Sejarah Statistik

Sejarah Statistika

Sejarah statistika

Statistika adalah suatu metode yang digunakan dalam pengumpulan dan

analisis data dapat diperoleh informasi yang bermamfaat. Statistika menyedikan
prinsip dan metodoloi untuk merancang proses pengumpulan data , meringkas
dan menyajikan data yang telah diperoleh , menganalisis dan pengambilan
keputusan secara ringkas. Secara ringkas pengertian statistika adalah
pengetahuan yang berkaitan dengan pengumpulan angka-angka , pengolahan ,
dan penganalisisan , penarikan kesimpulan , serta pembuatan keputusan
berdasarkan data dan fakta yang sudah dianalisis.

Ilmu ini seusia dengan umur peradaban ini, di mana tradisi menghitung
merupakan landasan utama dalam membangun peradaban. Semenjak peradaban
Yunani ilmu hitung sudah diperkenalkan, dan menjadi alat utama dalam proses
pengambilan keputusan. Fenomena ini bisa dilacak dalam tulisan filsof Yunani
seperti Aristoteles, maupun Plato yang mengusulkan sistem pemilihan langsung
terhadap pejabat publik di mana di kemudian hari dikenal dengan demokrasi
langsung. Untuk menghitung siapa yang paling diterima oleh masyarakat dalam
pemilihan tersebut maka aspek ilmu hitung menjadi dasar alat pembenar.

Penggunaan Statistika sudah dikenal sebelum abad 18, pada saat itu negara-
negara

Babilon, Mesir dan Roma mengeluarkan catatan tentang nama, usia, jenis
kelamin, pekerjaan dan jumlah anggota keluarga. Kemudian pada tahun 1500,
pemerintahan Inggris mengeluarkan catatan mingguan tentang kematian dan
tahun 1662, dikembangkan catatan tentang kelahiran dan kematian. Baru pada
tahun 1772 1791, G. Achenwall menggunakan istilah statistika sebagai
kumpulan data tentang negara. Tahun 1791 1799, Dr .E.A.W Zimmesman
mengenalkan kata statistika dalam bukunya Statistical Account of Scotland.
Tahun 1981 1935 R. Fisher mengenalkan analisavarians dalam literatur
statistiknya.

Ilmu hitung kemudian berkembang pesat lagi pada masa imperium Romawi.
Angka angka yang disimbolkan dalam peradaban Yunani dikembangkan dengan
symbol Romawi. Meski angka Romawi tidak praktis, dalam batas tertentu
memberikan pengaruh yang luas bagi perkembangan ilmu hitung. Angka Romawi
mampu memberikan lambing terhadap angka dalam jumlah yang lebih banyak
dibandingkan dengan angka Yunani. Puncak peradaban ilmu hitung menjadi
semakin cepat manakala tradisi Arab mengenalkan simbol angka yang sederhana
dan fleksibel.

Angka Arab mampu menyederhanakan simbol menjadi simbol yang mudah

dimengerti dan dapat digunakan secara berulang secara mudah. Misal, untuk
mengungkapkan angka 100, maka cukup hanya menggunakan 2 simbol saja
yang sudah dipakai sebelumnya, demikian pula kalau harus menyebut angka 1
trilyun, angka yang dipakai tetap 1 dan 0, tinggal memperbanyak 0-nya saja.
Sangat berbeda dengan angka Romawi, setiap perubahan persepuluhan harus
dikenalkan simbol baru, yang kemudian tidak dijadikan basis pembuatan angka
secara konsisten. Puncak peradaban ilmu hitung mengalami perkembangan yang
sangat pesat, tatkala tradisi Arab memperkenalkan simbol baru angka 0. Angka
ini seakan telah menjadi angka mujizat dalam sejarah peradaban ilmu hitung,
sebab dengan ditemukannya angka 0, maka akan mempersingkat penulisan-
penulisan yang berbasis ribuan sampai tak terhingga. Bayangkan bagaimana
menulis simbol satu trilyun jika menggunakan symbol Romawi. Inilah salah satu
sumbangan tradisi Islam dan Arab yang sering dilupakan oleh orang.

Ilmu Statistik sebagai bentuk aplikasi dan terapkan ilmu hitung sebagai ilmu
murni juga mengalami perkembangan seiring dengan semakin berkembang ilmu
hitung. Statistik yang lebih menekankan pada tradisi mencatat dan menyusun,
memungkinkan ilmu ini mulai dilirik orang dalam konteks untuk mempergunakan
hasil pencatatan dan penyusunan untuk mendapatkan pola. Pola ini menjadi
sangat penting untuk dilihat, manakala manusia dihadapkan pada pergerakan
peradaban manusia yang semakin kompleks, yang juga berarti jumlah data juga
sangat kompleks, hampir setiap detik terdapat peristiwa yang lahir, dan harus
didokumentasi. Semakin tersebarnya data, menjadikan banyak fihak perlu
mendapatkan data yang sahih, namun mudah dimengerti dan memiliki akurasi
yang baik dalam dokumentasinya. Statistik merupakan satu-satunya ilmu yang
bisa menawarkan pada tradisi mencatat ini.

Penggunaan istilah statistika berakar dari istilah istilah dalam bahasa latin
modern statisticum collegium (dewan negara) dan bahasa Italia statista
(negarawan atau politikus).

Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman untuk

pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan
mengartikannya sebagai ilmu tentang negara (state). Pada awal abad ke-19
telah terjadi pergeseran arti menjadi ilmu mengenai pengumpulan dan
klasifikasi data. Sir John Sinclair memperkenalkan nama (Statistics) dan
pengertian ini ke dalam bahasa Inggris. Jadi, statistika secara prinsip mula-mula
hanya mengurus data yang dipakai lembaga-lembaga administratif dan
pemerintahan. Pengumpulan data terus berlanjut, khususnya melalui sensus
yang dilakukan secara teratur untuk memberi informasi kependudukan yang
berubah setiap saat.

Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan
bidang-bidang dalam matematika, terutama peluang. Cabang statistika yang
pada saat ini sangat luas digunakan untuk mendukung metode ilmiah, statistika
inferensi, dikembangkan pada paruh kedua abad ke-19 dan awal abad ke-20 oleh
Ronald Fisher (peletak dasar statistika inferensi), Karl Pearson (metode regresi
linear), dan William Sealey Gosset (meneliti problem sampel berukuran kecil).
Penggunaan statistika pada masa sekarang dapat dikatakan telah menyentuh
semua bidang ilmu pengetahuan, mulai dari astronomi hingga linguistika. Bidang-
bidang ekonomi, biologi dan cabang-cabang terapannya, serta psikologi banyak
dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu
gabungan seperti ekonometrika, biometrika (atau biostatistika), dan
psikometrika.

Meskipun ada pihak yang menganggap statistika sebagai cabang dari

matematika, tetapi sebagian pihak lainnya menganggap statistika sebagai
bidang yang banyak terkait dengan matematika melihat dari sejarah dan
aplikasinya. Di Indonesia, kajian statistika sebagian besar masuk dalam fakultas
matematika dan ilmu pengetahuan alam, baik di dalam departemen tersendiri
maupun tergabung dengan matematika.

Perbedaan statistik dan statistika

Definisi Statistik

Statistik adalah kumpulan data yang bisa memberikan gambaran tentang suatu
keadaan

Definisi Statistika

Statistika adalah ilmu yang mempelajari statistik, yaitu ilmu yang mempelajari
bagaimana caranya mengumpulkan data, mengolah data, menyajikan data,
menganalisis data, membuat kesimpulan dari hasil analisis data dan mengambil
keputusan berdasarkan hasil kesimpulan.

Pembagian Statistika

1. Statistika Deskriptif

Statistika deskriptif adalah statistika yang mempelajari bagaimana caranya

mengumpulkan data, mengolah data, menyajikan data, menganalisis data

2. Statistika Induktif (Inferens)

Statistika inferens adalah statistika yang mempelajari bagaimana caranya

mengumpulkan data, mengolah data, menyajikan data, menganalisis data,
membuat kesimpulan dan mengambil keputusan
Kegunaan dan Fungsi Statistik

Fungsi Statistik.

Secara singkat dapat dikemukakan bahwa Statistik sebagai ilmu pengetahuan

pada dasarnya berfungsi sebagai ALAT BANTU. Misalnya: (a) Sebagai alat bantu
untuk meringkas laporan, baik laporan administratip maupun laporan hasil
penelitian ilmiah, yang berupa atau terdiri dari angka-angka atau bilangan-
bilangan; (b) Sebagai alat bantu di dalam menyusun perencanaan, terutama
perencanaan yang memerlukan bahan-bahan keterangan yang berupa angka-
angka; (c) Sebagai alat bantu di dalam mengadakan evaluasi atau penilaian
terhadap suatu gejala, peristiwa atau keadaan, dan lain sebagainya.

Kegunaan Statistik.

Di antara kegunaan Statistik sebagai ilmu pengetahuan adalah:

(a) Untuk menggambarkan keadaan, baik secara umum amupun secara khusus;

(b) Untuk memperoleh gambaran tentang perkembangan (pasang-surut) dari

waktu ke waktu;

(c) Untuk mengetahui permandingan (membandingkan) antara gejala yang satu

dengan gejala yang lain;

(d) Untuk menilai keadaan dengan jalan menguji perbedaan antara gejala yang
satu dengan gejala yang lain;

(e) Untuk menilai keadaan dengan jalan mencari hubungan antara gejala yang
satu dengan gejala yang lain;

(f) Untuk menjadi dasar atau pedoman, baik di dalam menarik kesimpulan,
mengambil keputusan, serta memperkirakan terjadinya sesuatu hal atas dasar
bahan-bahan keterangan (data) yang telah berhasil dihimpun, dan lain
sebagainya.

Statistik dipelajari di berbagai bidang ilmu karena statistik adalah sekumpulan

alat analisis data yang dapat membantu pengambil keputusan untuk mengambil
keputusan berdasarkan hasil kesimpulan pada analisis data dari data yang di
kumpulkan. Selain itu juga dengan statistik kita bisa meramalkan keadaan yang
akan datang berdasakan data masa lalu.

Sejarah Singkat Statistika (awal muncul statistik)

 Penggunaan istilah statistika berakar dari istilah istilah dalam bahasa latin
moderen statisticum collegium (dewan negara) dan bahasa Italia statista
(negarawan atau politikus).

Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman untuk

pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan
mengartikannya sebagai ilmu tentang negara (state). Pada awal abad ke-19
telah terjadi pergeseran arti menjadi ilmu mengenai pengumpulan dan
klasifikasi data. Sir John Sinclair memperkenalkan nama (Statistics) dan
pengertian ini ke dalam bahasa Inggris. Jadi, statistika secara prinsip mula-mula
hanya mengurus data yang dipakai lembaga-lembaga administratif dan
pemerintahan. Pengumpulan data terus berlanjut, khususnya melalui sensus
yang dilakukan secara teratur untuk memberi informasi kependudukan yang
berubah setiap saat.

Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan
bidang-bidang dalam matematika, terutama probabilitas. Cabang statistika yang
pada saat ini sangat luas digunakan untuk mendukung metode ilmiah, statistika
inferensi, dikembangkan pada paruh kedua abad ke-19 dan awal abad ke-20 oleh
Ronald Fisher (peletak dasar statistika inferensi), Karl Pearson (metode regresi
linear), dan William Sealey Gosset (meneliti problem sampel berukuran kecil).
Penggunaan statistika pada masa sekarang dapat dikatakan telah menyentuh
semua bidang ilmu pengetahuan, mulai dari astronomi hingga linguistika. Bidang-
bidang ekonomi, biologi dan cabang-cabang terapannya, serta psikologi banyak
dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu
gabungan seperti ekonometrika, biometrika (atau biostatistika), dan
psikometrika.

Meskipun ada kubu yang menganggap statistika sebagai cabang dari

matematika, tetapi orang lebih banyak menganggap statistika sebagai bidang
yang banyak terkait dengan matematika melihat dari sejarah dan aplikasinya. Di
Indonesia, kajian statistika sebagian besar masuk dalam fakultas matematika dan
ilmu pengetahuan alam, baik di dalam departemen tersendiri maupun tergabung
dengan matematika.

Istilah statistika sudah sangat tua. Statistika bermula sebagai suatu cara
berhitung untuk membantu pemerintah yang ingin mengetahui kekayaan dan
banyaknya warganya dalam usaha menarik pajak atau pun berperang. William si
penakluk memerintahkan diadakannya survey di seluruh Inggris untuk tujuan
pajak dan tugas kemiliteran. Hasil Survey ini dikumpulkan dalam sebuah
kumpulan yang disebut Domesday Book.

Beberapa abad setelah Domesday Book, ditemukan suatu penerapan peluang

empirik dalam asuransi perkapalan, yang tampaknya sudah tersedia bagi kapal-
kapal bangsa Flem pada abad ke-14. Perjudian, dalam bentuk permainan, telah
mengantarkan kita ke teori peluang. Teori ini pertama kali dikembangkan oleh
Pascal dan Fermat sekitar abad ke-17, karena mereka tertarik pada pengalaman-
pengalaman judi Chevalier de Mere.
 Kurva normal telah terbukti sangat penting dalam pengembangan statistika.
Persamaan kurva ini pertama kali diumumkan pada tahun 1733 oleh de Moivre.
De Moivre sama sekali tidak tahu bagaimana menerapkan penemuannya
tersebut pada data hasil percobaan, dan karyanya ini tetap tidak diketahui
sampai Karl Pearson menemukannya di suatu perpustakaan pada tahun 1924.
Walaupun demikian, hasil yang sama dikembangkan kemudian oleh dua
astronom matematik, Laplace, 1749-1855 dan Gauss, 1777-1855, secara
terpisah.

Pada abad ke-19 Charles Lyell telah mengajukan suatu argumentasi yang pada
dasarnya bersifat statistik terhadap suatu masalah geologi. Dalam periode 1830-
1833, diterbitkan 3 jilid Principles of Geology karya Lyell, yang mengurutkan
batu-batuan zaman Tertier, serta sekaligus memberi nama pada masing-masing
batuan. Bersama dengan M.Deshayes, seorang ahli biologi dari Prancis, mereka
mengidentifikasikan dan mendaftarkan spesies-spesies fosil yang terdapat dalam
satu atau lebih strata, dan meramalkan proporsi jenis-jenis yang masih hidup di
bagian-bagian laut tertebtu. Berdasarkan proporsi-proporsi tersebut mereka
memberi nama Pleistosen, Pliosen, Miosen, dan Eosen. Argumentasi Lyell
sesungguhnya bersifat statistika. Sayangnya setelah ditetapkan dan diterimanya
nama-nama tersebut, metodenya segera dilupakan orang. Hal ini terjadi baik di
bidang ilmu-ilmu biologi maupun fisika.

Pada abad ke-19 pula, perlunya landasan yang lebih kokoh bagi statistika
menjadi semakin jelas. Karl Pearson, seorang ahli fisika matematik, menerapkan
matematika pada biologi. Pearson melewatkan hampir setengah abad dalam
penelitian statistika yang serius. Di samping itu, ia juga mendirikan jurnal
Biometrika dan sebuah aliran statistika. Dengan demikian kajian statistika
memperoleh dorongan besar.

Sementara Pearson hanya memperhatikan contoh besar (large samples), teori

sampel besar yang dikembangkan ternyata tidak memuaskan peneliti yang selalu
berhubungan dengan sampel kecil (small samples). Di antara mereka adalah W.S.
Gosset, 1876-1937, murid Karl Pearson. Namun kemampuan matematika Gosset
belum memadai untuk mendapatkan sebaran-sebaran pasti dari simpangan baku
sampel, rasio antara rata-rata sampel dengan simpangan baku sampel, dan
koefisien korelasi; statistik-statistik yang paling banyak diperhatikannya.
Akibatnya, ia terpaksa mendasarkan pada kartu; mengocok, mengambil, dan
kemudian membuat sebaran frekuensi empiriknya. Makalah yang membuat hasil
penelitiannya ini muncul dalam Biometrika pada tahun 1908, dan ia
menggunakan nama student. Sekarang ini sebaran t-Student merupakan alat
dasar bagi statistikawan dan peneliti; dan me-student-kan merupakan istilah
yang lazim dalam statistika. Kini penggunaan sebaran t-Student begitu meluas,
dan menarik untuk diperhatikan bahwa seorang astronom Jerman, Helmert, telah
mendapatkannya secara matematika jauh sebelumnya, yaitu pada tahun 1875.

R.A. Fisher, 1890-1962, yang dipengaruhi oleh Karl Pearson dan Student,
memberikan sumbangan yang sangat banyak dan penting bagi statistika. Ia dan
murid-muridnya memberikan dorongan yang besar bagi penggunaan prosedur-
prosedur statistika dalam banyak bidang, terutama dalam bidang-bidang
pertanian, biologi, dan genetika.

