Makalah Teori Peluang III
Makalah Teori Peluang III
TEORI PELUANG
DISUSUN OLEH
KELOMPOK 6
Puji dan Syukur kami Panjatkan ke Hadirat Tuhan Yang Maha Esa, karena kami dapat
menyelesaikan tugas makalah yang berjudul “Teori Peluang”.
Makalah disusun untuk memenuhi tugas Mata Kuliah Teori Peluang. Selain itu, makalah
ini bertujuan untuk menambah wawasan tentang Pengantar Teori Peluang, bagi para pembaca
dan juga bagi penulis.
Penulis mengucapkan terima kasih kepada ibu Dr. Putri Yuanita, M.Ed selaku dosen
pengampu pada mata kuliah Teori Peluang. Ucapan terima kasih juga disampaikan kepada
semua pihak yang telah membantu diselesaikannya makalah ini.
Akhirnya, kami menyadari bahwa makalah ini sangat jauh dari kesempurnaan. Oleh
karena itu, dengan segala kerendahan hati, kami menerima kritik dan saran agar penyusunan
makalh selanjtnya menjadi lebih baik. Untuk itu kami mengucapkan banyak terima kasih dan
semoga karya tulis ini bermanfaat bagi para pembaca.
Penulis
DAFTAR ISI
KATA PENGANTAR...............................................................................................1
DAFTAR ISI..............................................................................................................2
BAB I PENDAHULUAN.........................................................................................3
B. Rumusan Masalah..........................................................................................4
C. Tujuan Masalah..............................................................................................4
A. Kesimpulan....................................................................................................17
B. Saran ..............................................................................................................18
BAB I
PENDAHULUAN
Belum pernah kita dengar suatu masa di mana pendidikan tidak dibicarakan. Di
semua negara dan di semua waktu, pendidikan adalah masalah yang tak pernah selesai.
Pendidikan selalu terasa tidak pernah memuaskan. Apakah Anda mengira negara maju tidak
pernah lagi membicarakan pendidikan mereka? Apakah mereka sudah puas? Tidak, orang-
orang di negara maju sekalipun masih mengkritik keadaan pendidikan di negaranya.
Mengapa manusia tidak pernah puas terhadap pendidikan?
Mudah dipahami karena semua orang berkepentingan dengan pendidikan. Orang yang
ingin memperbaiki seseorang, sekelompok orang, suatu negara, dan bahkan dunia, pasti akan
melakukannya, langsung atau tidak langsung, melalui pendidikan. Orang yang akan merusak
negara juga akan melakukannya melalui pendidikan. Orang yang mengerti pendidikan tentu
akan ikut bicara pendidikan. Orang yang tidak tahu apa-apa tentang pendidikan juga ikut
berbicara tentang pendidikan karena anak dan turunannya telah dan akan mengikuti
pendidikan.
Pada makalah ini kami akan membahas teori peluang yaitu ruang sampel memiliki hasil
yang mungkin sama, probabilitas sebagai fungsi set lanjut , dan probabilitas sebagai ukuran
kepercayaan. Diharapkan makalah dapat memberikan wawasan yang luas tentang ruang
sampel memiliki hasil yang mungkin sama, probabilitas sebagai fungsi set lanjut , dan
probabilitas sebagai ukuran kepercayaan.
B. Rumusan Masalah
C. Tujuan Masalah
PEMBAHASAN
A. Pengantar
Dalam Bab 4, kami mempertimbangkan variabel acak diskrit—yaitu, variabel acak yang
himpunan nilai-nilai yang mungkin baik terbatas atau tak terbatas terhitung. Namun, ada juga
ada variabel acak yang himpunan nilai yang mungkin tidak terhitung. Dua contohnya adalah
waktu kereta tiba di perhentian tertentu dan masa pakai transistor. Biarkan X menjadi variabel
acak seperti itu. Kita katakan bahwa X adalah variabel acak kontinu jika ada ada fungsi
nonnegatif f , didefinisikan untuk semua real x ε (−∞,∞), memiliki properti bahwa, untuk setiap
himpunan B bilangan real,
❑
P { X ϵ B }=∫ f ( x ) dx (1.1)
B
Fungsi f disebut fungsi kerapatan probabilitas dari variabel acak X. (Lihat Gambar 5.1.).
