BAB 2

PROBABILITAS DAN DISTRIBUSI SAMPLING

2.1 PENGENALAN

Parameter adalah kuantitas yang menggambarkan karakteristik tertentu dari

distribusi variabel. Sebagai contoh, rata-rata variabel (dilambangkan dengan )adalah
mean aritmatika dari semua pengamatan dalam populasi. Sebuah statistik adalah
kuantitas dihitung dari data yang menggambarkan karakteristik tertentu sampel.
Sebagai contoh, rata-rata sampel (dilambangkan dengan y) adalah mean aritmetik
dari nilai-nilai pengamatan sampel. Secara umum, inferensi statistik adalah proses
menggunakan statistik sampel untuk membuat pemotongan tentang distribusi
probabilitas populasi. Jika tions deduc- tersebut dilakukan pada parameter populasi,
proses ini disebut parametrik inferensi statistik. Jika pemotongan dilakukan pada
seluruh probabilitas memungkinkan terjadinya distribusi, tanpa mengacu pada
parameter tertentu, proses ini disebut nonparametrik. inferensi statistik Mayoritas teks
ini menyangkut dirinya dengan inferensi statistik parametrik (dengan pengecualian
dari Bab 13). Oleh karena itu, kita akan menggunakan definisi berikut:

Inferensi statistik adalah proses menggunakan statistik sampel untuk

membuat keputusan tentang parameter populasi. Contoh salah satu bentuk inferensi
statistik adalah untuk memperkirakan nilai rata-rata populasi dengan menggunakan
nilai rata-rata sampel. Bentuk lain dari inferensi statistik adalah untuk mendalilkan
atau berhipotesis bahwa populasi berarti memiliki nilai tertentu, dan kemudian
menggunakan sampel berarti conftrm atau menolak hipotesis itu. Aplikasi dari
kesimpulan statistik sangat banyak, dan hasil kesimpulan statistik mempengaruhi
hampir semua fase dunia saat ini. Beberapa contoh ikuti:

1. Hasil jajak pendapat yang diambil dari sampel pemilih yang terdaftar. Statistik
adalah proporsi sampel pemilih mendukung calon atau masalah. Parameter
yang akan diestimasi adalah proporsi dari semua pemilih yang terdaftar
mendukung bahwa calon atau masalah.
2. Pengujian bola lampu untuk umur panjang. Sejak pengujian tersebut
menghancurkan produk, hanya contoh kecil dari total output dari produsen bola
lampu dapat diuji untuk umur panjang. Statistik adalah seumur hidup rata
yang dihitung dari sampel. Parameter adalah tahan mean sebenarnya dari
semua bola lampu yang dihasilkan.
3. Hasil jagung per acre dalam menanggapi pemupukan di lokasi tes. Statistik
adalah mean hasil di lokasi tes. Parameter adalah hasil rata-rata jagung per
acre dalam menanggapi jumlah diberikan pupuk ketika digunakan oleh petani
di bawah kondisi yang sama.

Hal ini jelas bahwa sampel dapat diambil dalam berbagai cara dengan
correspond- ing variasi dalam keandalan inferensi statistik. Sebagai contoh, salah satu
cara mengambil sampel untuk mendapatkan perkiraan proporsi pemilih mendukung
calon tertentu untuk offtce publik mungkin untuk pergi ke offtce kampanye yang
kandidat dan meminta pekerja di sana jika mereka akan memilih kandidat itu. Jelas,
prosedur pengambilan sampel ini akan menghasilkan kurang dari berisi hasil. Cara
lain adalah dengan mengambil sampel yang dipilih dari pemilih yang terdaftar di
negara bagian dan melakukan jajak pendapat melalui telepon dikontrol dengan hati-
hati. Perbedaan dalam kredibilitas dua perkiraan jelas, meskipun pemilih yang tidak
memiliki telepon mungkin menimbulkan masalah. Untuk sebagian besar, kita akan
mengasumsikan bahwa data yang kami gunakan berasal dari sampel acak.

