pacientes com sintoma X}
- B = {pacientes com condição Y}
Finanças
- Ω = {possíveis retornos de investimento}
- A = {retornos positivos}
- B = {retornos acima do benchmark}

6. Exercícios Práticos

Lançamento de Dois Dados
- Descreva o espaço amostral
- Identifique o evento “soma igual a 7”
- Calcule a probabilidade do evento
Cartas de Baralho
- Liste os elementos do evento “tirar uma figura”
- Determine a probabilidade de tirar um ás ou uma carta de copas
Temperatura Diária
- Defina o espaço amostral
- Identifique o evento “temperatura acima de 25°C”
- Calcule probabilidades usando dados históricos

Referências

Ross, S. M. A First Course in Probability. 9ª ed. Pearson, 2012.
Feller, W. An Introduction to Probability Theory and Its Applications. Vol. 1, 3ª ed. Wiley, 1968.
DeGroot, M. H.; Schervish, M. J. Probability and Statistics. 4ª ed. Pearson, 2011.
Morettin, P. A.; Bussab, W. O. Estatística Básica. 9ª ed. Saraiva, 2017.
Magalhães, M. N. Probabilidade e Variáveis Aleatórias. 3ª ed. EDUSP, 2015.
James, B. R. Probabilidade: Um Curso em Nível Intermediário. 3ª ed. IMPA, 2004.

Morrison Külsenn

Estatística Pura

Eventos e Espaço Amostral

1. Espaço Amostral

1.1 Definição Formal

1.2 Tipos de Espaço Amostral

1.3 Representação Visual

2. Eventos

2.1 Definição Formal

2.2 Tipos de Eventos

2.3 Operações com Eventos

2.4 Visualização de Operações

3. Cardinalidade

3.1 Definição e Notação

3.2 Propriedades

3.3 Exemplos Práticos

3.4 Aplicação em Probabilidade

4. Propriedades e Relações

4.1 Propriedades da União e Interseção

4.2 Leis de De Morgan

5. Aplicações Práticas

5.1 Análise de Dados

5.2 Exemplos do Mundo Real

6. Exercícios Práticos

Referências

Morrison Külsenn

Estatística Pura

Siga-nos