PROBABILITY

(PELUANG)
 
A. PENGANTAR
 
Dalam setiap studi ilmiah tentang fenomena fisik, diinginkan untuk memiliki model
matematis yang memungkinkan untuk menggambarkan atau memprediksi nilai yang diamati dari
beberapa karakteristik yang menarik. Sebagai contoh, perhatikan kecepatan jatuh tubuh setelah
jangka waktu tertentu, t. Rumus y = gt, di mana g = 32,17 kaki per detik per detik, menyediakan
model matematika yang berguna untuk kecepatan, dalam kaki per detik, dari tubuh yang jatuh
dari istirahat dalam ruang hampa. Ini adalah contoh dari sebuah model deterministik. Untuk
model seperti itu, melakukan percobaan berulang dalam kondisi ideal akan menghasilkan
kecepatan yang pada dasarnya 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 lainnya
faktor yang mungkin menyebabkan hasil bervariasi pada kinerja yang berbeda dari percobaan.
Selain itu, kita mungkin tidak memiliki pengetahuan yang cukup untuk mendapatkan model yang
lebih rumit yang dapat menjelaskan semua penyebab variasi.
Ada juga jenis fenomena lain di mana hasil yang berbeda dapat terjadi secara kebetulan,
dan model deterministik tidak akan disetujui. Misalnya, percobaan dapat terdiri dari mengamati
jumlah Partikel-partikel yang dipancarkan oleh sumber radioaktif, waktu sampai kegagalan
diproduksi komponen, atau hasil permainan peluang.
Motivasi untuk mempelajari probabilitas adalah untuk menyediakan model matematika
untuk situasi nondeterministik seperti itu; model matematika yang sesuai akan disebut model
probabilitas (atau model probabilistik). Istilah stochastic, yaitu berasal dari kata Yunani stochos,
yang berarti "tebak," kadang-kadang digunakan bukannya istilah probabilistik.
Sebuah studi yang cermat tentang model probabilitas membutuhkan beberapa
pengetahuan dengan notation dan terminologi teori himpunan. Kami akan menganggap bahwa
pembaca memiliki beberapa pengetahuan tentang set, tetapi untuk kenyamanan kami telah
menyertakan ulasan dasar ide-ide teori himpunan dalam Lampiran A.
 
B. NOTASI DAN TERMINOLOGI
 
Istilah percobaan mengacu pada proses memperoleh hasil yang diamati dari beberapa
fenomena. Kinerja percobaan disebut percobaan percobaan, dan hasil yang diamati disebut hasil.
Terminologi ini agak umum, dan bisa berkaitan dengan beragam kegiatan seperti eksperimen
ilmiah atau permainan kebetulan. Minat utama kami akan berada dalam situasi di mana ada
ketidakpastian tentang hasil mana yang akan terjadi ketika percobaan dilakukan, kami akan
menganggap bahwa percobaan dapat diulangi pada dasarnya dalam kondisi yang sama, dan
bahwa himpunan semua hasil yang mungkin dapat sepenuhnya ditentukan sebelumnya
percobaan.
 
Definisi 1.2.1

Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel, dilambangkan
oleh S. Satu catatan dan hanya satu dari hasil yang mungkin akan terjadi pada percobaan yang
diberikan percobaan.

Contoh 1.2.1

Eksperimen terdiri dari melemparkan dua koin, dan wajah yang diamati dari setiap koin itu
menarik. Himpunan hasil yang mungkin dapat diwakili oleh ruang sampel        

S = {HH, HT, TH, TT}

yang hanya mencantumkan semua pasangan yang mungkin dari simbol H (kepala) dan T (ekor).
Sebuah cara alternatif untuk mewakili ruang sampel tersebut adalah dengan mendaftar semua
kemungkinan yang dipesan pasangan angka 1 dan 0, S = {(l, 1), (1, 0), (0, 1), (0, 0)}, di mana,
misalnya, (1, 0) menunjukkan bahwa koin pertama mendarat ke atas dan koin kedua mendarat
berekor.
 
Contoh 1.2.2

Misalkan dalam Contoh 1.2.1 kami tidak tertarik pada hasil individu dari koin, tetapi hanya
dalam jumlah total kepala yang diperoleh dari dua koin. Ruang sampel yang sesuai kemudian
dapat ditulis sebagai S*= {0, 1, 2}. Jadi, berbeda ruang sampel yang sesuai untuk percobaan
yang sama, tergantung pada karakteristik yang menarik.
 
Contoh 1.2.3
 
Jika koin dilemparkan berulang kali hingga ada kepala, maka ruang sampel alami adalah S = {H,
TH, TTH,. . .}. Jika seseorang tertarik pada jumlah lemparan yang diperlukan untuk
mendapatkan kepala, maka ruang sampel yang mungkin untuk percobaan ini adalah himpunan
dari semua bilangan bulat positif, S* = {1, 2, 3 ,…}, langsung ke jumlah lemparan yang
diperlukan untuk mendapatkan kepala pertama. Kami akan menunjukkan bab berikutnya bahwa
hasil sesuai dengan urutan lemparan di mana kepala tidak pernah diperoleh tidak perlu
dimasukkan dalam ruang sampel.