J.Neyman (1895) dan E.S.Pearson (1895), mengemukakan teori pengujian

hipotesis pada tahun 1936 dan 1938. Teori ini meransang sejumlah besar
penelitian dan banyak hasilnya mempunyai kegunaan praktis.

Pada tahun 1902-1950, Abraham Wald menulis dua buku yang sangat
bermanfaat hingga saat ini, yakni Sequential Analysis dan Statistical Decision
Functions. Dalam abad inilah (hingga saat ini) hampir semua metode statistika
yang kini digunakan itu dikembangkan.

Dalam arti sempit statistik dapat diartikan sebagai data, tetapi dalam arti luas
statistik dapat diartikan sebagai alat. Alat untuk analisis dan alat untuk membuat
keputusan. Statistik dapat dibedakan menjadi dua, yaitu statistik deskriptif dan
statistik inferensial. Selanjutnya statistik inferensial dapat dibedakan menjadi
statistik parametris dan non parametris.

Statistik deskriptif adalah statistik yang digunakan untuk menggambarkan atau

menganalisis suatu hasil penelitian. Statistik inferensial adalah statistik yang
digunakan untuk menganalisis data sampel, dan hasilnya akan digeneralisasikan
(diinferensikan) untuk populasi di mana sampel di ambil.

Terdapat dua macam statistik inferensial, yaitu; statistik parametris digunakan

untuk menganalisis data interval atau rasio, yang diambil dari populasi yang
berdistribusi normal. Sedangkan statistik non parametris digunakan untuk
menganalisis data nominal dan ordinat dari populasi yang bebas distribusi.

Konsep dasar

Dalam mengaplikasikan statistika terhadap permasalahan sains, industri, atau

sosial, pertama-tama dimulai dari mempelajari populasi. Makna populasi dalam
statistika dapat berarti populasi benda hidup, benda mati, ataupun benda
abstrak. Populasi juga dapat berupa pengukuran sebuah proses dalam waktu
yang berbeda-beda, yakni dikenal dengan istilah deret waktu.

Melakukan pendataan (pengumpulan data) seluruh populasi dinamakan sensus.

Sebuah sensus tentu memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam
statistika seringkali dilakukan pengambilan sampel (sampling), yakni sebagian
kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis data dari
sampel nantinya digunakan untuk menggeneralisasi seluruh populasi.

Jika sampel yang diambil cukup representatif, inferensial (pengambilan

keputusan) dan simpulan yang dibuat dari sampel dapat digunakan untuk
menggambarkan populasi secara keseluruhan. Metode statistika tentang
bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling.

Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya hal

terlihat banyak digunakannya uji statistika yang mengambil dasar pada sebaran
peluang. Sedangkan matematika statistika merupakan cabang dari matematika
terapan yang menggunakan teori probabilitas dan analisis matematika untuk
mendapatkan dasar-dasar teori statistika.

Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial.
Statistika deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung
rata-rata dan varians dari data mentah; mendeksripsikan menggunakan tabel-
tabel atau grafik sehingga data mentah lebih mudah dibaca dan lebih
bermakna. Sedangkan statistika inferensial lebih dari itu, misalnya melakukan
pengujian hipotesis, melakukan prediksi observasi masa depan, atau membuat
model regresi.

Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan

dideskripsikan) atau disimpulkan, baik secara numerik (misalnya menghitung
rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau
grafik), untuk mendapatkan gambaran sekilas mengenai data tersebut, sehingga
lebih mudah dibaca dan bermakna.

Statistika inferensial berkenaan dengan permodelan data dan melakukan

pengambilan keputusan berdasarkan analisis data, misalnya melakukan
pengujian hipotesis, melakukan estimasi pengamatan masa mendatang (estimasi
atau prediksi), membuat permodelan hubungan (korelasi, regresi, ANOVA, deret
waktu), dan sebagainya.

Teori kebarangkalian
Daripada Wikipedia, ensiklopedia bebas.

Lompat ke: pandu arah, cari

Teori kebarangkalian adalah cabang matematik berkenaan dengan analisis

fenomena rawak.[1] Tujuan utama teori kebarangkalian ialah pembolehubah
rawak, proses stokastik, dan peristiwa: peniskalaan matematik peristiwa tak-
berketentuan atau kuantiti yang diukur yang mungkin merupakan kejadian
tunggal atau berkembang mengikut masa tampaknya secara rawak. Walapun
satu lambungan syiling atau balingan dadu merupakan satu kejadian rawak, jika
diulang banyak kali satu urutan peristiwa rawak akan menunjukkan pola statistik
tertentu, yang boleh dikaji dan diramal. Dua hasil matematik berperwakilan yang
menerangkan pola seperti ini ialah hukum bilangan besar dan teorem had
memusat.

Sebagai asas matematik untuk statistik, teori kebarangkalian amat penting untuk
banyak aktiviti manusia yang melibatkan analisis kuantitatif set data yang besar.
Teknik teori kebarangkalian turut boleh digunakan dalam penerangan suatu
sistem kompleks di mana hanyak sebahagian keadaannya diketahui, seperti
dalam mekanik statistik. Satu penemuan besar dalam fizik abad ke-20 ialah sifat
berkebarangkalian fenomena fizik pada skala atom, yang diterangkan dalam
mekanik kuantum.

Isi kandungan

[tunjukkan]
Sejarah[sunting | sunting sumber]

Teori matematik kebarangkalian mempunyai akarnya dalam percubaan untuk

menganalisis mainan kesempatan oleh Gerolamo Cardano pada abad keenam
belas, dan oleh Pierre de Fermat dan Blaise Pascal pada abad ketujuhbelas
(contohnya "masalah poin").

