Probstat 3

MODUL PERKULIAHAN
PROBABILITAS &
STATISTIKA
PELUANG (Lanjutan)
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
03
FAKULTAS TEKNIK TEKNIK ELEKTRO 2A3142SP Said Attamimi, Ir., MT
Lukman Medriavin Silalahi ST.,MT
Abstract Kompetensi
Diharapkan setelah mengikuti Setelah membaca modul ini,
perkuliahan ini mahasiswa mampu mahasiswa diharapkan mampu:
memahami dan menerapkan konsep- 1. Ketepatan menjelaskan pengertian
konsep yang meliputi: Pengertian statistik, peubah acak, dan menyebutkan
populasi dan sampel, menentukan nilai
rata, median , modus dan deviasi standar beberapa distribusi peluang
serta koefisien variasi. Aturan dasar 2. ketepatan dalam menghitung dan
peluang, menghitung peluang dan menyelesaikan soal yang berkaitan
memahami permutasi dan kombinasi. dengan rataan peubah acak,
Nilai harapan dan varians dari variabel variansi, kovariansi
acak diskrit, menghitung peluang dengan 3. ketepatan dalam menggunakan
menggunakan distribusi Binomial maupun Teorema Chebyshev.
Poisson. Kurva peluang kontinu & fungsi
kerapatan peluang, menyelesaikan
permasalahan dengan pendekatan
distribusi normal.
BAB III
PELUANG
3.1. PELUANG SUATU KEJADIAN
Mungkin rasa haus umat manusia yang tak terpuaskan untuk berjudi yang
menyebabkan perkembangan awal teori probabilitas. Dalam upaya untuk meningkatkan
kemenangan mereka, penjudi memanggil ahli matematika untuk memberikan strategi
optimal untuk berbagai permainan peluang. Beberapa ahli matematika yang memberikan
strategi ini adalah Pascal, Leibniz, Fermat, dan James Bernoulli. Sebagai hasil dari
perkembangan teori probabilitas ini, inferensi statistik, dengan semua prediksi dan
generalisasinya, telah berkembang jauh melampaui permainan peluang untuk mencakup
banyak bidang lain yang terkait dengan kejadian kebetulan, seperti politik, bisnis, prakiraan
cuaca, dan penelitian ilmiah. Agar prediksi dan generalisasi ini cukup akurat, pemahaman
tentang teori probabilitas dasar sangat penting. Apa yang kita maksud ketika kita membuat
pernyataan “John mungkin akan memenangkan pertandingan tenis,” atau “Saya memiliki
kesempatan lima puluh lima puluh untuk mendapatkan angka genap ketika dadu
dilemparkan,” atau “Universitas tidak mungkin memenangkan pertandingan sepak bola
malam ini, ”atau “Sebagian besar lulusan dari kelas kita mempunyai kemungkinan besar
akan menikah dalam waktu 3 tahun ”? Dalam setiap kasus, kita mengungkapkan hasil yang
tidak kita yakini, tetapi karena informasi masa lalu atau dari pemahaman tentang struktur
eksperimen, kita memiliki tingkat kepercayaan tertentu dalam validitas pernyataan.
Sepanjang sisa bab ini, kita hanya membahas eksperimen yang ruang sampelnya berisi
sejumlah elemen terbatas. Kemungkinan terjadinya peristiwa yang dihasilkan dari
eksperimen statistik semacam itu dievaluasi dengan menggunakan sekumpulan bilangan
real, yang disebut bobot atau probabilitas, berkisar dari 0 hingga 1. Untuk setiap titik dalam
ruang sampel kami menetapkan probabilitas sedemikian rupa sehingga jumlah dari semua
probabilitas adalah 1. Jika kita memiliki alasan untuk percaya bahwa titik sampel tertentu
sangat mungkin terjadi saat eksperimen dilakukan, probabilitas yang ditetapkan harus
mendekati 1. Sebaliknya, probabilitas yang lebih dekat ke 0 ditetapkan ke titik sampel yang
tidak mungkin terjadi. Dalam banyak eksperimen, seperti melempar koin atau dadu, semua
titik sampel memiliki peluang yang sama untuk terjadi dan diberi probabilitas/bobot yang
sama. Untuk titik di luar ruang sampel, yaitu, untuk peristiwa sederhana yang tidak mungkin
terjadi, kita menetapkannya sebagai probabilitas bernilai 0. Untuk menemukan probabilitas
2021 Probabilitas dan Statistik

