Modul Ajar

MODUL AJAR
PROBABILITAS DAN STATISTIK
disusun oleh :
Achmad Fanany Onnilita Gaffar
NIP. 19691023.199802.1.001
JURUSAN TEKNOLOGI INFORMASI

POLITEKNIK NEGERI SAMARINDA
TAHUN 2014
LEMBAR PENGESAHAN MODUL AJAR
Judul : Probabilitas dan Statistik

Pengesahan :
Nama : Achmad Fanany Onnilita Gaffar, ST., MT
NIP : 19691023.199802.1.001
Pangkat/Golongan : Pembina/IVa
Jabatan Fungsional : Lektor Kepala
Jurusan : Jurusan Teknologi Informasi
Penggunaan Pada Semester : Semester II (Dua)
Samarinda, Desember 2014

Mengetahui Penyusun,
Ketua Jurusan Teknologi Informasi,
M. Farman Andrijasa, S.Kom.,M.Kom Achmad Fanany Onnilita Gaffar, ST

NIP. 19760116.200112.1.003 19691023.199802.1.001
Mengetahui
Pembantu Direktur I
Politeknik Negeri Samarinda,
Bambang Santoso, ST., M.Sc

NIP. 19620826.198903.1.001
KATA PENGANTAR
Atas berkat rahmat dan pertolongan Allah jua sehingga Modul Ajar ini
pada akhirnya dapat diselesaikan. Modul Ajar Probabilitas dan Statistik adalah
merupakan buku pegangan bagi mahasiswa Politeknik Negeri Samarinda Jurusan
Teknologi Informasi khususnya untuk Semester II, baik untuk Program Studi
Teknik Informatika maupun Program Studi Teknik Komputer. Modul Ajar ini
sampai dengan tanggal diterbitkannya, adalah merupakan revisi yang ke 3.
Tujuan umum dari pembelajaran mata kuliah ini adalah untuk memberikan
gambaran tentang data statistik dan analisis data, serta mengenalkan konsep-
konsep probabilitas di dalam proses statistik. Mata Kuliah lanjut yang
memerlukan penguasaan mata kuliah Probabilitas dan Statistik adalah :
1. Pemodelan dan Simulasi.
2. Artificial Intelligent (Kecerdasan Buatan).
3. Intelligent System (Sistem Cerdas).
4. Image Processing (Pengolahan Citra).
5. Machine Learning (Pembelajaran Mesin).
6. Data Mining (Penggalian Data).
7. Computer Vision.
8. Intelligent Networking
Semoga buku ini dapat memberikan manfaat yang sebesar-besarnya bagi
siapapun yang terkait, terutama bagi mahasiswa Jurusan Teknologi Informasi
Politeknik Negeri Samarinda.
Samarinda, Oktober 2014
Penyusun.
iii
DAFTAR ISI
LEMBAR PENGESAHAN MODUL AJAR.......................................................ii

KATA PENGANTAR.............................................................................................iii
DAFTAR ISI...........................................................................................................iv
RUANG LINGKUP MATA KULIAH PROBABILITAS & STATISTIK...............1
1. Tujuan Umum Pembelajaran.....................................................................1
2. Probabilitas dan Statistik dalam Jejaring Kurikulum................................1
3. Materi Pembelajaran.................................................................................2
4. Referensi Modul Ajar................................................................................2
5. Sistem Penilaian........................................................................................3
BAB 1 PENGANTAR TEORI HIMPUNAN.........................................................4
1.1. Dasar Teori................................................................................................4
1.2. Operasi Himpunan....................................................................................5
1.3. Properti Himpunan dan Hukum De Morgan.............................................6
1.4. Latihan Soal..............................................................................................7
BAB 2 PENGANTAR PROBABILITAS...............................................................8
2.1 Dasar Probabilitas.....................................................................................8
2.2. Probabilitas Bersyarat (Kondisional)......................................................13
2.3. Latihan....................................................................................................22
BAB 3 METODE HITUNG.................................................................................25
3.1. Prinsip Metode Hitung............................................................................25
3.2. Permutasi.................................................................................................25
3.3. Kombinasi...............................................................................................26
3.4. Kejadian Khusus.....................................................................................27
3.5. Percobaan Bebas (Independent Trial).....................................................28
3.6. Latihan....................................................................................................29
BAB 4 DISTRIBUSI PROBABILITAS...............................................................32
4.1. Permasalahan Distribusi Data dalam Statistik........................................32
iv
4.2. Variabel Random.....................................................................................33
4.3. Distribusi Probabilitas.............................................................................37
4.4. Latihan....................................................................................................45
BAB 5 VARIABEL RANDOM DISKRIT & KONTINYU.................................46
5.1. Variabel Random Diskrit Uniform..........................................................46
5.2. Variabel Random Diskrit Bernoulli........................................................47
5.3. Variabel Random Diskrit Geometrik......................................................48
5.4. Variabel Random Diskrit Binomial.........................................................49
5.5. Variabel Random Diskrit Pascal.............................................................52
5.6. Variabel Random Diskrit Poisson...........................................................53
5.7. Variabel Random Binomial Variabel Random Poisson......................54
5.8. Variabel Random Kontinyu Uniform......................................................55
5.9. Variabel Random Kontinyu Eksponensial..............................................56
5.10. Variabel Random Kontinyu Gaussian.....................................................56
5.11. Variabel Random Kontinyu Normal Baku..............................................57
5.12. Latihan....................................................................................................58
BAB 6 PENGANTAR STATISTIK.....................................................................60
6.1. Definisi....................................................................................................60
6.2. Expected Value (Nilai Harapan) Mean..............................................62
6.3 Variabel Random Turunan (Derived Random Variable).........................65
6.3. Variance dan Deviasi Standar.................................................................67
6.4. Latihan....................................................................................................69
BAB 7 VARIABEL RANDOM JAMAK.............................................................71
7.1 Pengertian...............................................................................................71
7.2 Variabel Random Turunan dari 2 Variabel Random...............................75
7.3 Covariance dari X dan Y..........................................................................77
7.4 Latihan....................................................................................................81
v
RUANG LINGKUP MATA KULIAH PROBABILITAS & STATISTIK
1. Tujuan Umum Pembelajaran

Mata Kuliah Probabilitas dan Statistik di lingkungan Program Studi
Teknik Informatika dan Teknik Komputer diberikan dengan tujuan untuk :
1. Memberikan pengetahuan tentang data statistik dan analisis data dalam
proses statistik.
2. Mengenalkan konsep-konsep probabilitas dalam proses statistik.
3. Mengenalkan konsep-konsep probabilitas dalam proses pengambilan
keputusan.
2. Probabilitas dan Statistik dalam Jejaring Kurikulum

Mata Kuliah Probabilitas dan Statistik adalah kelanjutan dari beberapa
mata kuliah dalam ranah dasar matematika, yaitu :
1. Matematika Kalkulus dan Aljabar Linear
2. Matematika Komputasi
3. Matematika Diskrit
Probabilitas dan Statistik sendiri adalah salah satu prasyarat bagi beberapa mata
kuliah lanjut, baik di Program Studi Teknik Informatika maupun Teknik
Komputer. Gambar 1 menunjukkan kedudukan Mata Kuliah Probabilitas dan
Statistik dalam Peta Jejaring Kurikulum di Jurusan Teknologi Informasi Polnes.
3. Materi Pembelajaran
Materi pembelajaran mata kuliah Probabilitas dan Statistik adalah sebagai
berikut :
BAB 1 : TEORI HIMPUNAN Minggu ke 1
BAB 2 : PENGANTAR PROBABILITAS
2.1 Dasar Probabilitas Minggu ke 2
2.2 Probabilitas Bersyarat Minggu ke 3
2.3 Teorema Bayes & Probabilitas Kejadian Bebas Minggu ke 4
BAB 3 : METODE HITUNG Minggu ke 5
BAB 4 : FUNGSI PROBABILITAS
4.1 PMF (Probability Mass Function) Minggu ke 6
4.2 CDF (Cummulative Density Function) Minggu ke 7
UJIAN TENGAH SEMESTER Minggu ke 8
BAB 5 : VARIABEL RANDOM DISKRIT
5.1 Variabel Random Uniform & Bernoulli Minggu ke 9
5.2 Variabel Random Geometrik dan Binomial Minggu ke 10
5.3 Variabel Random Pascal dan Poisson Minggu ke 11
BAB 6 : PENGANTAR STATISTIK
Pengantar Statistik (Mean, Mode, Median, Expected
6.1 Minggu ke 12
Value)
Pengantar Statistik (Variance, Co-Variance, Deviasi
6.2 Minggu ke 13
Standar)
BAB 7 : VARIABEL RANDOM JAMAK
7.1 Variabel Random Turunan dari 2 Variabel Random Minggu ke 14
7.2 Co-Variance Minggu ke 15
UJIAN AKHIR SEMESTER Minggu ke 16
4. Referensi Modul Ajar

Dalam pembuatan Modul Ajar ini selain dari komprehensi yang ada juga
mengacu pada beberapa referensi literatur sebagai berikut :
1. Alberto Leon-Garcia, Probability and Random Process for Electrical
Engineering,, 2nd Edition, Addison Wesley.
2. Anan Phonpoem, Prof.,Ph.D., Probability and Random Processes,
Department of Computer Engineering, Faculty of Engineering, Kasetsart
University, Thailand.
3. Athanasios Papoulis, Probability, Random Variables, and Stochastic
Processes,, 3rd Edition, MgGraw-Hill.
2
4. Roy D. Yates and David J. Goodman, Probability and Stochastic
Processes: A Friendly Introduction for Electrical and Computer
Engineers, John Wiley & Sons, Inc., Second Edition, 2005, ISBN 0-471-
45259-9.
5. Sistem Penilaian
Sistem Penilaian yang digunakan adalah alokasi bobot persentase kriteria
penilaian yang dinyatakan sebagai berikut :
1. Kehadiran 5%
2. Tugas dan Quiz 25%
3. Ujian Tengah Semester 30%
4. Ujian Akhir Semester 40%
Mahasiswa yang memperoleh nilai di bawah 70 untuk semua kriteria (kecuali
kehadiran) diberi kesempatan mengulang hingga memperoleh nilai yang
diharapkan.
SSSS
Mata Kuliah Probabilitas dan Statistik adalah kelanjutan dari
3
BAB 1
PENGANTAR TEORI HIMPUNAN
1.1. Dasar Teori

Himpunan adalah dasar matematis untuk probabilitas.
Himpunan : kumpulan dari elemen-elemen tertentu.
Elemen : anggota himpunan.
Contoh 1 :
Himpunan A didefinisikan sebagai :
A keyboard , monitor , mouse
nama anggota himpunan

himpunan
Jika a = mouse maka a A (a elemen/anggota dari himpunan A)
Jika b = disket maka b A (b bukan elemen/anggota dari himpunan A)
Subset (himpunan bagian)

Jika diketahui :
R 2 x 1| x 1, 2,3,... 3,5,7,...
I bilangan integer 1, 2,3, 4,...
Maka : R I (Himpunan R adalah subset dari himpunan I)
Set Equality (Kesamaan Himpunan)

A B jika dan hanya jika A B dan B A
Universal Set (Himpunan Semesta) S

Didefinisikan sebagai himpunan dari semua elemen yang mungkin. Setiap
himpunan adalah subset dari himpunan S.
4
Null Set " "
Didefinisikan sebagai himpunan kosong (empty set), dan dinyatakan dengan
A.
Diagram Venn
Digunakan untuk menyatakan relasi himpunan.
Relasi A S dinyatakan dengan Diagram Venn sebagai berikut :
1.2. Operasi Himpunan

