Sederhananya, jika himpunan bagian dari objek yang dipilih sehingga himpunan tiap himpunan bagian dari ukuran

yang sama memiliki kemungkinan yang sama untuk terpilih, maka kita katakan bahwa himpunan bagian yang dipilih secara acak, Biasanya, tidak ada perbedaan yang dibuat. Ketika elemen himpunan bagian yang terdaftar dalam urutan yang berbeda, tapi kadang-kadang akan berguna untuk membuat perbedaan ini. Contoh 1.3.3 Sebuah permainan kesempatan melibatkan gambar kartu dari 52 tumpuk kartu bermain. Seharusnya tidak peduli apakah kartu berasal dari bagian atas atau bagian lain dari tumpukan jika kartu dikocok. Himpunan iap kartu akan memiliki probabilitas yang sama, 1/52, atau yang dipilih. Demikian pula, jika permainan melibatkan lima kartu bergambar, maka seharusnya tidak masalah apakah lima kartu atau lima lainnya kartu diambil. Probabilitas ditugaskan untuk himpunan iap himpunan kemungkinan lima kartu akan menjadi kebalikan dari jumlah himpunan bagian dari ukuran 5 dari seperangkat ukuran 52. Dalam Bagian 1.6 kita akan mengembangkan, antara lain, sebuah metode untuk menghitung. 1.4 BEBERAPA SIFAT PELUANG Dari sifat umum pada himpunan dan sifat atau Definisi 1.3.1 kita dapat memperoleh sifat yang berguna lainnya dari satu atua lebih kejadian relative terhadap percobaan yang sama. Teorema 1.4.1 Jika A adalah suatu kejadian dan X adalah pelengkap, maka P(A) = 1 P(A) BUKTI Karena A 'adalah komplemen dari A relatif terhadap S. S = A A'. Karena A A' = = , (1.4.1)

A dan A 'adalah saling eksklusif, sehingga mengikuti dari persamaan (1.3.2) dan (1.3.4 ) yang 1 = P(S) P(A yang dibangun teorema. Teorema ini sangat berguna ketika sebuah kejadian A relatif rumit. tapi yang melengkapi 'adalah
1

A')= P(A) + P(A')

lebih mudah untuk menganalisis.

Contoh 1.4.1 Percobaan terdiri dari melempar koin empat kali, dan kejadian A berkembang "setidaknya himpunan satu kepala." Kejadian A berisi sebagian besar hasil yang mungkin, tapi pelengkap, "tidak ada kepala," hanya berisi satu, A'={TTTT}, maka n(A') = 1. Hal ini dapat ditunjukkan dengan daftar semua kemungkinan has il bahwa n(S) = 16, sehingga P(A') = n(A')/n(S) = 1/16. Dengan demikian, P (A) = 1 P(A') = 1 - 1/16 = 15/16.

Teorema 1.4.2 Untuk himpunan tiap kejadian A, P(A) 1.

Bukti Dari Teorema (1.4.1), P(A) = 1 - P(A'). Juga, dari Definition (1.3.1), kita tahu bahwa P (A') 0. Oleh karena itu, P(A) 1 Perhatikan bahwa teorema ini dikombinasikan dengan Definition (1.3.1) menunjukkan bahwa 0 P(A) 1 (1.4.2)

Persamaan (13.3), (1.3.4), dan (1.3.5) memberikan rumus untuk probabilitas dari gabungan pekerja dalam kasus peristiwa saling eksklusif. Teorema berikut memberikan formula yang berlaku secara umum.

Teorema 1.4.3 Untuk himpunan iap dua peristiwa A dan B, P (A Bukti Pendekatan ini akan mengungkapkan peristiwa A B u dan A sebagai gabungan peristiwa saling
2

B) = P (A) + P (B) - P (A

B)

(1.4.3)

eksklusif. Dari sifat himpunan kita dapat menunjukkan bahwa A dan A = (A B) (A B') B = (A B') B

Lihat Gambar 1.2 untuk ilustrasi tersebut identitas.

GAMBAR 1.2 Partisi peristiwa

B = (A

B')

A = (A

B)

(A

B')

Hal ini juga berarti bahwa peristiwa A sehingga persamaan (1.3.4) menyatakan

B' dan B saling eksklusif karena (A

B')

B=

P(A

) = P(A

B') + P(B) B' saling eksklusif, sehingga

Demikian pula, A

B dan A

P(A) = P(A

B) + P(A

B')

Teorema berikut dari persamaan ini:

P(A

) = P(A

B') + P(B) B)] + P(B) B)

=[P(A) - P(A

= P(A) + P(B) - P(A

Contoh 1.4.2

Misalkan satu kartu diambil secara acak dari himpunan 52 pak kartu remi. Seperti tercantum dalam Contoh 1.3.3, ini berarti bahwa himpunan tiap kartu memiliki probabilitas yang sama, 1/52, untuk dipilih. Misalkan A adalah kejadian mendapatkan "AS merah" dan biarkan B keluar "hati." Kemudian P(A) = 2/52, P(B) = 13/52, dan P(A P (A B) = 2/52 + 13/52 - 1/52 = 14/52 = 7/26. B) = 1/52. Dari Teorema (1.4.3) kita memiliki

Teorema 1.4.3 dapat diperpanjang dengan mudah untuk tiga peristiwa. Teorema 1.4.4 Untuk himpunan tiap tiga peristiwa A, B, dan C, P (A B ) = P (A) + P (B) + P (C) - P(A + P (A Bukti Lihat Latihan 16. 9 Hal ini secara intuitif jelas bahwa jika himpunan tiap hasil dari A juga merupakan hasil dari B, maka A tidak lebih mungkin terjadi daripada D. Teorema selanjutnya meresmikan gagasan ini. Teorema 1.4.5 Jika A Bukti Lihat latihan 17. B, kemudian P(A) P(B) B) - P (A B C) - P (B C) (1.4.4)

Properti (1.3.3) menyediakan, rumus untuk probabilitas dari gabungan terhitung terbatas ketika peristiwa saling eksklusif. Jika peristiwa ini tidak saling eksklusif, maka sisi kanan properti (1.3.3) masih memberikan batas atas untuk probabilitas ini, seperti yang ditunjukkan dalam teorema berikut. Teorema 1.4.6 Ketidaksamaan Boole ini, Jika A1, A2, adalah urutan peristiwa, maka P( Bukti Misalkan B1=A1, B2=A2 A' 1 , dan pada umumnya B 1 = A 1 ( . Oleh karena itu, B1 A1, maka dari (1.4.5)

B1, B2, saling ekslusif busur. Karena

Teorema 1.4.5 bahwa P(B1) P(A1), dan dengan demikian P( = P(

Sebuah hasil yang serupa berlaku untuk gabungan terbatas. Secara khusus, P(A1 yang A2 A1) P(A1) + P(A2) + +P(Ak) oleh bukti mirip dengan (1.4.6) Teorema 1.4.6.

dapat

ditunjukkan

Teorema 1 .4.7 Ketidaksamaan Bonferroni ini, Jika A1, A2,...., Ak makan kejadian, kemudian P Ai 1 - (1.4.7)

Bukti Ini Teorema 1.4.1 diterapkan ke (1.4.6). Ai = ( , bersama-sama dengan ketidakhimpunan

1.5 KEMUNGKINAN PELUANG Salah satu tujuan utama dari pemodelan probabilitas adalah untuk menentukan seberapa besar kemungkinan bahwa suatu peristiwa A akan terjadi jika eksperimen tertentu dilakukan. Namun, dalam banyak kasus kemungkinan ditugaskan ke A akan dipengaruhi oleh pengetahun terjadi atau tidak dari peristiwa lain B. Dalam contoh kita akan menggunakan terminologi "probabilitas bersyarat A diberikan B ," dan notasi P(A B) akan digunakan untuk membedakan antara konsep baru dan probabilitas biasa P(A).

