Probabilitas &

Distribusi Probabilitas

D. Renovaldi, M.Sc.(Biomed)
Faculty of Medicine and Health
Universitas Muhammadiyah Jakarta
Probabilitas
 Definisi peluang untuk terjadi atau tidak terjadi
 Probabilitas untuk keluarnya mata satu dalam
pelemparan satu kali sebuah dadu ?
 Berapakah peluang seorang anak yang sudah
diimunisasi dengan BCG akan mendapatkan
sakit TBC ?
 Kata-kata demikian sepertinya sudah biasa
dalam kehidupan manusia selama ini dan
didalam permasalahan kesehatan masyarakat.

2
Probabilitas
 Kunci aplikasi probabilitas dalam statistik adalah
memperkirakan terjadinya peluang/probabilitas
yang dihubungkan dengan terjadinya peristiwa
tersebut dalam beberapa keadaan.
 Jika kita mengetahui keseluruhan probabilitas
dari kemungkinan outcome yang terjadi, seluruh
probabilitas kejadian tersebut akan membentuk
suatu distribusi probabilitas.

3
Konsep probabilitas
 Pandangan Klasik /intuitif
 Pandangan Empiris / Probabilitas
Relatif
 Pandangan Subyektif

4
Probabilitas Klasik /intuitif
 Didalam pandangan klasik ini
probabilitas/peluang adalah harga angka yang
menunjukkan seberapa besar kemungkinan
bahwa suatu peristiwa terjadi, diantara
keseluruhan peristiwa yang mungkin terjadi
 Contoh : Sebuah mata uang logam mempunyai
sisi dua (gambar dan angka), kalau mata uang
tersebut dilambungkan satu kali maka peluang
untuk keluar sisi gambar adalah 1/2.

5
Probabilitas Empiris / Relatif
 Dalam pandangan ini probabilitas berdasarkan
observasi, pengalaman atau kejadian(peristiwa)
yang telah terjadi.
 Contoh:
 Dari10.000 hasil suatu produksi 100 rusak
P(rusak) = 1% = 0,01
 Upah(Rp 1000) Jumlah %
200 - 499 90 30
500 - 749 165 55
750 - 999 45 15

6
Distribusi Probabilitas
(probability density function dan cumulative
density function)

Prob. RS menerima <=10 kasus/hari = CDF(10)

CDF(10) = PDF(1) + PDF(2) + PDF(3) + … + PDF(10)
7
Probabilitas Subyektif
 Didalam pandangan subyektif probabilitas
ditentukan oleh yang membuat pernyataan
 Seorang direktur rumah sakit menyatakan
keyakinannya ( 90%) bahwa rumah sakit yang
dipimpinnya akan dapat mulai swadana ( break
event point) lima tahun kedepan.
 Kebenaran dari probabilitas subyektif ini sangat
tergantung kepada orang yang menentukannya

8
DISTRIBUSI PROBABILITAS
Ada bermacam-macam distribusi teoritis :
 Distribusi Binomial (Bernaulli)
 Distribusi Poisson
 Distribusi Normal (Gauss)

9
1. Distribusi Binomial

• Penemu Distribusi Binomial adalah

James Bernaulli sehingga dikenal
sebagai Distribusi Bernaulli.
• Menggambarkan fenomena dengan
dua hasil atau outcome. Contoh:
peluang sukses dan gagal,sehat dan
sakit, dsb.
Syarat Distribusi Binomial
1.Jumlah trial merupakan bilangan bulat. Contoh:
melambungkancoin 2 kali, tidakmungkin2 ½ kali.
2.Setiap eksperiman mempunyai dua outcome (hasil).
Contoh: sukses/gagal,laki/perempuan,
sehat/sakit,setuju/tidaksetuju.
3. Peluang sukses sama setiap eksperimen.
Contoh: Jika pada lambungan pertama peluang
keluar mata H/sukses adalah ½, pada lambungan
seterusnya juga ½.
 Contoh Distribusi Binomial
Simbol peristiwa Binomial : b (x,n,p)
 b=binomial
 x=banyaknya sukses yang diinginkan
(bilangan random)
 n= Jumlah trial
 p= peluang sukses dalam satu kali trial.

Dadu dilemparkan 5 kali, diharapkan keluar

mata 6 dua kali, maka kejadian ini dapat
ditulis b(2,5,1/6) x=2, n=5, p=1/6
 Contoh soal
Probabilitas seorang bayi tidak di imunisasi
polio adalah 0,2 (p). Pada suatu hari di
Puskesmas “X” ada 4 orang bayi.
Hitunglah peluang dari bayi tersebut 2 bayi
yang belum imunisasi polio.