Contoh 1.2.4

Bola lampu ditempatkan dalam layanan dan waktu operasi sampai habis adalah diukur,
Setidaknya secara konseptual, ruang sampel untuk percobaan ini dapat dianggap sebagai
himpunan bilangan real non-negatif, S = {t|0 ≤ t < ∞}. Perhatikan bahwa jika waktu kegagalan
aktual hanya dapat diukur hingga jam terdekat, maka ruang sampel untuk waktu kegagalan
aktual yang diamati adalah himpunan bilangan bulat tidak negatif, S* = {O, 1, 2, 3,. .}.
Meskipun S* mungkin dapat diamati ruang sampel, orang mungkin lebih suka menggambarkan
sifat dan perilaku cahaya umbi dalam hal ruang sampel konseptual S. Dalam kasus jenis ini,
kretitas yang dipaksakan oleh batasan pengukuran cukup dapat diabaikan diabaikan, dan
respons terukur dan respons konseptual dapat diabaikan dibahas relatif terhadap ruang sampel
konseptual S.

Ruang sampel S dikatakan terbatas jika terdiri dari sejumlah terbatas datang, katakanlah S
= {e1, e2, ..., eN}, dan dikatakan tak terhingga jumlahnya jika dapat dimasukkan ke dalam
korespondensi satu-ke-satu dengan bilangan bulat positif, katakanlah S = {e1, e2, ...}.

Definisi 1.2.2
 
Jika ruang sampel S adalah terbatas atau tak terhingga jumlahnya, maka itu disebut
diskrit ruang sampel.
Himpunan yang terbatas atau tak terhingga jumlahnya juga saya katakan dapat dihitung.
Ini adalah contoh tiga contoh pertama. Ini juga berlaku untuk contoh terakhir ketika waktu
kegagalan dicatat hingga jam terdekat, tetapi tidak untuk sampel konseptual ruang. Karena ruang
konseptual melibatkan hasil yang dapat mengasumsikan apapun nilai dalam beberapa interval
bilangan real (yaitu, himpunan bilangan real non-negatif), itu bisa disebut ruang sampel kontinu,
dan memberikan contoh di mana sebuah ruang sampel diskrit bukan model yang tepat. Lainnya,
lebih rumit Eksperimen ada, ruang sampel yang juga dapat ditandai sebagai berkelanjutan,
seperti eksperimen yang melibatkan dua atau lebih tanggapan kontinu.
 
Contoh 1.2.5

Misalkan lampu panas diuji dan X, jumlah cahaya yang dihasilkan (dalam lumens), dan Y,
jumlah energi panas (dalam joule), diukur. Yang tepat ruang sampel akan menjadi produk
Cartesian dari himpunan semua real tidak negative angka dengan sendirinya,
 
S = [0, ∞) × [0, ∞) = {(x, y) | 0 ≤ x < ∞ dan 0 ≤ y < ∞}
 
Setiap variabel akan mampu mengasumsikan nilai apa pun di beberapa subinterval [0, ∞).
Terkadang dimungkinkan untuk menentukan batasan pada variabel fisik seperti itu, tetapi
seringkali lebih nyaman untuk mempertimbangkan model konseptual di mana variable tidak
dibatasi. Jika kemungkinan variabel dalam model konseptual melebihi batas tersebut dapat
diabaikan, maka tidak ada kesulitan praktis dalam menggunakan model konseptual.
 
Contoh 1.2.6

Termograf adalah mesin yang mencatat suhu terus menerus dengan melacak sebuah grafik pada
gulungan kertas saat bergerak melalui mesin. Termografi rekaman dibuat selama periode 24 jam.
Hasil yang diamati adalah grafik sebuah fungsi bernilai real kontinu f (t) didefinisikan pada
interval waktu [0, 24] = {t|0 ≤ t ≤ 24}, dan ruang sampel yang sesuai akan menjadi koleksi
seperti itu fungsi.
Definisi 1.2.3
 
Suatu peristiwa adalah himpunan bagian dari ruang sampel S. Jika A adalah suatu
peristiwa, maka A telah terjadi jika berisi hasil yang terjadi.
 
