TEORI & DISTRIBUSI

PROBABILITAS

•DIAGRAM VENN
•PROBABILITAS
•DISTRIBUSI NORMAL
DIAGRAM VENN
1. AUB:
A atau B
A B

A dan B

A A B

05/11/2021 LaOde Saafi 2

2. A∩B
(Irisan A dan B)
A B

3. A- B
(Selisih A dan B)
A A B

05/11/2021 LaOde Saafi 3

4. A’ atau Ac
A’ = S - A
S

AS

05/11/2021 LaOde Saafi 4

PROBABILITAS
◼ Teori Probabilitas, disebut pula:
 Teori Peluang, atau
 Teori Kemungkinan

PENGERTIAN
◼ Probabilitas suatu peristiwa (event) adalah
frekuensi relatif seperangkat outcome terhadap
eksperimen (trials) yang ber-ulang2 dalam
jumlah tidak terbatas ataupun terbatas
◼ Event (peristiwa) adalah seperangkat outcome
yang diamati

◼ Ruang sampel adalah seluruh perangkat out-

come yang mungkin terjadi
Jenis Probabilitas
◼ Probabilitas Observasi adalah probabilitas tim-
bulnya kejadian pada suatu observasi

◼ Probailitas Empiris adalah probabilitas timbulnya

kejadian dalam sejumlah besar observasi

◼ Probabilitas Teoritis adalah probabilitas timbul-

nya kejadian dari observasi yang tak terhingga
jumlahnya
Pentingnya Probabilitas:
◼ Digunakan untuk perhitungan dan interpretasi
harga – P (p-values) dalam uji statistik
◼ Juga digunakan dalam pembahasan sensitivitas,
specivitas dan harga prediksi dalam test
screening (penjaringan)

Probabilitas dinyatakan dalam bilangan pecahan

atau desimal
KONSEP PROBABILITAS
◼ Probabilitas suatu peristiwa adalah perbanding-
an antara berapa kali peristiwa itu diharapkan
akan terjadi jika eksperimen di-ulang2 dengan
banyak kali dalam kondisi yang sama

◼ Jika suatu ruang sampel dengan N(S) elemen

yang berkemungkinan sama terjadinya, dan
peristiwa A mempunyai N(A) elemen, maka
probabilitas bahwa peristiwa A akan terjadi
adalah: N(A)
P(A) = --------
N(S)
 P(A) = Probabilitas peristiwa A akan terjadi
N(S) = Banyaknya elemen ruang sampel S
N(A) = Banyaknya elemen dalam peristiwa A

Contoh
1. Sebuah kotak berisi N bola, yang terdiri atas a bola
putih dan (N-a) bola merah. Setelah dicampuradukkan,
lalu mengambil satu bola dengan tidak melihatnya.
Misalkan peristiwa A adalah perisiwa bola putih yang
terambil.
N(A) a
P(A) = ------ = -----
N(S) N
2. Jika A adalah peristiwa munculnya mata satu (.) dalam
suatu pelemparan sebuah dadu, maka N(A) = 1 dan
N(S) = 6.
N(A) 1
P(A) = ------- = ----
N(S) 6

Untuk setiap peristiwa, berlaku:

0 ≤ P(A) < 1
Karena 0 ˂ N(A) ˂ N(S), maka:
P(0) = 0 dan P(S) = 1
Suatu ruang sampel yang memiliki sifat bahwa
elemen2nya berkemungkinan sama, dikatakan
mempunyai MODEL PROBABILITAS UNIFORM

Jika dua peristiwa A, B yang tidak mempunyai

elemen berserikat, yaitu A ∩ B = 0, dinamakan
SALING ASING (mutually exclusive atau disjoint).
Untuk setiap dua peristiwa A, B yang saling
asing, berlaku:

