STATISTIKA DASAR
BAB 2 PELUANG
Aturan 2.1: Jika operasi dapat dilakukan dalam n1 cara, dan jika untuk masing-masing cara ini
operasi kedua dapat dilakukan dalam n2 cara, maka kedua operasi dapat dilakukan bersama
dalam n1n2 cara.
Contoh: Berapa banyak titik sampel yang ada di ruang sampel ketika sepasang dadu
dilemparkan satu kali?
Solusi: Mata dadu pertama dapat mendarat menghadap ke atas dengan salah satu dari n1 = 6
cara. Untuk masing-masing dari 6 cara ini, dadu kedua juga dapat mendarat menghadap ke
atas dalam n2 = 6 cara. Oleh karena itu, pasangan dadu dapat mendarat di n1n2 = (6) (6) = 36
kemungkinan cara.
Aturan 2.2: Jika operasi dapat dilakukan dalam n1 cara, dan jika untuk masing-masing operasi
kedua dapat dilakukan dalam n2 cara, dan untuk masing-masing dari dua operasi pertama dapat
dilakukan dalam n3 cara, dan sebagainya, maka urutan operasi k dapat dilakukan dalam n1n2 ...
cara nk.
Contoh 1: Sam akan merakit komputer sendiri. Dia memiliki pilihan chip dari dua merek,
hard drive dari empat, memori dari tiga, dan satu bundel aksesori dari lima toko lokal. Berapa
banyak cara Sam memesan suku cadang?
nl × n2 × n3 × n4 = 2 × 4 × 3 × 5 = 120
Contoh 2: Berapa bilangan genap empat digit yang dapat dibentuk dari digit 0, 1, 2, 5, 6, dan
9 jika setiap digit hanya dapat digunakan satu kali?
Solusi: Karena angkanya harus genap, kita hanya memiliki n1 = 3 pilihan untuk posisi satuan.
Namun, untuk bilangan empat digit, posisi ribuan tidak boleh 0. Oleh karena itu, kami
menganggap posisi unit dalam dua bagian, 0 atau tidak 0. Jika posisi unit adalah 0 (yaitu, n1 =
1), kita memiliki n2 = 5 pilihan untuk posisi ribuan, n3 = 4 untuk posisi ratusan, dan n4 = 3
untuk posisi puluhan. Oleh karena itu, dalam hal ini kita memiliki total
bahkan angka empat digit. Di sisi lain, jika posisi satuan bukan 0 (yaitu, n1 = 2), kita memiliki
n2 = 4 pilihan untuk posisi ribuan, n3 = 4 untuk posisi ratusan, dan n4 = 3 untuk puluhan posisi.
Dalam situasi ini, ada total
Karena dua kasus di atas saling eksklusif, jumlah total angka empat digit dapat
dihitung sebagai 60 + 96 = 156.
Seringkali, kita tertarik pada ruang sampel yang berisi semua elemen yang mungkin
tatanan atau pengaturan dari sekelompok objek. Misalnya, kita mungkin ingin mengetahui
berapa banyak pengaturan berbeda yang memungkinkan untuk duduk 6 orang di sekitar meja,
atau kita mungkin bertanya berapa banyak pesanan berbeda yang mungkin untuk penarikan 2
tiket lotere dari total 20. Pengaturan yang berbeda ini disebut permutasi.
Definisi 2.7: Permutasi adalah pengaturan dari semua atau sebagian dari sekumpulan objek.
Perhatikan tiga huruf a, b, dan c. Permutasi yang mungkin adalah abc, acb, bac, bca,
cab, dan cba. Jadi, kita melihat bahwa ada 6 pengaturan berbeda. Dengan menggunakan
Aturan 2.2, kita bisa sampai pada jawaban 6 tanpa benar-benar membuat daftar urutan yang
berbeda dengan argumen berikut: Ada n1 = 3 pilihan untuk posisi pertama. Tidak peduli huruf
mana yang dipilih, selalu ada n2 = 2 pilihan untuk posisi kedua. Tidak peduli dua huruf mana
yang dipilih untuk dua posisi pertama, hanya ada n3 = 1 pilihan untuk posisi terakhir,
memberikan total
Definisi 2.8: Untuk bilangan bulat non-negatif n, n !, disebut "n faktorial," didefinisikan
sebagai
permutasi. Secara umum, n objek berbeda yang diambil r pada satu waktu dapat diatur
n!
nPr =
( n−r ) !
Teorema 2.2: Jumlah permutasi dari n objek berbeda yang diambil r pada satu waktu adalah
n!
nPr =
( n−r ) !
Contoh 1: Dalam satu tahun, tiga penghargaan (penelitian, pengajaran, dan pengabdian) akan
diberikan kepada kelas yang terdiri dari 25 mahasiswa pascasarjana di departemen statistik.
Jika setiap siswa dapat menerima paling banyak satu penghargaan, berapa banyak
kemungkinan pilihan yang ada?
Solusi: Karena penghargaan dapat dibedakan, ini adalah masalah permutasi. Jumlah total titik
sampel adalah
25! 25 !
P=
25 3 = = (25)(24)(23) = 13,800.