Dengan kata lain, Persamaan (1.1) menyatakan bahwa probabilitas bahwa X akan berada di B
mungkin adalah diperoleh dengan mengintegrasikan fungsi kepadatan probabilitas pada
himpunan B. Karena X harus asumsikan beberapa nilai, f harus memenuhi
∞
1=P { X ϵ ⟨−∞ , ∞ ⟩ } =∫ f ( x ) dx
−∞
Semua pernyataan probabilitas tentang X dapat dijawab dalam bentuk f. Misalnya dari
Persamaan (1.1), misalkan B = [a, b], kita peroleh
b
P { a ≤ X ≤ b }=∫ f ( x ) dx( 1.2)
a
P ( a ≤ X ≤ b )=luas daerah yang diarsir
a
P { X=a }=∫ f ( x ) dx=0
a
Dengan kata lain, persamaan ini menyatakan bahwa probabilitas bahwa variabel acak kontinu
akan menganggap setiap nilai tetap adalah nol. Oleh karena itu, untuk variabel acak kontinu,
a
P { X <a )=P { X ≤a }=F ( a )= ∫ f ( x ) dx
−∞
Contoh 1a
Misalkan X adalah variabel acak kontinu yang fungsi kepadatan probabilitasnya diberikan oleh :
2
f ( x )= C ( 4 x−2 x ) 0< x<2
{ 0 sebaliknya
a) Berapakah nilai C?
b) Temukan P {X >1 }
Solusi : a) Karena f adalah fungsi kepadatan probabilitas, kita harus memiliki ∫ f ( x ) dx=1,
−∞
maka :
2
C ∫ ( 4 x−2 x 2) dx=1
0
atau
2 x 3 x=2
[
C 2 x 2− ]|
3 x=0
=1
atau
3
C=
8
Karenanya,
∞ 2
3 2 1
(b) P { X >1 }=∫ f ( x ) dx= ∫ ( 4 x−2 x ) dx=
1 8 1 2
Contoh 1b
Jumlah waktu dalam jam yang digunakan komputer sebelum mogok adalah variabel acak
kontinu dengan fungsi kepadatan probabilitas yang diberikan oleh
−x
{
f ( x )= λ e 100 x ≥ 0
0 x< 0
(a) komputer akan berfungsi antara 50 dan 150 jam sebelum mogok?
∞ ∞
1= ∫ f ( x ) dx=λ ∫ e− x/ 100 dx
−∞ 0
Kita peroleh
1
1=− λ(100) e−x/ 100 ∞ =100 λ atau λ=
0 | 100
Oleh karena itu, peluang komputer akan berfungsi antara 50 dan 150 jam sebelumnya mogok
diberikan oleh
150
1 −x/ 100
dx=−e−x /100 150
P { 50< X <150 }=∫
50 100
e | 50
Dengan kata lain, sekitar 63,3 persen dari waktu, komputer akan gagal sebelumnya mendaftarkan
100 jam penggunaan.
Contoh 1c
2
f ( x )= k x , 0≤ x ≤ 3
{ 0 , x lainnya
Tentukan nilai k agar f(x) merupakan fungsi kepadatan peluang dari peubah acak X
Solusi :
Berdasarkan sifat dari fungsi peluang peubah acak kontinu, maka diperoleh nilai k yaitu :
∫ k x 2 dx=1
0
k 33
x =1
3 0 |
27 k
=1
3
1
k=
9
Dengan demikian, fungsi kepadatan peluangnya adalah :
1 2
{x
f ( x )= 3 , 0≤ x ≤ 3
0
, x lainnya
B. Harapan Dan Variansi Variabel Random Berkelanjutan.
Dalam Bab 4, kami mendefinisikan nilai yang diharapkan dari variabel acak diskrit X dengan
E [ X ] =∑ xP { X=x }
x
Jika X adalah peubah acak kontinu yang memiliki fungsi kerapatan peluang f (x), maka,karena
f ( x ) dx ≈ P { x ≤ X ≤ x +dx }
untuk dx kecil mudah untuk melihat bahwa definisi analog adalah untuk menentukan nilai yang
diharapkan dari X dengan
∞
E [ X ] = ∫ xf ( x ) dx
−∞
Contoh 2a
Temukan E[X] ketika fungsi kerapatan X adalah
f ( x )= 2 x jika0 ≤ x ≤ 1
{ 0 sebaliknya
Solusi :
1
2
E [ X ] =∫ xf ( x ) dx¿ ∫ 2 x 2 dx ¿
0
3
Contoh 2b
f ( x )= {2 0x sebaliknya
jika0 ≤ x ≥ 1
Temukan E ¿]
Solusi
Misalkan Y =e X . Kita mulai dengan menentukan F Y , fungsi distribusi probabilitas dari Y.