2 Dr. Setiyo Budiyanto, ST., MT
Lukman Medriavin Silalahi A.Md., ST.,MT.
peristiwa A, kita dapat menjumlahkan semua probabilitas yang ditetapkan ke titik sampel di
A. Jumlah ini disebut probabilitas A dan dilambangkan dengan P(A).
Definisi 3.1: Probabilitas peristiwa A adalah jumlah bobot semua titik sampel di A. Oleh karena itu,
Lebih lanjut, jika A1, A2, A3, ... adalah urutan kejadian yang saling eksklusif, maka
Contoh 3.1: Koin dilemparkan dua kali. Berapa probabilitas setidaknya 1 muka
terjadi?
Jawab: Ruang sampel untuk eksperimen ini adalah S = {MM, MB, BM, BB}. Jika
koin seimbang, masing-masing hasil ini kemungkinan besar akan terjadi. Oleh karena itu,
tiap titik sampel diberi bobot b sehingga 4b = 1, atau b = 1/4. Jika A mewakili peristiwa dari
setidaknya 1 muka yang terjadi, maka
A = {MM, MB, BM}
Dan
P(A)=1/4+1/4+1/4=3/4
Contoh 3.2: Sebuah dadu digulirkan sedemikian rupa sehingga bilangan genap dua
kali lebih mungkin terjadi daripada bilangan ganjil. Jika E adalah kejadian di mana angka
kurang dari 4 terjadi pada satu lemparan dadu, temukan P(E).
Jawab: Ruang sampelnya adalah S = {1,2,3,4,5,6}. Dengan memberikan bobot b
untuk setiap bilangan ganjil dan 2b untuk setiap bilangan genap. Karena jumlah
probabilitasnya harus 1, kita memiliki 9b = 1 atau b = 1/9. Oleh karena itu, didapatkan bobot
1/9 dan 2/9 untuk masing-masing bilangan ganjil dan genap. Oleh karena itu,
Dan,
Contoh 3.3: Dalam Contoh 3.2, misalkan A adalah peristiwa di mana bilangan
genap muncul dan B menjadi peristiwa di mana bilangan yang habis dibagi 3 terjadi.
Temukan P (A ∪ B) dan P (A ∩ B).
Jawab : Untuk peristiwa/kejadian A = {2, 4, 6} dan B = {3, 6}, kita memiliki A ∪ B =
{2,3,4,6} dan A ∩ B = {6}. Dengan menetapkan probabilitas 1/9 untuk setiap bilangan ganjil

dan 2/9 untuk setiap bilangan genap, kita dapatkan P (A ∪ B) = 2/9 + 1/9 + 2/9 + 2/9 = 7/9
dan P(A ∩ B ) = 2/9.
Jika ruang sampel untuk eksperimen berisi N elemen, yang semuanya sama-sama
mungkin terjadi, kami menetapkan probabilitas yang sama dengan 1/N ke setiap titik N.
Probabilitas peristiwa A yang mengandung n dari titik sampel N ini adalah rasio jumlah
elemen di A dengan jumlah elemen di S.
Aturan 3.1: Jika eksperimen dapat menghasilkan N yang kemungkinannya sama, dan jika n tepat dari
hasil ini sesuai dengan peristiwa A, maka kemungkinan peristiwa A adalah
n
P (A) =
N
Contoh 3.4: Kelas statistik untuk insinyur terdiri dari 25 mahasiswa industri, 10
mekanik, 10 elektrik, dan 8 mahasiswa teknik sipil. Jika seseorang dipilih secara acak oleh
instruktur untuk menjawab pertanyaan, temukan probabilitas bahwa siswa yang dipilih
adalah
(a) jurusan teknik industri dan (b) jurusan teknik sipil atau teknik elektro.
Jawab: Dinyatakan dengan I, M, E, dan C masing-masing mahasiswa jurusan
industri, mekanik, elektrikal, dan teknik sipil. Jumlah total siswa di kelas adalah 53, yang
semuanya kemungkinan besar akan dipilih.
a. Karena 25 dari 53 siswa mengambil jurusan teknik industri, probabilitas peristiwa
I, memilih jurusan teknik industri secara acak, adalah
P (I) = 25/53
b. Karena 18 dari 53 siswa adalah sipil atau jurusan teknik kelistrikan, maka
P(C ∪ E) = 18/53
Contoh 3.5: Dalam kartu poker yang terdiri dari 5 kartu, temukan probabilitas
memegang 2 kartu As dan 3 jack.
Jawab: Banyaknya cara mendapatkan 2 dari 4 kartu as yang dibagikan adalah
( 42)= 42 !! =6
dan banyaknya cara untuk dibagikan 3 jack dari 4 kartu adalah
( 43)= 43 !! =4
Sehingga dengan menerapkan aturan perkalian, kita dapatkan ada n = (6)(4) = 24
tangan dengan 2 kartu As dan 3 jack. Jumlah total kartu poker 5 kartu, yang semuanya

memiliki kemungkinan yang sama, adalah
N= (525 )= 52!
5!
=2.598.960
Oleh karena itu, kemungkinan mendapatkan 2 as dan 3 jack dalam 5 kartu poker
adalah
P(C) = 24/2, 598, 960 = 0,9 × 10−5.
Jika hasil eksperimen tidak sama-sama mungkin terjadi, probabilitas harus

ditetapkan berdasarkan pengetahuan sebelumnya atau bukti eksperimental. Misalnya, jika
koin tidak seimbang, kita dapat memperkirakan probabilitas heat (kepala) dan tail (ekor)
dengan melempar koin tersebut berkali-kali dan mencatat hasilnya. Menurut definisi
frekuensi relatif dari probabilitas, probabilitas sebenarnya adalah pecahan kepala dan ekor
yang terjadi dalam jangka panjang. Cara intuitif lain untuk memahami probabilitas adalah
pendekatan indiferen. Misalnya, jika kita memiliki dadu yang kita yakini seimbang, maka
dengan menggunakan pendekatan indiferen ini, kita dapat menentukan bahwa probabilitas
masing-masing dari enam sisi akan muncul setelah lemparan adalah 1/6. Untuk
menemukan nilai numerik yang cukup mewakili kemungkinan menang di tenis, kita harus
bergantung pada kinerja masa lalu kita di permainan serta lawan dan, sampai batas
tertentu, keyakinan kita pada kemampuan kita untuk menang. Demikian pula, untuk
menemukan probabilitas seekor kuda akan memenangkan perlombaan, kita harus sampai
pada probabilitas berdasarkan catatan sebelumnya dari semua kuda yang masuk dalam
perlombaan serta catatan joki yang menunggang kuda. Intuisi tidak diragukan lagi juga akan
berperan dalam menentukan ukuran taruhan yang mungkin ingin kita pertaruhkan.
Penggunaan intuisi, keyakinan pribadi, dan informasi tidak langsung lainnya untuk
mencapai probabilitas disebut sebagai definisi subjektif dari probabilitas. Dalam sebagian
besar aplikasi peluang, interpretasi frekuensi relatif dari probabilitas adalah yang beroperasi.
Landasannya adalah eksperimen statistik daripada subjektivitas, dan paling baik dipandang
sebagai frekuensi relatif yang membatasi. Akibatnya, banyak penerapan probabilitas dalam
sains dan teknik harus didasarkan pada eksperimen yang dapat diulang. Gagasan yang
kurang obyektif tentang probabilitas ditemui saat kami menetapkan probabilitas berdasarkan
informasi dan opini sebelumnya, seperti dalam "Ada kemungkinan besar bahwa Giants akan
kehilangan Super Bowl". Ketika opini dan informasi sebelumnya berbeda dari individu ke
individu, probabilitas subjektif menjadi sumber daya yang relevan

