Anda di halaman 1dari 19

KATA PENGANTAR

Buku ini memberikan pengenalan probabilitas dan statistik matematika. Meskipun fokus
utama dari buku ini adalah pada pengembangan mathcmatial subjek, kami juga telah
menyertakan banyak contoh dan latihan yang berorientasi terhadap aplikasi. Kami telah berusaha
untuk mencapai tingkat presentasi yang sesuai untuk mahasiswa tingkat senior dan mahasiswa
pascasarjana.

Edisi kedua melibatkan beberapa perubahan besar, banyak yang disarankan oleh pengulas
dan pengguna edisi pertama. Bab 2 sekarang dikhususkan untuk properti umum dari variabel
acak dan distribusi mereka. Bab ini sekarang termasuk momen dan fungsi pembangkit momen,
yang terjadi agak belakangan dalam edisi pertama. Distribusi khusus telah ditempatkan dalam
Bab 3. Bab 8 benar-benar berubah. Sekarang menganggap distribusi sampling dan beberapa sifat
dasar statistik. Bab 15 juga baru. Ini berkaitan dengan regresi dan aspek-aspek terkait model
linier.

Seperti edisi pertama, satu-satunya prasyarat untuk menutupi bahan dasar kalkulus
dengan pengecualian tunggal dari bahan pada model linier umum dalam Bagian 15.4, ini
mengasumsikan beberapa keakraban dengan matriks. Bahan ini dapat dihilangkan jika
diinginkan.

Tujuan kami adalah untuk menghasilkan sebuah buku yang dapat digunakan sebagai
buku teks untuk urutan dua semester di mana semester pertama dikhususkan untuk probabilitas
konsentrasi epts dan yang kedua mencakup statistik matematika. Bab 1 hingga 7 mencakup
topik-topik yang biasanya busur tercakup dalam satu semester kursus pengantar dalam
probabilitas, sedangkan Bab 8 sampai 12 berisi topik standar dalam statistik matematika. Bab 13
dan 14 berurusan dengan kebaikan -of -fit dan statistik nonpararnatic. Bab-bab ini cenderung
lebih methods.oriented. Bab 15 dan 16 bahan penutup dalam regresi dan kehandalan, dan ini
akan dianggap sebagai topik opsional atau khusus. Dalam hal apapun, penilaian pasti akan
diperlukan dalam pilihan topik yang dibahas atau jumlah waktu yang dialokasikan untuk topik
jika bahan yang diinginkan akan selesai itu kursus dua semester.
Ini merupakan harapan kami bahwa mereka yang usc buku ini akan menemukan menarik
dan informatif .
UCAPAN TERIMA KASIH

Kami gracfully mengakui banyak saran yang diberikan oleh pengulas berikut:
Dean H. Fcarn Alan M. Johnson
Calfornia State UniuersityHayward Uniersi:y of Arkansas. Utile Rock
Joscph Glaz Benny P. Lo
Unitersiiy of Connecticut Ohlone College
Victor Goodman D. Rarnachandran
Rensselaer Polytechnic Institute Caljfornia State UniversitySacrament
Shu-ping C. Hodgsori Douglas A. Wolfe
Central Michigan University Ohlo State Unluersity
Robert A. Huliquist Linda J. Young
Pennsylvania State University Oklahoma State University
Terima kasih juga disebabkan oleh pengguna yang mengikuti dari edisi pertama yang
cukup baik untuk menceritakan pengalaman mereka kepada penulis: HA David, Iowa State
University, Peter Griflin, California State University Sacramento-.
Akhirnya, terima kasih khusus adalah karena atas dukungan moral istri kita, Harriet Bain
dan Engelhardt Linda.

Lee J. Bain

Max Engelhardt

BAB 1
PROBABILITAS

1.1 PENDAHULUAN

Dalam setiap studi ilmiah dari fenomena fisik, itu diinginkan untuk memiliki model
matematika yang memungkinkan untuk menggambarkan atau memprediksi nilai diamati
beberapa karakteristik yang menarik. Sebagai contoh, perhatikan kecepatan tubuh jatuh setelah
jangka waktu tertentu, t. Rumus v = gt, di mana g 32,17 kaki per detik, memberikan model
matematika uselul untuk kecepatan, dalam meter per detik, dari tubuh jatuh dari yang lain dalam
ruang hampa. Ini adalah contoh atau model deterministik Untuk model seperti itu, melakukan
percobaan diulang dalam kondisi ideal akan menghasilkan dasarnya kecepatan yang sama setiap
kali, dan ini akan diprediksi oleh model. Di sisi lain, model seperti itu mungkin tidak memadai
ketika percobaan dilakukan di bawah kondisi yang kurang ideal. Mungkin ada variabel yang
tidak diketahui atau tidak terkontrol, seperti suhu udara atau kelembaban, yang mungkin
mempengaruhi hasil, serta kesalahan pengukuran atau faktor lain yang mungkin menyebabkan
hasil yang bervariasi pada pertunjukan yang berbeda dari eksperimen. Selain itu, kami mungkin
tidak memiliki pengetahuan suflicient untuk mendapatkan model yang lebih rumit yang dapat
menjelaskan semua penyebab variasi.