P(A U B) = P(A) + P(B) atau

P(A U B) = P(A) + P(B) – P(A ∩ B)
=0
Tiga peristiwa atau lebih, A, B, C, ... yang saling
asing:
P(A U B U C) = P(A) + P(B) + P(C)

Untuk setiap peristiwa A,berlaku:

P(AC) = 1 – P(A)

Untuk setiap dua peristiwa A, B berlaku:

P(B) = P(B ∩ A) + P(B ∩ AC)
Beberapa aturan Probabilitas:
1. P(S) = 1
2. P(0) = 0
3. P(Ac) = 1 – P(A)
4. P(A U B)U = P(A) + P(B) – P(A ∩ B)

5. Jika saling asing, maka:

P(A U B) = P(A) + P(B)
Contoh:
1. Sebuah kartu diambil secara random dari satu desk
kartu bridges. Dipandang, peristiwa2 berikut beberapa
probabilitasnya masing-masing:
A = kartu terambil adalah Hati
B = kartu terambil adalah Berlian
C = kertu terambil adalah Ace

Jawab:
P(A) = 13/52 = ¼
P(B) = 13/52 = ¼
P(C) = 4/52 = 1/13
Karena peristiwa A, B saling asing, maka:

P(A U B) = P(A) + P(B)

=¼+¼=½

Tetapi karena A, C tidak saling asing, maka:

P(A U B) = P(A) + P(B) – P(A ∩ B)

= ¼ + ¼ - 1/52
= 16/52
2. Jika dua kartu diambil dengan pengembalian, berapa
probabilitasnya bahwa paling sedikit satu Ace dari
kedua kartu itu?
Jawab:
N(S) = 52 x 52
A1 = peristiwa kartu pertama Ace
A2 = peristiwa kartu kedua Ace
N(A1) = 4 x 52 dan N(A2) = 52 x 4

4 x 52 52 x 4
P(A1) = ---------- = 1/13; P(A2) = ----------- = 1/13
52 x 52 52 x 52
Karena peristiwa A1, A2 tidak saling asing, maka:
4x4
P(A1 ∩ A2) = ----------- = ( 1/13 )2 = 1/169
52 x 52

P(paling sedikit satu Ace) = P(A1 U A2)

= P(A1) + P(A2) – P(A1 ∩ A2)
= 1/13 + 1/13 – 1/169
= 25/169
DISTRIBUSI NORMAL
• 1733 Dikembangkan pertama oleh
ABRAHAM DE MOIVRE (Inggris,
1667-1754)
• 1775 LAPLACE juga telah mengenal
distribusi ini
• 1809 CARL FRIEDRICH GAUSS (Jerman,
1777-1855) menurunkan persamaan
distribusi dalam suatu studi tentang
galat, dan dipublikasikan. Distribusi
normal kemudian dikenal sebagai
DISTRIBUSI GAUSS
FUNGSI PROBABILITAS

di mana: -
-

Atau
Luas Kurva Normal seluruhnya:

Luas bagian kurva normal ( x = a; x = b ):

P(a
SIFAT-SIFAT KURVA NORMAL

1. Kurva Normal simetris, berbentuk genta

(lonceng)
2. Harga Mean = Median = Modus
3. Mempunyai titik belok pada x = µ ± σ
4. Memotong sumbu mendatar secara asimptosis
5. Luas daerah antara kurva normal dan sumbu
mendatar =1 (dapat diartikan sebagai proporsi,
persen atau diinterpretasikan sebagai proba-
bilitas)
Distribusi Normal ditentukan oleh dua
parameter:
Mean (µ) dan
Variansi (σ2)
ditulis:
N (µ; σ2)

Distribusi Normal Standar:

Mean µ = 0
Deviasi Standar σ = 1
 σ /Vn σ =1

µ =0 z1 z
µ X1 x

N (µ; σ2) N (0; 1)

Distribusi Normal Distribusi Normal

Standar
SKALA Z

Variabel - Mean
Z = --------------------------
Deviasi Standar

X -µ
Z = ----------
σ
Untuk Distribusi N (µ; σ2)