Untuk menggambarkan konsep ini, pertimbangkan Contoh 1.2.1. Subset
 
A = {HH, HT, TH}
 
berisi hasil yang sesuai dengan acara memperoleh "setidaknya satu kepala. "Seperti yang
disebutkan sebelumnya, jika salah satu hasil dalam A terjadi, maka kita mengatakan itu peristiwa
A telah terjadi. Demikian pula, jika salah satu hasil dalam B = {HT, TH, TT} terjadi, maka kita
mengatakan bahwa peristiwa "setidaknya satu ekor" telah terjadi.
Kumpulan notasi dan terminologi menyediakan kerangka kerja yang berguna untuk
menggambarkan kemungkinan hasil dan kejadian fisik terkait yang mungkin menarik dalam
percobaan. Seperti yang disarankan di atas, himpunan bagian hasil sesuai dengan peristiwa fisik ,
dan acara atau bagian dikatakan terjadi jika ada hasil dalam himpunan bagian terjadi. Operasi
serikat yang biasa, persimpangan, dan komplemen menyediakan cara mengekspresikan peristiwa
baru dalam hal peristiwa yang telah ditentukan. Misalnya, jika C untuk mendapatkan "setidaknya
satu kepala dan setidaknya satu ekor" dapat dinyatakan sebagai persimpangan A dan B, C =
A ∩ B = {HT, TH}. Demikian pula, jika "setidaknya satu kepala atau setidaknya satu ekor" dapat
dinyatakan sebagai union A ∪B = {HH, HT, TH, TT}, dan acara "no head" dapat diekspresikan
sebagai komplemen dari A relatif ke S, A' = {TT}.
Tinjauan tentang notasi dan terminologi yang ditetapkan diberikan dalam Lampiran A.
Secara umum, anggaplah S adalah ruang sampel untuk beberapa percobaan, dan bahwa A dan B
adalah acara. Persimpangan A ∩ B merupakan hasil dari acara "A dan B", sedangkan serikat A ∪
B mewakili acara "A atau B”. Pelengkap A' sesuai dengan acara "bukan A". Peristiwa lain juga
bisa direpresentasikan secara istilah persimpangan, serikat pekerja, dan pelengkap. Misalnya,
acara "A tetapi tidak B" dikatakan terjadi jika hasil percobaan milik A ∩ B', yang beberapa kali
ditulis sebagai A - B. Apabila "tepat satu dari A atau B" dikatakan terjadi jika hasil milik ( A ∩ B
') ∪ ( A ' ∩ B). Set A ' ∩ B ' berhubungan dengan acara "bukan A atau B." Identitas yang
ditetapkan A ' ∩ B ' = (A ∪ B)' adalah cara lain untuk mewakili acara ini. Ini adalah salah satu
properti yang ditetapkan yang biasanya disebut sebagai hukum De Morgan. Properti seperti
lainnya adalah A ' ∪ B ' = (A ∪ B)'.
Lebih umum, jika A1, ..., A adalah kumpulan peristiwa yang terbatas, terjadinya suatu
hasil dipersimpangan A1 ∩ … ∩ Ak (atau ¿ i=1 ¿ ∞ Ai) sesuai dengan terjadinya acara “setiap A1;
i = 1, ..., k”. terjadinya hasil dalam union A1 ∪… ∪ Ak (atau ¿ i=1 ¿ ∞ Ai) sesuai dengan
terjadinya acara tersebut “setidaknya suatu A1; i = 1, ..., k”. Komentar serupa berlaku dalam
kasus yang terhitung koleksi tak terbatas A1, A2, …, dengan notasi A 1∩ A 2 ∩… (atau
¿ i=1 ¿ ∞ Ai) untuk intersection dan A 1∪ A 2 ∪ … (atau ¿ i=1 ¿ ∞ Ai) untuk union.
Persimpangan (atau gabungan) dari kumpulan acara yang terbatas atau tak terhingga
jumlahnya disebut persimpangan yang dapat dihitung (atau gabungan).
Kami akan menganggap seluruh ruang sampel S sebagai jenis acara khusus, yang disebut
pasti acara, dan kami juga akan memasukkan set kosong Ø sebagai acara, yang disebut nol
peristiwa. Tentu saja, set apa pun yang hanya terdiri dari satu hasil dapat dianggap sebagai
sebuah acara.
Definisi 1.2.4

Suatu peristiwa disebut peristiwa elementer jika mengandung persis satu hasil dari percobaan.

