Statistika Sosial

Bab-5
Teori Probabilitas
Chapter Goals
Materi Bahasan :
1. 3 Pendekatan untuk menilai probabilitas
2. Aturan Umum Probabilitas
3. “Bayes 'Theorem” untuk probabilitas bersyarat
4. Distribusi Probabilitas Diskrit dan Kontinu
5. Nilai Ekspektasi dan Deviasi Standar untuk
sebuah distribusi probabilitas diskrit
 Important Terms, Istilah Penting

 Probability – kesempatan suatu peristiwa yang

tidak pasti akan terjadi (nilainya antara 0 dan 1)
 Experiment – proses mendapatkan hasil untuk
peristiwa-peristiwa yang tidak pasti
 Elementary Event – hasil yang paling mungkin
dari suatu percobaan sederhana
 Sample Space – koleksi dari semua hasil yang
mungkin
 Sample Space, Ruang Sampel

Sample Space adalah kumpulan dari semua hasil yang mungkin

Misalnya :
1. Semua 6 muka dadu
2. Semua 52 kartu bridge
Events, Kejadian, Peristiwa

 Elementary event – Suatu hasil dari sebuah

sample space dengan salah satu ciri khas
 Example: Sebuah kartu merah dari tumpukan kartu

 Event – Mungkin melibatkan dua atau lebih

hasil secara simultan
 Example: Sebuah “kartu AS” yang juga merah dari setumpuk
kartu
Visualizing Events, Memvisualisasikan
Peristiwa

 Contingency Tables
Ace Not-Ace Total
Black 2 24 26
Red 2 24 26
Sample
Total 4 48 52 Space

 Tree Diagrams 2
Sample 24
Space
Full Deck
of 52 Cards Ace
2
24
Elementary Events
 Seorang konsultan mobil mencatat jenis bahan bakar
(fuel type ) dan jenis kendaraan (vehicle type) untuk
sampel kendaraan.
2 Fuel types : Gasoline, Diesel
3 Vehicle types : Truck, Car, SUV

6 possible elementary events: e1

e1 Gasoline, Truck Car
e2
e2 Gasoline, Car
e3
e3 Gasoline, SUV
e4 Diesel, Truck e4
e5 Diesel, Car Car
e5
e6 Diesel, SUV
e6
Probability Concepts
1. Mutually Exclusive Events (Peristiwa Saling
Ekslusif)
 Jika E1 terjadi, maka E2 tidak dapat terjadi
 E1 dan E2 tidak punya elemen umum
E2 Kartu Hitam dan
E1 Merah tidak bisa
terjadi dalam waktu
Red
Black bersamaan
Cards
Cards
Probability Concepts

2. Independent and Dependent Events

 Independent: Terjadinya suatu peristiwa
tidak mempengaruhi kemungkinan
terjadinya peristiwa lain

 Dependent: Kejadian yang satu

mempengaruhi probabilitas yang lain
Independent vs. Dependent Events
 Independent Events
E1 = Sisi pada lemparan pertama dari satu koin
E2 = Sisi pada lemparan kedua dari koin yang sama

Hasil lemparan kedua tidak tergantung hasil lemparan

pertama.
 Dependent Events
E1 = perkiraan cuaca di Berita
E2 = bawa payung ke tempat kerja

Probabilitas peristiwa kedua adalah efek dari kejadian

peristiwa pertama.
Menetapkan Probability

Rules of Probability, Aturan Probabilitas

Rules for
Possible Values
and Sum

Individual Values Sum of All Values

0 ≤ P(ei) ≤ 1 k

For any event ei  P(e )  1

i 1
i

where:
k = Number of elementary events in
the sample space
ei = ith elementary event
1. Addition Rule for Elementary
Events, Aturan Penambahan Elementary Events

 Probabilitas suatu peristiwa Ei adalah sama

dengan jumlah dari probabilitas peristiwa dasar
pembentukan Ei.
 That is, if:
Ei = {e1, e2, e3}
then:
P(Ei) = P(e1) + P(e2) + P(e3)
Complement Rule, Aturan Pelengkap

 The complement of an event E is the collection of all

possible elementary events not contained in event E.
The complement of event E is represented by E.
 Komplemen dari suatu peristiwa E adalah kumpulan dari semua peristiwa dasar
yang mungkin tidak terkandung dalam peristiwa E.
 Komplemen dari peristiwa E diwakili oleh Ē.

