3.review Probabilitas Part 2 - New

Estu Sinduningrum
Rabu
5A : 07.30-9.30 ; D310
5C : 10.45-13.25 ; D308
Review
Peluang kondisional (peluang bersyarat) dari E diberikan F,
dinotasikan oleh p(E | F), didefinisikan sebagai
p(E | F) = p(E F)/p(F)
Artinya kejadian E baru terjadi setelah kejadian F dijalani.
Peluang bersyarat dibagi 2 yaitu :
1. Dua kejadian E dan F dikatakan saling bebas (independent)
jika dan hanya jika p(E F) = p(E)p(F).
2. Dua kejadian E dan F dikatakan tidak bebas (dependent) jika
dan hanya jika P(E dan F) = P(E) x P(F|E).

Estu Sinduningrum, ST, MT
Apa itu ???
Kejadian disebut
independen??
Apabila terjadinya kejadian yang satu
tidak mempengaruhi probabilitas
terjadinya kejadian kedua.
Contoh : dalam pelemparan sebuah
dadu sebanyak 2x, hasil dari
pelembaran pertama muncul angka
enam, maka tidak akan
mempengaruhi probabilitas
keluarnya angka enam pada
pelemparan kedua.
4
Kejadian disebut
dependen??
Apabila kejadian yang satu
ternyata mempengaruhi
probabilitas terjadinya
kejadian kedua.
Contoh : pada tumpukan kartu
peluang terambil kartu as
adalah :
P(as) = 4/52 = 1/13
Jika kartu dikocok kembali :
Untuk hasil independen :
P(as) = 1/13
Untuk hasil dependen :
P(as) = 3/51

Kesalingbebasan statistik dari event (Statistical
independence of event)
Definisi : Event A dan B saling bebas (independent) jika

Dengan demikian

Demikian pula
5
Contoh peluang Kondisional
dari E diberikan F
Suatu string bit dengan panjang 4 dibangun secara acak sehingga setiap 16
string dengan panjang 4 memiliki kemungkinan yang sama.
Berapakah peluang string memuat paling sedikit dua angka 0 yang
berurutan, diberikan bahwa bit pertamanya adalah 0 ?

Solusi.
Misalkan E: kejadian bahwa string memuat paling sedikit dua
angka 0 yang berurutan.
F: kejadian bahwa bit pertama dari string adalah 0.
E = { 0011,0001, 0000, 1100, 1001, 1000, 0100,0010}
F = {0011, 0001, 0000, 0110, 0101, 0111, 0100,0010 }
E F = {0000, 0001, 0010, 0011, 0100}
p(E F) = 5/16
p(F) = 8/16 = 1/2
p(E | F) = (5/16)/(1/2) = 10/16 = 5/8 = 0.625
INGAT..suatu peluang
dikatakan kondisional jika
memenuhi syarat
p(E | F) = p(E F)/p(F)
Contoh Peluang saling bebas
Suatu string biner dengan panjang empat dibangun
secara random.
Misalkan E: kejadian string biner tersebut diawali
dengan 1
F: kejadian string biner tersebut
mengandung sejumlah genap.
Apakah E dan F saling bebas?
Solusi.
E = {1111,1010,1101,1011,1100,1110,1001,1000}
F = {1111,1100,1010, 1001,0011,0101,0110,0000}
Jelas, p(E) = p(F) = 0.5
E F = {1111, 1001, 1010, 1100}
p(E F) = 0.25, sehingga p(E F) = p(E)p(F)
Jadi, E dan F saling bebas.
Misalkan E: kejadian di mana suatu keluarga dengan 3 anak
mempunyai anak laki-laki dan perempuan dan F: kejadian di mana
suatu keluarga dengan 3 anak mempunyai paling banyak 1 anak
laki-laki. Apakah E dan F saling bebas?
Asumsikan bahwa kedelapan cara suatu keluarga memiliki 3 anak
mempunyai peluang kejadian yang sama.

