Probability

#4&5
Niniet Indah A.
niniet@ie.its.ac.id

Sepuluh Nopember Institute of Technology

INDONESIA
Background of #4

 Descriptive statistics is used to

summarize and present data that have
already occurred.
 To infer something about the
population, and to measure the chance
that “the something” will occur, we have
to use PROBABILITY concept.
Course Outline

 Pengantar peluang : Eksperimen, Outcome

eksperimen (Hasil), simple event (n), Sample
space (N), Event (Kejadian)
 Menghitung banyak titik sample (permutasi,
kombinasi)
How to understand and
 Peluang : use the rule of probability
 Peluang kejadian
 Peluang bersyarat
 Aturan Bayes
percobaan, titik sampel,
ruang sampel, dan
kejadian.
percobaan, titik sampel dan ruang sampel

1. Percobaan (Experiment)
 Proses mendapatkan suatu hasil atau Which the
outcome is
kejadian sederhana melalui uncertain
pengamatan/observasi/pengukuran.
2. Titik Sampel (Sample Point)/ hasil
(outcome)
 Hasil percobaan paling dasar ; Ruang Sampel
tergantung pada
kejadian sederhana Eksperimenter !

3. Ruang Sampel (S)

 Kumpulan dari seluruh hasil yang
mungkin ; himpunan dari seluruh
kejadian sederhana
percobaan, titik sampel dan ruang sampel
Contoh Percobaan dan Ruang Sampel :

 Percobaan melantunkan (tossing) mata uang,

maka kemungkinan hasil yang mungkin
diperoleh adalah S={Head,Tail}
Ruang sampel

 Percobaan melantumkan sebuah dadu (dice),

maka ruang sample S1={1, 2, 3, 4, 5 ,6}

 Bila yang diinginkan adalah nomor genap

atau ganjil, maka ruang sample S2={even,
odd}
percobaan, titik dan ruang sampel
Contoh titik sampel/ hasil (Outcome) :
Percobaan Ruang Sampel
Lempar sebuah koin, catat permukaan Muka, Belakang
Lempar 2 Koin, catat permukaan MM, MB, BM, BB
Pilih 1 Kartu, Catat Macam 2, 2, ..., A (52)
Pilih 1 Kartu, Catat Warna Merah, Hitam
Main satu permainan Sepakbola Menang, Kalah, Seri
Periksa suatu Bagian, Catat Mutu Cacat, OK
Amati Jenis Kelamin Laki-laki, Wanita

Hasil/ Titik Sampel/Kejadian Sederhana

kejadian/ peristiwa (events)
Kejadian :
himpunan bagian dari ruang sample ;
hal yang diperhatikan dari sebuah eksperimen dan
terdiri atas 1 atau lebih kejadian sederhana.

Kejadian Sederhana (Simple Event)

Hasil dasar dari sebuah eksperimen yang tidak
dapat disederhanakan lagi.

Kejadian Majemuk (Compound Event)

Kejadian yang terdiri atas dua atau lebih
kejadian sederhana.
percobaan, titik sampel,
ruang sampel, dan kejadian

Contoh urutan antara percobaan, titik sampel, ruang

sampel, dan kejadian :

Pertandingan sepakbola antara

PERCOBAAN
Indonesia VS Jerman
Indonesia menang Titik sampel 1
RUANG SAMPEL Indonesia kalah Titik sampel 2
Indonesia seri Titik sampel 3
KEJADIAN Indonesia menang

An event is a
Berapa peluang untuk
subset of the
kejadian “Indonesia sample space
menang”??
kejadian majemuk

Bentuk Kejadian Majemuk

1. Irisan (Intersection)
 Hasilnya antara dua kejadian A dan B
 Dinyatakan dengan ‘DAN’
 Lambang  (contoh : A  B)

2. Gabungan (Union)
 Hasilnya salah satu kejadian A atau B atau
keduanya
 Dinyatakan dengan ‘ATAU’
 Lambang  (contoh : A  B)
 1.kejadian majemuk <irisan>
Irisan Kejadian : Diagram Venn
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Angka
Kartu.
Hitam
Kejadian
Hitam :
Ruang
2H, ...,
Sampel :
AH
2M, 2M,
2H, ..., AH

S
As Kejadian As : Irisan Kejadian (As  Hitam) :
AM, AM, AH, AH AH, AH
 1.kejadian majemuk <irisan>
Irisan Kejadian : Tabel Kontingensi
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Angka
Kartu.