2.2 PROBABILITAS

Kata probabilitas berarti sesuatu untuk hampir semua orang, tidak peduli apa
nya tingkat pelatihan matematika. Secara umum, bagaimanapun, kebanyakan ple peo-
akan sulit ditekan untuk memberikan deftnition ketat probabilitas. Kami tidak akan
mencoba deftnition seperti baik. Sebaliknya, kita akan menggunakan deftnition kerja
probabilitas yang deftnes sebagai jarak jauh frekuensi relatif.
Sebagai contoh, jika kita mengusulkan untuk flip sebuah koin dan meminta
probabilitas bahwa koin akan mendarat sisi kepala up, kita mungkin akan menerima
jawaban ftfty persen, atau mungkin satu-setengah. Artinya, dalam jangka panjang
kita harapkan sekitar 50% dari waktu untuk mendapatkan kepala, yang lain 50%
ekor, meskipun 50% mungkin tidak berlaku persis untuk sejumlah kecil ips fl.
Semacam ini sama penalaran dapat diperluas untuk lebih situasi yang kompleks.
Pertimbangkan sebuah studi di mana offtcial kesehatan kota yang
bersangkutan dengan kejadian campak anak di orangtua usia subur di kota. Untuk
setiap pasangan dia ingin tahu seberapa besar kemungkinan itu adalah bahwa baik
ibu atau ayah atau keduanya telah memiliki campak masa kanak-kanak.

Definisi dan Konsep

Sebuah eksperimen adalah proses yang menghasilkan sebuah pengamatan.

Misalnya, lemparan koin yang adil (kegiatan perjudian adalah contoh populer untuk
mempelajari probabilitas) adalah eksperimen. Suatu hasil adalah hasil speciftc dari
sebuah eksperimen. Dalam lemparan koin, kepala akan menjadi salah satu hasil, satu
ekor lainnya. Dalam studi campak, satu hasil akan ya, yang lain tidak ada. Sebuah
acara adalah kombinasi dari hasil memiliki beberapa istic karakter khusus yang
menarik. Dalam studi campak, acara dapat deftned sebagai salah satu anggota dari
pasangan itu telah memiliki campak. Acara ini bisa terjadi jika suami memiliki istri
yang belum memiliki campak, atau jika suami belum dan istri memiliki. Sebuah acara
mungkin juga hasil dari lebih dari satu mereplikasi percobaan. Misalnya, meminta
pasangan dapat dianggap sebagai kombinasi dari dua ulangan: (1) menanyakan
apakah istri telah memiliki campak dan (2) menanyakan apakah suami telah memiliki
campak.
Probabilitas suatu peristiwa adalah proporsi (frekuensi relatif) kali bahwa
acara ini diharapkan terjadi ketika percobaan diulang sejumlah besar kali di bawah
kondisi yang sama. Kami akan mewakili hasil dan peristiwa oleh huruf. Membiarkan
A menjadi hasil seorang individu usia subur telah memiliki campak, kemudian,
berdasarkan studi kesehatan nasional, kita menulis probabilitas A terjadi:
 P(A) = 0.20.
Perhatikan bahwa probabilitas setiap memiliki properti
0 P(A) 1.
Hal ini, tentu saja, akibat dari deftnition probabilitas sebagai frekuensi relatif.
Jika dua peristiwa tidak bisa terjadi secara bersamaan, yaitu, satu tidak
termasuk yang lain, maka dua peristiwa dikatakan saling eksklusif. Perhatikan
bahwa dua pengamatan individu yang saling eksklusif. Jumlah dari probabilitas dari
semua peristiwa yang saling eksklusif dalam percobaan harus menjadi salah satu. Hal
ini jelas karena jumlah semua frekuensi relatif dalam masalah harus menjadi salah
satu.
Komplemen dari suatu hasil atau peristiwa A adalah terjadinya setiap
peristiwa atau hasil yang menghalangi A terjadi. Dengan demikian, tidak telah
memiliki campak adalah komplemen dari memiliki campak memiliki. Komplemen dari
hasil A diwakili oleh Ar.Karena A dan Ar mutu- sekutu eksklusif, dan karena A dan Ar
semua peristiwa yang dapat terjadi pada percobaan apapun, probabilitas A dan Ar sum
ke satu:
P(Ar) = 1 - P(A).
Dengan demikian kemungkinan seorang individu tidak memiliki campak punya
adalah
P(tidak ada campak) = 1-0.2 = 0.8.