(25−3) 22 !
Contoh 2: Seorang presiden dan bendahara harus dipilih dari klub siswa yang terdiri dari 50
orang. Berapa banyak pilihan petugas yang berbeda dimungkinkan jika
(b) Karena A akan melayani hanya jika dia adalah presiden, kita memiliki dua situasi di
sini: (i) A dipilih sebagai presiden, yang menghasilkan 49 kemungkinan hasil untuk
posisi bendahara, atau (ii) petugas dipilih dari 49 lainnya orang tanpa A, yang
memiliki jumlah pilihan 49P2 = (49) (48) = 2352. Oleh karena itu, total jumlah pilihan
adalah 49 + 2352 = 2401.
(c) Jumlah pilihan jika B dan C melakukan servis bersama adalah 2. Jumlah pilihan jika B
dan C tidak dipilih adalah 48P2 = 2256. Oleh karena itu, jumlah pilihan dalam situasi
ini adalah 2 + 2256 = 2258.
(d) Jumlah seleksi ketika D menjabat sebagai petugas tetapi bukan E adalah (2) (48) = 96,
di mana 2 adalah jumlah posisi yang dapat diambil D dan 48 adalah jumlah pilihan
petugas lain dari sisa Orang dalam klub kecuali E. Jumlah seleksi ketika E menjabat
sebagai petugas tetapi bukan D juga (2) (48) = 96. Jumlah seleksi ketika D dan E tidak
dipilih adalah 48P2 = 2256. Oleh karena itu, jumlah total pilihannya adalah (2) (96) +
2256 = 2448. Soal ini juga memiliki solusi singkat lainnya: Karena D dan E hanya
dapat berfungsi bersama dalam 2 cara, jawabannya adalah 2450 - 2 = 2448.
Permutasi yang terjadi dengan menyusun objek dalam lingkaran disebut permutasi
melingkar. Dua permutasi melingkar tidak dianggap berbeda kecuali objek yang sesuai
dalam dua pengaturan didahului atau diikuti oleh objek yang berbeda saat kita melanjutkan ke
arah jarum jam. Misalnya, jika 4 orang bermain bridge, kami tidak memiliki permutasi baru
jika mereka semua bergerak satu posisi searah jarum jam. Dengan mempertimbangkan satu
orang dalam posisi tetap dan mengatur tiga lainnya dalam 3! cara, kami menemukan bahwa
ada 6 pengaturan berbeda untuk permainan jembatan.
Teorema 2.3: Banyaknya permutasi dari n objek yang tersusun dalam lingkaran adalah (n -
1) !.
Sejauh ini kami telah mempertimbangkan permutasi objek yang berbeda. Artinya,
semua objek sama sekali berbeda atau dapat dibedakan. Jelasnya, jika huruf b dan c sama-
sama sama dengan x, maka 6 permutasi dari huruf a, b, dan c menjadi axx, axx, xax, xax, xxa,
dan xxa, yang mana hanya 3 yang berbeda. Oleh karena itu, dengan 3 huruf, 2 sama, kita
memiliki 3!/2! = 3 permutasi yang berbeda. Dengan 4 huruf yang berbeda a, b, c, dan d, kami
memiliki 24 permutasi yang berbeda. Jika kita membiarkan a = b = x dan c = d = y, kita
hanya dapat membuat daftar permutasi berbeda berikut: xxyy, xyxy, yxxy, yyxx, xyyx, dan yxyx.
Jadi, kita memiliki 4!/(2! 2!) = 6 permutasi yang berbeda.
Teorema 2.4: Banyaknya permutasi berbeda dari n hal yang n1 satu jenis, n2 jenis kedua, ...,
nk jenis k adalah
n!
n1 ! n2 ! …n k !
Contoh : Dalam sesi latihan sepak bola perguruan tinggi, koordinator pertahanan harus
memiliki 10 pemain yang berdiri berurutan. Di antara 10 pemain tersebut, ada 1 mahasiswa
baru, 2 mahasiswa tingkat dua, 4 junior, dan 3 senior. Berapa banyak cara berbeda untuk
mengaturnya dalam satu baris jika hanya tingkat kelas mereka yang akan dibedakan?
Solusi: Langsung menggunakan Teorema 2.4, kami menemukan bahwa jumlah
pengaturannya adalah
10 !
= 12,600.
1! 2 ! 4 ! 3!
Seringkali kita prihatin dengan jumlah cara mempartisi himpunan n objek menjadi
subset r yang disebut sel. Partisi telah dicapai jika perpotongan dari setiap pasangan yang
mungkin dari himpunan bagian r adalah himpunan kosong φ dan jika penyatuan semua
himpunan bagian menghasilkan himpunan asli. Urutan elemen di dalam sel tidaklah penting.
Pertimbangkan set {a, e, i, o, u}. Partisi yang mungkin menjadi dua sel di mana sel pertama
berisi 4 elemen dan sel kedua 1 adalah elemen
{(a, e, i, o), (u)}, {(a, i, o, u), (e)}, {(e, i, o, u), (a)}, {( a, e, o, u), (i)}, {(a, e, i, u), (o)}.