Ruang Sampel (S) :

2M, 2M, 2H, ..., AH
WARNA
TOTAL
JENIS MERAH HITAM
AS AS - MERAH AS - HITAM AS
NON - AS NON - MERAH NON - HITAM NON - AS
TOTAL MERAH HITAM S

Irisan Kejadian As
DAN Hitam :
AH, AH
 2.kejadian majemuk <gabungan>
Gabungan Kejadian : Diagram Venn
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Angka
Kartu.
Hitam
Kejadian
Hitam :
Ruang
2H,
Sampel :
2H,...,
2M, 2M, 2H,
AH
..., AH

S
As
Kejadian As :
Kejadian (As  Hitam) :
AM, AM, AH, AH
AM, ..., AH, 2H, ..., KH
2.kejadian majemuk <gabungan>
Gabungan Kejadian : Tabel Kontingensi
Eksperimen : Tarik 1 Kartu. Catat Macam, Warna dan Rupa
Kartu.
Ruang Sampel (S) :
2M, 2M, 2H, ..., AH
WARNA
TOTAL
JENIS MERAH HITAM
AS AS - MERAH AS - HITAM AS
NON - AS NON - MERAH NON - HITAM NON - AS
TOTAL MERAH HITAM S

Gabungan Kejadian As
ATAU Hitam :
AM, ..., AH,2H, ..., KH
kejadian mutually exclusive
Kejadian mutually exclusive adalah kejadian saling lepas, yaitu
bila suatu perstiwa terjadi, maka peristiwa lain tidak dapat/
mungkin terjadi pada saat yang bersamaan.

CONTOH :
Pada percobaan melantunkan sebuah uang logam. Kejadian
munculnya SISI MUKA akan selalu bergantian dengan munculnya
SISI BELAKANG.

B Aturan:
P( A  B ) = 0
A P( A U B ) = P ( A ) + P( B )
S
kejadian mutually exclusive

CONTOH :

Hasil pada
kejadian
Ruang
Sampel :
2, 2, 2, ...,
A
  Heart:
2, 3, 4, ...,
A

S
Kejadian Spade: Kejadian  & adalah Mutually Exclusive
2, 3, 4, ..., A
kejadian komplemen
Ac dikatakan komplemen dari A bila kejadian yang muncul
adalah selain kejadian A, yaitu kejadian yang terdiri atas
kejadian sederhana yang tidak termasuk dalam kejadian A.

CONTOH :

Ruang
Sampel :
2M, 2M, 2H,
..., AH

S
Kejadian Hitam : Komplemen Kejadian Hitam <HitamC> :
2H, 2H, ..., AH 2M, 2M, ..., AM, AM
kejadian komplemen
CONTOH :
Dalam undian dengan sebuah dadu, misalkan A =
mendapat muka 6 di sebelah atas. Tentukan ruang
sampel kejadian A dan Ac !

JAWAB :
A={6}
Ac={1, 2, 3, 4, 5}.

NB : kejadian A dan Ac juga merupakan dua kejadian

yang saling lepas atau mutually exclusive .
kejadian independent

Kejadian independent adalah kejadian saling bebas, yaitu

terjadinya suatu kejadian tidak mempengaruhi probabilitas
terjadinya kejadian lain.

CONTOH :
Undian dilakukan dengan melantunkan sebuah mata uang
sebanyak dua kali. Misalkan A = muncul ANGKA pada pelemparan
pertama dan B = muncul ANGKA pada pelemparan kedua.

Kejadian A dan B merupakan kejadian independent, karena

probabilitas kejadian B <terjadinya muncul ANGKA pada
pelemparan kedua> tidak dipengaruhi oleh kejadian A.
kejadian kosong
Kejadian kosong adalah kejadian mustahil, yaitu
himpunan bagian ruang sampel yang tidak
mengandung unsur.
CONTOH : Kejadian Kosong


menghitung titik
sampel
 menghitung titik sampel
Banyaknya titik sampel dalam ruang sampel dapat dihitung dengan
cara PERMUTASI, KOMBINASI, MULTIPLIKATIF dan PARTISI.

