Kursus Pertama dalam Probabilitas

📚 Ringkasan Konten

Pengantar dasar tentang teori probabilitas untuk mahasiswa di bidang matematika, statistik, teknik, dan ilmu pengetahuan. Topik ini mencakup prinsip dasar analisis kombinatorial, aksioma probabilitas, probabilitas bersyarat, variabel acak, serta teorema limit.

Klasik, dasar komprehensif untuk teori matematis dan aplikasi probabilitas.

Penulis: Sheldon Ross

Ucapan Terima Kasih: Hossein Hamedani, Joe Blitzstein, Peter Nuesch, Ivan Ardestani, serta beberapa reviewer/universitas lainnya diberi penghargaan atas akurasi dan masukan.

🎯 Tujuan Pembelajaran

1. Menerapkan Prinsip Dasar dan Prinsip Umum Perhitungan pada eksperimen multi-tahap.
2. Membedakan dan menghitung permutasi serta kombinasi baik untuk objek yang berbeda maupun tidak dapat dibedakan.
3. Membuktikan identitas kombinatorial menggunakan induksi aljabar dan argumen kombinatorial logis.
4. Mendefinisikan ruang sampel dan kejadian untuk berbagai eksperimen, serta menerapkan hukum DeMorgan pada operasi himpunan.
5. Menghitung probabilitas menggunakan tiga aksioma dasar probabilitas dan proposisi sederhana (komplement, gabungan, dan subset).
6. Menyelesaikan masalah kombinatorial kompleks yang melibatkan hasil yang sama kemungkinannya, seperti kartu poker, masalah pertandingan, dan masalah ulang tahun.
7. Mendefinisikan dan menghitung probabilitas bersyarat menggunakan rumus P(E|F) = \frac{P(EF)}{P(F)}.
8. Menerapkan Rumus Bayes untuk menyelesaikan masalah kompleks yang melibatkan hipotesis ganda dan pengujian diagnostik.
9. Membedakan antara kejadian independen dan kejadian bersyarat independen dalam skenario nyata seperti genetika dan teknik.
10. Mendefinisikan variabel acak diskrit dan menghitung fungsi massa probabilitas (PMF) serta fungsi distribusi kumulatif (CDF).

🔹 Pelajaran 1: Analisis Kombinatorial

Gambaran Umum: Pelajaran ini membahas teori matematika dasar perhitungan, dikenal sebagai analisis kombinatorial. Pelajaran bergerak dari prinsip dasar perkalian untuk eksperimen independen hingga studi formal permutasi dan kombinasi. Mahasiswa akan menguasai teorema binomial dan multinomial, menjelajahi berbagai teknik pembuktian, serta menyelesaikan masalah distribusi kompleks menggunakan persamaan bernilai bulat.

Hasil Pembelajaran:

• Menerapkan Prinsip Dasar dan Prinsip Umum Perhitungan pada eksperimen multi-tahap.
• Membedakan dan menghitung permutasi serta kombinasi baik untuk objek yang berbeda maupun tidak dapat dibedakan.
• Membuktikan identitas kombinatorial menggunakan induksi aljabar dan argumen kombinatorial logis.

🔹 Pelajaran 2: Aksioma Probabilitas

Gambaran Umum: Pelajaran ini membangun dasar matematis formal teori probabilitas, dimulai dengan definisi ruang sampel dan kejadian. Pelajaran memperkenalkan Tiga Aksioma Probabilitas Kolmogorov dan proposisi turunan, seperti Prinsip Inklusi-Eksklusi. Konten juga meluas ke aplikasi kombinatorial termasuk Masalah Ulang Tahun dan Masalah Pertandingan.

Hasil Pembelajaran:

• Mendefinisikan ruang sampel dan kejadian untuk berbagai eksperimen, serta menerapkan hukum DeMorgan pada operasi himpunan.
• Menghitung probabilitas menggunakan tiga aksioma dasar probabilitas dan proposisi sederhana.
• Menyelesaikan masalah kombinatorial kompleks yang melibatkan hasil yang sama kemungkinannya, seperti kartu poker, masalah pertandingan, dan masalah ulang tahun.