Pada asasnya, teori kebarangkalian secara utama dianggap peristiwa rahsia, dan
caranya adalah utamanya combinatorial. Akhirnya, pertimbangan peanalisisan

Secara asas, teori kebarangkalian dianggap peristiwa discrete, dan kaedah-

kaedahnya kebanyakannya kombinatorial. Akhirnya, penganggapan analitik
compelled penggubahan pembolehubah berlanjutan pada teori. Ini culminated
dalam teori kebarangkalian moden, yayasan pada mananya terletak oleh Andrey
Nikolaevich Kolmogorov. Kolmogorov menggabungkan tanggapan ruang sampel,
introduced by Richard von Mises, dan teori ukuran dan menyampaikan sistem
aksiom untuk teori kebarangkalian pada 1933. Agak cepat ini menjadi tidak asas
aksiomatik yang tidak dipertikaikan.[2]

Layanan[sunting | sunting sumber]

Kebanyakan pengenalan pada teori kebarangkalian melayan pengedaran

kebarangkalian discrete dan pengedaran kebarangkalian berlanjut secara
terasing. Teori asas ukuran lebih maju secara matematik layanan kebarangkalian
meliputi yang discrete, yang berlanjutan, mana-mana campuran dari kedua-dua
ini dan lebih.

Pengedaran kebarangkalian discrete[sunting | sunting sumber]

Rencana utama: Pengedaran kebarangkalian discrete

Teori Kebarangkalian discrete diuruskan dengan peristiwa-peristiwa yang

bermuncul di ruang-ruang sampel berkira.

Contoh: Membaling dadu, bereksperimen dengan set daun terup, dan jalan ganjil.

Takrifan klasik: Pada mulanya kebarangkalian suatu peristiwa bermuncul telah

ditakrifkan sebagai bilangan perkara digemari untuk peristiwa itu, ke atas
bilangan jumlah akibat dalam suatu ruang sampel equiprobable.

Contohnya, jika peristiwa itu adalah "kemunculan pada nombor genap apabila
sebuah dadu digolekkan", kebarangkalian diberikan oleh 3 6 = 1 2
{\displaystyle {\tfrac {3}{6}}={\tfrac {1}{2}}} {\displaystyle {\tfrac {3}
{6}}={\tfrac {1}{2}}}, sejak 3 menghadap keluar dari 6 mempunyai nombor-
bombor genap dan tiap muka mempunyai kebarangkalian sama pada
kemunculan.

Takrifan moden: Takrifan moden bermula dengan suatu set bergelar ruang
sampel, yang berkaitan dengan set pada semua akibat kemungkinan dari segi
kalsik, ditandakan oleh = { x 1 , x 2 , } {\displaystyle \Omega =\left\
{x_{1},x_{2},\dots \right\}} {\displaystyle \Omega =\left\{x_{1},x_{2},\dots
\right\}}. Ia dianggapkan bahawa untuk tiap elemen x {\displaystyle
x\in \Omega \,} {\displaystyle x\in \Omega \,}, sebuah nilai "kemungkinan "
intrinsik f ( x ) {\displaystyle f(x)\,} {\displaystyle f(x)\,} bercantum, yang
memuaskan ciri-ciri berikut:

1.f ( x ) [ 0 , 1 ] untuk semua x ; {\displaystyle f(x)\in [0,1]

{\mbox{ untuk semua }}x\in \Omega \,;} {\displaystyle f(x)\in [0,1]
{\mbox{ untuk semua }}x\in \Omega \,;}

2. x f ( x ) = 1 . {\displaystyle \sum _{x\in \Omega }f(x)=1\,.}

{\displaystyle \sum _{x\in \Omega }f(x)=1\,.}
Iaitu, fungsi kebarangkalian f(x) terletak di antara kosong dan satu untuk setiap
nilai x dalam ruang sampel , dan jumlah f(x) ke atas semua nilai x dalam ruang
sampel sama dengan 1. Sebuah kejadian ditakrifkan sebagai mana-mana
subset E {\displaystyle E\,} {\displaystyle E\,} ruang sampel {\displaystyle
\Omega \,} {\displaystyle \Omega \,}. Kebarangkalian kejadian E {\displaystyle
E\,} {\displaystyle E\,} ditakrifkan

P ( E ) = x E f ( x ) . {\displaystyle P(E)=\sum _{x\in E}f(x)\,.}

{\displaystyle P(E)=\sum _{x\in E}f(x)\,.}

Oleh itu, kemungkinan keseluruhan ruang sampel adalah 1, dan kemungkinan

yang tidak sah adalah 0.

Fungsi f ( x ) {\displaystyle f(x)\,} {\displaystyle f(x)\,} memetakan sebuah

poin di ruang sampel pada nilai "kemungkinan" digelarkan sebuah fungsi massa
kemungkinan diringkaskan pmf. Takrifan moden tidak cuba menjawab bagaimana
fungsi massa kemungkinan diperolehi; daripadanya ia membina sebuah teori
yang menganggapkan kemunculan mereka.

Pengedaran kemungkinan berlanjutan[sunting | sunting sumber]

Rencana utama: Pengedaran kemungkinan lanjutan

Teori kemungkinan berlanjutan mengurus dengan peristiwa-peristiwa yang

bermuncul dalam suatu ruang sampel berlanjutan.

Takrifan klasik: takrifan klasik memecah apabila dihadapi dengan perkara

berlanjutan. Lihat Paradoks Bertrand.