Contoh 1.5.1 . Sebuah kotak berisi 100 microchip, beberapa di antaranya diproduksi oleh pabrik 1 dan sisanya oleh pabrik 2. Beberapa microchip rusak dan beberapa yang baik (tidak rusak). Sebuah eksperimen terdiri dari memilih salah satu microchip secara acak dari kotak dan menguji apakah itu baik atau rusak. Misalkan A kejadian "mendapatkan microchip cacat", akibatnya, 'adalah kejadian "mendapatkan microchip yang baik." Misalkan B adalah kejadian "microchip diproduksi oleh pabrik 1" dan 'B acara "microchip diproduksi oleh pabrik 2." Tabel 1.1 memberikan nomor atau microchip di himpunan tiap kategori. TABEL 1.1 Jumlah microchip aktif rusak dan nondef dari dua pabrik B A A Total 15 45 60 B 5 35 40 Total 20 80 100

Kemungkinan mendapatkan microchip yang rusak adalah P(A) = = = 0,20

Sekarang anggaplah bahwa himpunan tiap microchip memiliki sejumlah cap di atasnya yang mengidentifikasi itu produk pabrik. Dengan demikian, sebelum pengujian apakah itu rusak,
6

maka dapat ditentukan apakah B telah terjadi (diproduksi oleh pabrik 1) atauB' telah terjadi (diproduksi oleh pabrik 2). Pengetahuan yang dihasilkan pabrik microchip mempengaruhi kemungkinan bahwa microchip rusak dipilih, dan penggunaan probabilitas kondisi yang tepat. Misalnya, jika kejadian B telah terjadi, maka microchip satunya kita harus mempertimbangkan orang-orang dalam kolom pertama dari Tabel 1.1, dan jumlah total adalah n(B) = 60. Selain itu, satu-satunya chip yang rusak untuk mempertimbangkannya adalah baik di kolom pertama dan baris pertama, dan jumlah total adalah n(A memberikan B P(A B) = == = 0,25 B) = 15. Dengan demikian, probabilitas bersyarat A

Perhatikan bahwa jika kita membagi kedua pembilang dan penyebut dengan n(S) = 100, kita dapat mengekspresikan probabilitas kondisional dalam hal beberapa probabilitas bersyarat biasa, P(A B) = =

Hasil terakhir ini dapat diturunkan dalam keadaan yang lebih umum sebagai berikut. Misalkan kita melakukan percobaan dengan S ruang sampel, dan anggaplah kita mengingat bahwa B peristiwa telah terjadi. Kami ingin mengetahui probabilitas bahwa kejadian A telah terjadi mengingat bahwa B telah terjadi, ditulis P (AIB). Artinya, kita ingin probabilitas A relatif terhadap ruang sampel B. mengurangi Kita tahu B yang dapat dipartisi menjadi dua himpunan bagian, B = (A A B) (A B)

B adalah himpunan bagian dari B yang A adalah benar, sehingga kemungkinan A B), mengatakan P(A B) = kP(A B). P(A B) = kP (A'

memberikan B diberikan harus sebanding dengan P(A Demikian pula, B, sehingga

B). Bersama ini harus mewakili relatif probabilitas total

P(A B) + P(A B) = k[P(A = kP[(A

B) + P(A B) (A

B)] B)]

=kP(B) =1

dan k = 1/P(B). Artinya,

P(A B) =

dan 1/P(B) adalah konstanta proporsionalitas yang membuat probabilitas pada ruang sampel berkurang menambah 1. Definisi 1.5.1 Probabilitas kondisional dari sebuah peristiwa A, diberikan B peristiwa, didefinisikan oleh P(A B) = Jika P(B) 0 (1.5.1)

Sehubungan dengan ruang sampel B, probabilitas bersyarat didefinisikan oleh (1.5.1) memenuhi definisi asli dari probabilitas, dan dengan demikian probabilitas kondisional menikmati semua sifat biasa probabilitas pada ruang sampel berkurang. Untuk sebagai contoh, jika dua peristiwa A1 dan A2 adalah saling eksklusif, maka

P(A1

A2 B)= = = = P(A1 B) + P(A2 B)

Hasil menyamaratakan ini untuk lebih dari dua peristiwa. Demikian pula, P(A B) 0 dan

P(s B) = P(B B) = 1, sehingga kondisi fungsi himpunan probabilitas yang Puas. Dengan demikian, sifat yang diturunkan dalam bagian 1.4 terus kondisional. Secara khusus, P(A B) = 1- P(A B) 0 P(A B) 1 P(A1 A1 B) = P(A1 B) + P(A2 B) - P(A1 A2 B) (1.5.2) (1.5.3) (1.5.4)

Hasil Teorema berikut langsung dari persamaan (1.5.1): Teorema 1.5.1

Untuk himpunan tiap peristiwa A dan B, B) = P(B)P(A B) = P(A)P(B A)

P(A

(1.5.5)

Hal ini kadang-kadang disebut sebagai Teorema Multiplikasi probabilitas. Ini menyediakan cara untuk menghitung probabilitas atau terjadinya gabungan dari A dan B dengan mengalikan probabilitas satu peristiwa dan probabilitas bersyarat peristiwa lainnya. Dalam hal Contoh 1.5.1, kita dapat menghitung langsung P(A menghitung sebagai = P(B)P(A B) (20/100)(15/20) = 0,15. Formula (1.5.5) juga sangat berguna dalam menangani masalah yang melibatkan sampling tanpa penggantian. Eksperimen tersebut terdiri dari memilih benda satu per satu waktu dari koleksi terbatas, tanpa mengganti obyek yang dipilih sebelum pilihan berikutnya. Mungkin contoh yang paling umum dari ini adalah berurusan kartu dari dek. Contoh 1.52 B) = 15/100 = 0,15, atau kita dapat = (60/100)(15/60) = 0,15 atau P(A)P(B A) =

Dua kartu diambil tanpa penggantian dari himpunan umpuk kartu. Misalkan A1, menunjukkan dapat keluar "kartu as pada pengambilan pertama" dan A2 menunjukkan dapat keluar "kartu As pada pengambilan kedua."

Nomor atau cara di mana hasil yang berbeda dapat terjadi bisa dihitung, dan busur hasil yang diberikan dalam Tabel 1.2. penghitungan hasil yang mungkin bisa menjadi masalah membosankan, dan teknik yang berguna yang membantu dalam penghitungan tersebut masalah dibahas dalam Bagian 1.6. Nilai-nilai dalam contoh ini didasarkan pada prinsip perkalian, yang mengatakan bahwa jika ada n1, cara melakukan satu hal dan cara n2 melakukan yang lain, maka ada n1. n2 untuk melakukan keduanya. Jadi, misalnya, jumlah meminta dua kartu ditangan yang bisa dibentuk dari 52 kartu (tanpa penggantian) adalah 52.51 = 2.652. Demikian pula, jumlah meminta dua kartu ditangan di mana kedua kartu adalah tindakan adalah 4. 3, jumlah di mana kartu pertama adalah kartu As dan yang kedua adalah tidak kartu As adalah 4.48, dan sebagainya. Produk yang sesuai untuk semua kasus yang diberikan dalam Tabel 1.2. Partisi jumlah cara untuk menarik dua kartu

A1 A2 A3 4.3 4.48 4.51

A1 48.4 4.51

48.47 48.51 48.51 52.51

Misalnya, kemungkinan untuk mendapatkan "kartu As pada pengambilan pertama dan kartu As pada pengambilan kedua" diberikan oleh P(A1 A2 ) =

Misalkan satu tertarik P(A1) tanpa memperhatikan apa yang terjadi pada imbang sccohd. Pertama perhatikan A1 = (A1 Jadi P(A1 ) = P(A1 = = + =
10

bahwa A2 ) (A1 A2 )

A,

dapat

dipartisi

sebagai

A2 )+ P(A1

A2 )

Ini hasil yang sama akan terjadi jika A1 telah dipartisi oleh acara lain, katakanlah B, yang hanya berhubungan dengan nilai nominal kartu kedua. Ini mengikuti karena n (B relatif terhadap 52 x 51 pasang memerintahkan kartu, n(A1) = 4 x n(B) + 4 x n(B) = 4 x (B B) = 4 x 51 B ') = 51, dan

Pembilang atau probabilitas seperti P(A1), P(A1), P(A2), dan P(A2), yang berurusan dengan hanya salah satu menarik, muncul dalam margin tabel 1.2. Probabilitas ini dapat disebut sebagai probabilitas marjinal. Perhatikan bahwa probabilitas marjinal sebenarnya dapat dihitung langsung dari ruang sampel 52-kartu asli, dan tidak perlu mempertimbangkan ruang sampel dari pasangan seluruhnya. Misalnya, P(A1) = 4 51/52 51 = 4/52, yang merupakan probabilitas yang akan diperoleh untuk satu imbang dari ruang 52-kartu sampel asli. Jelas, hasil ini akan berlaku untuk sampel tanpa pengganti masalah secara umum. Yang mungkin kurang intuitif adalah bahwa hasil ini juga berlaku untuk probabilitas marjinal seperti P(A2), dan tidak hanya untuk hasil pada pengambilan pertama. Artinya, jika hasil undian pertama tidak diketahui, maka P(A2) juga dapat dihitung dari ruang sampel asli dan diberikan oleh P(A2) = 4/52. Ini dapat diverifikasi dalam A2 = (A2 Dan P(A2 ) = = Memang, jika hasil imbang pertama tidak diketahui, maka imbang kedua bisa juga dianggap sebagai imbang pertama. Probabilitas kondisional yang AS yang ditarik pada pengambilan kedua mengingat bahwa AS diperoleh pada pengambilan pertama adalah + A1 ) (A2 contoh A1 ) ini karena