Jika diketahui suatu himpunan :
S 1, 2,3, 4,5, 6, 7,8,9,10
A bilangan ganjil 1,3,5, 7,9
B kelipatan 3 3, 6,9
Maka :
5
1.3. Properti Himpunan dan Hukum De Morgan
Jika diketahui :
S 1, 2,3, 4,5, 6, 7,8,9,10
A1 bilangan ganjil 1,3,5, 7,9
A2 bilangan genap 2, 4, 6,8,10
A3 kelipatan 3 3, 6,9
Maka :
Mutually Exclusive (disjoint) Collectively Exhaustive
Jika diketahui :
A1 bilangan ganjil 1,3,5
A2 kelipatan 3 3, 6
A3 bilangan genap 2, 4, 6
Maka :
A1 A2 1,3,5, 6
A1 A2 3
A1 2, 4, 6
A2 1, 2, 4,5
A1 A2 2, 4 A1 A2
De Morgan
A1 A2 1, 2, 4,5, 6 A1 A2
6
1.4. Latihan Soal
1. Jika diketahui :
S 0,1, 2,...20 , A kelipatan 2 , B 2 x 1| x 0, 2, 4, 6 ,
C bilangan prima , carilah :
a). A, B , C
b). D A B C
c). E A B C
d). F D E D E
2. Jika diketahui :
S semua mahasiswa Jurusan Teknologi Informasi ,
A mahasiswa Teknik Komputer , B mahasiswa Teknik Informatika ,
carilah :
a). A, B
b). D A B
c). E A B
d). F D E D E
7
BAB 2
PENGANTAR PROBABILITAS
2.1 Dasar Probabilitas

Probabilitas adalah situasi atau kejadian yang tidak dapat berulang secara tepat.
Contoh 2 :
Dua produk chip memory yang diproduksi bersama tetap akan memiliki
perbedaan.
Kejadian probabilitas tidak chaotic (kacau).
Contoh 3 :
Percobaan apapun yang dilakukan berkali-kali akan menghasilkan pola
tertentu.
Probabilitas juga menyatakan suatu ukuran tentang kemungkinan kejadian (event)
akan terjadi di masa mendatang yang dinyatakan dalam interval [0..1] atau
persentase.
2.1.1. Definisi-definisi dalam Probabilitas

a). Percobaan (Experiment) adalah metode untuk menemukan berbagai
fakta/kesimpulan. Alasan dilakukannya percobaan : segala kejadian mengandung
ketidak-tentuan. Komposisi suatu percobaan :
Prosedur, terkait dengan penentuan sumber data, pengumpulan data
observasi, dan analisis data.
Observasi (pengamatan) : pengamatan terhadap individu, kejadian, dll.
Contoh 4 :
Suatu percobaan dilakukan untuk mengetahui seberapa besar kecenderungan
orang terhadap Jurusan Teknologi Informasi.
Prosedur :
1. Penentuan sumber data
2. Pengumpulan data hasil observasi
8
3. Analisis data
Observasi :
1. Terhadap calon mahasiswa JTI (sumber data)
2. Terhadap industri/pengguna lulusan JTI (sumber data)
Dengan observasi yang berbeda akan diperoleh hasil yang berbeda, sehingga :
Prosedur sama, observasi berbeda Percobaan berbeda
b). Outcome : setiap hasil observasi yang mungkin.

Contoh 5 :
Pelemparan dadu
outcome
Pelemparan Uang Logam
outcome
c). Ruang Sampel (Sample Space / S)

Kumpulan dari semua outcome yang mungkin, dari setiap percobaan
1. Finest-grain. Tiap outcome adalah berbeda
Contoh 6 :
52 kartu dibagi rata pada 4 orang pemain. Tiap pemain akan mendapatkan
kartu yang berbeda
2. Mutually exclusive (disjoint). Jika suatu outcome terjadi, maka outcome
yang lain tidak terjadi (pada waktu yang sama).
Contoh 7 :
Pada pelemparan sebuah dadu, tidak mungkin angka 1 dan 6 muncul pada
waktu yang sama.
3. Mutually non-exclusive (joint). Outcome dapat terjadi bersamaan.
9
Contoh 8 :
Pada pelemparan sebuah dadu, event kelipatan 3 dan kelipatan 2 terjadi
bila muncul angka 6.
4. Collectively Exhaustive. Setiap outcome harus di dalam ruang sampel.
d). Kejadian (event,E) : Himpunan outcome, dimana E S

Contoh 9 :
S 1, 2,3, 4,5, 6 kumpulan dari semua outcome dari pelemparan
sebuah dadu
E1 S angka 3 1, 2
E2 S angka ganjil 1,3,5
Contoh 10 :
Dari percobaan transmisi data 3 bit diperoleh hasil yang mungkin adalah :
S 000, 001, 010, 011,101,110,111
Jika event didefinisikan sebagai :

Ei outcome dengan zero sebanyak i untuk i 0,1, 2,3
tentukan outcome untuk tiap event.

Jawab :
E0 111
E1 011,101,110
E2 001, 010
E3 000
e). Himpunan .vs. Probabilitas

Aljabar Himpunan Probabilitas
Himpunan (Set) Kejadian (Event)
Himpunan Semesta (S) Ruang Sampel (S)
Anggota/elemen himpunan Outcome
2.1.2. Probabilitas Suatu Kejadian
Probabilitas Kejadian adalah fungsi yang memetakan kejadian dalam ruang
sampel ke bilangan nyata (real)
10
Contoh 11 :
Pelemparan sebuah dadu
Outcome angka = 1, 2, 3, 4, 5, 6
Ruang sampel S 1, 2,3, 4,5, 6 jumlah outcome, n = 6
Contoh kejadian :
E1 S angka 3 1, 2 n1 2 P E1 n1 / n 2 / 6 1/ 3
E2 S angka ganjil 1,3,5 n2 3 P E2 n2 / n 3 / 6 1/ 2
2.1.3. Aksioma dan Teorema Probabilitas

Aksioma 1
Untuk setiap kejadian A maka P A 0
Aksioma 2
Probabilitas ruang sampel dinyatakan dengan P S 1
Aksioma 3
Jika A1 , A2 ,..., An adalah mutually exclusive (disjoint), maka
P A1 A2 ... An P A1 P A2 ... P An
Contoh 12 :
S 1, 2,3, 4,5, 6
A 3, 6 P A 2 / 6
B 2, 4,5 P B 3 / 6
C A B 2,3, 4,5, 6 P C 5 / 6
P A B P A P B 2 / 6 3 / 6 5 / 6
P C P A B terbukti..........!!!
Teorema 1
Jika A dan B disjoint maka : P A B P A P B
Teorema 2
11
Jika B B1 B2 ...Bn dan Bi B j untuk i j maka :
n
P B P Bi
i 1
Teorema 3
Untuk setiap percobaan dengan ruang sampel : S s1 , s2 ,..., sn , jika
setiap outcome memiliki kemungkinan yang sama (equally likely) maka :
P ( si ) 1/ n 1 i n
Contoh 13 :
Pada pelemparan sebuah dadu, setiap angka yang muncul akan memiliki
probabilitas yang sama yaitu : P ( s) 1/ 6
Teorema 4 : P 0
Teorema 5 : P A 1 P A
Contoh 14 :
S 1, 2,3, 4,5, 6
A 3, 6 P A 2 / 6
A 1, 2, 4,5 P A 4 / 6 1 P A
Teorema 6
Jika A dan B adalah mutually non-exclusive (joint) maka :
P A B P A P B P A B
Contoh 15 :
S 1, 2,3, 4,5, 6
A 3, 6 P A 2 / 6
B 2, 4, 6 P B 3 / 6
A B 6 P A B 1/ 6
A B 2,3, 4, 6 P A B 4 / 6
P A B P A P B P A B 2 / 6 3 / 6 1/ 6 4 / 6
Teorema 7 Jika A B maka P A P B
12
2.2. Probabilitas Bersyarat (Kondisional)
Jika diketahui P[A] sebelum percobaan :
P A 1 hampir dipastikan terjadi
P A 0 hampir dipastikan tidak terjadi
P A 1/ 2 mungkin terjadi
Maka dikatakan P[A] adalah probabilitas apriori dari A

Di dalam prakteknya, sangat tidak mungkin untuk memperoleh outcome
yang tepat dari suatu percobaan.
Jika diketahui kejadian B telah terjadi, maka :
Probabilitas dari kejadian A pada saat kejadian B terjadi, dapat
dideskripsikan (outcome dari kejadian A ada di dalam himpunan B).
P[A] tetap tidak dapat diketahui
Probabilitas event A pada saat event B terjadi, dinyatakan dengan :
P AB
P A | B , untuk P B 0
P B
Contoh 16 :
Sebuah kotak berisi 6 bola hitam (A) dan 4 bola putih (B). Bila diambil 2 bola
secara acak, berapa kemungkinan terambil bola pertama hitam dan kedua putih.
A1 = bola pertama terambil, hitam

B2 = bola kedua terambil, putih
P A1 B2 P
A1 B2 .....?
nA1 6 6
P A1
nA1 nB1 4 6 10
13
nB2 4 4
P B2 | A1
nA1 nB2 45 9
4 6 4
P A1 B2 P B2 | A1 * P A1 *
9 10 15
Contoh 17 :
Dari gambar di atas, diketahui P warna nyala L2 = warna nyala L1 0.8

Diasumsikan warna nyala L1 adalah equally likely (hijau atau merah memiliki
kemungkinan yang sama). P nyala L2 hijau .......?

Jawab :
P nyala L2 hijau P H 2 P H 2 H1 P H 2 M 1
Perlu dicari : P H 2 H1 dan P H 2 M 1
Nyala L1 adalah equally likely, sehingga diperoleh : P H1 P M 1 0.5
P warna nyala L2 = warna nyala L1 0.8 , menyatakan :
P H 2 | H1 P M 2 | M 1 0.8
sehingga diperoleh :
14
Dari gambar di atas diperoleh :
P H 2 | H1 P M 2 | H1 1 P M 2 | H1 0.2
P H 2 | M 1 P M 2 | M 1 1 P H 2 | M 1 0.2
P H 2 H1 P H 2 | H1 * P H1 (0.8)*(0.5) 0.4
P H 2 M 1 P H 2 | M 1 * P M 1 (0.2)*(0.5) 0.1
Sehingga diperoleh :
P nyala L2 hijau P H 2 P H 2 H1 P H 2 M 1 0.4 0.1 0.5
2.2.1. Teorema Probabilitas Kondisional (bersyarat)

1. Jika B A maka A B AB B , sehingga :
P AB P B
P A | B 1 pasti terjadi
P B P B
Artinya, jika B A maka terjadinya event B juga menyatakan terjadinya

event A.
Contoh 18 :
Pada pelemparan sebuah dadu, jika diketahui A genap , B 2 maka
B A dan P A | B 1
2. Jika A B maka A B AB A , sehingga :
P AB P A
P A | B P A aneh....!!!
P B P B
Contoh 19 :
Pada pelemparan sebuah dadu, jika diketahui A genap , B 2 maka
B A dan P A | B P A / P B 3 / 6 / 1/ 6 3 ........????
3. Hukum Probabilitas Total
Jika diketahui :
S 1, 2,3, 4,5, 6, 7,8,9,10
B 2, 4,8,10
A1 1, 2,3 , A2 4,5, 6 , A3 7,8,9,10
15
maka :
A1 A2 A3 1, 2,3, 4,5, 6, 7,8,9,10 S
Karena B S B S BS B , maka :
B BS B A1 A2 A3 BA1 BA2 BA3
P B P BA1 P BA2 P BA3 P BA1 P BA2 P BA3
Karena :
P BA
P B | A P BA P B | A * P A
P A
Sehingga :
P B P B | A1 * P A1 P B | A2 * P A2 P B | A3 * P A3
3
P B P B | Ai * P Ai
i 1
Teorema :
Jika : A1 A2 ... An S dan B S
n
Maka : P B P B | A1 * P A1
i 1
Contoh 20 :
Dari gambar di atas dapat diperoleh : P B 4 /10

Dengan menggunakan teorema probabilitas total diperoleh :
P A1 P A2 3 /10 P A3 4 /10
P B | A1 P B | A2 1/ 3 P B | A3 2 / 4
P B P B | A1 * P A1 P B | A2 * P A2 P B | A3 * P A3
1/ 3 * 3 /10 1/ 3 * 3 /10 2 / 4 * 4 /10
4 /10
16
Contoh 21 :
Dari 100 mahasiswa JTI yang disurvey, 50 orang menyatakan menyukai
hardware dan software, 20 menyatakan menyukai hardware dan 25 orang
menyatakan menyukasi software. Sedangkan 5 orang tidak menyukai
keduanya. Tabel distribusi hasil survey ditunjukkan seperti berikut :
Hardware
Software
Ya Tidak
Ya 50 25
Tidak 20 5
Jika A menyatakan menyukai hardware, dan B menyatakan menyukai

software maka table distribusi dapat dinyatakan seperti berikut :
Hardware
Software
Suka Tidak P(B)
Suka 50 25 75/100
Tidak 20 5 25/100
P(A) 70/100 30/100 1
A = {Suka, Tidak} P(A) = {0.7 0.3}

