Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Halaman ini sengaja kiri kosong

BAGIAN 3

Probabilitas kombinatorial

3.1 Pendahuluan
Kita telah melihat cara yang berguna untuk meringkas kumpulan data yang rumit dalam dua bab
terakhir. Kami telah mengambil proses itu sejauh yang kami bisa tanpa mengembangkan cara untuk
memutuskan apakah model kami masuk akal dan seberapa akurat perkiraan parameter kami,
sebuah proses yangSIITeAD inferensi tistis. Terobosan hebat di
masalah ini muncul ketika orang menyadari bahwa kita membutuhkan model
matematika untuk asal usul kitavariabilitas, serta untuk proses alam penting yang
mereka pelajari. Alat matematika favorit ahli statistik untuk melakukan ini adalah
kemungkinan. Sebuah contoh akan memperkenalkan satu aplikasi probabilitas untuk inferensi
statistik:

Contoh. Ahli statistik hebat RA Fisher menggambarkan pesta yang dihadirinya di mana nyonya rumah
menyajikan teh dengan susu (ini adalah Inggris). Dia mengklaim bahwa dia bisa mengetahui apakah
pelayannya telah menuangkan teh atau susu ke dalam cangkir terlebih dahulu, hanya dengan
mencicipinya. Fisher skeptis. Dia mengusulkan sebuah eksperimen untuk menguji klaimnya: Dia akan
memasukkan teh terlebih dahulu ke dalam beberapa cangkir, dan susu terlebih dahulu di cangkir yang lain,
mengaduk isinya, mengacak-acak cangkir, lalu membiarkannya mencicipi semuanya dan mengumumkan
teh mana yang dituangkan lebih dulu. . Semakin dia benar, semakin terkesan dia dengan klaimnya. Ini
adalah eksperimen statistik karena kitaulangkamuPSakue ikasi; kami menuangkan
jumlah cangkir. Lagi pula, hanya sedikit dari kita yang akan terkesan jika dia menebak dengan
benar apa yang terjadi dengan satu cangkir.
Bagaimana kita menginterpretasikan hasil? Pendekatan Fisher, caCIIAeSDbersisik atau sering inferensi,
dimulai sebelum percobaan. Kami menentukan semua hasil yang mungkin. Misalnya, dengan enam
cangkir kita dapat menulis angka 1, 2, 3 di bagian bawah cangkir yang akan mendapatkan teh terlebih
dahulu dan 4, 5, 6 untuk cangkir yang akan mendapatkan susu terlebih dahulu. Lalu kita
90 3. Probabilitas kombinatorial

tuangkan minuman: Biarkan wanita itu mencicipi dan beri tahu kami tiga yang dia yakini mendapat teh lebih dulu.
Berikut adalah kemungkinan pilihan cangkir yang mungkin mendapatkan teh lebih dulu:

123 tiga benar 145

124 146
125 156
126 245 satu benar
134 dua benar 246
135 256
136 345
234 346
235 356
236 456 tidak ada yang benar

Fisher curiga bahwa dia hanya menebak; jadi secara tidak sengaja salah satu dari kemungkinan in
mungkin muncul. Jika dia mendapatkan ketiga cangkir dengan benar, itu hanya akan terjadi satu kal
dalam dua puluh; karena kami telah membuat daftar dua puluh hal berbeda yang bisa dia katakan.
Ahli statistik akan menyimpulkan bahwa dia cukup beruntung, atau ada beberapa substansi untuk
klaimnya. Di sisi lain, jika dia mendapat dua cangkir dari tiga, dia mungkin mengatakan bahwa ini
mendukung klaimnya. Tetapi Fisher akan menunjukkan bahwa sepenuhnya sepuluh dari dua puluh
kasus kami, atau separuh waktu, dia akan mendapatkan setidaknya dua dari tiga cangkir dengan
keberuntungan. Tidak diragukan lagi dia akan tetap skeptis.

Dalam beberapa bab berikutnya, penalaran semacam ini akan membantu kita mengevaluasi beberapa
model kita untuk data terhitung. Akhirnya, itu akan melakukan hal yang sama untuk model pengukuran.

