Titin Titin Sri Martini Sri Martini

1
Menjelaskan pengertian probabilitas, ruang
sampel, kejadian, probabilitas suatu kejadian,
operasi dan aturan menghitung, probabilitas
bersyarat dan independensi
KKD II KKD II
2
Probabilitas
3
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
‡ PROBABILITAS menyatakan ketidakpastian
dalam bentuk peluang.
ATAU
‡ PROBABILITAS menyatakan ukuran
numerik dari kemungkinan suatu kejadian
akan terjadi.
Probabilitas
4
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Probabilitas
ƀBerapakah peluang mendapatkan sisi muka
pada pelemparan tunggal suatu koin ?
Gunakan skala dari 0 (tidak terjadi) sampai
dengan 1 (pasti terjadi).
ƀPelemparan koin dua kali.
Lakukan ! Apakah anda mendapatkan satu sisi
muka dan satu sisi belakang ? Apakah arti
semuanya ?
5
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Percobaan (Experiment)
- Proses mendapatkan suatu hasil atau kejadian
sederhana melalui pengamatan.
Titik Sampel (Sample Point)/ hasil (outcome)
- Hasil percobaan paling dasar.
Ruang Sampel (S)
- Kumpulan dari seluruh hasil yang mungkin.
Percobaan, Titik Sampel, ruang Sampel
6
Ruang Sampel tergantung pada Eksperimenter !
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Kejadian adalah himpunan bagian dari
ruang sample.
- Kejadian Sederhana (Simple Event)
Hasil dasar dari sebuah eksperimen yang
tidak dapat disederhanakan lagi karena
mengandung satu unsur ruang sampel.
Kejadian
7
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Kejadian Majemuk (Compound Event)
Kejadian yang terdiri atas dua atau lebih
kejadian sederhana.
8
Kejadian
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Eksperimen : Pelemparan sebuah dadu
Hasil : Mata dadu yang tampak di atas
Ruang sampel : S = { 1, 2, 3, 4, 5, 6}
Suatu Kejadian : A = titik ganjil tampak
{1, 3, 5}
Contoh
9
Titik sampel
Bentuk Kejadian Majemuk
Irisan (Intersection)
Hasilnya antara dua kejadian A dan B
Dinyatakan dengan ͚DAN͛
Lambang ŀ (contoh : A ŀ B)
Gabungan (Union)
Hasilnya salah satu kejadian A atau B atau keduanya
Dinyatakan dengan ͚ATAU͛
Lambang ׫ (contoh : A ׫ B)
Kejadian Majemuk
10
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Irisan Kejadian : Diagram Venn
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Rupa Kartu
Kejadian Majemuk (Irisan)
11
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Irisan Kejadian : Tabel Kontingensi
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Rupa Kartu
12
Kejadian Majemuk (Irisan)
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Gabungan Kejadian : Diagram Venn
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Rupa Kartu
13
Kejadian Majemuk (Gabungan)
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Gabungan Kejadian : Tabel Kontingensi
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Rupa Kartu
14
Kejadian Majemuk (Gabungan)
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Kejadian mutually exclusive adalah kejadian saling lepas,
yaitu bila suatu perstiwa terjadi, maka peristiwa lain tidak
dapat/ mungkin terjadi pada saat yang bersamaan.
CONTOH :
Pada percobaan melantumkan uang logam. Kejadian
munculnya GAMBAR akan selalu bergantian dengan
munculnya ANGKA.
15
Kejadian Mutually Exclusive
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
16
Kejadian Mutually Exclusive
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
‡ Contoh
‡ A
c
dikatakan komplemen dari A bila kejadian yang muncul
adalah selain kejadian A, yaitu kejadian yang terdiri atas
kejadian sederhana yang tidak termasuk dalam kejadian A.
17
Kejadian Komplemen
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
CONTOH :
Dalam undian dengan sebuah dadu, misalkan
A = mendapat muka 6 di sebelah atas. Tentukan ruang
sampel kejadian A dan A
c
!
JAWAB :
A={6}
A
c
={1, 2, 3, 4, dan 5}.
NB : kejadian A dan A
c
juga merupakan dua kejadian yang
saling lepas atau mutually exclusive .
18
Kejadian Komplemen
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Kejadian independent adalah kejadian saling bebas,
yaitu terjadinya suatu kejadian tidak mempengaruhi
probabilitas terjadinya kejadian lain.
CONTOH :
Undian dilakukan dengan melantumkan sebuah mata
uang sebanyak dua kali. Misalkan A = muncul ANGKA
pada pelemparan pertama dan B = muncul ANGKA
pada pelemparan kedua.
19
Kejadian Independen
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Kejadian A dan B merupakan kejadian independent,
karena probabilitas kejadian B (terjadinya muncul
ANGKA pada pelemparan kedua) tidak dipengaruhi
oleh kejadian A.
20
Kejadian Independen
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
‡ Kejadian kosong adalah kejadian mustahil, yaitu
himpunan bagian ruang sampel yang tidak
mengandung unsur.
21
Kejadian Kosong
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Banyaknya titik sampel dalam ruang sampel dapat dihitung
dengan cara PERMUTASI dan KOMBINASI.
- PERMUTASI
Permutasi digunakan untuk mengetahui sejumlah
kemungkinan susunan (arrangement) jika terdapat
sekelompok objek. Pada permutasi kita berkepentingan pada
susunan atau urutan dari objek.
n : jumlah total objek yg disusun
r : jumlah objek yang digunakan
pada saat bersamaam
22
Menghitung Titik sampel
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
´ )! r n
n!
P
r n

=
- Banyaknya permutasi n unsur berlainan yang disusun
melingkar adalah (n-1)!
Contoh
Sekelompok mahasiswa yang terdiri dari 4 orang duduk
mengelilingi sebuah meja bundar. Dalam berapa cara
keempat orang mahasiswa tadi dapat duduk
mengelilingi meja tersebut.
Penyelesaian
Keempat mahasiswa tadi dapat diatur mengelilingi
meja dalam (4-1)! = 3! = 6
23
Permutasi melingkar (Siklis)
‡ KOMBINASI
Kombinasi dipergunakan apabila akan dihitung
berapa cara sesuatu diambil dari keseluruhan objek
tanpa memperhatikan urutannya.
24
Menghitung Titik sampel
´ )! r r!
!
C
r
r

= =
¦
¦
'
+

'

Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Huruf A, B, C disusun berpasangan antara 2 huruf.
Tentukan jumlah titik sampel yang mungkin, bila
dengan memperhatikan urutan dan tidak
memperhatikan urutan.
- Memperhatikan urutan objek (PERMUTASI)
25
Contoh menghitung Titik sampel
´ )
6 1 2 3 . .
1!
3!
! 2 3
3!
P
2 3
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
AB CB
BA AC
BC CA
- Tanpa memperhatikan urutan objek (KOMBINASI)
AB, BC, AC
26
Contoh menghitung Titik sampel
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
´ )
3 !

! !
¦
¦
'
+

'