1.PERMUTASI
Permutasi digunakan untuk mengetahui sejumlah kemungkinan
susunan (arrangement) jika terdapat sekelompok objek. Pada
permutasi kita berkepentingan pada susunan atau urutan dari objek.
Prn  n(n  1)(n  2)...(n  r  1)
n = jumlah total objek yang disusun
n! r = jumlah objek yang digunakan pada
Prn  n Pr 
n  r ! saat bersamaan
2.KOMBINASI
Kombinasi dipergunakan apabila kita tertarik pada berapa cara
sesuatu diambil dari keseluruhan objek tanpa memperhatikan
urutannya.
n n!
( ) =n Cr =
r r! (n - r)!
menghitung titik sampel
CONTOH :
Huruf A, B, C disusun berpasangan antara 2 huruf. Tentukan
jumlah titik sampel yang mungkin, bila dengan memperhatikan
urutan dan tidak memperhatikan urutan !!!
Memperhatikan urutan objek <PERMUTASI>
AB CB
3! 3!
3 P2 = = = 3.2 = 6 BA AC
(3 - 2)! 1!
BC CA

Tanpa memperhatikan urutan objek <KOMBINASI>

AB
3
( ) =3 C2 = 3! = 3 BC
2 2! (3 - 2)!
AC
menghitung titik sampel
CONTOH :
1. Terdapat 20 pelamar untuk menduduki lowongan sales,
produksi, dan gudang. Berapa alternatif yang tersedia untuk
menempatkan pelamar pada lowongan yang tersedia?
2. Manajer personalia memutuskan untuk menerima 5 insinyur
baru dari 100 lamaran yang masuk. Berapa alternatif yang
tersedia bagi manajer tersebut?
JAWAB :
1. Kasus permutasi.
20! 20!
20 P3    20x19x18  6.840
(20 - 3)! 17!
2. Kasus kombinasi.
100! 100! 100x99x98x97x96 9.034.502.400
100 C5      75.287.520
5!(100 - 5)! 5!95! 5x4x3x2x1 120
Contoh

Dengan berapa cara bila dari 25 sampel besi cor

akan diambil 4 sampel untuk diuji tingkat
keuletannya?

 25   25!
 25!  12650
 4  4!( 25  4)! 4!21!
 menghitung titik sampel

3.MULTIPLIKATIF

Terdapat K himpunan elemen. Himpunan ke-1 memiliki n1 elemen,

himpunan ke-2 memiliki n2 elemen,... himpunan ke – K memiliki nK
elemen. Untuk membentuk kejadian sederhana dari K elemen yang
diambil dari setiap himpunan, terdapat cara sejumlah :

n1  n2  n3  ...  nk
Contoh Multiplikatif:
Terdapat 20 calon untuk menduduki 3 jabatan engineer di suatu
perusahaan ( E1, E2 dan E3). Berapa macam alternatif yang
tersedia ?

Jawab :
Soal ini terdiri dari 3 himpunan elemen yaitu :
Himpunan 1 : calon yang tersedia untuk jabatan E1
Himpunan2 : calon yang tersisa (setelah menjabat E1) yang
tersedia untuk jabatan E2
Himpunan3 : calon yang tersisa ( setelah menjabat E1 dan
E2) yang tersedia untuk jabatan E3
Jumlah elemen himpunan n1 = 20, n2=19, n3 = 18
Maka alternatif yang tersedia adalah :

n1  n 2  n 3  20  19  18  6840
menghitung titik sampel

4.PARTISI
Terdapat sejumlah himpunan dengan N elemen yang berbeda
dan akan dibagi dalam K himpunan kecil. Himpunan ke- 1
memiliki n1 elemen. Himpunan ke- 2 memiliki n2 elemen,...,dan
himpunan ke- K memiliki nK elemen

Terdapat cara sejumlah:

N!
n1 ! n 2 !...n K !
Dimana: N= n1 + n2 +...+nK
Contoh partisi

12 sampel besi cor akan diuji dengan menggunakan 3 jenis

tes, apabila 3 sampel akan diuji dgn tes 1, 4 sampel dgn tes
2 dan 5 sampel dgn tes 3, dgn berapa cara dapat dilakukan
pengujian atas ke -12 sampel tersebut?