Ada juga jenis lain dari fenomena di mana hasil yang berbeda mungkin alami terjadi
secara kebetulan, dan yang model deterministik tidak akan sesuai. Sebagai contoh, sebuah
eksperimen dapat terdiri dari mengamati jumlah partikel yang dipancarkan oleh sumber
radioaktif, waktu sampai kegagalan komponen diproduksi, atau hasil dari permainan
kesempatan.

Motivasi untuk studi probabilitas adalah untuk menyediakan model matematika untuk
situasi nondeterministic tersebut; model matematika yang sesuai akan disebut model probabilitas
(atau model probabilistik). Stochastic panjang, yang berasal dari kata Yunani IHE Stochos, yang
berarti "rasa, kadang-kadang digunakan sebagai pengganti istilah probabilistik.

Sebuah penelitian mengenai model probabilitas memerlukan beberapa keakraban dengan


notasi dan terminologi teori himpunan. Kami akan menganggap bahwa pembaca memiliki
pengetahuan set, tapi untuk kenyamanan kami telah memasukkan review dari ide dasar teori
himpunan dalam Lampiran A.

1.2 NOTASI DAN ISTILAH

Percobaan merujuk pada proses mendapatkan hasil yang diamati dari beberapa fenomena.
Sebuah kinerja dari suatu eksperimen disebut percobaan percobaan, dan hasilnya diamati disebut
hasil. Terminologi ini agak umum. dan itu bisa berkaitan dengan kegiatan beragam seperti
eksperimen atau permainan kesempatan ilmiah. Minat utama kami akan berada dalam situasi di
mana ada ketidakpastian tentang hasil yang akan terjadi ketika percobaan dilakukan. Kami akan
menganggap bahwa percobaan yang berulang di bawah dasarnya kondisi yang sama, dan bahwa
himpunan semua hasil yang mungkin dapat sepenuhnya ditentukan sebelum eksperimen.
definisi 1.2.1

Himpunan semua kemungkinan hasil dari suatu eksperimen disebut ruang sampel,
dilambangkan dengan S.

Perhatikan bahwa satu dan hanya satu dari hasil yang mungkin akan terjadi pada setiap
percobaan yang diberikan.

Contoh 1.2.1

Sebuah eksperimen terdiri dari melempar dua koin, dan wajah diamati setiap koin yang
menarik. Himpunan hasil yang mungkin dapat diwakili oleh ruang sampel
S = {HH. HT, TH, TT) yang hanya berisi daftar semua kemungkinan pasangan dari simbol H
(kepala) dan T (ekor). Sebuah cara alternatif untuk mewakili sebuah ruang sampel adalah daftar
semua pasangan terurut mungkin dari angka 1 dan 0, S = {(1, 1), (1. 0), (0. 1). (0. 0)}. mana,
misalnya. (I. 0) menunjukkan bahwa koin pertama kali mendarat kepala dan mata uang kedua
mendarat ekor up.

Contoh 1.2.2
Misalkan dalam Contoh 1.2.1 kami tidak tertarik pada hasil individual dari koin, tetapi
hanya dalam jumlah kepala diperoleh dari dua koin. Sebuah ruang sampel yang sesuai maka
dapat ditulis sebagai S = {0, 1, 2}. Dengan demikian, ruang sampel difrerent mungkin sesuai
untuk percobaan yang sama , tergantung pada - Karakteristik bunga.

Jika uang logam dilempar berulang kali hingga kepala terjadi , maka ruang sampel alami
adalah S = { H , TH , TTH , ... } . Jika seseorang tertarik dalam jumlah lemparan yang
dibutuhkan untuk mendapatkan manik-manik , maka ruang sampel yang mungkin untuk
percobaan ini akan menjadi himpunan semua bilangan bulat positif , S * = { l , 2 , 3 , .. } , Dan
hasil akan berhubungan langsung dengan jumlah lemparan rcquired untuk mendapatkan kepala
pertama. Kami akan menunjukkan dalam bab berikutnya bahwa hasil sesuai dengan urutan
lemparan di mana kepala tidak pernah diperoleh tidak perlu dimasukkan dalam ruang sampel .

Contoh 1.2.4

Sebuah bola lampu yang ditempatkan dalam pelayanan dan waktu operasi sampai keluar
itu luka bakar ' diukur . Setidaknya konseptual , ruang sampel untuk percobaan ini dapat diambil
sebagai himpunan bilangan real nonnegatif , S = { t | 0 t < } . Perhatikan bahwa jika waktu
kegagalan yang sebenarnya dapat diukur hanya dengan jam terdekat , maka ruang sampel untuk
waktu kegagalan diamati sebenarnya akan set Integer nonnegatif , S * = { 0 , 1 , 2 , 3 , .. } .
Meskipun S * mungkin ruang sampel diamati , orang mungkin lebih memilih untuk
menggambarkan sifat dan perilaku lampu dalam hal konseptual ruang sampel S. Dalam kasus
jenis ini , discreteness dikenakan oleh keterbatasan pengukuran cukup diabaikan bahwa hal itu
bisa diabaikan , dan kedua respon diukur dan respon konseptual dapat didiskusikan relatif
terhadap ruang sampel S. Konseptual Suatu ruang sampel S dikatakan terbatas jika terdiri dari
jumlah terbatas keluar datang , katakanlah S ( E1 , E2 ... , EN ) , dan dikatakan countably
terbatas jika keluar datang dapat dimasukkan ke dalam satu-ke - satu korespondensi dengan
bilangan bulat positif , misalnya S = { E1 , E2 ... } .