B = {Suka, Tidak} P(B) = {0.75 0.25}
P(A) dan P(B) disebut sebagai Probabilitas Marginal.
P(AB) disebut sebagai probabilitas bersama A dan B. Ruang sampel untuk
kejadian bersama A dan B adalah :
S AB Suka, Suka , Suka, Tidak , Tidak , Suka , Tidak , Tidak
dimana :
P A Suka, B Suka 50 /100 0.5
P A Suka, B Tidak 20 /100 0.2
P A Tidak , B Suka 25 /100 0.25
P A Tidak , B Tidak 5 /100 0.05
Probabilitas seorang mahasiswa menyukai hardware bila diketahui dia

menyukai software :
P ( A Suka, B Suka ) 0.5
P A Suka B Suka 0.67
P ( B Suka ) 0.75
17
Probabilitas seorang mahasiswa tidak menyukai hardware bila diketahui
dia menyukai software :
P ( A Tidak , B Suka ) 0.25
P A Tidak B Suka 0.33
P ( B Suka ) 0.75
Contoh 22 :
Kotak B1 berisi 100 dan B2 berisi 200 lampu pijar. Terdapat 15 lampu pijar
rusak pada B1 dan 5 pada B2. Jika satu lampu pijar diambil secara acak dari
kedua kotak tersebut, berapakah probabilitas terambilnya lampu yang
rusak.
Diketahui :
B1 100 , B2 200
R1 lampu rusak pada B1 15
R2 lampu rusak pada B2 5
D lampu rusak terambil dari B1 atau B2 P D .......?
Jawab :
P D | B1 15 /100 3 / 20
P D | B2 5 / 200 1/ 40
Kotak B1 dan B2 memiliki kemungkinan terpilih yang sama, sehingga :

P B1 P B2 1/ 2
Maka diperoleh :
P D P D | B1 * P B1 P D | B2 * P B2
3 / 20 * 1/ 2 1/ 40 * 1/ 2
7 / 80 0.0875 9%
2.2.2. Teorema Bayes

P BA
Diketahui : P B | A
P A
P AB
P A | B
P B
18
Karena : P BA P AB maka :
P BA P AB P A | B * P B
P B | A
P A P A P A
Contoh 23 :
Kotak B1 berisi 100 dan B2 berisi 200 lampu pijar. Terdapat 15 lampu pijar rusak
pada B1 dan 5 pada B2. Jika satu lampu pijar diambil secara acak dari kedua kotak
tersebut, berapa probabilitas terambilnya lampu yang rusak berasal dari kotak B1.
Jawab :
Dari contoh sebelumnya diketahui :
P D | B1 15 /100 3 / 20
P D | B2 5 / 200 1/ 40
P B1 P B2 1/ 2
P D 7 / 80
P D | B1 * P B1 3 / 20 * 1/ 2
P B1 | D 0.8571 86%
P D 7 / 80
2.2.3. Probabilitas Kejadian Bebas (Event Independent)

a). Antara Dua Kejadian
Kejadian A dan kejadian B adalah bebas (independent) jika dan hanya jika :
P AB P A * P B
Bukti :
P AB P A * P B
P A | B P A
P B P B
Dari uraian di atas terbukti bahwa terjadi atau tidaknya kejadian B tidak
berpengaruh pada kejadian A.
19
Contoh 24 :
Pelemparan uang logam 1 kali
S A, G P A P G 1/ 2
Pelemparan uang logam 2 kali
S AA, AG, GG, GA P GA 1/ 4
Diperoleh :
P GA P G * P A 1/ 2 * 1/ 2 1/ 4
Contoh 25 :
Dari gambar dua lampu lalu lintas di atas (L1 dan L2) diketahui :
M1 = nyala L1 merah H1 = nyala L1 hijau
M2 = nyala L2 merah H2 = nyala L2 hijau
Ujilah apakah M1 dan M2 independen.
Jawab :
Kemungkinan nyala L1 dan L2 ditunjukkan dalam gambar berikut.
Dari gambar di atas diperoleh :

P H1 H 2 P H1M 2 P M 1 H 2 P M 1M 2 0.25
Pada L1 diperoleh : P H1 P M 1 1 P H1 P M 1 0.5
20
Jika nyala L2 dianggap tergantung pada nyala L1 maka :
P M 2 H1 P M 2 | H1 * P H1 0.5 * 0.5 0.25
P M 2 M 1 P M 2 | M 1 * P M 1 0.5 * 0.5 0.25
P M 2 P M 2 H1 P M 2 M 1 0.25 0.25 0.5
Uji independensi :
P M 1M 2 P M 1 * P M 2 0.5 * 0.5 0.25
Karena :
P M 2 M1 P M 2 | M1 * P M1 P M 2 * P M1
P M 2 | M1 P M 2
0.25
yang membuktikan bahwa terjadi atau tidaknya kejadian M1 tidak berpengaruh
pada kejadian M2. Terbukti bahwa M1 dan M2 adalah independen.
b). Independent .vs. Disjoint
Dari tabel gambar di atas terlihat bahwa :Independent = disjoint jika :

P A 0 atau P B 0
21
c). Antara Tiga Kejadian
Kejadian A , B, dan C adalah saling bebas (independent) jika dan hanya jika :
P AB P A * P B
P AC P A * P C
P BC P B * P C
P ABC P A * P B * P C
2.3. Latihan
1. Dalam 52 kartu terbagi ke dalam kelompok Leaf, Tree, Heart, Diamond.
Tiap kelompok terdiri dari : 2, 3, 4, 5, 6, 7, 8, 9, 10, Jack, Queen, King, As.
Carilah:
a). P Leaf , P Tree , P Heart , P Diamond
b). P Jack , P Queen , P King , P As
c). P angka ganjil , P angka genap
d). P kelipatan tiga , P angka prima

2. Jika kartu seperti pada no. 1). Dibagi sampai habis kepada 4 pemain,
carilah :
a). Probabilitas tiap pemain memperoleh kartu angka.
b). Probabilitas tiap pemain memperoleh kartu bukan angka.
c). Probabilitas tiap pemain memperoleh kartu Leaf.
d). Probabilitas tiap pemain memegang kartu Leaf, Tree, Heart, dan
Diamond.
3. Di dalam sebuah kotak besar terdapat bola pingpong berwarna Kuning,
Putih, dan Hijau. Sebanyak 5 dari 15 bola Kuning ternyata cacat. Dari 25 bola
Putih terdapat 7 bola yang cacat. Sebanyak 3 dari 20 bola Hijau ternyata juga
cacat. Jika Fikar mengambil bola pingpong dari kotak besar dimaksud,
carilah :
a). Probabilitas terambilnya bola Hijau di pengambilan pertama.
b). Probabilitas terambilnya bola Kuning di pengambilan kedua.
22
c). Probabilitas terambilnya bola Putih di pengambilan ketiga.
d). Probabilitas terambilnya bola pingpong yang cacat setelah semua
bola yang terambil sebelumnya dikembalikan semua.
4. Survey dilakukan untuk mengetahui hubungan antara kebiasaan bermain
game dengan potensi penderita tekanan darah rendah. Dari 50 orang yang
disurvey diperoleh hasil sebagai berikut :
Darah Gamer
Rendah Ya Tidak
Ya 20 15
Tidak 10 5
Carilah :
a). Probabilitas seseorang menderita tekanan darah rendah jika diketahui
memiliki kebiasaan bermain game.
b). Probabilitas seseorang memiliki kebiasaan bermain game jika
diketahui menderita tekanan darah rendah.
5. Survey dilakukan terhadap hasil evaluasi belajar 75 mahasiswa untuk
mengetahui hubungan antara Nilai UTS dan UAS terhadap Nilai Akhir tanpa
melihat nilai tugas dan quiz. Baik nilai UTS, UAS maupun Nilai Akhir
kelompokkan ke dalam dua outcome yaitu tinggi dan rendah. Hasil survey
seperti berikut :
Nilai Akhir
UTS UAS Jumlah
Tinggi Rendah
Tinggi Tinggi 15 10 25
Tinggi Rendah 10 5 15
Rendah Tinggi 10 10 20
Rendah Rendah 5 10 15
Jumlah 40 35 75
Carilah :
a). Probabilitas mahasiswa yang memiliki Nilai Akhir tinggi jika diketahui
memiliki nilai UTS rendah dan UAS tinggi.
b). Probabilitas mahasiswa yang memiliki Nilai Akhir rendah jika
diketahui memiliki nilai UTS tinggi dan UAS rendah.
6. Proses pengiriman paket data ditunjukkan di bawah ini.
23
Pengiriman ke 1 : 0010
Pengiriman ke 2 : 0100 0010
Pengiriman ke 3 : 0101 0100 0010
Carilah :
a). Probabilitas terkirimnya data bit 0 di pengiriman ke 1 dan
probabilitas terkirimnya data bit 1 di pengiriman ke 1.
b). Probabilitas terkirimnya data bit 0 di pengiriman ke 2 dan
c). Probabilitas terkirimnya data bit 0 di pengiriman ke 3 dan
d). Kemungkinan jumlah data bit 0 yang terkirim di pengiriman ke
4.
7. Koordinasi 2 lampu lalu lintas ditunjukkan dalam gambar berikut.
Dari gambar di atas, diketahui P warna nyala L2 = warna nyala L1 0.7 .

Diasumsikan warna nyala L1 adalah equally likely (merah, hijau atau kuning
memiliki kemungkinan yang sama). Carilah probabilitas nyala L2 = kuning.
24
BAB 3
METODE HITUNG
3.1. Prinsip Metode Hitung

Tiga kartu diambil satu persatu dari setumpuk kartu (52). Berapa total outcome
(kemungkinan hasil) ?
Pengambilan ke-1 : 1 keluar dari 52 kartu 52 outcome
Total outcome = (52)*(51)*(50)
Prinsip :
Jika percobaan A memiliki n kemungkinan outcome dan percobaan B memiliki k
kemungkinan outcome maka akan terdapat n*k kemungkinan outcome pada saat
kedua percobaan dimaksud dilakukan.
3.2. Permutasi
Sebanyak n obyek yang berbeda dapat disusun dalam urutan yang berbeda. Setiap
susunan yang sudah diurut disebut dengan permutasi. Banyaknya k-permutasi dari
sejumlah n obyek dinyatakan dengan :
n!
n
Pk n k
nk!
dimana k menyatakan jumlah obyek dalam tiap susunan.
Contoh 26 :
Tiga huruf A, B, C dapat disusun menurut urutan :
3!
ABC, ACB, CAB, CBA, BCA, BAC P3 6
3
0 !
25
3!
AB, AC, BC, BA, CA, CB P2 6
3
1 !
Contoh 27 :
Terdapat 4 sahabat, Andri, Anton, Agus, dan Arofiq. Mereka bersepakat untuk
mengundi oleh karena hanya tersisa 3 karcis bioskop dengan posisi duduk : depan,
tengah dan belakang. Berapa banyak kemungkinan hasil undian dari ke-empat
sahabat tersebut untuk memperoleh karcis bioskop di posisi depan, tengah, dan
belakang.
Jawab :
4!
4
P3 24
1 !
3.3. Kombinasi
Sebanyak n obyek yang berbeda dapat disusun dalam kelompok yang berbeda
tanpa memandang urutannya. Setiap kelompok susunan disebut dengan
kombinasi. Banyaknya k-kombinasi dari sejumlah n obyek dinyatakan dengan :
n n k n!
n
Ck
k k ! n k !* k !
dimana k menyatakan jumlah obyek dalam tiap susunan.
Contoh 28 :
Tiga huruf A, B, C dapat disusun dalam kelompok :
3!
ABC C3 1
3
0 !3!
3!
AB, AC, BC C2 3
3
1 !2!
Contoh 29 :
Terdapat 3 kartu : 2, 4, 7 yang ditumpuk dan diposisikan tertutup di atas meja.
Setiap pemain hanya diperbolehkan mengambil satu per satu sebanyak 2 kartu.
Pemain yang dinyatakan pemenang adalah dengan susunan kartu yang terurut
26
(ascending/menaik). Berapa probabilitas setiap pemain untuk memperoleh
kemenangan ?
Jawab :
Jumlah kemungkinan susunan 2 kartu terambil = 2-permutasi dari 3 kartu,
3!
outcome1 3 P2 6
1 !
Jumlah kemungkinan susunan 2 kartu terambil adalah tersusun secara ascending
= 2-kombinasi dari 3 kartu, sehingga :
3!
outcome2 3C2 3
1 !2!
outcome2 1
P outcome2
outcome1 2
Bukti :
2, 4 , 2, 7 , 4, 7 , 4, 2 , 7, 2 , 7, 4 outcome1 6
2, 4 , 2, 7 , 4, 7 outcome2 3
P outcome2 3 / 6 1/ 2
3.4. Kejadian Khusus

