Ti 201 02 Tepro PDF

10/7/2004 TI-2131 Teori Probabilitas - DI 1
Pengertian probabilitas
Kejadian, ruang sample dan probabilitas
Aturan dasar probabilitas
Probabilitas bersyarat
Independensi
Konsepsi kombinatorial
Probabilitas total dan teorema Bayes
Teori Probabilitas 2
2-1 Probabilitas adalah:
Sebuah ukuran ketidak-pastian.
Sebuah ukuran tingkat keyakinan terjadinya
sebuah kejadian yang tidak pasti (uncertain
event).
Sebuah ukuran tingkat peluang(likelihood of
occurrence) dari sebuah kejadian yang tidak
pasti (uncertain event).
Diukur dengan nilai antara 0 dan 1 (atau antara
0% dan 100%).
Type Probabilitas (1)
Objektif atau Probabilitas Klasik
Berlandaskan pada kejadian yang sama
(equally-likely) dan logis.
Berdasarkan frekuensi relatif kejadian dalam
waktu yang lama.
Tidak memperhatikan keyakinan perorangan.
Dianggap sama untuk setiap peneliti (objektif).
Contoh: pelemparan koin atau dadu.
Type Probabilitas (2)
Probabilitas Subjektif
Berlandaskan pada keyakinan individu,
pengalaman, intuisi, dan justifikasi personal.
Ada perbedaan untuk setiap peneliti (subjektif).
Contoh: pemasaran produk baru, ramalan
cuaca, hasil pertandingan olah raga.
( )
A
2-2 Kejadian, Ruang sample dan
Probabilitas (1)
Set sebuah kumpulan dari elemen
atau objek yang menjadi perhatian
Set Kosong ()
Sebuah set yang tidak memiliki anggota elemen
Set Universal (S)
Sebuah set yang mencakup seluruh elemen yang
mungkin ada
Komplemen (Not). Komplemen A adalah
sebuah set yang mencakup semua elemen S
kecuali elemen A
Subset ()
- Adalah sebuah set bagian dari set S
Irisan (And) AB
- adalah set yang mencakup semua elemen A
dan B
Gabungan (Or) AB
- adalah sebuah set yang mencakup semua
elemen A atau B atau keduanya
Kejadian, Ruang sample dan
Probabilitas (2)
Beberapa Teorema (1)
Teorema:
0 ) ( = P

Bukti:
Tuliskan hubungan berikut
= S S
dan juga diperoleh
hubungan
= S
. Dengan aksioma di atas, diperoleh
) ( ) ( ) ( P S P S P + =
. Karena P(S) = 1, maka
0 ) ( = P
.
Teorema:
), ( 1 ) ( A P A P =
dimana A adalah komplemen dari A
Bukti:
Dari definisi komplemen, untuk setiap S A maka diperoleh
A A S = . Karena
= A A
, maka dengan aksioma di atas
diperoleh
) ( ) ( ) ( A P A P S P + =
.
Karena P(S) = 1, dengan demikian
) ( 1 ) ( A P A P =
.
Beberapa Teorema (1)
Teorema: Untuk dua kejadian A dan B, sedemikian
sehingga B A , maka
) ( ) ( B P A P
.
Bukti:
Kejadian B dapat ditulis sebagai
) ( B A A B =
, dimana
= ) ( B A A
, maka dengan aksioma di atas diperoleh
) ( ) ( ) ( B A P A P B P + =
. Karena
S B A ) (
adalah suatu
kejadian maka
0 ) ( B A P
, dengan demikian
) ( ) ( B P A P
.
Mutually exclusive atau disjoint
dua set tidak memiliki elemen bersama,
tidak memiliki irisan, atau irisannya adalah
set kosong.
Partisi
adalah sekumpulan set yang mutually
exclusive yang secara bersama-sama
mencakup semua elemen, atau
gabungannya membentuk set universal S.
Kejadian, Ruang sample dan
Probabilitas (3)
A
A B A B
A2
A
1
A5
A4
A3
Partisi
A B
A B I
B A
A
Diagram set
Komplemen
Sebuah proses yang menghasilkan satu dari
beberapa hasil yang mungkin terjadi*, contoh:
Coin toss: Heads,Tails
Throw die: 1, 2, 3, 4, 5, 6
Pengenalan produk baru: sukses, gagal
Setiap percobaan memiliki hasil observasi
tunggal.
Hasil pasti dari percobaan random tidak dapat
diketahui sebelumdilakukan.
* J uga dikenal sebagai hasil dasar ( basic outcome), kejadian dasar atau kejadian sederhana
Percobaan - Experiments
Ruang sample atau set kejadian
adalah set dari semua hasil yang mungkin ada dari
sebuah percobaan
contoh: pelemparan dadu S = (1,2,3,4,5,6)
Kejadian
Kumpulan dari hasil dengan karakteristik yang sama
Contoh: muncul sisi genap A = (2,4,6)
Kejadian A terjadi jika sebuah hasil dalamset A terjadi
Probabilitas sebuah kejadian
J umlah probabilitas dari setiap hasil yang muncul
P(A) = P(2) + P(4) + P(6)
Kejadian
Perhatikan contoh berikut:
Percobaan pelemparan sebuah dadu seimbang
Ada 6 hasil yang mungkin (1,2,3,4,5,6)
J ika setiap hasil seimbang (equally-likely), probabilitas setiap
hasil adalah 1/6 = .1667 = 16.67%
Kejadian A (muncul sisi genap)