! 2 3 2!
3!
C
2
3
2 3
‡ Terdapat 20 pelamar untuk menduduki lowongan
programmer, IT consultan dan database
administrator. Berapa alternatif yang tersedia untuk
menempatkan pelamar pada lowongan yang
tersedia?
‡ Manajer personalia memutuskan untuk menerima 5
sarjana FISIKA baru dari 100 lamaran yang masuk.
Berapa alternatif yang tersedia bagi manajer
tersebut?
27
SOAL
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Ukuran numerik dari kemungkinan suatu kejadian
akan terjadi
‡ P(Kejadian)
‡ P(A)
‡ Prob(A)
- Terletak antara 0 & 1
- Jumlah seluruh kejadian adalah 1
28
Peluang Kejadian
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
‡ Pendekatan klasik
‡ Pendekatan frekuensi relatif
‡ Pendekatan subyektif
29
Pendekatan Penetapan Peluang Kejadian
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
‡ Didasarkan pada asumsi bahwa kemungkinan
kemunculan setiap hasil sama besar.
‡ Memungkinkan penentuan nilai probabilitas sebelum
peristiwa sampel dilakukan.
30
Pendekatan Klasik
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
´ )
´ )
´ ) S N
A N
A P !
Hasil elementer
yang mungkin
diinginkan untk
peristiwa A
Hasil yang
mungkin dalam
ruang sampel
Tiap hasil elementer
sama ± sama mungkin
dan saling meniadakan
(mutually exclusive)
- Contoh Pendekatan Klasik
31
Contoh Pendekatan Klasik
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
- Probabilitas ditentukan menurut dasar proporsi
kejadian kemunculan hasil dalam sejumlah observasi.
- Tidak ada asumsi sebelumnya tentang kemungkinan
kemunculan yang sama besar seperti pada
pendekatan klasik.
32
Pendekatan Frekuensi Relatif
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
´ )
´ )
n
A n
A P !
Jumlah peristiwa A
yang mungkin terjadi
Jumlah total percobaan
‡ Periode wisuda sarjana ke 100 UNS meluluskan 900
orang, 520 diantaranya lulus dengan predikat
memuaskan, 295 memperoleh predikat SM, dan
sisanya lulus dengan predikat CL. Maka,
33
Contoh Pendekatan Frekuensi Relatif
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
´ )
´ )
´ )
1 0,09 0,33 0,58 T tal
0,09
900
85
CL l l s P
0,33
900
295
S l l s P
0,58
900
520
e aska l l s P
= + + =
= =
= =
= =
- Probabilitas akan terjadinya suatu peristiwa adalah
derajat kepercayaan oleh seseorang bahwa peristiwa
tersebut akan terjadi berdasarkan semua bukti yang
dimiliki.
- Nilai probabilitas adalah penilaian pribadi.
34
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Pendekatan Subyektif
ATURAN PENJUMLAHAN
- Dipergunakan pada peristiwa yang saling lepas
(mutually exclusive) yaitu apabila suatu peritiwa
terjadi maka peristiwa lain tidak dapat terjadi pada
saat bersamaan.
- Aturan penjumlahan dinyatakan dengan :
35
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ ) n P B P P n ... ata B ata P
B P P B ata P
+ + + =
+ =
...
36
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Contoh Perhitungan Aturan Penjumlahan
Saling lepas
Tidak mungkin terjadi
pada saat bersamaan
´ )
´ )
´ ) 1 0,4 0,6 buruk atau baik P
0,4
200
80
buruk P
0,6
200
120
baik P
! !
! !
! !
ATURAN PENJUMLAHAN PADA GABUNGAN
KEJADIAN
‡ Dalam keseharian jarang sekali terjadi hanya satu peristiwa
sederhana.
‡ Pada gabungan kejadian terdapat dua jenis peristiwa yang
terjadi.
‡ Diagram venn untuk kejadian bersama adalah :
‡ Dilambangkan dengan P(AD)
37
ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
‡ Aturan penjumlahan dinyatakan dengan :
P(A atau D) = P(A) + P(D)-P(A ŀD)
38
ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Pada contoh sebelumnya : probabilitas hasil inspeksi baik dari
produk 1.
39
CONTOH ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
´ )
´ )
´ )
´ ) ´ ) ´ ) ´ ) 0,80 0,15 - 0,35 0,6 1 B P P1 P B P P1 atau B P
15 0
200
30
P1 B P
0,35
200
70
P1 P
0,6
200
120
B P
! ! !
! !
! !
! !
+
+ ,
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
ATURAN PERKALIAN
- Dipergunakan pada peristiwa yang independent,
yaitu suatu peristiwa terjadi tanpa harus
menghalangi peristiwa lain terjadi.
- Contoh peristiwa independent adalah pelemparan
mata uang dua kali, pada pelemparan pertama
diperoleh ANGKA, pada pelemparan kedua bisa
muncul ANGKA lagi atau GAMBAR (hasil lemparan
pertama tidak mempengaruhi probabilitas kejadian
kedua).
40
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
- Aturan perkalian dinyatakan dengan :
41
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
´ ) ´ ) ´ ) B P x P B an P =
Pada pelemparan uang logam dua kali ke udara, berapa
probabilitas kedua lemparan menghasilkan GAMBAR ?
JAWAB :
‡ Probabilitas ANGKA = ½
‡ Probabilitas GAMBAR = ½
‡ Pada pelemparan pertama dan kedua probabilitas
GAMBAR sebesar ½, maka :
42
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Contoh Perhitungan Aturan Perkalian
´ ) ´ ) ´ )
4
1
2
1
2
1
! ! ! x B P x A P B dan A P
ATURAN PERKALIAN PADA PROBABILITAS BERSYARAT
- Probabilitas bersyarat adalah suatu peristiwa akan
terjadi dengan ketentuan peristiwa yang lain telah
terjadi.
- Probabilitas bersyarat dilambangkan dengan: P (A B )
- Probabilitas peristiwa A dengan syarat peristiwa B
telah terjadi.
43
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
ATURAN PERHITUNGAN PELUANG
KEJADIAN MAJEMUK
´ ) ´ ) ´ ) A B P x A P B an A P =
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Rupa Kartu.
Ditanya : berapa probabilitas As dengan syarat hitam
44
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
Contoh Aturan Perkalian
pada Probabilitas Bersyarat
´ ) ´ ) ´ )
´ )
´ )
´ ) 26
2
52 26
52 2
Hitam P
Hitam dan As P
Hitam As P
A B P x A P B dan A P
! ! !
!
‡ Tentukan berapa peluangnya ?
45
Sumber : Statistika Industri ʹAdithya Sudiarno, ITS
SOAL
´ )
´ ) B C P
D A P
‡ Andaikan {B1, B2, B3, ͙ } sekumpulan peristiwa yang
membentuk partisi dari ruang Sampel S, dimana
P(Bi)т0, untuk i=1, 2, ͙, n. Andaikan A sebarang
peristiwa dalamS sedemikian hingga P(A)т0. Maka,
untuk k = 1, 2, ͙,n berlaku
46
TEOREMA BAYES
´ )
´ )
´ )
´ ) ´ )
´ ) ´ )
¯ ¯
! !
! !
n
i
i i
k k
n
i
i
k
k
B A P B P
B A P B P
A B P
A B P
A B P
1 1
+
+
1. Sebuah kotak berisi 4 bola, bernomor 1, 2, 3, 4. Eksperimen
terdiri dari pengambilan satu bola, mencatat nomornya,
mengembalikan ke dalam kotak, mengacak bola-bola
tersebut, mengambil satu bola lagi dan mencatat nomornya.
a. Ruang sampel eksperimen tersebut adalah
b. Elemen-elemen kejadian P(jumlah kedua nomor adl
genap), ruang sampelnya adl
c. Elemen-elemen kejadian Q(jumlah kedua nomor paling
sedikit 6), ruang sampelnya adl
47
SOAL
2. Dua dadu dilempar sekaligus. A = jumlah mata titik paling
sedikit 5, Tentukan P(A)
3. Seorang mempunyai 9 kemeja, 6 celana dan 3 pasang
sepatu. Berapa banyak cara orang tersebut dapat
berpakaian secara berbeda ?
4. Dalam sebuah kotak berisi 15 bola, 6 bola hijau, 5 bola
merah dan 4 bola biru. Sembilan bola diambil sekaligus dari
kotak itu.
a. Berapa hasil yang mungkin dari pengambilan bota (tak
terurut) dari 15 bola tersebut
48
SOAL
b. Berapa hasil jika terambil 2 bola hijau, 4 bola merah dan 3
bola biru
c. Probabilitas terambil 2 bola hijau, 4 bola merah dan 3 bola
biru
5. Sebuah dadu dilembar 2 kali. Tentukan probabilitas untuk
kejadian
a. Sisi bilangan prima muncul pada pelemparan pertama
b. Berturut-turut muncul bilangan prima
49
SOAL
6. Probabilitas seorang mahasiswa akan mendapat nilai A, B, C,
D dan E dalam mata kuliah statistika adl 0,17; 0,26; 0,40;
0,11; 0,60
a. Probabilitas bahwa seorang mahasiswa akan mendapat
nilai A atau B adl
b. Probabilitas bahwa seorang mahasiswa tidak akan
mendapat nilai E adl
7. Sebuah kotak berisi 7 buah bola hitam dan 5 bola putih. Tiga
bola diambil berturut-turut secara random tanpa
pengembalian. Berapa probabilitas bola pertama hitam,
kedua putih dan ketiga hitam
50
SOAL
‡ Variabel random
adalah suatu variabel yang nilainya bisa berapa saja
‡ Variabel random merupakan deskripsi numerik dari
hasil beberapa percobaan / eksperimen
51
DISTRIBUSI PROBABILITAS
Jenis variabel random :
1. Variabel random diskrit
variabel yang hanya dimungkinkan memiliki
beberapa nilai saja. Nilainya berupa bilangan bulat.
2. Variabel random kontinu
variabel yang nilainya dimungkinkan bervariasi pada
rentang tertentu. Nilainya berupa bilangan riil
52
Variabel Random
‡ Misalkan X variabel random diskrit, suatu fungsi f
disebut fungsi distribusi probabilitas X jika untuk
setiap hasil x yang mungkin memenuhi :
‡ Karena X variabel random diskrit maka distribusi
probabilitasnya disebut distribusi probabilitas diskrit
53
Distribusi probabilitas
variabel random diskrit
´ )
´ )
´ ) ´ ) x f x X .
x f .
x f
= =
=
>
3
1 2
0 1.
‡ Pada percobaan melempar sebuah dadu 2 kali, misalkan X
menyatakan jumlah mata dadu pada lemparan 1 dan ke 2,
maka distribusi peluang X dapat disajikan dalam tabel berikut:
‡ Diperiksa :
Maka f adl fungsi distribusi peluang
54
Contoh Distribusi probabilitas
variabel random diskrit
X 2 3 4 5 6 7 8 9 10 11 12
P(X=x)
36
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
´ )
´ )
´ ) ´ ) ´ ) ´ ) ´ ) ´ ) 12 f 12 X 3 f 3 X 2 f 2 X
1
36
1
36
2
36
1
enuhi terp 0
= = = = = =
=
¦
'
+

'

+ + + =
>
P , , P , P
x f
x f
.
.
‡ Suatu variabel random kontinu X mempunyai
peluang pada setiap titik X, sehingga distribusinya
tidak dapat disajikan dalam bentuk tabel tetapi
hanya berupa rumusnya secara urut. Fungsi
distribusi probabilitas variabel random kontinu
disebut fungsi densitas peluang (fdp)
55
Distribusi probabilitas
variabel random kontinu
‡ Misalkan X variabel random kontinu, suatu fungsi f
disebut distribusi probabilitas X jika untuk setiap
hasil x yang mungkin memenuhi :
‡ Karena X variabel random diskrit maka distribusi
probabilitasnya disebut distribusi probabilitas diskrit
56
Distribusi probabilitas
variabel random kontinu
´ )
´ )
´ ) dx x f b) X . P(a
dx x f .
x f .
b
a
A x
´
´
= · ·
=
>

3
1 2
0 1
Misalkan variabel random X mempunyai fdp (fungsi
densitas peluang) sebagai berikut :
a. Tunjukkan f adl fungsi peluang
b. Hitung P(0<Xч1)
57
Contoh Distribusi probabilitas
variabel random kontinu
´ )
lain yang jika , 0
2 x 1 - jika ,
3
2
±
°
±
¯
®