E
 Complement Rule:
P(E )  1  P(E) E

Or, P(E)  P(E)  1

Addition Rule for Two Events
■ Addition Rule:

P(E1 or E2) = P(E1) + P(E2) - P(E1 and E2)

E1 + E2 = E1 E2

P(E1 or E2) = P(E1) + P(E2) - P(E1 and E2)

Jangan menghitung
Elemen umum 2 kali!
Addition Rule Example
 P(Red or Ace) = P(Red) +P(Ace) - P(Red and Ace)
= 26/52 + 4/52 - 2/52 = 28/52

Type Color Total Jangan

Red Black menghitung
kartu AS
Ace 2 2 4 2 kali!
Non-Ace 24 24 48
Total 26 26 52
Addition Rule for Mutually Exclusive
Events,

Aturan Penambahan Peristiwa saling Eksklusif.

 If E1 and E2 are mutually exclusive, then
P(E1 and E2) = 0
E1 E2
So

P(E1 or E2) = P(E1) + P(E2) - P(E1 and E2)

= P(E1) + P(E2)
Conditional Probability
 Probabilitas Bersyarat (Conditional
probability) for any two events E1 , E2:

P(E1 and E 2 )
P(E1 | E 2 ) 
P(E 2 )

where P(E2 )  0
Conditional Probability Example

 Kondisi beberapa mobil bekas, 70% memiliki AC

dan 40% memiliki CD player (CD). 20% mobil
memiliki keduanya.

 Berapakah probabilitas sebuah mobil

memiliki CD player, dimana mobil itu
memiliki AC?
Carilah : P(CD | AC)
Conditional Probability Example (continued)
 Mobil-mobil yang berada di lot mobil bekas, 70% memiliki
air conditioning (AC) and 40% memiliki CD player (CD).
20% of the cars memiliki keduanya.

CD No CD Total
AC .2 .5 .7
No AC .2 .1 .3
Total .4 .6 1.0

P(CD and AC) .2

P(CD | AC)    .2857
P(AC) .7
Conditional Probability Example (continued)
 Given AC, we only consider the top row (70% of the
cars). Of these, 20% have a CD player. 20% of 70% is
about 28.57%.
CD No CD Total
AC .2 .5 .7
No AC .2 .1 .3
Total .4 .6 1.0

P(CD and AC) .2

P(CD | AC)    .2857
P(AC) .7
For Independent Events:

 Conditional probability for independent

events E1 , E2:

P(E1 | E2 )  P(E1) where P(E2 )  0

P(E2 | E1)  P(E2 ) where P(E1)  0

Multiplication Rules, Aturan Perkalian

 Multiplication rule for two events E1 and E2:

P(E1 and E2 )  P(E1 ) P(E2 | E1 )

Note: If E1 and E2 are independent, then P(E2 | E1 )  P(E2 )

and the multiplication rule simplifies to

P(E1 and E2 )  P(E1 ) P(E2 )

Tree Diagram Example
P(E1 and E3) = 0.8 x 0.2 = 0.16

Car: P(E4|E1) = 0.5 P(E1 and E4) = 0.8 x 0.5 = 0.40

Gasoline
P(E1) = 0.8
P(E1 and E5) = 0.8 x 0.3 = 0.24

P(E2 and E3) = 0.2 x 0.6 = 0.12

Diesel
Car: P(E4|E2) = 0.1
P(E2) = 0.2 P(E2 and E4) = 0.2 x 0.1 = 0.02

P(E3 and E4) = 0.2 x 0.3 = 0.06

Introduction to Probability
Distributions
 Random Variable
 Merupakan nilai numerik yang mungkin dari
kejadian acak
Random
Variables

Discrete Continuous
Random Variable Random Variable