FITRIA HIDAYANTI
LP UNAS
Probabilitas dan Statistik: Aplikasi Probabilitas
ISBN:
Penerbit : LP_UNAS
Jl.Sawo Manila, Pejaten Pasar Minggu, Jakarta Selatan
Telp. 021-78067000 (Hunting) ext.172
Faks. 021-7802718
Email : bee_bers@yahoo.com
KATA PENGANTAR
Penulis
Fitria Hidayanti
DAFTAR ISI
Combinatorial ................................................... 63
KONSEP PROBABILITAS
1
atau menguji seumur hidup mesin baru adalah semua contoh
eksperimen acak.
Kejadian A = {ω}, yang terdiri dari satu titik sampel, yaitu satu
hasil ω ∈ Ω, disebut kejadian dasar. Kami menggunakan huruf
kapital A, B, C, dan sebagainya untuk menunjukkan kejadian.
Jika kejadian A terdiri dari lebih dari satu hasil, maka itu
disebut kejadian majemuk. Contoh sederhana berikut
menggambarkan konsep di atas.
2
kejadian"satu koin tanah Kepala dan tanah lainnya Ekor," yang
berisi HT dan TH, tidak lagi menjadi kejadian dasar. Seperti
yang akan kita lihat nanti, ketika kita menetapkan probabilitas
untuk kejadian ruang sampel, jauh lebih mudah untuk bekerja
dengan kejadian dasar, karena dalam banyak kasus kejadian
seperti itu sama-sama mungkin, dan jadi masuk akal
kemungkinan yang sama untuk ditugaskan kepada masing-
masing dari mereka. Pertimbangkan sekarang percobaan
untuk mengolah tiga koin. Ruang sampel terdiri dari kembar
tiga dari bentuk HHT, HTH, TTH, dan sebagainya. Karena untuk
setiap lemparan koin ada dua hasil, untuk tiga koin jumlah
hasil yang mungkin adalah 23 = 8. Lebih eksplisit, ruang sampel
untuk eksperimen ini adalah
3
Contoh 1.2 Eksperimen lain yang sangat sederhana terdiri dari
melemparkan satu mati. Mati dapat mendarat di wajah apa
pun dengan angka i di atasnya, di mana saya mengambil nilai
1, 2, 3, 4, 5, 6. Oleh karena itu, eksperimen ini memiliki ruang
Ω={1, 2, 3, 4, 5, 6}.
4
sampel, dalam hal ini juga terbatas banyak elemen. Ketika
berhadapan dengan ruang sampel terbatas, proses
menghitung elemen mereka, atau elemen kejadian di ruang
tersebut, sering difasilitasi oleh penggunaan diagram pohon.
5
Gambar 1.1 Diagram pohon untuk percobaan lemparan tiga
koin.
A = {HHHHT},
sedangkan set
6
memiliki elemennya semua hasil di mana Ekor muncul dalam
tiga lemparan pertama. Jadi kejadian B dapat dijelaskan
dengan mengatakan "percobaan dihentikan dalam tiga
lemparan koin pertama." Akhirnya, kejadian "setidaknya ada
empat lemparan sampai percobaan dihentikan" sesuai dengan
set (kejadian)
7
Ω={t ∶ t ≥ 0}=[0, ∞).
Subset dari Ω
A = {t ∶ 0 ≤ t ≤ 500}=[0, 500]
B = {t ∶ t ≥ 300}=[300, ∞).
8
digunakan dalam contoh di atas, ruang sampel dapat dihitung.
Selain itu, jika kita tahu bahwa seumur hidup bohlam tidak
dapat melebihi beberapa (besar) nilai a, ruang sampel menjadi
Ω = {0, 0,01, 0,02,..., a} sehingga kemudian sebenarnya
terbatas. Namun, jumlah elemen dalam ruang itu adalah
100a + 1, sehingga ketika a adalah bilangan bulat besar, ini bisa
sangat besar. Seringkali kasus bahwa jauh lebih sederhana
secara matematis untuk mengasumsikan bahwa Ω terus
menerus meskipun dalam praktiknya kita hanya dapat
mengamati jumlah hasil yang terbatas (atau dapat dihitung
tanpa batas). Konvensi ini akan sering digunakan dalam
sekuel, ketika kita belajar, misalnya, berat badan, usia,
panjang, dll.
9
Ω1 = {(0, 0),(0, 1), (0, 2), (1, 0), (1, 1), (2, 0)}.