Sejumlah n obyek yang disusun ke dalam k-kombinasi, kemudian tiap kombinasi
disusun ke dalam k-permutasi, akan menghasilkan sejumlah n k kemungkinan

outcome.
Bukti :
n n k n!
n
Ck
k k ! n k !* k !
k!
k
Pk k k k!
k k!
n! n!
n
Ck * k Pk
.k ! n k
n k !* k ! n k !
27
3.5. Percobaan Bebas (Independent Trial)
Pada suatu percobaan yang dilakukan berulang kali, akan berlaku :
p = probabilitas suatu percobaan yang sukses
1 p = probabilitas suatu percobaan yang gagal
Tiap percobaan adalah independen
Ek ,n
= event yang sukses sebanyak k dalam n percobaan
Probabilitas event yang sukses sebanyak k dalam n percobaan, dinyatakan dengan
n
P Ek ,n * p k * 1 p
n k
Distribusi Probabilitas Binomial
k
Contoh 30 :
Sebuah dadu dilemparkan ke atas sebanyak 5 kali. Hitung probabilitas munculnya
angka 6 sebanyak 3 kali.
Jawab :
P 6 p 1/ 6
n = 5, k = 3,
5
P 63,5 * 1/ 6 * 1 1/ 6
3 5 3
3
3 2
5! 1 5
* *
5 3 !*3! 6 6
10 * 0.005 * 0.694
0.035
Contoh 31 :
Di dalam suatu lomba menembak, setiap penembak diharuskan menembak botol
hingga pecah. Si Fikar memiliki akurasi 80% untuk mengenai sasaran.
a). Berapa probabilitas si Fikar mampu memecahkan 3 botol dalam 5 kali
kesempatan menembak.
b). Berapa probabilitas si Fikar mampu memecahkan 4 botol dalam 5 kali
kesempatan menembak.
Jawab :
n = 5, p = 0.8
28
a). k= 3
5
P Fikar3,5 * 0.8 * 1 0.8
3 5 3
3
5!
* 0.8 * 0.2 10 * 0.512 * 0.04 0.205
3 2

5 3 !*3!
b). k= 4
5
P Fikar4,5 * 0.8 * 1 0.8
4 5 4
4
5!
* 0.8 * 0.2 5 * 0.41 * 0.2 0.41
4 1

5 4 !* 4!
3.6. Latihan
1. Terdapat 10 kesebelasan yang ikut dalam lomba sepak bola. Jika
dikelompokkan menjadi 4 group, carilah :
a). Jumlah kesebelasan yang paling mungkin di tiap group
b). Maksimum jumlah pertandingan yang harus dilakukan oleh tiap
kesebelasan di tiap group.
c). Jumlah group yang memperoleh kemenangan by
d). Peluang setiap kesebelasan untuk memperoleh kemenangan by
2. Persisam berada di group yang sama dengan Persija, Persema, dan
Persebaya. Peluang kemenangan Persisam di setiap pertandingan adalah 50%,
seri 30%, dan kalah 20%. Jika ditetapkan setiap kesebelasan harus bertemu
dengan kesebelasan lain di tiap group adalah dua kali, carilah :
a). Probabilitas Persisam memperoleh kemenangan 4 kali
b). Probabilitas Persisam memperoleh hasil seri 4 kali
c). Probabilitas Persisam memperoleh kekalahan 4 kali
d). Probabilitas Persisam menjadi Juara Group
3. Tim Belanda berada dalam satu group bersama dengan Rusia dan Jepang.
Dalam setiap group diberlakukan sistem satu kali bertemu dengan setiap
lawan. Tim Belanda memiliki peluang menang 60% dan seri 30% di awal
pertemuan dengan lawannya. Tim Belanda memiliki peluang kemenangan
29
80% dan seri 10% jika di pertandingan sebelumnya menang. Jika pada
pertandingan sebelumnya Tim Belanda memperoleh hasil seri, maka di
pertandingan berikutnya memiliki peluang seri 40% dan kalah 10%. Tim
Belanda memiliki peluang kalah 50% dan seri 30% jika di pertandingan
sebelumnya mengalami kekalahan.
a). Gambarkan peluang semua hasil pertandingan Tim Belanda dalam
groupnya dengan menggunakan Diagram Pohon.
b). Hitung probabilitas Tim Belanda memperoleh kemenangan di semua
pertandingan dalam group.
c). Hitung probabilitas Tim Belanda mengalami kekalahan di semua
d). Hitung probabilitas Tim Belanda memperoleh hasil seri di semua
4. Setalah melalui uji coba sebanyak 100 kali, sebuah robot cerdas telah
dinyatakan 95% berfungsi dengan baik. Carilah :
a). Banyaknya hasil uji coba yang sukses.
b). Probabilitas robot berfungsi dengan baik sebanyak 100 kali.
c). Probabilitas robot mengalami kegagalan fungsi sebanyak 3 kali.
d). Probabilitas robot berfungsi dengan baik sebanyak 100 kali jika
dioperasikan sebanyak 200 kali.
5. Terdapat 6 mobil yang akan masuk ke dalam parkir sebuah mall : avanza,
mazda, xenia, ertiga, inova, dan mercedes. Ruang parkir hanya tersisa untuk 3
mobil saja.
a). Berapa banyak kemungkinan susunan mobil yang mengisi sisa ruang
parkir.
b). Jika semua pemilik mobil di atas bersepakat untuk tidak saling
mendahului, berapa banyak kemungkinan susunan mobil yang mengisi
sisa ruang parkir.
6. Empat tumpukan kartu terdiri dari kartu 7, 4, 6, dan 8. Jika diambil 3
kartu, berapa banyak kemungkinan pasangan kartu yang ada ?
30
7. Yasid, Bambang, Muis, Erlin, dan Alwatan bersama-sama berangkat ke
Singapore. Oleh karena tersisa hanya 3 tiket pesawat maka mereka mengundi
siapa yang berhak berangkat. Berapa banyak kemungkinan hasil undian ?
8. Terdapat 4 kartu As yang ditumpuk dan diposisikan tertutup di atas meja.
Setiap pemain hanya diperbolehkan mengambil satu per satu sebanyak 2
kartu. Pemain yang dinyatakan pemenang adalah yang memperoleh 2 kartu As
merah. Berapa probabilitas setiap pemain untuk memperoleh kemenangan ?
9. Terdapat 4 tumpukan kartu terdiri dari kartu 7,4, 6, dan 8. Jika 3 kartu
diambil kemudian disusun secara ascending (menaik), berapa kemungkinan
susunan yang dapat diperoleh ?
10. Sebuah mata uang logam dilempar sebanyak 5 kali. Hitung probabilitas
munculnya Gambar (G) sebanyak 3 kali.
31
BAB 4
DISTRIBUSI PROBABILITAS
4.1. Permasalahan Distribusi Data dalam Statistik

Diketahui hasil UAS mata kuliah Probabilitas dan Statistik dari 10 mahasiswa
adalah sebagai berikut :
No. Mhs 1 2 3 4 5 6 7 8 9 10 Rata2
Nilai 90 80 100 20 80 20 100 20 90 80 68
Dari nilai rata-rata 68 dapat disimpulkan bahwa penguasaan mahasiswa terhadap

mata kuliah Probabilitas dan Statistik masih lemah karena masih di bawah nilai
standar minimal yaitu 75. Pada kenyataannya, hanya 3 dari 10 mahasiswa yang
lemah. Jika dinyatakan dalam histogram tabel distribusi adalah seperti berikut :
Nilai 10 20 30 40 50 60 70 80 90 100
Jumlah Mhs 0 3 0 0 0 0 0 3 2 2
Grafik histogram distribusi data nilai adalah sebagai berikut :
Dengan distribusi data seperti dalam grafik histogram di atas tampak bawah rata-
rata nilai tidak dapat menunjukkan keadaan yang sebenarnya.
Untuk dapat menunjukkan keadaan yang sesungguhnya maka digunakan Fungsi
Distribusi Probabilitas yang dinyatakan dengan Variabel Random.
32
4.2. Variabel Random
Variabel random adalah suatu fungsi yang memetakan tiap outcome s pada ruang
sampel S ke dalam bilangan nyata yang dinyatakan dengan :
X :sS x
Sebagai contoh pada pelemparan uang logam setimbang sebanyak tiga kali. Ruang
sampel berupa S = {GGG, GGA, GAG, AGG, GAA, AGA, AAG, AAA}. Dari
percobaan ini dapat didefinisikan beberapa variabel random yang mampu
memetakan ruang sampelnya ke dalam bilangan real. Salah satu variabel random
yang dapat dibuat adalah X = banyaknya sisi gambar yang muncul. Nilai numerik
0, 1, 2, atau 3 dapat diberikan pada setiap titik sampel.
4.2.1. Percobaan (model fisik)

Model fisik yang diperoleh dari suatu percobaan akan melalui prosedur tertentu
dengan aktivitas yang berupa observasi. Dari setiap observasi akan diperoleh
outcome. Semua outcome yang diperoleh akan berupa Ruang Sampel (S).
Kemudian dengan menerapkan prinsip-prinsip matematika pada suatu kejadian
(misal : event A) yang ditentukan maka akan diperoleh Model Probabilitas. Dari
model probabilitas akan diperoleh probabilitas kejadian A dimana P ( A), A S .
Hal ini ditunjukkan dalam gambar berikut :
33
Contoh 32 :
Hasil observasi terhadap 10 mahasiswa untuk mengetahui kecenderungan
mahasiswa dalam menggunakan angkutan menuju kampus adalah sebagai berikut
No. Nama Angkutan
1 Antonio Mobil
2 Ganzales Mobil
3 Fabio Motor
4 Martini Motor
5 Julia Mobil
6 Jessica Motor
7 Sahir Sing Angkot
8 Gagan Malik Angkot
9 Sri Devi Mobil
10 Kartamin Mobil
Outcome hasil observasi adalah : S s1 , s2 , s3 Mobil, Motor, Angkot
Jika didefinisikan : X ( s) banyaknya pengguna angkutan, maka tabel di atas

dapat diubah ke dalam bentuk tabel distribusi seperti berikut :
Angkutan Jumlah
Mobil 5
Motor 3
Angkot 2
sehingga :
X s1 X Mobil 5
X s2 X Motor 3
X s3 X Angkot 2
Diperoleh variabel random : X S x x1 , x2 , x3 2,3,5

Contoh 33 :
Observasi yang dilakukan pada urutan nyala lampu dari 2 lampu lalu lintas di atas
akan diperoleh :
34
S s1 , s2 , s3 , s4 H1H 2 , H1M 2 , M 1 H 2 , M 1M 2
s s1 , s2 , s3 , s4 outcome dari hasil observasi
Terdapat beberapa event yang dapat dibangun dari ruang sampel di atas, yaitu :
Banyaknya lampu merah yang menyala
Banyaknya lampu hijau yang menyala
Jika didefinisikan : X ( s) banyaknya lampu merah yang menyala, maka :
X s1 X H1 H 2 0
X s2 X H 1 M 2 1
X s3 X M 1H 2 1
X s4 X M 1 M 2 2
Diperoleh variabel random :

X S x x1 , x2 , x3 0,1, 2
dimana :
X = nama variabel random
S x = range dari X
x x1 , x2 , x3 = tiap nilai dari X
4.2.2. Mengapa perlu Variabel Random ......?