!
x
x f
‡ Akan diperiksa
58
Penyelesaian
´ )
´ )
´ )
9
1
9 3
1 0 P b.
1
9
1
9
8
9
0
3
0 (ii)
0
3
x
sehingga 0 3 0 x karena terpenuhi 0 (i) a
1
0
1
0
3 2
2
1
3
2
1 2
2
1
A x
2
2
!
¼
½
»
¬
­
«
! ! e
! !
¦
¦
'
+

'

! !
u " u u
´
´ ´ ´ ´

g
g 
x
dx
x
x
dx dx
x
dx dx x f
, x f .
‡ Misal variabel random X mempunyai distribusi probabilitas
f(x), distribusi probabilitas kumulatif X ditulis F(x)
didefinisikan:
‡ Akibat definisi untuk X yang kontinu
59
Distribusi Probabilitas Kumulatif
´ )
´ ) ´ )
´ ) ´ )

|

¯
= ·
= ·
=
´
§
g
·
kontinu ika ,
diskrit ika ,
X dt t f x X P
X t f x X P
x F
x
x t
´ ) ´ ) ´ )
´ )
´ )
dx
x d
x f
a b b a P
!
!
(ii)
(i)
Dalam sebuah kotak tersedia 8 bola lampu, 3 diantaranya rusak.
Secara acak diambil 3 bolam. Jika X menyatakan banyaknya
bolam rusak yang terambil, tentukan distribusi peluang kumulatif
X
Penyelesaian :
‡ Distribusi probabilitas X adl :
60
Contoh
X 0 1 2 3
f(x)
56
10
56
30
56
15
56
1
Maka :
61
Contoh
´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ ) ´ ) ´ ) 1
56
56
56
1
56
15
56
30
56
10
3 2 1 0 2 3
56
55
56
15
56
30
56
10
2 1 0 2 2
56
40
56
30
56
10
1 0 1 1
56
10
0 0 0
= = + + + = + + + = · =
= + + = + + = · =
= + = + = · =
= = · =
f f f f X P F
f f f X P F
f f X P F
f X P F
Biasa dituliskan dalam
62
Contoh
´ )

|

¯
>
· ·
· ·
· ·
·
=
3 ika 1,
3 x 2 ika
56
55
2 x 1 ika
56
40
1 x 0 ika
56
10
0 x ika 0
x
,
,
,
,
x F
Misalkan variabel random X mempunyai fdp
Tentukan fungsi distribusi peluang kumulatif X
Penyelesaian :
63
Contoh
´ )
lain yang jika , 0
2 x 1 - jika ,
3
2
±
°
±
¯
®

!
x
x f
´ ) ´ )
9
1
9

3

3
1
1
3 2
+
=
¼
½
»
¬
­
«
= = =

g
´ ´
x t
dt
t
dt t f x F
x
x x
‡ Misalkan X variabel random dengan fungsi distribusi
probabilitas f(x)
64
Ekspektasi
´ )
´ )
´ )

kontinu X jika ,
diskrit X jika ,
±
°
±
¯
®
!
´
¯
dx x f x
x f x
E
x
Pada percobaan melempar dua mata uang logam satu kali, X
menyatakan banyaknya angka yang nampak. Tentukan ekspektasi
X
Penyelesaian :
Fungsi distribusi peluang X
65
Contoh Ekspektasi
X 0 1 2
f(x)
4
1
4
2
4
1
´ ) ´ ) 1
4
1
2
4
2
1
4
1
0 !
¦
'
+

'

¦
'
+

'

¦
'
+

'

! ! ¯
x
x f x E
Misal X menyetakan umur bola lampu (dlm jam) dengan fdp
Hitung harga harapan untuk umur bola lampu tsb
Penyelesaian :
66
Contoh Ekspektasi
´ )
lain yang x jika , 0
100 x jika ,
20000
3
±
°
±
¯
®
u
!
x
x f
´ ) 200
20000 20000
100
100
3
=
¼
½
»
¬
­
«
= =
g
g
´
x
dx
x
x x
‡ Misalkan X adl v.r dengan fungsi ditribusi probabilitas f(x)
maka ekspektasi dari fungsi g(x) adl
67
Ekspektasi
´ ) . J
´ ) ´ )
´ ) ´ )

kontinu X ika ,
diskrit X ika

|

¯
=
´
§
g
g
dx x f x g
, x f x g
x g
x
1. Jika X menyatakan jumlah mata dadu yang
nampak pada pelemparan dadu 1 kali.
Tentukan ekspektasi dari 2X-3
2. Misalkan X adl v.r dgn fdp
Tentukan ekspektasi
68
SOAL
´ )
lain yang jika , 0
2 x 1 - jika ,
3
2
±
°
±
¯
®

!
x
x f
´ ) 2 3 ! x x g
‡ Sifat-sifat Ekspektasi
69
Ekspektasi
´ )
´ ) ´ )
´ ) ´ )
´ ) ´ )
´ ) ´ ) . J ´ ) . J ´ ) . J 5
4
3
2
1
X h X g X h X g .
a X b a bX .
a X a X .
X b bX .
a a E .
+ = ±
+ = +
+ = +
=
=
‡ Misalkan X v.r dgn rata-rata Q, maka variansi X ditulis
W
2
atau VAR(X) didefinisikan
Deviasi standar
70
Variansi
´ ) . J . J . J ´ )
2
2 2
X E X E X E X VAR = u =
W
2
´ ) X VAR
‡ Sifat-sifat variansi dan deviasi standar
71
Variansi dan Deviasi Standar
´ ) ´ )
´ ) ´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ ) ds ds 4 var var 4
ds ds 3 var var 3
ds ds 2 var var 2.
negatif tidak ds 1 negatif tidak var 1
2
2
X b bX a . X b bX a .
X b bX . X b bX .
X a X . X a X
X . X .
= + = +
= =
= + = +
72
SOAL
1. Pada percobaan melempar dua mata uang logamsatu kali, X
menyatakan banyaknya angka yang nampak. Tentukan variansi
X
2. Hitunglah variansi variabel random X yang mempunyai fdp
´ )
´ )

lain yang ika , 0
2 x 1 ika , 1 2
|
¯
· ·
=
x
x f
Percobaan Bernoulli adalah percobaan yang memenuhi kondisi
kondisi berikut:
Satu percobaan dengan percobaan yang lain independen.
Artinya, sebuah hasil tidak mempengaruhi muncul atau tidak
munculnya hasil yang lain.
Setiap percobaan memberikan dua hasil yang mungkin, yaitu
sukses dan gagal. Kedua hasil tersebut bersifat mutually
exclusive dan exhaustive.
Probabilitas sukses, disimbolkan dengan p, adalah tetap atau
konstan. Probabilitas gagal, dinyatakan dengan q, adalah
q = 1 - p.
73
Distribusi Bernoulli
Beberapa distribusi yang dilandasi oleh proses
Bernoulli adalah :
Distribusi binomial,
Distribusi geometrik, dan
Distribusi hipergeometrik.
74
Proses Bernoulli
Distribusi Binomial mempunyai ciri-ciri berikut sama
dengan Bernoulli :
Percobaan diulang sebanyak n kali
Tiap-tiap ulangan memberikan hasil yang dapat
dikelompokkan menjadi 2 kategori, sukses atau gagal
Peluang kesuksesan dinyatakan dengan p, dan
kegagalan dengan q = 1 ʹ p
Tiap usaha bebas dengan usaha lainnya.
75
Distribusi Binomial
‡ Rumus distribusi probabilitas Binomial adalah :
76
Distribusi Binomial
´ )
p q q
p
x
n
q p
x
n
x;n;p b
x n x
= =
=
=
=
¦
¦
'
+

'

=

1 dimana gagal, as probabilit
ulangan setiap dalam sukses as probabilit
x random variabel dari kesuksesan banyaknya
perulangan banyaknya
‡ Untuk distribusi binomial dengan n percobaan dan p
adl probabilitas sukses :
77
Distribusi Binomial
´ )
´ ) npq p np
npq p np
np ȝ
! ! W
! ! W
!
1 deviasi standar
1 variansi
mean
2
Menurut teori mendel ttg sifat-sifat keturunan, perkawinan
silang dua jenis tanaman yg serupa, yang satu berbunga merah
dan lainnya berbunga putih, menghasilkan keturunan yang 25%
tumbuhan berbunga merah. Seorang ahli tanaman ingin
menyilangkan lima pasang tanaman berbunga merah dan
berbunga putih. Berapakah probabilitas bahwa dari 5 keturunan
yang dihasilkan
a. Tidak terdapat tanaman berbunga merah
b. Paling sedikit empat tanaman berbunga merah
c. Paling banyak empat tanaman berbunga merah
78
Contoh Distribusi Binomial
Penyelesaian :
79
Contoh Distribusi Binomial
´ ) ´ ) ´ ) 2372 0 75 0 25 0
0
5
0 x P a.
5 0
, , , !
¦
¦
'
+

'

! !
´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ )
0156 0 0010 0 0146 0
75 0 25 0
5
5
75 0 25 0
4
5

5 x P 4 x P 4 x P b.
0 5 4
, , ,
, , , ,
= + =
¦
¦
'
+

'

+
¦
¦
'
+

'

=
= + = = >
´ ) ´ ) ´ ) ´ ) ´ ) ´ )
´ )
´ ) ´ ) 9990 0 0010 0 1 75 0 25 0
5
5
1
5 x P 1
4 x P 3 x P 2 x P 1 x P 0 x P 4 x P c.
0 5
, , , , = =
¦
¦
'
+

'

=
= =
= + = + = + = + = = ·
80
Distribusi Poison
´ )
Ȝ ı
np Ȝ ȝ
x
x
Ȝ e
x P
x Ȝ
=
= =
= =

2
variansi
mean
0,1,2, ;
!
-
Jika bakteri ditumbuhkan pada media dengan luas A, dan X =
banyaknya koloni bakteri dalamluasan kecil a yg dipilih secara
random dari media tersebut, maka X berdistribusi Poisson
dengan mean (a/A). Andaikan P=5,5 hitunglah probabilitas
a. Paling banyak tiga koloni ada dlmluasan tersebut
b. Lebih dari delapan koloni ada dlmluasan tersebut
c. Dari dua sampai sembilan koloni ada dlmluasan tersebut
81
Contoh Distribusi Poison
Penyelesaian :
82
Contoh Distribusi Poison
´ )
´ ) ´ ) ´ ) ´ )
0,2017 0,1133 0,0618 0,0225 0,0041
3!
5,5
2!
5,5
1!
5,5
0!
5,5

x!

