Bab 4

Probabilitas

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Bab 4
PROBABILITAS
A. Pengertian Dasar Probabilitas
1. Peluang
Probabilitas atau
kepada peluang

kemungkinan

bersumber

Selama ada peluang maka selama itu pula

sesuatu dapat terjadi
Sekalipun ada kemungkinan sesuatu terjadi,
namun di dalam peluang kita tidak dapat
memastikan kapan sesuatu itu terjadi

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 1
Pada lemparan dadu yang memiliki mata 1 sampai
6, ada peluang untuk keluar mata 5
Pada lemparan koin yang memiliki sisi muka dan
belakang, ada peluang untuk keluar muka
Pada hasil ujian mata pelajaran statistika, ada
peluang untuk memperoleh nilai 8
Pada suatu hari di tempat kerja, ada peluang
terdapat 4 orang yang bolos
Pada tugas mengarang di kalangan siswa SMA
tertentu, ada peluang tidak terdapat kata yang
salah eja
Pada satu halaman suatu buku, ada peluang
terdapat 11 kata berawalan me-

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

2. Ruang Probabilitas
Himpunan dari semua, tanpa kecuali, peluang yang
dapat terjadi pada suatu hal dikenal sebagai ruang
probabilitas
Perhatikan kata tanpa kecuali
Contoh 2

Lemparan
satu dadu

Ruang probabilitas S(1, 2, 3, 4, 5, 6)

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 3
Lempar dua koin dengan M = muka dan B = belakang

Ruang probabilitas S(MM, ___, ___, ___ )

Contoh 4
Nilai ujian berbentuk bilangan bulat dari 0 sampai
10
Ruang probabilitas S(

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

3. Cobaan (trial)
Cobaan adalah proses yang dilakukan untuk
menemukan nilai probabilitas
Contoh 5
Lempar satu dadu untuk menemukan nilai
probabilitas bagi keluarnya mata 5
Lempar dua koin untuk menemukan nilai
probabilitas bagi keluarnya dua sisi sama
Ujian mata kuliah statisika untuk menemukan
nilai probabilitas bagi 90% jawaban betul
Menarik bilangan secara acak untuk
menemukan nilai probabilitas bagi tertariknya
bilangan 13
Menarik undian untuk menemukan nilai
probabilitas bagi keluarnya hadiah pertama

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

4. Peristiwa (event)
Kejadian yang muncul atau diharapkan muncul
pada cobaan dikenal sebagai peristiwa
Contoh 6
Peristiwa keluar mata 3 pada lemparan satu
dadu
Peristiwa keluar mata genap pada lemparan
satu dadu
Peristiwa keluar sisi BB pada lemparan dua
koin
Peristiwa memperoleh nilai paling sedikit 6
pada ujian mata pelajaran statistika
Peristiwa kena hadiah ketiga pada tarikan suatu
undian

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

5. Unsur Probabilitas
Peristiwa paling sederhana (tidak dapat diuraikan
lagi) pada hasil cobaan dikenal sebagai unsur
probabilias
Contoh 7
Pada Lemparan satu dadu
Unsur probabilitas
mata 1, mata 2, mata 3,
mata 4, mata 5, mata 6
Bukan unsur probabilitas
mata genap (2, 4, 6)
mata ganjil (1, 3, 5)
mata di atas 2 (3, 4, 5, 6)

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 8
Pada lemparan dua koin
Unsur porbabilitas
Sisi MM, MB, BB
Bukan unsur probabilitas
Sisi sama (MM, BB)
Contoh 9
Pada hasil ujian mata pelajaran statistika
Unsur probabilitas
Nilai 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Bukan unsur probabilitas
Nilai lulus (6, 7, 8, 9, 10)
Nilai gagal (0, 1, 2, 3, 4, 5)

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

6. Bobot Unsur Probabilitas

Bobot beda
Ada kalanya unsur probabilitas tidak
memiliki peluang yang sama besar
Perbandingan peluang di antara unsur
probabilitas dikenal sebagai bobot unsur
probabilitas
Contoh 10
Pada lemparan satu dadu, bobot mata 3
adalah dua kali bobot mata 4
Ini berarti bahwa peluang untuk keluar
mata 3 adalah dua kali dari peluang keluar
mata 4
Bobot sama
Jika tidak disebut secara khusus, maka semua
unsur probabilitas dianggap berbobot sama

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

7. Probabilitas Peristiwa dan Notasi

Peristiwa memiliki probabilitas yakni probabilitas
peristiwa
Probabilitas peristiwa diberi notasi dan terdapat
banyak cara untuk memberikan notasi kepada
suatu peristiwa
Beberapa contoh notasi
Tanpa keterangan
Probabilitas peristiwa X
P(X)
P(X = 3)
P(X 3)
P(2 X 5)

umum
ketika X = 3
ketika X 3
ketika 2 X 5

----------------------------------------------------------------------------Bab 4
-----------------------------------------------------------------------------