Satu set yang baik terbatas atau tak terbatas countably aso dikatakan dihitung . Ini adalah
kasus di tiga contoh . Hal ini juga berlaku untuk (dia contoh terakhir di mana Limes kegagalan
dicatat dengan jam terdekat , tetapi tidak untuk ruang sampel konseptual . Karena ruang
konseptual melibatkan hasil yang mungkin menganggap nilai apapun dalam beberapa interval
bilangan real (yaitu , himpunan bilangan real non-negatif , . itu bisa disebut sebagai ruang sampel
kontinu , dan memberikan contoh di mana ruang sampel diskrit bukanlah model yang tepat
lainnya , percobaan lebih complicatcted ada, ruang sampel yang juga dapat dicirikan sebagai
continoous , seperti eksperimen yang melibatkan dua atau lebih respon terus menerus .

Contoh 1.2.5

Misalkan lampu panas diuji dan X , jumlah cahaya yang dihasilkan (dalam lumen ) dan Y
, jumlah energi panas ( dalam joule ) . diukur . Sebuah ruang sampel yang tepat akan menjadi
produk Cartesian dari himpunan semua bilangan rea non-negatif dengan dirinya sendiri ,
S = [ 0 , ) x [ 0 , ) = { ( x, y ) | 0 x < dan 0 y < }

Setiap variabel akan mampu mengasumsikan nilai apapun dalam beberapa subinterval dari . [ 0 ,
).

Kadang-kadang adalah mungkin untuk menentukan batas-batas pada variabel fisik seperti
, tetapi sering lebih mudah untuk mempertimbangkan model konseptual di mana variabel tidak
dibatasi . Jika kemungkinan variabel dalam . model konseptual melebihi batas tersebut diabaikan
, maka tidak ada difliculty praktis dalam menggunakan model konseptual .

Contoh 1.2.6

Termograf adalah sebuah mesin yang mencatat temperatur terus menerus dengan
menelusuri grafik pada gulungan kertas ketika bergerak melalui mesin . Sebuah thermographic
rekaman dibuat selama periode 24 - jam. Hasil yang diamati adalah grafik dari
bernilai real fungsi kontinu f ( t ) didefinisikan pada interval waktu [ 0 , 24 ] = { t | 0 t 24 }
ruang sampel yang tepat akan menjadi collccton fungsi tersebut .

Definisi 1.2.3

Sebuah acara adalah subset atau ruang sampel S. Jika A adalah suatu peristiwa , maka A
telah terjadi jika memiliki hasil yang terjadi .
Untuk menggambarkan konsep ini , pertimbangkan Contoh l.2J . subset, 4 = { l - tH ,
HT , Tl ( ) berisi hasil waktu yang sesuai dengan hal mendapatkan "setidaknya satu kepala . "
Seperti disebutkan sebelumnya , jika salah satu dari hasil di A terjadi , maka kita mengatakan
bahwa Sebuah tinjauan set notasi dan terminologi diberikan dalam Lampiran A. Secara umum,
misalkan S adalah ruang sampel untuk beberapa percobaan, dan bahwa A dan B adalah kejadian.
Persimpangan A (v) B merupakan hasil dari acara "A dan B." sementara serikat A (v) B
merupakan acara "A atau B." pelengkap A 'sesuai dengan acara "bukan A." Lainnya peristiwa
juga dapat diwakili dalam hal persimpangan, serikat pekerja, dan melengkapi. Misalnya, acara
"A tapi tidak B" dikatakan terjadi jika hasil percobaan milik A () B '. yang somet imes ditulis
sebagai A - B. Acara "tepat satu dari A atau B" dikatakan terjadi jika hasilnya milik (A () B ')
(V) (A' () B). Set A '() B' sesuai dengan acara baik A maupun B. "Identitas set A '() B' = (A
(V) B) 'adalah cara lain untuk mewakili acara ini. Ini adalah salah satu sifat yang biasanya set
busur disebut sebagai hukum Dc Morgan. Properti lain seperti adalah A '(V) B' = (A () B) '.
Secara umum, jika Ai ..... Ak adalah koleksi terbatas peristiwa. terjadinya suatu

ISTILAH

Kejadian A telah terjadi . Demikian pula, jika salah satu hasil di B = ( HT , TH , TT )


terjadi , maka kita mengatakan bahwa acara " setidaknya satu ekor " telah terjadi .