3 x P a.
3 5 5 2 5 5 1 5 5 0 5 5
3
0
= + + + =
+ + + =
ì
= ·

=
ì
§
, , , ,
x
x
e e e e
e
´ ) ´ )
´ ) ´ )
0,1906 0,8094 1 1234 0 0,0041 - 1
7!
5,5
0!
5,5
1
7 x P 1 8 x P b.
7 5 5 0 5 5
! ! !
!
e ! u

,
e e
, ,
.
.
83
Contoh Distribusi Poison
´ ) ´ ) ´ )
´ ) ´ )
9196 0 0519 0 0,0618 - 1
9!
5,5
2!
5,5

1 x P 9 x P 9 x 2 P c.
9 5 5 2 5 5
, ,
e e
, ,
! !
!
e e ! e e

.
.
‡ Berkaitan dengan percobaan Bernoulli,
dimana terdapat n percobaan independen
yang memberikan hasil dalam dua kelompok
(sukses dan gagal), variabel random geometri
mengukur jumlah percobaan sampai
diperoleh sukses yang pertama kali.
84
Distribusi Geometri
‡ Fungsi distribusi probabilitas geometrik:
‡ Rata-rata dan variansi distribusi probabilitas
geometrik:
85
Distribusi Geometri
´ )
gagal as probabilit
sukses as probabilit
3 2 1
1
!
!
!
!

q
p
, , x
q p x P
x
-
2
2
1
p
q
p
= o = u
‡ Distribusi binomial digunakan pada populasi yang
tidak terbatas, sehingga proporsi sukses diasumsikan
diketahui.
‡ Distribusi probabilitas hipergeometrik digunakan
untuk menentukan probabilitas kemunculan sukses
jika sampling dilakukan tanpa pengembalian.
‡ Variabel random hipergeometrik adalah jumlah
sukses (x) dalam n pilihan, tanpa pengembalian, dari
sebuah populasi terbatas N , dimana D diantaranya
adalah sukses dan (N-D) adalah gagal.
86
Distribusi Hipergeometrik
‡ Penurunan fungsi distribusi hipergeometrik diturunkan
dengan menghitung kombinasi-kombinasi yang terjadi.
‡ Kombinasi yang dapat dibentuk dari populasi berukuran N
untuk sampel berukuran n adalah kombinasi C(N,n).
‡ Jika sebuah variabel random (diskrit) X menyatakan jumlah
sukses, selanjutnya dapat dihitung kombinasi diperoleh x
sukses dari sejumlah D sukses dalam populasi yang diketahui
yaitu C(D,x), dan demikian pula halnya dapat dicari (n-x)
kombinasi gagal dari sisanya (N-D), yaitu kombinasi C((N-D),(n-
x)).
87
Distribusi Hipergeometrik
‡ sukses C(D,x). C((N-D),(n-x)) atau
‡ yang diperoleh dari total kombinasi yang mungkin
C(N,n) atau
88
¦
¦
'
+

'

¦
¦
'
+

'

x n
D N
x
D
¦
¦
'
+

'

n
N
Distribusi Hipergeometrik
‡ Sebuah variabel random (diskrit) X menyatakan jumlah sukses
dalam percobaan bernoulli dan total jumlah sukses D
diketahui dari sebuah populasi berukuran N, maka dikatakan x
mengikuti distribusi hipergeometrik dengan fungsi
probabilitasnya :
89
´ ) ¦
lainnya untuk 0
min 2 1
x
n,D , , , x ,
n
N
x n
D N
x
D
D , n , N , x h
!
!
¦
¦
'
+

'

¦
¦
'
+

'

¦
¦
'
+

'

! -
Distribusi Hipergeometrik
‡ Rata-rata dan variansi :
90
´ )
n
D
p
N
n N
p np ı
np ȝ
!
¦
'
+

'

!
!
dimana
1
1 variansi
mean
2
Distribusi Hipergeometrik
Suatu panitia 5 orang dipilih secara acak dari 3 orang TI dan 5
fisikawan. Hitung distribusi probabilitas banyaknya orang teknik
informatika yang duduk dalam panitia. Tentukan pula mean dan
variansinya
Penyelesaian :
91
Contoh Distribusi Hipergeometrik
´ )
´ ) ´ )
´ ) ´ ) ? 3 5 8 3 3 ? 3 5 8 1 1
? 3 5 8 2 2
56
1
3 5 8 0 0
3 2 1 0
5
8
5
5 3
3 5 8
! p ! ! p !
! p ! ! p !
!
¦
¦
'
+

'

¦
¦
'
+

'

¦
¦
'
+

'

!
, , , h x , , , h x
, , , h x , , , h x
, , , x
x x
, , , x h
1. The random variable X has a binomial distribution with n=10
and p=0.5. Determine the following probabilities :
a. P(X=5) c. P(Xч2)
b. P(Xш9) d. P(3 чX<5)
Penyelesaian :
92
SOAL
´ ) ´ ) ´ ) 2461 0 5 0 5 0
5
10
5 X P a.
5 5
, , , =
¦
¦
'
+

'

= =
´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ )
01073 0 00097 0 00976 0
5 0 5 0
10
10
5 0 5 0
9
10

10 X P 9 X P 9 X P b.
0 10 1 9
, , ,
, , , ,
! !
¦
¦
'
+

'

¦
¦
'
+

'

!
! ! ! u
93
SOAL
´ ) ´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ ) ´ ) ´ )
05467 0 0,04394 00976 0 00097 0
5 0 5 0
2
10
5 0 5 0
1
10
5 0 5 0
0
10

2 X P 1 X P 0 X P 2 X P c.
8 2 9 1 10 0
, , ,
, , , , , ,
! !
¦
¦
'
+

'

¦
¦
'
+

'

¦
¦
'
+

'

!
! ! ! ! e
´ ) ´ ) ´ )
´ ) ´ ) ´ ) ´ )
3222 0 20501 0 11719 0
5 0 5 0
4
10
5 0 5 0
3
10

4 X P 3 X P 5 3 P d.
6 4 7 3
, , ,
, , , ,
X
! !
¦
¦
'
+

'

¦
¦
'
+

'

!
! ! ! e
2. Suatu yayasan mempunyai 10 anggota, empat wanita dan
enampria. Tiga anggota dipilih secara random untuk
mewakili yayasan tersebut dalamsuatu pertemuan dengan
pemerintah. Tentukan probabilitas
a. Semuanya wanita
b. Semuanya pria
c. Paling banyak satu orang wanita
Penyelesaian :
94
SOAL
30
1
120
1 . 4
C
C . C
wanita) P(semuanya a.
3 10
0 6 3 4
! ! !
95
SOAL
6
1
120
20 . 1
C
C . C
pria) P(semuanya b.
3 10
3 6 0 4
! ! !
3
2
120
15 . 4
120
20 . 1


C
C . C
C
C . C

a) satu anit banyak P(paling c.
3 10
2 6 1 4
3 10
3 6 0 4
! + !
+ !
3. Antara jam 10 sampai jam 11 pagi, rata-rata telepon yang
datang pada ͞Switchboard͟ suatu kantor tiap menit adl 2,5.
Maka probabilitas bahwa selama satu menit tertentu (pada
jam itu) akan ada
a. Tiga telepon masuk adl
b. Kurang dari tiga telepon adl
c. Lebih dari 6 telepon adl
Penyelesaian :
Gunakan distribusi Poisson dengan P=2,5
96
SOAL
97
SOAL
´ )
´ )
214 0
3!
2,5
3 x P a.
3 5 2
,
e
,
= = =

´ )
´ ) ´ ) ´ ) ´ )
0,7576 0,2138 0,2565 0,2052 0,0821
3!
2,5
2!
2,5
1!
2,5
0!
2,5

x!

4 x P b.
3 5 2 2 5 2 1 5 2 0 5 2
3
0
= + + + =
+ + + =
ì
= ·

=
ì
§
, , , ,
x
x
e e e e
e
´ ) ´ ) ´ ) ´ )
´ ) ´ ) ´ )
´ )
0,0142 0,9858 1
0278 0 0668 0 1336 0 0,2138 0,2565 0,2052 0,0821 1
6!
2,5
1!
2,5
0!
2,5
1
x!

1 6 P - 1 8 P 7 P 6 P c.
6 5 2 1 5 2 0 5 2
6
0
= =
+ + + + + + =
¦
¦
'
+

'

+ + + =
ì
= · = + = + = = >

=
ì
§
, , ,
e
...
e e
e
X ... X X X
, , ,
x
x
98
SOAL

KKD II
Menjelaskan pengertian probabilitas, ruang sampel, kejadian, probabilitas suatu kejadian, operasi dan aturan menghitung, probabilitas bersyarat dan independensi

2

Probabilitas

Sumber : Statistika Industri Adithya Sudiarno, ITS

3

Sumber : Statistika Industri Adithya Sudiarno. ITS 4 .Probabilitas ‡ PROBABILITAS menyatakan ketidakpastian dalam bentuk peluang. ATAU ‡ PROBABILITAS menyatakan ukuran numerik dari kemungkinan suatu kejadian akan terjadi.