Waktu untuk Meninjau

Setel notasi
Integrasi

3.2 Probabilitas dengan Kemungkinan Hasil yang Sama

3.2.1 Apa itu Probabilitas?

Dalam contoh di atas, kami menemukan ukuran seberapa langka atau mengejutkan berbagai
kemungkinan hasil percobaan kami adalah, berdasarkan pendapat tentang apa yang sebenarnya
terjadi. Secara intuitif,kemungkinan akan menjadi proporsi waktu yang kita harapkan hasil untuk
keluar dalam beberapa cara tertentu, ketika percobaan belum dilakukan Perhitungan dalam kasus
ini sangat sederhana tetapi sangat berguna. Ketika kita percaya bahwa sejumlah kemungkinan hasil
eAQRkamuekemungkinan sekutu, maka kemungkinan
 3.2 Probabilitas dengan Kemungkinan Hasil yang Sama 91

dari beberapa peristiwa adalah

jumlah hasil yang mengarah ke peristiwa

kemungkinan kejadian
jumlah hasil yang mungkin

Oleh karena itu, peluang wanita tersebut mendapatkan dua dari tiga cangkir atau lebih adalah wa/s201,0 atau 0,5.
Mari kita ubah ini menjadi beberapa notasi formal:

Definisi. NS peristiwa adalah himpunan yang elemen-elemennya berbedaHainkamuctdatang.

Secara intuitif, suatu peristiwa adalah kumpulan yang menarik bagi kita dari hal-hal individual yang
kita yakini mungkin terjadi dalam beberapa eksperimen yang belum dilakukan.
Pada titik ini, Anda harus meninjau konsep dasar dan notasi teori himpunan
matematika. Peristiwa sering dilambangkan dengan huruf kapital (.A . ., ) .BT, dia
jumlah hasil dalam suatu kejadian berhingga akan dilambangkan|A oleh |. Kami akan berbicara tentang

probabilitas bahwa suatu peristiwa A akan terjadi ketika himpunan hasil yang kita yakini mungkin adalah
B, menyebutnyadia kemungkinan A tergantung pada B (atau diberikan B, atau dikondisikan B); kami
menyatakannya dengan P(A| B). Mengingat bahwa A ∩B, persimpangan
dari A dan B, adalah himpunan hasil di B yang juga ada di kejadian A, rasio kami di atas
menunjukkan hal berikut:

Definisi. A ruang probabilitas dengan kemungkinan yang sama hasil, memiliki

|A ∩ B|
P(A | B)
|B| ,
di mana A dan B adalah peristiwa, dan B tidak kosong dan memiliki jumlah hasil yang terbatas.

Jika jelas apa himpunan kemungkinanB yang seharusnya bukan masalah khusus, kita akan
sering menggunakan singkatan P(A) untuk P(|AB), yang disebuttak bersyarat kemungkinan.
Perhatikan bahwa dengan carae, sangat mungkin sedang didefinisikan di sini; itu adalah setiap
keadaan di mana probabilitas suatu peristiwa dapat ditentukan oleh proporsi sederhana hasil dari
peristiwa itu.

3.2.2 Probabilitas dengan Menghitung

Probabilists (ahli matematika yang mempelajari probabilitas) secara tradisionalkamukamuRSneS, yang

hanyalah toples buram yang berisi sejumlah kelereng dengan ukuran, berat, dan tekstur
permukaan yang sama, untuk menyusun model probabilitas. Guci favorit kami, yang
akan muncul di sebagian besar kursus lainnya, akan berisi beberapa nuW mboefr
kelereng putih dan beberapa mati rasaBerof kelereng hitam (Gambar 3.1).
Eksperimen kami dilakukan dengan mengaduk kelereng dengan sangat baik sehingga kami tidak tahu
kelereng mana yang berada di mana. Kemudian seseorang masuk tanpa melihat dan mengeluarkan
amarble. Apakah hitam atau putih? Prosedur ini sesuai dengan gagasan intuitif kita bahwa semua kelereng
memiliki kemungkinan yang sama untuk dipilih. Peluang terambilnya kelereng
akan menjadi putih kemudian

|marmer putih dan dari toples| W

| toples)
P (marmer putih dari .
|dari toples| W+B
92 3. Probabilitas kombinatorial