Kita melihat bahwa ada 5 cara untuk mempartisi satu set 4 elemen menjadi dua subset, atau
sel, yang berisi 4 elemen di sel pertama dan 1 elemen di sel kedua.
( 4,15 )= 45! 1! ! = 5,
di mana angka atas mewakili jumlah total elemen dan angka bawah mewakili jumlah elemen
yang masuk ke setiap sel. Kami menyatakan ini secara lebih umum dalam Teorema 2.5.
Teorema 2.5: Banyaknya cara partisi himpunan n objek menjadi r sel dengan n1 elemen di sel
pertama, n2 elemen di sel kedua, dan seterusnya adalah
n n!
( )
n 1 , n2 , … , n r
=¿
n1 ! n2 ! …n r !
dimana n1 + n2 + ··· + nr = n.
Contoh : Dalam berapa banyak cara 7 mahasiswa pascasarjana dapat ditugaskan ke 1 kamar
triple dan 2 kamar hotel ganda selama konferensi?
Solusi: Jumlah partisi yang memungkinkan adalah
7 7!
( )
=
3,2,2 3! 2! 2 !
= 210.
Dalam banyak masalah, kami tertarik pada jumlah cara memilih objek r dari n tanpa
memperhatikan urutan. Pilihan ini disebut kombinasi. Kombinasi sebenarnya adalah partisi
dengan dua sel, satu sel berisi objek r yang dipilih dan sel lainnya berisi objek (n − r) yang
tersisa. Jumlah kombinasi tersebut, dilambangkan dengan
n
(r , n−r
, biasanya disingkat menjadi nr ,
) ()
karena jumlah elemen di sel kedua harus n - r.
Teorema 2.6: Jumlah kombinasi n objek berbeda yang diambil r pada satu waktu adalah
n!
(nr ) = r ! ( n−r )!
Contoh : Seorang anak laki-laki meminta ibunya untuk mendapatkan 5 kartrid Game-Boy TM
dari koleksi 10 arcade dan 5 game olahraga miliknya. Ada berapa cara ibunya bisa
mendapatkan 3 game arcade dan 2 olahraga?
Solusi: Banyaknya cara memilih 3 kartrid dari 10 adalah
10 10 !
3
=
( ) 3! (10−3 ) !
= 120
Menggunakan aturan perkalian (Aturan 2.1) dengan n1 = 120 dan n2 = 10, kita memiliki (120)
(10) = 1200 cara.
Contoh 2.23: Berapa banyak pengaturan huruf berbeda yang dapat dibuat dari huruf dalam
kata STATISTIK?
Solusi: Menggunakan argumen yang sama seperti dalam pembahasan Teorema 2.6, dalam
contoh ini kita sebenarnya dapat menerapkan Teorema 2.5 untuk mendapatkan
10
(3,3,2,1,1 ) = 3! 3 !102 !!1 ! 1! = 50,400.
Di sini kita memiliki total 10 huruf, dengan 2 huruf (S, T) muncul masing-masing 3 kali,
huruf I muncul dua kali, dan huruf A dan C muncul masing-masing sekali. Di sisi lain, hasil
ini dapat langsung diperoleh dengan menggunakan Teorema 2.4.
Agar prediksi dangeneralisasi ini cukup akurat, pemahaman tentang teori probabilitas
dasar sangat penting. Dalam setiap kasus, kami mengungkapkan hasil yang tidak kami
yakini, tetapi karena informasi masalalu atau dari pemahaman tentang struktur eksperimen,
kami memiliki tingkat kepercayaan tertentu dalam validitas pernyataan. Sepanjang sisa bab
ini, kami hanya membahas eksperimen yang ruang sampelnya berisi sejumlah elementer
batas. Kemungkinan terjadinya suatu peristiwa yang dihasilkan dari eksperimen statistic
semacam itu dievaluasi dengan menggunakan sekumpulan bilangan real, yang disebut bobot
atau probabilitas, berkisar dari 0 hingga 1.
Untuk setiap titik dalam ruang sampel kami menetapkan probabilitas sedemikian rupa
sehingga jumlah dari semua probabilitas adalah 1. Jika kita memiliki alasan untuk meyakini
bahwa titik sampel tertentu sangat mungkin terjadi saat eksperimen dilakukan, probabilitas
yang ditetapkan harus mendekati 1.Sebaliknya, diberikan probabilitas yang mendekati0
ketitik sampel yang tidak mungkin terjadi. Dalam banyak eksperimen, seperti melempar koin
atau dadu, semua titik sampel memiliki peluang yang sama untuk terjadi dan diberi
probabilitas yang sama. Untuk titik di luar ruang sampel, yaitu, untuk peristiwa sederhana
yang tidak mungkin terjadi, kami menetapkan probabilitas 0.
Selanjutnya, jika A1, A2, A3, ...adalah urutan peristiwa yang saling eksklusif, maka
Contoh : Koin dilemparkan dua kali. Berapa probabilitas setidaknya 1 head terjadi?