Solusi.
Dari asumsi, LLL, LLP, LPL, LPP, PLL, PLP, PPL, dan PPP
masing-masing mempunyai peluang terjadi 1/8.
Karena E = {LLP, LPL, LPP, PLL, PLP, PPL},
F = {LPP,PLP,PPL,PPP}, dan E F = {LPP,PLP,PPL}, maka
p(E) = 6/8, p(F) = 4/8, dan p(E F) = 3/8.
Akibatnya, p(E F) = p(E)p(F)
Jadi, E dan F saling bebas.
INGAT..suatu peluang
dikatakan saling bebas jika
memenuhi syarat
p(E F) = p(E)p(F)
Contoh Peluang saling bebas
Distribusi probabilitas diskrit
Perhatikan 1 percobaan tunggal pelemparan sebuah koin,
ada dua hasil yang mungkin terjadi yaitu Gambar (head)
atau Angka (tail) (atau bukan gambar). Dengan
menyusun hasil-hasil yang mungkin muncul dari
serangkaian percobaan yang berurutan kita dapatkan :
1 percobaan : T H
2 percobaan : TT TH HT HH
3 Percobaan : TTT TTH THT THH HTT HTH HHT HHH

Frekuensi muncul (koefisien binomial)
dapat diperoleh dari setiga pascal :

Probabilitas :
Perhatikan 1 percobaan tunggal pelemparan sebuah koin dengan 4 kali
percobaan. Jika berkonsentrasi pada x, yaitu banyaknya gambar (H) pada
akhir dari setiap set percobaan, dan f, yaitu frekuensi dari x, maka hasilnya :

Probabilitas totalnya : = 1 + 3 + 3 + 1 = 8/8 = 1
8
Banyaknya
percobaan
Banyaknya 0 1 2 3 4
gambar x
Banyaknya hasil
yang mungkin
1 f
p
1 1

2
2 f
p
1 2 1
2/4
4
3 f
p
1 3 3 1
1/8 3/8 3/8 1/8
8
Contoh perhitungan probabilitas bersyarat
Sebuah kotak berisi lima buah resistor 10 ohm dan dua belas buah resistor 30 ohm.
Seluruh resistor tersebut tidak diberi tanda dan memiliki ukuran fisik yang sama.
a. Jika satu resistor diambil secara acak, tentukan probabilitas resistor tersebut adalah
resistor 10 ohm.
b. Jika resistor yang terambil pertama ini adalah resistor 10 ohm kemudian
dipisahkan, tentukanlah probabilitas terambilnya resistor kedua adalah resistor 30
ohm.
Jawab :
a. Total resistor = n = 5 + 12 = 17 maka : P(A) = 5/17
b. Kotak sekarang berisi empat resistor 10 ohm dan dua belas resistor 30 ohm. Maka
probabilitas B, setelah A terjadi = P(B|A) = 12/16 =
Maka probabilitas untuk mendapatkan sebuah resistor 10 ohm pada pengambilan
pertama lalu dipisahkan, kemudian mendapatkan sebuah resistor 30 ohm pada
pengambilan kedua adalah :
Karena P(A dan B|A) = P(A) x P(B|A) = 5/1 7 x = 15/68
Maka , jika A dan B merupakan kejadian independen :
P(A dan B) = P(A) x P(B)
Dan jika A dan B merupakan kejadian dependen :
P(A dan B) = P(A) x P(B|A)
11
Perhatikan pada kejadian
INDEPENDEN
P(A atau B) = P(A) + P(B)
P(A dan B) = P(A) x P(B)

12
Latihan soal :
Sebuah kotak berisi 100 busi tembaga, 27 di antaranya
berukuran terlalu besar dan 16 berukuran terlalu kecil.
Sebuah busi diambil dari kotak, dicoba dan dimasukkan
kembali : busi kedua diperlakukan dengan cara yang
sama. Tentukan probabilitas bahwa
(a) kedua busi diterima,
(b) busi pertama terlalu besar dan yang kedua terlalu
kecil,
(c) busi pertama terlalu besar dan yang kedua terlalu
kecil.
13
Jawab
Asumsikan :
A = (busi berukuran terlalu besar)
B = (busi berukuran terlalu kecil)
Diket : N = 100 ( 27 terlalu besar, 16 terlalu kecil, 57 dapat
diterima
14
Penyelesaian :
(a) P1 (busi pertama diterima) = 57/100. Busi dikembalikan, maka
P2 (busi kedua diterima) = 57/100.