GAMBAR 3.1. Sebuah guci

Meskipun kita akan menggunakan guci terutama sebagai model sederhana untuk eksperimen
probabilistik, guci memiliki aplikasi praktis. Misalnya, bagaimana jika kita memutuskan untuk menguji
prosedur medis baru pada sejumlah pasien tertentu? Juga dianggap sebagai kebijakan yang baik untuk
menggunakan rejimen medis standar pada sekelompok pasien yang serupa, yang disebutkontrol. Cara
sederhana untuk membantu memastikan bahwa kontrol adalah sekelompok pasien yang serupa dengan
yang mendapatkan perawatanraDn, dominasi, mungkin bekerja sebagai berikut: Jika kita memutuskan
untuk menguji prosedur W e kontrol, sederhananya
pada pasien dan memilikiB
jumlah kelereng putih dan hitam di dalam guci dan aduk. Sekarang ketika setiap pasien
yang memenuhi syarat muncul di rumah sakit, kami mengeluarkan sebuah kelereng.
Jika putih, pasien mendapat pengobatan baru, jika hitam, pengobatan lama. Pada saat
guci kosong, kami memiliki mata pelajaran yang lengkap. Penugasan pasien yang
sangat tidak dapat diprediksi adalah keunggulan metode ini: Sangat sulit bagi para
peneliti, secara sadar atau tidak, untuk membuat pilihan pasien menjadi bias atau
menentang prosedur baru.
Salah satu fitur bagus dari percobaan dasar guci adalah bahwa hal itu dapat diatur sedemikian rupa
rasional nomor) antara 0
sehingga peluang kelereng putih adalah pecahan berapa pun
dan 1. Namun, seperti yang akan kita lihat, ada eksperimen geometris yang terkenal
(masalah jarum Buffon) di mana peluang suatu kejadian/adalah.2 (Nomor ini
diketahui tidak rasional; jadi itu bukan pecahan, dan representasi desimal dimulai
0,63661977. . . .) Kami tidak dapat membuat guci untuk memberikan probabilitas yang tepat
ini. Namun, kita dapat membuat urutan model guci yang memberikan probabilitas sedekat
yang kita inginkan ke/π2: 6 kelereng putih dan 4 kelereng hitam memberikan peluang
0,6 untuk menggambar kelereng putih; 64 dan 36 memberikan probabilitas 0,64; 637 dan 363
memberikan probabilitas 0,637; 6366 dan 3634 memberikan probabilitas 0,6366; Dan
seterusnya. Untuk alasan yang akan kita temukan, dibutuhkan beberapa juta set undian dari
guci sebelum kita mungkin menyadari bahwa bahkan ketiga dari urutan model kita memiliki
probabilitas yang salah. Proses ini, membangun urutan model yang probabilitasnya
mendekati eksperimen lain, akan menjadi salah satu alat matematika terpenting kami. (Ini
akan disebutCDkonvergensi dalam distribusi.)
Jadi menghitung probabilitas sejauh ini sepele, karena yang harus kita lakukan hanyalah menghitung.
Tapi itu tidak semudah kedengarannya. Dalam eksperimen pencicipan teh Fisher yang sebenarnya, ada
 3.3 Kombinatorik 93

adalah empat cangkir dengan teh terlebih dahulu dan empat cangkir dengan susu terlebih dahulu. Untuk melanjutkan
analisis kami, kami harus membuat daftar semua set empat dari delapan cangkir yang mungkin ditebak oleh nyonya rumah:
1234, 1235, 1236.,. . . Ini akan memakan waktu lebih lama dari sebelumnya—Anda harus
melakukannya sebagai latihan. Untungnya, ada cabang matematika, cHaiAMlle duaDnatoris,
yang mempelajari berhitung. Beberapa dari hasilnya akan membuat hidup lebih mudah bagi kita.