Dengan keterangan
Keterangan diletakkan di belakang ;
n(X; X, X)
n(X; 5, 2)
B(X; n, p)
B(X; 10, 0,15)
b(X; n, p)
b(X; 9, 0,95)
Bilangan di belakang ; adalah keterangan
tentang probabilitas, misalnya,
n(X; 5, 2)
Probabilitas X (pada distribusi probabilitas
normal) ketika rerata adalah 5 dan
simpangan baku adalah 2

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

B. Konsep dan Nilai Probabilitas

1. Konsep Probabilitas Laplace
Probabilitas dihitung dari ciri unsur yang telah
diketahui (a priori, matematik)
B C
A
C X A XB Y X B A
Y A Y B X Y A B CA X
AX
B X AC C X
Y Y
B X C Y
BXY B XC X
A
A C
A
A X
Unsur X sebanyak n
Seluruh unsur sebanyak N
Probabilitas Laplace atau probabilitas a priori
atau probabilitas matematik untuk X
P( X )

n
N

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Dikatakan a priori (sebelum) karena probabilitas

sudah dapat dihitung sebelum dilakukan cobaan
Dikatakan matematik karena probabilitas dapat
dihitung secara matematika
Probabilitas dapat dihitung melalui perhitungan n
dan N
Perhitungan n dan N hanya dapat dilakukan apabila
ciri unsur probabilitas besaran telah diketahui

Diketahui

Dihitung
Konsep
Laplace

Ciri
Besaran

Probabilitas

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 11
Lemparan satu dadu dengan 6 mata

1
4

2
5

n=1
P(X = 2) =

1
6

N=6

n=5
P(X 2) =

5
6

N=6

n=3
P(X = genap) =
N=6

3
6

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 12
Lempar 2 koin (M = muka

MM
BM

MB
BB

B = belakang)

X = 0 kali M
P(X) =

1
4

= 0,25

n=1

MM
BM

MM
BM

BM
BB

BM
BB

X = 1 kali M
P(X) =

X = 2
P(X) =

2
4

= 0,50

kali M
1
4

= 0,25

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Diagram pohon
Salah satu cara praktis untuk menghitung ruang
probabilitas dilakukan melalui diagram pohon
Ruang probabilitas lemparan 2 koin
koin 1

M
B

koin 2

M
B
M
B

MM
MB
BM
BB

Ruang probabilitas adalah S (MM, MB, BB)

Probabilitas 0 kali M
Probabilitas 1 kali M
Probabilitas 2 kali M

P(0) = 1 / 4 = 0,25
P(1) = 2 / 4 = 0,50
P(2) = 2 / 4 = 0,25

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Ruang probabilitas lemparan 3 koin

koin 1

koin 2

M
B

M
B

koin 3
M
B
M
B
M
B
M
B

MMM
MMB
MBM
MBB
BMM
BMB
BBM
BBB

Ruang probabilitas adalah N = 8

Probabilitas 0 kali muka
Probabilitas 1 kali muka
Probabilitas 2 kali muka
Probabilitas 3 kali muka

P(0) = 0,125
P(1) = 0,375
P(2) = 0,375
P(3) = 0,125

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 13
Ada 10 putri dan 10 putra pergi ke pesta. Berapa
probabilias putri I berpasangan dengan putra A
Pasangan putri I dengan putra A
Ruang probabilitas pasangan
Probabilitas pasangan I dan A

n=1
N=
P(X) =

Contoh 14
Di dalam kantong terdapat 2 bola merah (M) dan 3
bola biru (B). Secara acak ditarik 2 bola
Probabilitas
Probabilitas
Proabilias

P(MM)
=
P(MB atau BM) =
P(BB)
=

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 15
Pada lemparan dua dadu, berapa probabilitas
(a) keluar mata sama
(b) keluar mata berjumlah 7
(c) keluar mata berjumlah 11
(d) keluar mata berjumlah 2
(e) keluar satu kali mata 6
(f) keluar pasangan mata 6