Takrifan moden: If the outcome space of a random variable X adalah set real
numbers (R {\displaystyle \mathbb {R} } {\displaystyle \mathbb {R} }) atau
suatu subsetyang disebutkan, kemudian suatu fungsi digelar fungsi pengedaran
kumulatif (atau cdf) F {\displaystyle F\,} {\displaystyle F\,} bermuncul,
ditakrifkan oleh F ( x ) = P ( X x ) {\displaystyle F(x)=P(X\leq x)\,}
{\displaystyle F(x)=P(X\leq x)\,}. Iaitu, F(x) berpulangkan kebarangkalian bahawa
X akan menjadi kurang daripada atau sama dengan x.
Cdf secara perlu memuaskan ciri-ciri yang berikut.

1.F {\displaystyle F\,} {\displaystyle F\,} adalah sebuah fungsi secara

monotoni tidak-berkurangan, berlanjutan-kanan;

2.lim x F ( x ) = 0 ; {\displaystyle \lim _{x\rightarrow -\infty }F(x)=0\,;}

{\displaystyle \lim _{x\rightarrow -\infty }F(x)=0\,;}

3.lim x F ( x ) = 1 . {\displaystyle \lim _{x\rightarrow \infty }F(x)=1\,.}

{\displaystyle \lim _{x\rightarrow \infty }F(x)=1\,.}

Jika F {\displaystyle F\,} {\displaystyle F\,} adalah berlanjutan secara

keseluruhan, i.e., derivatifnya wjud dan integrating derivatif memberikan kita cdf
lagi, kemudian pembolehubah ganjil X dikatakan mempunyai suatu fungsi
kepadatan kebarangkalian atau pdf atau hanya kepadatan f ( x ) = d F ( x ) d x
. {\displaystyle f(x)={\frac {dF(x)}{dx}}\,.} {\displaystyle f(x)={\frac {dF(x)}
{dx}}\,.}

Untuk sebuah set E R {\displaystyle E\subseteq \mathbb {R} }

{\displaystyle E\subseteq \mathbb {R} }, kebarangkalian pada pembolehubah
ganjil X dijadikan E {\displaystyle E\,} {\displaystyle E\,} adalah

P ( X E ) = x E d F ( x ) . {\displaystyle P(X\in E)=\int _{x\in E}dF(x)\,.}

{\displaystyle P(X\in E)=\int _{x\in E}dF(x)\,.}

Sekiranya fungsi kepadatan kebarangkalian wujud, ini dapat dituliskan

P ( X E ) = x E f ( x ) d x . {\displaystyle P(X\in E)=\int _{x\in

E}f(x)\,dx\,.} {\displaystyle P(X\in E)=\int _{x\in E}f(x)\,dx\,.}

Di manaya pdf wujud hanya untuk pembolehubah ganjil berlanjutan, cdf wujud
untuk semua pembolehubah (termasuk pembolehubah ganjil discrete) yang
mengambil nilai-nilai di R . {\displaystyle \mathbb {R} \,.} {\displaystyle
\mathbb {R} \,.}

Konsep-konsep ini dapat diumumkan untuk perkara-perkara pelbagai dimensional

pada R n {\displaystyle \mathbb {R} ^{n}} {\displaystyle \mathbb {R}
^{n}} dan ruang-ruang sampel berlanjutan lain.

Teori kemungkinan berteori-ukuran[sunting | sunting sumber]

Raison d'tre pada layanan berteori-ukuran kebarangkalian adalah bahawa ia

menyatukan perkara discrete dan berlanjutan, dan membuat perbezaan suatu
soalan pada ukuran mana yang digunakan. Tambahan, ia meliputi pengedaran
yang bukan discrete atau berlanjuatan atau campuran pada kedua-duanya.

Suatu contoh pada sebarang pengedaran boleh jadi suatu campuran pengedaran
discrete dan berlanjutan, contohnya, suatu pembolehubah ganjil yang adalah 0
dengan kebarangkalian 1/2, dan mengambil nilai ganjil dari suatu pengedaran
biasa dengan kebarangkalian 1/2. Ia dapat masih dipelajari ke sesetengah extent
dengan menganggapnya mempunyai suatu pdf ( [ x ] + ( x ) ) / 2
{\displaystyle (\delta [x]+\varphi (x))/2} {\displaystyle (\delta [x]+\varphi
(x))/2}, where [ x ] {\displaystyle \delta [x]} {\displaystyle \delta [x]} adalah
fungsi Dirac delta.

Pengedaran lain mungkin bukan pun suatu campuran, contohnya, pengedaran

Cantor tidak mempunyai kebarangkalian positif untuk mana-mana poin satu,
tidak pun ia mempunyai suatu kepadatan. Kecapaian moden pada teori
kebarangkalian menyelesai masalah-masalah ini menggunakan teori ukuran
untuk mentakrifkan ruang kebarangkalian:

Diberikan mana-mana set {\displaystyle \Omega \,} {\displaystyle

\Omega \,}, (juga digelar ruang sampel) dan suatu -algebra F {\displaystyle
{\mathcal {F}}\,} {\displaystyle {\mathcal {F}}\,} padanya, suatu ukuran P
{\displaystyle P\,} {\displaystyle P\,} ditakrifkan di F {\displaystyle {\mathcal
{F}}\,} {\displaystyle {\mathcal {F}}\,} digelar suatu ukuran kebarangkalian
jika P ( ) = 1. {\displaystyle P(\Omega )=1.\,} {\displaystyle P(\Omega )
=1.\,}

Jika F {\displaystyle {\mathcal {F}}\,} {\displaystyle {\mathcal {F}}\,}

adalah Algebra- Borel pada set real numbers, oleh itu adanya ukuran
kebarangkalian unik pada F {\displaystyle {\mathcal {F}}\,} {\displaystyle
{\mathcal {F}}\,} untuk mana-mana cdf, dan sebaliknya. Ukuran berkorespon
dengan cdf dikatakan didorongkan oleh cdf. Ukuran ini bersesuaian dengan pmf
untuk pembolehubah discrete, dan pdf untuk pembolehubah berlanjutan,
membuatkan pencapaian berteori-ukuran bebas dari kesilapan.