3.2. ATURAN PENJUMLAHAN
Seringkali paling mudah untuk menghitung probabilitas suatu peristiwa dari
probabilitas peristiwa lain yang diketahui. Hal ini mungkin benar jika peristiwa tersebut dapat
direpresentasikan sebagai penyatuan dua peristiwa lain atau sebagai pelengkap dari suatu
peristiwa. Beberapa hukum penting yang sering menyederhanakan penghitungan
probabilitas mengikuti. Yang pertama, disebut aturan aditif, berlaku untuk persatuan acara.
Teorema 3.1: Jika A dan B adalah dua peristiwa, maka
P (A ∪ B) = P (A) + P (B) - P (A ∩ B).
Gambar 3.1 Aturan penjumlahan peluang

Bukti: Perhatikan diagram Venn pada Gambar 3.1. P(A ∪ B) adalah jumlah
probabilitas titik sampel di A ∪ B. Sekarang P (A) + P (B) adalah jumlah dari semua
probabilitas di A ditambah jumlah semua probabilitas di B Oleh karena itu, kita
menambahkan probabilitas di (A ∩ B) dua kali. Karena probabilitas ini berjumlah P (A ∩ B),
kita harus mengurangi probabilitas ini satu kali untuk memperoleh jumlah probabilitas di A ∪
B.
Korelasi 1: Jika A dan B saling eksklusif, maka
P (A ∪ B) = P (A) + P (B).
Korelasi 1 adalah hasil langsung dari Teorema 3.1, saat A dan B saling eksklusif
atau terpisah, A ∩ B = 0 dan kemudian P (A ∩ B) = P (φ) = 0. Secara umum, kita dapat
menulis Korelasi 2 dan 3 berikut
Korelasi 2: Jika A1, A2, ..., An sama-sama eksklusif atau terpisah, maka P(A1 ∪ A2 ∪ …∪ An) = P (A1)
+ P (A2) + … + P (An).
Kumpulan peristiwa { A1, A2, ..., An } dari ruang sampel S disebut partisi S jika A1,
A2, ..., An saling eksklusif atau terpisah dan A1 ∪ A2 ∪ … An = S. Jadi, kita dapati
Korelasi 3: Jika A1, A2, ... , An adalah partisi dari ruang sampel S, maka
P(A1 ∪ A2 ∪ … ∪ An) = P (A1) + P (A2) + ... + P (An) = P (S) = 1.

Sampai titik ini, dengan mudah terlihat pada Teorema 3.2 dapat diperluas dengan
jalan yang sama
Teorema 3.2: Untuk tiga peristiwa A, B, dan C,
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) - P (A ∩ B) - P (A ∩ C) - P (B ∩ C) + P (A ∩ B ∩
C).
Contoh 3.6: John akan lulus dari jurusan teknik industri di sebuah universitas pada
akhir semester. Setelah diwawancarai di dua perusahaan yang disukainya, dia menilai
probabilitasnya mendapatkan penawaran dari perusahaan A adalah 0.8, dan
probabilitasnya mendapatkan penawaran dari perusahaan B adalah 0.6. Jika dia yakin
bahwa kemungkinan dia akan mendapatkan penawaran dari kedua perusahaan tersebut
adalah 0,5, berapa probabilitas dia akan mendapatkan setidaknya satu penawaran dari
kedua perusahaan tersebut?
Jawab: Menggunakan aturan penjumlahan, kita dapatkan
P (A ∪ B) = P (A) + P (B) - P (A ∩ B) = 0.8 + 0.6 - 0.5 = 0.9.
Contoh 3.7: Berapa probabilitas untuk mendapatkan total 7 atau 11 ketika sepasang
dadu yang adil dilemparkan?
Jawab: Misalkan A peristiwa yang 7 terjadi dan B peristiwa yang 11 muncul.
Sekarang, total 7 terjadi untuk 6 dari 36 titik sampel, dan total 11 terjadi hanya untuk 2 titik
sampel. Karena semua titik sampel memiliki kemungkinan yang sama, kita memiliki P(A) =
1/6 dan P(B) = 1/18. Peristiwa A dan B saling eksklusif, karena total 7 dan 11 tidak dapat
terjadi pada lemparan yang sama. Oleh karena itu,
P (A ∪ B) = P (A) + P (B) = 1/6 + 1/18 = 2/9.
Berdasarkan hasil ini maka, dapat diperoleh dengan menghitung jumlah titik untuk
kejadian A ∪ B, yaitu 8, sehingga
P (A ∪ B) = n/N = 8/36 = 2/9
Teorema 3.1 dan ketiga korelasi diatas akan membantu kita untuk mendapatkan
lebih banyak wawasan tentang probabilitas dan interpretasinya. Korelasi/Akibat Wajar 1 dan
2 menyarankan hasil yang sangat intuitif yang berhubungan dengan kemungkinan
terjadinya setidaknya satu dari sejumlah peristiwa, tidak ada dua yang dapat terjadi secara
bersamaan. Probabilitas bahwa setidaknya satu terjadi adalah jumlah probabilitas
kemunculan peristiwa individu. Korelasi/Akibat wajar ketiga hanya menyatakan bahwa nilai
tertinggi dari suatu probabilitas (kesatuan) ditetapkan ke seluruh ruang sampel S.
Contoh 3.8: Jika probabilitas seseorang yang membeli mobil baru akan memilih
warna hijau, putih, merah, atau biru masing-masing adalah 0.09, 0.15, 0.21, dan 0.23,

