Anda di halaman 1dari 17

BAB II.

PELUANG DAN DISTRIBUSI PELUANG

2.1 Pengertian Peluang Suatu Kejadian


Definisi secara klasik
Model sebuah peristiwa E dapat terjadi, sebanyak n kali diantara N peristiwa yang
saling ekslusif (asing) dan masing-masing terjadi dengan kesempatan yang sama
maka peluang peristiwa E terjadi adalah
n
P(E) =
N
Contoh 2.1.1
Undian sebuah dadu bermuka enam menghasilkan 6 peristiwa yang saling asing
sehingga N = 6. Jika E = muka bermata 4 diatas, maka n = 1. Jadi peluang muka
bermata 4 diatas = P(E) = P(mata 4) = 1/6

Definisi secara empiris


Peluang empiris dari suatu kejadian ditetapkan sebagai frekuensi relatif dari
terjadinya pengamatan sangat besar, peluang tersebut adalah limit dari frekuensi
relatif dengan banyaknya pengamatan yang bertambah besar secara tak terhingga.
Contoh 2.1.2
Undian dengan sebuah mata uang yang homogen 1.000 kali, misalnya didapat muka
G sebanyak 519 kali. Maka frekuensi relatif muka G = 0,519. Bila dilakukan 2.000
kali maka didapat muka G sebanyak 1.020 kali. Frekuensi relatifnya = 0,510. Jika
dilakukan 5.000 kali didapat muka G = 2.530, maka frekuensi relatifnya = 0,506. Jika
proses demikian diteruskan, nilai frekuensi relatifnya lambat laun makin dekat kepada
sebuah bilangan yang merupakan peluang untuk muka G. Dalam hal ini bilangan
tersebut adalah 0,5.
Sifat dasar dari peluang
 Batasan dari besarnya peluang adalah 0 ≤ P(E) ≤ 1
Jika P(E) = 0 → peristiwa E pasti tidak terjadi
Jika P(E) = 1 → peristiwa E pasti terjadi
 Jika E menyatakan bukan peristiwa E maka P(E) = 1 – P(E)
Atau dengan kata lain jumlah semua peluang yang saling asing adalah satu
 Jika n buah peristiwa E1, E2, ....., En yang saling asing maka P(E1 atau E2 atau
En) = P(E1) + P(E2) + .... + P(E3)

2.2 Teori Himpunan


2.2.1 Irisan
Irisan dua kejadian A dan B dinotasikan dengan A ∩ B adalah kejadian yang
mengandung semua unsur persekutuan kejadian A dan B
Dua kejadian A dan B dikatakan saling terpisah / asing bila A ∩ B ≠ 0 artinya A dan
B tidak memiliki unsur persekutuan
2.2.2 Gabungan
Gabungan 2 kajadian A dan B dilambangkan dengan A ∪ B adalah kejadian yang
mencakup anggota A atau B.
P(A ∪ B) = P(A) + P(B) – P(A ∩ B) dan jika A dan B saling terpisah maka
P(A ∪ B) = P(A) + P(B)
Contoh 2.2.1
Peluang seorang mahasiswa lulus Matematika adalah 2/3, dan peluang ia lulus
Bahasa Inggris adalah 4/9. Bila peluang seorang lulus sekurang-kurangnya satu
pelajaran di atas adalah 4/5, berapa peluang ia lulus kedua pelajaran itu ?
Penyelesaian :
Misal M = kejadian lulus Matematika
E = kejadian lulus Bahasa Inggris
Sehingga :
P(M ∩ E) = P(M) + P(E) - P(M ∪ E)
= 2/3 + 4/9 – 4/5
= 14/45
2.3 Permutasi dan Kombinasi
Permutasi adalah susunan yang dibentuk oleh keseluruhan atau sebagian dari
sekumpulan benda.
Banyaknya permutasi akibat pengambilan r benda dari n benda yang berbeda adalah :
n!
nPr = dimana n! = n(n-1) (n-2) ... 1
(n − r )!
Contoh 2.3.1
Berapa banyak cara sebuah regu bola basket dapat menjadwalkan 3 pertandingan
dengan 3 regu lainnya bila semuanya bersedian pada 5 kemungkinan tanggal yang
berbeda !
Penyelesaian :
5!
Banyaknya kemungkinan jadwal 5P3 = = 5.4.3 = 60 cara
2!
Banyaknya permutasi yang berbeda dari n benda yang n1 diantaranya berjenis
pertama, n2 berjenis kedua, ...,nk berjenis ke-k adalah
n!
n1!n 2!...n 2!
Contoh 2.3.2
Berapa banyak susunan yang berbeda bila kita ingin membuat sebuah rangkaian
lampu hias untuk pohon natal dari 3 lampu merah, 4 lampu kuning dan 2 lampu biru ?
Penyelesaian :
N = 3 + 4 + 2 = 9; n1 = 3 n2 = 4 n3 = 2
Maka banyaknya susunan yang berbeda ada ...... cara (silakan selesaikan)