🔹 Pelajaran 3: Probabilitas Bersyarat dan Independensi

Gambaran Umum: Pelajaran ini mengeksplorasi bagaimana probabilitas suatu kejadian direvisi berdasarkan informasi baru. Pelajaran beralih dari probabilitas tanpa syarat ke kerangka bersyarat, secara formal memperjelas hubungan antara kejadian yang bergantung dan kejadian independen melalui Rumus Bayes dan Aturan Sukses Laplace. Mahasiswa akan belajar memperbarui probabilitas awal dengan bukti empiris untuk mencapai kesimpulan posterior.

Hasil Pembelajaran:

• Mendefinisikan dan menghitung probabilitas bersyarat menggunakan rumus P(E|F) = \frac{P(EF)}{P(F)}.
• Menerapkan Rumus Bayes untuk menyelesaikan masalah kompleks yang melibatkan hipotesis ganda dan pengujian diagnostik.
• Membedakan antara kejadian independen dan kejadian bersyarat independen dalam skenario nyata seperti genetika dan teknik.

🔹 Pelajaran 4: Variabel Acak Diskrit

Gambaran Umum: Pelajaran ini mengeksplorasi teori dan penerapan dasar variabel acak diskrit, yaitu variabel yang himpunan nilai-nilainya terbatas atau tak hingga terhitung. Kita mendefinisikan fungsi massa probabilitas (PMF) dan fungsi distribusi kumulatif (CDF), sekaligus membangun ukuran inti tendensi sentral dan dispersi. Akhirnya, pelajaran ini membahas keluarga distribusi spesifik yang digunakan untuk memodelkan fenomena dunia nyata.

Hasil Pembelajaran:

• Mendefinisikan variabel acak diskrit dan menghitung PMF serta CDF-nya.
• Menghitung Nilai Harapan dan Ragam variabel acak serta fungsi-fungsinya.
• Mengidentifikasi dan menerapkan distribusi probabilitas diskrit yang tepat untuk menyelesaikan masalah cerita kompleks.

🔹 Pelajaran 5: Variabel Acak Kontinu

Gambaran Umum: Pelajaran ini mengeksplorasi sifat dan aplikasi variabel acak kontinu, dengan fokus pada ekspektasi, ragam, serta distribusi probabilitas tertentu. Mahasiswa akan belajar memodelkan fenomena dunia nyata menggunakan distribusi Uniform, Normal, Eksponensial, Gamma, Weibull, Cauchy, dan Beta. Pelajaran juga mencakup teknik pendekatan distribusi diskrit dan transformasi variabel acak.

Hasil Pembelajaran:

• Menghitung ekspektasi dan ragam untuk variabel acak kontinu serta fungsi-fungsinya.
• Menerapkan distribusi Normal dan pendekatannya terhadap distribusi Binomial menggunakan koreksi kontinuitas.
• Menganalisis keandalan dan umur pakai menggunakan distribusi Eksponensial, sifat tanpa memori, dan fungsi laju bahaya.

🔹 Pelajaran 6: Variabel Acak yang Didefinisikan Secara Bersamaan

Gambaran Umum: Pelajaran ini mengeksplorasi kerangka matematis untuk menangani beberapa variabel acak secara bersamaan. Pelajaran mencakup transisi dari distribusi individu ke fungsi padatan/massa probabilitas bersama, definisi ketat independensi, serta perilaku jumlah variabel independen. Selain itu, kurikulum meluas ke topik lanjutan termasuk statistik urutan dan transformasi vektor acak menggunakan Jacobian.

