KONSEP PROBABILITAS (KONSEP KEMUNGKINAN)

Kami memperkenalkan konsep dasar probabilitas dan menerapkannya ke

sistem fisik sederhana dan dalam kehidupan sehari-hari. Kami akan menemukan
sifat universal dari teorema limit pusat dan distribusi Gaussian untuk sejumlah
besar proses acak dan membahas hubungannya dengan termodinamika. Karena
pentingnya probabilitas dalam banyak konteks dan relatif sedikit waktu itu akan
membawa kita untuk menutupi topik yang lebih maju, diskusi kita melampaui apa
yang akan kita butuhkan untuk sebagian besar aplikasi mekanika statistik.
3.1 Probabilitas dalam kehidupan sehari-hari
Bab 2 memberikan pengantar termodinamika menggunakan argumen
makroskopik. Tujuan kita, yang kita akan mempertimbangkan lagi di Bab 4,
adalah untuk menghubungkan perilaku berbagai jumlah makroskopik dengan
perilaku mikroskopis yang mendasari atom individu atau konstituen lainnya.
Untuk melakukannya, kita akan perlu untuk memperkenalkan beberapa ide dari
probabilitas.
Kita semua menggunakan ide-ide dari probabilitas dalam kehidupan
sehari-hari. Misalnya, setiap pagi banyak dari kita memutuskan apa yang akan
dikenakan berdasarkan probabilitas hujan. Kami menyeberangi jalan mengetahui
bahwa probabilitas akan ditabrakoleh mobil. Kita bahkan dapat membuat
perkiraan kasar dari probabilitas tabrakan oleh sebuah mobil. Ini harus kurang
bahwa satu dari seribu, karena Anda telah menyeberang jalan ribuan kali dan
mudah-mudahan Anda belum terkena. Tentu saja Anda mungkin terkena besok,
atau Anda mungkin telah ditabrak pertama kali ketika anda mencoba menabrak
jalan. Komentar ini menggambarkan bahwa kita memiliki beberapa pengertian
intuitif probabilitas dan karena merupakan konsep yang berguna untuk bertahan
hidup, kita tahu bagaimana memperkirakan itu. Seperti yang diungkapkan oleh
Laplace (1819),

teori probabilitas (kemungkinan) hanyalah akal sehat dikurangi menjadi

perhitungan.
Pikiran lain yang menarik adalah karena Maxwell (1850):
Logika sebenarnya dari dunia ini adalah kalkulus probabilitas. . .

Namun, intuisi hanya membawa kita sejauh ini. Pertimbangkan perjalanan

pesawat. Apakah aman untuk terbang? Seharusnya bahwa ada satu kesempatan di
100.000 dari pesawat menabrak pada penerbangan tertentu dan bahwa ada 1000
penerbangan setiap hari. Kemudian setiap 100 hari atau lebih akan ada
kemungkinan wajar dari pesawat menerjang. Perkiraan ini sesuai kasar dengan
apa yang kita baca. Untuk penerbangan yang diberikan, kemungkinan Anda
menerjang sekitar satu bagian dalam 105, dan jika Anda terbang lima kali setahun
selama 80 tahun, tampaknya yang terbang tidak terlalu banyak risiko. Namun,
anggaplah bahwa alih-alih hidup 80 tahun, Anda bisa hidup 20.000 tahun. Dalam
hal ini Anda akan mengambil 100.000 penerbangan, dan itu akan menjadi jauh
lebih berisiko untuk terbang jika Anda berharap untuk hidup penuh 20.000 tahun.
Meskipun pernyataan terakhir ini tampaknya masuk akal, bisa Anda menjelaskan
mengapa?
Sebagian besar motivasi untuk formulasi matematis probabilitas muncul
dari kemampuan penjudi profesional dalam memperkirakan peluang perjudian dan
keinginan mereka untuk memiliki langkah-langkah yang lebih kuantitatif.
Meskipun permainan kesempatan telah dimainkan sejak sejarah telah mencatat,
langkah pertama menuju formulasi matematis dari permainan kesempatan dimulai
pada pertengahan abad ke-17. Beberapa kontributor penting selama 150 tahun
berikutnya termasuk Pascal, Fermat, Descartes, Leibnitz, Newton, Bernoulli, dan
Laplace, nama-nama yang mungkin asing bagi Anda.
Mengingat sejarah panjang permainan kesempatan dan kepentingan dalam
memperkirakan probabilitas dalam berbagai konteks, itu adalah luar biasa bahwa
teori probabilitas mengambil begitu lama untuk berkembang. Salah satu alasannya