Ω2 = {0, 1, 2}.
A = {2}.
10
beberapa kesulitan teoritis muncul jika kita berasumsi bahwa
semua subset Ω adalah kejadian. Ada beberapa kasus di mana
set tertentu3 harus dikecualikan dari "keluarga kejadian" yang
terkait dengan ruang sampel Ω. Perlakuan terhadap kesulitan
teknis tersebut berada di luar lingkup buku saat ini dan dalam
semua aplikasi yang akan kami pertimbangkan, kami
berasumsi bahwa setiap subset ruang sampel adalah kejadian.
11
(A adalah subset B). Dengan kata-kata, ini berarti bahwa setiap
kali A terjadi, B juga terjadi. Misalnya, dalam satu lemparan
mati (lihat Contoh 1.2), pertimbangkan kejadian:
12
D∶ Nick memenangkan taruhan
terjadi jika dan hanya jika setidaknya salah satu kejadian A dan
C terjadi. Kejadian D sama dengan kejadian "setidaknya satu
dari A dan C terjadi" (lebih tepatnya, dan menurut Definisi 1.2,
kedua kejadian ini setara), dan karenanya, menggunakan
notasi yang ditetapkan, kita dapat menulis D = {4, 5}. Dengan
demikian kita melihat bahwa, dinyatakan sebagai satu set, D
bertepatan dengan union dua set A dan C.
13
adalah bilangan bulat yang merata. Bagaimana kami
menggambarkan kejadian bahwa "kedua pemain
memenangkan taruhan mereka?"
C = {4, 6}.
14
Seperti halnya union sebelumnya, kita dapat memperluas
definisi terakhir untuk mencakup lebih dari dua set;
khususnya, asumsikan lagi bahwa A1, A2,..., An adalah kejadian
yang ditentukan pada ruang sampel. Kemudian, kejadian
"semua kejadian Ai terjadi" disebut intersection kejadian A1,
A2,..., An dan kami menunjukkannya dengan
15
jika intersection mereka adalah set kosong (kejadian yang
tidak mungkin), yaitu AB = ∅.
16
Definisi 1.7 Selisih kejadian B dari kejadian A mengacu pada
kejadian yang terjadi ketika A terjadi tetapi B tidak. Simbol
yang kita gunakan untuk selisih B dari A adalah A − B.
17
Gambar 1.2 Diagram pohon untuk emisi sinyal yang terdiri
dari empat digit biner.
18
Jelas bahwa Ai disjoint, yaitu
A0 ∪ A1 ∪ A2 ∪ A3 ∪ A4 = Ω
B = A 2 ∪ A3 ∪ A4,
C = A 1 ∪ A 3,
D = A1 ∪ A2 ∪ A3 = A′ 0A′ 4.
E ⊆ A1 ∪ A 3.
19
lainnya untuk mewakili kejadian tertentu di ruang itu (lihat
Gambar 1.3).
Gambar 1.4 A ⊆ B.
20
Gambar 1.5 Melengkapi suatu kejadian.
21
Gambar 1.7 Intersection kejadian.
22
Gambar 1.9 Selisih antara dua kejadian.
Gambar 1.10 (A − B) ∪ C.
23
Gambar diagram 1.11 Venn untuk kejadian AB′ .
24
menyederhanakan ekspresi yang rumit. Beberapa properti ini
tercantum dalam proposisi berikut.
SP1. A ∪ A = A AA = A
SP3. A ∪Ω=Ω AΩ = A
SP4. A ∪ B = B ∪ A AB = BA
SP7. A ∪ A′ = Ω AA′ = ∅
SP8. (A′ ) ′ = A
25
intersection digunakan, kita dapat mengubah urutan kejadian
yang dipertimbangkan.
Oleh karena itu tampaknya dari Gambar 1.12 dan 1.13 bahwa
identitas berikut memegang:
(A ∪ B) ′ = A′ B′
26
Proposisi 1.2 (Rumus De Morgan)
(A ∪ B) ′ = A′ B′ , (AB) ′ = A′ ∪ B′ .
27
Gambar diagram 1.13 Venn untuk kejadian (A ∪ B) ′
28
Pembuktian identitas keduanya dilakukan dengan cara
serupa.