Catatan: Lempar dua dadu satu kali, dan

lempar satu dadu dua kali,
memberikan hasil yang sama

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

2. Konsep Probabilitas von Mises

Probabilias dihitung dari hasil cobaan (a posteriori,
statistik)
Cobaan sebanyak N kali menghasilkan X
sebanyak n kali
Probabilitas von Mises atau probabilitas a
posteriori atau probabilitas statistik untuk X

n
N N

P ( X ) lim

dengan N menunju ke tak hingga

Kalau N cukup besar maka probabilitas mendekati
probabilitas von Mises ini

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Dikatakan a posteriori (sesudah) karena

probabilitas dihitung setelah dilakukan cobaan
Dikatakan statistik karena probabilitas dihitung
berdasarkan statistik hasil cobaan
Secara teoretik memerlukan N sebanyak tak hingga
namun tak dapat dilaksanakan di dalam praktek
Dalam praktek biasanya dilakukan dengan N yang
cukup besar
Perhitungan dapat dilakukan sekalipun ciri unsur
probabilitas besaran tidak diketahui
Ciri
Besaran

Probabilitas
Konsep
von Mises

Tidak diketahui

Dicoba

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 16
Lemparan koin sebanyak N kali, keluar sisi muka
sebanyak X kali, dan probabilitas keluar sisi muka
sebesar P(X)
N
10
100
1000
10000
100000

X
4
45
490
4950
49900

|X - N|
1
5
10
50
100

P(X)
0,400
0,450
0,490
0,495
0,499

Menurut probabilitas matematik atau a priori

probabilitas P(X) = 0,50
Tampak bahwa makin besar N, sekalipun
selisih di antara X dan N makin besar, namun
probabilitas makin mendekati probabilitas
matematik 0,5

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 17
Di antara 50 siswa, 18 siswa lulus ujian
Probabilitas lulus ujian

P(lulus) =

Di antara 75 kata, terdapat 14 kata berawalan me Probabilitas kata berawalan me- P(me-) =

Ada 1500 orang melamar beasiswa dan 75 orang

memperolehnya
Probabilitas mendapat beasiswa P(beasiswa) =

Di antara 250 panahan, terdapat 50 kali kena

sasaran
Probabilitas kena sasaran

P(sasaran) =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 18
Ada 2500 calon mahasiswa mendaftarkan diri untuk
masuk ke suatu perguruan tinggi. Calon yang
diterima adalah 150 mahasiswa.
Probabilitas untuk diterima menjadi mahasiswa
adalah P(X)
Calon mahasiswa N = 2500
Yang diterima
n = 150
P(X) =

Contoh 19
Suatu pemilihan diikuti oleh 500 calon yang terdiri
atas 400 pria dan 100 wanita. Pemilihan tidak
membedakan pria atau wanita. Terpilih 15 pria dan
5 wanita
Probabilitas pria terpilih
Probabilitas wanita terpilih

P(p) =
P(w) =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

3. Ciri Besaran
Ciri Besaran dan Probabilitas
Pada konsep Laplace, ciri besaran telah diketahui
sehingga probabilitas dapat dihitung
Pada konsep von Mises, ciri besaran tidak diketahui
sehingga probabilitas dicari melalui cobaan
Di dalam penelitian, ciri besaran belum diketahui
dan ingin diketahui melalui percobaan
Penelitian menggunakan konsep probabilitas von
Mises untuk menemukan probabilitas
Setelah menemukan probabilitas, melalui konsep
Laplace untuk menemukan ciri besaran

----------------------------------------------------------------------Bab 4
-----------------------------------------------------------------------

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Ciri Besaran dan Parameter

Ciri besaran sering ditemukan melalui
kelompok data yang diperoleh melalui
percobaan
Ciri besaran pada kelompok data adalah
parameter (parameter populasi)
Penelitian sering menggunakan sampel
sehingga hanya menemukan statistik (statistik
sampel)
Dari statistik sampel peneliti menyimpulkan
parameter populasi melalui probabilitas
Terjadi lompatan penyimpulan dari statistik
sampel (sebagian) ke parameter populasi
(keseluruhan)
Lompatan kesimpulan ini sering diikuti dengan
probabilitas keliru (risiko penyimpulan)

----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Lompatan penyimpulan

sampel statistik

Menggunakan
probabilitas

Penyimpulan
dengan
probabilitas keliru

populasi

parameter

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

4. Batas Nilai Probabilitas

Nilai probabilitas bergantung kepada nilai n dan
nilai N karena P(X) = n / N
Nilai n terkecil adalah n = 0 sehingga P(X) = 0
Nilai n terbesar adalah n = N sehingga P(X) = 1
Batas nilai probabilitas
0 P(X) 1

w w w
ww
w
w w w
w w
w
ww w w
p = pria
w = wanita

P(p) = 0 / N = 0

P(w) = N / N = 1

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

5. Probabilitas p dan q
Cobaan dapat menghasilkan sukses atau gagal
yang dinyatakan dengan p dan q, misalnya,
probabilitas
P(lulus) = p
P(gagal) = q
P(mata 6) = p P(bukan mata 6) = q
P(X) = p
P(bukan X) = q

