Espaço Amostral e Eventos

Toda modelagem probabilística começa com uma pergunta que costuma ser pulada: qual é o espaço amostral? Erros de raciocínio probabilístico quase sempre vêm de responder mal a essa pergunta.

Definições

O espaço amostral $\Omega$ é o conjunto de todos os resultados possíveis. Um evento é um subconjunto de $\Omega$.

Para um dado, $\Omega = {1,2,3,4,5,6}$ e "sair par" é o evento ${2,4,6}$.

Como eventos são conjuntos, as operações são as de conjuntos: $A \cup B$ é "$A$ ou $B$", $A \cap B$ é "$A$ e $B$", $\overline{A}$ é "não $A$".

Axiomas de Kolmogorov

Uma probabilidade é uma função $P$ dos eventos em $[0,1]$ com:

1. $P(A) \ge 0$
2. $P(\Omega) = 1$
3. Se $A_1, A_2, \dots$ são disjuntos, $P(\bigcup A_i) = \sum P(A_i)$

Desses três axiomas decorre tudo o mais:

$$P(\overline{A}) = 1 - P(A)$$ $$P(A \cup B) = P(A) + P(B) - P(A \cap B)$$ $$A \subseteq B \implies P(A) \le P(B)$$

A segunda é a inclusão-exclusão, e o erro de esquecer o termo subtraído é o mais frequente em contas rápidas.

Probabilidade uniforme

Quando todos os resultados são igualmente prováveis e $\Omega$ é finito:

$$P(A) = \frac{|A|}{|\Omega|}$$

Aqui probabilidade vira contagem — e é por isso que combinatória e probabilidade andam juntas. A dificuldade nunca está na divisão; está em contar corretamente e em garantir que a hipótese de equiprobabilidade realmente vale.

O cuidado com a modelagem

Um exemplo clássico: jogam-se duas moedas. Qual a probabilidade de sair uma cara e uma coroa?

Se o espaço amostral for tomado como ${$duas caras, duas coroas, uma de cada$}$, a resposta pareceria $1/3$. Está errado. O espaço correto é ${CC, CK, KC, KK}$, com quatro resultados equiprováveis, e "uma de cada" corresponde a dois deles — logo $1/2$.

A lição: equiprobabilidade não é propriedade do enunciado, é uma hipótese sobre o mecanismo físico. Resultados agregados raramente são equiprováveis.

Limite superior da união

$$P\left(\bigcup_i A_i\right) \le \sum_i P(A_i)$$

Simples e extremamente útil. É a ferramenta padrão para mostrar que "nada dá errado com alta probabilidade": limita-se a probabilidade de cada falha individual e soma-se.

Exemplo: se um algoritmo aleatorizado executa $n$ etapas e cada uma falha com probabilidade no máximo $1/n^2$, a probabilidade de alguma falhar é no máximo $n \cdot 1/n^2 = 1/n$ — que tende a zero. Esse argumento aparece em quase toda análise de algoritmo aleatorizado.

Independência

Dois eventos são independentes quando

$$P(A \cap B) = P(A)P(B)$$

Independência é uma hipótese de modelagem, não algo que se lê do enunciado. E cuidado: independência dois a dois não implica independência mútua.

Em engenharia, supor independência indevidamente é uma fonte real de subestimação de risco. Dois servidores no mesmo rack não falham independentemente; dois discos do mesmo lote também não. A probabilidade conjunta de falha é muito maior que o produto.

Exemplo trabalhado

Num baralho de 52 cartas, qual a probabilidade de tirar duas cartas e ambas serem de copas?

$$P = \frac{\binom{13}{2}}{\binom{52}{2}} = \frac{78}{1326} = \frac{1}{17} \approx 0{,}0588$$

Ou, pela regra do produto com condicionamento: $\frac{13}{52}\cdot\frac{12}{51} = \frac{1}{4}\cdot\frac{4}{17} = \frac{1}{17}$. Os dois caminhos coincidem, como devem.

Aplicações em computação

Análise de caso médio. Supõe uma distribuição sobre as entradas — e a conclusão só vale se essa distribuição for realista.

Algoritmos aleatorizados. Quicksort com pivô aleatório tem $O(n\log n)$ esperado para qualquer entrada, porque a aleatoriedade está no algoritmo e não na entrada. Essa é uma garantia bem mais forte que o caso médio.

Tabelas hash. A análise de colisões é probabilística; hashing universal escolhe a função aleatoriamente para evitar entradas adversariais.

Estruturas probabilísticas. Filtros de Bloom, HyperLogLog e skip lists trocam exatidão por espaço ou simplicidade, com garantias probabilísticas explícitas.

Confiabilidade. Cálculo de disponibilidade de sistemas com redundância — desde que as hipóteses de independência sejam honestas.

Erros comuns

• Espaço amostral mal definido, tipicamente agregando resultados não equiprováveis.
• Somar probabilidades de eventos não disjuntos.
• Supor independência sem justificativa.
• Confundir "improvável" com "impossível". Um evento de probabilidade $10^{-6}$ acontece cerca de uma vez a cada milhão de execuções — o que num sistema de alto volume significa várias vezes por dia.

Leituras recomendadas

• Ross, A First Course in Probability — introdução sólida com muitos exercícios.
• Mitzenmacher e Upfal, Probability and Computing, capítulo 1 — probabilidade orientada a computação desde a primeira página.
• Grinstead e Snell, Introduction to Probability — livre e gratuito, com boa cobertura de simulação.

Sheldon M. Ross (2014). A First Course in Probability. Pearson. ISBN 9781292024929. Michael Mitzenmacher and Eli Upfal (2017). Probability and Computing: Randomization and Probabilistic Techniques. Cambridge University Press. ISBN 9781107154889.

Referências

1. Sheldon M. Ross (2014). A First Course in Probability. Pearson.
2. Michael Mitzenmacher; Eli Upfal (2017). Probability and Computing: Randomization and Probabilistic Techniques. Cambridge University Press.