Jika koin seimbang, masing-masing hasil ini kemungkinan besar akan terjadi. Oleh karena
itu, kami menetapkan probabilitas w untuk setiap titik sampel. Kemudian 4w = 1, atau w =
1/4. Jika A mewakili kejadian minimal 1 kepala yang terjadi, maka
1 1 1 3
A = {HH, HT, TH} dan P(A) =
4
+ 4
+ 4
= 4
Contoh : Sebuah dadu dimuat sedemikian rupa sehingga bilangan genap dua kali lebih
mungkin terjadi dari pada bilangan ganjil. Jika E adalah kejadian di mana angka kurang dari 4
terjadi pada satu lemparan dadu, temukan P (E).
Solusi: Ruang sampel adalah S {1, 2, 3, 4, 5, 6}. Kami menetapkan probabilitas w untuk
setiap bilangan ganjil dan probabilitas 2w untuk setiap bilangan genap. Karena jumlah
probabilitasnya harus 1, kita memiliki 9w = 1/9. Oleh karena itu, Probabilitas 1/9 dan 2/9
ditetapkan untuk masing-masing mumber ganjil dan genap. Untuk itu,
1 2 1 4
E = {1, 2, 3} and P(E) =
9
+ 9
+ 9
= 9
.
Aturan 2.3: Jika eksperimen dapat menghasilkan salah satu dari N hasil yang memiliki
kemungkinan sama berbeda, dan jika n tepat dari hasil ini sesuai dengan peristiwa A,
probabilitas peristiwa A adalah
n
P(A) = N .
Jika hasil eksperimen tidak sama-sama mungkin terjadi, probabilitas harus ditetapkan
berdasarkan pengetahuan sebelumnya atau bukti eksperimental. Misalnya, jika koin tidak
seimbang, kita dapat memperkirakan probabilitas kepala dan ekor dengan melemparkan koin
tersebut beberapa kali dan mencatat hasilnya. Menurut definisi frekuensi relative dari
probabilitas, probabilitas sebenarnya adalah pecahan kepala dan ekor yang terjadi dalam
jangka panjang. Cara intuitif lain untuk memahami probabilitas adalah pendekatan indiferen.
Untuk menemukan nilai numerik yang cukup mewakili kemungkinan menang di tenis,
kita harus bergantung pada kinerja masa lalu kita di permainan serta lawan dan, sampai batas
tertentu, keyakinan kita pada kemampuan kita untuk menang. Demikian pula, untuk
menemukan probabilitas seekor kuda akan memenangkan perlombaan, kita harus sampai pada
probabilitas berdasarkan catatan sebelumnya dari semua kuda yang masuk dalam perlombaan
serta catatan joki yang menunggang kuda. Intuisi niscaya juga akan berperan dalam
menentukan ukuran taruhan yang mungkin ingin kita pertaruhkan. Penggunaan intuisi,
keyakinan pribadi, dan informasi tidak langsung lainnya untuk mencapai probabilitas disebut
sebagai definisi subjektif dari probabilitas.
Dalam sebagian besar aplikasi probabilitas dalam buku ini, interpretasi frekuensi
relative dari probabilitas adalah yang beroperasi. Landasannya adalah eksperimen statistic
dari pada subjektivitas, dan paling baik dipandang sebagai frekuensi relatif yang membatasi.
Akibatnya, banyak penerapan probabilitas dalam sains dan teknik harus didasarkan pada
eksperimen yang dapat diulang. Gagasan yang kurang obyektif tentang probabilitas ditemui
saat kami menetapkan probabilitas berdasarkan informasi dan opini sebelumnya, seperti
dalam "Ada peluang bagus bahwa Raksasa akan kehilangan Super Bowl. "Ketika pendapat
dan informasi sebelumnya berbeda dari individu ke individu, probabilitas subjektif menjadi
sumber daya yang relevan. Dalam statistik Bayesian (lihat Bab 18), interpretasi probabilitas
yang lebih subjektif akan digunakan, berdasarkan perolehan informasi probabilitas
sebelumnya.
Bukti: Perhatikan diagram Venn pada Gambar 2.7. P (A ∪ B) adalah jumlah dari probabilitas
titik sampel di A ∪ B.Sekarang P (A) + P (B) adalah jumlah dari semua probabilitas di A
ditambah jumlah semua probabilitas di B Oleh karena itu, kami telah menambahkan
probabilitas di (A ∩ B) dua kali. Karena probabilitas ini berjumlah P (A ∩ B), kita harus
mengurangi probabilitas ini satu kali untuk mendapatkan jumlah probabilitas di A ∪ B.
P (A ∪ B) = P (A) + P (B).
Akibat wajar 2.1 adalah hasil langsung dari Teorema 2.7, karena jika A dan B saling
eksklusif, A∩B = 0 dan kemudian P (A∩B) = P (φ) = 0. Secara umum, kita dapat menulis
Korol 2.2.
Akibat wajar 2.2: Jika A1, A2, ..., An saling eksklusif, maka
Kumpulan peristiwa {A1, A2, ..., An} dari ruang sampel S disebut partisi S jika A1, A2, ..., An
saling eksklusif dan A1 ∪ A2 ∪ ... ∪ An = S. Jadi, kita punya
Akibat wajar 2.3: Jika A1, A2, ..., An adalah partisi ruang sampel S, maka
Seperti yang diharapkan, Teorema 2.7 meluas dengan cara yang analog.