Probabilitas Berapakah peluang mendapatkan sisi muka pada pelemparan tunggal suatu koin ? Gunakan skala dari 0 (tidak terjadi) sampai dengan 1 (pasti terjadi). ITS 5 . Pelemparan koin dua kali. Lakukan ! Apakah anda mendapatkan satu sisi muka dan satu sisi belakang ? Apakah arti semuanya ? Sumber : Statistika Industri Adithya Sudiarno.

Ruang Sampel tergantung pada Eksperimenter ! Sumber : Statistika Industri Adithya Sudiarno. ruang Sampel Percobaan (Experiment) y Proses mendapatkan suatu hasil atau kejadian sederhana melalui pengamatan. Titik Sampel (Sample Point)/ hasil (outcome) y Hasil percobaan paling dasar. Ruang Sampel (S) y Kumpulan dari seluruh hasil yang mungkin. Titik Sampel.Percobaan. ITS 6 .

y Kejadian Sederhana (Simple Event) Hasil dasar dari sebuah eksperimen yang tidak dapat disederhanakan lagi karena mengandung satu unsur ruang sampel. ITS 7 . Sumber : Statistika Industri Adithya Sudiarno.Kejadian y Kejadian adalah himpunan bagian dari ruang sample.

Sumber : Statistika Industri Adithya Sudiarno. ITS 8 .Kejadian y Kejadian Majemuk (Compound Event) Kejadian yang terdiri atas dua atau lebih kejadian sederhana.

Contoh Eksperimen : Pelemparan sebuah dadu Hasil : Mata dadu yang tampak di atas Ruang sampel : S = { 1. 6} Titik sampel Suatu Kejadian : A = titik ganjil tampak {1. 4. 3. 5} 9 . 3. 5. 2.

Kejadian Majemuk Bentuk Kejadian Majemuk  Irisan (Intersection) Hasilnya antara dua kejadian A dan B Dinyatakan dengan DAN Lambang (contoh : A B)  Gabungan (Union) Hasilnya salah satu kejadian A atau B atau keduanya Dinyatakan dengan ATAU Lambang (contoh : A B) Sumber : Statistika Industri Adithya Sudiarno. ITS 10 .

Kejadian Majemuk (Irisan) Irisan Kejadian : Diagram Venn Eksperimen : Tarik 1 Kartu. ITS 11 . Warna dan Rupa Kartu Sumber : Statistika Industri Adithya Sudiarno. Catat Macam.

Kejadian Majemuk (Irisan) Irisan Kejadian : Tabel Kontingensi Eksperimen : Tarik 1 Kartu. ITS 12 . Warna dan Rupa Kartu Sumber : Statistika Industri Adithya Sudiarno. Catat Macam.

ITS 13 . Warna dan Rupa Kartu Sumber : Statistika Industri Adithya Sudiarno. Catat Macam.Kejadian Majemuk (Gabungan) Gabungan Kejadian : Diagram Venn Eksperimen : Tarik 1 Kartu.

Kejadian Majemuk (Gabungan) Gabungan Kejadian : Tabel Kontingensi Eksperimen : Tarik 1 Kartu. ITS 14 . Warna dan Rupa Kartu Sumber : Statistika Industri Adithya Sudiarno. Catat Macam.

yaitu bila suatu perstiwa terjadi. Kejadian munculnya GAMBAR akan selalu bergantian dengan munculnya ANGKA. ITS 15 . maka peristiwa lain tidak dapat/ mungkin terjadi pada saat yang bersamaan.  CONTOH : Pada percobaan melantumkan uang logam. Sumber : Statistika Industri Adithya Sudiarno.Kejadian Mutually Exclusive  Kejadian mutually exclusive adalah kejadian saling lepas.

Kejadian Mutually Exclusive ‡ Contoh Sumber : Statistika Industri Adithya Sudiarno. ITS 16 .

Kejadian Komplemen ‡ Ac dikatakan komplemen dari A bila kejadian yang muncul adalah selain kejadian A. Sumber : Statistika Industri Adithya Sudiarno. yaitu kejadian yang terdiri atas kejadian sederhana yang tidak termasuk dalam kejadian A. ITS 17 .

4. misalkan A = mendapat muka 6 di sebelah atas. 3. 2.Kejadian Komplemen CONTOH : Dalam undian dengan sebuah dadu. NB : kejadian A dan Ac juga merupakan dua kejadian yang saling lepas atau mutually exclusive . Tentukan ruang sampel kejadian A dan Ac ! JAWAB : A={6} Ac ={1. Sumber : Statistika Industri Adithya Sudiarno. ITS 18 . dan 5}.

yaitu terjadinya suatu kejadian tidak mempengaruhi probabilitas terjadinya kejadian lain. Sumber : Statistika Industri Adithya Sudiarno.Kejadian Independen y Kejadian independent adalah kejadian saling bebas. Misalkan A = muncul ANGKA pada pelemparan pertama dan B = muncul ANGKA pada pelemparan kedua. ITS 19 . CONTOH : Undian dilakukan dengan melantumkan sebuah mata uang sebanyak dua kali.

Kejadian Independen y Kejadian A dan B merupakan kejadian independent. karena probabilitas kejadian B (terjadinya muncul ANGKA pada pelemparan kedua) tidak dipengaruhi oleh kejadian A. Sumber : Statistika Industri Adithya Sudiarno. ITS 20 .

yaitu himpunan bagian ruang sampel yang tidak mengandung unsur. ITS 21 . Sumber : Statistika Industri Adithya Sudiarno.Kejadian Kosong ‡ Kejadian kosong adalah kejadian mustahil.

Pada permutasi kita berkepentingan pada susunan atau urutan dari objek.Menghitung Titik sampel y Banyaknya titik sampel dalam ruang sampel dapat dihitung dengan cara PERMUTASI dan KOMBINASI. n! n Pr ! . y PERMUTASI Permutasi digunakan untuk mengetahui sejumlah kemungkinan susunan (arrangement) jika terdapat sekelompok objek.

n  r ! n : jumlah total objek yg disusun r : jumlah objek yang digunakan pada saat bersamaam 22 Sumber : Statistika Industri Adithya Sudiarno. ITS .

Penyelesaian Keempat mahasiswa tadi dapat diatur mengelilingi meja dalam (4-1)! = 3! = 6 23 .Permutasi melingkar (Siklis) y Banyaknya permutasi n unsur berlainan yang disusun melingkar adalah (n-1)! Contoh Sekelompok mahasiswa yang terdiri dari 4 orang duduk mengelilingi sebuah meja bundar. Dalam berapa cara keempat orang mahasiswa tadi dapat duduk mengelilingi meja tersebut.

¨ ¸ ! © ¹ ! Cr ! ©r ¹ r! .Menghitung Titik sampel ‡ KOMBINASI Kombinasi dipergunakan apabila akan dihitung berapa cara sesuatu diambil dari keseluruhan objek tanpa memperhatikan urutannya.

 r ! ª º Sumber : Statistika Industri Adithya Sudiarno. ITS 24 .

B. bila dengan memperhatikan urutan dan tidak memperhatikan urutan. Tentukan jumlah titik sampel yang mungkin.Contoh menghitung Titik sampel Huruf A. C disusun berpasangan antara 2 huruf. y Memperhatikan urutan objek (PERMUTASI) 3 P2 3! .

3 2 ! 3! 1! 3.2. ITS 25 .1 6 AB BA BC CB AC CA Sumber : Statistika Industri Adithya Sudiarno.

AC ¨ 3¸ 3! © ¹!3 C2 ! !3 ©2¹ 2!.Contoh menghitung Titik sampel y Tanpa memperhatikan urutan objek (KOMBINASI) AB. BC.

3  2 ! ª º Sumber : Statistika Industri Adithya Sudiarno. ITS 26 .

Berapa alternatif yang tersedia bagi manajer tersebut? Sumber : Statistika Industri Adithya Sudiarno. IT consultan dan database administrator. ITS 27 . Berapa alternatif yang tersedia untuk menempatkan pelamar pada lowongan yang tersedia? ‡ Manajer personalia memutuskan untuk menerima 5 sarjana FISIKA baru dari 100 lamaran yang masuk.SOAL ‡ Terdapat 20 pelamar untuk menduduki lowongan programmer.

ITS 28 .Peluang Kejadian y Ukuran numerik dari kemungkinan suatu kejadian akan terjadi ‡ P(Kejadian) ‡ P(A) ‡ Prob(A) y Terletak antara 0 & 1 y Jumlah seluruh kejadian adalah 1 Sumber : Statistika Industri Adithya Sudiarno.

ITS 29 .Pendekatan Penetapan Peluang Kejadian ‡ Pendekatan klasik ‡ Pendekatan frekuensi relatif ‡ Pendekatan subyektif Sumber : Statistika Industri Adithya Sudiarno.

Pendekatan Klasik ‡ Didasarkan pada asumsi bahwa kemungkinan kemunculan setiap hasil sama besar. N. ‡ Memungkinkan penentuan nilai probabilitas sebelum peristiwa sampel dilakukan.

A P.

A ! N.

S Hasil elementer yang mungkin diinginkan untk peristiwa A Hasil yang mungkin dalam ruang sampel Tiap hasil elementer sama ± sama mungkin dan saling meniadakan (mutually exclusive) Sumber : Statistika Industri Adithya Sudiarno. ITS 30 .

Contoh Pendekatan Klasik y Contoh Pendekatan Klasik Sumber : Statistika Industri Adithya Sudiarno. ITS 31 .

n. y Tidak ada asumsi sebelumnya tentang kemungkinan kemunculan yang sama besar seperti pada pendekatan klasik.Pendekatan Frekuensi Relatif y Probabilitas ditentukan menurut dasar proporsi kejadian kemunculan hasil dalam sejumlah observasi.

A P.

ITS 32 .A ! n Jumlah peristiwa A yang mungkin terjadi Jumlah total percobaan Sumber : Statistika Industri Adithya Sudiarno.