3.3 Kombinatorik

3.3.1 Aturan Dasar untuk Menghitung

Metode penghitungan yang kita butuhkan hanya akan didasarkan pada dua prinsip sederhana. Catatan
pertama bahwa jika Anda ingin penghitungan lengkap hasil dalam dua kejadian yang tidak tumpang
tindih, Anda dapat menghitungnya secara terpisah dan menjumlahkan kedua hitungan tersebut. Dalam
notasi formal kita, A∩ B, di manaφ adalah kejadian tanpa hasil, berarti keduanya
peristiwa tidak memiliki hasil yang sama. TkamuHneion dari A dan B, A∪ B, tentu saja,
adalah kejadian di mana hasilnya ada di A atau di B.

Aturan Penambahan. Dalam kasus A∩ B , |A ∪ B| |A| + |B|.

Aturan ini cukup jelas, meskipun kita akan sering menggunakannya. Misalnya, dalam
jajak pendapat kandidat untuk jabatan politik, kandidatDiBiasi mungkin keluar dari
perlombaan antara waktu jajak pendapat dan waktu analisis statistik. Maka masuk akal
untuk menggabungkan kategori yang sebelumnya berbeda DiBiasi dan Undecided ke
dalam satu kategori dan menjumlahkan jumlah subjek dalam dua kategori lama.
Yang kedua dari dua prinsip kami kurang jelas. Kami akan mengilustrasikan dengan sebuah
contoh:

Contoh. Menu untuk restoran Cina memiliki tiga makanan pembuka: sup panas dan
asam, telur gulung, dan pangsit kukus. Ada empat hidangan utama: peppe beef, lemon
chicken, babi asam manis, dan tumis udang. Makanan terdiri dari satu hidangan
pembuka dan satu hidangan utama; berapa banyak makanan yang mungkin? Itu akan
mudah untuk membuat daftarnya, tetapi ada jalan pintas: Buat tabel.

Menu utama
daging sapi ayam Babi udang
Sup
Hidangan pembuka telur gulung ×
Pangsit

Setiapsel (persegi panjang) sesuai dengan makanan yang berbeda; misalnya, sel
yang ditandai sesuai dengan makan siang telur gulung diikuti dengan babi asam
manis. Jumlah sel hanya baris×kolom,×34 12 makanan.
Ini akan mengingatkan Anda tentang jumlah tingkat perawatan yang berbeda dalam tata letak
dua arah denganaku baris danMkolom, yang tentu sajaaku e (lihat 1.4.1). Untuk memformalkan
ide ini, ingat dari matematika thApada× B, NSproduk kartesius dari set
94 3. Probabilitas kombinatorial

A danB, adalah himpunan semua pasangan teruruta, (b) di mana A ∈ A danB ∈ B. Dalam
contoh restoran, kami akan menulis makanan kami (telur gulung, babi asam manis).

Aturan Perkalian. |A × B| |A| · |B|

Contoh. Sahabat putri Anda ditugaskan ke guru paling populer di tingkat kelas sekolah
dasar mereka, diduga dengan tugas acak, di masing-masing dari empat kelas pertama.
Ini membuat Anda curiga bahwa tugas itu tidak dilakukan dengan jujur. Ada lima guru di
setiap kelas. Anda beralasan, dengan menggunakan aturan perkalian tiga kali, bahwa ad
× e 5×5×5 625 guru yang berbeda
tugas mungkin, satu faktor per kelas. Oleh karena itu, peluang gadis itu seberuntung ini
adalah 1/625 0,0016, yang memang terdengar sangat beruntung.

3.3.2 Menghitung Daftar

Kami sekarang akan menggunakan prinsip-prinsip ini untuk memperoleh tiga formula khusus yang akan, dengan
kecerdikan, memecahkan sebagian besar masalah penghitungan yang dihadapi oleh ahli statistik. Bayangkan kita
memiliki guci dengann kelereng di dalamnya; tapi sekarang semua kelereng memiliki label, jadi kita bisa
membedakannya setelah keluar dari toples.