12! 12 .11 .10 ... 3 .2 .1

  27720
3!4!5! (3 .2 .1)( 4 .3 .2 .1)( 5 .4 .3 .2 .1)
  Contoh kasus menghitung titik sampel :
Terdapat 4 orang analis sistem yang akan dialokasikan
pada 2 pekerjaan dimana terdapat 3 org utk pekerjaan level
1 dan sisanya di pekerjaan level 2. Dalam berapa cara yang
berbeda kita dapat menugaskan mereka ke dalam 2 level
pekerjaan tersebut?

Jawab:
4 orang analis sistem : A, B, C, D

4 4! 4 .3.2.1
P 
1  4
4  1! 3.2.1.1
Cara untuk menugaskan ke -4 orang
Grup 1:ABCD;ACBD;BACD;BCAD;CABD;CBAD

Grup 2: ABDC; ADBC;BADC;BDAC;DABC;DBAC

Grup 3: ACDB;ADCB;CADB;CDAB;DACB;DCAB

Grup 4: BCDA;BDCA;CDBA;CBDA;DCBA;DCBA
(dgn aturan multiplikatif, kita dpt menghitungnya yaitu 4.3.2.1=24)

Cara utk menugaskan 3 org ke pekerjaan 1 dan 1 org ke pekerjaan 2

Pekerjaan level 1 : Pekerjaan level 2:
ABC D
ABD C
ACD B
BCD A
penetapan ”PELUANG”
kejadian
 Bagaimana kita mengukur ketidakpastian
yang berhubungan dengan suatu kejadian ?

PELUANG, misalnya dalam laporan ramalan

cuaca “peluang terjadinya hujan adalah 20 %”

Peluang juga membantu dalam kegiatan

membuat keputusan, misal: investasi
(dalam proses analisa keputusan  an
engineer must become a good decision maker)
Introduction to concept of probability
PROBABILITAS menyatakan
ketidakpastian dalam bentuk peluang.
atau
PROBABILITAS menyatakan ukuran
numerik dari kemungkinan suatu kejadian
akan terjadi.
THINKING CHALLENGE
 What’s the probability of
getting a head on the
toss of a single fair coin?
Use a scale from 0 (no
way) to 1 (sure thing).

 So toss a coin twice.

Do it! Did you get one
head & one tail? What’s
it all mean?
MANY REPETITIONS !
Total Heads / Note :
Number of Tosses Head = sisi muka uang
1.00 Tail = sisi belakang uang

0.75

0.50

0.25

0.00
0 25 50 75 100 125
Number of Tosses
 apakah peluang itu ???
1. Ukuran numerik dari Pasti
1
kemungkinan suatu
kejadian akan terjadi
 P(Kejadian)
 P(A) .5
 Prob(A)
2. Terletak antara 0 & 1
3. Jumlah seluruh kejadian
adalah 1 0 Tidak Mungkin
 Peluang adalah angka yang mengukur seberapa besar
kemungkinan terjadinya suatu kejadian akan muncul
ketika eksperimen dilakukan.
 Peluang terjadinya suatu kejadian (E) dilambangkan
dengan simbol : P(E)
 Aturan :
Peluang kejadian sederhana harus berada diantara 0
dan 1
0<= P(Ei) <=1, i=1,..,k

dimana E1, E2, E3, ..... Ek adalah kejadian dalam n

sampel.
jumlah peluang dari seluruh kejadian sederhana dalam
ruang sampel harus sama dengan 1
 pendekatan penetapan peluang kejadian

Berapakah
peluangnya ?