adalah bahwa ide probabilitas halus dan mampu banyak penafsiran. Pemahaman
tentang probabilitas adalah sulit dipahami karena sebagian fakta bahwa mungkin
tergantung pada status informasi yang di miliki (fakta yang diketahui pemain
poker). Meskipun aturan probabilitas didefinisikan oleh aturan matematika
sederhana, pemahaman tentang probabilitas sangat dibantu oleh pengalaman
dengan data real dan masalah konkret. Untuk menguji pemahaman Anda saat
probabilitas, mencoba memecahkan Masalah 3,1-3,6 sebelum membaca sisa bab
ini. Kemudian pada Soal 3.7 merumuskan hukum-hukum probabilitas yang
terbaik yang berdasarkan solusi untuk masalah ini.
Soal 3.1. Sebuah toples yang berisi 2 oranye, 5 biru, 3 merah, dan 4
kelereng kuning. Sebuah kelereng diambil secara acak dari tabung. Carilah
probabilitas bahwa (a) marmer berwarna oranye, (b) marmer berwarna merah, (C)
marmer berwarna oranye atau biru.
Soal 3.2. Sebuah celengan berisi satu sen, satu nikel, sepeser, dan
seperempat. Hal ini terguncang sampai dua koin jatuh secara acak. Berapa
probabilitas bahwa setidaknya $ 0,30 jatuh?
Soal 3.3. Seorang gadis melemparkan sepasang dadu pada saat yang sama.
Carilah probabilitas bahwa (a) kedua dadu menunjukkan jumlah yang sama, (b)
kedua dadu menunjukkan angka kurang dari 5, (c) kedua dadu menunjukkan
angka genap, (d) produk dari angka adalah 12.
Soal 3.4. Seorang anak memukul 16 lemparan bebas dari 25 usaha. Berapa
probabilitas bahwa ia akan membuat lemparan bebas pada upaya berikutnya?
Soal 3,5. Pertimbangkan sebuah percobaan di mana dilempar 150 kali dan
jumlah kali setiap dihitung. Nilai dari A, jumlah titik dan jumlah kali bahwa itu
muncul ditunjukkan pada Tabel 3.1. Apa nilai rata-rata prediksi dari A dengan
asumsi dadu? Berapa nilai rata-rata A diamati dalam percobaan ini?
Soal 3.6. Sebuah koin diambil secara acak dari sebuah tas yang berisi satu
sen, dua sen, empat dime, dan tiga perempat. Jika x sama dengan nilai koin,
menemukan nilai rata-rata x.

Nilai dari A
1

Frekuensi
23

28

30

21

23

25

Soal 3.7. Berdasarkan solusi untuk masalah di atas, menyatakan aturan

probabilitas Anda memahami mereka saat ini. Masalah berikut yang berhubungan
dengan penggunaan probabilitas dalam kehidupan sehari-hari.
Soal 3.8. Misalkan Anda menawarkan pilihan berikut: a tertentu $ 10 atau
kesempatan bergulir dan menerima $ 36 jika muncul 5 atau 6, tapi tidak
sebaliknya. Membuat argumen yang mendukung setiap pilihan.
Soal 3,9. Misalkan Anda ditawarkan pilihan berikut: (a) hadiah dari $ 100
jika flip koin menghasilkan kepala atau (b) hadiah tertentu $ 40. Pilihan apa yang
akan Anda buat? Jelaskan alasan Anda.
Soal 3.10. Misalkan Anda ditawarkan pilihan berikut: (a) hadiah sebesar $
100 diberikan untuk setiap kepala yang ditemukan di sepuluh membalik koin atau
(b) hadiah tertentu $ 400. Pilihan apa yang akan Anda buat? Jelaskan alasan Anda.
Soal 3.11. Misalkan Anda adalah untuk menilai suatu peristiwa menjadi
99,9999% kemungkinan. Apakah Anda bersedia untuk bertaruh $ 999.999
terhadap $ 1 bahwa acara ini akan terjadi? Diskusikan mengapa penilaian
probabilitas harus disimpan terpisah dari masalah keputusan.
Soal 3.12. Misalkan seseorang memberi Anda satu dolar untuk bermain
lotere. Apa urutan enam angka antara 1 dan 36 yang akan Anda pilih?
Soal 3.13. Misalkan Anda melemparkan sebuah koin 8 kali dan
mendapatkan pertama setiap kali. Memperkirakan probabilitas bahwa Anda akan
mendapatkan pertama pada lemparan kesembilan Anda.