Maka. dan sisanya lulus dengan predikat CL.58 P . 295 memperoleh predikat SM.Contoh Pendekatan Frekuensi Relatif ‡ Periode wisuda sarjana ke 100 UNS meluluskan 900 orang. 520 ! 0. 520 diantaranya lulus dengan predikat memuaskan.

l l s e aska ! 900 295 P .

l l s S ! ! 0.33 900 85 ! 0.09 P .

l l s CL ! 900 T tal ! 0. ITS 33 .33  0.58  0.09 ! 1 Sumber : Statistika Industri Adithya Sudiarno.

Pendekatan Subyektif
y Probabilitas akan terjadinya suatu peristiwa adalah derajat kepercayaan oleh seseorang bahwa peristiwa tersebut akan terjadi berdasarkan semua bukti yang dimiliki. y Nilai probabilitas adalah penilaian pribadi.

Sumber : Statistika Industri Adithya Sudiarno, ITS

34

ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK
ATURAN PENJUMLAHAN y Dipergunakan pada peristiwa yang saling lepas (mutually exclusive) yaitu apabila suatu peritiwa terjadi maka peristiwa lain tidak dapat terjadi pada saat bersamaan. y Aturan penjumlahan dinyatakan dengan :
P

ata B ! P

 P.

B P.

.. n ! P. ata B ata .

 P.

 P.B  ...

ITS 35 .n Sumber : Statistika Industri Adithya Sudiarno.

Contoh Perhitungan Aturan Penjumlahan Saling lepas Tidak mungkin terjadi pada saat bersamaan .

baik ! 120 P 200 80 P .

buruk ! ! 0.4 200 P .

6  0.4 ! 1 ! 0.baik atau buruk ! 0.6 Sumber : Statistika Industri Adithya Sudiarno. ITS 36 .

ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK ATURAN PENJUMLAHAN PADA GABUNGAN KEJADIAN ‡ Dalam keseharian jarang sekali terjadi hanya satu peristiwa sederhana. ‡ Diagram venn untuk kejadian bersama adalah : ‡ Dilambangkan dengan P(AD) Sumber : Statistika Industri Adithya Sudiarno. ‡ Pada gabungan kejadian terdapat dua jenis peristiwa yang terjadi. ITS 37 .

ITS 38 .ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK ‡ Aturan penjumlahan dinyatakan dengan : P(A atau D) = P(A) + P(D)-P(A D) Sumber : Statistika Industri Adithya Sudiarno.

120 P .CONTOH ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK Pada contoh sebelumnya : probabilitas hasil inspeksi baik dari produk 1.

35 P .B ! ! 0.6 200 70 ! 0.

P1 ! 200 30 ! 0 .15 P .

B + P1 ! 200 P .

B atau P1 ! P .

B  P .

P1  P .

ITS 39 .6  0.80 Sumber : Statistika Industri Adithya Sudiarno.B + 1 ! 0.15 ! 0.35 .0.

pada pelemparan kedua bisa muncul ANGKA lagi atau GAMBAR (hasil lemparan pertama tidak mempengaruhi probabilitas kejadian kedua).ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK ATURAN PERKALIAN y Dipergunakan pada peristiwa yang independent. y Contoh peristiwa independent adalah pelemparan mata uang dua kali. ITS 40 . pada pelemparan pertama diperoleh ANGKA. Sumber : Statistika Industri Adithya Sudiarno. yaitu suatu peristiwa terjadi tanpa harus menghalangi peristiwa lain terjadi.

ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK y Aturan perkalian dinyatakan dengan : P.

an B ! P.

x P.

B Sumber : Statistika Industri Adithya Sudiarno. ITS 41 .

Contoh Perhitungan Aturan Perkalian Pada pelemparan uang logam dua kali ke udara. berapa probabilitas kedua lemparan menghasilkan GAMBAR ? JAWAB : ‡ Probabilitas ANGKA = ½ ‡ Probabilitas GAMBAR = ½ ‡ Pada pelemparan pertama dan kedua probabilitas GAMBAR sebesar ½. maka : 1 1 1 P.

A dan B ! P.

A x P.

B ! x ! 2 2 4 Sumber : Statistika Industri Adithya Sudiarno. ITS 42 .

B P. y Probabilitas bersyarat dilambangkan dengan: P (A` B ) y Probabilitas peristiwa A dengan syarat peristiwa B telah terjadi.ATURAN PERHITUNGAN PELUANG KEJADIAN MAJEMUK ATURAN PERKALIAN PADA PROBABILITAS BERSYARAT y Probabilitas bersyarat adalah suatu peristiwa akan terjadi dengan ketentuan peristiwa yang lain telah terjadi.

A an B ! P.

A x P.

A Sumber : Statistika Industri Adithya Sudiarno. ITS 43 .

Ditanya : berapa probabilitas As dengan syarat hitam P. Warna dan Rupa Kartu. Catat Macam.Contoh Aturan Perkalian pada Probabilitas Bersyarat Eksperimen : Tarik 1 Kartu.

A dan B ! P.

A x P.

A B P.

As dan Hitam 2 52 2 P.

Hitam ! As ! ! P.

ITS 44 .Hitam 26 52 26 Sumber : Statistika Industri Adithya Sudiarno.

SOAL ‡ Tentukan berapa peluangnya ? P.

D A P.

B C Sumber : Statistika Industri Adithya Sudiarno. ITS 45 .

TEOREMA BAYES ‡ Andaikan {B1. . Maka. B2. B3. untuk k = 1. . Andaikan A sebarang peristiwa dalam S sedemikian hingga P(A) 0. untuk i=1. dimana P(Bi) 0. } sekumpulan peristiwa yang membentuk partisi dari ruang Sampel S. 2. n. 2.n berlaku P .

Bk A ! P .

Bk + A
i !1

§ P

Bi + A

n

!

P

Bk P

A Bk i !1 § P.

Bi P A Bi n .

46 .

4. mengacak bola-bola tersebut. mencatat nomornya. Ruang sampel eksperimen tersebut adalah b.SOAL 1. Elemen-elemen kejadian Q(jumlah kedua nomor paling sedikit 6). 3. ruang sampelnya adl 47 . mengambil satu bola lagi dan mencatat nomornya. bernomor 1. a. 2. Eksperimen terdiri dari pengambilan satu bola. mengembalikan ke dalam kotak. Sebuah kotak berisi 4 bola. Elemen-elemen kejadian P(jumlah kedua nomor adl genap). ruang sampelnya adl c.

SOAL 2. Seorang mempunyai 9 kemeja. A = jumlah mata titik paling sedikit 5. Dalam sebuah kotak berisi 15 bola. Dua dadu dilempar sekaligus. 5 bola merah dan 4 bola biru. Sembilan bola diambil sekaligus dari kotak itu. 6 bola hijau. 6 celana dan 3 pasang sepatu. a. Tentukan P(A) 3. Berapa banyak cara orang tersebut dapat berpakaian secara berbeda ? 4. Berapa hasil yang mungkin dari pengambilan bota (tak terurut) dari 15 bola tersebut 48 .

Sebuah dadu dilembar 2 kali. Berapa hasil jika terambil 2 bola hijau. 4 bola merah dan 3 bola biru 5. 4 bola merah dan 3 bola biru c.SOAL b. Probabilitas terambil 2 bola hijau. Tentukan probabilitas untuk kejadian a. Berturut-turut muncul bilangan prima 49 . Sisi bilangan prima muncul pada pelemparan pertama b.

B. Probabilitas bahwa seorang mahasiswa tidak akan mendapat nilai E adl 7.26.40. Probabilitas bahwa seorang mahasiswa akan mendapat nilai A atau B adl b.11. D dan E dalam mata kuliah statistika adl 0. Tiga bola diambil berturut-turut secara random tanpa pengembalian.17. Berapa probabilitas bola pertama hitam. Sebuah kotak berisi 7 buah bola hitam dan 5 bola putih. 0.60 a.SOAL 6. 0. C. kedua putih dan ketiga hitam 50 . Probabilitas seorang mahasiswa akan mendapat nilai A. 0. 0.

DISTRIBUSI PROBABILITAS ‡ Variabel random adalah suatu variabel yang nilainya bisa berapa saja ‡ Variabel random merupakan deskripsi numerik dari hasil beberapa percobaan / eksperimen 51 .

Variabel random diskrit variabel yang hanya dimungkinkan memiliki beberapa nilai saja. Nilainya berupa bilangan riil 52 . 2. Variabel random kontinu variabel yang nilainya dimungkinkan bervariasi pada rentang tertentu.Variabel Random Jenis variabel random : 1. Nilainya berupa bilangan bulat.

f . suatu fungsi f disebut fungsi distribusi probabilitas X jika untuk setiap hasil x yang mungkin memenuhi : 1.Distribusi probabilitas variabel random diskrit ‡ Misalkan X variabel random diskrit.

f .x u 0 2. 3.

x ! 1 .

X ! x ! f .

x ‡ Karena X variabel random diskrit maka distribusi probabilitasnya disebut distribusi probabilitas diskrit 53 .

misalkan X menyatakan jumlah mata dadu pada lemparan 1 dan ke 2. maka distribusi peluang X dapat disajikan dalam tabel berikut: X P(X=x) 2 1 36 3 2 36 4 3 36 5 4 36 6 5 36 7 6 36 8 5 36 9 4 36 10 3 36 11 2 36 12 1 36 ‡ Diperiksa : f .Contoh Distribusi probabilitas variabel random diskrit ‡ Pada percobaan melempar sebuah dadu 2 kali.

 f .x u 0 terp enuhi 2 1 ¸ ¨ 1 .

x ! ©  ¹ !1 36 º ª 36 36 P .

X ! 2 ! f .

2 . P .

X ! 3 ! f .

3 . .. P .

X ! 12 ! f .