Contoh. Biarkan 26 kelereng sesuai dengan huruf alfabet Romawi. Kita bisa membuat
semua "kata" enam huruf dengan menghapus huruf dari toples, seperti GXNGEK. Perhatikan
bahwa kita mengizinkan G muncul dua kali, seperti yang sering terjadi pada kata-kata nyata,
dengan mengganti kelerengnya setelah digunakan pertama kali.

Kami berpotensi membuat semua kata seperti itu dengan prosedur berikut:

Soal guci 1. Keluarkan kelereng, tulis labelnya, aPnkamuDt kembali. Sekarang keluarkan kelereng kedua,
tuliskan labelnya di bawah kelereng pertama, dan pasang kembali. Lanjutkan sampai daftar hakpenjaga di
dalamnya. Berapa banyak daftar yang mungkin? Kami menyebutnya penghitungandaftar yang dipesan
dengan penggantian.

Masalah tugas guru adalah salah satu contohnya; teknik solusi yang sama bekerja. Kami
punyangema untuk masing-masingkestages, sehingga aturan perkalian memberi tahu kita
bahwa kita memiliki

n
kan · n ·kankan
n · · · nkan
nk.
k salinan

Kami telah menetapkan hasil berikut:

Dalil. Jumlah daftar terurut dari k benda yang diambil dengan penggantian dari himpunan
n benda adalah nk.

Contoh (lanjutan). Dalam masalah kata enam hurufn, 26 dank 6; karena itu,
kita bisa mendapatkan 266 308.915.776 kata yang berbeda.

Contoh. Delapan perenang akan berlomba di Olimpiade. Yang pertama akan mendapatkan
medali emas, yang kedua medali perak, dan yang ketiga perunggu. Berapa banyak
pembagian medali yang mungkin? Medali emas bisa masuk ke salah satu dari delapan
 3.3 Kombinatorik 95

pesaing. Tapi kemudian medali perak hanya bisa diberikan kepada satu dari tujuh perenang,
karena tidak ada yang bisa menerima dua. Akhirnya, perunggu dapat diberikan kepada salah satu
dari enam perenang yang tersisa. Dengan aturan perkalian, ada·e78· 6 336 menempatkan pesanan.

Formula terbaru kami tidak berlaku; ini adalah contoh dari

Soal guci 2. Pilih amarble, tulis dowakune, keluarkan, dan ulangi sampai Anda memiliki daftark
kelereng. Berapa banyak daftar yang mungkin? Ini adalah negaraHaitiRnDGdaftar yang dihapus
tanpa penggantian; kami memanggil merekapermutasi dari n diambil k pada suatu waktu. NS
simbol matematika untuk jumlah daftarnadalah)k(.

Contoh Olimpiade, yang dihitung dengan3(,8s) bagaimana kita melakukan ini:

Dalil. (n)k n · (n - 1) · (n - 2) · · · (n - k + 1).

Faktor terakhir muncul karena sebelum pemilihan marmer terakhir, kami telah
menghapusk - 1 dari nkelereng, pergin (k - 1) untuk memilih di antara.

Contoh. Dari 50 Amerika Serikat, 15 memiliki garis pantai Atlantik. Seorang peneliti memilih 6
negara bagian secara acak untuk studi rinci tentang kesiapsiagaan darurat mereka untuk badai
angin yang parah. Jelas, itu akan menjadi kelompok sampel yang buruk yang tidak termasuk negara
bagian pantai Atlantik, yang tunduk pada badai dan atau paskah. Berapa probabilitas bahwa
sampelnya, secara tidak sengaja, tidak akan mencakup negara bagian pantai Atlantik?

Pertama perhatikan bahwa jika dia memilih statusnya dalam beberapa urutan, maka dia pada dasarnya ha
Guci Soal 2, dan ada (5 60) 50· 49· 48· 47· 46· 45 11.441.304.000
kemungkinan urutan pilihan. Itu akan menjadi penyebutnya, jika kita berasumsi bahwa
mereka semua sama-sama mungkin. Jika kita mempertimbangkan acara bahwa mereka semua dipilih
dari antara 50 -15 35 negara bagian non-Atlantik, urutan sampel yang aneh ini mungkin
dipilih dalam

(35)6 35· 34· 33· 32· 31· 30 1.168.675.200

cara. Oleh karena itu, peluang mendapatkan sampel yang buruk adalah

1.168.675.200
P (6 non-Atlantik|6 negara bagian) 0.102.
11.441.304.000
Sayangnya, ini agak mungkin; sekitar satu kali dalam 10.