X
(n)

Bukan X
(N-n)

p = n/N

q = (N n) /N

p + q = n / N + (N n) / N = 1
p+q=1

p=1q

q=1p

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 20
Pada lemparan satu dadu dengan enam mata
P(5) = 1 / 6
P(bukan 5) = 1 1 /6 = 5 / 6
P(mata ganjil) = 3 / 6
P(mata genap) = 1 3 / 6 = 3 / 6
P(X > 2) =
P(X 2) =
Sejumlah mahasiswa menempuh ujian statistika
dengan probabilitas lulus sebesar p dan
probabilitas tidak lulus sebesar q
p = 0,50
p = 0,75
p = 0,99

q=
q=
q=

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

6. Probabilitas dan Frekuensi

Pada probabilitas statistik (konsep von Mises)
terjadi cobaan
Pada cobaan, peristiwa terjadi berkali-kali atau
dalam suatu frekuensi
Pada N cobaan, frekuensi terjadinya peristiwa
adalah f, sehingga probabilitas peristiwa adalah
p

f
N

sehingga frekuensi f menjadi

f = pN

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 21
Ada 50 siswa menempuh ujian dengan probabilitas
lulus 0,80
p = 0,80
N = 50
Banyaknya siswa yang lulus ujian adalah
f = pN = (0,80)(50) = 40

Ada 800 orang pelamar sedangkan probabilitas

untuk dapat diterima adalah 0,15
p =
N=
Banyaknya pelamar yang diterima adalah
f =

Probabilitas sakit adalah 0,05 sehingga di antara

600 siswa, probabilitas sakit adalah
f =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

C. Hubungan pada Dua atau Lebih Peristiwa

1. Independensi Peristiwa
Hubungan dua atau lebih peristiwa dapat
Independen
dependen
Independen
Dua peristiwa X dan Y adalah independen
apabila probabilias P(Y) tidak ditentukan
oleh probabilitas P(X), dan sebaliknya
Dependen
Dua peristiwa X dan Y adalah dependen
apabila probabilitas P(Y) ditentukan oleh
probabilitas P(X), dan sebaliknya

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 22
Lempar dadu keluar mata 3. Lemparan sebelumnya
menghasilkan mata 1
Peristiwa independen
Mendaftarkan diri menjadi mahasiswa, tetapi
sebelumnhya harus lulus SMA
Peristiwa dependen
Naik kereta api ke Bandung dan naik mobil ke
Bandung
Peristiwa independen
Memberi jawaban setuju dan menerima pertanyaan
Peristiwa dependen

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

2. Keeksklusivian peristiwa
Hubungan dua atau lebih peristiwa dapat
Saling ekskluwif
Tidak saling eksklusif
Saling eksklusif
Dua peristiwa X dan Y adalah saling eksklusif
apabila unsur probabilitas pada X dan Y sama
sekali terpisah

Tidak ada unsur probalitas di X yang juga di Y

dan sebaliknya

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Tidak saling eksklusif

Dua peristiwa X dan Y tidak saling eksklusif
apabila ada unsur probabilitas yang sekaligus
ada di X dan Y

Terdapat irisan di antara X dan Y sehingga

pada irisan, unsur probabilitas sekaligus
terletak di X dan Y
Pada tiga peristiwa, terdapat banyak macam
ketidakeksklusivan di antara mereka

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Pada tiga peristiwa A, B, C

A C

C
A

C B

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 23
Lempar satu dadu

1
3
5

2
4
6

Mata ganjil
Mata genap
Saling eksklusif

1
3
5

2
4
6

Mata genap
Mata di atas 2
Tidak eksklusif

1
3
5

2
4
6

Mata 5
Mata bukan lima
Saling eksklusif

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 24

A
B

Mahasiswa
asal luar
kota

Mahasiswa
semester 3

Dua dosen pada waktu sama

di kelas A dan di kelas B
________________________

Mahasiswa asal luar kota dan

mahasiswa semester tiga

_______________________

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

D. Probabilitas pada Dua atau Lebih Persitiwa

1. Hubungan DAN
Notasi
Probabilitas hubungan DAN di antara X1
dan X2 dapat ditulis dalam beberapa
macam notasi
P(X1 DAN X2)
P(X1 X2) atau P(X1X2)
P(X1 X2)
Ada sejumlah kaidah untuk probabilitas
hubungan DAN namun di sini hanya dikemukan
kaidah untuk hubungan independesni