Set notasi dan terminologi menyediakan kerangka kerja yang berguna untuk
menggambarkan hasil yang mungkin dan peristiwa fisik terkait yang mungkin menarik adalah
eksperimen . Seperti yang disarankan di atas , sebagian dari hasil sesuai dengan peristiwa fisik ,
dan peristiwa atau subset dikatakan terjadi jika ada hasil dalam subset terjadi . Operasi set biasa
serikat , persimpangan, dan pelengkap menyediakan cara untuk mengekspresikan peristiwa baru
dalam hal kejadian yang sudah ditetapkan. Misalnya, acara C untuk mendapatkan " setidaknya
satu kepala dan setidaknya satu ekor " dapat dinyatakan sebagai persimpangan A dan B , C = A
( ) B = ( HT. TH ) . Demikian pula , acara " setidaknya satu kepala atau setidaknya satu ekor "
dapat dinyatakan sebagai serikat A ( V ) B = ( HH , HT , TH , TT } , dan acara tidak ada " kepala
" dapat dinyatakan sebagai komplemen A relatif terhadap S. A ' { TT } .
Sebuah tinjauan set notasi dan terminologi diberikan dalam Lampiran A. Secara umum, misalkan
S adalah ruang sampel untuk beberapa percobaan, dan bahwa A dan B adalah kejadian.
Persimpangan A (v) B merupakan hasil dari acara "A dan B." sementara serikat A (v) B
merupakan acara "A atau B." pelengkap A 'sesuai dengan acara "bukan A." Lainnya peristiwa
juga dapat diwakili dalam hal persimpangan, serikat pekerja, dan melengkapi. Misalnya, acara
"A tapi tidak B" dikatakan terjadi jika hasil percobaan milik A () B '. yang somet imes ditulis
sebagai A - B. Acara "tepat satu dari A atau B" dikatakan terjadi jika hasilnya milik (A () B ')
(V) (A' () B). Set A '() B' sesuai dengan acara baik A maupun B. "Identitas set A '() B' = (A
(V) B) 'adalah cara lain untuk mewakili acara ini. Ini adalah salah satu sifat yang biasanya set
busur disebut sebagai hukum Dc Morgan. Properti lain seperti adalah A '(V) B' = (A () B) '.
Secara umum, jika Ai ..... Ak adalah koleksi terbatas peristiwa. terjadinya suatu

Hasil di persimpangan Ai () .() sesuai dengan terjadinya peristiwa

"setiap Ai,. i = 1 .... k" Terjadinya hasil di Ai serikat (v) ... (v) sesuai dengan
terjadinya peristiwa
I. I
"Setidaknya satu Ai,. I = 1, ..., k" Catatan yang sama berlaku dalam kasus yang dapat dihitung

terbatas koleksi A1, A2, ..., dengan notasi A1 () A2 () persimpangan dan A1

(v) A2 (v)'' bagi serikat .


Perpotongan ( atau serikat buruh ) dari koleksi terbatas atau tak terbatas countably peristiwa
disebut persimpangan dihitung ( atau Union ) .
Kami akan mempertimbangkan seluruh ruang sampel S sebagai tipe khusus dari acara ,
menyebut peristiwa yakin , dan kami juga akan mencakup himpunan kosong sebagai suatu
peristiwa , disebut acara null. Tentu saja , setiap set terdiri dari hanya hasil tunggal dapat
dianggap sebagai suatu kejadian .
Definisi 1.2.4

Sebuah kejadian yang disebut kejadian sederhana jika mengandung tepat satu hasil
eksperimen.

Dalam ruang sampel diskrit , bagian apapun dapat ditulis sebagai serikat cointable
peristiwa dasar, dan kita tidak memiliki kesulitan dalam bergaul setiap bagian dengan suatu
peristiwa dalam kasus diskrit .

Pada Contoh 1.2.1 , elementer acara busur { HH } , { HT ) , { TH } , dan { TT } , dan


acara lainnya dapat ditulis sebagai serikat terbatas peristiwa SD . Sirnilarly , dalam Contoh
1.2.3 , peristiwa elementer yang { H } , { TH ) , { TTH ) , ... , dan setiap peristiwa dapat

direpresentasikan sebagai serikat dihitung dari peristiwa SD . Hal ini tidak mudah untuk
mewakili aktivitas untuk contoh kontinyu . Daripada mencoba untuk mengkarakterisasi peristiwa
ini ketat , kita akan membahas beberapa contoh .

Dalam Contoh 1.2.4 , bola lampu bisa jatuh selama setiap interval waktu , dan setiap
interval bilangan real nonnegatif akan sesuai dengan acara yang menarik untuk percobaan itu .
Secara khusus , misalkan waktu sampai kegagalan diukur dalam jam . Acara yang lampu '
bertahan paling 10 jam " sesuai dengan interval A = [ 0 , 10 ] = { t | 0 t 10 } . Acara yang bola
lampu " bertahan lebih dari 10 jam " adalah A ' = ( 10 , ) = { t | 10 < t < } . Jika B = [ 0 , 15 )
, maka C = B ( ) A ' = ( 10 , 15 ) adalah acara " kegagalan antara 10 dan 15 jam .