Dalam banyak masalah kita ingin mengetahui banyak cara mengambil r benda dari n
benda tanpa memperhatikan urutan, pengambilan ini disebut kombinasi.
Banyaknya kombinari r benda dari n benda yang berbeda adalah
n!
C r =  nr  =
n
  r!(n − r )!

Contoh 2.3.3
Dari 4 orang anggota Partai Republik dan 3 orang anggota Partai Demokrat. Hitung
banyaknya komisi yang terdiri atas 3 orang dengan 2 orang dari Partai Republik dan 1
orang dari Partai Demokrat yang dibentuk !
Penyelesaian :
Banyaknya cara memilih 2 orang dari 4 orang Partai Republik ada

 4  = 4! = 6
 2  2 ! 2!

Banyaknya cara memilih 1 orang dari 3 orang Partai Demokrat ada

 3  = 3! = 3
 1  1!2!
sehingga banyaknya komisi yang dapat dibentuk dengan 2 orang Partai Republik dan
1 orang Partai Demokrat adalah 6 x 3 = 18 komisi

2.4 Peluang Bersyarat


Peluang terjadinya kejadian B bila diketahui bahwa suatu kejadian lain A
telah terjadi disebut peluang bersyarat, dilambangkan P(BA) dibaca “peluang B,
bila A diketahui”.
P(A ∩ B)
P(BA) = , P(A) > 0
P( A )
Bila dalam suatu percobaan kejadian A dan B keduanya saat terjadi sekaligus, maka
P(A ∩ B) = P(A) P(BA)
Dan bila dua kejadian A dan B bebas (saling asing) maka P(A ∩ B) = P(A) P(B)
Contoh 2.4.1
Sebuah kota kecil memilih satu mobil pemadam kebakaran dan satu ambulans,
peluang mobil kebakaran itu dapat digunakan pada saat diperlukan adalah 0,98 dan
peluang ambulans tersedia waktu diperlukan adalah 0,92. Dalam hal terjadi
kecelakaan akibat kebakaran, hitung peluang ambulans dan mobil pemadam
kebakaran itu keduanya tersedia dan siap digunakan.
Penyelesaian :
Misal A dan B masing-masing menyatakan bahwa mobil pemadam kebakaran
dan ambulans siap digunakan, keduanya merupakan kejadian yang saling
bebas sehingga :
P(A ∩ B) = P(A) . P(B)
= ..... x ......
= 0,9016
Contoh 2.4.2
Peluang seorang dokter mendiagnosis suatu penyakit secara benar adalah 0,7. Bila
diketahui dokter tersebut salah mendiagnosis, bahwa pasien akan menuntut ke
pengadilan adalah 0,9. Berapa peluang dokter tersebut salah mendiagnosis dan pasien
menuntutnya ?
(silakan coba)