P(A) = P(2) + P(4) + P(6) = 1/6 + 1/6 + 1/6 = 1/2
untuk setiap e dalamA P A P e
n A
n S
( ) ( )
( )
( )
=
= = =
3
6
1
2
P e
n S
( )
( )
=
1
Percobaan Ideal
Hearts Diamonds Clubs Spades
A A A A
K K K K
Q Q Q Q
J J J J
10 10 10 10
9 9 9 9
8 8 8 8
7 7 7 7
6 6 6 6
5 5 5 5
4 4 4 4
3 3 3 3
2 2 2 2
Kejadian Ace Gabungan
kejadianHeart
danAce
KejadianHeart
IrisankejadianHeart danAce
Adalahtitikyang dilingkari
duakali: the ace of hearts
P Heart Ace
n Heart Ace
n S
( )
( )
( )
U
U
=
=
=
16
52
4
13
P Heart
n Heart
n S
( )
( )
( )
= = =
13
52
1
4
P Ace
n Ace
n S
( )
( )
( )
= = =
4
52
1
13
P Heart Ace
n Heart Ace
n S
( )
( )
( )
I
I
= =
1
52
Pengambilan Kartu
Rentangnilai
Komplement - Probabilitas bukan A
Irisan - Probabilitasy A dan B
Kejadian mutually exclusive (A dan C) :
Rentangnilai
Komplement - Probabilitas bukan A
Irisan - Probabilitasy A dan B
Kejadian mutually exclusive (A dan C) :
0 1 P A ( )
P A P A ( ) ( ) = 1
P A B
n A B
n S
( )
( )
( )
=

P A C ( ) = 0
2-3 Aturan Dasar Probabilitas (1)
Gabungan - Probabilitas A atau B atau keduanya
Kejadian mutually exclusive :
Probabilitas Bersyarat - Probabilitas A pada(given) B
Kejadian independen:
Gabungan - Probabilitas A atau B atau keduanya
Kejadian mutually exclusive :
Probabilitas Bersyarat - Probabilitas A pada(given) B
Kejadian independen:
P A B
n A B
n S
P A P B P A B ( )
( )
( )
( ) ( ) ( ) =