" Pada Contoh 1.2.5 setiap produk Cartesian berdasarkan interval bilangan real nonnegatif akan
sesuai dengan sebuah acara yang menarik . Misalnya, acara ( l0 , 20 ) x [ 5 , ) = { ( x, y ) | l0 <
x < 2O dan 5 y < } sesuai dengan " jumlah cahaya Apakah antara 10 dan 20 lumens dan
jumlah energi setidaknya 5 joule . " Peristiwa semacam dapat direpresentasikan secara grafis
sebagai persegi panjang dalam bidang xy dengan sisi sejajar dengan sumbu koordinat .
Secara umum, setiap peristiwa fisik dapat dikaitkan dengan subset wajar S. dan sering
subset dari S dapat dikaitkan dengan beberapa peristiwa bermakna Untuk alasan matematika ,
meskipun, ketika mendefinisikan probabilitas diinginkan untuk membatasi jenis himpunan
bagian yang akan kita dianggap sebagai peristiwa dalam beberapa kasus . Mengingat koleksi
acara , kita ingin setiap kesatuan countabe peristiwa ini menjadi acara . Kami juga akan ingin
melengkapi peristiwa dan persimpangan dihitung peristiwa untuk dimasukkan dalam koleksi
himpunan bagian yang didefinisikan sebagai peristiwa , Kami akan menganggap bahwa koleksi
peristiwa yang mungkin mencakup semua himpunan bagian tersebut , tapi kami tidak akan
mencoba untuk menjelaskan semua subset yang mungkin disebut peristiwa .

Sebuah situasi yang penting muncul dalam perkembangan berikut ketika dua peristiwa
sesuai dengan menguraikan subset .

Dufinition 1.2.5

Dua kejadian A dan B disebut saling eksklusif jika A ( ) B = # 7

1.2 NOTASI DAN ISTILAH

Jika peristiwa yang saling eksklusif , maka mereka tidak memiliki hasil yang sama .
Dengan demikian, oceurrence on : acara menghalangi kemungkinan terjadi secara lainnya . Pada
Contoh 1.2.1 , jika A adalah peristiwa " setidaknya satu kepala " dan jika kita membiarkan B
adalah kejadian " kedua ekor , " maka A dan B saling eksklusif . Sebenarnya , dalam contoh ini B
= A ' ( yang complcment A ) . Secara umum , acara pelengkap saling eksklusif , tetapi sebaliknya
tidak benar . Misalnya , ir C adalah acara " baik kepala , " maka B dan C saling eksklusif , tetapi
tidak saling melengkapi. Gagasan saling acara eksklusif dapat extcndcd mudah ke lebih dari dua
peristiwa .

Definisi 1.2.6

Acara A1 . A2 . A3 , ... dikatakan saling exclusiie jika mereka busur berpasangan


saling caclusi kamu . Artinya, jika setiap kali

Salah satu pendekatan yang mungkin untuk menugaskan probabilitas peristiwa


melibatkan gagasan frekuensi relatif .
FREKUENSI RELATIF

Untuk percobaan melempar koin , kita dapat menyatakan bahwa peluang mendapatkan kepala
adalah 1/2 ini bisa ditafsirkan dalam bersandar dari frekuensi relatif dengan kepala yang
diperoleh pada lemparan berulang-ulang. Meskipun koin dapat melemparkan hanya sekali , bisa
dibayangkan dilemparkan berkali-kali, dan pengalaman membawa kita untuk mengharapkan
kepala di sekitar satu - setengah dari lemparan . Setidaknya konseptual , karena jumlah lemparan
mendekati tak terhingga , proporsi kali kepala terjadi diharapkan untuk berkumpul dengan
beberapa konstanta p . Satu mungkin kemudian menentukan peluang mendapatkan kepala
menjadi nilai ini membatasi konseptual . Untuk koin seimbang, orang akan berharap p = 1/2 ,
tetapi jika koin tidak seimbang , atau jika percobaan dilakukan di bawah kondisi yang tidak biasa
yang cenderung bias hasil yang mendukung baik kepala atau ekor , maka tugas ini tidak akan
sesuai.
Secara umum , jika m ( A ) merupakan jumlah kali bahwa kejadian A terjadi di antara
percobaan M dari percobaan yang diberikan, maka fA . = M ( A ) / M merupakan frekuensi
rclative terjadinya A pada uji coba percobaan.