2.5 Distribusi Peluang


Suatu fungsi yang nilainya berupa bilangan real yang ditentukan untuk setiap
unsur dalam ruang sampel disebut variabel acak.
Jika variabel x dan t menerima suatu himpunan diskrit dari nilai-nilai x1, x2,
....., xn dengan peluang masing-masing p1, p2, ....., pn dimana p1 + p2 +.....+ pn =1
dikatakan suatu distribusi peluang diskrit untuk variabel acak x telah terdefinisi.
Fungsi p(x) yang mempunyai nilai masing-masing p1, p2, ....., pn untuk x = x1,
x2, ....., xn disebut fungsi peluang untuk variabel acak x, harga X = x.
X yang memiliki peluang bersifat variabel dan hanya memiliki harga 0,1,2 ... disebut
variabel acak diskrit.
Contoh 2.5.1
Misalkan sepasang dadu dilantunkan dan misalkan X menyatakan jumlah titik yang
diperoleh. Maka distribusi peluang diberikan sebagai berikut :
X 2 3 4 5 6 7 8 9 10 11 12
P(X) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Misalnya, peluang memperoleh jumlah 5 adalah 4/36 = 1/9. Jadi dalam 900
pelantunan dadu kita mengharapkan 100 pelantun memberikan jumlah 5.
Variabel acak yang tidak diskrit disebut variabel acak kontinue.
Jika x sebuah variabel acak konstan, maka fungsi densitas (kepadatan), f(x) dapat
menghasilkan peluang untuk harga-harga x dan berlaku :

∫ f (x ) dx = 1
−∞

Untuk menentukan peluang harga X = x antara a dan b adalah :


b
P(a<X<b) = ∫ f ( x ) dx
a

Contoh 2.5.2
Sebuah variabel acak kontinue x mengambil nilai antara x = 2 dan x = 4, mempunyai
fungsi densitas
x +1
f(x) =
8
a. Tunjukkan P(2<X<4) = 1
b. Hitung P(2<X<3) !
Penyelesaian :
Gambar 2.5.1
x +1
Grafik untuk fungsi, f(x) =
8
Pada Gambar 2.5.1 berupa trapesium maka luasnya sama dengan jumlah kedua sisi
yang sejajar dikalikan alasnya kemudian dibagi dua.
( jumlah sisi sejajar ) x alas
Luas =
2
(f (2) + f (4))(2)
=
2

karena f(2) = 3 f(4) = 5


2 8

(38 + 58 )2
maka P(2<X<4) = =1
2
Terbukti
(f (2) + f (3))(2)
b. Bahwa jika P(2<X<3) = = 3 +4 =7
2 8 8 8
Jika menggunakan atau

x +1
3
P(2<X<3) = ∫
2 8
dx
3
1
8 ∫2
= x + 1 dx

3
1 1 
=  x 2 + x
8 2 2

1  9 4 
=  + 3 − − 2 
8  2 2 
= ............................

2.5.1 Distribusi Binom dan Multinom


Suatu percobaan yang mempunyai 2 kemungkinan yaitu berhasil atau gagal
dan dilakukan berulang-ulang dinamakan percobaan binom, sehingga ciri-ciri
percobaan binom adalah :
1. Percobaan terdiri atas n peristiwa
2. Dalam setiap peristiwa hasilnya dapat digolongkan sebagai berhasil atau gagal
3. Peluang berhasil dilambangkan dengan p
4. Peristiwa-peristiwa itu bersifat bebas satu sama lain
Variabel x yang menyatakan banyak keberhasilan dalam n percobaan suatu
percobaan binom dan distribusinya peluangnya disebut Distribusi Binomial dan nilai-
nilainya dilambangkan dengan b (x; n,p)
Jika peluang keberhasilan “p” dan peluang kegagalan q = 1 – p, maka
distribusi peluang untuk variable acak binomial x yaitu banyaknya keberhasilan
dalam n peristiwa yang bebas adalah :
n!
b(x; n,p) =  nx  =
  x! (n − x )!