Dua peristiwa A dan B dikatakan independen jika probabilitas A terjadi

adalah tidak terpengaruh oleh peristiwa B telah terjadi atau sebaliknya.

Aturan Untuk Probabilitas Melibatkan Lebih dari Satu Acara

Pertimbangkan percobaan dengan peristiwa A dan B,dan P(A)dan P(B)adalah

kemampuan masalah.Safe_mode masing-masing peristiwa ini. Kami mungkin tertarik
dalam probabilitas acara A dan B terjadi. Jika dua peristiwa yang independen, maka
P(A dan B) = P(A) P(B).
Jika dua peristiwa tidak independen, metode yang lebih kompleks harus
digunakan. Misalkan kita deftne percobaan menjadi dua kali pelemparan koin yang
adil. Jika kita deftne A menjadi kepala pada lemparan danftrst B menjadi kepala pada
lemparan kedua, dua peristiwa ini akan menjadi independen. Hal ini karena hasil dari
lemparan kedua tidak akan terpengaruh dengan cara apapun oleh hasil dari lemparan
ftrst. Menggunakan aturan ini, kemungkinan dua kepala berturut-turut, P(A dan
B),adalah(0.5)(0.5) = 0.25.
Jika dua peristiwa tidak saling eksklusif, maka
P(A atau B) = P(A) + P(B) - P(A dan B).
Kita sekarang dapat menggunakan aturan ini untuk ftnd probabilitas dari
peristiwa Acara ini terdiri dari dua hasil saling eksklusif tepat satu anggota dari
pasangan itu telah memiliki campak.:
 A:suami memiliki istri belum memiliki campak.
B:suami belum dan istri telah memiliki campak. Probabilitas kejadian A
dan B adalah
P(A) = (0.2)(0.8) = 0.16
P(B) = (0.8)(0.2) = 0.16.
Acara satu telah berarti salah satu di atas terjadi, maka
P(satu memiliki) = P(A atau B) = 0.16 + 0.16 = 0.32.
Pada percobaan melempar dua koin yang adil, peristiwa A (kepala pada
lemparan ftrst) dan acara B (kepala di kedua) tidak saling acara eksklusif. Probabilitas
mendapatkan setidaknya satu kepala dalam dua kali pelemparan koin yang adil akan
P(A atau B) = 0.5 + 0. 5-0.25 = 0.75.

Dalam sistem seri, jika probabilitas kegagalan komponen A adalah P(A)dan

probabilitas kegagalan komponen B adalah P(B),maka probabilitas kegagalan sistem
akan P(sistem) = P(A atau B) = P(A) + P(B) - P(A)P(B).Ini mengasumsikan, tentu saja,
bahwa kegagalan komponen A adalah independen dari kegagalan komponen
B.Keandalan sistem maka akan menjadi 1 - P(sistem). Jadi, misalnya, jika probabilitas
komponen A gagal adalah 0,01 dan probabilitas komponen B gagal adalah 0,02, maka
probabilitas dari sistem gagal akan menjadi P(sistem) = (0.01) + (0.02 ) (0-.01) (002) =
0..0298. Probabilitas sistem tidak gagal (reliabilitas) maka akan 1-0.0298 = 0.9702.
Kita bisa memperoleh hasil yang sama dengan mempertimbangkan probabilitas
masing-masing komponen tidak gagal. Maka probabilitas dari sistem kerja akan
menjadi probabilitas bahwa kedua komponen bekerja. Artinya, probabilitas sistem
tidak gagal = (1 - 001.)(1 - 002.) = (099.)(098.) = 0.9702.
Dalam sistem paralel, probabilitas kegagalan hanyalah probabilitas bahwa kedua
komponen gagal, yaitu, P(sistem) = P(A dan B) = P(A)P(B).Keandalan kemudian 1 -
P(A)P(B).Dengan asumsi tingkat kegagalan yang sama, probabilitas sistem gagal
adalah(0.01)(0.02) = 0.0002. Probabilitas bahwa sistem bekerja (reliabilitas) adalah 1-
0.0002 = 0.9998.
Catatan bahwa lebih difftcult untuk menghitung keandalan sistem dengan
mempertimbangkan keandalan masing-masing komponen. Artinya, probabilitas
sistem kerja adalah probabilitas bahwa satu atau lebih komponen bekerja.
Probabilitas ini dapat dihitung sebagai berikut:

P(sistem bekerja) = PA (karyadan B gagal) + P(A gagal dan B bekerja)+ P(A dan B)
kerja= [(099.)(0.02) + (0.01)(0.98) + (0.99)(0.98)] = 0.0198+ 0.0098 + 0.9702= 0.9998.

Perhatikan bahwa sistem ini hanya membutuhkan satu kerja komponen; yang
lain adalah berlebihan. Oleh karena itu, sistem dengan desain ini sering disebut
sistem berlebihan.Untuk menggambarkan kebutuhan sistem berlebihan, menganggap
roket pesawat ruang angkasa. Ini tidak akan mengejutkan untuk roket ini memiliki
sebanyak 1000 ada komponen. Jika komponen ini semua terhubung secara seri, maka
keandalan sistem mungkin jauh lebih rendah daripada akan ditoleransi. Sebagai
contoh, bahkan jika keandalan komponen individu setinggi 0.999, keandalan seluruh
roket akan hanya 0,368! Jelas, pengaturan yang lebih kompleks dari komponen dapat
digunakan, tetapi prinsip-prinsip dasar yang sama dari probabilitas dapat digunakan
untuk mengevaluasi keandalan sistem.
VARIABEL ACAK
Sebuah variabel acak adalah aturan yang memberikan nilai numerik untuk
hasil yang menarik. Variabel ini mirip dengan yang dibahas dalam Bab 1, tapi tidak persis
sama. Variabel acak adalah nomor ditugaskan untuk setiap hasil percobaan. Dalam hal
ini, seperti dalam banyak aplikasi lain, hasil sudah numerik di alam, dan semua harus
kita lakukan adalah merekam nilai. Bagi orang lain kita mungkin harus menetapkan
nilai numerik untuk hasilnya.
Dalam penelitian campak kami deftne variabel random Y sebagai jumlah orang
tua di pasangan menikah yang memiliki campak masa kanak-kanak. Variabel acak ini
dapat mengambil nilai-nilai 0, 1, dan 2. Probabilitas bahwa variabel acak mengambil
nilai tertentu dapat dihitung dengan menggunakan aturan yang mengatur
probabilitas. Sebagai contoh, probabilitas bahwa Y = 0 adalah sama dengan
probabilitas bahwa baik individu dalam pasangan yang menikah memiliki campak.
Kami sebelumnya telah menentukan bahwa untuk menjadi 0,64. Demikian pula, kita
memiliki probabilitas untuk masing-masing nilai yang mungkin untuk Y.Nilai-nilai ini
dirangkum dalam bentuk tabel pada Tabel 2.3.
Tabel 2.3.
Y Probabilitas
0 0.64
1 0.32
2 0.04
Sebuah distribusi probabilitas adalah deftnition dari probabilitas dari nilai-
nilai dari suatu variabel acak. Daftar probabilitas yang diberikan dalam Tabel 2.3
adalah distribusi probabilitas.
Perhatikan kesamaan distribusi probabilitas untuk distribusi frekuensi relatif
empiris set data yang dibahas dalam Bab 1. Mereka distribusi adalah hasil sampel
dari populasi dan, seperti yang tercantum dalam Bagian 1.4, sering disebut distribusi
probabilitasempiris.Di sisi lain, distribusi probabilitas kita telah disajikan di atas
adalah gambaran yang tepat dari populasi jika 20% ftgure benar. Untuk alasan ini
juga disebut distribusiprobabilitasteoritis.Distribusi teoritis adalah hasil dari penerapan
matematika (probabilitas) konsep, sedangkan distribusi empiris dihitung dari data
yang diperoleh sebagai hasil dari sampling. Jika sampling bisa dilakukan selamanya,
yaitu, sampel menjadi populasi, maka distribusi empiris akan identik dengan
distribusi teoritis.
Dalam Bab 1 kita merasa nyaman untuk menggunakan huruf dan simbol
untuk menunjukkan variabel. Misalnya, yi digunakan untuk mewakili ith nilai yang
diamati dari variabel Y dalam kumpulan data. Sebuah variabel acak tidak diamati,
tetapi deftned untuk semua nilai dalam distribusi; Namun, kita menggunakan notasi
yang sama untuk variabel acak. Artinya, variabel acak dinotasikan dengan huruf
kapital, Y,dan realisasi speciftc, seperti yang ditunjukkan pada Tabel 2.3, yang
dilambangkan dengan huruf kecil, y.Sebuah metode notasi yang umum digunakan
untuk mewakili bahwa probabilitas variabel acak Y mengambil nilai speciftc y adalah
P(Y = y),sering ditulis p(y).Misalnya, variabel acak menggambarkan jumlah orang tua
yang memiliki campak harus dilambangkan dengan Y,dan memiliki nilai-nilai y = 0, 1,
dan 2. Kemudian p(0) = P(Y = 0) = 0.64 dan lain sebagainya. Tingkat speciftcity
diperlukan untuk pembahasan pendahuluan kami probabilitas dan probabilitas
distribusi. Setelah Bab 3 kita akan bersantai speciftcity ini dan menggunakan huruf
kecil secara eksklusif.
Tabel 2.4 P(Jumlah kepala) Tabel 2.5 P(Jumlah mengulang)
y p(y) y p(x)
0 1/4 0 1/2
1 2/4 1 1/2
2 1/4