11

P(A2 A1) = = =

Artinya, mengingat bahwa A1, adalah benar, kita dibatasi untuk kolom pertama dari Tabel 12, dan proporsi relatif dari waktu bahwa A2 benar pada ruang sampel berkurang adalah (4.3) / [(4 . 3 + (4 . 48)]. Sekali lagi mungkin kurang jelas, namun ada kemungkinan untuk membawa masalah ini satu langkah lebih lanjut dan menghitung P(A2 A1) secara langsung dalam hal ruang sampel 51 kartu bersyarat, dan mendapatkan solusi yang lebih sederhana bahwa P(A2 A1) = 3/51, ada tiga ace tersisa dalam 51 kartu yang tersisa di ruang sampel 'bersyarat demikian, itu adalah praktek yang umum dalam jenis masalah untuk menghitung probabilitas bersyarat dan probabilitas marjinal langsung dari satu dimensi ruang sampel (satu ruang bersyarat marjinal dan satu), daripada mendapatkan probabilitas gabungan dari ruang sampel bersama pasangan yang diminta. Sebagai contoh, P(A1 A2) = P(A1)P(A2 A1) = Prosedur ini akan mencakup tiga atau lebih undian (tanpa penggantian) di mana, misalnya, jika A3 menunjukkan memperoleh "as pada undian ketiga," kemudian P(A1 A2 A 3 ) = P(A1)P(A2 A1)P(A3 A1 = . A2)

Sebuah indikasi dari validitas umum atau pendekatan ini untuk kondisi komputasi probabilitas diperoleh dengan mempertimbangkan P(A2 A1) dalam contoh. Sehubungan dengan ruang sampel bersama pasangan yang diminta, 204 = 4 . 51, di mana 4 mewakili jumlah cara peristiwa yang diberikan A1, dapat terjadi pada pengambilan pertama dan 51 adalah jumlah total dari hasil yang mungkin dalam ruang sampel bersyarat untuk pengambilan kedua juga, 12 = 4 . 3 merupakan jumlah cara peristiwa diberikan Seperti dapat terjadi kali jumlah cara sukses A2 dapat terjadi dalam ruang sampel bersyarat. Karena jumlah cara A1, dapat terjadi adalah multiplier
12

umum di pembilang dan penyebut ketika menghitung pasangan memerintahkan, seseorang dapat menghitung secara langsung dalam kondisi ruang satu dimensi terkait dengan hasil undian kedua. Keuntungan komputasi dari pendekatan ini adalah jelas, mengagetkan kemungkinkan perhitungan probabilitas dari suatu peristiwa dalam kerumitan tinggi. Produk dimensi ruang sebagai produk dari probabilitas, yang marjinal dan yang lainnya bersyarat, peristiwa di sederhana satu dimensi ruang sampel. Pembahasan di atas agak membosankan, tetapi dapat memberikan wawasan tentang arti fisik probabilitas bersyarat dan probabilitas marjinal, dan juga ke topik sampling tanpa penggantian, yang akan muncul lagi di bagian berikut.

TOTAL PROBABILITAS DAN ATURAN BAYES '

Seperti tercantum dalam Contoh 1.5.2, kadang-kadang berguna untuk partisi kejadian, katakanlah A, gabungan peristiwa saling eksklusif dua atau lebih, misalnya, jika B dan B adalah peristiwa yang berhubungan dengan undian pertama dari pak (tumpukan) , dan jika A adalah suatu kejadian yang berkaitan dengan pengambilan kedua, maka itu berguna untuk mempertimbangkan partisi A = (A B) (A B) untuk menghitung P(A), karena ini

memisahkan A menjadi dua peristiwa yang melibatkan informasi tentang undin bayes. Secara umum, jika B1, B2, ....., Bk saling eksklusif dan lengkap, dalam arti bahwa B1 = S, kemudian B2 ... Bk

A = (A

B1 )

(A

B2 )

...

(A

Bk)

Ini berguna dalam teorema berikut.

Teori 1.52 Jumlah peluang jika B1, B2, ..., Bk, adalah kumpulan peristiwa saling eksklusif dan lengkap, maka untuk setiap kejadian A,

13

P (A) =

P(B1 )P(A| B1)

(1.5.6)

BUKTI Peristiwa A B1, A B2 , ..., A

k

saling eksklusif, sehingga dapat dikatakan bahwa

P (A) =

P (A

Bi )

(1.5.7)

dan hasil teorema dari menerapkan Teorema 1.5.1 untuk setiap istilah dalam mation . Teorema 1.5.2 kadang-kadang dikenal sebagai Hukum Probabilitas Total, karena sesuai dengan cara saling eksklusif di mana dapat terjadi relatif terhadap partisipasi dari total ruang sampel S.

Kadang-kadang sangat membantu untuk menggambarkan hasil ini dengan diagram pohon. Salah satu diagram tersebut untuk kasus dari tiga peristiwa B1, B2, dan B3 diberikan pada Gambar 1.3.

Gambar 1.3 Diagram pohon menunjukkan Hukum Peluang Total B1

A

B2
A A

B3

Kemungkinan terkait dengan cabang B1, adalah P (Bt) dan peluang diasosiasikan dengan masing-masing cabang berlabel A adalah peluang bersyarat P (A| Bt ), yang mungkin berbeda
14

tergantung pada cabang Bt , ia mengikuti. Untuk A terjadi , itu harus terjadi bersama-sama dengan satu dan hanya satu dari Bt. Kemudian hanya A B1, A B2 , atau A B3 harus

terjadi, dan peluang dari A adalah jumlah peluang dari peristiwa gabungan , P(Bt) P (A I Bt).

Contoh 1.5.3 Factory 1 Contoh 1.5.1 memiliki dua giliran, dan microchip dari factory 1 dapat

dikategorikan sesuai dengan yang dihasilkan pergeseran mereka. Seperti sebelumnya, percobaan terdiri dari memilih microchip secara acak dari kotak dan pengujian untuk melihat apakah itu rusak. Biarkan B1 menjadi peristiwa "diproduksi oleh giliran 1" (factory 1), B2, peristiwa "diproduksi oleh giliran 2" (factory 1 ), dan B3 peristiwa "diproduksi oleh giliran 2." Seperti sebelumnya, biarkan A adalah kejadian "mendapatkan microchip yang rusak." Kategorinya diberikan oleh Tabel 1.3. TABEL 1.3 B1 A A Total 5 20 25 B2 10 25 35 B3 5 35 40 Total 20 80 100

Berbagai peluang dapat dihitung langsung dari tabel. Misalnya, P (B1)=25/100, P (B2) = 35/100 , P (B3) = 40/100, P (A| B1) = 5/25, P(A | B2) = 10/35, dan P (A| B3) = 5 / 40. Hal ini dimungkinkan untuk menghitung P (A) baik secara langsung dari tabel , P(A) = 20/100 = 0,20, atau dengan menggunakan Hukum Peluang Total:

P (A) = P (B1) P(A|B1) + P (B2)P (A| B2) + P(B3) P(A| B3 ) = (25/100) (5/25) + (35/100)(10/35)+(40/100)(5/40)

= 0,05 + 0,10 + 0,05 = 0,20

15

Masalah ini diilustrasikan oleh diagram pohon pada Gambar 1.4.

GAMBAR 1.4 Diagram Pohon untuk pemilihan microchip dari lot gabungan.
5/25 B1 25/100 A B1

35/100 B2 40/100

10/35 A B2

5/40 B1 A B3

Contoh 1.5.4

Berdasarkan variasi berikut pada Contoh 1.5.3. microchip diurutkan menjadi tiga kotak yang terpisah. Kotak 1 berisi 25 microchip dari pergeseran 1, 2 kotak berisi. 35 microchip dari pergeseran 2, dan 3 kotak berisi 40 microchip yang tersisa dari factory 2. Percobaan baru terdiri dari memilih kotak secara acak, kemudian memilih microchip dari kotak. Penelitian ini diilustrasikan dalam Gambar 1.5.

GAMBAR 1.6 Pemilihan microchip dari tiga sumber yang berbeda

5 kesalahan 20 benda

10 kesalahan 25 benda

5 kesalahan 35 benda

Box 1

Box 2

Box 3

16

Pada kasus ini, tidak memungkinkan untuk menghitung P (A) langsung dari Tabel 1.3, tapi masih mungkin untuk menggunakan persamaan (1.5.6) dengan mendefinisikan kembali peristiwa B1, B2, dan B3 menjadi masing-masing memilih "kotak 1," "kotak 2," dan "kotak 3." Dengan demikian, tugas baru kemungkinan untuk B1, B2, dan B3, adalah P (B1) = P (B2) = P (B3) = 1/3, dan

P (A) = (1/3)(5/25) + (1/3)(10/35) + (1/3)(5/40)

= 57/280

Sebagai hasil dari percobaan yang baru ini, anggaplah bahwa komponen yang diperoleh rusak, tetapi tidak diketahui dari kotak mana hal itu barasal. Hal ini dimungkinkan untuk menghitung kemungkinan bahwa itu berasal dari kotak tertentu mengingat bahwa itu rusak, meskipun formula khusus diperlukan.