Karena distribusi binomial termasuk distribusi variabel diskrit b(x; n,;) = p(x) =
P(X=x)
Contoh 2.5.3
Di sebuah bagian kota, keperluan uang untuk membeli ganja atau sebangsanya
ternyata melatarbelakangi 75% peristiwa pencurian yang terjadi. Berapa peluang
bahwa tepat 2 diantara 4 kasus pencurian berikutnya dilatarbelakangi oleh keperluan
uang untuk membeli ganja ?
Penyelesaian:
Diketahui p = 75 % = 0,75 → q = 1 – p = 0,25

P(X=2) = b(2; 4; 0,75) =  42  (0,75)2 (0,25)2 = 0,211


 
Jadi peluang yang ditanya adalah 0,211
Contoh 2.5.3
Jika 20 % kancing yang dihasilkan oleh sebuah mesin adalah cacat, hitung peluang
bahwa dari antara 4 kancing yang dipilih secara acak, yang akan cacat :
a) satu b) tidak ada c) paling banyak 2
Penyelesaian :
Peluang kancing cacat = p = 0,2 → q = 0,8

a. P(X=1) = b(1;4;0,2) =  4  (0,2)1 (0,8)3 = .........


1

b. P(X=0) = b(0;4;0,2) =  04  (0,2)0 (0,8)4 = .........


 
c. P(paling banyak 2) = P(X=0) + P(X=1) + P(X=2) = ....... (lanjutkan sebagai
latihan)

Parameter distribusi binomial adalah µ dan σ, dimana µ = np dan σ = npq

Jika percobaan dilakukan sebanyak “n” kali, peristiwa E1, x2 peristiwa E2, ... xk
peristiwa Ek diantara n, ditentukan oleh distribusi multinom.
n! x1 x xk
P(x1,x2, ....,xk) = p p 2 2 ...p k
x ! x 2 !....x k !

Notasi lain P(x1,x2, ....,xk) = f(x1,x2, ....,xk; p1,p2, ....,pk,n)


Contoh 2.5.4
Bila 2 dadu dilemparkan 6 kali, berapa peluang mendapatkan jumlah bilangan yang
muncul sebesar 7 atau 11 sebanyak 2 kali, bilangan yang sama pada kedua dadu
sekali, dan kemungkinan lainnya 3 kali “
Penyelesaian :
Misal :
E1 : terjadi total 7 atau 11
E2 : muncul bilangan yang sama pada kedua dadu
E3 : kemungkinan lainnya selain dua diatas
Dalam setiap percobaan, peluang masing-masing kejadian adalah p1 = 2/9,
p2 = 1/6 dan p3 = 11/18, dengan distribusi multinom dan x1 = 2, x2 = 1, x3 = 3
maka peluang yang ditanyakan :

P(2,1,3) =
6! 2
( ) (16 )(1118) = 0,1127
2!1!3! 9
2 1 3

2.5.2 Distribusi Hipergeometrik


Dua sifat percobaan hipergeometrik adalah :
 Suatu sampel acak berukuran n diambil dari populasi berukuran N
 k dari N benda diklasifikasikan sebagai berhasil dan N – k benda
diklasifikasikan sebagai gagal
Dengan demikian distribusi peluang bagi variabel acak hypergeometrik X yang
menyatakan banyaknya keberhasilan adalah
 k  N − k 
x n−x
h(x; N, n, k) =   untuk x = 0, 1, 2, ..., n
 N 
n
Contoh 2.5.5
Bila 5 kartu diambil secara acak dari seperangkat kartu bridge, berapa peluang
diperoleh 3 kartu hati ?
Penyelesaian :
Dengan distribusi hipergeometrik untuk n = 5, N = 52, k = 13 dan x = 3 maka
peluang memperoleh 3 kartu hati adalah
13  39 
h(3; 52, 5, 13) =    = 0,0815
3 2
 52 
5

2.5.3 Distribusi Poison


Ciri-ciri percobaan poisson adalah :
 Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang
terjadi pada selang waktu atau daerah lain yang terpisah
 Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya daerah tersebut, dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau daerah
tersebut.
 Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah kecil tersebu, dapat diabaikan
Distribusi peluang bagi variabel acak Poisson X, yang menyatakan banyaknya hasil
percobaan yang terjadi selama satu selang waktu atau daerah tertentu adalah
e −λ λx
P(X=x) = p(x;λ) =
x!