P12(busi pertama diterima dan kedua diterima) =
P1xP2 = 57/100 x 57/100 = 0,3249

(b) P1 (busi pertama terlalu besar) = 27/100
P2 (busi kedua terlalu kecil) = 16/100

P12 ( busi pertama terlalu besar dan kedua terlalu kecil )
P1xP2 = 27/100 x 16/100 = 0,0432

(c) Di bagian ini jelas termasuk dalam soal (b), tetapi juga mencakup kasus apabila busi yang
pertama terlalu kecil dan yang kedua terlalu besar.

P3 (pertama terlalu kecil) = 16/100 ;
P4 (kedua terlalu besar = 27/100 ;
P34 (pertama terlalu kecil dan kedua terlalu besar)
= 16/100 x 27/100 = 0,0432

Maka : P{(pertama terlalu besar dan kedua terlalu kecil ) atau (pertama terlalu kecil dan kedua
terlalu besar)} =
P12 + P34 = 0,0432 + 0,0432 = 0,0864
15
Soal Variasi lain :
Sebuah kotak berisi 100 busi tembaga, 27 di antaranya
berukuran terlalu besar dan 16 berukuran terlalu kecil.
Sebuah busi diambil dari kotak, dicoba tapi tidak
dimasukkan kembali : busi kedua juga demikian.
Tentukan probabilitas bahwa
(a) kedua busi diterima,
(b) busi pertama terlalu besar dan yang kedua terlalu
kecil,
(c) busi pertama terlalu besar dan yang kedua terlalu
kecil.

16
Penyelesaian :
(a) P1 (busi pertama diterima) = 57/100. Busi tidakdikembalikan, maka
P2 (busi kedua diterima) = 56/99.

P12(busi pertama diterima dan kedua diterima) =
P1xP2 = 57/100 x 56/100 = 0,3224

(b) P1 (busi pertama terlalu besar) = 27/100
P2 (busi kedua terlalu kecil) = 16/99

P12 ( busi pertama terlalu besar dan kedua terlalu kecil )
P1xP2 = 27/100 x 16/100 = 0,0436

(c) Di bagian ini jelas termasuk dalam soal (b), tetapi juga mencakup kasus apabila busi yang
pertama terlalu kecil dan yang kedua terlalu besar.

P3 (pertama terlalu kecil) = 16/100 ;
P4 (kedua terlalu besar = 27/99 ;
P34 (pertama terlalu kecil dan kedua terlalu besar)
= 16/100 x 27/99 = 0,0436

Maka : P{(pertama terlalu besar dan kedua terlalu kecil ) atau (pertama terlalu kecil dan kedua
terlalu besar)} =
P12 + P34 = 0,0436 + 0,0436 = 0,0872
17
Teorema Probabilitas Total
Bila {B
i
} merupakan partisi dari sample space
O
Lalu {AB
i
} merupakan partisi dari event A,

Kemudian asumsikan bahwa P(B
i
) > 0 untuk
semua i, makadapat didefinisikan teorema
probabilitas total sbb

18
Oleh Reverend Thomas Bayes abad ke 18.
Dikembangkan secara luas dalam statistik inferensia.
Aplikasi banyak untuk : Sistem penunjang keputusan
Decision Support System (DSS) dan Rehability

Teorema Bayes
Bila {B
i
} merupakan partisi dari sample space S
Asumsikan bahwa P(A) > 0 dan P(B
i
) > 0 untuk semua i. Maka

Kemudian, berdasarkan teorema probabilitas total, kita peroleh

Ini merupakan teorema Bayes
Peluang P(B
i
) disebut peluang a priori dari event B
i
Peluang P(B
i
|A) disebut peluang a posteriori dari event B
i
(bila diketahui
event A terjadi)
20
Jadi Teorema Bayes
Digunakan bila ingin diketahui probabilitas P(B1 | A),
P(B2 | A).,P(Bk | A) dengan rumus sebagai berikut :
k r
B A P B P
B A P B P
A B P
B A P
A B P
k
i
i i
r r
k
i
i
r
,.. 2 , 1 ;
) | ( ) (
) | ( ) (
) (
) (
) | (
1 1
= =
=

= =
Contoh
Sebuah pabrik mempunyai 3 mesin A, B dan C yang memproduksi
berturut turut 60%, 30% dan 10% dari total banyak unit yang diproduksi
pabrik. Persentase kerusakan produk yang dihasilkan dari masing-
masing mesin tersebut berturut turut adalah 2%, 3% dan 4%. Suatu unit
dipilih secara random dan diketahui rusak. Hitung probabilitas bahwa
unit tersebut berasal dari mesin C.