= +
P A C so P A C P A P C ( ) ( ) ( ) ( ) = = + 0
P A B
P A B
P B
( )
( )
( )
=

P AB P A
P B A P B
( ) ( )
( ) ( )
=
=
Aturan Dasar Probabilitas (2)
Aturan probabilitas bersyarat:
Aturan probabilitas bersyarat:
J ikakejadianA danD salingindependen secara statistik:
maka
maka
P A B
P A B
P B
( )
( )
( )
=

P A B P A B P B
P B A P A
( ) ( ) ( )
( ) ( )
=
=
P AD P A
P D A P D
( ) ( )
( ) ( )
=
=
P A D P A P D ( ) ( ) ( ) =
2-4 Probabilitas Bersyarat
Acer IBM Total
Telekomunikasi
40 10 50
Komputer
20 30 50
Total
60 40 100
Frekuensi
Acer IBM Total
.40 .10 .50
.20 .30 .50
Total
.60 .40 1.00
Probabilitas
P IBM T
P IBM T
P T
( )
( )
( )
.
.
.
=
= =
I
10
50
2
Probabilitas bahwa sebuah
proyek yang dikerjakan
IBM adalah (given) proyek
telekomunikasi adalah:
Tabel Contingency
Telekomunikasi
Komputer
P AB P A
P B A P B
and
P A B P A P B
( ) ( )
( ) ( )
( ) ( ) ( )
=
=
= I
Syarat independensi secara statistik dari kejadian A dan B
adalah:
P Ace Heart
P Ace Heart
P Heart
P Ace
( )
( )
( )
( )
=
= = =
I
1
52
13
52
1
13
P Heart Ace
P Heart Ace
P Ace
P Heart
( )
( )
( )
( )
=
= = =
I
1
52
4
52
1
4
P Ace Heart P Ace P Heart ( ) ( ) ( ) I = = =
4
52
13
52
1
52
2-5 Independensi Kejadian (1)
a P T B P T P B
b P T B P T P B P T B
) ( ) ( ) ( )
. * . .
) ( ) ( ) ( ) ( )
. . . .
I
U I
=
= =
= +
= + =
004 006 00024
004 006 00024 00976
Kejadian T (prob. 0,04) dan B (prob. 0,06) diasumsikan
independen
Independensi Kejadian (1)
U
Probabilitas gabungan dari beberapa kejadian independen
adalah 1 dikurangi perkalian probabilitas komplemen
masing-masing:
P A A A A
n
P A P A P A P A
n
( ) ( ) ( ) ( ) ( )
1 2 3
1
1 2 3
= L L
Probabilitas irisan dari beberapa kejadian independen adalah
perkalian dari probabilitas masing-masing:
P A A A A
n
P A P A P A P A
n
( ) ( ) ( ) ( ) ( )
1 2 3 1 2 3
= L L
Perkalian Kejadian Independen
Hukum Probabilitas
Identity laws (A=A, A=),
Idempotent law (AA=A, AA=A)
Complement law (AA=S, AA=)
Commutative law (AB=BA, AB=BA)
De morgans law (AB=BA, AB=BA)
Associative law A(BC)=(AB)C,
A(BC)=(AB)C
Distributive law A(BC)= (AB)(AC)
Percobaan sebuah dadu 6 sisi, ada 6 hasil yang mungkin dari
pelemparan pertama, yaitu (1,2,3,4,5,6) dan 6 hasil yang mungkin
dari pelemparan kedua (1,2,3,4,5,6). Secara bersama-sama ada
6*6=36 hasil yang mungkin dari dua kali pelemparan.
Umumnya, jika ada n kejadian dan kejadian i dapat terjadi dalam
N
i
cara yang mungkin, maka jumlah caradimana urutan dari
n kejadian akan muncul adalah N
1
N
2
...
N
n
.
Ambil 5 kartu dari tumpukan
lengkap dengan
pengembalian
52*52*52*52*52=52
5
380,204,032 hasil yang mungkin
Ambil 5 kartu dari tumpukan
lengkap tanpa
pengembalian