Teorema 1.5.3 Aturan Bayes jika kita asumsikan kondisi Teorema 1.5.2, maka untuk setiap j = 1, 2, ..., k,

P(B1 | A) =

(1.5.8)

Bukti Dari Definisi 1.5.1 dan Teorema Perkalian 1.5.5 kita miliki

P (Bj | A) =

Teorema berikut dengan mengganti penyebut dengan sisi kanan (1.5.6).

17

Untuk data pada Contoh 1.5.4, peluang bersyarat bahwa microchip berasal dari kotak 1, mengingat bahwa itu rusak, adalah P (B1 | A) =

= 0.327

Demikian pula, P ( B2 |A) = 80/171 = 0,468 dan P (B3 | A) = 35/171 = 0,205. Perhatikan bahwa ini berbeda dengan peluang bersyarat, P (Bj) = 1/3 = 0,333. Ini

mencerminkan proporsi yang berbeda dari item yang rusak dalam kotak. Dengan kata lain, karena kotak 2 memiliki proporsi yang lebih tinggi dari barang cacat, memilih item yang rusak secara efektif meningkatkan kemungkinan bahwa itu dipilih dari kotak 2.

Untuk ilustrasi lain, pertimbangkan contoh berikut.

Contoh 1.6.5 Seorang pria memulai pada titik 0 di peta yang ditunjukkan pada Gambar 1.6. Dia pertama kali memilih jalan secara acak dan mengikutinya ke titik B1, B2, atau B3. Dari titik itu, ia memilih jalan baru secara acak dan mengikuti ke salah satu poin Ai, i = 1, 2, . . . 7. GAMBAR 1.6 Peta jalur yang mungkin A1 A2 A3 A4 A5 A6 A7

Mungkin menarik untuk mengetahui peluang bahwa manusia tiba di titik A4. Hal ini dapat dihitung dari Hukum Peluang Jumlah:
18

P (A4) = P (B1)P(A4| B1) + P(B2)P(A4 | B2) + P (B3)P(A4 | B3)

Misalkan pria tiba di A4 titik, tetapi tidak diketahui dimana ia mengambil rute. Kemungkinan bahwa ia melewati suatu titik tertentu, B1, B2, atau B3, dapat dihitung dari Peraturan Bayes '. untuk contoh,

P (B1 | A4) =

yang setuju dengan peluang bersyarat, P (B1) = 1/3. Ini adalah contoh dari situasi yang sangat khusus yang disebut "kemerdekaan," yang akan kita kejar di bagian berikutnya. Namun, hal ini tidak terjadi dalam setiap kasus. Sebagai contoh, sebuah aplikasi Peraturan Bayes juga menyebabkan P (B2 | A4) = 2/3, yang tidak setuju dengan P (B2) = 1/3. Jadi, jika ia tiba di titik A4 , adalah dua kali kemungkinan bahwa ia melewati titik B2, karena ia melewati B1. Tentu saja, hasil yang paling mencolok adalah pada titik B3, karena P (B3 | A4) = 0. Sementara P (B3) = 1/3. Ini mencerminkan fakta yang jelas bahwa ia tidak bisa sampai pada titik A4, dengan melewati B3. Intinya nilai praktis pengkondisian jelas ketika mempertimbangkan beberapa tindakan seperti bertaruh pada apakah pria melewati titik B3.

KEJADIAN BEBAS

Dalam beberapa situasi, pengetahuan bahwa kejadian A telah terjadi tidak akan ada kemungkinan bahwa kejadian B akan terjadi. Dengan kata lain, P (B | A) = P (B). Kita melihat ini terjadi pada Contoh 1.5.5, karena kemungkinan melewati titik B, adalah 1/3 apakah pengetahuan bahwa pria itu tiba di titik A4, yang diperhitungkan. Sebagai akibat dari Teorema Perkalian (1.5.5), formulasi setara dari situasi ini adalah P (A B ) = P (A)P(B|A) = P(A)P(B).

Secara umum, saat ini terjadi dua peristiwa dikatakan independen atau stokastik independen.
19

Definisi 1.5.2

Dua kejadian A dan B disebut kejadian independen jika

P (A

B) = P(A)P(B)

( 1.5.9 )

Jika tidak, A dan B disebut kejadiam saling tergantung.

Seperti telah dicatat, formulasi setara dapat diberikan dalam kondisi peluang kondisional.

Teorema 1.5.4 Jika A dan B adalah peristiwa sedemikian rupa sehingga P (A) > 0 dan P (B )> 0, maka A dan B adalah bebas jika dan hanya jika salah satu dari berikut ini berlaku:

P (A | B) = P (A) P (B | A) = P (B)

Kami melihat contoh kejadian baik independen dan dependen dalam Contoh 1.5.5. Ada juga contoh peristiwa saling eksklusif, karena P (B3 | A4 ) = 0, yang berarti P (B3 A4 ) = 0.

Sering terjadi kebingungan antara konsep peristiwa independen dan peristiwa saling eksklusif . Sebenarnya, ini cukup berbeda pengertian dan mungkin ini terlihat baik dengan perbandingan yang melibatkan kondisional peluang. Secara khusus, jika A dan B adalah saling eksklusif, maka P (A | B)=P( B | A) = 0, sedangkan untuk kejadian nonnull independen, peluang bersyarat adalah nol seperti dicatat oleh Teorema 1.5.4, dengan kata lain, perlengkapan untuk menjadi saling eksklusif melibatkan bentuk yang sangat kuat dari ketergantungan, karena, untuk kejadian nonnull, terjadinya satu peristiwa menghalangi terjadinya peristiwa lainnya.

Ada banyak aplikasi di mana peristiwa dianggap independen.

20

Contoh 1.5.6 Sebuah "sistem" terdiri dari beberapa komponen yang dihubungkan dalam beberapa konfigurasi tertentu. Hal ini sering diasumsikan dalam aplikasi bahwa kegagalan satu komponen tidak mempengaruhi kemungkinan bahwa komponen lain akan gagal. Dengan demikian, kegagalan satu komponen diasumsikan independen dari kegagalan komponen lain.

Sebuah sistem seri dua komponen, C1, dan C2, diilustrasikan oleh Gambar 1.7. Sangat mudah untuk memikirkan suatu sistem dalam dua komponen listrik (misalnya, baterai dalam senter) di mana saat ini harus melewati kedua komponen agar sistem berfungsi. Jika A 1 adalah kejadian "C1 yang gagal " dan A2 adalah kejadian "C2 yang gagal," maka kejadian "sistem gagal" adalah A1 A2. Misalkan P (A1) = 0,1 dan P (A2) = 0,2. Jika kita mengasumsikan bahwa

A1 dan A2 yang independen, maka peluang bahwa sistem gagal adalah :

P (A1

A2 ) = P (A1) + P (A2) - P (A1

A2)

= P (A1) + P (A2) - P (A1) P(A2) = 0.1 +0.2 - (0,1) (0,2) = 0,28 Peluang bahwa sistem bekerja dengan baik adalah 1 - 0,28 = 0,72.

Gambar 1.7 Sistem seri dari dua komponen

C1

C2

Perhatikan bahwa asumsi independen memungkinkan kita untuk menggunkan faktor peluang berdasarkan kejadian bersama, P (A1 marjinal,P(A1)P(A2). Contoh lain yang umum melibatkan gagasan tentang sistem paralel, seperti ilustrasi pada Gambar 1.8. Untuk sistem paralel yang gagal, maka perlu bahwa kedua komponen yang gagal, sehingga kejadian "sistem gagal" adalah A1 A2. Peluang bahwa sistem ini gagal adalah
21

A2 ) ke dalam hasil dari peluang

P(A1

A2) = P (A1)P(A2) = (0,1)(0,2) = 0,02. Sekali lagi asumsi komponen gagal independen. Perhatikan bahwa peluang kegagalan untuk sistem seri apakah lebih besar dari

kemampuan peluang atau kegagalan komponen baik, sedangkan untuk sistem paralel itu kurang. Hal ini karena kedua komponen harus berfungsi untuk sistem seri ke fungsi, dan akibatnya sistem ini lebih mungkin untuk gagal daripada komponen individu. Di sisi lain, sistem paralel adalah sistem berlebihan: Salah satu komponen bisa gagal, tetapi sistem akan terus berfungsi memberikan fungsi kepada komponen lainnya. Redundansi tersebut adalah umum dalam sistem kedirgantaraan, dimana kegagalan sistem mungkin menjadi bencana.