Contoh. Sebuah laboratorium pengujian produk ingin mengevaluasi 5 mobil baru. Setiap pengemudi akan
mencoba semua mobil. Mungkin ada efek pesanan; misalnya, mungkin ada bias bawah sadar yang
mendukung mobil pertama yang dikendarai. Oleh karena itu, pengemudi yang berbeda harus menguji 5
mobil dalam urutan yang berbeda. Berapa banyak pesanan seperti itu yang mungkin? Ini seperti
menggambar nama-nama mobil dari toples tanpa penggantian; jadi kita punya
(5)5 5 · 4 · 3 · 2 · 1 120 urutan.

Yang terakhir ini harus akrab:n()n n! (nfaktorial), yang kami sebut sederhana
permutasi onhal-hal. Hal ini menyebabkan formula alternatif yang berguna untuk per-
mutasi: Untuk menemukan jumlah total daftar lengkapnts!), (kami mengatur yang pertamakT
96 3. Probabilitas kombinatorial

kelereng din( )k cara, maka sisanyanG-k di dalam (n-k)! cara. Oleh karena itu,
dengan aturan perkalian,(n!
n)k(n - k)!. Kami kemudian dapat memecahkan untuk istilah yang tidak diketahui:

Dalil. (n)k n!/(n - k)!

Misalnya, dalam masalah medali, kita bisa menghitung3d (88)!/5! 40320/120 336.
Perhatikan bahwa formula baru kami jarang nyaman untuk komputer
stasiun: Angkanya tetap jauh lebih kecil jika kita menggunakan rumus asli. Akan tetapi,
berguna, untuk manipulasi aljabar.

3.3.3 kombinasi
Anda mungkin mengeluh bahwa masalah negara bagian Atlantik tidak dijelaskan secara
realistis. Kami berbicara tentang memilih sampel kami secara berurutan; tetapi Anda
mungkin tahu bahwa untuk tujuan studi perencanaan darurat, urutan pilihan tidak menjadi
masalah. Itu hanya satu set 6 negara bagian. Oleh karena itu, kami telah menghitung terlalu
banyak sampel, karena kami telah menghitung (Maine, Oregon, Nebraska, Rhode Islan Texas,
West Virginia) secara terpisah dari (Oregon, Texas, Nebraska, West Virginia, Rhode Island,
Maine). Kami membutuhkan rumus penghitungan lain:

guciMasalah3. Hapus segenggam (set) o kkelereng dari toples berisinG. Bagaimana

banyak set mungkin? Ini adalah hitungankamuingset yang dipesan, tanpa penggantian; kami
hubungi merekakombinasi dari)n hal-hal yang diambil k pada suatu waktu. Simbol
(
matematika dari banyaknya himpunan
k
baca”n k.”
adalahn , kadangmemilih

Beberapa kecerdikan akan diperlukan untuk menemukan jumlah kombinasi. Saya

mengusulkan agar kita melakukannya dengan menghitung jumlah permutasi diUrnProblem2
komdari toples onF ; lalu (2)
f arbles
dengan prosedur yang sedikit berbeda: (1) Hapus beberapa
letakkan segenggam yang tidak berurutan di baris yang dipesan di atas meja. Kita dapat membangun
setiap permutasi dengan cara ini. Aturan perkalian mengatakan bahwa kita mengalikan banyaknya cara
dari masing-masing langkah dilakukan untuk mendapatkan jumlah total yang mungkin
( n) · (k)k. NS
daftar. Karena itu,n)( k k
pertama dan ketiga hitungannya diketahui, jadi sekali
lagi kita dapat memecahkan yang tidak diketahui ketentuan:

Teorema (kombinasi).
()
n n!
.
k k!(n - k)!
Menatap formula ini, kami lihat beberapa yang setara cara penulisannya :