Dalam ruang sampel yang terpisah, setiap subset dapat ditulis sebagai gabungan peristiwa
elementer yang dapat dihitung , dan kami tidak mengalami kesulitan dalam mengaitkan setiap
subset dengan acara dalam kasus diskrit.
Dalam Contoh 1.2.1, peristiwa dasar adalah {HH}, {HT}, {TH}, dan {TT}, dan setiap
peristiwa lain dapat ditulis sebagai gabungan terbatas dari peristiwa-peristiwa elementer ini.
Similarly, dalam Contoh 1.2.3, peristiwa elementer adalah {H}, {TH}, {TTH},. . . , dan setiap
peristiwa dapat direpresentasikan sebagai persatuan yang dapat dihitung dari peristiwa-peristiwa
dasar ini.
Tidak mudah untuk merepresentasikan peristiwa untuk contoh berkelanjutan. Daripada
mencoba untuk mencirikan peristiwa ini dengan ketat, kami akan membahas beberapa contoh.
Dalam Contoh 1.2.4, bola lampu bisa gagal selama interval waktu apa pun, dan setiap
interval bilangan real non-negatif akan sesuai dengan peristiwa yang menarik untuk eksperimen
itu. Secara khusus, anggaplah waktu sampai kegagalan diukur jam. Peristiwa bola lampu
"bertahan paling lama 10 jam" sesuai dengan interval A = [0, 10] = {t|0 ≤ t ≤ 10}. Peristiwa bola
lampu "bertahan lebih dari 10 jam" adalah A'= (10, ∞) = {t|10 < t < ∞}. Jika B = [0, 15], maka C
= B ∩ A' = (10, 15) adalah peristiwa "kegagalan antara 10 dan 15 jam".
Dalam Contoh 1.2.5, setiap produk Cartesian berdasarkan interval dari bilangan real non-
negatif akan berhubungan dengan suatu peristiwa yang menarik. Misalnya saja acara
(10, 20) × [5, ∞) = {(x, y) | 10 < x < 20 dan 5 ≤ y < ∞}
sesuai dengan "jumlah cahaya antara 10 dan 20 lumen dan jumlah energi setidaknya 5 joule."
Peristiwa semacam itu dapat direpresentasikan secara grafis sebagai persegi panjang di bidang xy
dengan sisi sejajar dengan sumbu koordinat.
Secara umum, setiap peristiwa fisik dapat dikaitkan dengan subset S yang masuk akal,
dan seringkali subset S dapat dikaitkan dengan beberapa peristiwa yang bermakna. Namun,
untuk alasan-alasan matematika, ketika mendefinisikan probabilitas, diinginkan untuk membatasi
jenis himpunan bagian yang akan kami pertimbangkan sebagai acara dalam beberapa kasus.
Diberikan koleksi peristiwa, kami ingin agar penyatuan yang dapat dihitung dari peristiwa ini
menjadi suatu peristiwa. Kami juga akan menginginkan pelengkap acara dan persimpangan acara
yang dapat dihitung termasuk dalam koleksi himpunan bagian yang didefinisikan sebagai acara.
Kami akan menganggap bahwa pengumpulan acara yang mungkin mencakup semua himpunan
bagian seperti itu, tetapi kami tidak akan melakukannya berupaya menggambarkan semua
himpunan bagian yang mungkin disebut peristiwa.
Situasi penting muncul dalam perkembangan berikut ketika dua peristiwa sesuai dengan
subset yang terpisah.
 
Definisi 1.2.5

Dua peristiwa A dan B disebut saling eksklusif jika A ∩ B = Ø.

Jika acara saling eksklusif, maka mereka tidak memiliki hasil yang sama. Jadi, terjadinya
satu peristiwa menghalangi kemungkinan yang lainnya terjadi. Dalam Contoh 1.2.1, jika A
adalah acara "setidaknya satu kepala" dan jika kita membiarkan B menjadi acara tersebut "kedua
ekor," maka A dan B adalah saling eksklusif. Sebenarnya, dalam contoh ini B = A '(komplemen
dari A). Secara umum, acara saling melengkapi adalah saling eksklusif, tetapi kebalikannya tidak
benar. Misalnya, jika C adalah acara "keduanya kepala, "maka B dan C saling eksklusif, tetapi
tidak saling melengkapi.
Gagasan tentang acara yang saling eksklusif dapat diperluas dengan mudah ke lebih dari
dua peristiwa.

Definisi 1.2.6
Peristiwa A1, A2, A3, ..., dikatakan saling eksklusif jika berpasangan saling eksklusif Yaitu jika Ai
∩ Aj  = Ø setiap kali i ≠ j    

Salah satu pendekatan yang mungkin untuk menetapkan probabilitas untuk peristiwa melibatkan
gagasan frekuensi relatif.
 
FREKUENSI RELATIF
 
Untuk percobaan melempar koin, kita dapat mendeklarasikan bahwa probabilitas
mendapatkan kepala adalah 1/2. Ini dapat ditafsirkan dalam istilah frekuensi relative
dengan mana kepala diperoleh pada lemparan berulang. Meskipun koin itu hanya dapat
dilemparkan sekali saja, bisa dibayangkan ia bisa dilemparkan berkali-kali, dan
pengalaman mendorong kita untuk mengharapkan kepala pada kira-kira setengah dari
lemparan itu. Paling sedikit secara konseptual, ketika jumlah lemparan mendekati tak
terhingga, proporsi kali kepala terjadi diharapkan untuk konvergen ke beberapa konstanta
p. Seseorang kemudian dapat mendefinisikan probabilitas mendapatkan kepala untuk
menjadi nilai pembatas konseptual ini. Untuk sebuah koin seimbang, orang akan
mengharapkan p = 1/2, tetapi jika koin itu tidak seimbang, atau jika percobaan dilakukan
dalam kondisi yang tidak biasa yang cenderung membiaskan hasilnya mendukung kepala
atau ekor, maka tugas ini tidak akan sesuai.
Lebih umum, jika m(A) mewakili berapa kali peristiwa A terjadi di antara uji coba
M dari percobaan yang diberikan, maka fA = m(A)/M mewakili relatif frekuensi
kemunculan A pada percobaan-percobaan ini.
 