Sebuah contoh umum dari peristiwa yang saling bergantung terjadi sehubungan dengan pengambilan sampel diulang tanpa penggantian dari suatu koleksi terbatas. Dalam Contoh 1.5.2 kita mempertimbangkan hasil menggambar dua kartu secara berurutan dari dek. Ternyata bahwa kejadian A, (As pada pengambilan pertama) dan A2 (As pada pengambilan kedua) tergantung karena P (A2) = 4/52, sedangkan P (A2 | A1) = 3/51 . Anggaplah bahwa hasil dari kartu pertama dicatat dan kemudian kartu diganti dalam dek dan dek dikocok sebelum imbang kedua dibuat. Jenis sampling disebut sebagai sampling dengan penggantian, dan itu akan masuk akal jika mengasumsikan bahwa menarik adalah uji independen. Dalam hal ini P (A1 A2) = P(A1)P(A2)

Ada banyak masalah lain yang masuk akal untuk mengasumsikan bahwa uji coba berulang percobaan adalah independen, seperti melempar koin atau bergulir mati berulangulang. Ini kemungkinan menunjukkan bahwa kebebasan dua peristiwa juga menyiratkan kebebasan dari beberapa peristiwa yang saling terkait. GAMBAR 1.8 Sistem Paralel dari dua komponen
C1

C2

22

Teorema 1.5.5 Dua peristiwa A dan B adalah independen jika dan hanya jika pasangan berikut adalah kejadian bebas juga : 1. A dan B '. 2. A ' dan B. 3. A ' dan B. Bukti Lihat Latihan 38. Hal ini juga memungkinkan untuk memperluas kebebasan untuk lebih dari dua peristiwa.

Definisi 1.5.3 Peristiwa k A1, A2, ... , Ak dikatakan Independen atau saling independen untuk

setiap j = 2,3, ..., k dan setiap himpunan bagian dari indeks yang berbeda i1, i2,. . ., ij. P (Ai1 Ai2 ... Aij) = P(Ai1)P(Ai2) ... P (Aij) (1.5.10)

Misalkan A, B, dan C adalah tiga peristiwa saling independen. Menurut definisi kejadian saling independen, tidak cukup hanya untuk memverifikasi kebebasan berpasangan. Ini akan diperlukan untuk memverifikasi P (A P (B) P(C) dan juga P (A B B) = P (A) P (B), P (A C) = P (A) P (C), P (B C) =

C = P (A) P (B) P (C). Contoh berikut ini menunjukkan bahwa

kebebasan berpasangan tidak berarti ini faktorisasi atau cara terakhir dan sebaliknya. Contoh 1.5.7 Sebuah kotak berisi delapan tiket, masing-masing diberi label dengan bilangan biner. Dua diberi label 111, dua diberi label 100, dan dua 001. Sebuah eksperimen terdiri dari menggambar satu tiket secara acak dari kotak. Misalkan kejadian A "digitpertama adalah 1," kejadian B "digit kedua adalah 1, dan kejadian C "digit ketiga adalah 1", ini diilustrasikan oleh Gambar 1.9. Oleh karena itu, P(A) = P(B) = P(C) = 4/8 = 1/2 dan P (A P (A C) = P (B B) =

C) = 2/8 = 1/4, dengan demikian A, B, dan C adalah pasangan yang

independen. Namun, mereka tidak saling independen, karena

23

P (A Gambar 1.9

C)=

P(A)P(B)P(C)

Pemilihan tiket bernomor

111 100 010 001

111

100

010

001

Contoh 1.5.8 Dalam Gambar 1.9. mari kita mengubah nomor pada satu tiket di kolom pertama 111-110, dan jumlah satu tiket di kolom kedua 100-101. Kita masih memiliki

P (A) = P (B) = P(C) = 1/2 tetapi

P (B dan P (A

C) =

= P(B)P(C)

C) =

= P(A)P(B)P(C)

Dalam hal ini kami memiliki tiga-cara faktorisasi, tetapi bukan kebebasan semua pasangan.

1.6 TEKNIK PENGHITUNGAN Dalam banyak percobaan dengan ruang sampel yang terbatas, seperti permainan kesempatan, mungkin masuk akal untuk mengasumsikan bahwa semua hasil yang mungkin memiliki kemungkinan yang sama. Dalam hal ini, bentuk peluang yang realistis harus
24

merupakan hasil dari mengikuti pendekatan klasik dan mengambil peluang dari setiap peristiwa A menjadi P (A) = n(A)/N, di mana N adalah jumlah total kemungkinan hasil dan n(A) adalah jumlah dari hasil yang sesuai dengan terjadinya kejadian A. Menghitung jumlah cara di mana suatu peristiwa mungkin terjadi dapat menjadi masalah membosankan dalam percobaan yang rumit. Beberapa teknik menghitung yang dapat membantu akan dibahas. Prinsip Perkalian Pertama catatan bahwa jika satu operasi dapat dilakukan dalam n1, cara dan operasi kedua dapat dilakukan dalam n2 cara, maka ada n1.n2 cara di mana kedua operasi dapat dilakukan. Contoh 1.6.1 Misalkan koin dilempar dan kemudian kelereng dipilih secara acak dari sebuah kotak yang berisi satu kelereng hitam (B) satu merah (R), dan satu hijau (G). Hasil yang mungkin adalah HB, HR, HG, TB , TR, dan TG untuk masing-masing dua kemungkinan hasil dari koin ada tiga kelereng yang dapat dipilih untuk total 2 3 = 6 hasil yang mungkin. Situasi ini juga mudah digambarkan oleh diagram pohon, seperti dalam Gambar 1.10.

GAMBAR 1.10 Diagram Pohon dua tahap percobaan

B

R G B

R G

Aplikasi lain dari prinsip perkalian dibahas dalam Contoh 1.5.2 sehubungan dengan menghitung jumlah dari dua-kartu tangan.

Perhatikan bahwa prinsip perkalian dapat diperpanjang lebih panjang dari dua operasi.

25

Secara khusus, jika operasi r berturut-turut dapat dilakukan dalam n1 cara, maka jumlah cara untuk melaksanakan semua operasi r adalah hasil n1 = n1 n2 ... nr (1.6.1)

Salah satu jenis standar menghitung masalah ditutupi oleh teorema berikut.

Teorema 1.6.1 Jika terdapat N kemungkinan hasil dari masing-masing percobaan r dari suatu eksperimen, maka ada Nr, hasil yang mungkin dalam rentang sampel .

Contoh 1.6.2 Berapa banyak cara yang dapat menjawab 20-pertanyaan benar-salah ? Jawabannya adalah 220.

Contoh 1.6.3 Berapa banyak himpunan bagian yang ada dari satu set elemen m? Dalam membentuk himpunan bagian , seseorang harus memutuskan setiap elemen apakah akan menyertakan unsur dalam himpunan bagian tersebut. Jadi untuk masing-masing elemen m ada dua pilihan, yang memberikan total 2 "kemungkinan himpunan bagian. Ini termasuk himpunan kosong, yang sesuai dengan kasus tidak termasuk setiap elemen dalam himpunan bagian . Seperti yang disarankan sebelumnya, cara percobaan dilakukan atau metode sampling dapat mempengaruhi ruang sampel dan tugaspeluang atas ruang sampel. Secara khusus, sampel item dari populasi terbatas dengan dan tanpa penggantian dua skema umum. Sampling tanpa penggantian digambarkan dalam Contoh 1.5.2. Sampling dengan penggantian ditutupi oleh Teorema 1.6.1.

Teorema 1.6.1 Jika terdapat N kemungkinan dari hasil masing-masing percobaan r dari suatu eksperimen, maka ada N, hasil yang mungkin dalam rentang sampel adalah .

Contoh 1.63 Berapa banyak cara memilih 20 pertanyaan benar-salah dalam menjawab tes ? jawabannya adalah .

Contoh 1.6.3 Berapa banyak himpunan bagian yang ada dari satu kumpulan elemen m? Dalam membentuk subset, seseorang harus memutuskan untuk setiap elemen apakah akan menyertakan unsur dalam subset. Jadi untuk masing-masing elemen m ada dua pilihan, yang memberikan total
26

kemungkinan subset. Ini termasuk set nol, yang sesuai dengan kasus tidak termasuk setiap elemen dalam subset.

Seperti yang disarankan sebelumnya, cara percobaan dilakukan atau metode percobaan dapat mempengaruhi ruang sampel dan kemungkinan peluang atas ruang sampel. Secara khusus, sampel item dari populasi terbatas dengan dan tanpa pengulangan dua skema umum. Percobaan tanpa pengulangan digambarkan dalam Contoh 1.5.2. Percobaan dengan pengulangan ditutupi oleh Teorema 1.6.1. Contoh 1.6.4 Jika lima kartu diambil dari setumpuk 52 kartu dengan pengulangan, maka ada kemungkinan terjadi . Jika lima kartu diambil tanpa pengulangan, maka prinsip perkalian lebih umum dapat diterapkan untuk menentukan bahwa ada 52 51 50 49 48 kemungkinan terjadi. Dalam kasus pertama, kartu yang sama dapat terjadi lebih dari sekali alam kejadiaan yang sama. Dalam contoh kedua, bagaimanapun, kartu mungkin tidak diulang.