Hasil Pembelajaran:

• Menghitung distribusi marginal dan densitas bersyarat untuk variabel acak bersama kontinu dan diskrit.
• Menerapkan kriteria faktorisasi untuk menentukan apakah variabel acak saling independen dan memodelkan proses kompleks.
• Menggunakan metode determinan Jacobian untuk menemukan distribusi bersama fungsi variabel acak dan menghitung distribusi statistik urutan.

🔹 Pelajaran 7: Sifat-Sifat Ekspektasi

Gambaran Umum: Pelajaran ini mengeksplorasi sifat-sifat lanjutan ekspektasi matematis, melampaui rata-rata sederhana menuju linearitas jumlah, kovarians, dan kekuatan kondisional. Mahasiswa akan belajar menerapkan alat-alat ini untuk analisis algoritma, batas probabilistik, dan pemodelan prediktif.

Hasil Pembelajaran:

• Menerapkan linearitas ekspektasi pada jumlah kompleks, termasuk variabel indikator dan deret tak hingga.
• Menghitung dan menafsirkan kovarians, korelasi, serta ragam jumlah untuk variabel tergantung dan independen.
• Menggunakan ekspektasi dan ragam bersyarat untuk menyederhanakan analisis variabel acak majemuk dan menyelesaikan masalah optimasi.

🔹 Pelajaran 8: Teorema Limit

Gambaran Umum: Pelajaran ini membahas hasil asimtotik dasar teori probabilitas, khususnya perilaku jumlah dan rata-rata variabel acak saat jumlah pengamatan bertambah tak terhingga. Kita mengeksplorasi Hukum Bilangan Lemah dan Hukum Bilangan Kuat serta Teorema Limit Sentral. Batas probabilitas khusus seperti ketidaksamaan Chebyshev satu sisi juga dibahas.

Hasil Pembelajaran:

• Membedakan antara Hukum Bilangan Lemah dan Hukum Bilangan Kuat dalam hal kriteria konvergensi.
• Menerapkan Teorema Limit Sentral (CLT) untuk mengaproksimasi probabilitas jumlah variabel acak menggunakan distribusi normal.
• Menggunakan ketidaksamaan Chebyshev satu sisi untuk memberikan batas atas probabilitas ekor.

🔹 Pelajaran 9: Proses Stokastik dan Entropi

Gambaran Umum: Pelajaran ini mengeksplorasi kerangka matematis untuk memodelkan kejadian acak seiring waktu dan mengukur informasi. Pelajaran mencakup Proses Poisson dan waktu antar kedatangan, struktur serta perilaku jangka panjang rantai Markov, serta prinsip dasar Teori Informasi. Secara khusus, membahas entropi dan penerapannya dalam pengkodean optimal.

Hasil Pembelajaran:

• Mendefinisikan dan menghitung probabilitas untuk Proses Poisson serta menentukan distribusi waktu antar kedatangan.
• Membangun matriks transisi untuk Rantai Markov dan menggunakan persamaan Chapman-Kolmogorov untuk mencari probabilitas n-langkah.
• Menghitung probabilitas batas untuk Rantai Markov Ergodik dan menyelesaikan masalah perjalanan acak.

🔹 Pelajaran 10: Teknik Simulasi

Gambaran Umum: Pelajaran ini mengeksplorasi prinsip dan aplikasi simulasi untuk menentukan secara empiris probabilitas dan nilai harapan. Pelajaran mencakup generasi permutasi acak, teknik simulasi variabel acak kontinu dan diskrit, serta metode lanjutan untuk pengurangan ragam. Teknik-teknik ini meningkatkan efisiensi dan akurasi estimasi simulasi.

Hasil Pembelajaran:

• Memahami peran generator angka pseudorandom dan seed dalam simulasi.
• Melaksanakan algoritma untuk menghasilkan permutasi acak dan mensimulasikan variabel dari distribusi diskrit maupun kontinu.
• Menerapkan Metode Polar untuk menghasilkan normal standar dan mensimulasikan variabel chi-squared.