Contoh 1.2.7

Eksperimen terdiri dari menggulung dadu bersisi enam biasa. Sampel alami space adalah
himpunan enam bilangan bulat positif pertama, S = {1, 2, 3, 4, 5, 6}. Disimulasikan Percobaan
die-rolling dilakukan, menggunakan "generator nomor acak" pada sebuah komputer. Pada
Gambar 1.1, frekuensi relatif dari peristiwa elementer A1 = {1}, A2 = {2}, dan seterusnya
direpresentasikan sebagai ketinggian garis vertikal. Itu grafik pertama menunjukkan frekuensi
relatif untuk M = 30 gulungan pertama, dan grafik kedua memberikan hasil untuk M = 600
gulungan. Dengan memeriksa grafik ini, jelas frekuensi relatif cenderung "menstabilkan" dekat
beberapa nilai tetap ketika M meningkat Juga termasuk dalam gambar adalah garis putus-putus
tinggi 1/6, yang merupakan nilai pengalaman yang akan menyarankan sebagai frekuensi relatif
jangka panjang dari hasil menggulung dadu Tentu saja, dalam contoh ini, hasilnya lebih relevan
ke sifat-sifat generator nomor acak yang digunakan untuk mensimulasikan pengalaman ment
daripada orang-orang dadu yang sebenarnya.
 

Jika, untuk suatu peristiwa A, batas off A ketika M mendekati tak terhingga ada, maka seseorang
dapat menetapkan probabilitas ke A oleh

Ini menyatakan sebuah properti yang dikenal sebagai keteraturan statistik.

Pertanyaan teknis tertentu tentang properti ini memerlukan gebrakan lebih lanjut. Sebagai
contoh, tidak jelas dalam kondisi apa batas dalam persamaan (1 2 1) akan ada atau dalam apa
akal, atau apakah itu akan selalu sama untuk setiap urutan cobaan kami pendekatan untuk
masalah ini adalah untuk mendefinisikan probabilitas dalam hal seperangkat aksioma dan
akhirnya menunjukkan bahwa perilaku membatasi yang diinginkan mengikuti.
Untuk memotivasi aksioma pendefinisian, pertimbangkan langkah-langkah berikut ini
ikatan frekuensi relatif. Jika S adalah ruang sampel untuk percobaan dan A adalah peristiwa,
maka jelas 0 ≤ m (A) dan m(S) = M, karena m(A) menghitung jumlah kejadian A, dan S
terjadi pada setiap percobaan. Selanjutnya, jika A dan B adalah acara yang saling eksklusif,
maka hasil dalam A berbeda dari hasil di B, dan akibatnya m(A ∪ B) = m(A) + m(B). Lebih
umum, jika A1, A2, ... adalah berpasangan satu sama lain secara eksklusif, maka m (A1 ∪ A2
∪ … ¿ = m(A1) + m(A2) + … . Dengan demikian, sifat-sifat berikut berlaku untuk frekuensi
relatif:

Meskipun pendekatan frekuensi relatif mungkin tidak selalu memadai sebagai

metode praktis untuk menetapkan probabilitas, ini adalah cara probabilitas biasanya
ditafsirkan. Namun, banyak orang menganggap interpretasi ini terlalu membatasi. Dengan
menganggap probabilitas sebagai ukuran subjektif dari keyakinan bahwa suatu peristiwa
akan terjadi, mereka bersedia untuk menetapkan probabilitas dalam situasi apa pun yang
melibatkan ketidakpastian tanpa asumsi properti seperti pengulangan atau keteraturan
statistic. Metode statistik berdasarkan pendekatan frekuensi relatif dan pendekatan objektif
akan dibahas dalam bab-bab selanjutnya.
C. DEFINISI PROBABILITY

Diberikan percobaan dengan ruang sampel S terkait, tujuan utama pemodelan

probabilitas adalah untuk menetapkan ke setiap peristiwa A bilangan real F (A), yang disebut
probabilitas A, yang akan memberikan ukuran kemungkinan bahwa A akan terjadi ketika
percobaan dilakukan.
Secara matematis, kita dapat menganggap P(A) sebagai fungsi yang ditetapkan. Dengan
kata lain, itu adalah sebuah fungsi yang domainnya merupakan kumpulan set (acara), dan
rentang yang merupakan subset dari bilangan real.
Beberapa fungsi yang ditetapkan tidak cocok untuk menetapkan probabilitas ke acara.
Properti yang diberikan dalam definisi berikut dimotivasi oleh properti yang serupa yang berlaku
untuk frekuensi relatif.

Definisi 1.3.1
Untuk percobaan yang diberikan, S menunjukkan ruang sampel dan A, A1, A2, ... represent
kemungkinan acara. Fungsi himpunan yang mengaitkan nilai riil P (A) dengan setiap peristiwa A
adalah disebut fungsi probabilitas set, dan P (A) disebut probabilitas A, jika tindak sifat ing puas:

Semua properti ini tampaknya sesuai dengan konsep intuitif kami tentang
probabilitas, dan beberapa properti ini cukup untuk memungkinkan struktur matematika
dikembangkan.
Salah satu konsekuensi dari properti adalah bahwa acara nol (set kosong) memiliki
masalah kemampuan nol, P (Ø) = 0 (lihat Latihan 11). Juga, jika A dan B adalah dua saling
pengecualian peristiwa lalu, lalu:
 
P (A ∪ B) = P (A) + P (B) (1.3.4)
 
Demikian pula, jika A1, A2, ..., Ak adalah koleksi terbatas berpasangan yang saling
eksklusif peristiwa, lalu

P (A1 ∪ A2 ∪ … ∪ Ak) = P (A1) + P (A2) + ... + P (Ak) (1.3.5)                           

(Lihat Latihan 12.)