SOLUSI
29
Dengan cara yang sama, kita mendapatkan
= A ∪ B ∪ A′ ∪ B ∪ C
30
bahwa harga mereka akan naik. Teori probabilitas muncul dari
kebutuhan untuk menempatkan "tingkat kepercayaan" ini
dalam kerangka matematika yang tepat, sehingga konsep
"seberapa mungkin" suatu kejadian dapat diukur di satu sisi,
tetapi di sisi lain untuk dapat membuat pengurangan logis dan
menarik kesimpulan tentang kejadian yang rumit. Secara
umum, teori probabilitas memungkinkan kita tidak hanya
membuat keputusan tetapi untuk menghadapi ketidakpastian
dalam kehidupan sehari-hari, dan untuk alasan ini telah
disebut sebagai "ilmu ketidakpastian." Dari sudut pandang ini,
mungkin tampak paradoks bahwa seluruh sejarah teori
probabilitas dan perkembangannya, sampai abad kesembilan
belas setidaknya, terjerat dan dimotivasi oleh permainan
kesempatan dan perjudian. Meskipun demikian, penasaran
bahwa, meskipun asal-usul permainan kesempatan
tampaknya telah hilang dalam sejarah, penggunaan
matematika sistematis pertama untuk menangani
ketidakpastian dalam permainan terjadi pada abad kelima
belas, sementara prestasi berharga pertama didirikan pada
pertengahan abad ketujuh belas. Dan, sejak itu, butuh hampir
tiga abad sampai teori suara dan koheren dikembangkan
sehingga teori probabilitas menjadi diakui sebagai cabang
matematika independen.
31
yang mungkin ketika tidak ada yang menuntun kita untuk
mengharapkan bahwa salah satu dari kasus-kasus ini harus
terjadi lebih dari yang lain, yang membuat mereka, bagi kita,
sama-sama mungkin."
32
frekuensi relatif yang dibahas di sisa bagian ini. Pendekatan
yang diambil oleh von Mises agak empiris di alam, dan ini telah
dianggap sebagai keuntungan dan kerugian; di satu sisi, itu
bagus untuk menghubungkan "tingkat kepercayaan" kami
dengan pengalaman kami dari masa lalu. Namun,
mengandalkan data eksperimental untuk menentukan
probabilitas memiliki beberapa kelemahan, seperti yang akan
kita lihat di bagian berikutnya. Dengan demikian, dan dengan
meningkatnya pengakuan tentang pentingnya teori
probabilitas pada awal abad kedua puluh, para ilmuwan
merasa bahwa ada kebutuhan untuk "axiomatize" teori
probabilitas, dengan cara yang sama seperti yang dilakukan
dengan geometri misalnya. Artinya, untuk menemukan satu
set aksiom yang tampaknya dapat diterima secara universal
dan, dari ini, memperoleh rantai hasil teoritis dan juga
jawaban atas masalah praktis yang mencakup ketidakpastian.
Di bagian berikutnya, kami menyajikan pendekatan yang
mengikuti jalur ini, karena probabilist Rusia A. N. Kolmogorov.
• ketika dua tim basket, yang kurang lebih pada level yang
sama, bermain melawan satu sama lain, kami biasanya
berpikir bahwa tim tuan rumah memiliki peluang yang lebih
baik untuk memenangkan pertandingan;
33
Kedua pernyataan ini tampaknya diterima secara universal,
dan ini dapat dikaitkan dengan pengalaman umum kita dari
apa yang telah terjadi di masa lalu. Ini lebih jelas dalam kasus
kedua di atas, di mana jika kita mengumpulkan data
mengatakan dari 50 tahun terakhir, kita mungkin melihat
misalnya bahwa jumlah hari musim dingin dengan hujan di
Inggris adalah 20 kali lebih banyak daripada jumlah hari hujan
di musim panas di Las Vegas. Argumen yang sama dapat
bekerja untuk kasus pertama karena jika kita memilih secara
acak sejumlah besar pertandingan basket, sangat mungkin
bahwa kemenangan kandang terjadi lebih sering daripada
kemenangan tandang. Misalnya, melihat musim reguler NBA
2010-2011, kami melihat bahwa di antara 1230 pertandingan
yang dimainkan, ada 743 kemenangan kandang dan 487
kemenangan tandang.
34
percobaan dilakukan n kali dan A terjadi nA kali dari mereka,
maka rasio nA∕n dapat digunakan sebagai ukuran tingkat
kepercayaan kita untuk penampilannya. Tentu saja, agar ini
valid, dan konsisten, semua pengulangan n harus dilakukan
dalam kondisi yang sama. Dengan demikian kami sampai pada
definisi berikut.