Sekarang, untuk 1 ≤ x ≤e ,
F Y ( x )=P { Y ≤ x }
¿ P {eX ≤ x } ¿ log( x )
Dengan mendiferensiasikan F Y (x ), kita dapat menyimpulkan bahwa fungsi kerapatan
probabilitas dari Y diberikan oleh
1
F Y ( x )= 1 ≤ x ≤ e
x
Karenanya
∞
E [ e X ] =E [ Y ]= ∫ x f Y ( x ) dx
−∞
e
¿ ∫ dx
1
¿ e−1
C. Mampu Memahami Tentang Variabel Random Seragam.
Suatu peubah acak dikatakan terdistribusi merata pada selang (0, 1) jika fungsi kepadatan
probabilitas diberikan oleh
f ( x )= {0 1sebaliknya
0< x <1
(3.1)
∞ 1
∫ f ( x ) dx=∫ dx =1. Karena f (x)>0 hanya jika x ∈(0,1), maka x harus mengasumsikan nilai
−∞ 0
dalam interval (0,1). Juga, karena f (x) konstan untuk x ∈ ( 0,1 ), x kemungkinannya sama untuk
Gambar 5.3
berada di dekat nilai apa pun di (0,1) karena berada di dekat nilai lainnya. Untuk memverifikasi
pernyataan ini,perhatikan bahwa, untuk setiap 0< a<b<1,
b
P { a ≤ X ≤ b }=∫ f ( x ) dx=b−a
a
Dengan kata lain, peluang bahwa X berada pada subinterval tertentu (0 , 1)sama dengan panjang
subinterval tersebut. Secara umum, kita mengatakan bahwa X adalah variabel acak seragam pada
interval (α , β ) jika fungsi kepadatan probabilitas dari X diberikan oleh
1
{
f ( x )= β−α
jika α < x< β
0 sebaliknya
(3.2)
Karena f ( a )= ∫ f ( x ) dx, berikut dari Persamaan (3.2) bahwa fungsi distribusi dari variabel acak
−∞
0 a≤ α
F ( a )=
{
a−α
β−α
α <a< β
1a≥ β
Contoh 1:
Jika X terdistribusi merata di(0 , 10), hitung peluang bahwa (a) X <3 ,( b) X > 6 , dan(c )3< X <8.
Solusi :
3
1 3
a). P ( X <3 ) =∫ dx=
0 10 10
10
1 4
b). P ( X >6 )=∫ dx=
6 10 10
c). P ¿
contoh 2:
Bus tiba di perhentian tertentu dengan interval 15 menit mulai pukul 7 pagi. Artinya, mereka tiba
di 7, 7:15, 7:30, 7:45, dan seterusnya. Jika seorang penumpang tiba di halte pada waktu yang
terdistribusi merata antara 7 dan 7:30, tentukan peluang dia menunggu
Solusi :
Biarkan X menunjukkan jumlah menit melewati 7 bahwa penumpang tiba di berhenti. Karena X
adalah variabel acak seragam selama interval (0,30), Oleh karena itu, ia Penumpang harus
menunggu kurang dari 5 menit jika (dan hanya jika) ia tiba di antara 7:10 dan 7:15 atau antara
7:25 dan 7:30. Oleh karena itu, probabilitas yang diinginkan untuk bagian (a) adalah
15 30
1 1 1
P ( 10< X <15 ) + P( 25< X <30)=∫ dx+∫ dx =
10 30 25 30 3
Demikian pula, dia harus menunggu lebih dari 10 menit jika dia tiba antara jam 7 dan 7:05 atau
antara 7:15 dan 7:20, sehingga probabilitas untuk bagian (b) adalah
1
P ( 0< X <5 )+ P (15< X <20)=
3
Kami mengatakan bahwa X adalah variabel acak normal, atau hanya bahwa X biasanya
didistribusikan,
1 2 2
Fungsi kepadatan ini adalah kurva berbentuk lonceng yang simetris sekitar μ . (Lihat Gambar
5.5.)
(Gambar 5.5)
Distribusi normal diperkenalkan oleh ahli matematika Prancis Abraham DeMoivre pada
tahun 1733, yang menggunakannya untuk memperkirakan probabilitas yang terkait dengan
variabel acak binomial ketika parameter binomial n besar. Hasil ini kemudian diperpanjang oleh
Laplace dan lainnya dan sekarang dicakup dalam teorema probabilitas dikenal sebagai teorema
limit pusat, yang dibahas dalam Bab 8. Limit pusat teorema, salah satu dari dua hasil yang paling
penting dalam teori probabilitas, memberikan dasar teoretis untuk pengamatan empiris yang
sering dicatat bahwa, dalam praktiknya, banyak acak fenomena mematuhi, setidaknya kira-kira,
distribusi probabilitas normal. Beberapa contoh fenomena acak yang mematuhi perilaku ini
adalah tinggi badan seorang pria, kecepatan ke segala arah dari molekul dalam gas, dan
kesalahan yang dibuat dalam mengukur kuantitas fisik.