Contoh : John akan lulus dari departemen teknik industri di sebuah universitas pada akhir
semester. Setelah diwawancarai di dua perusahaan yang disukainya, dia menilai
probabilitasnya mendapatkan penawaran dari perusahaan A adalah 0,8, dan probabilitasnya
mendapatkan penawaran dari perusahaan B adalah 0,6. Jika dia yakin bahwa kemungkinan
dia akan mendapatkan penawaran dari kedua perusahaan adalah 0,5, berapa probabilitas dia
akan mendapatkan setidaknya satu penawaran dari kedua perusahaan tersebut?
Contoh: Berapa probabilitas untuk mendapatkan total 7 atau 11 ketika sepasang dadu yang
adil dilemparkan?
Solusi: Misalkan A peristiwa yang 7 terjadi dan B peristiwa yang 11 muncul. Sekarang, total
7 terjadi untuk 6 dari 36 titik sampel, dan total 11 terjadi hanya untuk 2 titik sampel. Karena
semua titik sampel memiliki kemungkinan yang sama, kita memiliki P (A) = 1/6 dan P (B) =
1/18. Peristiwa A dan B saling eksklusif, karena total 7 dan 11 tidak dapat terjadi pada
lemparan yang sama. Karena itu,
1 1 2
P (A ∪ B) = P (A) + P (B) = + =
6 18 9
Hasil ini juga bisa diperoleh dengan menghitung jumlah poin untuk acara A ∪ B, yaitu 8, dan
tulisan
n 8 2
P (A ∪ B) = N = 36 = 9
Teorema 2.7 dan tiga akibat wajarnya akan membantu pembaca mendapatkan lebih
banyak wawasan tentang probabilitas dan interpretasinya. Akibat wajarnya 2.1 dan 2.2
menyarankan hasil yang sangat intuitif yang berhubungan dengan kemungkinan terjadinya
setidaknya satu dari sejumlah peristiwa, tidak ada dua yang dapat terjadi secara bersamaan.
Probabilitas bahwa setidaknya satu terjadi adalah jumlah probabilitas kemunculan peristiwa
individu. Akibat wajar ketiga hanya menyatakan bahwa nilai tertinggi dari sebuah probabilitas
(kesatuan) diberikan ke seluruh ruang sampel S.
Contoh : Jika probabilitas masing-masing adalah 0,09, 0,15, 0,21, dan 0,23 bahwa seseorang
yang membeli mobil baru akan memilih warna hijau, putih, merah, atau biru, berapa
probabilitas bahwa pembeli tertentu akan membeli mobil baru mobil yang memiliki salah satu
warna itu?
Seringkali lebih sulit menghitung probabilitas suatu peristiwa terjadi daripada menghitung
probabilitas bahwa peristiwa itu tidak terjadi. Jika hal ini terjadi pada beberapa peristiwa A,
kita hanya perlu mencari P (A’) Terlebih dahulu dan kemudian, dengan menggunakan
Teorema 2.7, temukan P (A) dengan pengurangan.
Teorema 2.9: Jika A dan A 'adalah peristiwa yang saling melengkapi, maka
P (A) + P (A ') = 1.
Solusi: Misalkan E saat setidaknya 5 mobil diservis. Sekarang, P (E) = 1 - P (E '), di mana E'
adalah kejadian di mana kurang dari 5 mobil dilayani. Sejak
Contoh 3: Misalkan spesifikasi pabrikan untuk panjang jenis kabel komputer tertentu adalah
2000 ± 10 milimeter. Dalam industri ini, diketahui bahwa kabel kecil kemungkinan besar
cacat (tidak memenuhi spesifikasi) seperti kabel besar. Artinya, probabilitas menghasilkan
kabel secara acak dengan panjang melebihi 2010 milimeter sama dengan probabilitas
menghasilkan kabel dengan panjang lebih kecil dari 1990 milimeter. Probabilitas prosedur
produksi memenuhi spesifikasi diketahui sebesar 0,99.
(a) Berapa probabilitas kabel yang dipilih secara acak terlalu besar?
(b) Berapa probabilitas kabel yang dipilih secara acak lebih besar dari 1990 milimeter?
Solusi: Misalkan M jika kabel memenuhi spesifikasi. Misalkan S dan L adalah kejadian di
mana kabel terlalu kecil dan terlalu besar. Kemudian
(b) Menunjukkan X panjang kabel yang dipilih secara acak, kita punya
P (X ≥ 1990) + P (X <1990) = 1.
Satu konsep yang sangat penting dalam teori probabilitas adalah probabilitas
bersyarat. Dalam beberapa penerapan, praktisi tertarik pada struktur probabilitas di bawah
batasan tertentu. Misalnya, dalam epidemiologi, daripada mempelajari kemungkinan bahwa
seseorang dari populasi umum menderita diabetes, mungkin lebih menarik untuk mengetahui
kemungkinan ini untuk kelompok yang berbeda seperti wanita Asia dalam rentang usia 35
hingga 50 tahun atau pria Hispanik dalam rentang usia 40 hingga 60 tahun. Jenis probabilitas
ini disebut probabilitas bersyarat.