berapa probabilitas pembeli tertentu akan membeli mobil baru yang hadir dalam salah satu
warna tersebut?
Jawab: Misalkan H, P, M, dan B adalah peristiwa yang dipilih pembeli, masing-
masing, mobil hijau, putih, merah, atau biru. Karena keempat peristiwa ini saling eksklusif,
probabilitasnya adalah
P (H ∪ P ∪ M ∪ B) = P (H) + P (P) + P (M) + P (B)
= 0.09 + 0.15 + 0.21 + 0.23 = 0.68.
Seringkali kita dapati, akan lebih sulit menghitung probabilitas suatu peristiwa terjadi
daripada menghitung probabilitas bahwa peristiwa itu tidak terjadi. Jika hal ini terjadi pada
beberapa peristiwa A, kita cukup mencari P (A’) terlebih dahulu dan kemudian, dengan
menggunakan Teorema 3.2, temukan P (A) dengan pengurangan.
Teorema 3.3: Jika A dan A’ adalah peristiwa komplementer, maka
P (A) + P (A’) = 1.
Bukti: Karena A ∪ A’ = S dan himpunan A dan A’ saling terpisah,

1 = P (S) = P (A ∪ A’) = P (A) + P (A’)
Contoh 3.9: Jika probabilitas seorang mekanik mobil akan memperbaiki 3, 4, 5, 6, 7,
atau 8 atau lebih mobil pada hari kerja tertentu adalah, masing-masing, 0.12, 0.19, 0.28,
0.24, 0.10, dan 0.07, berapa kemungkinan dia akan melayani setidaknya 5 mobil pada hari
berikutnya di tempat kerja?
Jawab: Misalkan E saat setidaknya 5 mobil diservis. Sekarang P(E) = 1 - P(E’),
dimana E’ adalah kejadian kurang dari 5 mobil yang diperbaiki. Karena P (E’) = 0.12 + 0.19
= 0.31, maka dari Teorema 3.3
P (E) = 1 – 0.31 = 0.69
Contoh 3.10: Misalkan spesifikasi pabrikan untuk panjang jenis kabel komputer
tertentu adalah 2000 ± 10 milimeter. Dalam industri ini, diketahui bahwa kabel kecil
kemungkinan besar cacat (tidak memenuhi spesifikasi) seperti kabel besar. Artinya
probabilitas menghasilkan kabel secara acak dengan panjang melebihi 2010 milimeter
sama dengan probabilitas menghasilkan kabel dengan panjang lebih kecil dari 1990
milimeter. Probabilitas prosedur produksi memenuhi spesifikasi diketahui sebesar 0.99.
a. Berapa probabilitas kabel yang dipilih secara acak terlalu besar?
b. Berapa probabilitas kabel yang dipilih secara acak lebih besar dari 1990
milimeter?
Jawab: Misalkan M jika kabel memenuhi spesifikasi. Misalkan S dan L adalah

kejadian di mana kabel terlalu kecil dan terlalu besar. Maka,
a. P (M) = 0.99 dan P (S) = P (L) = (1 - 0.99) /2=0.005.
b. Menunjukkan X panjang kabel yang dipilih secara acak, kita memiliki
P (1990 ≤ X ≤ 2010) = P (M) = 0,99.
Selanjutnya, sejak P (X ≥ 2010) = P (L) = 0.005, maka
P (X ≥ 1990) = P (M) + P (L) = 0.995.
Hal ini juga dapat diselesaikan dengan menggunakan Teorema 3.3:
P (X ≥ 1990) + P (X <1990) = 1. Jadi, P (X ≥ 1990) = 1 - P (S) = 1 - 0,005 = 0,995.
3.3. PELUANG BERSYARAT