12 Maka f adl fungsi distribusi peluang 54 .

Fungsi distribusi probabilitas variabel random kontinu disebut fungsi densitas peluang (fdp) 55 . sehingga distribusinya tidak dapat disajikan dalam bentuk tabel tetapi hanya berupa rumusnya secara urut.Distribusi probabilitas variabel random kontinu ‡ Suatu variabel random kontinu X mempunyai peluang pada setiap titik X.

Distribusi probabilitas variabel random kontinu ‡ Misalkan X variabel random kontinu. f . suatu fungsi f disebut distribusi probabilitas X jika untuk setiap hasil x yang mungkin memenuhi : 1 .

x u 0 2 . ´ f .

P(a e X e b) ! ´ f .x dx ! 1 x A 3 .

x dx a b ‡ Karena X variabel random diskrit maka distribusi probabilitasnya disebut distribusi probabilitas diskrit 56 .

Contoh Distribusi probabilitas variabel random kontinu Misalkan variabel random X mempunyai fdp (fungsi densitas peluang) sebagai berikut : ®2 x ± . jika .1 x 2 f .

jika yang lain 0 ° a. Hitung P(0<X 1) 57 . Tunjukkan f adl fungsi peluang b.x ! ¯ 3 ± .

(i) f .Penyelesaian ‡ Akan diperiksa x2 u0 a .

x u 0 terpenuhi karena x u 0. 3 " 0 sehingga 3 2 ¨ x3 ¸ x 8 1 (ii) ´ f .

P.x dx ! ´ 0dx  ´ dx  ´ 0dx ! © ¹ !  ! 1 © 9 ¹ g 1 3 xA 2 ª º 1 9 9 1 2 2 g 2 b.

0 « x3 » x 1 e 1 ! ´ dx ! ¬ ¼ ! 0 3 ­ 9 ½0 9 1 2 1 58 .

distribusi probabilitas kumulatif X ditulis F(x) didefinisikan: P.Distribusi Probabilitas Kumulatif ‡ Misal variabel random X mempunyai distribusi probabilitas f(x).

X e x ! § f .

ika X diskrit te x ± F .t .

x ! ¯ x P ± .

X e x ! ´ f .

ika X kontinu g ° ‡ Akibat definisi untuk X yang kontinu (i) P.t dt .

a (ii) f .

x ! d b ! .

b  .

a .

x dx 59 .

tentukan distribusi peluang kumulatif X Penyelesaian : ‡ Distribusi probabilitas X adl : X f(x) 0 1 2 3 10 56 30 56 15 56 1 56 60 . 3 diantaranya rusak. Jika X menyatakan banyaknya bolam rusak yang terambil. Secara acak diambil 3 bolam.Contoh Dalam sebuah kotak tersedia 8 bola lampu.

Contoh Maka : F .

0 ! P.

X e 0 ! f .

0 ! 10 56 10 30 40 F .

! P.

X e 1 ! f .

0  f .

!  ! 1 1 56 56 56 10 30 15 55 F .

2 ! P.

X e 2 ! f .

0  f .

 f .

2 !   ! 1 56 56 56 56 10 30 15 1 56 F .

3 ! P .

X e 2 ! f .

0  f .

 f .

2  f .

3 !    ! !1 1 56 56 56 56 56 61 .

Contoh Biasa dituliskan dalam 0. ika 0 e x 56 ± ± 40 ± . ika x 0 ± 10 ± . ika 1 e x F .

ika x u 3 ± ° 1 2 3 62 . ika 2 e x 56 ± 1.x ! ¯ 56 ± 55 ± ± .

Contoh Misalkan variabel random X mempunyai fdp ®2 x ± . jika .1 x 2 f .

x ! ¯ 3 ± . jika yang lain 0 ° Tentukan fungsi distribusi peluang kumulatif X Penyelesaian : «t x3  1 F .

x ! ´ f .

t dt ! ´ dt ! ¬ ¼ ! 9 g 1 3 ­ 9 ½ 1 x x t2 3 »x 63 .

Ekspektasi ‡ Misalkan X variabel random dengan fungsi distribusi probabilitas f(x) E.

§ ® x f .

jika X diskrit ± ! ¯ x ±x f .x .

x dx. jika X kontinu ´ ° 64 .

Contoh Ekspektasi Pada percobaan melempar dua mata uang logam satu kali. X menyatakan banyaknya angka yang nampak. Tentukan ekspektasi X Penyelesaian : Fungsi distribusi peluang X X f(x) 0 1 2 1 4 2 4 1 4 E.

¨1¸ ¨ 2¸ ¨1¸ ! § x f .

x ! 0© ¹  1© ¹  2© ¹ ! 1 x ª4º ª 4º ª 4º 65 .

jika x u 100 f .Contoh Ekspektasi Misal X menyetakan umur bola lampu (dlm jam) dengan fdp 20000 ® ± 3 .

jika x yang lain ° Hitung harga harapan untuk umur bola lampu tsb Penyelesaian : 20000 « 20000 » .x ! ¯ x ± 0 .

x ! ´ x 3 dx !  ¬ ¼ ! 200 x 100 ­ x ½100 g g 66 .

Ekspektasi ‡ Misalkan X adl v.r dengan fungsi ditribusi probabilitas f(x) maka ekspektasi dari fungsi g(x) adl x ± ?g .

x A! ¯ g ±´ g .

x f .

 °g § g .x dx.

x f .

ika X diskrit ika X kontinu 67 .x .

jika . Misalkan X adl v.SOAL 1. Jika X menyatakan jumlah mata dadu yang nampak pada pelemparan dadu 1 kali.1 x 2 f .r dgn fdp ®2 x ± . Tentukan ekspektasi dari 2X-3 2.

jika yang lain 0 ° Tentukan ekspektasi g.x ! ¯ 3 ± .

x ! 3x  2 68 .

Ekspektasi ‡ Sifat-sifat Ekspektasi 1. E .

5. .a ! a 2. 4. 3.

bX ! b .

X .

X  a ! .

X  a .

bX  a ! b .

X  a ?g .

X s h.

X A! ?g .

X A ?h.

X A 69 .

r dgn rata-rata Q.W2 Variansi ‡ Misalkan X v. maka variansi X ditulis W2 atau VAR(X) didefinisikan VAR .

X ! E ?X  Q A 2 ! E X 2  .

E ?X A Deviasi standar ? A 2 VAR .

X 70 .

var .Variansi dan Deviasi Standar ‡ Sifat-sifat variansi dan deviasi standar 1.

X tidak negatif 1. ds .

X tidak negatif 2. ds .

X  a ! ds .

ds .X 3.

bX ! b ds .

X 2. var .

X  a ! var .

X 3. var .

bX ! b 2 var .

X 4. var .

a  bX ! b 2 var .

X 4. ds .

a  bX ! b ds .

X 71 .

Hitunglah variansi variabel random X yang mempunyai fdp 2. Tentukan variansi X 2.SOAL 1. Pada percobaan melempar dua mata uang logam satu kali. X menyatakan banyaknya angka yang nampak.

x  1 . f .

x ! ¯ 0 . ° ika 1 x 2 ika yang lain 72 .

disimbolkan dengan p. Probabilitas gagal.  Setiap percobaan memberikan dua hasil yang mungkin. 73 .  Probabilitas sukses. sebuah hasil tidak mempengaruhi muncul atau tidak munculnya hasil yang lain. adalah tetap atau konstan. Artinya. Kedua hasil tersebut bersifat mutually exclusive dan exhaustive. adalah q = 1 . dinyatakan dengan q.p. yaitu sukses dan gagal.Distribusi Bernoulli Percobaan Bernoulli adalah percobaan yang memenuhi kondisi kondisi berikut:  Satu percobaan dengan percobaan yang lain independen.

74 .Proses Bernoulli Beberapa distribusi yang dilandasi oleh proses Bernoulli adalah :  Distribusi binomial. dan  Distribusi hipergeometrik.  Distribusi geometrik.

Distribusi Binomial Distribusi Binomial mempunyai ciri-ciri berikut sama dengan Bernoulli :  Percobaan diulang sebanyak n kali  Tiap-tiap ulangan memberikan hasil yang dapat dikelompokkan menjadi 2 kategori. 75 . sukses atau gagal  Peluang kesuksesan dinyatakan dengan p. dan kegagalan dengan q = 1 p  Tiap usaha bebas dengan usaha lainnya.

Distribusi Binomial ‡ Rumus distribusi probabilitas Binomial adalah : ¨ n ¸ x n x b.

n.p ! © ¹ p q © x¹ ª º n ! banyaknya perulangan x ! banyaknya kesuksesan dari variabel random x p ! probabilitas sukses dalam setiap ulangan q ! probabilitas gagal.x. dimana q ! 1  p 76 .

Distribusi Binomial ‡ Untuk distribusi binomial dengan n percobaan dan p adl probabilitas sukses : ! np W 2 ! np .

 p ! npq 1 mean variansi standar deviasi W ! np.

 p ! npq 1 77 .

Paling banyak empat tanaman berbunga merah 78 .Contoh Distribusi Binomial Menurut teori mendel ttg sifat-sifat keturunan. perkawinan silang dua jenis tanaman yg serupa. Paling sedikit empat tanaman berbunga merah c. menghasilkan keturunan yang 25% tumbuhan berbunga merah. Seorang ahli tanaman ingin menyilangkan lima pasang tanaman berbunga merah dan berbunga putih. Berapakah probabilitas bahwa dari 5 keturunan yang dihasilkan a. yang satu berbunga merah dan lainnya berbunga putih. Tidak terdapat tanaman berbunga merah b.

P .Contoh Distribusi Binomial Penyelesaian : ¨5¸ a.

x ! 0 ! © ¹ .

0 .25 0 .

2372 ©0¹ ª º b. P .0 .75 5 ! 0 .

x u 4 ! P .

x ! 4  P .

x ! 5 ¨5¸ ¨5¸ 4 5 0 ! © ¹ .