52*51*50*49*48 = 311,875,200
hasil yang mungkin
2-6 Konsep Kombinatorial (1)
.
.
.
. .
Urutan tiga huruf: A, B, dan C
A
B
C
B
C
A
B
A
C
A
C
B
C
B
A
.
.
.
.
.
.
.
.
.
.
.
ABC
ACB
BAC
BCA
CAB
CBA
Konsep Kombinatorial (2)
(Diagram pohon / Tree Diagram)
Ada berapa cara untuk mengurutkan 3 huruf A, B, dan C?
Ada3 pilihanuntukhuruf pertama, 2 untukhuruf keduadan1
Untukhuruf terakhir, sehinggaada3*2*1 =6 carayang mungkin.
Ada berapa cara untuk mengurutkan 6 huruf A, B, C, D, E,
dan F? (6*5*4*3*2*1 = 720)
Faktorial: Untuksetiapinteger positif n, n faktorial didefinisikan:
n(n-1)(n-2)...(1). n faktorial ditulisdengann!.
J umlahn! adalahjumlahcaradimana n objekdapat diurutkan.
Didefinisikanbahwa1! = 1.
Faktorial
Permutasi adalah pilihan urutan yang mungkin dari r objek dari
total n objek. J umlah permutasi dari n objek setiap kali diambil r
objek dituliskan dengan nPr.
Bagaimana jika hanya 3 dari 6 huruf A, B, C, D, E, dan
F yang dipilih?
Ada 6 cara untuk huruf pertama, 5 cara untuk huruf kedua
dan 4 cara untuk huruf terakhir, sehingga ada 6*5*4=120
urutan yang mungkin atau permutasi.
120 4 * 5 * 6
1 * 2 * 3
1 * 2 * 3 * 4 * 5 * 6
! 3
! 6
)! 3 6 (
! 6
:
3 6
= = = =
=
P
contoh Sebagai
r n
n
r
P
n
)! (
!
Permutasi
Kombinasi adalah pemilihan yang mungkin dari r item dari sejumlah n item
Tanpa memperhatikan urutan. J umlah kombinasi dinyatakan dengan
atau nCr dan dibaca kombinasi r dari n, secara matematis diformulasikan
sebagai:
J ika diambil 3 dari 6 huruf A, B, C, D, E, dan F, mungkin diperoleh
BCD, BDC, CBD, CDB, DBC, atau DCB (merupakan pemutasi
dari B, C, dan D) yang pada dasarnya kombinasi dari 3 huruf.
Berapa banyak kombinasi dari 6 huruf setiap kali diambil 3 huruf?
20
6
120
1 * 2 * 3
4 * 5 * 6
) 1 * 2 * 3 )( 1 * 2 * 3 (
1 * 2 * 3 * 4 * 5 * 6
! 3 ! 3
! 6
)! 3 6 ( ! 3
! 6
:
3 6
= = = = =
= =
= =
C
Contoh
r
n
r)! (n r!
n!
C
r
n
r n
n
r
Kombinasi
n=10 (Total Number of Objects Available)
Total Number of #of Probability of #of Probability of
Objects Selected r Permutations Particular Permutation Combinations Particular Combination
1 10 0.1 10 0.1
2 90 0.011111111 45 0.022222222
3 720 0.001388889 120 0.008333333
4 5040 0.000198413 210 0.004761905
5 30240 3.31E-05 252 0.003958254
6 151200 6.61E-06 210 0.004761905
7 604800 1.65E-06 120 0.008333333
8 1814400 5.51E-07 45 0.022222222
9 3628800 2.76E-07 10 0.1
10 3628800 2.76E-07 1 1
Permutasi dan Kombinasi dengan
Excel
P A P A B P A B ( ) ( ) ( ) = +
Dalambentuk probabilitas bersyarat:
Secara umum(dimana B
i
membentuk partisi):
P A P A B P A B
P A B P B P A B P B
( ) ( ) ( )
( ) ( ) ( ) ( )
= +
= +
P A P A B
i
P AB
i
P B
i
( ) ( )
( ) ( )
=
=