Untuk membuktikan bahwa f (x) memang merupakan fungsi kerapatan peluang, kita
perlu menunjukkan bahwa
∞
1 2 2
∫e 2σ
dx= ∫ e− y dy
√ 2 πσ − ∞ √2 π −∞
∞ 2
− y2
∫e dy= √ 2 π
−∞
∞ 2
2
−y
Untuk tujuan ini, biarkan I = ∫ e dy. Kemudian
−∞
∞ 2 ∞ 2
2 − y2 −x 2
I =∫ e dy ∫ e dx
−∞ −∞
∞ ∞
2 2
¿ ∫ ∫ e−( y + x )/ 2 dy dx
−∞ −∞
Kami sekarang mengevaluasi integral ganda dengan mengubah variabel menjadi polar koordinat.
(Artinya, misalkan x=r cos θ , y=r sin , dan dydx=rdθ dr ¿. Jadi,
∞ 2π
2
I 2=∫ ∫ e−r /2 dθ dr
0 0
2
∞ −r
2
¿2π∫r e dr
0
|∞0
2
−r
¿−2 π e
¿2π
Fakta penting tentang variabel acak normal adalah jika X terdistribusi normal dengan parameter
μ dan σ 2, makaY =aX +b terdistribusi normal dengan parameter aμ+ b dan a 2 σ 2 . Untuk
membuktikan pernyataan ini, misalkan a> 0. (Buktinya Ketika a< 0 serupa.) Biarkan F Y
menunjukkan fungsi distribusi kumulatif dari Y . Kemudian
F Y =P {Y ≤ x )
¿ P { aX +b ≤ x }
x−b
¿P X<{ a }
x−b
¿ FX ( )
a
Dimana F X adalah fungsi distribusi kumulatif dari X . Dengan diferensiasi, maka fungsi densitas
Y adalah
1 x−b
f Y ( x )= fx
a ( )
a
2
1 x−b
¿ exp {−( −μ) /2 σ 2 }
√2 π aσ a
1 2
¿ exp {−x−b−aμ ) /2¿
√2 π aσ
Implikasi penting dari hasil sebelumnya adalah jika X terdistribusi normal dengan
parameter μ dan σ 2 2, maka Z=( X−μ)/σ terdistribusi normal dengan parameter 0 dan 1.
Variabel acak seperti itu dikatakan standar, atau unit, acak normal variabel.
Kami sekarang menunjukkan bahwa parameter μ dan σ 2 dari variabel acak normal
mewakili, masing-masing, nilai yang diharapkan dan varians.
Contoh 1 :
Jika X adalah variabel acak normal dengan parameter μ=3 dan σ 2=9, cari (a¿ P {2< X <5 }; (b)
P {X > 0};(c)P {∨X −3∨¿ 6 }.
Solusi :
a. P { 2< X <5 }=P { 2−33 < X−3
3
<
5−3
3 }
−1 2
¿ P{ <Z< }
3 3
¿Φ ( 23 )−Φ ( −13 )
¿Φ ( 23 )−[1−Φ 31 ] ≈ .3779
b. P { X >0 }=P { X−3
3
>
0−3
3 }
=P {Z >−1 }
¿ 1−Φ (−1 )
¿ Φ (1)
≈ .8413
c. P {|X −3|>6 }=P { X > 9 }+ {X ←3 }
¿P { X −3
3
>
9−3
3 }+P {
X −3 −3−3
3
<
3 }
¿ P { Z >2 } + P { Z ←2 }
¿ 1−Φ (2 )+Φ (−2 )
¿ 2 [1−Φ ( 2 ) ]
≈ .0456
Contoh 2 :
Seorang saksi ahli dalam setelan ayah bersaksi bahwa panjang (dalam hari) kehamilan manusia
kira-kira berdistribusi normal dengan parameter μ=270 dan σ 2=100. Terdakwa dalam gugatan
tersebut dapat membuktikan bahwa ia berada di luar negeri selama periode yang dimulai 290 hari
sebelum kelahiran anak dan berakhir 240 hari sebelumnya kelahiran. Jika terdakwa sebenarnya
adalah ayah dari anak tersebut, berapa peluangnya? bahwa ibu dapat memiliki kehamilan yang
sangat panjang atau sangat pendek yang ditunjukkan oleh kesaksian?