Peluang terjadinya peristiwa B ketika diketahui bahwa beberapa peristiwa A telah
terjadi disebut peluang bersyarat dan dilambangkan dengan P (B | A).
Simbol P (B | A) biasanya dibaca "Peluang B terjadi bila A terjadi" atau hanya
"peluang B, jika A diketahui"
Pertimbangkan peristiwa B mendapatkan kuadrat sempurna saat dadu dilemparkan.
Mata dadu dibuat sedemikian rupa sehingga bilangan genap dua kali lebih mungkin terjadi
daripada bilangan ganjil. Berdasarkan ruang sampel S = {1, 2, 3, 4, 5, 6}, dengan
probabilitas 1/9 dan 2/9 masing-masing ditetapkan ke bilangan ganjil dan genap, peluang B
terjadi adalah 1/3. Sekarang anggaplah diketahui bahwa lemparan dadu menghasilkan
angka yang lebih besar dari 3. Sekarang kita berurusan dengan ruang sampel yang
berkurang A = {4, 5, 6}, yang merupakan bagian dari S. Untuk mencari probabilitas bahwa B
terjadi, relatif terhadap ruang A, pertama-tama kita harus menetapkan probabilitas baru ke
elemen-elemen A yang sebanding dengan probabilitas aslinya sehingga jumlahnya adalah
1. Menetapkan bobot b ke bilangan ganjil di A dan bobot 2b ke dua bilangan genap, kita
dapatkan 5b = 1, atau b = 1/5. Sehubungan dengan ruang A, kita menemukan bahwa B
berisi elemen tunggal 4. Menandai peristiwa ini dengan simbol B|A, kita menulis B|A = {4},
sehingga
Contoh ini mengilustrasikan bahwa kejadian mungkin memiliki probabilitas yang

berbeda ketika dianggap relatif terhadap ruang sampel yang berbeda. Dapat pula ditulis

,di mana P (A ∩ B) dan P (A) ditemukan dari ruang sampel S semula. Dengan kata
lain, peluang bersyarat yang terkait dengan subruang A dari S dapat dihitung langsung dari
peluang yang ditetapkan ke elemen ruang sampel S semula.
Definisi 3.2: Probabilitas bersyarat dari B, diberikan A, dilambangkan dengan P (B | A), ditentukan
oleh
bila P (A)> 0
Sebagai ilustrasi tambahan, misalkan ruang sampel S kita adalah populasi orang
dewasa di kota kecil yang telah menyelesaikan persyaratan untuk mendapatkan gelar
sarjana. Kita akan mengkategorikan mereka menurut jenis kelamin dan status pekerjaan,
seperti terlihat pada Tabel berikut
Tabel 3.1 Data untuk ilustrasi pada contoh diatas
Bekerja Tidak Bekerja Total
Laki-Laki 460 40 500

Perempuan 140 260 400
Jumlah 600 300 900
Salah satu individu ini akan dipilih secara acak untuk tur keliling negeri untuk
mempublikasikan keuntungan dari membangun industri baru di kota. Kita akan meneliti
dengan kejadian-kejadian berikut:
M: seorang male/laki-laki dipilih,
E: seorang employed/bekerja terpilih.
Menggunakan ruang sampel tereduksi atau diperkecil E, kita dapatkan
P (M | E) = 460/600 = 23/30
Misalkan n(A) menunjukkan jumlah elemen dalam setiap himpunan A. Dengan
menggunakan notasi ini, karena setiap orang dewasa memiliki peluang yang sama untuk
dipilih, kita dapat menulis
P (M | E) = n (E ∩ M) n (E) = n (E ∩ M) / n (S) n (E) / n (S) = P (E ∩ M ) P (E),
di mana P (E ∩ M) dan P (E) ditemukan dari ruang sampel asli S. Untuk
memverifikasi hasil ini, perhatikan bahwa
P (E) = 600/900 = 2/3
dan

P (E ∩ M ) = 460/900 = 23/45
Jadi
23/45
P (M|E) = = 23/30
2/3
Contoh 3.11: Peluang penerbangan terjadwal reguler depart/berangkat tepat waktu
adalah P(D) = 0.83; probabilitas arrive/datang tepat waktu adalah P(A) = 0.82; dan peluang
bahwa pesawat berangkat dan tiba tepat waktu adalah P(D ∩ A) = 0.78. Temukan
probabilitas bahwa sebuah pesawat
a. tiba tepat waktu, dengan mempertimbangkan bahwa ia berangkat tepat waktu,
dan
b. berangkat tepat waktu, dengan mempertimbangkan bahwa ia telah tiba tepat
waktu.
Jawab: Menggunakan Definisi 3.2, kita memiliki
a. Probabilitas sebuah pesawat tiba tepat waktu, mengingat ia berangkat tepat
waktu, adalah
b. Probabilitas pesawat berangkat tepat waktu, mengingat telah tiba tepat waktu,
adalah
Gagasan probabilitas bersyarat memberikan kemampuan untuk mengevaluasi

kembali gagasan probabilitas suatu peristiwa dalam terang informasi tambahan, yaitu,
ketika diketahui bahwa peristiwa lain telah terjadi. Probabilitas P (A | B) adalah
pembaharuan P (A) berdasarkan pengetahuan bahwa peristiwa B telah terjadi. Dalam
Contoh 3.11, penting untuk mengetahui probabilitas bahwa penerbangan tiba tepat waktu.
Seseorang diberi informasi bahwa penerbangan tidak berangkat tepat waktu. Berbekal
informasi tambahan ini, seseorang dapat menghitung probabilitas yang lebih relevan P (A|
D’), yaitu probabilitas datang tepat waktu, mengingat ia tidak berangkat tepat waktu. Dalam
banyak situasi, kesimpulan yang diambil dari pengamatan terhadap probabilitas bersyarat
yang lebih penting mengubah gambaran seluruhnya. Dalam contoh ini, perhitungan P (A|D’)
adalah