CONTOH 1.2.7

Sebuah eksperimen terdiri dari bergulir yang bersisi enam mati biasa. Sebuah ruang
sampel alami adalah himpunan pertama enam bilangan bulat positif , S = { 1 , 2 , 3,4 , 5 , 6 } .
Sebuah simulasi mati -rolling eksperimen dilakukan . menggunakan " nomor acak generator "
pada komputer . Dalam Gambar 1.1 . frekuensi relatif dari peristiwa ekmentary A1 = ( I) , A2 = {
2 } , dan seterusnya direpresentasikan sebagai ketinggian garis vertikal . Grafik pertama
menunjukkan frekuensi relatif untuk M pertama = 30 gulungan , dan grafik kedua memberikan
hasil untuk M = 600 gulungan . Dengan pemeriksaan grafik ini jelas frekuensi relatif cenderung
untuk "menstabilkan " dekat beberapa nilai tetap sebagai M meningkat . Juga termasuk dalam
gambar adalah garis putus-putus dari ketinggian 1/6 , yang merupakan nilai bahwa pengalaman
akan menyarankan sebagai frekuensi relatif jangka panjang dari hasil rolling mati . Tentu saja,
dalam contoh ini , hasilnya lebih relevan dengan sifat generator nomor acak yang digunakan
untuk mensimulasikan percobaan daripada mereka dadu yang sebenarnya .
GAMBAR 1.1 Frekuensi Relatif peristiwa dasar untuk dierolling percobaan

Jika , untuk sebuah acara A , batas fA sebagai M mendekati tak terhingga ada, maka
orang bisa menetapkan probabilitas A dengan Ini mengungkapkan properti yang dikenal sebagai
keteraturan statsltical . Pertanyaan teknis tertentu tentang properti ini memerlukan diskusi lebih
lanjut . Misalnya, tidak jelas dalam kondisi apa batas dalam persamaan ( 1.2.1 ) akan ada, atau
dalam arti apa , atau apakah itu tentu akan sama untuk setiap urutan percobaan . Pendekatan
kami untuk probem ini akan mendefinisikan probabilitas dalam hal seperangkat aksioma dan
akhirnya menunjukkan bahwa perilaku membatasi diinginkan berikut .

Untuk memotivasi aksioma mendefinisikan probabilitas , mempertimbangkan sifat


berikut frekuensi relatif. Jika S adalah ruang sampel untuk percobaan dan A adalah suatu
peristiwa , maka jelas 0 m ( A) dan m ( S ) = M , karena m ( A ) menghitung jumlah
kemunculan A. dan S terjadi pada setiap percobaan Selain itu, jika A dan B adalah peristiwa
saling eksklusif , maka hasil di A berbeda dari hasil di B , dan akibatnya m ( A ( v ) B ) = m ( A )
+ m ( B ) . Secara umum , jika A1 , A2 , ... adalah

berpasangan saling eksklusif , maka m ( A1 ( v ) A2 ( v ) .... = m ( A1 ) + m ( A2 ) + .....

demikian , sifat-sifat berikut berlaku untuk frekuensi relatif : jika A2 , ... adalah peristiwa
berpasangan saling eksklusif .

1.3 DEFINISI PROBABILITAS

Meskipun pendekatan frekuensi reIativ tidak selalu memadai sebagai metode praktis menetapkan
probabilitas , itu adalah cara yang probabilitas biasanya ditafsirkan . Namun, banyak orang
menganggap penafsiran ini terlalu membatasi . Dengan mengenai probabilitas sebagai ukuran
subjektif dari keyakinan bahwa suatu peristiwa akan terjadi , mereka bersedia untuk menetapkan
probabilitas dalam setiap situasi yang melibatkan ketidakpastian tanpa mengasumsikan properti
seperti pengulangan atau keteraturan statistik. Metode statistik berdasarkan pada kedua
pendekatan frekuensi relatif dan pendekatan subyektif akan dicussed di bab berikutnya .

1.3
DEFINISI PROBABILITAS

Mengingat percobaan dengan sampel terkait ruang S , tujuan utama dari pemodelan
probabilitas ' tetapkan untuk setiap acara A bilangan real P ( A ) , disebut probabilitas A , yang
akan memberikan ukuran kemungkinan bahwa A akan terjadi ketika percobaan dilakukan .

Secara matematis , kita bisa memikirkan P ( A ) sebagai fungsi set . Dengan kata lain , itu
adalah fungsi yang domain adalah kumpulan set ( peristiwa) , dan berbagai yang merupakan
subset dari bilangan real .

Beberapa fungsi set tidak cocok untuk menetapkan probabilitas peristiwa . Sifat diberikan
dalam definisi berikut termotivasi oleh sifat serupa yang berlaku untuk frekuensi relatif.

Definisi 1.3.1

Untuk percobaan yang diberikan . S menunjukkan ruang sampel nd A , A1 . A2 , ... mewakili


mungkin cvents . Sebuah fungsi set yang mengaitkan nilai riil P ( A ) dengan setiap peristiwa A
calld sebuah funclion probabilily ditetapkan , dan F ( A ) disebut probabilily A. jika sifat tidak
puas :

Jika A1, A2, ... yang berpasangan peristiwa saling eksklusif.