Solusi :
Biarkan X menunjukkan panjang kehamilan, dan asumsikan bahwa terdakwa adalah ayah. Maka
probabilitas kelahiran dapat terjadi dalam yang ditunjukkan periode adalah
P= { X >290 atau X < 240 }=P { X >290 }+ P { X < 240 }
¿P { X −270
10
>2 }+ P {
X −270
20
←3 }
¿ 1−Φ (2 )+1−Φ ( 3 )
≈ .0241
Hasil penting dalam teori probabilitas yang dikenal sebagai batas DeMoivre–Laplace
orem menyatakan bahwa ketika n besar, variabel acak binomial dengan parameter n dan p akan
memiliki distribusi yang kira-kira sama dengan variabel acak normal dengan mean dan varians
1
yang sama dengan binomial. Hasil ini terbukti awalnya untuk kasus khusus p= oleh DeMoivre
2
pada tahun 1733 dan kemudian diperluas ke p umum oleh Laplace pada tahun 1812. Ini secara
resmi menyatakan bahwa jika kita "menstandarkan" binomial dengan terlebih dahulu
mengurangkan mean np dan kemudian membagi hasilnya dengan standar deviasinya √ np(1−p),
maka fungsi distribusi variabel acak standar ini (yang memiliki rata-rata 0 dan varians 1) akan
konvergen ke fungsi distribusi normal standar sebagai n → ∞.
Sebagai n → ∞
Karena teorema sebelumnya hanya merupakan kasus khusus dari teorema limit pusat,
yang disajikan dalam Bab 8, kami tidak akan menyajikan bukti. Perhatikan bahwa kita sekarang
memiliki dua kemungkinan perkiraan untuk probabilitas binomial: Pendekatan Poisson, yang
baik ketika n besar dan p kecil, dan normal aproksimasi, yang dapat ditunjukkan cukup baik
ketika np ( 1− p ) besar. (Lihat Gambar 5.6.) [Pendekatan normal, secara umum, akan cukup baik
untuk nilai n memuaskan [np (1− p)≥ 10 ¿.
Contoh :
Ukuran ideal kelas tahun pertama di perguruan tinggi tertentu adalah 150 siswa. perguruan
tinggi, mengetahui dari pengalaman masa lalu bahwa, rata-rata, hanya 30 persen dari mereka
yang diterima untuk masuk benar-benar akan hadir, menggunakan kebijakan menyetujui aplikasi
450 siswa. Hitung probabilitas bahwa lebih dari 150 siswa tahun pertama menghadiri ini!
Kampus.
Solusi :
Jika X menyatakan banyaknya siswa yang hadir, maka X adalah variabel acak binomial dengan
parameter n=450 dan p=.3 . Menggunakan koreksi kontinuitas kita melihat bahwa pendekatan
normal menghasilkan
X−(450)(.3) 150.5−(450)(.3)
P= { X ≥ 150.5 } =P
{ }{
√ 4550.(.3)(.7)
≥
√ 450.(.3)(.7) }
≈ 1−Φ (1.59 )
≈ .0559
Oleh karena itu, kurang dari 6 persen dari waktu melakukan lebih dari 150 dari 450 pertama
yang diterima benar-benar hadir.
Contoh 2:
Untuk menentukan efektivitas diet tertentu dalam mengurangi jumlah kolesterol dalam aliran
darah, 100 orang menjalani diet. Setelah mereka melakukan diet untuk jangka waktu yang cukup,
jumlah kolesterol mereka akan diambil. Ahli gizi menjalankan percobaan ini telah memutuskan
untuk mendukung diet jika setidaknya 65 persen dari orang memiliki jumlah kolesterol yang
lebih rendah setelah melakukan diet. Berapakah peluangnya? bahwa ahli gizi mendukung diet
baru jika, pada kenyataannya, itu tidak berpengaruh pada kolesterol tingkat?
Solusi :
Mari kita asumsikan bahwa jika diet tidak berpengaruh pada jumlah kolesterol, maka, benar-
benar kebetulan, jumlah setiap orang akan lebih rendah daripada sebelum diet dengan
1
probabilitas . Oleh karena itu, jika X adalah jumlah orang yang jumlahnya dikurangi, maka
2
probabilitas bahwa ahli gizi akan mendukung diet ketika itu sebenarnya tidak berpengaruh pada
jumlah kolesterol adalah
100 100
1
∑ (100
i ) ( 2)
=P { X ≥64.5 }
i=65
( 12 ) ≥ 2.9
¿P
{ X−(100)
√ 22 1 1
100 ( )( ) }
≈ 1−Φ (2.9 )
≈ .0019