Soal 3.14. Apa probabilitas bahwa akan hujan besok? Berapa probabilitas
bahwa Dow Jones industrial average akan meningkat besok?
Soal 3.15. Berikan beberapa contoh penggunaan probabilitas dalam
kehidupan sehari-hari. Membedakan antara berbagai jenis probabilitas.
3.2 Aturan probabilitas
Kami sekarang meringkas aturan dasar dan ide-ide dari probabilitas
(kemungkinan/peluang). Misalkan ada sebuah operasi atau proses yang memiliki
beberapa kemungkinan hasil yang berbeda. Proses ini mungkin flip koin atau
gulungan dari enam sisi Kami menyebut setiap membalik pengadilan. Daftar
semua peristiwa yang mungkin atau hasil disebut ruang sampel. Kami berasumsi
bahwa peristiwa yang saling eksklusif, yaitu, terjadinya satu peristiwa
menyiratkan bahwa orang lain tidak dapat terjadi pada saat yang sama. Kami
biarkan n merupakan jumlah peristiwa, dan label peristiwa dengan indeks i yang
bervariasi dari 1 sampai n. Untuk saat ini kita asumsikan bahwa ruang sampel
terbatas dan diskrit. Misalnya, flip dari hasil koin di salah satu dari dua peristiwa
yang kita sebut sebagai kepala dan ekor dan peran dari hasil salah satu dari enam
peristiwa mungkin.
Untuk setiap i, kami menetapkan probabilitas P (i) yang memenuhi kondisi
P(i) 0

(3.1)

Dan

P(i)=1

(3.2)

P (i) = 0 berarti bahwa peristiwa itu tidak dapat terjadi, dan P (i) = 1 menyiratkan
bahwa peristia terjadi. Kondisi normalisasi (3.2) mengatakan bahwa jumlah dari
probabilitas dari semua hasil yang mungkin saling eksklusif adalah kesatuan.

Contoh 3.1. Biarkan x menjadi jumlah titik di depan. Apa ruang sampel
dari x? solusi. Ruang sampel atau mengatur peristiwa yang mungkin adalah xi =
{1, 2, 3, 4, 5, 6}. Keenam hasil yang saling eksklusif....
Aturan probabilitas akan diringkas lebih lanjut dalam (3.3) dan (3.4).
Aturan-aturan abstrak harus dilengkapi dengan interpretasi probabilitas jangka.
Seperti yang akan kita lihat, ada banyak interpretasi yang berbeda dari
probabilitas karena setiap interpretasi yang memenuhi aturan probabilitas dapat
dianggap sebagai semacam probabilitas.
Mungkin interpretasi probabilitas yang paling mudah untuk memahami
berdasarkan simetri. Misalkan kita memiliki koin dua sisi yang menunjukkan
kepala dan ekor. Maka ada dua kemungkinan hasil saling eksklusif, dan jika koin
sempurna, setiap hasil adalah sama-sama mungkin. Jika dadu dengan enam yang
berbeda (lihat Gambar 3.1) sempurna, kita dapat menggunakan argumen simetri
untuk berpendapat bahwa setiap hasil harus dihitung sama dan P (i) = 1/6 untuk
masing-masing permukaan enam dadu. kita dapat memperkirakan probabilitas a
posteriori, yaitu, dengan pengamatan hasil dari banyak melempar. Seperti biasa
dalam fisika, intuisi kita akan membawa kita ke konsep.

Misalkan kita tahu bahwa probabilitas bergulir setiap dalam satu lemparan
sama dengan 1/6, dan kita ingin mencari probabilitas untuk menemukan 3 atau 6
dalam satu lemparan. Dalam hal ini kita ingin mengetahui probabilitas percobaan
yang merupakan kombinasi dari operasi yang lebih elementer yang probabilitas
sudah dikenal. Artinya, kita ingin tahu kemungkinan hasilnya, i atau j, di mana i
berbeda dari j. Menurut aturan probabilitas, probabilitas acara i atau j diberikan
oleh
P (i atau j) = P (i) + P (j).

(Aturan pertambahan) (3.3)

Hubungan (3.3) adalah digeneralisasikan untuk lebih dari dua peristiwa.

Konsekuensi penting dari (3.3) bahwa jika P (i) adalah probabilitas dari nilai i,
maka probabilitas dari kejadian i tidak terjadi adalah 1-P (i).
6

Contoh 3.2. Apa probabilitas melemparkan tiga atau melempar enam

dengan satu dari dadu? solusi. Probabilitas bahwa menunjukkan 3 atau 6 adalah
1 1 1
+ =
6 6 3

Contoh 3.3. Apa probabilitas tidak membuang enam dengan satu lemparan
dadu?
solusi. Jawabannya adalah probabilitas baik "1 atau 2 atau 3 atau 4 atau 5." Aturan
Selain memberikan bahwa probabilitas P (bukan enam) adalah
P(not six) = P(1) + P(2) + P(3) + P(4) + P(5)
= 1 P(6) =

5
6

di mana hubungan terakhir bahwa jumlah dari probabilitas untuk semua

hasil jumlah kesatuan. Meskipun properti ini kemungkinan sudah jelas, sangat
berguna untuk mengambil keuntungan dari properti ini. Ketika memecahkan
banyak masalah probabilitas aturan sederhana lain untuk probabilitas terjadinya
gabungan peristiwa independen. Peristiwa ini mungkin melemparkan 3 pada satu
dadu dan probabilitas melemparkan 4 pada dadu kedua. Jika dua peristiwa yang
independen, maka probabilitas dari kedua peristiwa yang terjadi adalah produk
dari probabilitas mereka
P (i dan j) = P (j) P (j). (Aturan perkalian)