35
Jelas, sifat ketiga dapat digeneralisasi ke lebih dari dua
kejadian. Dengan demikian, jika A1, A2,..., Ak adalah kejadian
disjoint.
fi = f𝜔i , i = 1, 2,…, k,
36
pada setiap langkah. Namun, tampaknya karena jumlah
lemparan semakin besar, fluktuasi nilai untuk tiga frekuensi
relatif cenderung menjadi lebih kecil. Lebih lanjut, di seluruh
Tabel 1.1, jelas bahwa kejadian A terjadi lebih sering daripada
dua lainnya, yang memiliki tingkat kejadian yang sama.
untuk i = 5, 6.
37
Tabel 1.1 Hasil dadu dari dua lemparan (100 pengulangan).
38
39
Melihat frekuensi relatif dari kejadian A, B, dan C di Tabel 1.1,
kami mengamati bahwa, meskipun ini cenderung berfluktuasi
pada awalnya banyak, karena jumlah uji coba yang dilakukan
tumbuh, mereka tampaknya terkonsentrasi di sekitar nilai
tetap. Jika kita berasumsi untuk saat ini bahwa frekuensi
relatif bertemu dengan batas tertentu, maka batas ini disebut
membatasi frekuensi relatif kejadian. Perlu disebutkan di sini
bahwa fakta bahwa frekuensi relatif berkumpul ke batas
adalah konsekuensi dari salah satu teori kunci dalam teori
probabilitas, "hukum dalam jumlah besar" (ilustrasi visual ini
diberikan dalam Gambar 1.14).
40
probabilitas berikut, yang dikenal sebagai statistik, atau
sering, definisi probabilitas.
41
pada ruang sampel. Kemudian, dengan banding ke properti
yang tercantum dalam Proposisi 1.3, dan khususnya dengan
mengambil batas n → ∞ di sana (yaitu, dengan asumsi bahwa
jumlah eksperimen tumbuh tanpa batas), kami mendapatkan
properti berikut untuk probabilitas:
FP2. P(Ω) = 1;
Contoh 1.9 Di kota kecil, hanya ada dua surat kabar lokal, yang
disebut "The Weekly News" dan "News Herald." Kami
meminta 2000 penduduk kota ini yang, jika ada, dari surat
kabar ini mereka membaca secara teratur. 460 orang
menjawab mereka membaca "The Weekly News," 580
menjawab mereka membaca "News Herald," sementara 140
menjawab bahwa mereka membaca keduanya. Dengan
asumsi bahwa jumlah pengulangan, n = 2000, cukup besar
sehingga frekuensi relatif suatu kejadian telah mendekati nilai
sebenarnya (batas), menemukan probabilitas bahwa jika kita
memilih seseorang secara acak dari kota ini, maka dia akan
42
(i) menjadi pembaca "Berita Mingguan";
(ii) menjadi pembaca "News Herald";
(iii) membaca kedua surat kabar;
(iv) membaca setidaknya satu surat kabar;
(v) baca "Berita Mingguan" saja;
(vi) menjadi pembaca "News Herald" saja;
(vii) akan menjadi pembaca tepat satu surat kabar
lokal.
Solusi
nA = 460, nB = 580
43
Karena kami berasumsi bahwa n = 2000 adalah jumlah
pengulangan yang cukup besar, kami dapat memperkirakan
berbagai probabilitas dengan frekuensi relatif yang sesuai.
Dengan demikian kami memiliki hasil berikut:
44
(v) Demikian pula, kami memiliki untuk jumlah orang
yang membaca "News Herald" saja
45
1.4 DEFINISI AXIOMATIK PROBABILITAS
46
eksperimen yang tak terbatas dan, terutama ketika presisi
sangat penting, mungkin tidak mudah untuk "menebak"
berapa nilai limitnya
47
demikian, teori Kolmogorov tidak bertentangan dengan
definisi statistik oleh von Mises; melainkan, ia
menggabungkannya dengan memberikan alasan formal untuk
validitasnya.