Probabilitas Bersyarat
Probabilitas dari sebuah peristiwa B yang terjadi ketika diketahui bahwa beberapa
peristiwa A telah terjadi disebut probabilitas bersyarat dan dilambangkan dengan P (B | A).
Simbol P (B | A) biasanya dibaca "probabilitas bahwa B terjadi mengingat A terjadi" atau
"probabilitas B, diberikan A."
2
P (B | A) =
5
2 2 /9 P ( A ∩B)
• Kita juga dapat menulis P ( B | A ) = = =
5 5 /9 P( A)
Di mana P (An B) dan P (A) ditemukan dari ruang sampel asli S. Dengan kata lain ,
probabilitas bersyarat relatif terhadap subruang A dari S dapat dihitung langsung dari
probabilitas yang ditetapkan ke elemen ruang sampel asli S.
P ( A ∩B)
P (A | B) = , asalkan P (A)> 0.
P( A)
Sebagai ilustrasi tambahan, misalkan ruang sampel kita S adalah populasi orang
dewasa di kota kecil yang telah menyelesaikan persyaratan untuk mendapatkan gelar sarjana.
Kami akan mengkategorikan mereka menurut jenis kelamin dan status pekerjaan. Data
diberikan pada Tabel 2.1.
Salah satu dari individu ini akan dipilih secara acak untuk tur keliling negeri untuk
mempublikasikan keuntungan dari membangun industri baru di kota. Kita akan prihatin
dengan kejadian-kejadian berikut ini:
460 23
P (M\E) = =
600 30
n(E M ) n ( E ∩ M ) /n(S) P ( E ∩ M )
P (M\E) = = =
n( E) n ( E ) /n(S ) P( E)
600 2 460 23
P (E) = = dan P (E ∩ M) = 900 = 30
900 3
23/45 23
P (M\E) = =
2/3 30
seperti sebelumnya.
Contoh 2.34: 1 Probabilitas bahwa penerbangan berjadwal teratur berangkat tepat waktu
adalah P (D) = 0.83; probabilitas datang tepat waktu adalah P (A) = 0,82; dan probabilitas
pesawat berangkat dan tiba tepat waktu adalah P (D ∩ A) = 0,78. Tentukan probabilitas
sebuah pesawat :
(a) tiba tepat waktu, mengingat bahwa ia berangkat tepat waktu, dan
(b) berangkat tepat waktu, mengingat telah tiba tepat waktu.
(a) Probabilitas pesawat tiba tepat waktu, mengingat pesawat berangkat tepat waktu, adalah
P ( D∩ A) 0 . 78
P (A|D) = = = 0.94.
P( D) 0 . 83
(b) Probabilitas pesawat berangkat tepat waktu, mengingat telah tiba tepat waktu, adalah
P ( D∩ A) 0 . 78
P (D|A) = = = 0.95.
P (A ) 0 . 82
Contoh 2.35: Konsep probabilitas bersyarat memiliki kegunaan yang tak terhitung jumlahnya
dalam aplikasi industri dan biomedis. Pertimbangkan proses industri dalam industri tekstil di
mana strip dari jenis kain tertentu diproduksi. Strip ini bisa rusak dalam dua hal, panjang dan
sifat tekstur. Untuk kasus yang terakhir, proses identifikasi sangat rumit. Diketahui dari
informasi historis pada proses bahwa 10% strip gagal dalam uji panjang, 5% gagal dalam uji
tekstur, dan hanya 0,8% yang gagal pada kedua pengujian. Jika strip dipilih secara acak dari
proses dan pengukuran cepat mengidentifikasinya sebagai gagal dalam uji panjang, berapa
probabilitas bahwa teksturnya rusak?
Mengingat bahwa strip tersebut cacat panjangnya, probabilitas bahwa strip ini cacat tekstur
diberikan oleh
P (T ∩ L) 0 . 008
P (T\L) = = = 0.08.
P( L) 0.1
Jadi, mengetahui probabilitas bersyarat memberikan lebih banyak informasi daripada hanya
mengetahui P (T).
Peristiwa Independen
Dalam eksperimen mati-melempar yang didiskusikan pada halaman 62, kami mencatat
bahwa P (B|A) = 2/5 sedangkan P (B) = 1/3. Yaitu, P (B|A) ≠ P (B), menunjukkan bahwa B
bergantung pada A. Sekarang pertimbangkan percobaan di mana 2 kartu diambil secara
berurutan dari tumpukan biasa, dengan penggantian. Peristiwa didefinisikan sebagai
Sejak kartu pertama diganti, ruang sampel kami untuk undian pertama dan kedua terdiri dari
52 kartu, yang berisi 4 kartu As dan 13 sekop.Oleh karena itu,
13 1 13 1
P (B|A) = = dan P (B) = =
52 4 52 4
Yaitu, P (B|A) = P (B). Jika ini benar, peristiwa A dan B dikatakan independen.
P (A | B) = P (A).