2-7 Probabilitas Total dan Teorema
Bayes
Kejadian U: pasar sahamtumbuh tahun depan
Kejadian W: kondisi ekonomi membaik tahun depan
P U W
P U W
P W P W
P U P U W P U W
P U W P W P U W P W
( ) .
( )
( ) . ( ) . .
( ) ( ) ( )
( ) ( ) ( ) ( )
(. )(. ) (. )(. )
. . .
=
=
= = =
= +
= +
= +
= + =
75
30
80 1 8 2
75 80 30 20
60 06 66
Probabilitas Total
Teorema Bayes memungkinkan untuk menge-
tahui probabilitas B bersyarat A jika diketahui
probabilitas A bersyarat B.
Menggunakan definisi probabilitas bersyarat dan
hukumprobabilitas total.
P B A
P A B
P A
P A B
P A B P A B
P A B P B
P A B P B P A B P B
( )
( )
( )
( )
( ) ( )
( ) ( )
( ) ( ) ( ) ( )
=
=
+
=
+
I
I
I I
Menggunakan probabilitas
total pada penyebut
Menggunakan probabilitas
bersyarat
Teorema Bayes
Sebuah pengaruh treatment logam(berdampak 0.1%
terhadap populasi [ ]) tidak sempurna:
J ika dilakukan pada logamnon-standar, perlakukan dinilai
sukses dengan probabilitas 0.92 [ ]
Kejadian disebut false negative
J ika dilakukan pada logamstandar, perlakukan akan me-
nyimpang (false positive) dengan probabilitas 0.04
[ ]
Kejadian disebut false positive. .
P I ( ) . = 0001
P ZI P Z I ( ) . ( ) . = = 92 08
( ) Z I
( ) Z I
P ZI P ZI ( ) . ( ) . = = 004 096
Contoh Teorema Bayes (1)
P I
P I
P Z I
P Z I
( ) .
( ) .
( ) .
( ) .
=
=
=
=
0001
0999
092
004
P I Z
P I Z
P Z
P I Z
P I Z P I Z
P Z I P I
P Z I P I P Z I P I
( )
( )
( )
( )
( ) ( )
( ) ( )
( ) ( ) ( ) ( )
(. )( . )
(. )( . ) ( . )(. )
.
. .
.
.
.
=
=
+
=
+
=
+
=
+
=
=
I
I
I I
92 0001
92 0001 004 999
000092
000092 003996
000092
04088
0225
P I ( ) . = 0001
P I ( ) . = 0999 P Z I ( ) . = 004
P Z I ( ) . = 096
P Z I ( ) . = 008
P Z I ( ) . = 092 P Z I ( ) ( . )( . ) . I = = 0001 092 00092
P Z I ( ) ( . )( . ) . I = = 0001 008 00008
P Z I ( ) ( . )( . ) . I = = 0999 004 03996
P Z I ( ) ( . )( . ) . I = = 0999 096 95904
Probabilitas
prior
Probabilitas
bersyarat
Probabilitas
gabungan
Diberikan partisi B
1
,B
2
,...,B
n
:
P B A
P A B
P A
P A B
P A B
P AB P B
P AB P B
i
i i
( )
( )
( )
( )
( )
( ) ( )
( ) ( )
1
1
1
1 1
=