Dalam sebuah percobaan probabilitas kelas, observasi dilakukan pada nilai tiap
mahasiswa seperti berikut :
No. Nilai
1 65
2 80
3 75
4 55
5 70
Rata2 69
35
Hasil observasi diperoleh seperti berikut :
Range NH Jml.
0 49 E 0
50 59 D 1
60 69 C 1
70 79 B 2
80 -100 A 1
Maka diperoleh : S E , D, C , B, A
Didefinisikan N adalah variabel random berhingga yang memetakan nilai huruf ke
nilai angka. Jika ditetapkan :
N ( E ) 0.0 N ( D) 1.0 N (C ) 2.0 N ( B) 3.0 N ( A) 4.0
maka diperoleh : S N 0.0,1.0, 2.0,3.0, 4.0
Tujuan pemetaan nilai huruf ke nilai angka IP (Indeks Prestasi)

Secara umum dapat dinyatakan :
Pada model probabilitas (percobaan), outcome pada ruang sampel S dapat
berupa apapun.
Dengan menerapkan variabel random akan dapat dihitung rata-rata
kecenderungan pola randomnya.
Dalam probabilitas, rata-rata disebut sebagai Expected Value (nilai
harapan) dari variabel random.
4.2.3. Jenis-jenis variabel random

1. X dikatakan variabel random diskrit jika memiliki nilai berhingga
(diskrit) untuk setiap x.
36
2. X dikatakan variabel random kontinyu jika memiliki nilai real
(kontinyu) untuk setiap x.
4.3. Distribusi Probabilitas

Peluang terjadinya nilai variabel random X yang meliputi semua nilai
ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X
adalah himpunan nilai peluang dari variabel random X yang ditampilkan dalam
bentuk tabel dan atau gambar. Ketika nilai probabilitas diberikan kepada semua
nilai numeris yang mungkin dari sebuah variabel random X, baik dengan sebuah
daftar atau sebuah fungsi matematis, hasilnya adalah distribusi probabilitas/
peluang. Jumlah probabilitas dari semua nilai numeris yang mungkin terjadi
HARUS BERNILAI 1.
4.3.1 PMF (Probability Mass Function)

PMF adalah model probabilitas, fungsi probabilitas atau distribusi probabilitas
untuk variabel random diskrit, dan dinyatakan dengan :
37
Contoh 34 :
Pada percobaan pelemparan mata uang logam 3 kali, diperoleh hasil observasi
munculnya Angka (A) dan Gambar (G) sebagai berikut :
S AAA, AAG , AGA, GAA, AGG , GGA, GAG , GGG
Jika didefinisikan : X ( s) banyaknya angka yang muncul, maka :
X s1 X AAA 3 X s5 X AGG 1
X s2 X AAG 2 X s6 X GGA 1
X s3 X AGA 2 X s7 X GAG 1
X s4 X GAA 2 X s8 X GGG 0
Diperoleh variabel random :

X S x x1 , x2 , x3 , x4 0,1, 2,3
Sehingga :
SX 0 1 2 3 Total (n)
Frekuensi, f x 1 3 3 1 8
P x 1/8 3/8 3/8 1/8
Maka PMF dapat didefinisikan sebagai :

x
PMF f x P X x
n
dimana :
x adalah banyaknya angka yang muncul
n adalah banyaknya kemungkinan yang terjadi
Grafik Histogram PMF dari contoh di atas adalah sebagai berikut :
38
Teorema PMF
Untuk variabel random diskrit X dengan PMF PX x dan range S X , maka :
1. Untuk setiap x, maka : PX x 0
2.
xS X
PX x 1
3. Untuk event : B S X , probabilitas X berada di dalam himpunan B

adalah:
P B xB PX x
4.3.2. CDF (Cummulative Distribution Function)

CDF berisi informasi lengkap tentang model probabilitas dari suatu variabel
random, dimana PMF CDF dan FX x P X x .

Probabilitas suatu variabel random X lebih kecil atau sama dengan x, didefinisikan
dengan :
j j
F x j f xi P X xi x j , xi x j
i 0 i0
a). Teorema CDF

Untuk variabel random diskrit X dengan S X x1 , x2 ,... dan x1 x2 ... maka
akan berlaku :
1. Fx 0 dan Fx 1 dari 0 hingga 1
2. Jika x1 x2 maka FX x1 FX x2 FX x bertambah secara monoton
3. Untuk xi S X dan = +small number , maka FX x i FX x i PX x i
diskontinuitas = PX x
4. FX x FX x i , xi x xi 1 garis horison
Contoh 35 :
39
Pada percobaan pelemparan mata uang logam 3 kali seperti pada contoh
sebelumnya, jika didefinisikan variabel random X adalah banyaknya angka (A)
yang muncul maka : X S x x1 , x2 , x3 , x4 0,1, 2,3

Sehingga :
SX 0 1 2 3 Total (n)
Frekuensi, f x 1 3 3 1 8
P x 1/8 3/8 3/8 1/8
Diperoleh :
x0 0 (tidak ada angka yang muncul)
0 0
F ( x0 ) f ( x ) P( X 0) 1/ 8
i 0
i
i 0
x1 1 (muncul Angka 1 kali)

1 1
F ( x1 )
i 0
f ( xi ) P( X 0) P( X 1) 1/ 8 3 / 8 4 / 8
i 0

2 2
F ( x2 ) i 0
f ( xi ) P( X 0) P( X 1) P( X 2)
i 0
1/ 8 3 / 8 3 / 8 7 / 8

3
F ( x3 ) P ( X 0) P ( X 1) P ( X 2) P ( X 2) 1/ 8 3 / 8 3 / 8 1/ 8 1
i 0
PMF CDF
SX x 0 1 2 3 Total (n)
f x 1 3 3 1 8
P X x 1/8 3/8 3/8 1/8
F x 1/8 4/8 7/8 1
Grafik Histogram PMF CDF dari contoh di atas adalah seperti berikut :
40
b). Beda CDF
Beda CDF adalah probabilitas random variabel yang berada di antara dua nilai,
dan dinyatakan dengan :
ba
FX b FX a P a X b
Contoh 36 :
Dari contoh sebelumnya diperoleh :
FX x2 FX x1 7 / 8 4 / 8 3 / 8
f x2 3
P x1 X x2
f x 8
4.3.3. PDF (Probability Density Function)

Grafik CDF dari contoh sebelumnya dapat digambarkan seperti berikut :
41
Jika semua puncak dihubungkan maka akan tampak sebagai berikut :
Probabilitas dari nilai variabel random x1 adalah :

p1 P x1 X x1
FX x1 FX x1
FX x1 FX x1
.

dFX x1
Untuk 0 maka : slope pada x1.
dx
Slope (kemiringan) dari CDF pada daerah di sekitar x disebut sebagai :
Probabilitas dari variabel random X di sekitar x.
Probabilitas pada region kecil () = slope*
Slope dari CDF disebut sebagai PDF yang dinyatakan dengan :
dFX x
fX x
dx
Teorema PDF
1. f X x 0 untuk semua x.
x
2. FX x f X u .du

3. f X x .dx 1

42
Hubungan antara PDF dan CDF ditunjukkan dalam gambar berikut :
Untuk dx 0 maka dapat ditunjukkan dalam gambar berikut :
Contoh 37 :
Diketahui suatu variabel random X memiliki CDF seperti berikut :
0 x0

FX x x 0 x 1
1 x 1

Carilah PDF f X x dan P 1/ 4 X 3 / 4

Jawab :
CDF di atas dapat digambarkan seperti berikut :
43
Karena :
dFX x
fX x
dx
Maka untuk FX x x pada 0 x 1 diperoleh :
dFX x d
fX x x 1
dx dx
Sehingga :
1 0 x 1
fX x
0 x 1
PDF yang diperoleh dapat digambarkan seperti berikut :
Probabilitas variabel random X untuk 1/ 4 X 3 / 4 adalah :

P 1/ 4 X 3 / 4 FX 3 / 4 FX 1/ 4 3 / 4 1/ 4 1/ 2
Atau dengan cara seperti berikut :

3/4 3/4
P 1/ 4 X 3 / 4 f X x .dx dx x
3/4
1/4
1/ 2
1/4 1/4
44
4.4. Latihan
1. Hasil observasi terhadap mahasiswa JTI untuk evaluasi mata kuliah
Pemrograman adalah seperti berikut :
Nyatakan dalam histogram tabel distribusi, PMF, dan CDF.

2. Lakukan observasi sederhana terhadap minimal 20 mahasiswa untuk
memperoleh informasi kecenderungan penggunaan sosial media seperti
berikut :
a). Facebook c). BalckBerry Messenger
b). Twitter d). WhatApps
Nyatakan hasil observasi dalam histogram tabel distribusi, PMF, dan CDF.
3. Lakukan percobaan pelemparan dua mata uang logam sebanyak 10 kali.
Setiap pelemparan dua mata uang logam akan memiliki kemungkinan
outcome seperti berikut : AA, AG, GG . Dalam hal ini, AG GA untuk setiap
pelemparan. Catat hasilnya dan nyatakan hasil observasi dalam histogram
tabel distribusi, PMF, dan CDF.
4. Diketahui suatu variabel random X memiliki CDF seperti berikut :
0 x0

FX x 1 e 0.75 x 0 x4
1 x4

Carilah PDF f X x dan P 1/ 4 X 3 / 4

5. Diketahui suatu variabel random X memiliki PDF seperti berikut :

x 5 2
6
fX x e
0 x 10 Carilah CDF nya.
0 x 0, x 10

45
BAB 5
VARIABEL RANDOM DISKRIT & KONTINYU
5.1. Variabel Random Diskrit Uniform

X adalah variabel random diskrit Uniform jika PMF dari X PX x dinyatakan
dengan :
1/
j k 1 x k , k 1, k 2,..., j
PX x
0 selain nilai x di atas
dimana : j dan k integer, k < j
Contoh 38 :
Dalam percobaan pelemparan sebuah dadu dapat diketahui ruang sampel (S)
adalah :
Jika variabel random N didefinisikan sebagai jumlah titik tiap sisi dadu, maka
diperoleh :
S N n1 , n2 , n3 , n4 , n5 , n6 1, 2,3, 4,5, 6
P n1 P n2 P n3 P n4 P n5 P n6 1/ 6
sehingga PMF dari N adalah :

1/ 6 n 1, 2,3, 4,5, 6
PN n
0 selain nilai n di atas
46
Grafik Histogram PMF diperoleh seperti berikut :
5.2. Variabel Random Diskrit Bernoulli

X adalah variabel random diskrit Bernoulli jika PMF dari X PX x dinyatakan
dengan :
1 p x 0

PX x p x =1

dimana : p = [0,1]
Contoh 39 :
Dalam sebuah pengujian program, probabilitas kegagalan program adalah 0.2.
Jika variabel random X didefinisikan sebagai jumlah kegagalan program dalam
sebuah pengujian, maka diperoleh :
S X x1 , x2 0,1 program berhasil (0) dan program gagal (1)
Jika p didefinisikan sebagai probabilitas kegagalam program, maka :

X x1 0 1 p X x2 1 p
0.8 x 0

PX x 0.2 x = 1

47
Grafik histogram PMF diperoleh seperti berikut :
5.3. Variabel Random Diskrit Geometrik

X adalah variabel random diskrit Geometrik jika PMF dari X PX x dinyatakan
dengan :
p 1 p
x 1
x 1, 2,3,...
PX x
dimana : p = [0,1]
Contoh 40 :
Jika variabel random X didefinisikan sebagai jumlah pengujian hingga
ditemukannya kegagalan program, maka diperoleh :
dimana : P = Pass, F = Fail

Dari diagram pohon di atas diperoleh :
48
P X 1 p
P X 2 p 1 p
P X 3 p 1 p
2
.......
yang secara umum dapat dinyatakan :
p 1 p
x 1
x 1, 2,3,...
PX x
0.2 0.8
x 1
x 1, 2,3,...
PX x
Grafik Histogram PMF adalah sebagai berikut :
5.4. Variabel Random Diskrit Binomial

X adalah variabel random diskrit Binomial jika PMF dari X PX x dinyatakan
dengan :
n
p 1 p
n x
x
x 1, 2,3,..., n
PX x x

dimana : p = [0,1] dan n adalah integer dengan n 1.
49
Contoh 41 :
Jika variabel random X didefinisikan sebagai jumlah kegagalan program dalam 3
kali pengujian, maka diperoleh :
S X x1 , x2 , x3 0,1, 2,3
Sehingga :
PMFX PX x P X 0 , P X 1 , P X 2 , P X 3
Kemungkinan kegagalan program dalam 3 kali pengujian dapat digambarkan

dalam diagram pohon seperti berikut :
Dari diagram pohon di atas diperoleh :