P2. P(Ω) = 1;
P3. Jika A1, A2,... adalah urutan kejadian dalam Ω yang disjoint
(yaitu, AiAj = ∅ untuk setiap i ≠ j), maka
48
konsekuensi langsung dari definisi probabilitas von Mises,
kami melihat bahwa mereka tidak begitu berbeda! Bahkan,
dua yang pertama sama, sedangkan P3 dalam Definisi 1.10
menyertakan FP3 sebagai kasus khusus (cukup ambil A 3 = A4
=·· =∅).
0 = P(∅) + P(∅) + · · · .
P(∅) = 0.
Proposisi 1.4 Jika A1, A2,..., Kejadian tidak disjoint dalam ruang
sampel Ω (yaitu, AiAj = ∅ untuk i ≠ j), maka
49
Untuk n = 2, seperti yang telah disebutkan, kami memperoleh
sifat FP3 dari bagian sebelumnya; yaitu, jika A dan B adalah
kejadian disjoint, maka
50
Bukti : Pernyataan pertama jelas dari (1,2) dengan
menempatkan Ai = {ai} untuk i = 1, 2,..., dan mengamati bahwa
51
Proposisi 1.6 Biarkan A menjadi kejadian sewenang-wenang
dalam ruang Ω. Kemudian, probabilitas pelengkapnya, A′,
diberikan oleh
52
(iii) probabilitas bahwa hasilnya adalah bilangan bulat
ganjil.
SOLUSI
Ruang sampel untuk eksperimen ini adalah set Ω={1, 2,...}, dan
kejadian dasar adalah set {i}, di mana saya adalah bilangan
bulat positif. Untuk i tersebut, kami diberikan bahwa
53
Kuantitas
Ini adalah jumlah lain dari seri geometris, dan begitu juga
dengan
54
(iii) Jika A menunjukkan kejadian yang dipertimbangkan
sebagian (ii), viz., bahwa hasilnya adalah bilangan bulat genap,
maka kejadian bahwa hasilnya adalah bilangan bulat ganjil
hanyalah A′ , dan jadi kami segera memiliki
55
dipertimbangkan di sini. Tidak termasuk set tersebut dari
domain fungsi probabilitas P(⋅), kami melihat bahwa fungsi set
ini didefinisikan pada keluarga subset Ω, katakanlah ,
anggotanya adalah kejadian pada ruang sampel. Persyaratan
minimum yang harus memenuhi sehingga Definisi 1.10
dapat diterapkan adalah sebagai berikut:
56
bagaimanapun, bahwa ini berlaku untuk kejadian disjoint
secara berpasangan. Oleh karena itu, untuk menggunakan
proposisi itu, pertama-tama kita harus mengekspresikan
kejadian kepentingan kita sebagai persatuan dua kejadian
atau lebih yang disjoint berpasangan. Ini sebenarnya teknik
yang digunakan dalam bukti proposisi berikutnya.
57
Mengingat properti aditivitas terbatas, dengan demikian
kami memiliki
Bukti :
58
Bukti : Seperti yang dinyatakan di atas, kita tahu bagaimana
menangani probabilitas persatuan antara dua kejadian hanya
ketika kejadian ini disjoint. Oleh karena itu kami mencoba
untuk ∪ A B sebagai union dua kejadian tersebut. Ini mudah
dicapai dengan mempertimbangkan kejadian B dan AB′ ; ini
tidak memiliki elemen umum di antara mereka, sementara
59
(i) sepasang sepatu saja,
(ii) tas tangan saja,
(iii) setidaknya satu dari dua item ini,
(iv) persis salah satu dari barang-barang tersebut.
SOLUSI
60
menerapkan Proposisi 1.9 dua kali untuk mendapatkan hasil
yang sesuai. Lebih eksplisit, kita memiliki
61
62
BAB 2
63
Dengan demikian, probabilitas pi, i = 1, 2,...,N, memenuhi
kondisi
64
(i) Temukan probabilitas bahwa klaim termasuk
dalam kategori i, untuk i = 1, 2, 3, 4.
(ii) Berapa probabilitas bahwa klaim berikutnya
untuk tiba di perusahaan akan besar (yaitu itu
akan termasuk kategori pertama atau ke kategori
kedua)?
(iii) Berapa probabilitas bahwa klaim berikutnya yang
tiba di perusahaan akan termasuk kategori kedua
atau keempat?
(iv) Berapa kemungkinan klaim berikutnya tiba di
perusahaan tidak akan masuk kategori pertama?
Solusi
65
Substitusi masing-masing relasi ini ke dalam (2.2),
kami memperoleh
p1 + p1 + 3p1 + 5p1 = 1, yang memberikan p1 = 1∕10.