( 3.4)

Peristiwa independen jika terjadinya satu peristiwa tidak mengubah

probabilitas untuk terjadi lainnya.
Untuk memahami penerapan (3.4) dan makna peristiwa tersebut,
mempertimbangkan masalah penentuan probabilitas bahwa seseorang yang dipilih
secara acak adalah perempuan lebih dari enam kaki. Misalkan kita tahu bahwa

kemungkinan seseorang menjadi lebih dari enam kaki adalah P (6 +) =

1
5

, dan

probabilitas menjadi perempuan adalah P (perempuan) =

1
2 . Kita dapat

menyimpulkan bahwa probabilitas menjadi perempuan tinggi adalah P

(perempuan) P (6+) =

1 1

5 2

1
10 . Probabilitas yang sama akan berlaku

untuk laki-laki tinggi. Namun, alasan ini tidak benar, karena kemungkinan
menjadi perempuan tinggi berbeda dari probabilitas menjadi laki-laki tinggi.
Masalahnya adalah bahwa dua peristiwa - menjadi lebih dari enam kaki tinggi dan
menjadi perempuan - tidak independen. Di sisi lain, mempertimbangkan
kemungkinan bahwa seseorang yang dipilih secara acak adalah perempuan dan
lahir pada 6 September . Kami dapat menganggap kemungkinan sama ulang tahun
untuk semua hari dalam setahun, dan itu adalah benar untuk menyimpulkan

bahwa probabilitas ini adalah

1
2

1
365

(tidak termasuk tahun kabisat).

Menjadi seorang wanita dan dilahirkan pada 6 September adalah peristiwa yang
independen.
Soal 3.16. Berikan contoh dari solusi untuk Masalah (3,1) (3,6) mana
Anda menggunakan aturan penambahan atau aturan perkalian.
Contoh 3.4. Apa probabilitas melempar bahkan jumlah dengan satu
lemparan dari dadu? solusinya. Kita dapat menggunakan aturan Selain
menemukan bahwa
P (bahkan) = P (2) + P (4) + P (6) =

1 1 1 1
+ + =
6 6 6 2

Contoh 3.5. Apa probabilitas wajah yang sama muncul di dua berturutturut melempar sebuah dadu? solusinya. Kita tahu bahwa kemungkinan kombinasi

1
6

spesifik hasil, misalnya, (1,1), (2,2),. . . (6,6) adalah

1
6

1
36 . Oleh

karena itu, dengan aturan penambahan

P (same face) = P(1,1) + (2,2) + . . . + (6,6) = 6

1 1
=
6 6

Contoh 3.6. Berapa probabilitas bahwa dalam dua lemparan dari sebuah
dadu setidaknya satu enam muncul? Larutan. Kami telah menetapkan bahwa
P (6) =

1
6

P (not 6) =

5
6

Ada empat kemungkinan hasil (6, 6), (6, tidak 6), (bukan 6, 6), (bukan 6,
tidak 6) dengan probabilitas
P (6,6) =

1
6

1
6

1
36 .

P (6, not 6) = P ( not 6,6) =

5
6

P ( not 6, not 6) =

1
6

5 5
=
6 36 .

5 25
=
6 36

Semua hasil kecuali yang terakhir memiliki 1 per 6. Oleh karena itu,
peluang mendapatkan satu per enam adalah
P ( at least one 6) = P (6,6) + P (6, not 6) + P (not 6,6)
=

1
36

+5 5
+
36 36

11
36

Cara langsung untuk memperoleh hasil ini adalah dengan menggunakan

kondisi normalisasi. Itu adalah,

P (setidaknya satu enam) = 1 - P (tidak 6, tidak 6) = 1-

25
36

11
36 .

Contoh 3.7. Apa probabilitas setidaknya satu enam empat melempar

sebuah dadu? Larutan. Kita tahu bahwa dalam satu lemparan dari sebuah dadu,

ada dua hasil dengan P (6) =

1
6

dan P (tidak 6) =

5
6 . Oleh karena itu, dalam

empat melempar sebuah dadu ada enam belas hasil yang mungkin, hanya satu
yang tidak memiliki enam. Artinya, dalam lima belas hasil saling eksklusif, ada
setidaknya satu enam. Kita dapat menggunakan aturan perkalian (3,3) untuk
menemukan bahwa

P ( not 6, not 6, not 6, not 6) = P(not 6) =

( 56 )

Dan
P (at least one six) = 1 P (not 6, not 6, not 6, not 6)

=1-

( 56 )

625
0,4822
.
1296

Sering kita tahu probabilitas hanya sampai faktor konstan. Sebagai contoh,
kita mungkin tahu P (1) = 2P(2), tetapi tidak P(1) atau P(2) secara terpisah.
Misalkan kita tahu bahwa P (i) sebanding dengan f (i), dimana f (i) adalah fungsi
yang dikenal. Untuk mendapatkan probabilitas normal, kita membagi setiap
fungsi f (i) dengan jumlah dari semua probabilitas. Artinya, jika P(i) f(i) dan Z=

(i), maka P (i) = f (i) / Z. Prosedur ini disebut normalisasi.