Kebarangkalian suatu set E {\displaystyle E\,} {\displaystyle E\,} dalam

algebra- F {\displaystyle {\mathcal {F}}\,} {\displaystyle {\mathcal {F}}\,}
ditakrifkan

P ( E ) = E F ( d ) {\displaystyle P(E)=\int _{\omega \in E}\mu _{F}

(d\omega )\,} {\displaystyle P(E)=\int _{\omega \in E}\mu _{F}(d\omega )\,}
di mana integrasi tertentunya dengan ukuran F {\displaystyle \mu _{F}\,}
{\displaystyle \mu _{F}\,} didorong oleh F . {\displaystyle F\,.} {\displaystyle
F\,.}

Bersama dengan memberikan kefahaman lebih baik dan penyatuan

kebarangkalian discrete dan berlanjutan, layanan berteori-ukuran juga
membenarkan kita untuk bertugas pada kebarangkalian di luar R n
{\displaystyle \mathbb {R} ^{n}} {\displaystyle \mathbb {R} ^{n}}, seperti
dalam teori pemerosesan stokastik. Contohnya untuk mempelajari mosi
Brownian, kebarangkalian ditakrifkan pada ruang fungsi.

Pengedaran kemungkinan[sunting | sunting sumber]

Rencana utama: Pengedaran kemungkinan

Sesetengah pemboleh ubah ganjil bermuncul sangat sering dalam teori

kebarangkalian kerana mereka menjelaskan banyak pemeroresan semulajadi
atau fizikal. Pengedaran mereka oleh itu memperolehi kepentingan khas dalam
teori kebarangkalian. Sesetengah pengedaran discrete asas adalah pengedaran
seragam discrete, Bernoulli, binomial, binomial negatif, Poisson dan geometri.
Pengeradan berlanjutan penting termasuk pengedaran seragam berlanjutan,
biasa, eksponen, gamma dan beta.

Pertumpuan pembolehubah ganjil[sunting | sunting sumber]

Rencana utama: Pertumpuan pembolehubah ganjil

Teori kebarangkalian, ada beberapa tanggapan bersesuaian untuk pembolehubah

ganjil. Mereka disenaraikan di bawah turutan kekuatan, iaitu, apa-apa tanggapan
berikut bersesuaian dalam senarai menandakan bersesuaian menurut semua
tanggapan yang sebelum ini.

Pertumpuan lemah: Suatu langkah pembolehubah ganjil X 1 , X 2 , ,

{\displaystyle X_{1},X_{2},\dots ,\,} {\displaystyle X_{1},X_{2},\dots ,\,}
secocok dengan pelemah pada pembolehubah ganjil X {\displaystyle X\,}
{\displaystyle X\,} jika kumulatif tertentu fungsi pengedaran mereka F 1 , F 2 ,
{\displaystyle F_{1},F_{2},\dots \,} {\displaystyle F_{1},F_{2},\dots \,}
bertumpu pada fungsi pengedaran kumulatif F {\displaystyle F\,}
{\displaystyle F\,} pada X {\displaystyle X\,} {\displaystyle X\,}, di mana-mana
sahaja F {\displaystyle F\,} {\displaystyle F\,} adanya berlanjutan. Pertumpuan
lemah juga digelar pertumpuna pada pengedaran.Catatan tulis pendek terumum:
Xn D X . {\displaystyle X_{n}\,{\xrightarrow {\mathcal {D}}}\,X\,.}
{\displaystyle X_{n}\,{\xrightarrow {\mathcal {D}}}\,X\,.}Pertumpuan pada
kebarangkalian: Langkah pembolehubah ganjil X 1 , X 2 , {\displaystyle
X_{1},X_{2},\dots \,} {\displaystyle X_{1},X_{2},\dots \,} dikatakan bertumpu
terhadap pembolehubah ganjil X {\displaystyle X\,} {\displaystyle X\,} dalam
kebarangkalian jika lim n P ( | X n X | ) = 0 {\displaystyle \lim
_{n\rightarrow \infty }P\left(\left|X_{n}-X\right|\geq \varepsilon \right)=0}
{\displaystyle \lim _{n\rightarrow \infty }P\left(\left|X_{n}-X\right|\geq \varepsilon
\right)=0} untuk tiap > 0.Catatan tulis pendek terumum: X n P X .
{\displaystyle X_{n}\,{\xrightarrow {P}}\,X\,.} {\displaystyle X_{n}\,
{\xrightarrow {P}}\,X\,.}Pertumpuan kuat: Langkah pembolehubah ganjil X 1 , X
2 , {\displaystyle X_{1},X_{2},\dots \,} {\displaystyle
X_{1},X_{2},\dots \,} dikatakan bertumpu terhadap pembolehubah ganjil X
{\displaystyle X\,} {\displaystyle X\,} secara kuat jika P ( lim n X n = X )
= 1 {\displaystyle P(\lim _{n\rightarrow \infty }X_{n}=X)=1} {\displaystyle
P(\lim _{n\rightarrow \infty }X_{n}=X)=1}. Pertumpuan kuat juga digelarkan
pertumpuan hampir pasti.Catatan tulis pendek terumum: X n a . s . X .
{\displaystyle X_{n}\,{\xrightarrow {\mathrm {a.s.} }}\,X\,.} {\displaystyle
X_{n}\,{\xrightarrow {\mathrm {a.s.} }}\,X\,.}

Seperti nama-nama tersebut mengidinkasi, pertumpuan lemah adalah lebih

lemah daripada pertumpuan kuat. Ternyata, pertumpuan kuat pada
kebarangkalian menandakan pertumpuan lemah. Pernyataan yang sebaliknya
tidak selalunya benar.