Contoh 2.5.6
Seorang administrator rumah sakit, setelah mempelajari kejadian darurat pada di
tahun-tahun lampau, menyimpulkan bahwa kejadian darurat menyebar menurut
distribusi Poisson. Catatan rumah sakit tersebut menunjukkan kejadian darerat terjadi
rata-rata 3 kali perhari selama periode tersebut. Jika administrator tersebut benar
menurut distribusi Poisson, maka dapatkan probabilitas dari :
a. Tepat ada 2 kejadian darurat akan terjadi pada hari yang diberikan
b. Tidak ada kejadian darurat yang akan terjadi
Penyelesaian :
a. Ambil λ = 3 dan X sebagai variabel random yang menunjukkan jumlah kejadian
darurat setiap hari. Jika x mengikuti distribusi Poisson, maka :
e −3 3 2 .050 × 9
P(X=2) = f(2) = = = 0,225
2! 2 .1
b. Tidak ada kejadian darurat yang akan terjadi
e −3 3 0 .050(1)
f(0) = = = .05
0! 1

Hubungan antara distribusi binomial dan Poisson


Jika dalam hal distribusi binom, N cukup besar dengan peluang p maka λ = Np
Contoh 2.5.7
Peluang seseorang akan mendapat reaksi buruk setelah disuntik besarnya 0,0005.
Dari 4000 orang yang disuntuk, tentukan peluang yang mendapat reaksi buruk :
a) Tidak ada
b) Ada 2 orang
c) Lebih dari 2 orang
Penyelesaian :
a. Dengan menggunakan pendekatan distribusi Poisson kepada distribusi binom,
maka λ = Np = 4000 x 0,0005 = 2
Jika X = banyak orang yang mendapat reaksi buruk akibat suntikan maka
e −2 2 0
p(0) = = 0,1353, jadi peluang yang tidak ada mendapat reaksi buruk
0!
adalah 0,1353
e −2 2 2
b. Karena ada 2 orang berarti X = 2 sehingga p(2) = = 0,2706, jadi peluang
2!
dua orang mendapat reaksi buruk adalah 0,2706
c. Karena lebih dari 2 berarti X = 3, 4, 5, ... dan dari sifat peluang p(0) + p(1) + p(2)
+ ... = 1 sehingga
p(3) + p(4) + ... = 1 – [p(0) + p(1) + p(2)] (lanjutkan sendiri)
Jadi peluang yang mendapat reaksi buruk lebih dari 2 orang adalah ...........

2.5.4 Distribusi Normal


Variabel acak kontinue X dengan fungsi densitas pada X = x
 x −µ 
2

1 −1  
2 σ 
f(x) = e 
σ 2π
dengan :
π = nilai konstan, π = 3,1416
e = bilangan konstan, e = 2,7183
µ = parameter rata-rata
σ = parameter simpangan baku
Sifat-sifat distribusi normal :
 Grafiknya selalu ada diatas sumbu datar
 Bentuknya simetrik terhadap x = µ
 Luas daerah grafik selalu sama dengan satu unit persegi
Untuk menentukan peluang harga X antara a dan b yakni P(a<X<b) adalah
 x −µ 
2
b =1 
1 2  σ 
P(a<X<b) = ∫σ
a 2π
e dx

Grafik kurva normal

P(A<X<B) = luas daerah yang terarsir


Transformasi untuk sebarang variabel acak normal X menjadi suatu nilai variabel
acak normal z, adalah
x −µ
z=
σ

Distribusi normal dengan rata-rata µ = 0 dan simpangan baku σ = 1 disebut distribusi