Properti ini semua tampaknya setuju dengan konsep intuitif kita tentang probabilitas.
dan ini beberapa properti yang cukup untuk memungkinkan struktur matematika untuk
dikembangkan

Salah satu konsekuensi dari sifat adalah bahwa acara nol (himpunan kosong) memiliki
probabilitas nol, P () = 0 (sec Latihan II). Juga, jika A dan B adalah dua kejadian saling
eksklusif itu,

Similarly, if A. A2, , A is a finite collection of pairwise mutually cxclusivc events, then

(Lihat Latihan 12.)

Dalam kasus ruang sampel terbatas, melihat bahwa ada paling banyak jumlah terbatas tidak
kosong peristiwa saling eksklusif. Jadi. dalam hal ini akan cukup persamaan teverify (1.3.4) atau
(1.3.5) bukan (1.3.3).

Contoh 1.3.1

Yang berhasil menyelesaikan sebuah proyek konstruksi mensyaratkan bahwa sebuah peralatan
bekerja dengan baik. Asumsikan bahwa baik "proyek berhasil" (A1) atau gagal karena satu dan
hanya satu dari berikut: "kegagalan mekanis" (A2) atau "kegagalan listrik" (A3). Misalkan
kegagalan mekanis adalah tiga kali lebih mungkin kegagalan listrik, dan berhasil menyelesaikan
dua kali lebih mungkin sebagai kegagalan mekanis. Hasil tugas probabilitas ditentukan oleh
persamaan P (A2 =) 3P (A3) dan P (A1) = 2P (A2). Karena satu dan hanya satu dari peristiwa ini
akan terjadi, kami juga memiliki dari (1.3.2) dan (1.3.5) bahwa P (A1) + P (A2) + P (A3) = 1.
Persamaan ini memberikan suatu sistem yang dapat diselesaikan secara simultan untuk
mendapatkan P (A1) = 0,6, P (A2) = 0,3, dan P (A3) = 0,1. Acara 'kegagalan' diwakili oleh
serikat A2 (V) A3 dan A2 dan A3 karena diasumsikan dapat saling ekslusif, kami memiliki dari
persamaan (1.3.5) bahwa probabilitas kegagalan adalah P (A2 (V) A3) = 0,3 + 0,1 0,4.

PROBABILITAS DI RUANG BERLAINAN


Penugasan probabilitas dalam kasus ruang sampel diskrit dapat dikurangi menetapkan
probabilitas untuk peristiwa SD. Misalkan untuk setiap peristiwa SD {e1} kita menetapkan pt
bilangan real, sehingga P ({e1}) = Pt. Untuk memenuhi kondisi Definisi 1.3.1, perlu bahwa

Karena setiap istilah dalam penjumlahan (1.3.7) sesuai dengan hasil di S. adalah penjumlahan
biasa ketika S adalah terbatas, dan seri terbatas ketika S adalah countably terbatas. Kemungkinan
peristiwa lain kemudian dapat ditentukan dari th atas penugasan mewakili acara sebagai sebuah
kesatuan dari peristiwa dasar saling eksklusif, dan menjumlahkan nilai-nilai yang sesuai pt.
Sebuah notasi singkat untuk ini diberikan oleh

Dengan notasi ini, kita memahami bahwa penjumlahan diambil alih semua indeks saya sehingga
e1 merupakan hasil dalam A. Pendekatan ini bekerja sama dengan baik untuk kedua terbatas dan
countably (benda yang dapat dihitung ) kata terbatas ruang sampel. tetapi jika A adalah
himpunan countably terbatas penjumlahan dalam (1.3.8) sebenarnya merupakan seri terbatas.

Contoh 1.3.2 II

Dua koin yang dilempar seperti pada Contoh 1.2.1, maka S - (HH, HT, TH TT.),. jika koin-koin
tersebut seimbang. adalah wajar untuk mengasumsikan bahwa masing-masing dari empat hasil
kemungkinan yang sama. Karena P (S) = 1. probabilitas ditugaskan untuk setiap peristiwa SD
harus 1/4. Setiap peristiwa dalam serikat terbatas peristiwa dasar yang berbeda, sehingga
kemungkinan setiap peristiwa adalah jumlah termasuk istilah konstan 1/4 untuk setiap acara
dasar di serikat. Misalnya. jika C = {HT. TH} merupakan kejadian "tepat satu kepala."
Kemudian P(C) P({HT}) + P{(TH}) 1/4 + 1/4 = Perhatikan bahwa "kemungkinan yang sama"
asumsi tidak dapat diterapkan tanpa pandang bulu. Misalnya. dalam Contoh 1.12 jumlah kepala
yang menarik, dan ruang sampel S * = {0, 1, 2}. The SD acara {1} sesuai dengan acara C = (HT,
TH) di S. Daripada menempatkan probabilitas 1/3 hingga hasil di S *, kita harus menetapkan P
{(l}) = 1/2 dan P ({0}) = P ({2}) = 1/4.

Dalam banyak masalah. termasuk yang melibatkan permainan kesempatan, sifat hasil
menentukan penugasan probabilitas sebesar setiap peristiwa dasar. Jenis model kadang-kadang
disebut sebagai model probabilitas klasik.