Jadi, kemungkinan kedatangan tepat waktu sangat berkurang dengan adanya
informasi tambahan.
Contoh 3.12: Konsep probabilitas bersyarat memiliki kegunaan yang tak terhitung
jumlahnya dalam aplikasi industri dan biomedis. Pertimbangkan proses industri dalam
industri tekstil di mana strip dari jenis kain tertentu diproduksi. Strip ini bisa rusak dalam dua
hal, panjang dan sifat tekstur. Untuk kasus yang terakhir, proses identifikasi sangat rumit.
Diketahui dari informasi historis pada proses bahwa 10% strip gagal dalam uji panjang, 5%
gagal dalam uji tekstur, dan hanya 0,8% yang gagal pada kedua pengujian. Jika strip dipilih
secara acak dari proses dan pengukuran cepat mengidentifikasinya sebagai gagal dalam uji
panjang, berapa probabilitas bahwa teksturnya rusak?
Jawab: Perhatikan kejadian
L: Length Defective / cacat panjang, T: Texture Defective / cacat tekstur.
Mengingat bahwa strip tersebut cacat panjang, probabilitas bahwa strip ini cacat
tekstur diberikan oleh
P(T|L) = P(T ∩ L) / P (L) = 0.00 8/ 0.1 = 0,08
Jadi, mengetahui probabilitas bersyarat memberikan lebih banyak informasi
daripada sekadar mengetahui P(T)
3.4. INDEPENDENT EVENTS (KEJADIAN BEBAS/ PERISTIWA INDEPENDEN)

Meskipun probabilitas bersyarat memungkinkan perubahan probabilitas suatu
peristiwa dalam terang materi tambahan, itu juga memungkinkan kita untuk lebih memahami
konsep kebebasan yang sangat penting atau, dalam konteks sekarang, peristiwa
independen. Dalam ilustrasi bandar udara, P(A|D) berbeda dari P(A). Ini menunjukkan
bahwa kemunculan D memengaruhi A, dan ini tentu diharapkan dalam ilustrasi ini. Namun,
pertimbangkan situasi di mana kita memiliki peristiwa
A dan B dan P (A | B) = P (A)
Dengan kata lain, kemunculan B bebas/independen pada kemungkinan terjadinya A.
Di sini kemunculan A tidak tergantung pada kemunculan B. Pentingnya konsep
kemerdekaan tidak bisa terlalu ditekankan. Ini memainkan peran penting dalam materi di
hampir di semua bidang statistik terapan.
Definisi 3.3: Dua peristiwa A dan B adalah independent, jika dan hanya jika
P (B | A) = P (B)
atau,
P (A | B) = P (A),
dengan asumsi keberadaan probabilitas bersyarat. Jika tidak, A dan B
takbebas/dependen/ bergantung.
P (A) + P (A’) = 1.
Kondisi P(B|A) = P(B) menunjukkan bahwa P (A|B) = P(A), dan sebaliknya. Untuk
percobaan penggambaran kartu, di mana kami menunjukkan bahwa P(B|A) = P(B) = 1/4,
kita juga dapat melihat bahwa P (A|B) = P(A) = 1/13.
3.5. ATURAN PERKALIAN

Dengan cara mengalikan rumus dalam Definisi 1.9 dengan P(A), kita mendapatkan
aturan perkalian penting, yang memungkinkan kita menghitung probabilitas/peluang bahwa
dua peristiwa akan terjadi.
Teorema 3.4: Jika dalam percobaan peristiwa A dan B dapat terjadi, maka
P(A∩B) = P(A)P(B|A), bila P(A)>0
Jadi, peluang bahwa A dan B terjadi serentak sama dengan peluang terjadinya A
dikalikan dengan peluang B bila A diketahui. Karena kejadian A∩B dan B∩A ekuivalen,
maka dari Teorema 3.4 kita juga dapat menuliskan
P (A ∩ B) = P (B ∩ A) = P (B) P (A | B)
Dengan kata lain, tidak masalah kejadian mana yang disebut A dan kejadian mana
yang disebut B
Contoh 3.13: Misalkan kita memiliki kotak sekering yang berisi 20 sekering, 5 di
antaranya rusak. Jika 2 sekering dipilih secara acak dan dikeluarkan dari kotak secara
berurutan tanpa mengganti yang pertama, berapa probabilitas kedua sekering tersebut
rusak?
Jawab: Kita akan membiarkan A jika sekring pertama rusak dan B jika sekring
kedua rusak; kemudian kita menafsirkan A∩B sebagai peristiwa di mana A terjadi dan
kemudian B terjadi setelah A terjadi. Kemungkinan pertama melepas sekring yang rusak
adalah 1/4; maka kemungkinan melepas sekring rusak kedua dari 4 sisanya adalah 4/19.
Jadi,
Jika, dalam Contoh 3.13, sekring pertama diganti dan sekring diatur ulang secara
menyeluruh sebelum sekring kedua dilepas, maka probabilitas sekring yang rusak pada