Peraturan bilangan besar[sunting | sunting sumber]

Rencana utama: Peraturan bilangan besar

Intuition umum bercadang bahawa jika suatu duit syiling dibaling banyak kali,
kemudian roughly setengah waktu ia akan bermuncul heads, dan belah yang lagi
satu akan menjadi ekor. Tambahan, sering duit syiling dibaling, lebih-lebih lagi ia
seharusnya bahawa purata bilangan kepala pada bilangan ekor akan mencapai
kesatuan. Kebarangkalian moden memberikan versi rasmi pada gagasan
berintuitif, digelarkan peraturan bilangan besar. Peraturan ini adalah sangat
menakjubkan kerana ia tiada mana-mana dianggapkan asas teori
kebarangkalian, tetapi daripada itu berpunca luar dari asas ini sebagai suatu
teorem. Sejak ia berkait dengan kebrangkalian berasal-teori pada frekuensi
sebenarnya pada kemunculan dalam dunia benar, peraturan bilangan besar
dianggap suatu tiang dalam sejarah teori statistik.[1]
Peraturan bilangan besar (LLN) menyatakan pukul rata sampel X n = 1 n
Xn {\displaystyle {\overline {X}}_{n}={\tfrac {1}{n}}{\sum X_{n}}}
{\displaystyle {\overline {X}}_{n}={\tfrac {1}{n}}{\sum X_{n}}} pada X 1 ,
X 2 , {\displaystyle X_{1},X_{2},\dots \,} {\displaystyle
X_{1},X_{2},\dots \,} (pembolehubah ganjil bebas dan secara serupa dengan
jangkaan terhad {\displaystyle \mu } {\displaystyle \mu }) bertumpu
terhadap jangkaan teori . {\displaystyle \mu .} {\displaystyle \mu .}

Ia berada dalamberlainan bentuk pertumpuan pemboleh ubah ganjil yang

memisahkan peraturan lemah dan kuat pada bilangan besar

Hukum lemah: X n P for n Hukum kuat: X n a . s .

for n . {\displaystyle {\begin{array}{lll}{\text{Hukum
lemah:}}&{\overline {X}}_{n}\,{\xrightarrow {P}}\,\mu &{\text{for }}n\to \infty
\\{\text{Hukum kuat:}}&{\overline {X}}_{n}\,{\xrightarrow {\mathrm
{a.\,s.} }}\,\mu &{\text{for }}n\to \infty .\end{array}}} {\displaystyle
{\begin{array}{lll}{\text{Hukum lemah:}}&{\overline {X}}_{n}\,{\xrightarrow
{P}}\,\mu &{\text{for }}n\to \infty \\{\text{Hukum kuat:}}&{\overline
{X}}_{n}\,{\xrightarrow {\mathrm {a.\,s.} }}\,\mu &{\text{for }}n\to \infty
.\end{array}}}

Ia mengikutkan dari LLN bahawa jika suatu peristiwa kebarangkalian p dilihatkan

secara berulangan sewaktu eksperimen berdikari, ratio frekuensi dilihatkan pada
peristiwa itu pada bilangan jumlah berulangan converges terhadap p.

Meletakkan ini dari segi pembolehubah ganjil dan LLN kita mempunyai Y 1 , Y 2
, . . . {\displaystyle Y_{1},Y_{2},...\,} {\displaystyle Y_{1},Y_{2},...\,} adalah
pembolehubah ganjil Bernoulli bebas mengambil nilai-nilai 1 dengan
kebarangkalian p dan 0 dengan kebarangkalian 1-p. E ( Y i ) = p
{\displaystyle {\textrm {E}}(Y_{i})=p} {\displaystyle {\textrm {E}}(Y_{i})=p}
untuk semua i dan megikuti dari LLN bahawa Y n n {\displaystyle {\frac
{\sum Y_{n}}{n}}\,} {\displaystyle {\frac {\sum Y_{n}}{n}}\,} bertumpuan
dengan p secara hampir pasti.

Teorem had memusat[sunting | sunting sumber]

Rencana utama: Teorem had memusat

Teorem had memusat menjelaskan kemunculan ubiquitous pengedaran biasa

pada sifatnya; ia adalah teorem yang paling dirayakan pada kebarangkalian dan
statistik.[perlu rujukan]

Teorem ini menyatakan bahawa average banyak penbolehubah ganjil bebas dan
secara serupa diedarkan dengan pembolehubah terhad terhadap pengedaran
biasa tidak terkira pada pengedaran diikuti oleh pembolehubah ganjil asli. Secara
rasmi, biarkan X 1 , X 2 , {\displaystyle X_{1},X_{2},\dots \,}
{\displaystyle X_{1},X_{2},\dots \,} menjadi pembolehubah ganjil bebas dengan
mean {\displaystyle \mu _{\,}} {\displaystyle \mu _{\,}} dan
pembolehubah 2 > 0. {\displaystyle \sigma ^{2}>0.\,} {\displaystyle
\sigma ^{2}>0.\,} Kemudian langkah pembolehubah ganjil

Zn =i=1 n (Xi ) n {\displaystyle Z_{n}={\frac {\sum

_{i=1}^{n}(X_{i}-\mu )}{\sigma {\sqrt {n}}}}\,} {\displaystyle Z_{n}={\frac
{\sum _{i=1}^{n}(X_{i}-\mu )}{\sigma {\sqrt {n}}}}\,}

bertumpu dalam pengedaran pada suatu pembolehubah ganjil biasa piawai.