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

2. Kaidah Probabilitas Hubungan DAN

Jika X1 dan X2 independen, maka
P(X1 X2) = P(X1) . P(X2)
Jika X1, X2, X3, . . . Independen, maka
P(X1 X2 X3 . . . = P(X1).P(X2).P(X3) . . .
= (X)
Kaidah ini hanya berlaku apabila, semua peristiwa
adalah independen
Sering kaidah hubungan DAN ini digunakan untuk
hitungan kebetulan ada hubungan pada kasus yang
tidak berhubungan

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 25
Pada lemparan dadu, keluar mata 2 dan keluar
mata 6 adalah independen dan saling eksklusif.
Probabilitas keluar mata 2 dan mata 6 adalah
P(mata 2) = 1 / 6
P(mata 6) = 1 / 6
P(mata 2 dan 6) = (1/6)(1/6) = 1 / 36

Contoh 26
Pada lemparan dadu, keluar mata genap dan
keluar mata di atas 2 adalah independen tetapi
tidak eksklusif. Probabilitas keluar mata genap dan
mata di atas 2 adalah
P(mata genap) = 3 / 6 = 1 / 2
P(mata di atas 2) = 4 / 6 = 2 / 3
P(mata genap dan di atas 2) = (1/2)(2/3) = 1 / 3

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 27
Probabilitas lulus mata pelajaran X adalah 0,8 dan
probabilitas lulus mata pelajaran Y adalah 0,7.
Kedua peristiwa ini adalah independen.
P(X) =
P(Y) =
P(XY) =

Contoh 28
Probabilitas jatuh (X1) adalah 0,4, probabilitas
tertimpa tangga (X2) adalah 0,1, dan probabilitas
patah kaki (X3) adalah 0,2.
P(X1) =
P(X2) =
P(X1 X2 X3) =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

3. Hubungan ATAU

Notasi
Probabilitas hubungan ATAU di antara
peristiwa X1 dan X2 dapat ditulis dalam
beberapa macam notasi
P(X1 ATAU X2)
P(X1 + X2)
P(X1 U X2)

Di sini dikemukan kaidah probabilitas hubungan

ATAU untuk hubungan yang eksklusif dan
hubungan yang tidak eksklusif (tidak eksklusif
hanya untuk dua peristiwa)

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

4. Kaidah Probabilitas Hubungan ATAU

Jika X1 dan X2 saling eksklusif, maka
P(X1 U X2) = P(X1) + P(X2)

Jika X1, X2, X3, . . . Saling eksklusif, maka

P(X1 U X2 U X3 U . . . ) = P(X1) + P(X2) +P(X3) + . . .

Jika X1 dan X2 tidak saling eksklusif, maka

P(X1 U X2 = P(X1) + P(X2) P(X1 X2)
X1

X2
X1 X2

X1 X2 telah dihitung
dua kali sehingga perlu
dikurangi satu kali

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 29
Pada lemparan dadu, keluar mata 2 dan keluar
mata 5 adalah saling eksklusif. Probabilitas keluar
mata 2 atau mata 5 adalah
P(mata 2) = 1 / 6
P(mata 5) = 1 / 6
P(mata 2 atau 5) = 1 / 6 + 1 / 6 = 1 / 3

Contoh 30
Pada lemparan dadu, keluar mata genap dan
keluar mata di atas 2 adalah tidak saling eksklusif.
Probabilitas keluar mata 2 atau mata 5 adalah

P(mata genap) = 3 / 6 = 1 / 2
P(mata > 2) = 4 / 6 = 2 / 3
P(mata genap mata > 2) = 2 / 6 = 1 / 3
P(mata genap atau 2) = 1 / 2 + 2 / 3 1 / 3 = 5 / 6

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 31
Di perguruan tinggi, mahasiswa tingkat satu (X1),
tingkat dua (X2), tingkat tiga (X3), dan tingkat empat
(X4) adalah saling eksklusif.
Jika P(X1) = 0,4

P(X3) = 0,2

P(X 2) = 0,3
P(X 4) = 0,1

Probabilitas seorang mahasiswa duduk di tingkat dua

atau tingkar tiga adalah
P(X3 + X$) =

Contoh 32
Probabilias lulus mata pelajaran bahasa (X1)
adalah 0,8 dan lulus mata pelajaran matematika
(X2) adalah 0,7. Mereka independen tetapi tidak
saling eksklusif. Probabilitas lulus bahasa atau
matematika adalah
P(X1 + X2) =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

E. Dalil Bayes
1. Probabilitas Bersyarat
Probabilitas B bersyarat A ditulis P(B|A)
Kita mencari di syarat A untuk menemukan
berapa probabilitas B di situ
Kita lihat suatu contoh
Mahasiswa (M) Siswa (S) Jumlah
Pria (P)
460
40
500
Wanita (W)
140
260
400
Jumlah
600
300
900
Probabilitas wanita bersyarat mahasiswa P(W|M).
Kita lihat ke syarat mahasiswa (prob 600 / 900) dan
melihat berapa wanita di situ (prob 140 / 900)
sehingga
P(W|M) = (140 / 900) / (600 / 900) = 0,77