pemilihan kedua masih 1/4; yaitu, P (B | A) = P (B) dan peristiwa A dan B adalah
independen. Jika ini benar, kita dapat mengganti P (B) untuk P (B | A) dalam Teorema 3.4
untuk mendapatkan aturan perkalian khusus berikut
Teorema 3.5: Dua peristiwa A dan B tidak bergantung jika dan hanya jika
P (A ∩ B) = P (A) P (B)
Jadi, untuk mendapatkan probabilitas bahwa dua peristiwa independen akan terjadi,
kita cukup mencari produk dari probabilitas individualnya.
Contoh 3.14: Sebuah kota kecil memiliki satu mobil pemadam kebakaran dan satu
ambulans yang tersedia untuk keadaan darurat. Probabilitas bahwa pemadam kebakaran
tersedia saat diperlukan adalah 0.98, dan probabilitas ambulans tersedia saat dipanggil
adalah 0.92. Jika terjadi cedera akibat gedung yang terbakar, temukan kemungkinan
ambulans dan mobil pemadam kebakaran akan tersedia, dengan asumsi keduanya
beroperasi secara mandiri.
Jawab: Misalkan A dan B mewakili kejadian masing-masing bahwa mobil pemadam
kebakaran dan ambulans tersedia. Sehingga
P (A ∩ B) = P (A) P (B) = (0.98) (0.92) = 0.9016.
Contoh 3.15: Sebuah sistem kelistrikan terdiri dari empat komponen seperti yang
diilustrasikan pada Gambar 3.2. Sistem bekerja jika komponen A dan B berfungsi dan salah
satu komponen C atau D berfungsi. Reliabilitas (probabilitas kerja) masing-masing
komponen juga ditunjukkan pada Gambar 1.5. Tentukan probabilitas bahwa,
a. Seluruh sistem berfungsi dan
b. Komponen C tidak berfungsi, mengingat seluruh sistem berfungsi.
Asumsikan bahwa keempat komponen tersebut bekerja secara independen.
Jawab: Pada konfigurasi sistem ini, A, B, dan subsistem C dan D merupakan sistem
rangkaian serial, sedangkan subsistem C dan D sendiri merupakan sistem rangkaian
paralel.
a. Jelas probabilitas bahwa seluruh sistem bekerja dapat dihitung sebagai berikut:
Persamaan di atas berlaku karena independensi di antara keempat komponen

tersebut.
b. Untuk menghitung probabilitas bersyarat dalam hal ini, perhatikan bahwa
P = P (sistem berfungsi tetapi C tidak berfungsi) / P(sistem berfungsi)

= P (A ∩ B ∩ C ∩ D)/P (sistem berfungsi)
= [(0.9) (0.9) (1 - 0.8) (0.8)] / 0.7776 = 0.1667.
Gambar 3.2 Sistem kelistrikan untuk 3.15

Aturan perkalian dapat diperluas ke lebih dari dua situasi kejadian.
Teorema 3.6: dalam sebuah percobaan peristiwa A1, A2, ..., Ak dapat terjadi, maka
Bila peristiwa A1, A2, ..., Ak tidak bergantung, maka
Contoh 3.16: Tiga kartu ditarik secara berurutan satu-per-satu tanpa pengembalian
kedalam tumpukan, dari setumpuk kartu remi. Tentukan probabilitas/peluang terjadinya
peristiwa A1 ∩ A2 ∩ A3, di mana A1 adalah peristiwa di mana kartu pertama adalah as
merah, A2 adalah peristiwa bahwa kartu kedua adalah 10 atau jack, dan A3 adalah
peristiwa yang ketiga kartu lebih besar dari 3 tapi kurang dari 7.
Jawab: Pertama kita tentukan kejadian
A1: kartu pertama adalah ace merah,
A2: kartu kedua adalah 10 atau jack
A3: kartu ketiga lebih besar dari 3 tetapi kurang dari 7.
Sekarang
sehingga berdasarkan Teorema 3.7,

3.6. ATURAN BAYES
Pada ilustrasi sebelumnya, di mana seseorang dipilih secara acak dari orang
dewasa di kota kecil untuk berkeliling desa dan mempublikasikan keuntungan dari
membangun industri baru di kota tersebut. Misalkan kita sekarang diberikan informasi
tambahan bahwa 36 dari mereka yang bekerja dan 12 dari mereka yang menganggur
adalah anggota Rotary Club. Kami ingin menemukan kemungkinan kejadian A dimana
individu yang dipilih adalah anggota Rotary Club. Mengacu pada Gambar 3.3, kita dapat
menulis A sebagai gabungan dari dua peristiwa yang saling eksklusif E ∩A dan E’∩A.
Sehingga,
A = (E ∩A) ∪ (E’∩A),
dan dengan korelasi 1 dari Teorema 3.1, dan kemudian Teorema 3.4, kita dapat
menulis
Gambar 3.3 Diagram Venn untuk peristiwa A, E, dan E

Data dari Section sebelumnya, bersama dengan data tambahan yang diberikan di
atas untuk himpunan A, memungkinkan kita untuk menghitung
dan
Jika kita menampilkan probabilitas ini melalui diagram pohon pada Gambar 3.3, di
mana cabang pertama menghasilkan probabilitas P(E) P(A|E) dan cabang kedua
menghasilkan P(E’) P(A|E’), jadi

Sebuah generalisasi dari ilustrasi di atas untuk kasus di mana ruang sampel dipartisi
menjadi subset k dicakup oleh teorema berikut, kadang-kadang disebut teorema jumlah
peluang atau aturan eliminasi.
Teorema 3.7: Jika peristiwa B1, B2, ..., Bk merupakan partisi ruang sampel S sehingga P(Bi) ≠ 0 untuk
i = 1, 2, ..., k, maka untuk setiap peristiwa A dari S,
Gambar 3.4 Diagram Pohon untuk data pada Tabel 3.1
Gambar 3.5 Diagram Venn terkait dengan Gambar 3.4

Bukti: Perhatikan diagram Venn pada Gambar 3.5. Peristiwa A dipandang sebagai
penyatuan dari peristiwa yang saling eksklusif atau saling terpisah