10

Contoh 3.8. Misalkan pada kelas tertentu itu adalah tiga kali lebih
mungkin untuk menerima C sebagai A, dua kali lebih mungkin untuk
mendapatkan B sebagai A, seperempat lebih mungkin untuk ditugaskan D sebagai
A, dan tak seorang pun gagal di kelas. Apa probabilitas mendapatkan setiap kelas?
solusi. Kami pertama kali menetapkan probabilitas unnormalized
menerima A sebagai f (A) = 1. Kemudian f (B) = 2, f (C) = 3, dan f (D) = 0,25.
Kemudian Z =

f (i)
i

= 1 + 2 + 3 + 0,25 = 6,25. Karenanya, P (A) = f (A)/Z =

1/6.25 =0,16, P(B)=2/6.25 =0,32, P(C)=3/6.25 =0,48, dan P(D)= 0.25 / 6.25 =
0.04.
Prosedur normalisasi muncul lagi dan lagi dalam konteks yang berbeda.
Kita akan melihat bahwa banyak dari matematika mekanika statistik dapat
dirumuskan dalam hal perhitungan konstanta normalisasi.
Soal 3.17. Menemukan distribusi probabilitas P (n) untuk melemparkan
sejumlah n dengan dua dadu dan plot P(n) sebagai fungsi dari n.
Soal 3.18. Apa probabilitas setidaknya satu ganda enam dua puluh empat
lemparan dari sepasang dadu?
Soal 3.19. Misalkan tiga dadu yang dilemparkan pada waktu yang sama.
Berapa probabilitas bahwa jumlah dari tiga dadu yang 10 dibandingkan dengan 9?
Soal 3.20. Berapa probabilitas bahwa jumlah bintik-bintik yang
ditampilkan pada tiga dadu dilemparkan pada saat yang sama adalah 11? Berapa
probabilitas bahwa total adalah 12? Apa kesalahan pada argumen berikut? Nomor
11 terjadi dalam enam cara: (1,4,6), (2,3,6), (1,5,5), (2,4,5), (3,3,5), (3 , 4,4).
Jumlah 12 juga terjadi pada enam cara: (1,5,6), (2,4,6), (3,3,6), (2,5,5), (3,4,5),
( 4,4,4) dan karenanya dua angka harus sama-sama kemungkinan.
Soal 3.21. Dalam dua kali pelemparan koin tunggal, berapakah
probabilitas bahwa dadu akan muncul setidaknya sekali? Gunakan aturan

11

probabilitas untuk menunjukkan bahwa jawabannya adalah

3
4 . Namun,

d'Alembert, seorang ahli matematika Perancis dibedakan dari abad kedelapan

belas, beralasan bahwa hanya ada 3 kemungkinan hasil: dadu pada lemparan
pertama, dadu dari lemparan kedua, dan tidak ada dadu sama sekali. Dua pertama
dari tiga hasil ini menguntungkan. Oleh karena itu probabilitas bahwa dadu akan

muncul setidaknya sekali adalah

2
3 . Apa kesalahan dalam penalaran ini?

3.3 Nilai Mean (nilai rata-rata)

Spesifikasi distribusi probabilitas P (1), P (2),. . . P (n) untuk nilai n yang
mungkin dari variabel x merupakan deskripsi statistik yang paling lengkap dari
sistem. Namun, dalam banyak kasus akan lebih mudah untuk menggambarkan
distribusi nilai yang mungkin dari x dengan cara kurang rinci. Cara yang paling
akrab adalah untuk menentukan rata-rata atau nilai rata-rata dari x, yang akan
menunjukkan sebagai x. Definisi dari nilai rata-rata dari x adalah
x =x 1 P ( 1 )+ x2 P (2 )+ .+ x n P(n)

(3.6a)

xi P (i)