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

P (W | M )

probabilitas ( wanita mahasiswa )

probabilitas ( mahasiswa )

140
460
900
0,77
600 900
900
P (W | M )

P (W M )
P( M )

Rumus umum probabilitas bersyarat

P ( B | A)

P ( B A)
P ( A)

P ( B A) P ( B | A) P ( A)

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 33
Diketahui probabilitas suami menonton TV adalah
0,4, probabilitas istri menonton TV adalah 0,5, serta
probabilitas suami menontoh TV bersyarat istri
menonton TV adalah 0,7
Dari data ini, jika suami adalah S dan istri adalah I
maka
P(S) = 0,4

P(I) = 0,5

P(S|I) = 0,7

Probabilitas istri bersama suami menonton TV

adalah
P(SI) = P(I).P(S|I) = (0,5)(0,7) = 0,35

Probabilitas istri menonton TV bersyarat suami

menonton TV
P(I|S) = P(SI) / P(S) = 0,35 / 0,4 = 0,875

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 34
Pemilihan gubernur diikuti oleh tiga calon B1, B2,
dan B3. Setiap calon mungkin menaikkan pajak
penjualan A.
Probabilitas B1 terpilih adalah 0,60 dan probabilitas
untuk menaikkan pajak penjualan A adalah 0,90
Probabilitas B2 terpilih adalah 0,20 dan probabilitas
untuk menaikkan pajak penjualan adalah 0,50
Probabilitas B3 terpilih adalah 0,20 dan probabilitas
untuk menaikkan pajak penjualan adalah 0,05

Probabilitas pajak penjualan dinaikkan adalah

apabila B1 terpilih atau B2 terpilih atau B3 terpilih
P(A) = P(A B1) + P(A B2) + P(A B3)
=

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

2. Dalil Bayes
Dalil Bayes berkaitan dengan banyak komponen,
misalnya, komponen
B1, B2,, B3, . . .
Komponen ini mengalami peristiwa A
Dalil Bayes berkenaan dengan berapa besar
probabilitas suatu komponen B (misalnya Bk)
bersyarat A yakni berapa besar P(Bk|A)
P(Bk|A)
B2

B1
Bi

Bk
A

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Dalil Bayes

P ( Bk | A)

P ( Bk A)
P ( Bi A )

P ( Bk ) P ( A | Bk )
P ( Bi ) P ( A | Bi )

Contoh 35
Bola merah, putih, dan biru di dalam kotak 1,
2, dan 3

merah
putih
biru
jumlah

1
2
3
5
10

kotak
2
4
1
3
8

3
3
4
3
10

jumlah
9
8
11
28

Berapa probabilitas bola merah dari kotak 3

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Di sini

Bk = bola merah
A = kotak 3

P(bola merah) = 9 / 28
P(bola putih) = 8 / 28
P(bola biru)
= 11 / 28
P(kotak 3|bola merah) = 3 / 28
P(kotak 3|bola putih) = 4 / 28
P(kotak 3|bola biru)
= 3 / 28
P(Bk) P(A|Bk) = P(bola merah) P(kotak 3|bola merah)
= (9 / 28) (3 / 28) = 27 / (28)(28)
P(Bi) P(A|Bi) = (9 / 28)(3 / 28) + (8 / 28)(4 / 28)
+ (11 / 28)( 3 / 28)
= 92 / (28)(28)
P(Bk|A) = P(bola merah|kotak 3)
= (27 / (28)(28))/ (92 / (28)(28)) = 0,29

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 36
Produksi semacam barang
berasal dari mesin I (B1) sebesar 50% dengan
probabilitas cacat (A) 0,4%
Berasal dari mesin II (B2) sebesar 30% dengan
probabilitas cacat (A) 0,6%
Berasal dari mesin III (B3) sebesar 20% dengan
probabilitas cacat (A) 1,2%
Probabilitas satu barang cacat berasal dari mesin I
adalah
P(B1|A) =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

F. Distribusi Probabilitas
1. Jumlah Probabilitas
Semua probabilitas dari semua peristiwa
dijumlahkan
n1 n2 n3
...
N N N
n n2 n3 ...
1
N
N

N
1

P ( X 1 ) P ( X 2 ) P ( X 3 ) ...