Dengan demikian, probabilitas untuk empat
kategori klaim
66
Dalam contoh di atas, ruang sampel hanya memiliki empat
elemen, dan probabilitas terkait tidak semuanya sama. Ini
dapat membuat manipulasi dengan probabilitas
canggung, atau sangat membosankan, jika ruang sampel
besar. Untungnya, dalam ruang sampel terbatas, sangat
umum bahwa semua kejadian dasar memiliki
kemungkinan kejadian yang sama. Ini biasanya
merupakan konsekuensi dari penalaran simetri atau itu
hanya karena kami tidak memiliki alasan untuk mencurigai
bahwa kejadian tertentu lebih (atau kurang) mungkin
daripada yang lain. Situasi sederhana berikut
menggambarkan titik ini:
67
Ketika dua kejadian atau lebih sama-sama mungkin, ini sering
disebut sebagai kejadian yang dapat dibekali. Ruang sampel
terbatas dengan semua kejadian dasar yang dapat dibekali-
bandingkan dibahas panjang lebar dalam bab ini.
p1 = p2 =··· pN = p
p + p +··· + p = Np = 1,
Jadi itu
terjadi menjadi
68
Proposisi 2.1 (Definisi probabilitas klasik) Jika ruang sampel Ω
eksperimen terbatas dan semua kejadian dasarnya dapat
dibekalikan, kemungkinan munculnya kejadian A diberikan
oleh
69
Contoh 2.2 Zoe, yang berusia empat tahun, bermain dengan
tiga kubus. Masing-masing kubus ini memiliki salah satu huruf
J, O, Y tertulis di atasnya.
SOLUSI
70
enam elemen. Lebih khusus lagi (lihat Gambar
2.1),
A = {JOY, JYO}
yang menghasilkan
Contoh 2.3 Toko besar New York yang menjual mainan akan
menahan imbang dan pemenangnya akan menerima liburan
satu minggu gratis. Toko ini memiliki 6000 tiket untuk dijual
kepada pelanggannya selama seminggu di musim pra-Natal.
Jika tiket bernomor 1 hingga 6000, berapa kemungkinan
jumlah pada tiket kemenangan adalah kelipatan 2 atau 5?
71
SOLUSI
72
• semua kejadian dasar memiliki probabilitas yang sama
(mereka dapat dibekali)."
Ω={0, 1, 2},
A = {1, 2},
73
A1 = {HH, HT, TH}.
Cukup jelas bahwa antara dua solusi itu, yang kedua adalah
solusi yang benar. Dapatkah Anda melihat apa yang salah
dengan argumen D'Alembert?
74
Pertimbangkan sekarang sebagai ruang sampel sekumpulan
formulir
75
Selain itu, ketika ruang sampel kita tidak terbatas, maka
menerapkan definisi klasik ke ruang terbatas yang sesuai dan
kemudian meneruskan ke batas tidak pantas, seperti yang
ditunjukkan Contoh 2.5.
76
pendekatan ini adalah menghitung prinsip, dan prinsip-prinsip
tersebut adalah objek cabang matematika tertentu, yang
dikenal sebagai metode combinatorial atau hanya
combinatorics.
77
Kemudian pencacahan dapat dilakukan dengan
mengeksploitasi prinsip multiplikatif berikut (atau hukum
multiplikatif).
SOLUSI
78
apa pun (meskipun Lucy mungkin tidak setuju dengan itu), kita
melihat dari hukum multiplikatif bahwa ada
5 ⋅ 4 ⋅ 3 ⋅ 6 = 360
SOLUSI
79
dalam urutan itu) dari A ke C. Deskripsi di atas
dapat dilihat secara diagram di Gambar 2.3.
(ii) Karena pilihan rute dari A ke C dibuat sepenuhnya
secara acak, dan ada delapan pilihan yang
mungkin (ruang sampel Ω dari eksperimen itu
memiliki delapan elemen), setiap rute, yang
sesuai dengan kejadian dasar Ω, memiliki
probabilitas 1∕8.
80
Contoh 2.8 Di negara tertentu, plat nomor di mobil memiliki
tujuh tempat, tiga yang pertama adalah huruf dan empat
lainnya adalah digit.