Dalam kasus ruang sampel hingga, perhatikan bahwa paling banyak ada angka terbatas
acara nonempty yang saling eksklusif. Jadi, dalam hal ini sudah cukup verifikasi persamaan
(1.3.4) atau (1.3.5) alih-alih (1.3.3).
Contoh 1.3.1

Keberhasilan penyelesaian proyek konstruksi mensyaratkan bahwa sepotong peralatan bekerja

dengan baik. Asumsikan bahwa "proyek berhasil" (A1) atau gagal karena satu dan hanya satu
dari berikut ini: "kegagalan mekanis" (A2) atau "kegagalan listrik" (A3). Misalkan kerusakan
mekanis tiga kali lebih mungkin kegagalan listrik, dan penyelesaian yang berhasil adalah dua
kali lebih mungkin daripada mekanik kegagalan. Penugasan probabilitas yang dihasilkan
ditentukan oleh persamaan P(A2) = 3P(A3) dan P(A1) = 2P(A2). Karena satu dan hanya satu f
peristiwa ini akan terjadi, kita juga memiliki dari (1.3.2) dan (1.3.5) bahwa P(A1) + P(A2) +
P(A3) = 1. Persamaan ini menyediakan sistem yang dapat dipecahkan secara simultan untuk
mendapatkan P (A1) = 0,6, P(A2) = 0,3, dan P(A3) = 0,1. Kejadian "kegagalan" diwakili oleh
serikat A2 ∪ A3, dan karena A2 dan A3 diasumsikan saling eksklusif , kita memiliki dari
persamaan (1.3.5) bahwa probabilitas kegagalan adalah P (A2 ∪ A3) = 0,3 + 0,1 = 0,4.

PROBABILITAS DALAM RUANG DISKRIT

Penugasan probabilitas dalam kasus ruang sampel diskrit bias direduksi menjadi
menugaskan probabilitas untuk acara-acara dasar. Misalkan masing-masing acara dasar {ei} kita
menetapkan bilangan real p, sehingga P ({ei}) = ρi. Memuaskan kondisi Definisi 1.3.1, perlu
bahwa

Karena setiap istilah dalam jumlah (1.3.7) sesuai dengan hasil dalam S, itu adalah
penjumlahan biasa ketika S adalah terbatas, dan deret tak hingga ketika S adalah terhitung tak
terbatas. Probabilitas peristiwa lain kemudian dapat ditentukan dari penugasan di atas dengan
mewakili peristiwa tersebut sebagai kesatuan yang saling eksklusif peristiwa dasar, dan
menjumlahkan nilai yang sesuai dari hal ρi. Notasi singkat untuk ini diberikan oleh
 

                   

Dengan notasi ini, kami memahami bahwa penjumlahan diambil atas semua indeks i
sedemikian rupa sehingga e adalah hasil dalam A. Pendekatan ini bekerja sama baiknya
untuk keduanya hingga dan ruang sampel tak hingga yang tak terhingga, tetapi jika A adalah
tak terhingga, hitung jumlahnya mation in (1.3.8) sebenarnya adalah seri tak terbatas.

Contoh 1.3.2

Jika dua koin dilemparkan seperti pada Contoh 1.2.1, maka S = {HH, HT, TH, TT};
jika koinnya seimbang, masuk akal untuk mengasumsikan bahwa masing-masing dari
keempat hasil itu kemungkinan yang sama. Karena P(S) = 1, probabilitas diberikan ke
setiap elemen acara harus 1/4. Setiap peristiwa dalam ruang sampel hingga dapat ditulis
sebagai terbatas penyatuan peristiwa-peristiwa elementer yang berbeda, sehingga
probabilitas dari setiap peristiwa adalah jumlah termasuk istilah konstan 1/4 untuk setiap
acara dasar di serikat. Untuk contoh, jika C = {HT, TH} mewakili acara "tepat satu kepala,"
maka
 
P (C) = P ({HT}) + P ({TH}) = 1/4 + 1/4 = 1/2
 
Perhatikan bahwa asumsi "yang kemungkinannya sama" tidak dapat diterapkan tanpa
pandang bulu.Sebagai contoh, dalam Contoh 1.2.2 jumlah kepala adalah bunga, dan sampel
space adalah S* = (0, 1, 2}. Event dasar {1} sesuai dengan event C = {HT, TH} dalam S.
Daripada menetapkan probabilitas 1/3 untuk hasil dalam S*, kita harus menetapkan P ({1}) = 1/2
dan P ({0}) = P ({2}) = 1/4.
Dalam banyak masalah, termasuk yang melibatkan permainan kebetulan, sifat hasil
menentukan penugasan probabilitas yang sama untuk setiap kejadian. Jenis model ini kadang-
kadang disebut sebagai probabilitas klasik model.