normal standart atau distribusi normal baku
Fenomena berdistribusi normal :
 Kira-kira 68,27 % dari kasus ada dalam daerah satu simpangan baku sekitar
rata-rata, yaitu antara µ - σ dan µ + σ
 Ada 95,45 dari kasus terletak dalam daerah dua simpangan baku sekitar rata-
rata, yaitu antara µ - 2σ dan µ + 2σ
 Hampir 99,73 dari kasus terletak dalam daerah tiga simpangan baku sekitar
rata-rata, yaitu antara µ - 3σ dan µ + 3σ
Contoh 2.5.8
Sebuah perusahaan alat listrik memproduksi bohlam yang umurnya menyebar normal
dengan rata-rata 800 jam dan simpangan baku 40 jam. Hitung peluang sebuah bohlam
hasil produksinya akan mencapai umur 778 dan 834 jam.
Penyelesaian :
Diketahui µ = 800 dan σ = 40 sehingga :
778 − 800 834 − 800
z1 = = -0,55, z2 = = 0,85
40 40
P(778<X<834) = P(-0,50<Z<0,85) berdasarkan tabel untuk distribusi normal maka
luas daerah yang perlu adalah 0,2008 + 0,3023 = 0,5111
Contoh 2.5.9
Rata-rata tinggi anjing pudel jenis tertentu adalah 30 cm dan simpangan bakunya 4,1
cm.
a) Berapa % banyaknya anjing pudel tersebut tingginya melebihi 35 cm ?
b) Berapa % banyak anjing pudel tersebut tingginya kurang dari 35 cm ?

Penyelesaian :
35 − 30
z= = 1,22
4,1
a. P(x > 35) = P(z > 1,22)

Dengan demikian luas daerah yang perlu adalah 0,5 – 0,3888 = 0,1112
Jadi persentase banyaknya anjing pudel yang tingginya melebihi 35 cm adalah 11,12
%.
b. P(x < 35) = P(z < 35)
(Silakan dicoba sendiri)

Hubungan antara distribusi Binomial dan Normal


Jika n jumlahnya besar dan p ataupun q tidak terlalu dekat ke nol, distribusi binomial
dapat diaproksimasi oleh suatu distribusi normal dengan transformasi
x − np
z=
npq
Penyelesaian yang perlu dilakukan adalah dengan jalan menambah atau mengurangi
dengan 0,5.
Contoh 2.5.10
Sebuah ujian terdiri atas 200 pilihan berganda, masing-masing dengan 4
kemungkinan jawaban tetapi hanya 1 yang benar, seseorang yang menjawab secara
acak 80 diantara 200 soal yang sama sekali tidak diketahuinya. Berapa peluang :
a. Mendapatkan dari 25 sampai 30 jawaban yang benar
b. Mendapatkan lebih dari 30 jawaban yang benar
c. Mendapatkan kurang dari 18 jawaban yang benar
Penyelesaian :
a. Peluang jawab benar = p = ¼ ; q = ¾
µ = np = 80. ¼ = 20

σ= npq = 80. 1 . 3 = 3.87


4 4
luas daerah antara x1 = 25 – 0,5 = 24,5 dan x2 = 30 + 0,5 = 30,5
sehingga
24,5 − 20
z1 = = 1,16
3,87
30,5 − 20
z2 = = 2,71
3,87
Luas daerah yang perlu adalah 0,4966 – 0,3770 = 0,1196
Jadi peluang mendapatkan jawaban benar antara 25 sampai 30 adalah 0,1196
b. Silakan coba
c. Silakan coba

2.5.5 Distribusi Student


Distribusi student atau distribusi t mempunyai fungsi densitas
k
f(t) = 1 n
 t2  2
1 + 
 n −1

Dimana -~ < t < ~ dan k suatu bilangan tetap. Bila x dan s masing-masing adalah
rata-rata dan simpangan baku suatu sampel acak berukuran n yang diambil dari suatu
populasi normal dengan µ dan σ, maka :

x− µ
t=
s
n
Merupakan sebuah nilai variabel acak T yang mempunyai distribusi t dengan derajat
kebebasan, ν = dk = n – 1
Harga tp yang dicari dengan p sudah diberikan.

2.5.6 Distribusi Chi Kuadrat


Fungsi densitas
F(u) = K.U1/2 v – 1 e-1/2 U
dengan : u = χ2 , u>0
ν = dk = derajat kebebasan n – 1
K = bilangan tetap
e = 2,7183
Grafik dari distribusi Chi Kuadrat adalah miring ke kanan

Beri Nilai