SOLUSI
81
Contoh 2.9 Pada akhir tahun akademik, dua siswa terbaik di
kelas yang terdiri dari 25 siswa akan menerima hadiah dari
sekolah mereka. Temukan berapa banyak pilihan berbeda
yang mungkin untuk penerima hadiah.
SOLUSI
82
pemenang hadiah tetapi tidak dalam urutan masing-masing,
maka jawaban atas contohnya adalah bahwa ada
83
Proposisi 2.3 Untuk k ≥ 2, biarkan A1, A2,..., Ak menjadi set
terbatas k dan ditandai oleh A1 × A2 × ... × Ak produk Cartesian
mereka. Kemudian,
2.3 PERMUTASI
84
adalah 3, maka 3 mungkin sangat baik menjadi hasil lemparan
kedua dan ketiga juga. Ini berarti bahwa lemparan berturut-
turut mati adalah pengulangan yang identik dari lemparan
pertama, yaitu percobaan yang sama, dan dengan demikian
hasil dari lemparan pertama tidak berdampak pada yang
berikutnya. Oleh karena itu kita melihat bahwa eksperimen
tunggal melemparkan kali die k dapat dianggap sama dengan
pengulangan independen k dari percobaan yang melibatkan
hanya melemparkan mati sekali. Tapi, situasinya berbeda
pada contoh kedua di atas karena jika angka pertama yang
ditarik adalah 17, angka ini tidak dapat muncul di salah satu
dari lima pilihan yang tersisa. Dengan demikian, meskipun
secara konseptual keenam angka diambil dari set {1, 2, 3,...,
49}, seperti disebutkan di atas, pada kenyataannya hanya
dalam seleksi pertama ada 49 kemungkinan, karena nomor
kedua yang ditarik akan dipilih dari set {1, 2, 3,..., 16, 18, 19,...,
49}. Demikian pula jika angka kedua yang muncul adalah 23,
untuk seleksi ketiga hanya tersisa 47 pilihan, semua angka
alami hingga 49 kecuali 17 dan 23.
85
dari pilihan berikutnya, kami memiliki pengambilan sampel
tanpa penggantian. Perhatikan bahwa pada contoh kedua di
atas, ukuran sampel k tidak dapat melebihi ukuran populasi n
(49, dalam hal ini). Argumen probabilistik untuk kasus di mana
pengambilan sampel tanpa penggantian biasanya lebih halus
dan dibahas secara lebih rinci dalam bab ini, karena dalam hal
ini percobaan memilih unit k dari populasi tidak dapat
dianggap sebagai eksperimen (probabilistis, identik) yang
melibatkan pemilihan satu unit; selain itu, pilihan tunggal ini
tidak independen.
86
kedua, atau ketiga, tetapi hanya kontestan mana
yang tersingkir dari hadiah)?
SOLUSI
87
4 ⋅ 3 ⋅ 2 ⋅ 1 = 24.
88
Definisi 2.1 Katakan X = {x1, x2,..., xn} menjadi set terbatas dan
k menjadi bilangan bulat positif sedemikian rupa sehingga k ≤
n. Kemudian, setiap k-tuple yang dipesan (a1, a2,..., ak), di mana
ai ∈ X untuk i = 1, 2,..., n, dan ai ≠ aj setiap kali i ≠ j, dikatakan
sebagai permutasi elemen k dari elemen n. Ketika k = n, maka
kita hanya mengatakan bahwa (a1, a2,..., an) adalah permutasi
elemen n.
(a, b), (a, c), (b, a), (b, c),(c, a), (c, b),
(a, b, c), (a, c, b), (b, a, c), (b, a), (c, a, b), (c, b, a),
sehingga
(3)2 = (3)3 = 6
89
Proposisi 2.4
Bukti:
90
lainnya dan simbol khusus digunakan untuk itu. Secara khusus,
kita akan menggunakan mulai sekarang pada simbol n!, di
mana n adalah bilangan bulat positif, untuk menunjukkan
n! = 1 ⋅ 2 ⋅ 3 ··· n
91
Simbol n! diperluas untuk n = 0 dengan konvensi yang 0! =1.
Selain itu, simbol (n)k juga didefinisikan untuk k = 0 dengan
pengaturan (n)0 = 1.
Definisi 2.2 Katakan X = {x1, x2,..., xn} menjadi set terbatas dan
k menjadi bilangan bulat positif sedemikian rupa sehingga k ≤
n. Kemudian, setiap k-tuple yang dipesan (a1, a2,..., ak), di mana
ai ∈ X untuk i = 1, 2,..., n (dengan ai belum tentu berbeda),
disebut elemen permutasi k dengan pengulangan dari
elemen n.