Misal kejadian R adalah unit yang rusak, maka akan dihitung P(C|R)
yaitu probabilitas bahwa suatu unit diproduksi oleh mesin C dengan
diketahui unit tersebut rusak

Permutasi
Suatu susunan yang dibentuk oleh keseluruhan atau sebagian dari
data.
Banyaknya permutasi n benda adalah n ! (n faktorial).
Banyaknya permutasi akibat pengambilan r benda dari n dari benda
yang berbeda
Permutasi sejumlah obyek adalah penyusunan obyek tersebut
dalam suatu urutan/posisi tertentu.
Dalam permutasi urutan/posisi diperhatikan!!!
Contoh
Berapa cara menyusun bola lampu merah, biru,
kuning dan hijau ?
Terdapat 4 objek berbeda : merah, kuning, biru dan
hijau 4! = 4 3 2 1 = 24
Berapa peluang susunan lampu tersebut adalah
Kuning-Biru-Hijau-Merah?
P(KBHM) = 1/24
Banyaknya permutasi dari n-obyek yang
berbeda jika diambil r sekaligus adalah :

dimana r n

Contoh
Dari 40 nomor rekening akan diundi untuk memenangkan 3 hadiah
yang berbeda. Undian urutan pertama akan memperoleh rumah,
undian urutan kedua memperoleh mobil dan undian urutan ketiga
memperoleh paket wisata ke Eropa. Berapa banyaknya susunan
pemenang yang mungkin terbentuk?

Jika anda hanya mempunyai 1 rekening, maka peluang anda menjadi
salah satu pemenang adalah: P(Menang) =

59280
! 37
! 37 38 39 40
! 37
! 40
)! 3 40 (
! 40
3 40
=

= =
= P
Permutasi Melingkar: Banyaknya permutasi n benda yang
disusun dalam suatu lingkaran adalah (n-1)!

Banyaknya permutasi yang berbeda dari n benda
yang n1 diantaranya berjenis I, n2 berjenis II

Permutasi Melingkar
Contoh
Enam orang bermain bridge dalam susunan melingkar.
Berapa susunan yang mungkin dibentuk?
n = 6 maka permutasi melingkar =
(6-1)! = 5! = 5 4 3 2 1 = 120
Contoh
Contoh
Latihan
1. Berapa permutasi dari kata STATISTIKA?
S = 2; T = 3; A = 2; I = 2; K = 1
2. Dari 7 orang mahasiswa akan dilakukan pemisahan
kelas. 3 orang masuk ke kelas pertama, 2 orang masuk
ke kelas kedua dan 2 orang masuk ke kelas ketiga. Ada
berapa cara pemisahan?

Jawab
1. Permutasi

2.
10
2 3 2 2 1
75600
!
! ! ! ! !
=
7
3 2 2
210
!
! ! !
=
Kombinasi
Adalah banyaknya cara mengambil r benda dari n benda tanpa
memperhatikan urutannya.
Kombinasi r obyek yang dipilih dari n obyek adalah susunan r obyek
tanpa memperhatikan urutan/posisi

Contoh soal
Dari 40 nomor rekening akan diundi untuk memenangkan 3 hadiah
yang sama. Berapa banyaknya susunan pemenang yang mungkin
terbentuk?

Jika anda hanya mempunyai 1 rekening, maka peluang anda menjadi
salah satu pemenang adalah: P(Menang) =

9880
! 37 ! 3
! 37 38 39 40
! 37 ! 3
! 40
)! 3 40 ( ! 3
! 40
40
3
=
=

= C
9880
1
Teorema Bernoulli
K = Peluang sukses dalam
n = percobaan Bernoulli yang saling bebas,
dengan peluang sukses p dan peluang
gagal q = 1 p, adalah

C(n, k) p
k
q
n-k
.
Ini dinotasikan dengan b(k; n, p).
Jika b dipandang sebagai fungsi dari k, maka b
dikatakan sebagai distribusi binomial.
Distribusi binomial
Distribusi binomial berasal dari percobaan binomial
yaitu suatu proses Bernoulli yang diulang sebanyak n
kali dan saling bebas. Distribusi Binomial merupakan
distribusi peubah acak diskrit.