( 3.6b)

i=1

dimana P (i) adalah probabilitas xi, dan kita telah mengasumsikan bahwa
probabilitas yang normal. Jika f (x) adalah fungsi dari x, maka nilai rata-rata dari f
(x) didefinisikan oleh
n

f (x)= f ( xi)P(i)
i=1

Jika f (x) dan g (x) adalah dua fungsi dari x, maka

12

f ( xi)
(+g ( xi))P(i)
n

f ( x ) + g ( x ) =

i=1

i=1

f ( xi ) P (i ) + g(xi)P (i)

i=1

f ( x ) + g ( x ) =f ( x )+ g ( x )
Soal 3.22. menunjukkan bahwa jika c adalah konstan, maka
cf ( x )+ cf ( x )
Secara umum, kita dapat mendefinisikan saat n dari distribusi probabilitas P
sebagai
n

m
m
x xi P ( i )
i=1

di mana kita telah membiarkan f (x) = xm. Rerata x adalah saat pertama dari
distribusi probabilitas.
Soal 3.23. Misalkan variabel x mengambil nilai-nilai -2, -1, 0, 1, dan 2
dengan probabilitas 1/4, 1/8, 1/8, 1/4, dan 1/4, masing-masing. Menghitung dua
momen pertama x.
Nilai rata-rata dari x adalah ukuran nilai sentral x tentang mana berbagai
nilai x didistribusikan. Jika kita mengukur x dari mean, kita memiliki
x xx
Dan
x )= x x =0
x=( x
Artinya, nilai rata-rata deviasi dari x dari mean-nya lenyap.

13

Jika hanya satu hasil j yang mungkin, kita akan memiliki P (i) = 1 untuk i = j dan
nol sebaliknya, yaitu, distribusi probabilitas akan memiliki nol lebar. Secara
umum, ada lebih dari satu hasil dan ukuran kemungkinan lebar distribusi
probabilitas diberikan oleh
2
x 2 ( x x )

Kuantitas

dikenal sebagai dispersi atau varians dan akar kuadrat

disebut standar deviasi. Sangat mudah untuk melihat bahwa semakin besar
penyebaran nilai-nilai x tentang x, semakin besar varians. Penggunaan kuadrat x-x
memastikan bahwa kontribusi nilai-nilai x yang lebih kecil dan lebih besar dari x
masuk dengan tanda yang sama. Sebuah bentuk yang berguna untuk varians dapat
ditemukan dengan membiarkan
x )2=( x 22 x x + x 2)
( x

x 22 x x + x 2

( xx )2= x 2x 2
Karena x

selalu non-negatif, maka bahwa

varians adalah nilai rata-rata dari (x -

x 2
x
2

x 2

dan mewakili persegi lebar.

Kita akan menemukan bahwa hal ini berguna untuk menafsirkan lebar distribusi
probabilitas dalam hal standar deviasi. Deviasi standar dari P distribusi
probabilitas (x) diberikan oleh

x = x 2= ( x2x 2 )

14

x 2 varians, dan x deviasi

Contoh 3.9. Cari nilai rata-rata x, yang

standar untuk nilai lemparan tunggal dadu. Larutan. Karena P (i) = 16 untuk i = 1,.
. . , 6, kita memiliki
1
7
x = ( 1+2+3+ 4+5+ 6 )= =3,5
6
2
1
46
x 2= ( 1+4 +9+16+ 25+36 )=
6
3
49 37
x 2= x2x 2= = 3,08
4 12
x 3,08=1,76
Contoh 3.10. Rata-rata, berapa kali harus mati dilempar sampai 6 muncul?
Larutan. Meskipun mungkin tampak jelas bahwa jawabannya adalah enam, itu
adalah pelajaran untuk mengkonfirmasi jawaban ini. P adalah probabilitas dari
enam pada lemparan yang diberikan. Probabilitas keberhasilan untuk pertama
kalinya diadili i diberikan pada Tabel 3.2.
Trial
1

Probability of success
on trial i
P

qp

q2p

q3p

Tabel 3.2: Probabilitas kepala untuk pertama kalinya diadili i (q =

1- p).
Jumlah dari probabilitas adalah p + pq + pq 2 + pq3= p (1 + q + q2 + ....) =
p/(1-q) = p/p = 1.Jumlah rata-rata percobaan m adalah
2

m= p+2 pq +3 pq + 4 pq + .

15

 p (1+2 q+3 q 2+ .)

d
2
3
(1+ q+ q +q + )
dq

d 1
p
1
=
=
2
dq 1q ( 1q ) p

Cara lain untuk mendapatkan hasil ini adalah untuk dicatat bahwa jika
lemparan pertama adalah kegagalan, maka mean jumlah lemparan yang
dibutuhkan adalah 1 + m, dan jika lemparan pertama ini sukses, jumlah rata-rata
adalah 1. Oleh karena itu, m = q (1 + m) + p (1) atau m = 1 / p.
3.4 Arti probabilitas
Bagaimana kita dapat menetapkan probabilitas dari berbagai acara? Jika
kita mengatakan bahwa acara E1 lebih mungkin daripada acara E2 (P (E1)> P (E2)),
kita berarti bahwa E1 adalah lebih mungkin terjadi dibandingkan E 2. Pernyataan
ini pemahaman intuitif probabilitas menggambarkan bahwa probabilitas adalah
cara mengelompokkan masuk akal dari peristiwa dalam kondisi ketidakpastian.
Probabilitas terkait dengan gelar kami kepercayaan dalam terjadinya suatu
peristiwa.
definisi konsep probabilitas tidak terikat aturan evaluasi tunggal
dan
ada banyak cara untuk mendapatkan P (E i). Sebagai contoh, kita bisa
menggunakan pertimbangan simetri seperti yang telah kita lakukan, frekuensi
masa lalu, simulasi, perhitungan teoritis, atau seperti yang kita akan belajar dalam
Bagian 3.4.2, inferensi Bayesian. penilaian probabilitas tergantung pada siapa
yang melakukan evaluasi dan status informasi evaluator memiliki pada saat
penilaian. Kami selalu mengevaluasi probabilitas bersyarat, yaitu, probabilitas
dari suatu peristiwa E diberikan informasi I, P (E/I). Akibatnya, beberapa orang