Dalil.
() ( )
n n
(Saya) .
k n-k
( )
n (n)k (n)n-k
(ii) .
k k! -
(nk)!
Fakta pertama hanya memperhatikan bahwa penghapusankgmarble dari toples sama dengan
meninggalkann - k kelereng di belakang toples.
 3.3 Kombinatorik 97

(
Contoh. Ada50) 6
50!/(6!44!) sampel dari 6 negara bagian. Tidak ada yang akan menghitung-
terlambat 50! dengan pilihan; tetapi kami juga mempertimbangkan dua rumus yang setara dalam (ii) dari
proposisi, dan komputasi (560/)6! (50·49·48·47·46·45)/(6·5·4·3·2·1)
15.890.700 membutuhkan aritmatika paling sedikit.

Kami sekarang memecahkan masalah penghitungan yang akan menarik berulang mulai
dari sini. Dari guci denganW kelereng putih danB kelereng hitam, keluarkan semua kelereng
satu per satu tanpa pengembalian, dan buatlah daftar urutan warnanya. Misalnya, jika ada 3
kelereng putih dan 4 kelereng hitam, salah satunya adalah l•ist◦ adalah• • •
1 2 3 4 5 6 7.
Berapa banyak daftar yang mungkin?
Triknya di sini adalah menerjemahkan masalah menjadi masalah guci kedua,
sebagai berikut: DapatkanW + B kelereng tambahan, beri nomor, dan letakkan di guci
kedua. Sekarang beri nomor posisi dalam daftar pesanan Anda, juga dariW1+keB.
Raih ke dalam guci kedua dan pilih tangan yang tidak berurutanWpenuhi yang bernomor
kelereng. Masukkan kelereng putih ke dalam daftar posisi bernomor yang telah Anda pilih, dan
kelereng hitam di (semua yang lain. Dalam contoh kita, kita harus memilih kelereng yang jumlah
nomor 2,adalah
daftarnya 4, danW+6). Proses ini secara unik menentukan semua daftar yang mungkin, jadi
B.
W
Ketika semua daftar kelereng hitam dan putih ini diambil dari guci yang diaduk dengan baik, kita mungkin
menganggap masing-masing memiliki kemungkinan yang sama. Kemudian memilih daftar disebut a
proses hipergeometrik. Ini adalah contoh penting pertama dariSAproses tokastik.
Kita akan melihat beberapa contoh penting lainnya dalam kursus ini; tapi kami akan membangun
semuanya sebagai cara untuk memperkirakan proses hipergeometrik.

3.3.4 Penghitungan Multinomial

Contoh. Seorang profesor memiliki kurva penilaian yang aneh, sehingga dia berharap untuk
memberikan nilai kepada 12 siswa dalam seminar pascasarjana barunya sebagai berikut: 5 A,
4 B, 2C, dan 1 D. Dia tidak memiliki nilai pekerjaan, jadi dia tidak tahu apa-apa sebagai belum
tentang kinerja muridnya. Dalam berapa cara dia dapat memberikan nilai pada akhir
semester?
Kami c(an) menetapkan nilai satu per satu; dia dapat memilih siswa untuk menerima
12
A masuk cara. Kemudian dia memiliki 7 siswa yang tersisa; dia m(a
(' 5

4)cara
S.( T) 3 siswa yang tersisa dapat memperoleh nilai 2 C3)y2ke
berikan 4 dari mereka B di
dalam, dan yang terakhir
siswa secara otomatis mendapatkan D. Aturan perkalian mengatakan bahwa nilainya memiliki
(7)12 ( ) 3
5· 7 4· 2
83.160 distribusi.

Perhatikan bahwa ketika kita menulis perhitungan dari teorema, kita mendapatkan
beberapa pembatalan yang sangat mudah: (/1(25!7!)) · (7!/(4!3!)) · (3!/(2!1!)) 12!/(5!4!2!
1!).