CLASSICAL PROBABILITY

Misalkan sejumlah hasil yang mungkin dapat terjadi dalam percobaan, dan masuk
akal untuk menganggap bahwa setiap hasil sama-sama kemungkinan terjadi. Masalah
umum yang melibatkan permainan peluang seperti melempar koin, menggulung mati,
mengambil kartu dari geladak, dan memilih nomor yang menang dalam pakaian lotere
deskripsi ini Perhatikan bahwa asumsi yang sama-sama mungkin memerlukan percobaan
yang dilakukan sedemikian rupa sehingga asumsi itu realistis. Artinya, koin harus
seimbang, dadu tidak boleh dimuat, the deck harus shuffled, tiket lotre harus dicampur
dengan baik, dan sebagainya.
Ini membebankan persyaratan yang sangat khusus pada penugasan probabilitas
untuk hasil dasar. Secara khusus, biarkan ruang sampel terdiri dari N berbeda hasil,

S = (e1, e2, ..., eN) (1.3.9)

Asumsi "yang kemungkinan sama" mensyaratkan nilai p itu

P1 = P2 = … = PN (1.3.10)

dan, untuk memenuhi persamaan (1.3.6) dan (1.3.7), tentu saja

Dalam hal ini, karena semua terms in the sum (1.3.8) sama, ρi = 1/N, mengikuti :
 di mana n(A) mewakili jumlah hasil dalam A. Dengan kata lain, jika hasil percobaan
sama-sama mungkin, maka masalah menugaskan probabilitas kemampuan untuk acara
dikurangi untuk menghitung berapa banyak hasil yang diinginkan terjadinya acara serta
berapa banyak yang ada di ruang sampel, dan kemudian menemukan rasionya. Beberapa
teknik yang akan berguna dalam menyelesaikan beberapa masalah penghitungan yang lebih
rumit akan disajikan pada Bagian 1.6.
Rumus yang disajikan dalam (1.3.12) kadang-kadang disebut sebagai probabilitas
klasik. Untuk masalah di mana metode penugasan ini tepat, itu wajar mudah untuk
menunjukkan bahwa definisi umum kita tentang probabilitas dipenuhi Secara khusus, untuk
peristiwa apa pun A.

RANDOM SELECTION

Aplikasi utama probabilitas klasik muncul sehubungan dengan pemilihan objek atau satu set
objek secara acak dari kumpulan objek.

Definisi 1.3.2
 
Jika suatu objek dipilih dari koleksi terbatas objek yang berbeda sedemikian rupa bahwa
setiap objek memiliki probabilitas yang sama untuk dipilih, maka kita katakan bahwa objek
dipilih secara acak.
Demikian pula, jika subset objek dipilih sehingga setiap subset dengan ukuran yang sama
memiliki probabilitas yang sama untuk dipilih, maka kita mengatakan bahwa subset itu adalah
dipilih secara acak. Biasanya, tidak ada perbedaan yang dibuat ketika elemen – elemen bagian
diatur dalam urutan yang berbeda, tetapi kadang-kadang akan berguna untuk membuat ini
perbedaan.

Contoh 1.3.3

Permainan kebetulan melibatkan menggambar kartu dari setumpuk kartu remi biasa
yang terdiri dari 52 kartu. Seharusnya tidak masalah apakah kartu tersebut berasal dari atas
atau yang lain bagian dari tumpukan kartu jika dikocok dengan baik. Setiap kartu akan
memiliki yang sama probabilitas, 1/52, dipilih. Demikian pula, jika permainan melibatkan
menggambar lima kartu, maka seharusnya tidak masalah apakah lima kartu teratas atau
lima kartu lainnya ditarik. Probabilitas yang ditetapkan untuk setiap set lima kartu yang
mungkin adalah kebalikan dari jumlah total himpunan bagian ukuran 5 dari satu set ukuran
52. Dalam Bagian 1.6 kami akan mengembangkan, antara lain, metode untuk menghitung
jumlah himpunan bagian dari ukuran yang diberikan.
D. BEBERAPA SIFAT PROBABILITY

Dari sifat umum himpunan dan sifat Definisi 1.3.1 kita dapat mendapatkan sifat-sifat lain yang
berguna dari probabilitas. Masing-masing teorema berikut pertains mengikuti satu atau lebih
peristiwa relatif terhadap percobaan yang sama.

Teorema 1.4.1

If A adalah sebuah acara dan A' adalah pelengkapnya

P(A) = 1 - P(A') 1.4.1

Bukti :

Karena A' adalah sebuah complemen dari A relative to S, S = A ∪ A’. Karena A∩ A ' = Ø, A dan
A’ adalah saling eksklusif, sehingga mengikuti dari persamaan (1.3.2) dan (1.3.4) itu

yang membentuk teorema.

Teorema ini sangat berguna ketika suatu peristiwa A relatif rumit, tetapi pelengkap A lebih
mudah untuk dianalisis.

Contoh 1.4.1

Eksperimen terdiri dari melempar koin empat kali, dan acara A yang menarik adalah "Setidaknya
satu kepala." Peristiwa A berisi sebagian besar hasil yang mungkin, tetapi komplemen, "tanpa
kepala," hanya berisi satu, A'= {TTTT}, jadi n(A') = 1. Itu bias ditunjukkan dengan membuat
daftar semua hasil yang mungkin bahwa n (S) = 16, sehingga P (A') = n (A) / n (S) = 1/16 Jadi P
(A) = i - P (A') = i - 1/16 = 15/16.