Yaitu
Menggunakan korelasi 2 dari Teorema 3.1 dan Teorema 3.4, diperoleh
Contoh 3.17: Di pabrik perakitan tertentu, tiga mesin, B1, B2, dan B3, masing-
masing menghasilkan 30%, 45%, dan 25% dari produk. Diketahui dari pengalaman
sebelumnya bahwa 2%, 3%, dan 2% produk yang dibuat oleh masing-masing mesin rusak.
Sekarang, anggaplah produk jadi dipilih secara acak. Berapa probabilitasnya itu rusak?
Solusi: Pertimbangkan kejadian-kejadian berikut:
A: produk rusak,
B1: produk dibuat dengan mesin B1,
B2: produk dibuat dengan mesin B2,
B3: produk dibuat dengan mesin B3.
Menerapkan aturan eliminasi, kita dapat menulis
Mengacu pada diagram pohon pada Gambar 3.7, kita menemukan bahwa ketiga
cabang memberikan probabilitas
Sehingga

Gambar 3.6 Diagram pohon untuk Contoh 3.17
Sebagai ganti menanyakan P(A) dalam Contoh 3.17, dengan aturan eliminasi,
anggaplah kita sekarang mempertimbangkan masalah untuk menemukan probabilitas
bersyarat P (Bi|A). Dengan kata lain, anggaplah suatu produk dipilih secara acak dan itu
rusak. Berapakah probabilitas bahwa produk ini dibuat oleh mesin Bi? Pertanyaan jenis ini
dapat dijawab dengan menggunakan teorema berikut, yang disebut aturan Bayes:
Bukti: Berdasarkan definisi probabilitas bersyarat,
dan kemudian menggunakan Teorema 3.7 pada penyebut, diperoleh
Contoh 3.18: Dengan mengacu pada Contoh 3.17, jika suatu produk dipilih secara
acak dan ditemukan cacat, berapakah probabilitas bahwa produk tersebut dibuat oleh mesin
B3?
Jawab: Menggunakan aturan Bayes untuk menulis
dan kemudian mengganti probabilitas yang dihitung dalam Contoh 3.17, diperoleh
Mengingat fakta bahwa produk cacat dipilih, hasil ini menunjukkan bahwa mungkin
tidak dibuat oleh mesin B3.

Daftar Pustaka
1. Dayan, Anto, Pengantar Metode Statistik Jilid I, LP3ES, Jakarta, 1984
2. J.Supranto, Statistik Teori dan Aplikasi, Erlangga, Jakarta, 2000
3. Nasoetion, Andi Hakim & Barizi, Metode Statistika, PT. Gramedia Jakarta, Jakarta,
1987
4. Hasan M Iqbal 2003. Statistik I(statistic deskriptif). Jakarta. Bumi Aksara
5. Sudjana.1992. Metode Statistika. Bandung: Tarsito.
6. Sutrisno Hadi. 1992. Statistik Jilid I. Yogyakarta. Andi offset.
7. Amudi Pasaribu, 19830, Pengantar Statistik , Edisi keenam, Ghalia Indonesia.
8. J. Supranto, 2000, Statistik Teori dan Aplikasi , Edisi keenam Jilid I dan II, Penerbit
Erlangga
9. Murray R.Spiegel; I. Nyoman Susila, 1992, Teori dan Soal-Soal Statistik Versi SI
(Metrik), Penerbit Erlangga.
10. Ronald E.Walpole, 1982, Pengantar Statistika , Edisi ketiga, Penerbit PT. Gramedia,
Jakarta.


Probstat 3

Diunggah oleh

Informasi Dokumen

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

Probstat 3

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PERKULIAHAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

2021 Probabilitas dan Statistik

2021 Probabilitas dan Statistik

2021 Probabilitas dan Statistik

Jika hasil eksperimen tidak sama-sama mungkin terjadi, probabilitas harus

2021 Probabilitas dan Statistik

Gambar 3.1 Aturan penjumlahan peluang

2021 Probabilitas dan Statistik

2021 Probabilitas dan Statistik

Bukti: Karena A ∪ A’ = S dan himpunan A dan A’ saling terpisah,

2021 Probabilitas dan Statistik

3.3. PELUANG BERSYARAT

Contoh ini mengilustrasikan bahwa kejadian mungkin memiliki probabilitas yang

2021 Probabilitas dan Statistik

Laki-Laki 460 40 500

2021 Probabilitas dan Statistik

Gagasan probabilitas bersyarat memberikan kemampuan untuk mengevaluasi

2021 Probabilitas dan Statistik

3.4. INDEPENDENT EVENTS (KEJADIAN BEBAS/ PERISTIWA INDEPENDEN)

3.5. ATURAN PERKALIAN

2021 Probabilitas dan Statistik

Persamaan di atas berlaku karena independensi di antara keempat komponen

2021 Probabilitas dan Statistik

Gambar 3.2 Sistem kelistrikan untuk 3.15

Bila peristiwa A1, A2, ..., Ak tidak bergantung, maka

sehingga berdasarkan Teorema 3.7,

2021 Probabilitas dan Statistik

Gambar 3.3 Diagram Venn untuk peristiwa A, E, dan E

2021 Probabilitas dan Statistik

Gambar 3.4 Diagram Pohon untuk data pada Tabel 3.1

Gambar 3.5 Diagram Venn terkait dengan Gambar 3.4

2021 Probabilitas dan Statistik

Menggunakan korelasi 2 dari Teorema 3.1 dan Teorema 3.4, diperoleh

2021 Probabilitas dan Statistik

dan kemudian menggunakan Teorema 3.7 pada penyebut, diperoleh

2021 Probabilitas dan Statistik

2021 Probabilitas dan Statistik

Anda mungkin juga menyukai