Jadi, di dalam kejadian binomial ini

dikatakan b (x=2, n=4, p=0,2)
dituliskan: b (2, 4, 0,2)
Penyelesaian soal
Rumus untuk b (x,n,p) adalah:
 Diketahui : b (x=2, n=4, p=0,2)

Silahkan
dikerjakan!
2. Distribusi Poisson
Dalam mempelajari distribusi Binomial kita dihadapkan
pada probabilitas variabel random diskrit (bilangan
bulat) yang jumlah trial nya kecil (daftar binomial),
sedangkan jika dihadapkan pada suatu kejadian dengan
p <<< dan menyangkut kejadian yang luas n >>> maka
digunakan distribusi Poisson.

Distribusi Poisson dipakai untuk menentukan peluang

suatu kejadian yang jarang terjadi, tetapi mengenai
populasi yang luas atau area yang luas dan juga
berhubungan dengan waktu.
Contoh Distribusi Poisson
1. Disuatu gerbang tol yang dilewati ribuan
mobil dalam suatu hari akan terjadi
kecelakaan dari sekian banyak mobil yang
lewat.
2. Dikatakan bahwa kejadian seseorang
akan meninggal karena syok pada waktu
disuntik dengan vaksin meningitis 0,0005.
Padahal, vaksinasi tersebut selalu
diberikan kalau seseorang ingin pergi haji.
Rumus Distribusi Poisson
Distribusi Normal
 Untuk suatu sampel yang cukup besar
terutama untuk gejala alam seperti berat
badan, tinggi badan biasnya kurva yang
dibentuk dari distribusi tersebut juga
simetris dengan tertentu dan Sd
(simpangan baku) tertentu maka kurva
simetris yang terjadi disebut kurva
normal umum.
19
Distribusi Normal (Gauss)
 Laplace 1775  1809 Gauss
mempublikasi Distribusi Gauss- laplace
( N Gauss )
 Variabel random kontinu
 Kurva normal standar mempunyai
=0 dan  = 1  N (0 , 1)

20
21
Distribusi Normal (Gauss)

 Untuk dapat menentukan

probabilitas didalam kurva x
normal umum, maka nilai Z
yang akan dicari 
ditransformasikan dulu
kenilai kurva normal standar
melalui tranformasi Z (
deviasi relatif ) xx
Z
s

22
Distribusi Normal Standar
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
    

Distribusi normal dengan mean=0 dan simpang baku=1

Dapat digunakan untuk berbagai ukuran  Menggunakan
transformasi 23
Penggunaan Tabel Z

24
Z table in
statistic and
probability

25
CONTOH SOAL
 Seorang peneliti dilaboratorium telah
mengumpulkan data kolesterol darah dari
20.000 pasien dirumah sakit “X” selama 2
tahun. Dari hasil pengolahan data diketahui
bahwa data tersebut menghasilkan sebaran
simetris dengan rata-rata 180 mg/dl dengan
simpangan baku 50 mg/dl. Hitunglah
 Probabilitas seorang pasien dengan kadar
kolesterol lebih besar dari 200 mg/dl

26
 


Jawaban

 
 Z= 
= 200 – 180 = 0.4
50
 Nilai p pada z = 0.4 adalah 0.1554
 Probabilitas seorang pasien dengan kadar
kolesterol lebih besar dari 200 mg/dl adalah
0.5 – 0.1554 = 0.3446 atau 34.46 %

27
CONTOH SOAL
Probabilitas seorang pasien dengan kadar
kolesterol kurang dari 150 mg/dl
 Z=
= 150 – 180 = -0.6
50
 Nilai p pada z = -0.6 adalah 0.2257
 Probabilitas seorang pasien dengan kadar
kolesterol kurang dari 150 mg/dl adalah 0.5 –
0.2257 = 0.2743atau 27.43%

28
 CONTOH SOAL
Probabilitas seorang pasien dengan kadar kolesterol antara
150 s/d 200 mg/dl

 Z1 = 150 – 180 = -0.6

50
Nilai p pada z = -0.6 adalah 0.2257

 Z2 = 200 – 180 = 0.4

50
Nilai p pada z = 0.4 adalah 0.1554
 Probabilitas seorang pasien dengan kadar kolesterol
antara 150 s/d 200 mg/dl
Adalah Z1+Z2 = 0.2257+0.1554 = 0.3811 atau 38.11% 29
Contoh soal
Probabilitas seorang pasien dengan kadar kolesterol diatas
220 mg/dl

 Z = 220 – 180 = 0.8

50
Nilai p pada z = 0.8 adalah 0.2881
 Probabilitas seorang pasien dengan kadar kolesterol
diatas 220 mg/dl adalah 0.5- 0.2881 = 0.2119 atau
21.19%
 Jumlah pasien yang mempunyai kadar kolesterol
diatas 220 mg/dl adalah 20.000* 0.2119 = 4238 orang
30
 REFERENSI :

31
THANK YOU!
Contact me:
dede.renovaldi@gmail.com

32