Jumlah kegagalan 0 = 1
50
3!
P X 0 1 . 1 p . 1 p . 1 p
3

. p 0
. 1 p
3 0 !0!
3!
P X 1 3 . p. 1 p . 1 p . p1. 1 p
2

3 1 !1!
3!
P X 2 3 . 1 p . p. p . p2. 1 p
1

3 2 !2!
3!
P X 3 1 . p. p. p
0
. p 3
. 1 p
3 3 !3!
Dengan n = 3 maka dengan menggunakan rumus langsung, diperoleh :
3 3!
P X 0 . 0.2 . 0.8 . 0.2 . 0.8 0.512
0 3 0 0 3 0

0 3 0 !0!
3 3!
P X 1 . 0.2 . 0.8
1 31 1 2

. 0.2 . 0.8 0.384
1 3 1 !1!
3 3!
P X 2 . 0.2 . 0.8 . 0.2 . 0.8 0.096
2 3 2 2 3 2

2 3 2 !2!
3 3!
P X 3 . 0.2 . 0.8 . 0.2 . 0.8 0.008
3 3 3 3 0

3 3 3 !3!
Grafik Histogram PMF :
Jika dilakukan dalam 6 kali pengujian maka diperoleh grafik histogram PMF :
51
5.5. Variabel Random Diskrit Pascal
X adalah variabel random diskrit Pascal jika PMF dari X PX x dinyatakan
dengan :
x 1
pk 1 p
xk
x k , k 1,...
PX x k 1

dimana : p = (0,1) dan k adalah integer dengan k 1.
Contoh 42 :
ditemukannya k kegagalan program, maka dapat dinyatakan :
A pengujian terakhir ( x) saat ditemukannya kegagalan
B semua pengujian sebelum akhir, terdapat k -1 kegagalan dalam x -1 pengujian
Karena A dan B adalah independen, maka diperoleh :

P A p
x 1
p 1 p
x 1 k 1
P B k 1
k 1
x 1
P AB P X x p 1 p
k xk
k 1
Misalnya untuk k = 4 diperoleh :
52
x 1
PX x . 0.2 . 0.8
4 j 4
x 4,5,....
3
3
P X 4 . 0.2 . 0.8 0.002
4 0
3
4
P X 5 . 0.2 . 0.8 0.005
4 1
3
................
5.6. Variabel Random Diskrit Poisson

X adalah variabel random diskrit Poisson jika PMF dari X PX x dinyatakan
dengan :
.T x .e .T
x 0,1, 2,...
PX x x!

dimana : = rata-rata laju kejadian x dalam interval waktu T.
Contoh 43 :
Jumlah mahasiswa yang alpa di Jurusan Teknologi Informasi adalah sebagai
berikut :
Rata-
Jan Feb Mar Apr Mei Juni Juli Agt Sept Okt Nop Des
rata
10 15 5 7 13 4 4 12 6 4 3 4 7.25
53
Jika dalam satu minggu terdapat 5 hari efektif maka rata-rata mahasiswa yang
alpa = 0.36 orang/hari. Pada minggu pertama di tahun berikutnya dapat diketahui :
.T 0.36 . 5 1.81
1.81 .e 1.81
0
P X 0 0.164
0!
1.81 .e 1.81
1
P X 1 0.296
1!
1.81 .e 1.81
2
P X 2 0.268
2!
.........
5.7. Variabel Random Binomial Variabel Random Poisson

Untuk variabel random Binomial :
n
p 1 p
n x
x
x 1, 2,3,..., n
PX x x

jika diketahui : p .T / n , maka :
54
x n x
n .T .T
PX x 1
x n n
nx
n! .T
x
.T

1
n x ! x ! n n
n ! .T
x n x
.T
x 1
n x !n x! n
Jika n maka :
.T
n
1
n! n .T
x

lim PX x lim lim

n n x !n x .T x !
x
n

n

1
n
.T e .T .T
x x
1 e .T
Poisson
x! x!
Jadi, untuk variabel random Binomial dengan n akan mendekati variabel
random Poisson.
5.8. Variabel Random Kontinyu Uniform

X adalah variabel random kontinyu Uniform jika PDF dari X f X x dinyatakan
dengan :
1
ba a xb
fX x

dimana : b > a.
CDF dari f X x FX x dinyatakan dengan :
0 xa

FX x x a b a a xb
1 xb

55
5.9. Variabel Random Kontinyu Eksponensial
X adalah variabel random kontinyu Eksponensial jika PDF dari X f X x
dinyatakan dengan :
a.e a. x x0
fX x
dimana : a > 0
CDF dari f X x FX x dinyatakan dengan :
1 e a. x x0
FX x
5.10. Variabel Random Kontinyu Gaussian

X adalah variabel random kontinyu Gaussian jika PDF dari X f X x
dinyatakan dengan :
x 2
1
fX x .e 2 2
2 2
dimana : = mean, 2 =varians.
5.11. Variabel Random Kontinyu Normal Baku

X adalah variabel random kontinyu Normal Baku jika pada VR Kontinyu
Gaussian memiliki = 0 dan = 1, sehingga :
56
PDF CDF
x 2 z u 2
1 1
fX x .e 2 z e 2
.du
2 2
dimana : = mean, 2 =varians.

Grafik PDF dari VR Normal Baku ditunjukkan seperti berikut :
Contoh grafik CDF dari VR Normal Baku ditunjukkan seperti berikut :
57
RINGKASAN PMF VARIABEL RANDOM DISKRIT
Uniform
Outcome dengan 1/
j k 1 x k , k 1, k 2,..., j
PX x
probabilitas yang 0 selain nilai x di atas
sama
Bernoulli 1 p x 0

Berhasil/gagal PX x p x =1

Geometrik
p 1 p x 1 x 1, 2,3,...
Uji ke x hingga PX x
ditemukan gagal
Binomial n
p 1 p
n x
x
x 1, 2,3,..., n
Jumlah kegagalan PX x x
0 selain nilai x
dlm n pengujian
Pascal
x 1
pk 1 p
xk
Jumlah pengujian x k , k 1,...
PX x k 1
hingga ditemukan 0
selain nilai x
k gagal
Poisson
.T x .e .T
x 0,1, 2,...
Kejadian pada PX x x!
periode tertentu 0 selain nilai x di atas

5.12. Latihan
1. Hasil observasi terhadap mahasiswa JTI Semester 2 menunjukkan bahwa
20% dari jumlah yang ada memiliki IPK di bawah 2.5. Berapa peluang dari 20
mahasiswa yang dipilih secara acak terdapat :
a). Dua mahasiswa dengan IPK di bawah 2.5
b). Tidak ada mahasiswa dengan IPK di bawah 2.5
c). Kurang dari 4 mahasiswa dengan IPK di bawah 2.5
2. Hasil observasi terhadap mahasiswa JTI Semester 4 menunjukkan bahwa
hanya 10% dari jumlah mahasiswa yang ada tidak menguasai bahasa
58
pemrograman. Tentukan peluang terpilihnya tepat 2 mahasiswa yang tidak
menguasai pemrograman dari 20 sampel secara acak, dengan menggunakan :
a). Distribusi Binomial
b). Aproksimasi Poisson dari Distribusi Binomial.
3. Seleksi mahasiswa dilakukan untuk dipilih sebagai anggota Tim Robot
JTI. Dari 10 calon terdapat 3 mahasiswa yang memiliki keahlian di atas rata-
rata. Para calon diinterview secara intensif dan diseleksi secara random.
a). Berapa persentase calon yang diterima dari jumlah calon yang ada.
b). Berapa probabilitas seorang calon diterima setelah mengalami 5 kali
interview.
4. Seorang mahasiswa melakukan observasi dan menemukan fakta bahwa
perkuliahan yang tidak terlaksana per minggu sebesar 5%.
a). Berapa probabilitas 1 kali perkuliahan tidak terlaksana dalam sebulan.
b). Berapa probabilitas perkuliahan terlaksana penuh dalam sebulan.
c). Berapa probabilitas perkuliahan tidak terlaksana maksimum 2 kali dalam
sebulan.
5. Rata-rata mahasiswa JTI yang berhasil mencapai IP di atas 2.5 tiap
semester adalah 20 orang. Berapa probabilitas 30 mahasiswa berhasil
mencapai IP di atas 2.5 pada semester tertentu.
59
BAB 6
PENGANTAR STATISTIK
6.1. Definisi
Statistik adalah penyajian informasi tentang sesuatu dari hal-hal yang menjadi
obyek observasi yang dinyatakan dalam angka.
Untuk menyatakan rata-rata (average) suatu data observasi dapat menggunakan :
mean, mode, median.
Jika x1 , x2 ,..., xn menyatakan data hasil observasi maka :

mean = rata-rata data, dimana :
n
x i
x1 x2 ... xn
xmean i 1

n n
geomean = rata-rata geometris data, dimana :
n
xgeomean n
x
i 1
i n
x1 . x2 .... xn
mode = frekuensi terbesar dari kemunculan data, dimana :

PX xmod PX x
median = titik tengah data, dimana :

P X xmed P X xmed
60
Contoh 44 :
Data observasi tinggi badan tiap tim seperti berikut :
Diperoleh :
Tim I :
72 73 76 76 78
mean = xmean 75
5
geomean = xgeomean 5
72 . 73 . 76 . 76 . 78 74.97
mode = 76 (frekuensi kemunculan = 2 kali)

median = 72 73 76 76 78 = 76
Tim II :
62 72 76 76 84
mean = xmean 74
5
geomean = xgeomean 5
62 . 72 . 76 . 76 . 84 73.62
mode = 76 (frekuensi kemunculan = 2 kali)

median = 62 72 76 76 84 = 76
Beberapa ukuran harapan secara statistik dari hasil observasi data adalah :
1. Expected Value Mean
2. Variance
3. Co-variance
4. Deviasi Standar
5. Korelasi
6. Koefisien Korelasi
61
6.2. Expected Value (Nilai Harapan) Mean
Didefinisikan sebagai : E X X x
S
x.PX x
X
Contoh 45 :
Pada percobaan pelemparan mata uang logam 3 kali seperti pada contoh
sebelumnya, jika didefinisikan variabel random X adalah banyaknya angka (A)
yang muncul maka :
P x0 0 1/ 8 P x1 1 3 / 8 P x2 2 3 / 8 P x3 3 1/ 8
Sehingga :
E X x0 .P x0 x1.P x1 x2 .P x2 x3 .P x3
0 . 1/ 8 1 . 3 / 8 2 . 3 / 8 3 . 1/ 8
12 / 8 1.5
Expected Value di atas menyatakan bahwa dalam 3 kali pelemparan mata uang
logam 3 kali, paling tidak 1 kali akan muncul angka (A).
Expected Value VR Bernoulli

1 p x 0

PMF PX x p x =1

E X x.P x X
xS X
0 . 1 p 1 . p p
Contoh 46 :
Jika variabel random X didefinisikan sebagai jumlah kegagalan program dalam
sebuah pengujian, maka diperoleh :
S X x1 , x2 0,1 program berhasil (0) dan program gagal (1)
Jika p didefinisikan sebagai probabilitas kegagalam program, maka :

X x1 0 1 p X x2 1 p
62
0.8 x 0

PX x 0.2 x = 1

E X x.P x X
xS X
0 . 0.8 1 . 0.2 0.2
Expected Value VR Geometrik
p 1 p
x 1
x 1, 2,3,...
PMF PX x
E X x.P x X
xS X

x. p. 1 p x. p.q x 1
x 1
x 1 x 1

p. x.q x 1 Deret Geometri
x 1

Gn x.q x 1
x 1
Gn 1 2q 3q 2 4q 3 ... n.q n 1
q.Gn q 20q 2 30q 3 ... n 1 q n1 n.q n
1 q .Gn 1 q q2 q3 ... q n 1 n.q n
q. 1 q .Gn
n 1
q q2 q3 ... q n n.q
1 q .Gn 1 n 1 .q n n.q n 1
2
Gn
1

n 1 .q n n.q n1
1 q 1 q 1 q
2 2 2
1
Gn
p2
Sehingga :
63

1 1
E X p. x.q x 1 p. 2

x 1 p p
Contoh 47 :
1
ditemukannya kegagalan, maka : E X 5.
0.2
Artinya, diperkirakan kegagalan program ditemukan setelah 5 kali pengujian.
Expected Value VR Poisson

.T x .e .T
x 0,1, 2,...
PMF PX x x!