Perhatikan bahwa dalam kedua kasus dalam contoh di atas, agar diperhatikan. Artinya, dua lima kartu terjadi akhirnya dapat berakhir dengan lima kartu yang sama, tetapi mereka dihitung sebagai kejadian yang berbeda dalam contoh jika kartu diperoleh dalam urutan yang berbeda. Misalnya, biarkan semua lima kartu menjadi sekop. Hasil (ace, king, queen, jack, sepuluh) berbeda dari hasil (raja, ace, ratu, jack, sepuluh). Jika kejadiaan tersebut belum diperhatikan, kedua hasil akan con-sidered sama, memang akan ada beberapa hasil yang berbeda dari contoh mengenai hasil ini (unordered) yang sama. Di sisi lain, hanya satu hasil sesuai dengan semua lima kartu menjadi as sekop (dalam sampel dengan kasus-pengulangan), apakah kartu perintah atau tanpa perintah.

Hal ini memperkenalkan konsep elemen dibedakan dan tidak dapat dibedakan. Meskipun mungkin diperhatikan, hasil atau pengaturan baru tersebut tidak akan diperoleh jika dua elemen dibedakan dipertukarkan. Dengan demikian, pengaturan memungkinkan sedikit yang kemungkin jika beberapa item yang bisa dibedakan. Kami juga mencatat sebelumnya bahwa ada hasil yang berbeda sedikit jika order tidak diperhatikan, tetapi peluang salah satu unordered hasil yang terjadi maka akan lebih besar. Perhatikan juga bahwa itu adalah praktek umum untuk berasumsi bahwa urutan tidak diperhatikan ketika menggambar tanpa pengulangan, kecuali dinyatakan khusus, meskipun kami anggap diperhatikan dalam contoh 1.6.4

27

CONTOH

1. 2, ..., n diambil tiga sekaligus. Ekuivalen, ini akan menjadi koleksi semua

himpunan bagian dari ukuran 3 dari himpunan {1,2, 3, ..., n}, yang ada

n - 2 kombinasi atau subset dari bilangan bulat berturut-turut akan {1, 2, 3}, {2, 3,4}, ..., {n - 2, n - 1, n}. Seperti biasa, tidak ada perbedaan harus dibuat subset yang menuliskan unsur-unsur dalam urutan yang berbeda. Probabilitas yang dihasilkan adalah

seperti sebelumnya.

Hal ini menunjukkan bahwa beberapa masalah bisa diselesaikan baik menggunakan kombinasi atau permutasi. Biasanya, jika ada pilihan, pendekatan kombinasi sederhana karena ruang sampel lebih kecil. Namun, kombinasi tidak tepat dalam beberapa masalah.

Contoh 1.6.7 Pada Contoh 1.6.6, anggaplah bahwa sampling dilakukan dengan pengulangan. Sekarang, jumlah yang sama dapat diulang dalam tiga kali lipat {i,j,k}, sehingga ruang sampel memiliki hasil . Terdapat 6 (n - 2) tiga kali lipat dari bilangan bulat berturut-turut, karena

bilangan bulat tidak bisa diulang berturut-turut. Kemungkinan bilangan bulat berturut-turut dalam hal ini adalah 6 (n - 2) / . Bilangan bulat dapat diulang dalam kasus ini, sehingga

penggunaan kombinasi tidak tepat dalam kasus ini. Contoh 1.6.8 Sebuah penggunaan akrab notasi kombinasi dalam mengekspresikan ekspansi binomial

( )

28

Dalam kasus ini, ( ) adalah koefisien dari

, dan itu merupakan jumlah cara (n)

memilih k faktor n (a + b) dari mana untuk menggunakan istilah, dengan istilah b yang digunakan dari n yang tersisa - k faktor.

Contoh 1.6.9 Konsep kombinasi dapat digunakan untuk menentukan jumlah himpunan bagian dari satu elemen himpunan m. Ada ( ) cara elemen j memilih dari elemen m, j

jadi ada ( ) himpunan bagian dari elemen untuk j, = 0,1, ..., m. Jika j=0 maka kejadiannya nol dan diwakili oleh ( ) = 1, karena 0! didefinisikan sebagai sebuah kotak berisi tiket n, masingmasing ditandai dengan bilangan bulat yang berbeda, 1, 2, 3, ..., n. Jika tiga tiket yang dipilih secara acak tanpa pengulangan, berapa peluang mendapatkan tiket dengan bilangan bulat berturut-turut? Salah satu solusi yang mungkin akan memberikan ruang sampel terdiri dari semua bilangan bulat tiga kali lipat {i, j, k} dimana i,j,dan k adalah bilangan bulat yang berbeda dalam rentang I ke n.Jumlah tersebut tiga kali lipat = =n(n-1)(n-2). Tiga kali lipat yang

terdiri dari bilangan bulat berturut-turut adalah {1,2, 3}, {2, 3, 4}, .... {n - 2, n - 1, n} atau salah satu dari kelipatan 3 yang dibentuk oleh hasil permutasi akan lipat seperti peluang yang diinginkan adalah (n-2)= 6 (n 2) tiga kali

Jika urutan benda tidak diperhatikan,maka kita mungkin hanya tertarik pada jumlah kombinasi yang mungkin ketika memilih objek r dari n dari benda berbeda. Simbol ( ) biasanya digunakan untuk menunjukkan nomor ini.

Teorema 1.6.4 Jumlah kombinasi dari n objek yang berbeda dengan memilih r adalah

( )

(1.6.3)

29

bukti Seperti yang disarankan dalam contoh sebelumnya, P, dapat diartikan sebagai jumlah cara untuk memilih objek r dari n objek dan kemudian permutasi r obyek r cara

( ) Membagi oleh r! memberikan ekspresi yang diinginkan untuk ( ). Dengan demikian, jumlah kombinasi dari empat huruf diambil dua pada suatu kejadian adalah ( ) , Seperti

disebutkan di atas. Jika susunan diperhatikan, maka jumlah pengaturan menjadi 6 2 = 12 seperti sebelumnya. Jadi ( ) menghitung jumlah simbol dipasangkan baik di baris pertama atau kedua, tetapi tidak keduanya, dalam contoh 1.11.

Hal ini juga memungkinkan untuk memecahkan masalah peluang dalam contoh 1.66 menggunakan kombinasi. Ruang sampel akan terdiri dari semua kombinasi dari bilangan bulat n yaitu 1,2, ..., n diambil tiga sekaligus. Hasil ini akan menjadi penyelesaian semua himpunan bagian dari ukuran 3 dari himpunan {1, 2, 3, ..., n , yang ada adalah ( ) kombinasi (n-2) atau subset dari bilangan bulat berturut-turut adalah {1, 2, 3 , {2, 3, 4 ..., {n 2,n - 1, n}. Seperti biasa, tidak ada perbedaan yang wajib dibuat pada subset yang menuliskan unsur-unsur dalam urutan yang berbeda. Peluang yang dihasilkan adalah

Seperti sebelumnya. Hal ini menunjukkan bahwa beberapa masalah bisa diselesaikan baik menggunakan kombinasi atau permutasi. Biasanya, jika ada pilihan, pendekatan kombinasi sederhana karena ruang sampel lebih kecil. Namun, kombinasi tidak tepat dalam beberapa masalah.

Contoh 1.6.7 Pada Contoh 1.6.6, anggaplah bahwa sampling dilakukan dengan pengulangan. Sekarang, jumlah yang sama dapat diulang dalam tiga kali lipat {i,j,k}, sehingga ruang sampel
30

memiliki hasil

. Masih ada 6 (n - 2) tiga kali lipat dari bilangan bulat berturut-turut, karena

bilangan bulat tidak bisa diulang berturut-turut. Kemungkinan bilangan bulat berturut-turut dalam hal ini adalah 6 (n - 2) / penggunaan kombinasi tidak tepat. . Bilangan bulat dapat diulang dalam kasus ini, sehingga

Contoh 1.6.8 Sebuah penggunaan akrab notasi kombinasi dalam mengekspresikan ekspansi binomial

( )

(1.6.4)

Dalam kasus ini( ) adalah koefisien dari

, dan itu merupakan jumlah cara memilih faktor

k dari n (a + b) dari mana untuk menggunakan kemungkinan a dengan kemungkinan b yang digunakan dari n-k faktor.