Definisi 2.11: Dua peristiwa A dan B adalah independen jika dan hanya jika
Kondisi P (B|A) = P (B) menunjukkan bahwa P (A|B) = P (A), dan sebaliknya. Untuk
percobaan penggambaran kartu, di mana kami menunjukkan bahwa P (B|A) P (B) = 1/4, kami
juga dapat melihat bahwa P (A|B) = P (A) = 1/13.
Aturan Perkalian, atau Aturan Perkalian
Mengalikan rumus dalam Definisi 2.10 dengan P (A), kita mendapatkan aturan
perkalian penting berikut (atau aturan perkalian), yang memungkinkan kita untuk
menghitungprobabilitas bahwa dua peristiwa akan terjadi keduanya.
Teorema 2.10: Jika dalam percobaan peristiwa A dan B dapat terjadi, maka
Jadi, probabilitas bahwa A dan B terjadi sama dengan probabilitas bahwa A terjadi dikalikan
dengan probabilitas bersyarat bahwa B terjadi, mengingat A terjadi. Karena kejadian A ∩ B
dan B∩A adalah ekuivalen, maka dari Teorema 2.10 kita juga dapat menulis
Dengan kata lain, tidak masalah kejadian mana yang dirujuk sebagai A dan kejadian mana
yang direformasi menjadi B.
Contoh : Misalkan kita memiliki kotak sekering yang berisi 20 sekering, 5 di antaranya rusak.
Jika 2 sekering dipilih secara acak dan dikeluarkan dari kotak secara berurutan tanpa
mengganti yang pertama, berapa probabilitas kedua sekering tersebut rusak?
Solusi: Kita akan membiarkan A jika sekring pertama rusak dan B jika sekring kedua rusak;
lalu kami menafsirkan A ∩ B sebagai peristiwa di mana A terjadi dan kemudian B terjadi
setelah A terjadi. Kemungkinan pertama melepas sekring yang rusak adalah 1/4; maka
kemungkinan melepas sekring kedua yang rusak dari 4 sisanya adalah 4/19. Oleh karena itu,
P (A ∩ B) = P (B ∩ A) = ( 14 )( 194 ) = 191
Teorema 2.11: Dua peristiwa A dan B tidak bergantung jika dan hanya jika
P (A ∩ B) = P (A) P (B).
Oleh karena itu, untuk mendapatkan probabilitas bahwa dua peristiwa independen akan
terjadi, kita cukup mencari produk dari probabilitas masing-masing.
Contoh : Sebuah kota kecil memiliki satu mobil pemadam kebakaran dan satu ambulans yang
tersedia untuk keadaan darurat. Probabilitas bahwa pemadam kebakaran tersedia saat
diperlukan adalah 0,98, dan probabilitas ambulans tersedia saat dipanggil adalah 0,92. Jika
terjadi cedera akibat gedung yang terbakar, temukan kemungkinan bahwa ambulans dan
mobil pemadam kebakaran akan tersedia, dengan asumsi keduanya beroperasi secara mandiri.
Teorema 2.12: Jika dalam suatu percobaan peristiwa A1, A2 .... Ak dapat terjadi, maka
P (A1∩ A2 ∩Ak)
Statistik Bayesian adalah kumpulan alat yang digunakan dalam bentuk khusus
inferensi statistic yang berlaku dalam analisis data eksperimen dalam banyak situasi praktis
dalam sains dan teknik. Aturan Bayes adalah salah satu aturan terpenting dalam teori
probabilitas. Ini adalah dasar dari inferensi Bayesian, yang akan dibahas di Bab 18.
Total kemungkinan
Sekarang mari kita kembali ke ilustrasi dibagian 2.6, di mana seseorang dipilih secara
acak dari orang dewasa di kota kecil untuk berkeliling desa dan mempublikasikan keuntungan
dai membangun industri baru di kota tersebut. Misalkan kita sekarang diberikan informasi
tambahan bahwa 36 dari mereka yang bekerja dan 12 dari mereka yang menganggur adalah
anggota Rotary club. Kami ingin menemukan kemungkinan dari event A dimana individu
yang dipilih adalah anggota Rotary Club. Mengacu pada gambar 2.12, kita dapat menulis A
sebagai penyatuan dari dua peristiwa EnA dan E’nA yang saling eksklusif. Oleh karena itu, A
= (ENA) U (E’nA), dan oleh akibat wajar 2.1 dari Teorema 2.7. dan kemudian Teorema 2.10,
kita bisa tulis.
Data dari bagian 2.6, bersama dengan data tambahan yang diberikan di atas untuk himpunan
A, memungkinkan kita untuk menghitung.
600 2 36 3
P (E) = = ,
900 3
P(A|E) = =
600 50
,
Dan
1 12 1
P (E’) =
3
, P (A|E’) = =
300 25
,
Tampilkan diagram probabilitas ini gambar 2.13, di mana cabang pertama menghasilkan
probabilitas P (E) P (A | E) dan cabang kedua menghasilkan
Gambar 2.13: diagram pohon untuk data dihalaman 63, menggunakan informasi tambahan di
halaman 72.