.T .e .T
x

E X x.PX x x.
x 0 x0 x!
.T .e .T .T
x 1 k

E X .T . .T . .e .T
x 1 x 1 ! k 0 k!
e T
.T .e .T .e .T
.T
RINGKASAN EXPECTED VALUE VARIABEL RANDOM DISKRIT

Uniform
Outcome dengan 1/
j k 1 x k , k 1, k 2,..., j jk
PX x E X
probabilitas yang 0 selain nilai x di atas 2
sama
1 p x 0
Bernoulli
PX x p x =1 E X p
Berhasil/gagal 0
selain nilai x di atas
Geometrik p 1 p
x 1
x 1, 2,3,... 1
Uji ke x hingga PX x E X
0 selain nilai x di atas p
ditemukan gagal
64
n
Binomial p 1 p
n x
x
x 1, 2,3,..., n
Jumlah kegagalan PX x x E X n. p
dlm n pengujian 0 selain nilai x

Pascal x 1 k
p 1 p
xk
Jumlah pengujian x k , k 1,... k
PX x k 1 E X
hingga ditemukan 0 p
k gagal selain nilai x di atas
Poisson .T .e x .T
x 0,1, 2,...
Kejadian pada PX x x! E X .T
periode tertentu 0 selain nilai x di atas

Expected Value VR Uniform Kontinyu

1
ba a xb
PMF f X x

E X b a / 2
Expected Value VR Eksponensial

a.e a. x x0
PMF f X x
E X 1/ a
6.3 Variabel Random Turunan (Derived Random Variable)

Jika variabel random Y adalah fungsi dari variabel random X maka Y disebut
sebagai variabel random turunan. PMF dari Y dinyatakan dengan :
PY y
x:g x y
PX x
Contoh 48 :
Sebuah usaha penyewaan printer berwarna telah menetapkan biaya cetak
dokumen seperti berikut :
5.000/hal, untuk pencetakan sampai dengan 2 halaman.
65
2000/hal, untuk pencetakan 3 - 4 halaman.
1000/ hal, untuk pencetakan di atas 4 halaman.
Variabel random X didefinisikan sebagai banyaknya halaman yang dicetak oleh
tiap pelanggan. Data hasil observasi aktivitas pencetakan dokumen oleh para
pelanggan per hari diperoleh sebagai berikut :
SX 1 2 3 4 5 Total (n)
f x 30 20 25 15 10 100
Frekuensi,
P x 30/100 20/100 25/100 15/100 10/100
Jika variabel random Y didefinisikan sebagai banyaknya rupiah yang diterima dari
tiap pelanggan, maka dari data observasi di atas diperoleh :
SY 5.000 2.000 1.000 Total (n)
Frekuensi, f y f x 30 20 25 15 10 100
P y 50/100 40/100 10/100
Secara matematis dapat dinyatakan :
P x1 P x2

PY y P x3 P x4
P x
5
Expected Value dari Y dinyatakan dengan :

E Y y1 P x1 P x2 y2 P x3 P x4 y3 P x5
30 20
25 15 10
5.000 2.000 1.000
100 100 100 100 100
2.500 800 100 3.400
Jadi, rata-rata rupiah yang diterima per hari : Rp. 3.400
Teorema Expected Value

1. Jika diketahui suatu PMF PX x maka akan berlaku :
E aX b a.E X b
Contoh 49 :
Jika diketahui suatu variabel random X dengan PMF seperti berikut :
66
1/ 4 x 0

PX x 3 / 4 x 2

dan diketahui suatu variabel random Y seperti berikut :
Y g X 2X 4
maka diperoleh :
E X 0 1/ 4 2 3 / 4 3 / 2
E Y E g X E 2 X 4
2.E X 4 2. 3 / 2 4 7
Dengan menerapkan rumus expected value secara langsung pada Y, diperoleh :

E Y y.PY y g X .PX x
2 x1 4 1/ 4 2 x2 4 3 / 4
2 0 4 1/ 4 2 2 4 3 / 4 7
2. Untuk suatu variabel random X, maka berlaku : E X x 0
6.3. Variance dan Deviasi Standar

Data hasil observasi diketahui sebagai berikut :
x1 x2 x3 x4 x5 x
X
50 45 50 55 60 52
E X x
2
X x -2 -7 -2 3 8
X x
2
4 49 4 9 64 26
Variance didefinisikan sebagai ukuran sebaran data terhadap mean-nya, yang
dinyatakan dengan : Var X E X x

2
Deviasi standar didefinisikan sebagai batas toleransi sebaran data dari mean-nya,
yang dinyatakan dengan : x Var X
Dari contoh data observasi di atas diperoleh : x Var X 26 5.1
67
Hasil observasi data di atas dapat dinyatakan : 52 5.1 46.9 57.1
Artinya, data di bawah 46.9 dianggap rendah, dan di atas 57.1 dianggap tinggi.
Dari definisi di atas maka dapat diperoleh :
Var X x 2 E X x
2

x PX x
2
x
xS X
x P x 2 .x.P x
xS X
2
X
xS X
x X
xS X
x
2
.PX x
E X 2 2. x x.P x P x
xS X
X x
2
xS X
X
E X 2 2. x 2 x 2
Var X E X 2 x 2
E X 2 E X
2
Teorema :
1. Jika semua x pada X memiliki nilai yang sama, maka : Var X 0
2. Jika Y X b maka : Var Y Var X
3. Jika Y aX maka : Var Y a .Var X

2
Variance dari berbagai variabel random

1. Uniform j , k Var X j k j k 2 /12
2. Bernoulli p Var X p 1 p
3. Geometrik p Var X 1 p / p
2
4. Binomial n, p Var X np 1 p
5. Pascal k , p Var X k 1 p / p
2
6. Poisson .T Var X .T
7. Uniform Kontinyu Var X b a /12

2
8. Eksponensial Var X 1/ a
2
68
6.4. Latihan
1. Diketahui data penjualan PC dalam satu minggu terakhir adalah seperti
berikut.
Berapakah perkiraan penjualan PC dalam minggu ini.

2. Diketahui jumlah angkot yang lewat di depan Polnes tiap 30 menit adalah
sebagai berikut :
Berapa perkiraan jumlah angkot yang lewat untuk 30 menit berikutnya.

3. Pada setiap kelas mahasiswa di JTI berjumlah 24 mahasiswa dengan
probabilitas adanya 2 mahasiswa wanita adalah 0.3. Dari 6 kelas yang ada,
berapa kelas yang memiliki paling sedikit 2 mahasiswa wanita.
4. Pada setiap semester, hasil evaluasi PBM (Proses Belajar Mengajar)
mahasiswa di JTI menunjukkan bahwa terdapat rata-rata 10 mahasiswa
memperoleh IP di atas 2.5 dengan probabilitas 30% untuk tiap kelasnya.
69
Berapa kelas diharapkan akan memiliki sedikitnya 15 mahasiswa yang
memperoleh IP di atas 2.5 pada semester berikutnya.
5. Peluang sebuah bangunan mengalami bencana kebakaran adalah 0.01 per
bulannya. Sebuah perusahaan asuransi menawarkan asuransi dengan nilai 50
juta. Biaya asuransi perbulan adalah 500 ribu. Berapa keuntungan yang
diharapkan oleh perusahaan dimaksud bila kontrak berakhir pada saat seorang
pelanggan mengalami bencana kebakaran yang kemudian telah diselesaikan
pembayaran asuransinya.
70
BAB 7
VARIABEL RANDOM JAMAK
7.1 Pengertian
Tiap observasi sebuah Variabel Random.
Dua observasi sebuah Variabel Random.
dua observasi Variabel Random jamak.
Pada sebuah percobaan, lakukan observasi pada sebuah obyek
Modelkan hasil observasi dengan menggunakan variabel random X
Deskripsikan model probabilitas menggunakan PMF PX x
Pada percobaan yang sama, lakukan observasi pada dua buah obyek
Modelkan hasil observasi dengan 2 variabel random X dan Y
Deskripsikan model probabilitas menggunakan PMF gabungan
PX ,Y x, y
PMF gabungan dari dua variabel random dinyatakan dengan :

PX ,Y x, y P X x, Y y
S X ,Y x, y | PX ,Y x, y 0
Contoh 50 :
Dari gambar di atas, diketahui P warna nyala L2 = warna nyala L1 0.8

Diasumsikan warna nyala L1 adalah equally likely (hijau atau merah memiliki
kemungkinan yang sama).
P nyala lampu hijau ....?
71
P nyala lampu hijau, sebelum merah menyala ....?
Jawab :
Observasi pada jumlah nyala lampu hijau variabel random X
Observasi pada jumlah nyala lampu hijau sebelum merah nyala Y
Dari gambar diperoleh :

P H1 H 2 0.5 0.8 0.4 X 2 Y 2
P H1M 2 0.5 0.2 0.1 X 1 Y 1
P M 1 H 2 0.5 0.2 0.1 X 1 Y 0
P M 1M 2 0.5 0.8 0.4 X 0 Y 0
Jika didefinisikan variabel random G adalah pasangan variabel random X dan Y

maka :
g H1 H 2 2, 2 g H1M 2 1,1
g M 1 H 2 1, 0 g H1 H 2 0, 0
Sehingga : PG g PX ,Y x, y contoh: PX ,Y 1, 0 P M 1H 2
PMF gabungan dinyatakan dengan :
0.4 x2 y2
0.1 x 1 y 1

PX ,Y x, y
0.1 x 1 y0
0.4 x0 y0
Atau :
PX ,Y x, y y =0 y =1 y =2
x =0 0.4 0 0
x =1 0.1 0.1 0
x =2 0 0 0.4
72
Teorema :
1. P x, y 1
xS X ySY
X ,Y PX ,Y x, y 0
2. Untuk setiap himpunan bagian B dari bidang (X,Y), probabilitas kejadian
X , Y B adalah : P B PX ,Y x, y
( x , y )B
Contoh 51 :
Dari contoh di atas, jika B didefinisikan sebagai kejadian dimana X sama
dengan Y maka :
P B PX ,Y 0, 0 PX ,Y 1,1 PX ,Y 2, 2
0.4 0.1 0.4 0.9
3. Untuk variabel random X dan Y dengan PMF gabungan PX ,Y x, y maka

PMF marginal diperoleh :
PX x PX ,Y x, y PY y PX ,Y x, y
y y
Contoh 52 :
Dari contoh sebelumnya diperoleh : S X 0,1, 2 SY 0,1, 2 , maka :
2 2
PX 0 PX ,Y 0, y 0.4 PX 1 PX ,Y 1, y 0.1 0.1 0.2
y 0 y 0
2
PX 2 PX ,Y 2, y 0.4 PX x 0 untuk x 0,1, 2
y 0
73
Contoh 53 :
Jumlah byte (N) dalam sebuah message adalah distribusi geometrik dengan
paramter (1-p). Maksimum ukuran paket : M bytes. Jika didefinisikan variabel
random Q adalah jumlah paket, dan R adalah jumlah byte tersisa seperti gambar
berikut ini
a). Cari PMF gabungan dari Q dan R.

b). Cari PMF marginal dari Q dan R.
Jawab :
Dari gambar diperoleh :
N Q.M R
S N 0,1, 2,... SQ 0,1, 2,... S R 0,1, 2,..., M 1
PQ , R q, r PN n P N n P N qM r
N adalah variabel random geometrik dengan parameter (1-p). Dari uraian

sebelumnya diketahui :
p 1 p
x 1
x 1, 2,3,...
PX x
yang dapat dituliskan kembali menjadi :
p ' 1 p '
y
x 0,1, 2,...
PY y
dimana : p ' 1 p
74
PQ , R q, r PN n P N n
P N qM r
p '. 1 p '
n
1 p . 1 1 p
qM r
1 p . p qM r
Jadi, diperoleh PMF gabungan : PQ , R q, r 1 p . p

qM r
PMF marginal :
M 1
PQ q 1 p . p qM r
r 0
M 1
1 p . p qM . p r
q 0
1 pM
1 p . p qM .
1 p
1 p M . pM
q
q 0,1, 2,...