Contoh1.6.9 Konsep kombinasi dapat digunakan untuk menentukan jumlah himpunan bagian dari satu bagian elemen m. Ada ( ) cara elemen j memilih dari unsur m,

jadi ada ( ) himpunan bagian dari elemen j untuk j = 0 1, ..., m. Dalam kasus j=0 ke bagian nol dan diwakili oleh ( 0 ) = 1, karena 0 didefinisikan setara dengan 1, untuk melambangkan notasi. Dengan demikian jumlah total himpunan bagian nol ditentukan oleh

0(

(1.6.5)

Contoh 1.6.10 Jika lima kartu diambil dari setumpuk kartu tanpa pengulangan, jumlah lima kartu tangan adalah 52 ( ) 5 52 5 47

Jika pesanan diperhatikan seperti pada Contoh 1.6.4, maka jumlah kemungkinan lima kartu tangan adalah

31

52 5

52 )5 5

52 47

Demikian pula, dalam Contoh 1.5.2 jumlah memerintahkan dua tard tangan diberikan menjadi 52 ( ) 2 5 PERBEDAAN OBYEK Pembahasan ke titik ini telah ditangani dengan pengaturan dari n objek dibedakan. Ada juga banyak aplikasi yang melibatkan benda-benda yang tidak semua dibedakan. 52 51

Contoh 1.6.11 Anda memiliki lima kelereng, dua hitam dan tiga putih, tetapi sebaliknya bisa dibedakan. Pada Gambar 1.12, kami mewakili semua pengaturan dibedakan dari dua hitam (B) dan tiga putih (W) kelereng.

GAMBAR 1.12 pengaturan dibedakan dari lima objek, dua dari satu jenis dan tiga lain

BBWWW BWBWW WWBBW WWBWB

WBBWW WWWBB

BWWBW WBWWB

WBWBW BWWWB

Perhatikan bahwa pengaturan dibedakan jika mereka berbeda dengan bertukar kelereng warna yang berbeda, tetapi tidak jika pertukaran melibatkan warna yang sama. Kami akan mengacu pada pengaturan 10 berbeda sebagai permutasi dari lima objek meskipun objek tidak semua dibedakan.

Sebuah cara yang lebih umum untuk menghitung permutasi tersebut pertama akan memperkenalkan label untuk objek, katakanlah
1 2 1 2 3.

Ada 51 permutasi benda-benda

dibedakan, tetapi dalam setiap warna ada permutasi yang tidak ingin kita hitung. Kita dapat mengkompensasi dengan membagi dengan jumlah permutasi benda hitam (2 ) Dan benda-benda putih (3 ). Dengan demikian, jumlah permutasi benda yang tidak dibedakan adalah
32

5 2 3 Ini adalah kasus khusus

10

dari

teorema

berikut.

Teorema 1.6.5 Banyaknya permutasi dibedakan dari n objek yang r adalah dari satu jenis dan n r adalah dari jenis lain adalah

( )

(1.6.6)

Jelas,

konsep

ini

dapat

digeneralisasi

untuk
1,

kasus

permutasi

jenis
2

benda.

Teorema 7.6.6 Jumlah permutasi dari n objek yang ..., , dari jenis k adalah

adalah dari satu jenis,

dari jenis kedua,

(1.6.7)

bukti Ini mengikuti dari pernyataan Contoh 1.6.11, kecuali dengan warna k yang berbeda dari bola. Contoh 1.6.12 Anda memiliki 10 kelereng dua hitam, tiga putih,dan lima merah, tetapi sebaliknya tidak dibedakan. Jumlah permutasi yang berbeda adalah 10 2 3 5 dengan n objek yang berbeda. 2520

Gagasan permutasi dari n objek, tidak semua yang dibedakan, berkaitan dengan lain jenis operasi

PARTISI Mari kita pilih objek r dari n objek yang berbeda dan menempatkan mereka dalam kotak atau sel. dan kemudian menempatkan n-r objek dalam kotak kedua. Jelas, ada ( )

cara ini dilakukan (karena permutasi obyek dalam sel tidak akan menghasilkan hasil baru), dan ini disebut sebagai jumlah cara partisi n objek menjadi dua sel dengan benda r dalam satu sel dan

33

n - r yang lain . Konsep generalisasi mudah untuk partisi n objek yang berbeda menjadi lebih dari dua sel.

Teorema 1.6.7 Jumlah cara partisi satu set n objek ke dalam sel k dengan pertama,
2

objek dalam sel

pada sel kedua, dan sebagainya adalah

1 2

Ketika

Perhatikan bahwa partisi mengasumsikan bahwa jumlah objek yang akan ditempatkan di setiap sel adalah tetap, dan bahwa urutan di mana objek ditempatkan ke dalam sel tidak diperhatikan. Dengan berturut-turut memilih obyek, jumlah partisi juga dapat dinyatakan sebagai

( )(
1 2

)
1 2

Contoh 1.6.13 Berapa banyak cara yang dapat Anda menyebarkan 12 es loli yang berbeda secara merata di antara empat anak? 12 3 3 3 3 Berdasarkan 369 600 Teorema 1.6.7 ini

Ini juga merupakan jumlah cara mengatur 12 es loli, yang tiga adalah merah, tiga hijau, tiga oranye, dan tiga berwarna kuning, jika es loli yang sama warna dibedakan.

PERHITUNGAN PELUANG Seperti disebutkan sebelumnya, jika dapat diasumsikan bahwa semua hasil yang mungkin sama-sama mungkin terjadi, maka konsep peluang klasik berguna untuk menentukan peluang suatu kejadian, dan teknik penghitungan terakhir dalam bagian ini mungkin membantu dalam menghitung jumlah cara peristiwa yang dapat terjadi. Ingat bahwa metode pengambilan sampel, dan asumsi mengenai ketertiban, apakah item yang bisa dibedakan, dan sebagainya, mungkin memiliki efek pada jumlah hasil yang mungkin.

34

Contoh 1.6.14 Seorang siswa menjawab 20 pertanyaan benar-salah secara acak. Peluang untuk mendapatkan 100% pada tes adalah P (100%) = 1/220 = 0,00000095. Kami ingin mengetahui peluang kemampuan mendapatkan 80%, yaitu, menjawab 16 pertanyaan dengan benar. Kami tidak mengharuskan yang 16 pertanyaan dijawab dengan benar, jadi ada (20) cara yang tepatnya 16 16 jawaban yang harus benar, dan P(80%)=
(20) 16 220

0 0046.

Contoh 1.6.15 Contoh tanpa pengulangan sebuah kotak berisi 10 kelereng hitam dan 20 kelereng putih, dan lima kelereng yang dipilih tanpa pengulangan. Peluang untuk mendapatkan tepat dua kelereng hitam adalah

P(tepatnya 2 hitam)

(10)(20) 2 3 (30) 5

0,360

(1.6.8)

Ada (30) kemungkinan hasil total. Ada juga (10) untuk memilih dua kelereng hitam dari 10 5 2 kelereng hitam, dan (20) untuk memilih 3 kelereng putih dari 20 kelereng putih. Dengan prinsip 3 perkalian, terdapat (10) (20) cara untuk mendapatkan dua kelereng hitam. Perhatikan bahwa agar 2 3 tidak diperhatikan dalam masalah ini, meskipun 30 kelereng yang diperhatikan berbeda dalam perhitungan ini, baik dalam mengingat jumlah hasil dalam ruang sampel dan dalam mempertimbangkan berapa banyak, hasil sesuai dengan peristiwa yang diinginkan terjadi. Meskipun pertanyaan 'tidak membedakan antara urutan hasil, adalah mungkin untuk mempertimbangkan pertanyaan relatif terhadap ruang sampel yang lebih besar dari hasil permintaan kemungkinan yang sama. Dalam satu kasus akan memiliki kemungkinan
30 5

(30) 5 hasil 5 dan

P(tepatnya 2 hitam)

(10)(20) 5 2 3 (30) 5 5

(1.6.9)

35

yang memberikan jawaban yang sama seperti sebelumnya. Hal ini juga dimungkinkan untuk menyelesaikan masalah ini dengan pendekatan peluang kondisional dibahas dalam Bagian 1.5. Pertama mempertimbangkan kemungkinan mendapatkan BBWWW hasil dalam urutan tertentu. Di sini kita memilih untuk menggunakan perbedaan antara B dan W tetapi tidak perbedaan dalam itu Bs atau dalam Ws. Dengan pendekatan peluang kondisional, ini peluang gabungan dapat dinyatakan sebagai P (BBWWW) = 30 29 28 27 26 Demikian pula, P (BWBWW) = 30 29 28 27 26 dan sebagainya. Dengan demikian, masing-masing urutan tertentu memiliki peluang yang sama. Jika kita tidak ingin membedakan antara Urutan kelereng hitam dan putih, kemudian
10 20 9 19 18 10 9 20 19 18

P (tepatnya 2 black) = (5) 2

10 9 20 19 18 30 29 28 27 26

(1.6.10)

yang lain lagi adalah sama dengan persamaan (1.6.8). Artinya, ada (5) = 10 yang berbeda 2 khususnya permintaan yang menginginkan dua kelereng putih hitam dan tiga kelereng putih (lihat Gambar 1.12). (5) orang bisa menganggap sebagai jumlah cara untuk memilih dua posisi 2 dari lima posisi di mana untuk menempatkan dua kelereng hitam. Jika urutan tertentu tidak diperhatikan, kemungkinan hasil yang sukses lebih besar.