16

dapat memiliki derajat secara bersamaan yang berbeda keyakinan tentang

peristiwa yang sama, seperti yang dikenal investor di pasar saham.
Jika orang yang rasional memiliki akses ke informasi yang sama, mereka
harus sampai pada kesimpulan yang sama tentang kemungkinan suatu peristiwa.
Ide taruhan koheren memaksa kita untuk membuat penilaian probabilitas bahwa
sesuai dengan keyakinan kami dalam terjadinya suatu peristiwa. Jika kita
menganggap sebuah acara menjadi 50% kemungkinan, maka kita harus siap untuk
menempatkan bahkan bertaruh pada terjadinya peristiwa atau di kebalikannya.
Namun, jika seseorang ingin menempatkan taruhan dalam satu arah tetapi tidak
yang lain, itu berarti bahwa orang ini berpikir bahwa acara yang disukai adalah
lebih mungkin daripada yang lain. Di dalam kasus penilaian probabilitas 50%
adalah koheren dan keinginan orang ini tidak sesuai dengan nya keyakinan.
Sebuah taruhan yang koheren harus dipertimbangkan virtual. Misalnya,
seseorang mungkin menilai suatu peristiwa menjadi 99,9999% kemungkinan, tapi
tetap menolak untuk bertaruh $ 999.999 terhadap $ 1, jika $ 999.999 jauh lebih
dari sumber daya seseorang. Namun demikian, orang tersebut mungkin yakin
bahwa taruhan ini akan adil jika dia memiliki anggaran terbatas. penilaian
probabilitas harus disimpan terpisah dari masalah keputusan. Keputusan tidak
hanya tergantung pada probabilitas acara, tetapi juga tentang pentingnya subjektif
dari jumlah uang yang diberikan (lihat Soal 3.11 dan 3.90).
Diskusi probabilitas sebagai tingkat keyakinan bahwa suatu peristiwa akan
terjadi menunjukkan ketidakcukupan definisi frekuensi probabilitas, yang
mendefinisikan probabilitas sebagai rasio jumlah hasil yang diinginkan dengan
jumlah total hasil yang mungkin. Definisi ini tidak memadai karena kita harus
menentukan bahwa setiap hasil memiliki probabilitas yang sama. Jadi kita harus
menggunakan probabilitas istilah dalam definisi sendiri. Jika kita melakukan
percobaan untuk mengukur frekuensi dari berbagai hasil, maka kita perlu
membuat asumsi tambahan bahwa frekuensi diukur akan sama di masa depan
karena mereka di masa lalu. Juga kita harus membuat sejumlah besar pengukuran

17

untuk memastikan akurasi, dan kami tidak memiliki cara untuk mengetahui
apriori berapa banyak pengukuran yang cukup. Dengan demikian, definisi
probabilitas frekuensi benar-benar ternyata menjadi metode untuk memperkirakan
probabilitas dengan beberapa asumsi tersembunyi.
definisi kita tentang probabilitas sebagai ukuran tingkat kepercayaan
terjadinya hasil menyiratkan bahwa probabilitas tergantung pada pengetahuan kita
sebelumnya, karena kepercayaan tergantung pada pengetahuan sebelumnya.
Sebagai contoh, jika kita melemparkan sebuah koin dan mendapatkan 100 ekor
berturut-turut, kita bisa menggunakan pengetahuan ini sebagai bukti bahwa koin
atau melemparkan bias, dan dengan demikian memperkirakan bahwa probabilitas
melemparkan ekor lain sangat tinggi. Namun, jika analisis fisik yang cermat
menunjukkan bahwa tidak ada bias, maka kita akan tetap estimasi kami 1/2.
probabilitas tergantung pada apa pengetahuan kita bawa ke masalah. Jika kita
tidak memiliki pengetahuan selain hasil yang mungkin, maka estimasi terbaik
adalah dengan mengasumsikan probabilitas yang sama untuk semua acara.
Namun, asumsi ini bukan definisi, tetapi contoh keyakinan. Sebagai contoh
pentingnya pengetahuan sebelumnya, pertimbangkan masalah berikut.
Soal 3.24. (A) beberapa A memiliki dua anak. Berapa probabilitas bahwa
setidaknya satu anak adalah seorang cewek? (B) Misalkan Anda tahu bahwa
setidaknya satu anak adalah seorang cewek. Berapa probabilitas bahwa anak
lainnya adalah seorang cewek? (C) Sebaliknya misalkan kita tahu bahwa anak
tertua adalah seorang cewek. Berapa probabilitas bahwa termuda adalah seorang
cewek?
Kita tahu bahwa kita dapat memperkirakan probabilitas empiris oleh
sampling, yaitu dengan membuat pengukuran ulang dari hasil peristiwa
independen. Secara intuitif kita percaya bahwa jika kita melakukan lebih dan lebih
pengukuran, dihitung rata-rata akan mendekati rata-rata yang tepat dari kuantitas
bunga. Ide ini disebut hukum bilangan besar.