Ini berarti bahwa 1 itu dibagi-bagikan atau

didistribusikan ke semua X sehingga terjadilah
distribusi probabilitas

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 37
Lemparan 2 koin untuk probabilitas banyaknya sisi
muka yang keluar
Dari contoh 12
P(0 muka)
P(1 muka)
P(2 muka)
Jumlah

= 0,25
= 0,50
= 0,25
1,00

Contoh 38
Lemparan 3 koin pada contoh diagram pohon
Probabilitas 0 kali muka
Probabilitas 1 kali muka
Probabilitas 2 kali muka
Probabilitas 3 kali muka
Jumlah

P(0) = 0,125
P(1) = 0,375
P(2) = 0,375
P(3) = 0,125
1,000

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 39
Hasil ujian menghasilkan nilai ujian (hasil cobaan)
berbentuk distribusi probabilitas sebagai berikut
Nilai ujian X
4
5
6
7
8
9

Frek f
3
5
10
15
11
6
50

Probabilitas
0,06
0,10
0,20
0,30
0,22
0,12
1,00

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

2. Fungsi Densitas
Probabilitas dari semua peristiwa membentuk
fungsi dan dikenal sebagai fungsi densitas
Fungsi densitas adalah densitas (kerapatan) yang
diakibatkan pembagian (pendistribusian)
probabilitas 1 ke semua peristiwa
Fungsi densitas dapat disajikan dalam beberapa
bentuk
Bentuk tabel
Bentuk grafik
Bentuk rumus
Bentuk tabel untuk membaca bilangan, bentuk
grafik untuk visualisasi, bentuk rumus untuk proses
matematik

-----------------------------------------------------------------------------Bab 4
-----------------------------------------------------------------------------Contoh 40
Fungsi densitas hasil ujian dalam bentuk tabel
Nilai ujian X
4
5
6
7
8
9

Frek f
3
5
10
15
11
6
50

Probabilitas
0,06
0,10
0,20
0,30
0,22
0,12
1,00

Fungsi densitas dalam bentuk grafik histogram

0,30

P(X)

0,20
0,10
4

5 6 7 8 9

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 41
Fungsi densitas distribusi probabilitas dalam
bentuk tabel
Peristiwa X
1
3
4
5
6
7
8
9
10

Frek f
1
5
9
15
23
15
17
9
6
100

Probabilitas
0,01

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Fungsi densitas distribusi probabilitas dalam bentuk

grafik histogram

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

3. Kumulasi Probabilitas
Kumulasi probabilitas
Jumlah probabilitas pada suatu bentangan
peristiwa dikenal sebagai kumulasi probabilitas
Contoh 42
Dari contoh 40, kumulasi probabilitas
Dari X = 5 sampai 7
P(X) = 0,10 + 0,20 + 0,30 = 0,60
Dari X = 5 sampai 8
P(X) = 0,10 + 0,20 + 0,30 + 0,22 = 0,82

----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

4. Fungsi Distribusi
Fungsi distribusi bawah
Kumulasi probabilitas secara bertahap dari
peristiwa terkecil sampai peristiwa terbesar
dikenal sebagai fungsi distribusi bawah (FDB)
Fungsi distribusi atas
Kumulasi probabilitas secara bertahap dari
peristiwa terbesar sampai peristiwa terkecil
dikenal sebagai fungsi distribusi atas (FDA)
Contoh
Nilai ujian X
4
5
6
7
8
9

Frek f Prob
3
0,06
5
0,10
10
0,20
15
0,30
11
0,22
6
0,12

FDB
0,06
0,16
0,36
0,66
0,88
1,00

FDA
1,00
0,94
0,84
0,64
0,34
0,12

----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 43
Fungsi densitas dan fungsi distribusi pada distribusi
probabilitas dalam bentuk tabel
Peristiwa X
1
3
4
5
6
7
8
9
10

Frek f
1
5
9
15
23
15
17
9
6
100

Prob
0,01

FDB
0,01

FDA
1,00

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 44
Fungsi densitas dan fungsi distribusi pada distribusi
probabilitas
Kelompok Nil kel X
31 40
35,5
41 50
45,5
51 60
55,5
61 70
65,5
71 80
75,5
81 90
85,5
91 100 95,5
Bentuk histogram

Frek
2
3
5
14
25
18
13

Prob

FDB

FDA

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

5. Kumulasi Probabilitas Melalui Fungsi Distribusi

Kumulasi probabilitas dapat dihitung dari fungsi
distribusi
Contoh 45

Nilai ujian X
4
5
6
7
8
9

Frek f Prob
3
0,06
5
0,10
10
0,20
15
0,30
11
0,22
6
0,12

FDB
0,06
0,16
0,36
0,66
0,88
1,00

Dengan FDB
P(6 X 8) = P(X 8) P(X 5)
= 0,88 0,16
= 0,72

FDA
1,00
0,94
0,84
0,64
0,34
0,12

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Kumulasi distribusi ini dapat dilihat juga pada

fungsi densitas berbentuk grafik histogram
Kumulasi distribusi di antara X = 6 sampai
X = 8 mencakup histogram dari 6 sampai 8
Kumulasi distribusi X = 6 sampai X = 8 ini
merupakan pengurangan fungsi distribusi
bawah
dari bawah sampai X = 8 dikurangi
dari bawah sampai X = 6