Bukti: Perhatikan diagram Venn pada gambar 2.14. Acara A dipandang sebagai penyatuan
B1 ∩ A , B2 ∩ A, ... Bk ∩ A;
Itu adalah
A = ( B1 ∩ A) ∪ ( B2 ∩ A) ∪ …∪ ( Bk ∩ A).
Dengan menggunakan Corollary 2.2 dari teorema 2.7 dan teorema 2.10, kita punya
K
= ∑ P ( Bi ) P( A∨Bi )
i=1
Contoh : Dipabrik perakitan tertentu, yiga mesin, B1, B2, dan Ba, masing-masing
menghasilkan 30%, 45%, dan 25% dari produk. Diketahui dari pengalaman sebelumnya
bahwa 2%, 3%, dan 2% produk yang dibuat oleh masing-masing mesin rusak. Sekarang,
anggaplah produk jadi dipilih secara acak. Berapa probabilitas yang rusak?
Dan karenanya
P(A) = 0.006 + 0.0135 + 0.005 = 0.0245.
Aturan Bayes
Daripada menanyakan P(A) dalam contoh 2.41, dengan aturan eliminasi, anggaplah sekarang
kita mempertimbangkan masalah untuk menemukan probabilitas bersyarat P (B.A). dengan
kata lain, anggaplah suatu produk dipilih secara acak dan itu rusak. Berapa probabilitas
produk ini dibuat oleh mesin B? pertanyaan jenis ini dapat dijawab dengan menggunakan
teorema berikut, yang disebut aturan Bayes:
Teorema 2.14
(aturan Bayes) jika B1, B2, …,B merupakan partisi dari ruang sampel S
sehingga P ( Bi) ≠ 0 untuk i = 1,2,…, K, maka untuk acara apapun A di S
sehingga P (A) ≠ 0,
P(B r ∩ A) P ( Br ) P( A∨Br )
K
P( Br | A ) = = K
∑ P(B i ∩ A) ∑ P¿¿¿
i=1 i=1
P (B r ∩ A )
P( Br | A) = ,
p( A)
∑ P(B i ∩ A) ∑ P¿¿¿
i=1 i=1
Contoh : dengan mengacu pada contoh 2.41, jika suatu produk dipilih secara acak dan
ditemukan cacat, berapa probabilitas yang dibuat oleh mesin
P ( B 3) P( A∨B3)
P(B3| A )=
P( A)=P(B1 ) P( A∨B1)+ P( B2 )P( A∨B2)+ P(B3 )P( A∨B3)
Dan kemudian mengganti probabilitas yang dihitung dalam contoh 2.41, kita punya
0.005 0.005 10
P( B3| A ) = = =
0.006+0.0135+0.005 0.0245 49
Mengingat fakta bahwa produk yang cacat dipilih, hasil ini menunjukkan bahwa
kemungkinan besar tidak dibuat oleh mesin B3.
Contoh : sebuah perusahaan mamufacturing menggunakan tiga rencana analitis untuk desain
dan pengembangan produk tertentu. Untuk alasan biaya, ketiganya digunakan pada waktu
yang berbeda-beda. Faktanya, rencana 1,2, dan 3 digunakan masing-masing untuk 30%, 20%,
dan 50% produk. Tingkat kerusakan berbeda untuk ketiga prosedur sebagai berikut.
Dimana P( D|P j ) adalah probabilitas produk cacat, mengingat rencana j. jika produk acak
diamati dan ditemukan cacat, rencana mana yang paling mungkin digunakan dan dengan
demikian bertanggung jawab?
Kita harus mencari P(P|D) untuk j = 1,2,3. Aturan Bayes (Teorema2.14) menunjukkan
P( P1∨D ) = P ( P1 ) P ¿ ¿
Cacat bersyarat untuk produk acak kemungkinan besar merupakan hasil dari penggunaan
rencana 3. J menggunakan aturan Bayes, metodologi statistic yang disebut pendekatan
Bayesian telah menarik banyak perhatian dalam aplikasi.
Bab ini berisi definisi dasar, aturan, dan teorema yang memberikan landasan dan
probalitas sebagai alat penting untuk mengevaluasi sistem dan teknik ilmiah. Evaluasi sering
kali dalam bentuk perhitungan probilitas, seperti yang telah diilustrasikan dalam contoh.
Konsep – konsep seperti independensi, probabilitas bersyarat, aturan Bayes, dan lain – lain
cenderung cocok untuk memecahkan masalah dan menghasilkan nilali probabilitas.
Sekarang bagaimana materi dalam bab ini berhubungan dengan materi di bab lain?
Materi pada bab 3 juga membahas jenis masalah dimana penting untuk menghitung
probabilitas. Bagaimana kinerja sistem bergantung pada nilai probabilitas. Distribusi
probabilitas ditampilkan dalam bentuk persamaan atau grafik, informasi total yang diperlukan
untuk menggambarkan struktur probabilitas. Saat pembaca beralih ke Bab 3 dan seterusnya,
akan menjadi jelas bahwa asumsi akan diperlukan untuk menentukan dan dengan demikian
memanfaatkan kemungkinan pemecahan masalah ilmiah.