92
Proposisi 2.5 Jumlah permutasi k-elemen dengan
pengulangan set dengan elemen n sama dengan nk.
93
SOLUSI
|Ω| =44.
| A| = 4!,
94
Contoh 2.12 (Masalah ulang tahun.) Misalkan kelas berisi
siswa k. Dengan asumsi bahwa setahun memiliki 365 hari
(yaitu tidak termasuk kemungkinan bahwa seseorang
dilahirkan pada 29 Februari), menunjukkan bahwa
probabilitas bahwa tidak ada dua siswa yang memiliki ulang
tahun yang sama
SOLUSI
95
permutasi elemen k di antara 365 dengan pengulangan. Oleh
karena itu,
A: tidak ada dua siswa yang berbagi ulang tahun yang sama
96
Kemudian, probabilitas bahwa setidaknya dua siswa berbagi
ulang tahun yang sama adalah
2.4 KOMBINASI
97
Definisi 2.3 katakan X = {x1, x2,..., xn} menjadi set terbatas yang
memiliki n (berbeda) elemen dan k bilangan bulat kurang dari
atau sama dengan n. Kemudian, kombinasi elemen n per k
adalah setiap (unordered) koleksi k elemen yang berbeda a1,
a2,..., ak dari set X.
dengan
98
Langkah 1 Kami memilih elemen yang berbeda dari elemen n
(yaitu kami membuat kombinasi unit n per k).
Lebih lanjut, kita juga tahu dari bagian terakhir bahwa jumlah
permutasi k-elemen di antara elemen n sama dengan
99
Proposisi 2.6 Angka kombinasi elemen k dari satu set
elemen n sama dengan,
100
Selain itu, dalam kasus khusus n = 1, n = k, n = k − 1, kita dapat
dengan mudah menetapkan bahwa
Hasil berikut berisi dua rumus yang, antara lain, berguna untuk
101
Tabel 2.1 Nilai untuk n = 0, 1, 2..., 10 dan 0 ≤ k ≤ n.
102
Hasilnya juga jelas dari sudut pandang gabungan, karena
setiap pemilihan elemen yang berbeda dari n sesuai secara
unik dengan pilihan elemen n − k yang tersisa (argumen ini
sebenarnya sudah digunakan dalam Bagian (ii) dari Contoh
2.10).
103
dan kemudian membatalkan ketentuan 96 ⋅ 95 ··· 5, kita dapat
menulis secara langsung,
104
ditunjukkan pada Gambar 2.4. Bahkan, seperangkat angka
yang membentuk segitiga Pascal terkenal sebelum Pascal
(referensi eksplisit pertama tampaknya berada di India selama
abad kesepuluh Masekir dalam komentar tentang Chandas
Shastra, sebuah buku India kuno yang ditulis oleh Pingala
antara abad kelima dan kedua SM). Namun, Pascal
mempertimbangkan berbagai aplikasi itu dan merupakan
yang pertama untuk mengatur semua informasi bersama
dalam kesalahannya, Traité du triangle arithmétique (1653).
105
(ii) dia akan menjawab dengan benar setidaknya lima
pertanyaan ujian?
SOLUSI
106
angka dari 8, yang dapat dilakukan dalam cara yang
berbeda. Oleh hukum multiplikatif, dengan demikian kita
memperoleh bahwa ada.
P(A1 ∪ A2 ∪ A3).
107
Probabilitas kejadian A1 ditemukan pada Bagian (i) di atas.
Bekerja dengan cara yang sama, kami memperoleh untuk
acara A2.
108
18 adalah Partai Republik. Jika ketiga anggota untuk
berpartisipasi dalam komite dipilih secara acak di antara 40
orang ini, berapa kemungkinan bahwa komite akan berisi
tepat dua Demokrat?
SOLUSI
3 ⋅ 22 ⋅ 21 ⋅ 18 = 24.948.
109
Oleh karena itu, probabilitas yang diperlukan menjadi
110
Misalnya, misalkan kita memiliki set {x1, x2, x3, x4}. Kemudian
{x1, x2, x3}, {x1, x2, x4}, {x1, x3, x4}, {x2, x3, x4}.
111
DAFTAR PUSTAKA
112
Tentang Penulis
113