Percobaan binomial memiliki
ciri-ciri sebagai berikut:
percobaan tersebut dilakukan berulang-ulang
sebanyak n kali
setiap percobaan menghasilkan keluaran yang dapat
dikategorikan sebagai gagal dan sukses
probabilitas sukses p tetap konstan dari satu
percobaan ke percobaan lain
percobaan yang berulang adalah saling bebas
Ruang sampel A untuk percobaan E yang terdiri dari himpunan tak hingga
tetapi masih terhitung dari titik-titik sampel:
Jika S = Sukses dan G = Gagal
E1: S (sukses pada percobaan pertama)
E2: GS (gagal pada percobaan pertama dan sukses pada percobaan kedua)
E3: SG (sukses pada percobaan pertama, gagal pada percobaan kedua)
E4: GGS (gagal pada percobaan 1 dan 2, sukses pada percobaan ketiga)
E5: GSG (gagal pada percobaan 1 dan 3, sukses pada percobaan kedua)
E6: SGG (gagal pada percobaan 2 dan 3, sukses pada percobaan pertama)
Percobaan binomial memiliki ciri-ciri sebagai
berikut:
Jika peluang sukses dinotasikan dengan p
maka, peluang gagal adalah q = 1 p.
Peubah acak X menyatakan banyaknya sukses dari n
percobaan yang saling bebas.
Maka peluang X pada masing masing percobaan E
adalah:
Percobaan binomial memiliki ciri-ciri
sebagai berikut:
Dapat dilihat bahwa E2 dan E3 memberikan hasil yang sama.
Jumlahnya , yaitu jumlah semua titik sampel yang mungkin
menghasilkan x = 1 yang sukses dan n x = 2 1 = 1 yang gagal dari 2
percobaan.
Begitupun untuk E4, E5, dan E6 juga memberikan hasil yang sama.
Jumlahnya , yaitu jumlah semua titik sampel yang mungkin yang
menghasilkan x = 1 yang sukses dan n x = 3 1 = 2 yang gagal dari 3
percobaan.
Secara umum, jumlah titik sampel yang mungkin untuk
menghasilkan x sukses dan n x gagal dalam n percobaan
adalah banyaknya cara yang berbeda dalam
mendistribusikan x sukses dalam barisan n percobaan,
sehingga terdapat cara.
Dan distribusi peluang atau Probability Mass Function
(PMF) X dinyatakan pada definisi berikut:
Pembuktian distribusi Binomial merupakan
suatu PMF (Probability Mass Function) :
Untuk membuktikan suatu peubah acak adalah PMF,
maka harus ditunjukan:

Probability Distribution Function (PDF)
Definisi : PDF dari suatu peubah acak X adalah fungsi F
X
:
9 [0,1] yang didefinisikan sebagai berikut

PDF menentukan distribusi dari peubah acak
Sifat

44
Mean
Variansi
Resume Distribusi binomial
Menyatakan jumlah sukses dalam sejumlah eksperimen
acak yang saling bebas (masing-masing eksperimen bersifat
Bernoulli);
47
Contoh
51
Resume Distribusi Bernoulli
Menyatakan suatu eksperimen acak dengan dua keluaran yang
mungkin
Sukses (1)
Gagal (0)
Nilai 1 berpeluang p (nilai 0 berpeluang (1-p))
57
Resume Distribusi geometrik
Menyatakan jumlah sukses yang terjadi sampai didapatkan kegagalan
yang pertama dari sejumlah eksperimen acak yang saling bebas
(masing-masing eksperimen bersifat Bernoulli)
p = peluang sukses dalam suatu eksperimen
58
TERIMA KASIH

3.review Probabilitas Part 2 - New

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

3.review Probabilitas Part 2 - New

Judul Asli:

Diunggah oleh

Hak Cipta:

Format Tersedia

Estu Sinduningrum

Anda mungkin juga menyukai