D
objek ke kategori,2. . . , dan akhirnya yang terakhirnk keberatan ts ke kategorik, di mana
Σdefinisi.
k Banyaknya cara penugasannG1 objek ke kategori(1n,2 lainnya )
Saya 1 n1
NS M simbol ultinomial. Dilambangkan dengann1nn2···nk .
n, (adalah

n
)
Dalil. n1n2···nk
n!/(n1!n2! · · · nk!).
98 3. Probabilitas kombinatorial

Anda harus membuktikan ini sebagai latihan (mungkin dengan pembatalan seperti pada
contoh di atas; atau Anda mungkin meniru bukti teorema tentang kombinasi). Sejak
memilih satu setakudarin adalah sama dengan grup(dalam)g objek(menerjunkan ke dalam s yang dipilihakueatnodf
)
n . Perhatikan secara umum bahwa
satu set laginF - aku yang tidak terpilih,nn setiapaku ln-aku
penataan ulang (permutasi) dari okukrategories mengarah ke multinomial yang sama
simbol, karena kita hanya mengalikan faktorial penyebut kita dalam urutan yang berbeda.

3.4 Beberapa Perhitungan Probabilitas

3.4.1 Hitungan Rumit

Kit alat kecil kami tentang metode penghitungan sudah memungkinkan kami menghitung
banyak sekali peluang menarik.

Contoh. Kita dapat menguji obat baru untuk menurunkan tekanan darah dengan cara yang masuk akal
berikut ini: Dari 40 pasien berikutnya yang mungkin mendapat manfaat dari obat tersebut, cocokkan
mereka sehingga setiap pasangan pasien memiliki tekanan darah, jenis kelamin, kesehatan usia, dan hal
lain yang relevan. Kami sekarang memiliki 20 pasang; untuk masing-masing, lempar koin, dan berikan
pengobatan standar untuk satu pasien dan obat baru untuk yang lain. Kami akan mengevaluasi mereka
setelah enam minggu dan, untuk setiap pasangan, memutuskan pasien mana yang memiliki tekanan darah
lebih rendah. Dengan demikian, kita akan berakhir dengan hitungan berapa kali dari 20 obat baru yang
menjadi pemenangnya. Kami mungkin memutuskan untuk menganjurkan penggunaan obat baru jika
menang, misalnya, 14 atau lebih perbandingan. Jika, pada kenyataannya, obat baru tidak lebih baik dari
yang lama, berapa kemungkinan kita (sayangnya) akan tetap menganjurkannya?
(Ini adalah contoh lain dariNSeequen(tist gaya inferensi.)
Akan ada 220 urutan kemenangan
20)s baik oleh pengobatan baru atau lama; kami
menganggap ini sama (kemungkinan besar. I1n4 dari urutan ini, obat baru adalah
unggul tepat 14 kali sama untuk 15, 1.6.,., 20. Oleh karena itu,

20) (20) + · · · + (20)

14
+ 15 20 60.460
| pasang)
P (14 atau lebih 20 0,05766.
220 1.048.576

Jika peluang untuk membuat klaim bodoh ini terlalu besar bagi kami, kami mungkin memerlukan 15 kemenangan atau
lebih; kita dengan mudah memeriksa bahwa P(15 atau lebih|20 pasang0).0207, yang lebih aman.

Contoh. Ingatlah bahwa eksperimen mencicipi teh Fisher sebenarnya lebih besar dari yang disarankan oleh
contoh kita; untuk membuatnya lebih informatif, dia menyuruh nyonya rumah mencicipi 8 cangkir teh, di
mana 4 teh dituangkan terlebih dahulu. Dia kemudian mencoba untuk menentukan 4.
Langkah pertama kami (langkah sebelumnya adalah membuat daftar semua kemungkinan tebakannya; kami perhatikan bahwa

daftarnya terlalu panjang untuk menyenangkan untuk ditulis. Tapi sekarang kita lebih canggih:
Ada 8) 4
70 daftar. Probabilitas bahwa dia akan mendapatkan keempat tebakan dengan benar
adalah 1/70 0,0143. Sebagian besar dari kita akan sangat terkesan, dan mungkin mengubah
pendapat kita bahwa dia hanya menebak. Haruskah kita terkejut jika dia mendapat 3 dari 4 yang
benar? Hitung daftar ini dengan mencatat bahwa dia harus memilih 3 dari 4 cangkir yang