18

Sebagai contoh, misalkan kita membalik satu coin M kali dan menghitung
jumlah kepala. Hasil kami untuk jumlah kepala yang ditunjukkan pada Tabel 3.3.
Kami melihat bahwa fraksi kepala mendekati 1/2 sebagai jumlah pengukuran
menjadi lebih besar.
Soal

3.25.

Gunakan

<stp.clarku.edu/simulations/cointoss>

applet

untuk mensimulasikan

aplikasi
beberapa

di
kali

pelemparan koin tunggal. Apa korespondensi antara simulasi ini koin dilempar
berkali-kali dan melemparkan fisik yang sebenarnya dari koin? Jika koin adalah
"adil,"
Heads

Tosses

Fraction of heads

10 0,4

29

50 0,58

49

100 0,49

101

200 0,505

235

500 0,470

518

1,000 0,518

4997

10,000 0,4997

50021

100,000 0,50021

249946

500,000 0,49999

500416

1,000,000 0,50042

Tabel 3.3: Jumlah dan sebagian kecil dari kepala di M melemparkan koin.
(Kami tidak benar-benar melemparkan koin di udara 106 kali. Sebaliknya, kita
menggunakan komputer untuk menghasilkan urutan angka acak untuk
mensimulasikan melempar koin. Karena Anda mungkin tidak akrab dengan urutan
seperti itu, bayangkan sebuah robot yang dapat menulis bilangan bulat positif
antara 1 dan 231 di atas kertas. Tempatkan potongan-potongan ini di topi, kocok
topi, dan kemudian memilih potongan secara acak. Jika jumlah yang dipilih

19

kurang dari 1 2 231, maka kita mengatakan bahwa kita menemukan kepala.
Setiap bagian ditempatkan kembali topi setelah dibaca.
Apa pendapatmu rasio jumlah kepala dengan jumlah total lemparan akan?
Apakah Anda mendapatkan nomor ini setelah 100 kali lemparan? 10.000
lemparan?
Cara

lain

memperkirakan

probabilitas

adalah

untuk

melakukan

pengukuran tunggal pada banyak salinan atau replika dari sistem bunga. Misalnya,
alih-alih membalik satu koin 100 kali berturut-turut, kami mengumpulkan 100
koin dan flip mereka semua pada waktu yang sama. Fraksi koin yang
menunjukkan kepala adalah perkiraan probabilitas dari peristiwa itu. Koleksi
sistem identik disiapkan disebut ensemble dan probabilitas terjadinya peristiwa
tunggal diperkirakan sehubungan dengan ensemble ini. ansambel terdiri dari
sejumlah besar M sistem identik, yaitu, sistem yang memenuhi kondisi yang
dikenal sama.
Jika sistem bunga tidak berubah dalam waktu, itu adalah wajar bahwa
perkiraan
probabilitas dengan baik serangkaian pengukuran pada sistem tunggal pada waktu
yang berbeda atau pengukuran serupa di banyak sistem yang sama pada saat yang
sama akan memberikan hasil yang konsisten. Perhatikan bahwa kita telah
memperkirakan

berbagai

kemungkinan

dengan

frekuensi,

tetapi

belum

didefinisikan probabilitas dalam hal frekuensi. Seperti yang ditekankan oleh

D'Agostini, frekuensi masa lalu adalah data eksperimental. Data ini terjadi dengan
pasti sehingga konsep probabilitas tidak lagi berlaku. Probabilitas adalah berapa
banyak

kita

percaya

bahwa

suatu

peristiwa

akan

terjadi

dengan

mempertimbangkan semua informasi yang tersedia termasuk frekuensi masa lalu.

Karena probabilitas mengkuantifikasi tingkat kepercayaan pada waktu tertentu,
tidak terukur. Jika kita melakukan pengukuran lebih lanjut, mereka hanya dapat
mempengaruhi penilaian masa depan probabilitas.

20