PR r 1 p . p qM r
q 0

1 p . p r p qM
q 0
1
1 p . pr .
1 pM
1 p
M
. pr r 0,1, 2,..., M 1
1 p
7.2 Variabel Random Turunan dari 2 Variabel Random

Jika variabel random W adalah fungsi dari variabel random X dan Y maka W
disebut sebagai variabel random turunan dari PX ,Y x, y . PMF dari W dinyatakan

dengan :
PW w
( x , y ):g x , y w
PX ,Y x, y
75
Contoh 54 :
Pada sebuah pengiriman dokumen melalui fax diketahui untuk text memerlukan
waktu 40 sec. dan untuk gambar/grafik memerlukan waktu 60 sec. Variabel
random S didefinisikan sebagai banyaknya sheet yang terkirim dan variabel
random T didefinisikan sebagai waktu pengiriman untuk teks dan gambar. PMF
dari variabel random gabungan (S,T) diperoleh sebagai berikut :
Jika didefinisikan variabel random D adalah lama waktu pengiriman per
dokumen, maka : D g S , T S .T . Dari gambar di atas diperoleh :
ST 40, 60 S S 1, 2,3
sehingga :
S D ST .S S S .T 40, 60,80,120,180
PD d
( s ,t ): g ( s ,t ) d
PS ,T s, t
0.15 d 40
0.1 d 60

0.3 d 80
PD d
0.15 0.2 d 120
0.1 d 180

0 selain nilai d di atas
Expected value dari D :
E D d .P d
d S D
D
g S , T .P s, t
sSS tST
S ,T
40 0.15 60 0.1 80 0.3 120 0.35 180 0.1

6 6 24 42 18 96 sec
Teorema Expected Value dari 2 Variabel Random Gabungan :
76
E X Y E X EY
7.3 Covariance dari X dan Y

Jika X dan Y tidak independen (dependen) maka seberapa kuat hubungan antara X
dan Y ? Perhatikan gambar di bawah ini.
Pada uraian sebelumnya diketahui :
Var X E X X
2

maka untuk 2 variabel random gabungan diperoleh :
Var X Y E X Y
2
X Y
E X Y Y
2
X

E X Y
2
X Y
E X X 2 X X . Y Y Y Y
2 2

E X X E
Y Y 2 2 E X X . Y Y
2

Var X Y Var X Var Y 2 E X X . Y Y covariance
Jadi, covariance dari gabungan variabel random X dan Y didefinisikan dengan :

Cov X , Y E X X . Y Y
E X .Y X .Y Y . X X .Y
E XY X .E Y Y .E X X .Y
E XY X .Y Y . X X .Y
E XY X .Y
Cov X , Y E XY X .Y
77
atau : Cov X , Y x . y .P x, y
X Y X ,Y
xS X ySY
Contoh 55 :
Dari kasus pengiriman dokumen melalui fax seperti contoh sebelumnya, diketahui
Diperoleh :
S s.PS s 1 0.25 2 0.5 3 0.25 2
T t.PT t 40 0.6 60 0.4 48
Cov S , T E S .T S .T
1 40 0.15 1 60 0.1

2 40 0.3 2 60 0.2 2 48
3 40 0.15 3 60 0.1

6 6 24 24 18 18 96
0
Dengan cara lain diperoleh :
Cov S , T s . t .P s, t s 2 . t 48 .P s, t
S T S ,T S ,T
sS S tST sSS tST
1 2 40 48 0.15
1 2 60 48 0.1
2 2 40 48 0.5
2 2 60 48 0.2
3 2 40 48 0.15
3 2 60 48 0.1
0
Hasil ini menunjukkan bahwa S dan T sangat tidak berhubungan.
Contoh 56 :
78
Jumlah mahasiswa yang alpa di Jurusan Teknologi Informasi adalah sebagai
berikut :
Jan Feb Mar Apr Mei Juni Juli Agt Sept Okt Nop Des Rata-rata
10 15 5 7 13 4 4 12 6 4 3 4 7.25
Sedangkan nilai evaluasi semua mata kuliah jika dirata-rata per bulan adalah
sebagai berikut :
60 50 70 75 50 80 75 60 65 80 80 70 67.92
Jika variabel random X didefinisikan sebagai jumlah alpa mahasiswa, dan Y
adalah nilai rata-rata semua mata kuliah per bulan, maka :
X 10 15 5 7 13 4 4 12 6 4 3 4 7.25
Y 60 50 70 75 50 80 75 60 65 80 80 70 67.92
X.
600 750 350 525 650 320 300 720 390 320 240 280 453.75
Y
Cov X , Y E XY X .Y
453.75 7.25 67.92
38.65
Dapat dikatakan bahwa antara X dan Y memiliki hubungan negatif yang sangat
kuat. Dalam contoh di atas, hasil ini menyatakan bahwa jumlah mahasiswa yang
alpa sangat berpengaruh pada rata-rata semua nilai mata kuliah. Bertambahnya
jumlah alpa mahasiswa akan mengurangi rata-rata semua nilai mata kuliah per
bulan.
Contoh 57 :
Jika dari contoh 2, variabel random Z didefinisikan sebagai jumlah mahasiswa
yang hadir per bulan, maka untuk satu kelas = 24 orang akan diperoleh :
Rata-
rata
Z 14 9 19 17 11 20 20 12 18 20 21 20 16.75
Y 60 50 70 75 50 80 75 60 65 80 80 70 67.92
Z.
840 450 1330 1275 550 1600 1500 720 1170 1600 1680 1400 1176
Y
Cov X , Y E XY X .Y
1176 16.75 67.92
38.65
79
Dapat dikatakan bahwa antara Z dan Y memiliki hubungan positif yang sangat
kuat. Dalam contoh di atas, hasil ini menyatakan bahwa jumlah mahasiswa yang
hadir sangat berpengaruh pada rata-rata semua nilai mata kuliah. Bertambahnya
jumlah mahasiswa yang hadir akan memperbesar rata-rata nilai semua mata kuliah
per bulan.
Contoh 58 :
Dari sebuah observasi diperoleh 3 data image angka 5 seperti dalam gambar
berikut.
Tiap piksel akan bernilai 0 untuk warna gelap dan nilai 1 untuk warna putih. Jika
variabel random X, Y, dan Z didefinisikan sebagai rata-rata nilai piksel per kolom,
maka :
S X 0.5, 0.625, 0.625, 0.625, 0.625, 0.5, 1, 1
SY 0.375, 0.75, 0.5, 0.625, 0.625, 0.75, 1, 1
S Z 0.5, 0.75, 0.625, 0.625, 0.5, 1, 1, 1
Dari data di atas maka dapat diperoleh :
Kolom X Y Z XY XZ YZ
1 0.500 0.375 0.500 0.188 0.250 0.188
2 0.625 0.750 0.750 0.469 0.469 0.563
3 0.625 0.500 0.625 0.313 0.391 0.313
4 0.625 0.625 0.625 0.391 0.391 0.391
5 0.625 0.625 0.500 0.391 0.313 0.313
80
6 0.500 0.750 1.000 0.375 0.500 0.750
7 1.000 1.000 1.000 1.000 1.000 1.000
8 1.000 1.000 1.000 1.000 1.000 1.000
Mean 0.688 0.703 0.750 0.516 0.539 0.564
Cov. 0.032 0.023 0.037
Dari perhitungan covariance di atas diperoleh yang memiliki hubungan terkuat

adalah YZ (nilai cov. terbesar), sehingga dapat dikatakan image Y lebih mirip
dengan image Z dibanding dengan X terhadap Y atau terhadap Z.
More Definition
1. Korelasi antara X dan Y dinyatakan dengan rX ,Y sehingga :
E XY rX ,Y Cov X , Y E XY X .Y rX ,Y X .Y
2. X dan Y adalah ortogonal jika rX ,Y 0 E XY 0
3. X dan Y dikatakan tidak berkorelasi jika Cov X , Y 0

4. Koefisien korelasi antara X dan Y dinyatakan dengan :
Cov X , Y Cov X , Y
X ,Y 1,1
Var X .Var Y X . Y
5. X ,Y mendeskripsikan informasi tentang X dengan mengobservasi Y.
6. X ,Y 0 jika :
X (relatif terhadap mean) Y

7. X ,Y 0 jika :

7.4 Latihan
1. Diketahui 3 persamaan seperti berikut :
a). y1 x 2 x 1
2
81
b). y2 x 1
2
c). y2 x x
2
Tentukan pasangan persamaan mana yang paling memiliki kemiripan.

2. Hasil observasi dari 3 image ditunjukkan dalam gamber berikut
Tentukan pasangan image mana yang paling mirip.

3. Data observasi atas PBM di JTI adalah sebagai berikut :
Data Alpa Mahasiswa (X)

10 15 5 7 13 4 4 12 6 4 3 4
Data Nilai Evaluasi Mahasiswa Per bulan (Y)

60 50 70 75 50 80 75 60 65 80 80 70
Data Alpa Dosen (Z)

10 15 5 7 13 4 4 12 6 4 3 4
Tentukan hubungan yang paling kuat antara Alpa Mahasiswa, Alpa Dosen,
dengan Nilai Evaluasi Mahasiswa per bulan.
82

Modul Ajar - Probabilitas - Statistik

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Ajar - Probabilitas - Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

PROBABILITAS DAN STATISTIK

JURUSAN TEKNOLOGI INFORMASI

Judul : Probabilitas dan Statistik

Samarinda, Desember 2014

M. Farman Andrijasa, S.Kom.,M.Kom Achmad Fanany Onnilita Gaffar, ST

Bambang Santoso, ST., M.Sc

Samarinda, Oktober 2014

LEMBAR PENGESAHAN MODUL AJAR.......................................................ii

1. Tujuan Umum Pembelajaran

2. Probabilitas dan Statistik dalam Jejaring Kurikulum

4. Referensi Modul Ajar

Mata Kuliah Probabilitas dan Statistik adalah kelanjutan dari

1.1. Dasar Teori

nama anggota himpunan

Subset (himpunan bagian)

Set Equality (Kesamaan Himpunan)

Universal Set (Himpunan Semesta) S

1.2. Operasi Himpunan

C bilangan prima , carilah :

A mahasiswa Teknik Komputer , B mahasiswa Teknik Informatika ,

2.1 Dasar Probabilitas

2.1.1. Definisi-definisi dalam Probabilitas

b). Outcome : setiap hasil observasi yang mungkin.

Pelemparan Uang Logam

c). Ruang Sampel (Sample Space / S)

d). Kejadian (event,E) : Himpunan outcome, dimana E S

Jika event didefinisikan sebagai :

tentukan outcome untuk tiap event.

e). Himpunan .vs. Probabilitas

Ruang sampel S 1, 2,3, 4,5, 6 jumlah outcome, n = 6

2.1.3. Aksioma dan Teorema Probabilitas

Teorema 7 Jika A B maka P A P B

P A 0 hampir dipastikan tidak terjadi

Maka dikatakan P[A] adalah probabilitas apriori dari A

A1 = bola pertama terambil, hitam

Dari gambar di atas, diketahui P warna nyala L2 = warna nyala L1 0.8

kemungkinan yang sama). P nyala L2 hijau .......?

Perlu dicari : P H 2 H1 dan P H 2 M 1

Nyala L1 adalah equally likely, sehingga diperoleh : P H1 P M 1 0.5

P warna nyala L2 = warna nyala L1 0.8 , menyatakan :

2.2.1. Teorema Probabilitas Kondisional (bersyarat)

Artinya, jika B A maka terjadinya event B juga menyatakan terjadinya

Dari gambar di atas dapat diperoleh : P B 4 /10

Jika A menyatakan menyukai hardware, dan B menyatakan menyukai

A = {Suka, Tidak} P(A) = {0.7 0.3}

Probabilitas seorang mahasiswa menyukai hardware bila diketahui dia

Kotak B1 dan B2 memiliki kemungkinan terpilih yang sama, sehingga :

2.2.2. Teorema Bayes

Dari contoh sebelumnya diketahui :

2.2.3. Probabilitas Kejadian Bebas (Event Independent)

Pelemparan uang logam 2 kali

S AA, AG, GG, GA P GA 1/ 4

Dari gambar di atas diperoleh :

Pada L1 diperoleh : P H1 P M 1 1 P H1 P M 1 0.5

b). Independent .vs. Disjoint

Dari tabel gambar di atas terlihat bahwa :Independent = disjoint jika :

b). P Jack , P Queen , P King , P As

c). P angka ganjil , P angka genap

d). P kelipatan tiga , P angka prima

Dari gambar di atas, diketahui P warna nyala L2 = warna nyala L1 0.7 .

3.1. Prinsip Metode Hitung

dimana k menyatakan jumlah obyek dalam tiap susunan.