PELUANG KLASIK

Misalkan jumlah terbatas hasil yang mungkin dapat terjadi dalam percobaan, dan bahwa
hal itu adalah wajar untuk menganggap bahwa setiap hasil adalah sama mungkin terjadi.
Masalah-masalah khas yang melibatkan permainan chancesuch sebagai melempar koin, rolling
mati, menggambar kartu dari dek, dan memilih nomor pemenang dalam undian-sesuai dengan
deskripsi ini. Perhatikan bahwa "kemungkinan yang sama" asumsi memerlukan percobaan yang
akan dilakukan sedemikian rupa bahwa asumsi tersebut realistis. Artinya, koin harus seimbang,
mati tidak harus dimuat, dek harus dikocok, tiket lotre harus tercampur, dan sebagainya.
Hal ini menyebabkan kebutuhan yang sangat khusus pada tugas probabilitas pada hasil
dasar. Secara khusus. biarkan ruang sampel terdiri dari hasil yang berbeda N,

S = {e1, e2, ........ e} (1.3.9)

Ini "memiliki kemungkinan yang sama" anggapan membutuhkan nilai-nilai yang pt

dan, untuk memenuhi persamaan (1.3.6) dan (1.3.7). perlu

Dalam kasus ini, karena semua istilah dalam jumlah (1.3.8) adalah (ia sama, pt =, 1 / N, di
berikut bahwa
dimana n (A) merupakan jumlah hasil dalam A. Dengan kata lain, jika hasil dari suatu

eksperimen sama-sama mungkin, maka masalah menetapkan probabilitas peristiwa berkurang


untuk menghitung berapa banyak hasil yang menguntungkan bagi terjadinya acara serta berapa
banyak berada di ruang sampel, dan kemudian menemukan rasio. Beberapa teknik yang akan
berguna dalam memecahkan beberapa masalah menghitung lebih rumit akan disajikan dalam
Bagian 1.6.
Rumus yang disajikan dalam (1.3.12) kadang-kadang disebut sebagai probabilitas klasik.
Untuk masalah di mana metode ini tugas yang tepat, itu cukup mudah untuk menunjukkan
bahwa definisi umum probabilitas puas. Secara khusus, untuk setiap peristiwa A,

jika A dan B adalah saling eksklusif.

SELEKSI RANDOM

Sebuah aplikasi utama probabilitas klasik muncul sehubungan dengan memilih dengan objek
atau satu set benda "secara acak" dari koleksi benda-benda.

definisi 1.3.2
Jika suatu benda dipilih dari koleksi terbatas obyek yang berbeda sedemikian rupa bahwa setiap
objek memiliki kemungkinan yang sama untuk terpilih, maka kita mengatakan bahwa benda th
dipilih secara acak.

# 13
BEBERAPA SIFAT probabilitas

Demikian pula, jika subset dari objek yang dipilih sehingga setiap subset dari ukuran
yang sama memiliki kemungkinan yang sama untuk terpilih, maka kita mengatakan bahwa
subset dipilih secara acak. Biasanya, tidak ada perbedaan yang dibuat ketika unsur-unsur dari
busur bagian yang tercantum dalam urutan yang berbeda, tapi kadang-kadang akan berguna
untuk membuat perbedaan ini.

Contoh 1.3.3

Sebuah permainan melibatkan kartu bergambar seebanyak 52 kartu. Dengan tidak


memperhatikan urutan kartu, apakah kartu berasal dari atas atau beberapa bagian lain dari bawah
jika kartu dikocok. Setiap kartu akan memiliki peluang yang sama, 1/52, untuk dipilih. Demikian
pula, jika permainan melibatkan lima kartu, tidak diperhatikan pula apakah lima kartu tersebut
diambil dari atas maupun bawah. Peluang untuk setiap kemungkinan set kartu hidup akan
menjadi kebalikan dari jumlah subset ukuran 5 dari seperangkat ukuran 52. Dalam Bagian 1.6
kita akan mengembangkan, antara lain, sebuah metode untuk menghitung jumlah himpunan
bagian dari suatu ukuran tertentu.

1.4 BEBERAPA SIFAT PELUANG

Dari sifat umum dari set dan sifat Definisi 1.3.1 kita dapat memperoleh sifat lain yang
berguna dari peluang. Setiap teorema berikut mencakup ke satu atau lebih kejadian yang
berhubungan dengan eksperimen yang sama.

Teorema 1.4.1 Jika A adalah suatu kejadian dan A adalah komplemen. kemudian
P (A) = 1 - P (A') (1.4.1)

BUKTI

Karena A adalah komplemen dari A relatif terhadap S, S = A U A'. Karena A A =, A dan A'
adalah saling eksklusif, sehingga dari persamaan (1.3.2) dan (1.3.4) berikut
1= P (S)= P (A U A' ) =. P (A) + P (A')

yang dijadikan kaidah .


Teorema ini sangat berguna ketika peristiwa seni A relatif rumit, tetapi yang melengkapi
A' lebih mudah untuk menganalisis.

Anda mungkin juga menyukai