Kita bisa terus mempertimbangkan semua 30 kelereng yang berbeda dalam kerangka ini, tetapi karena hanya urutan antara hitam dan putih diperhatikan dalam menghitung urutan tertentu, berikut bahwa hanya ada (5) yang tidak diminta untuk mempertimbangkan urutan 5 . 2 Dengan demikian, meskipun dua kelereng hitam mungkin berbeda, permutasi mereka tidak menghasilkan hasil yang berbeda: Urutan kelereng hitam dalam diri mereka tidak diperhatikan ketika menentukan urutan penyusunan,hanya urutan antara hitam dan putih yang diperhatikan. Dengan demikian koefisien (5) juga bisa diartikan sebagai jumlah permutasi dari lima hal yang 2 kedua adalah sama dan tiga yang sama (lihat Gambar 1.12).

Dengan demikian, kami telah melihat bahwa ada kemungkinan untuk memikirkan kelereng hitam dan putih sebagai dibedakan dalam diri mereka dalam masalah ini. dan nilai
36

yang sama untuk P (tepatnya 2 black) diperoleh, namun, perhitungan tersebut tidak lagi dilakukan melalui ruang sampel asli dasar hasil kemungkinan yang sama. Sebagai contoh, pada pengambilan pertama satu hanya akan memiliki dua hasil yang mungkin, B dan W. meskipun kedua hasil jelas tidak akan memiliki kemungkinan yang sama, melainkan P (B) = 10/30 dan P (W) = 20/30 . Memang, asumsi bahwa kelereng hitam dan kelereng putih yang bisa dibedakan dalam diri mereka tampak lebih alami dalam pendekatan peluang kondisional. Namun

demikian, pada ketentuan asumsi adalah bantuan yang nyaman dalam pendekatan pertama untuk mendapatkan ruang sampel lebih mendasar memiliki kemungkinan yang sama, meskipun pertanyaan itu sendiri tidak memerlukan perbedaan dalam warna.

Contoh 1.6.16 Sampling dengan Pengulangan

Jika lima kelereng yang diambil dengan

pengulangan Contoh 1.6.15, maka penggunaan peluang kondisional tampaknya paling alami dan sama dengan (1.6.10).
102 30 203 303

P (tepatnya 2 hitam) = (5) ( 2

Tentu saja, dalam hal

2) (

)
imbang pada masing-masing

(1.6.11) berdiri sendiri.

ini

hasil

Jika seseorang memilih untuk menggunakan pendekatan klasik dalam hal ini, akan lebih mudah untuk mempertimbangkan ruang sampel dari 305 hasil kemungkinan yang sama memerintahkan; dalam Contoh 1.6. 15 akan lebih mudah hanya untuk mempertimbangkan ruang sampel dari (30)hasil seperti 5 pada persamaan (1.6.8), daripada hasil memerintahkan seperti dalam persamaan (1.6.9). Untuk kejadian A ,satu kejadian kemudian memiliki "tepat 2 hitam."

P(A)=

(5) 102 303 2 303

Bentuk dalam hal ini tetap cukup mirip dengan persamaan (1.6.11), meskipun pendapat akan nampak berbeda. Ada (5) pola yang berbeda di mana pengaturan memerintahkan 2 kemungkin berisi dua kelereng hitam dan tiga putih, dan untuk masing-masing pola ada unsur 102 303 pengaturan yang berbeda yang dapat dibentuk dalam ruang sampel.

37

Karena beragam jenis masalah peluang dapat dinyatakan,kemungkinan pendekatan yang unik sering diperlukan untuk mengidentifikasi cara-cara saling eksklusif bahwa suatu peristiwa dapat terjadi sedemikian rupa sehingga cara ini dapat dengan mudah dihitung. Namun, masalah klasik tertentu (seperti yang digambarkan dalam Contoh 1.6.15 dan 1.6.16) dapat dikenali dengan mudah dan fungsi peluang umum disebarkan dapat ditentukan untuk mereka. Untuk masalah ini, peluang penghitungan individu terhindarkan tidak perlu dianalisis dengan hati-hati setiap kali.

RINGKASAN Tujuan bab ini adalah untuk mengembangkan konsep peluang untuk hasil jenis

kejadian mana yang tidak pasti diamati sebelum eksperimen. Pendekatan dasar melibatkan mendefinisikan ruang sampel sebagai himpunan semua kemungkinan

hasil dari percobaan, dan mendefinisikan suatu peristiwa matematis sebagai himpunan hasil yang terkait dengan terjadinya peristiwa tersebut. Motivasi utama untuk menetapkan peluang ke suatu kejadian menyababkan frekuensi yang relatif panjang untuk menafsirkan. Namun,

pendekatan mendefinisikan peluang dalam hal perangkat sederhana aksioma yang lebih umum, dan memungkinkan kemungkinan penggunaan metode yang lain dan tafsiran lain dari peluang. Pendekatan ini juga memungkinkan untuk memperoleh sifat umum dari peluang. Gagasan peluang kondisional memungkinkan pengenalan informasi tambahan mengenai

terjadinya satu peristiwa ketika menetapkan peluang yang lain. Jika peluang ditugaskan ke salah satu acara tidak terpengaruh oleh informasi bahwa kejadian lain telah terjadi, maka peristiwa yang dianggap berdiri sendiri. Ketelitian harus digunakan untuk tidak membingungkan konsep kejadian independen dan saling eksklusif. Secara khusus, peristiwa saling eksklusif tergantung, karena terjadinya satu menghalangi terjadinya yang lain. Dengan kata lain, peluang bersyarat yang diberikan yang lain adalah nol.

Salah satu metode utama peluangkan menginginkan, yang berlaku dalam kasus ruang sampel berhingga, didasarkan pada asumsi bahwa semua hasil sama-sama mungkin terjadi. Untuk menerapkan metode ini, hal ini berguna untuk memiliki teknik untuk menghitung jumlah hasil dalam sebuah kejadian. Teknik-teknik utama termasuk rumus untuk menghitung pengaturan dengan memperhatikan bendanya (permutasi) dan dengan tidak memperhatikan brndanya (kombinasi).
38

Untuk mengekspresikan jenis peluang dengan rumus umum, akan lebih mudah pertama yang memperkenalkan konsep "variabel acak" dan fungsi yang menggambarkan penyebaran peluang. Konsep-konsep ini akan dibahas dalam bab berikutnya, dan solusi umum kemudian dapat disediakan untuk beberapa masalah penghitungan dasar yang paling sering dijumpai.

LATIHAN :

1. Sebuah mesin permen karet memberikan keluaran merah, hitam, atau hijau permen karet. (a) Jelaskan ruang sampel yang sesuai. (b) Daftar semua peristiwa yang mungkin. (c) Jika R adalah kejadian merah kemudian daftar hasil di R. (d) Jika G adalah warna hijau lalu apa R G?

2. Dua permen karet yang diperoleh dari mesin di Latihan I dari dua percobaan. Urutan hasil penting. Asumsikan bahwa setidaknya dua bola dari masing-masing busur warna dalam mesin .. (a) Apakah yang dimaksud dengan ruang sampel yang tepat? (b) Berapa banyak peristiwa yang mungkin total ada yang mengandung delapan hasil? (c) Nyatakan peristiwa berikut sebagai serikat atau peristiwa C1 = mendapatkan bola merah pada percobaan pertama, C2 = mendapatkan setidaknya satu bola merah, C1 C2 3. Ada empat golongan darah dasar: O, A, B, dan AB. Biasanya, setiap orang dapat menerima darah dari donor dari kelompok mereka sendiri. Juga, siapa pun dapat menerima darah dari donor dari kelompok O, dan salah satu dari empat jenis dapat digunakan oleh penerima dari kelompok AB. Semua kemungkinan lain yang tidak diinginkan. Sebuah eksperimen terdiri dari menggambar setengah liter darah dan menentukan jenisnya untuk masing-masing dari dua donor berikutnya yang memasuki bank darah. (a) Buatlah daftar (memperhatikan) kemungkinan hasil dari percobaan ini. (b) Buatlah daftar hasil yang sesuai dengan kejadian bahwa donor kedua dapat menerima darah dari donor pertama. (c) Buatlah daftar hasil yang sesuai dengan kejadian yang setiap donor dapat menerima darah dari yang lain.
39

C2, C1

40