0,30

P(X)

0,20
0,10
4

5 6 7 8 9

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 46
Dari contoh 43, kumulasi probabilitas
P(5 X 9) =
P(5 < X 9) =
P(5 X < 9) =
P(5 < X < 9) =

Dari contoh 44, kumulasi probabilitas

P(45,5 X 85,5) =
P(45,5 < X 85,5) =
P(45,5 X < 85,5) =
P(45,5 < X < 85,6) =

Dari contoh 45
P(5 X 8) =
P(5 X < 8) =
P(5 < X 8) =
P(5 < X < 8) =

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

G. Harapan Matematik
1. Pengertian
Harapan matematik adalah rerata dari suatu fungsi,
misalnya, f(X)
Harapan matematik pada suatu fungsi X adalah
E [ f(X)] = p f(X)
2. Rerata
Rerata adalah harapan matematik dari suatu
variabel, misalnya, X
X = E (X) = pX
sama dengan rumus rerata pada statistika
deskriptif

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

3. Variansi
Variansi adalah harapan matematik dari kuadrat
simpangan
2X = E (X X)2
= E (X2) 2X
= E (X2) [ E (X) ]2
= pX2 ( pX)2
sama dengan rumus variansi pada statistika
deskriptif
Rerata dan variansi dapat dihitung melalui harapan
matematik
Harapan matematik adalah rerata dalam bentuk
umum melalui fungsi, misalnya,
E(X 2)
E(X2 + 5)

-----------------------------------------------------------------------------Bab 4
-----------------------------------------------------------------------------

Contoh 47
Data X Frek f
4
3
5
5
6
10
7
15

8
9

11
6
50

Prob p
0,06
0,10
0,20
0,30

0,22
0,12
1,00

X = pX = 6,88
2X = pX2 ( pX)2
= 49,16 (6,88)2
= 49,16 47,33
= 1,83

X2
16
25
36
49

pX
0,24
0,50
1,20
2,10

pX2
0,96
2,50
7,20
14,70

64 1,76 14,08
81 1,08 9,72
6,88 49,16

----------------------------------------------------------------------------Bab 4
-----------------------------------------------------------------------------

Contoh 48
Data X
1
3
4
5
6
7
8
9
10

Frek f
1
5
9
15
23
15
17
9
6

X =

2X =

Prob p

X2

pX

pX2

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

4. Kovariansi
Kovariansi adalah harapan matematik dari
perkalian simpangan
XY = E [ (X X)(Y Y) ]
= E (XY) [E (X) E (Y)]
= pXY ( pX)( pY)

Sama dengan rumus kovariansi pada statistika

deskriptif
Contoh 49
X Y Frek f Prob p
4 5
1
0,2
5 7
1
0,2
6 5
1
0,2
6 8
1
0,2
4 3
1
0,2

XY
20
35
30
48
12

pX pY pXY
0,8 1,0 4,0
1,0 1,4 7,0
1,2 1,0 6,0
1,2 1,6 9,6
0,8 0,6 2,4
5,0 5,6 29,0

XY = pXY ( pX)( pY) = 29,0 (5,0)(5,6)

=1

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

Contoh 50
X
63
50
55
65
55
70
64
70
58
68

Y
87
74
76
90
85
87
92
98
82
91

XY =

XY

pX

pY

pXY

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

H. Jenis Distribusi Probabilitas

1. Sumber Distribusi
Dari sumber data, distribusi probabilitas
mencakup
Distribusi probabilitas empirik
Distribusi probabilitas teoretik
2. Jenis Data
Dari jenis data, distribusi probabilitas mencakup
Distribusi probabilitas diskrit
Distribusi probabilitas kontinu

-----------------------------------------------------------------------------Bab 4
------------------------------------------------------------------------------

3. Banyaknya variabel
Dari banyaknya variabel, distribusi probabilitas
mencakup
Distribusi probabilitas univariat
Distribusi probabilitas bivariat
Distribusi probabilitas multivariat
4. Pembahasan
Tidak semua macam distribusi probabilitas
dibahas di sini
Pembahasan meliputi distribusi probabilitas
yang banyak dipakai di dalam statistika terapan
Pembahasan mencakup beberapa distribusi
probabilitas teoretik, diskrit dan kontinu,
terutama univariat