=

=
Gunakan probabilitas
total pada penyebut
Terapkan probabilitas
bersyarat
Perluasan Teorema Bayes (1)
Pada saat kondisi mesin sangat baik, diperkirakan sebuah industri akan
menhasilkan produk yang baik dengan probabilitas 0,70; dalamkondisi
biasa probabilitasnya 0,40; dan pada kondisi buruk probabilitas
menghasilkan produk yang baik hanya 0,20.
Dalamsuatu perioda, probabilitas bahwa kondisi mesin sangat baik adalah
0,30, moderat 0,50, dan buruk 0,50.
J ika selama perioda tersebut dihasilkan produk yang baik, bepara
kemungkinan bahwa kondisi mesin sangat baik?
Partisi Kejadian A (produk baik)
H Mesin sangat baik P(H) = 0,30 P(A|H)=0,70
M Mesin moderat P(M) = 0,50 P(A|M)=0,40
L Mesin buruk P(L) = 0,20 P(A|L)=0,20
P H A
P H A
P A
P H A
P H A P M A P L A
P A H P H
P A H P H P A M P M P A L P L
( )
( )
( )
( )
( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( . )( . )
( . )( . ) ( . )( . ) ( . )( . )
.
. . .
.
.
.
=
=
+ +
=
+ +
=
+ +
=
+ +
=
=
I
I
I I I
070 030
070 030 040 050 020 020
021
021 020 004
021
045
0467
Probabilitas
prior
Probabilitas
bersyarat
Probabilitas
gabungan
P H ( ) . = 0 30
P M ( ) . = 050
P L ( ) . = 0 20
P A H ( ) . = 0 70
P A H ( ) . = 0 30
P A M ( ) . = 0 40
P A M ( ) . = 060
P A L ( ) . = 0 20
P A L ( ) . = 080
P A H ( ) ( . )( . ) . I = = 0 30 0 70 0 21
P A H ( ) ( . )( . ) . I = = 0 30 0 30 0 09
P A M ( ) ( . )( . ) . I = = 050 0 40 0 20
P A M ( ) ( . )( . ) . I = = 050 060 030
P A L ( ) ( . )( . ) . I = = 0 20 0 20 0 04
P A L ( ) ( . )( . ) . I = = 0 20 080 016
Teorema Bayes Distribusi (1)
Teorema Bayes dalamaplikasinya dapat digunakan dalam
proses perbaikan distribusi kemungkinan berdasarkan
informasi yang terbaru
Prior probability distribution
additional information
(sampling distribution)
Posterior or revised distribution
Contoh :
Proporsi pencemar/polutant (didefinisikan sebagai
terdapatnya bahan-bahan lain yang tidak diinginkan) pada
sebuah kemasan bahan baku yang diterima oleh sebuah
perusahaan diketahui sebagai berikut:
Proporsi pencemar P Probabilitas*
0.05 0.21
0.10 0.23
0.15 0.45
0.20 0.09
0.25 0.01
0.30 0.01
* diperoleh dari pengamatan untuk jangka waktu yang panjang.
Sebuah informasi penelitian terakhir dari 50 kemasan yang
diperiksa diperoleh data bahwa 8 delapan kemasan dinilai
tercemar/tidak murni. Distribusi informasi tersebut
adalah:
Proporsi keberhasilan P Probabilitas * P x P X p ( | ) ( | , ) = = 850
0.05 0.002
0.10 0.064
0.15 0.091
0.20 0.117
0.25 0.064
0.30 0.011
0.349
*mengikuti distribusi binomial.
Berdasarkan data terbaru, dilakukan revisi distribusi
probabilitas:
P Awal Sampel J oint* Baru* *
0.05 0.21 0.002 0.00042 0.007
0.10 0.23 0.064 0.01472 0.218
0.15 0.45 0.091 0.04095 0.608
0.20 0.09 0.117 0.01053 0.156
0.25 0.01 0.064 0.00064 0.009
0.30 0.01 0.011 0.00011 0.002
0.349 0.06737 1.000

Kesimpulan:
Ekspektasi awal (0.1245) lebih kecil dari
ekspektasi baru (0.1474).
Artinya, ada indikasi bahwa rata-rata proporsi
pencemar dalamsetiap kemasan bahan baku
telah mengalami peningkatan sekitar 2,3 %.

Ti 201 02 Tepro PDF

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

Ti 201 02 Tepro PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

10/7/2004 TI-2131 Teori Probabilitas - DI 1

Kejadian A (muncul sisi genap)

Anda mungkin juga menyukai