Pertimbangkan percobaan melempar sebuah koin dua kali dan mengamati

variabel acak Y = jumlah kepala menunjukkan. Dengan demikian Y mengambil nilai-
nilai 0, 1, atau 2. Kami tertarik dalam menentukan distribusi probabilitas dari Y.
Distribusi probabilitas dari Y,jumlah kepala, diperoleh dengan menerapkan aturan
probabilitas, dan terlihat pada Tabel 2.4.

2.3 DISCRETE PROBABILITAS DISTRIBUSI

Sebuah variabel acak diskrit adalah salah satu yang dapat mengambil hanya
sejumlah dihitung dari nilai-nilai. Sebuah variabel acak kontinu adalah salah satu
yang dapat mengambil pada setiap nilai dalam interval.
Tabel 2.6
y p(x)
1 1/6
2 2/6
3 3/6
Variabel-variabel acak deftned di Contoh 2.3 dan 2.4 diskrit. Tinggi, berat, dan
waktu adalah contoh dari variabel acak kontinu. Distribusi probabilitas juga classifted
sebagai kontinyu atau diskrit, de- tertunda pada jenis variabel acak distribusi
menjelaskan. Sebelum melanjutkan ke subjek distribusi sampling, kita akan
memeriksa beberapa contoh distribusi probabilitas diskrit dan kontinyu dengan
penekanan pada apa yang disebut distribusi normal, yang akan kita gunakan secara
luas di seluruh buku ini.
Sebuah distribusi probabilitas diskrit menampilkan probabilitas yang terkait
dengan masing-masing nilai variabel acak Y.Tampilan ini dapat disajikan sebagai
sebuah tabel, sebagai contoh sebelumnya menggambarkan, sebagai grafik, atau sebagai
rumus. Misalnya, distribusi probabilitas pada Tabel 2.6 dapat dinyatakan dalam bentuk
rumus, juga disebut fungsi, sebagai
p(y) = y/6, y = 1, 2, 3,
p(y) = 0, untuk semua nilai-nilai lain y.