25 .0 .

0 .75  © ¹ .

0 .25 .

P .0010 ! 0 .0156 c.0146  0 .0 .75 ©5¹ ©4¹ ª º ª º ! 0 .

x e 4 ! P .

x ! 0  P .

x ! 1  P .

x ! 2  P .

x ! 3  P .

x ! 4 ! 1  P .

x ! 5 ¨5¸ 5 0 ! 1  © ¹ .

25 .0 .

0010 ! 0 .75 ! 1  0 .0 .9990 ©5¹ ª º 79 .

Distribusi Poison e x P .

x ! . x ! 0.1.2. x! mean variansi ! ! np 2 ! 80 .

Paling banyak tiga koloni ada dlm luasan tersebut b. Andaikan P=5.Contoh Distribusi Poison Jika bakteri ditumbuhkan pada media dengan luas A. Lebih dari delapan koloni ada dlm luasan tersebut c. maka X berdistribusi Poisson dengan mean (a/A). Dari dua sampai sembilan koloni ada dlm luasan tersebut 81 . dan X = banyaknya koloni bakteri dalam luasan kecil a yg dipilih secara random dari media tersebut.5 hitunglah probabilitas a.

P .Contoh Distribusi Poison Penyelesaian : e  P Px a.

5 .x e 3 ! § x! x!0 3 e  5 .

5.5 .5 0 e  5 .

5.5 .5 1 e  5 .

5 2 e  5 .5 .5.

1133 ! 0.0618  0.0225  0.0041  0.2017 b.5. P .5 3 !    0! 1! 2! 3! ! 0.

x u 8 ! 1  P .

5 .x e 7 e  5 .

5 .5 0 e  5 .5.

0.5 7 ! 1 .0041  .8094 ! 0.  0 .1906 82 .1234 ! 1  0.  0! 7! ! 1 .5.

P .Contoh Distribusi Poison c.

2 e x e 9 ! P .

x e 9  P .

5 .x e 1 e  5 .

5.5 .5 2 e  5 .

0519 ! 0 .  2! 9! ! 1 .0618  .5 9 ! .0.9196 83 .  0 .5.

variabel random geometri mengukur jumlah percobaan sampai diperoleh sukses yang pertama kali.Distribusi Geometri ‡ Berkaitan dengan percobaan Bernoulli. dimana terdapat n percobaan independen yang memberikan hasil dalam dua kelompok (sukses dan gagal). 84 .

Distribusi Geometri ‡ Fungsi distribusi probabilitas geometrik: P.

x ! p q x 1 x ! 1.3p ! probabilitas sukses q ! probabilitas gagal ‡ Rata-rata dan variansi distribusi probabilitas geometrik: Q! 1 p W2 ! q p2 85 .2 .

‡ Distribusi probabilitas hipergeometrik digunakan untuk menentukan probabilitas kemunculan sukses jika sampling dilakukan tanpa pengembalian. sehingga proporsi sukses diasumsikan diketahui. ‡ Variabel random hipergeometrik adalah jumlah sukses (x) dalam n pilihan.Distribusi Hipergeometrik ‡ Distribusi binomial digunakan pada populasi yang tidak terbatas. dimana D diantaranya adalah sukses dan (N-D) adalah gagal. tanpa pengembalian. 86 . dari sebuah populasi terbatas N .

87 .x). ‡ Jika sebuah variabel random (diskrit) X menyatakan jumlah sukses. selanjutnya dapat dihitung kombinasi diperoleh x sukses dari sejumlah D sukses dalam populasi yang diketahui yaitu C(D. yaitu kombinasi C((N-D).n).Distribusi Hipergeometrik ‡ Penurunan fungsi distribusi hipergeometrik diturunkan dengan menghitung kombinasi-kombinasi yang terjadi. ‡ Kombinasi yang dapat dibentuk dari populasi berukuran N untuk sampel berukuran n adalah kombinasi C(N.(nx)). dan demikian pula halnya dapat dicari (n-x) kombinasi gagal dari sisanya (N-D).

(n-x)) atau ¨ D¸ ¨ N  D¸ © ¹© © x ¹ ©n  x ¹ ¹ ª ºª º ‡ yang diperoleh dari total kombinasi yang mungkin C(N.x).n) atau ¨N¸ © ¹ ©n ¹ ª º 88 . C((N-D).Distribusi Hipergeometrik ‡ sukses C(D.

h. maka dikatakan x mengikuti distribusi hipergeometrik dengan fungsi probabilitasnya : ¨ D ¸¨ N  D ¸ © ¹© © x ¹© n  x ¹ ¹ ª ºª º.Distribusi Hipergeometrik ‡ Sebuah variabel random (diskrit) X menyatakan jumlah sukses dalam percobaan bernoulli dan total jumlah sukses D diketahui dari sebuah populasi berukuran N.

. n . min _ a n.. N .2 .D untuk x lainnya 89 . D ! ¨N¸ © ¹ ©n ¹ ª º !0 x ! 1.x .

Distribusi Hipergeometrik ‡ Rata-rata dan variansi : mean variansi ! np 2 ¨ N n¸ ! np .

 p © 1 ¹ N 1 º ª D dimana p ! n 90 .

Contoh Distribusi Hipergeometrik Suatu panitia 5 orang dipilih secara acak dari 3 orang TI dan 5 fisikawan. Tentukan pula mean dan variansinya ¸ Penyelesaian : ¨ 3 ¸ ¨ 5 © ¹© ¹ © ¹© ¹ ª x ºª 5  x º h . Hitung distribusi probabilitas banyaknya orang teknik informatika yang duduk dalam panitia.

3 ! ¨8¸ © ¹ ©5¹ ª º 1 x ! 0 p h . x .8 .5 .

0 .8 .3 ! 56 x ! 1 p h .5 .

2 .3 x ! 2 p h .3 ! ? x ! 0 .1 .5 .8 .1 .

5 .8 .3 ! ? x ! 3 p h .2 .

8 .3 ! ? 91 .3 .5 .

P . Determine the following probabilities : a. P(3 X<5) Penyelesaian : ¨ 10 ¸ 5 5 a. P(X=5) c. P(X 9) d. The random variable X has a binomial distribution with n=10 and p=0.SOAL 1.5. P(X 2) b.

X ! 5 ! © ¹ .

0 .5 .

2461 © 5¹ ª º b.0 . P .5 ! 0 .

X u 9 ! P .

X ! 9  P .

X ! 10 ¨ 10 ¸ ¨ 10 ¸ 9 1 10 0 ! © ¹ .

0 .5 .

5  © ¹ .0 .

5 .0 .

0 .01073 92 .00097 ! 0 .5 © 10 ¹ © 9¹ ª º ª º ! 0 .00976  0 .

P .SOAL c.

X e 2 ! P .

X ! 0  P .

X ! 1  P .

X ! 2 ¨ 10 ¸ ¨ 10 ¸ ¨ 10 ¸ 0 10 1 9 2 8 ! © ¹ .

5 .0 .

0 .5  © ¹ .

0 .5 .

5  © ¹ .0 .

0 .5 .

5 © 2¹ ©1 ¹ © 0¹ ª º ª º ª º ! 0 .00976  0.05467 d.04394 ! 0 .0 . P .00097  0 .

3 e X 5 ! P .

X ! 3  P .

X ! 4 ¨ 10 ¸ ¨ 10 ¸ © ¹ .

0 .5 3 .

0 .5 7  © ¹ .

0 .5 4 .

20501 ! 0 .5 6 !© ¹ © ¹ ª 4º ª 3º ! 0 .11719  0 .0 .3222 93 .

Tentukan probabilitas a. Paling banyak satu orang wanita Penyelesaian : a. Suatu yayasan mempunyai 10 anggota. empat wanita dan enam pria. Semuanya pria c.SOAL 2. Semuanya wanita b. P(semuanya wanita) ! 4 C3 . Tiga anggota dipilih secara random untuk mewakili yayasan tersebut dalam suatu pertemuan dengan pemerintah.1 1 ! ! 120 30 10 C 3 94 . 6 C0 4 .

P(semuanya pria) ! 4 C0 . P(paling banyak satu anita) 4 C 0 . 15 2 !  ! 120 120 3 95 . 6 C3 4 C1 . 6 C3 1 .SOAL b. 20 1 ! ! 120 6 10 C 3 c. 20 4 . 6 C 2 !  10 C3 10 C 3 1 .

SOAL 3.5 96 . Lebih dari 6 telepon adl Penyelesaian : Gunakan distribusi Poisson dengan P=2. Antara jam 10 sampai jam 11 pagi. rata-rata telepon yang datang pada Switchboard suatu kantor tiap menit adl 2. Tiga telepon masuk adl b.5. Maka probabilitas bahwa selama satu menit tertentu (pada jam itu) akan ada a. Kurang dari tiga telepon adl c.

SOAL e  2 .5 .

5 3 ! 0 . P .214 a.2.

P .x ! 3 ! 3! b.

5 .x e  P Px 4 ! § x! x!0 3 0 e  2 .

5 e  2 .2.5 .

5 1 e  2 .5 .2.

5 2 e  2 .2.5 .

2052  0.2565  0.0821  0.2. P .2138 ! 0.5 3 !    0! 1! 2! 3! ! 0.7576 6 e  P Px c.

X " 6 ! P .

X ! 7  P .

P .X ! 8  . ! 1 ...

5 .X e 6 ! 1  § x! x!0 ¨ e  2 .

5 .2.5 0 e  2 .

2.5 1 e  2 .5 .

.2..  © ¹ 0! 1! 6! ª º ! 1  .5 6 ¸ ¹ ! 1 ©   .

0668  0 .2565  0.2052  0.0142 97 .0278 ! 1  0.0.1336  0 .2138  0 .0821  0.9858 ! 0.

SOAL 98 .

Sign up to vote on this title
UsefulNot useful