Theorema 1.4.2

Untuk apapun A, P(A) ≤ 1.

Bukti :

Dari Teorema (1.4.1), P (A) = 1 - P (A'). Juga, dari Definisi (13.1), kita tahu bahwa P(A) ≥ 0.
Oleh karena itu, P(A) ≤ 1.

Perhatikan bahwa teorema ini dikombinasikan dengan definisi (1.3.1) menyiratkan bahwa :
0 ≤ P(A) ≤ 1 (1.4.2)
Persamaan (1.3.3), (1.3.4), dan (1.3.5) menyediakan rumus untuk probabilitas serikat dalam hal
peristiwa yang saling eksklusif. Teorema berikut memberikan formula yang berlaku lebih umum.
Theorema 1.4.3

Untuk dua kemungkinan A dan B

Bukti :

Pendekatannya adalah untuk mengekspresikan peristiwa A ∪ B dan A sebagai persatuan yang

saling menguntungkan acara eksklusif. Dari set properties kita bisa menunjukkannya

Lihat Gambar 1.2 untuk ilustrasi identitas ini.

Contoh 1.4.2

Misalkan satu kartu diambil secara acak dari setumpuk kartu remi biasa yang terdiri dari 52
kartu. Seperti disebutkan dalam Contoh 13 3 ini berarti setiap kartu memiliki probabilitas yang
sama 1/52, terpilih. Biarkan A menjadi acara mendapatkan "kartu merah" dan biarkan B menjadi
acara "hati". Kemudian P (A) = 2/52, P (B) = 13/52, dan P (A n B) = 1/52. Dari Teorema (1.4.3)
kami memiliki P (A u B) = 2/52 + 13/52 - 1/52 14/52 = 7/26.       

Teorema 1.4.3 dapat diperpanjang dengan mudah ke tiga acara.

Theorema 1.4.4
Untuk setiap tiga peristiwa A, B, dan C,  

      
Bukti :

Lihat latihan 16.

Secara intuitif jelas bahwa jika setiap hasil dari A juga merupakan hasil dari B, maka A
tidak lebih mungkin terjadi daripada B. Theorema berikutnya memformalkan gagasan ini.

Theorema 1.4.5

Bukti :

Perhatikan latihan 17

Properti (1,33) menyediakan rumus untuk probabilitas tak terhingga yang terhitung bersatu
ketika acara tersebut saling eksklusif. Jika kejadiannya tidak saling eksklusif, maka sisi kanan
properti (1.3.3) masih memberikan batas atas probabilitas ini, seperti yang ditunjukkan pada
teorema berikut.

E. Conditional Probability
Tujuan utama dari pemodelan probabilitas adalah untuk menentukan seberapa besar
kemungkinan suatu peristiwa A akan terjadi ketika percobaan tertentu dilakukan. Namun, dalam
angka. Jika kasus probabilitas yang ditetapkan untuk A akan dipengaruhi oleh pengetahuan
tentang kejadian atau tidak terulangnya peristiwa lain B. Dalam contoh seperti itu kita akan
menggunakan terminologi kondisional probabilitas A yang diberikan B dan notasi P (A|B) akan
digunakan untuk membedakan antara konsep baru ini dan probabilitas biasa P(A).
 
Contoh 1.5.1

Sebuah kotak berisi 100 microchip, beberapa di antaranya diproduksi oleh pabrik i dan
sisanya oleh pabrik 2. Beberapa microchip rusak dan ada yang bagus (tidak efektif).
Eksperimen terdiri dari memilih satu microchip secara acak dari kotak dan menguji apakah
itu baik atau rusak. Biarkan A menjadi acara "mendapatkan microchip yang rusak";
akibatnya, A' adalah acara "memperoleh sebuah microchip yang baik". Biarkan B menjadi
acara" microchip diproduksi oleh pabrik 1 "dan B' acara "microchip diproduksi oleh pabrik
2", Tabel 1.1 memberikan jumlah microchip di setiap kategori.
 

Sekarang anggaplah bahwa setiap microchip memiliki nomor yang dicap di atasnya
yang mengidentifikasi pabrik mana yang memproduksinya. Jadi, sebelum menguji apakah
itu rusak, dapat ditentukan apakah B telah terjadi (diproduksi oleh pabrik 1) atau B' telah
terjadi (diproduksi oleh pabrik 2). Pengetahuan tentang pabrik mana yang menghasilkan
microchip mempengaruhi kemungkinan microchip yang rusak dipilih, dan penggunaan
probabilitas nasional tepat. Misalnya, jika peristiwa B telah terjadi, maka satu-satunya
microchip yang harus kita pertimbangkan adalah yang ada di kolom pertama Tabel 1.1, dan
jumlah totalnya adalah n(B) = 60. Selain itu, satu-satunya chip yang rusak untuk
dipertimbangkan adalah yang ada di kolom pertama dan baris pertama, dan jumlah totalnya
adalah n(A n B) = 15. Dengan demikian, probabilitas kondisional dari A yang diberikan B
adalah