(µ + σ) - µ (µ - σ) - µ
Z1 = -------------- = 1 dan Z2 = -------------- = 1
σ σ

PROBABILITAS:
1. Standar Deviasi → P (µ - σ) ≤ ꭕ ≤ (µ + σ) = 0,683
2. Standar Deviasi → P (µ - 2σ) ≤ ꭕ ≤ (µ + 2σ) = 0,954
3. Standar Deviasi → P (µ - 3σ) ≤ ꭕ ≤ (µ + 3σ) = 0,997
DEVIASI STANDAR
◼ Dihitung dengan cara: akar positif variansi
__________
◼ Deviasi Standar = Variansi
ARTI DEVIASI STANDAR
99,7%
95,4%
68,3%

34%

48%

49,9%

-3SD - -1SD +1SD +2SD +3SD

2S
D N( , )
Arti Standar Deviasi

◼ 1SD: P(µ - σ) ≤ ꭕ ≤ (µ + σ) = 0,683

◼ 2SD: P(µ - 2σ) ≤ ꭕ ≤ (µ + 2σ) = 0,954
◼ 3SD: P(µ - 3σ) ≤ ꭕ ≤ (µ + 3σ) = 0,997
DISTRIBUSI SAMPLING
PENGERTIAN

◼ SAMPEL RANDOM: yaitu sampel yang pengambil-

annya sedemikian hingga tiap elemen populasi-
nya mempunyai kemungkinan yang sama untuk
terambil dalam sampel, dan observasi2 dalam
sampel ini independen satu dengan yang lain
◼ STATISTIK:
 suatu harga yang dihitung dari suatu sampel.
 merupakan variabel random & fungsi observasi sampel
◼ DISTRIBUSI SAMPLING: yaitu distribusi proba-
bilitas suatu harga statistik

◼ STANDARD ERROR (kesalahan standar): yaitu

deviasi standar distribusi sampling
 POPULASI
X1, X2, X3, ..., Xn
Mean = , Variansi = 2

SAMPEL 1 SAMPEL 2 SAMPEL M

Xi, ..., Xm Xi, ..., Xm Xi, ..., Xm
( n observasi ) ( n observasi ) ( n observasi )

mean mean mean

X1 X2 Xm 1)

variansi variansi variansi

S1 2 S2 2 Sm 2 2)

1) - Distribusi Sampling Mean 2) - Distribusi Sampling Variansi

SIFAT-SIFAT DISTRIBUSI SAMPLING

1. Apabila sampel2 random dengan n elemen

masing2 diambil dari suatu populasi yang mem-
punyai mean µ dan variansi σ2, maka distribusi
sampling harga mean akan mempunyai mean
x = µ pula, variansi = σ2/n (atau mempunyai de-
viasi standar = σ/Vn).
2. Apabila populasi (dalam sifat 1 di atas) berdis-
tribusi normal, maka distribusi sampling harga
mean juga berdistribusi normal
3. Teori Limit Pusat: Apabila sampel2 random di
ambil dari suatu populasi yang berdistribusi
sembarang, yang mempunyai mean µ dan vari-
ansi σ2, maka untuk n besar, distribusi sampling
harga mean dapat dianggap mendekati distri-
busi normal dengan mean µ dan varianasi σ2/n.
D.p.l. :
X -µ
Z = ----------, mendekati
σ/Vn Normal Standar
4. Apabila sampel2 random dengan n elemen
masing2 diambil dari suatu populasi normal
yang mempunyai mean µ dan variansi σ2,
maka distribusi sampling harga variansi akan
mempunyai mean = σ2 dan variansi = 2σ4/n-1.

Dari sifat 1 di atas:

µx = µ dan σx2 = σ2/n (dengan pengembalian)

σ2 N-n
σx2 = ---- x -------- ( tanpa pengemba-
n N - 1 lian )