Probabilitas

Peluang, Kemungkinan

Probabilitas
Dasar-dasar

probabilitas

Pengertian

Pandangan klasik/ intuitif

P (E) = X/n
P (E) = lim X/n Probabilitas suatu peristiwa tergantung kepada yang membuat pernyataan

Pandangan Empiris

Pandangan Subjektif

Azas perhitungan probabilitas

0p1 P (x/n) .bilangan + Kejadian mutually exclusive (saling terpisah) Kejadian non mutually exclusive (dapat terjadi bersama-sama , tetapi tidak selalu bersama-sama

Hukum pertambahan

Kejadian mutually exclusive, P(A U B)= P (A) + P (B)contoh

Hukum pertambahan

Kejadian non mutually exclusive:

P (AUB) = P(A) + P(B) P ( A B )contoh
AB

B b b

Perluasan
C

Hukum perkalian

Peristiwa Independen
P(AB) = P(A) x P(B) Contoh.

Peristiwa Bersyarat
P(AB)= P(A) x P(B|A) Contoh..

Dalil-dalil probabilitas

Dalil I (kaidah umum penggandaan) Suatu peristiwa dapat menghasilkan n hasil, selanjutnya dapat menghasilkan m hasil maka hasil akhir adalah: K=nxm

Diagram pohon

Satu koin di lambungkan 2 kali

H T

H HH HT

H
TH

T
TT

hasil

10

Dalil II (Permutasi)

Permutasi , kalau hasil suatu peristiwa urutannya dipentingkan: n= jumlah objek r=jumlah anggota pasangan P= permutasi Contoh..

n! n Pr ( n r )!

11

Dalil III Kombinasi

Kalau urutan tidak dipentingkan n= jumlah objek r=jumlah pasangan C= kombinasi Contoh.

n! nCr r!( n r )!

12

Distribusi probabilitas

Ada bermacam-macam .distribusi teoritis Distribusi Binomial Distribusi Poisson Distribusi Normal (Z) Distribusi Student (t) Distribusi Fissher (F) Distribusi Chi Square (X2) Dan lain-lain
13

Distribusi Binomial
Distribusirandom diskrit Distribusi probabilitas diskrit Distribusi Bernaully Syarat: Jumlah trial bil bulat Trial independen Setiap ekspr memp 2 out come: sukses & gagal Peluang sukses setiap trial sama P(sukses) + P (gagal) = 1

14

Rumus umum Binomial b(x, n, p)

N= jumlah trial X= jumlah kejadian yang diharapkan P=probabilitas Contoh: Pemakaian tabel.

( ) p (1 p)
x x
n x

n x

n! ( ) x!(n x)!

15

Distribusi Poisson

Untuk kejadian yang jarang P<<<< N>>>> Distribusi diskrit Ada indikasi ruang dan waktu

16

Rumus umum Poisson

P= probabilitas X=kejadian yang diharapkan = =np(rata-rata) e=konst 2,71828 Contoh.. Pemakaian tabel..

e e p ( x) x! x!

17

Distribusi Normal (Gauss)

Distribusi kontinu Fariabel random kontinu Paling banyak dipakai didalam analisis statistik Sifat:

Symetris Seperti lonceng tertelungkup Titik belok +/- 1 Luas kurva probabilitas =1

18

Rumus umum Distribusi Z

( x)

1 2
2

e 2

2 ( x ) 2

50%

50%

19

Kurva Normal

Agar pemakaian rumus diatas praktis, Gauss telah mrmbuat tabel kurva normal yang biasa dipakai mencari probabilitas suatu permasalahan Ada beberapa jenis kurva simetris menyerupai kurva normal,sehingga dinamai kurva normal umum dan kurva normal standar( Tabel Z)

20

Kurva normal standar

Sifatnya

Mempunyai =0, =1 N (0,1) Mean tertentu Sd tertentu

Kurva normal umum

21

Bermacam-macam kurva simetris

Kurva A & B

22

Dua kurva simetris

A&B

X
23

Dua kurva simetris

A&B

B
A

X
24

Tranformasi z

Agar dari kurva normal umum dapat ditentukan probbilitas suatu peristiwa maka kurva normal umum ditranformasikan ke kurva normal standar Tranformasi dengan memakai nilai Z

z
populasi

xx z s
sampel
25

Contoh:

Kalau diketahui distribusi tinggi badan 100 orang merupakan kurva normal dengan mean 155cm dan standar deviasi 12 cm
1)

2) 3) 4)

Hitunglah probabilitas akan terambil satu orng dengan tb > 170 cm Antara 145 s/d 175 cm Lebih dari 150 cm Antara 160 s/d 180 cm

26

Penyelesaian

Pertanyaan 1) N=100, x =155 cm, S=12 cm P(X >170 cm).? Z= (170 155)/12 = 1,25.lihat tabel Z
P=0,106

X=155

X=170 cm
27

Pertanyaan 2)

P ( 145 < x < 175 ) cm Z1..(145-155)/12= - 0,83 Z2..(175-155)/12= + 1,67 Jadi p( 145<x<175 cm)

Tabel: 0,2967 Tabel: 0,4525 0,7492

145 cm

155 cm

175 cm

28

Pertanyaan 3)

P ( X> 150 cm ) Z = (150 155)/12 = -0,42Tabel : 0,1628 P ( X>150 cm) = 0,1628 + 0,5 = 0,6628

150cm

155 cm

29

Pertanyaan 4)

P ( 160 < X < 180 cm ) Z1.(180-155)/12= 2,08 Z2.( 160-155)/12= 0,42 P(160 < X < 180 cm)

Tabel: 0,4812 Tabel: 0,1628 0,3184

155 cm

160 cm

180cm

30

Pendekatan Distr Binomial ke Distr Normal

Didalam pemakaian distr Binomial, kalau n cukup besar tetapi tidak terlalu besar mis: n=100, sedang p antara 0 dan 1, mis: 0,3 maka tidak bisa lagi memakai tabel Binom atupun Poissonnp= 100 x 0,3= 30 Untuk mencari probabilitas dari permasalahan data diskrit ini dilakukan pendekatan ke kurva normal.
31

Binomial.Normal

Didalam distr Normal ada parameter nya yaitu: dan (atau x dan s) Untuk data kategorik maka X= np, S= np(1-p) atau npq Contoh dari suatu RS diketahui 30% adalah memakai Askes. Kalau dalam satu hari pasien yang datang adalah 300 orang berapakah probabilitasnya yang memakai Askes:
1)

2)
3)

Kurang dari 75 orang Antara 80 s/d 110 orang Labih dari 100 orang

32

Penyelesaian 1)

N=300, p=0,30np=300x0,3=90 S= 300 x 0,3 x 0,7= 7,98 Z=(75-90)/8=1,88tabel 0,03 Jadi P (X>75)=0,03

75

90
33

Penyelesaian 2)

P(80 <X<110) Z1..(80-90)/8=-1,25.tab Z2..(110-90)/8=2,5..tab Jadi P(80<X<110)=

0,3944 0,4937 0,8881

80

90

110

34