1. Pendekatan klasik
(a priori Classical Method)

2. Pendekatan frekuensi relatif

(Empirical Classical Method)

3. Pendekatan subyektif
(Subjective Method)
 pendekatan penetapan peluang kejadian

1. PENDEKATAN KLASIK
§ Didasarkan pada asumsi bahwa kemungkinan kemunculan setiap
hasil sama besar.
§ Memungkinkan penentuan nilai probabilitas sebelum eksperimen.
§ Pendekatan klasik = pendekatan apriori
§ Dirumuskan : Hasil elementer
No. of Event Probabilitas tiap
yang mungkin hasil sama –
diinginkan untuk Outcomes sama mungkin
N( A ) peristiwa A dan saling
P( A ) = meniadakan
N(S) Hasil yang Total (mutually
mungkin dalam exclusive)
Outcomes in
ruang sampel
Sample Space
pendekatan penetapan peluang kejadian
CONTOH PENDEKATAN KLASIK :

PERCOBAAN TITIK SAMPEL PROBABILITAS

Mahasiswa wisuda 1. Lulus Memuaskan 1/3
2. Lulus SM 1/3
3. Lulus CL 1/3
Pelemparan dadu 1. Muncul angka 1 1/6
2. Muncul angka 2 1/6
3. Muncul angka 3 1/6
4. Muncul angka 4 1/6
5. Muncul angka 5 1/6
6. Muncul angka 6 1/6
Perkiraan cuaca 1. Terik 1/3
2. Berawan 1/3
3. Hujan 1/3
pendekatan penetapan peluang kejadian

2. PENDEKATAN EMPIRICAL CLASSICAL:

1. Probabilitas ditentukan menurut dasar proporsi kejadian kemunculan
hasil dalam sejumlah observasi (Actual data collected ; After
experiment).
2. Tidak ada asumsi sebelumnya tentang kemungkinan kemunculan
yang sama besar seperti pada pendekatan klasik.
3. Pendekatan frekuensi relatif = pendekatan empiris
4. Dirumuskan :
Jumlah peristiwa
Of 100 Parts
A yang terjadi Inspected, Only 2
n( A ) Defects!
P( A ) =
n Jumlah total
percobaan
pendekatan penetapan peluang kejadian

CONTOH PENDEKATAN FREKUENSI RELATIF:

Periode wisuda sarjana ke 95 ITS meluluskan 900 orang, 520
diantaranya lulus dengan predikat memuaskan, 295 memperoleh
predikat SM, dan sisanya lulus dengan predikat CL.

Maka, 520
P(lulus memuaskan ) = = 0.58
900
295
P(lulus SM) = = 0.33
900
85
P(lulus SM) = = 0.09
900
+
1
pendekatan penetapan peluang kejadian

3. PENDEKATAN SUBYEKTIF :
1. Probabilitas akan terjadinya suatu peristiwa adalah
derajat kepercayaan oleh seseorang bahwa
peristiwa tersebut akan terjadi berdasarkan semua
bukti yang dimiliki.
2. Nilai probabilitas adalah penilaian pribadi
(Individual Knowledge of Situation)
3. Before Experiment
4. Unique Process ; Not Repeatable
5. Different Probabilities from Different People
6. Pendekatan subyektif = pendekatan personalistik.
aturan perhitungan peluang
kejadian majemuk
ATURAN PENJUMLAHAN
1. Dipergunakan pada peristiwa yang saling lepas <mutually
exclusive> yaitu apabila suatu peritiwa terjadi maka peristiwa
lain tidak dapat terjadi pada saat bersamaan.
2. Diagram venn untuk peristiwa saling lepas adalah :

Aturan:
P( A  B ) = 0
P( A U B ) = P ( A ) + P( B )
S
3. Aturan penjumlahan dinyatakan dengan :
P( A atau B) = P( A ) + P(B)
P( A atau B atau ... n) = P( A ) + P(B) + ... P(n)
kejadian mutually exclusive
Contoh :
Pada pelemparan 1 buah dadu, berapa muncul angka 4 atau 5?
Ketika muncul angka 4, maka tidak akan muncul angka 5 dan
sebaliknya.
A : { Keluar angka 4 }
B :{Keluar angka 5}
Berapakah peluang A  B atau A U B ?

P( A  B ) = 0
P(AUB) =P(A)+P(B)
= P (4) + P(5)
= 2/6
aturan perhitungan peluang
kejadian majemuk
CONTOH ATURAN PENJUMLAHAN :
HASIL INSPEKSI UNIT 120
Saling lepas, P(Baik)  P(A)   0.6
tidak mungkijn BAIK 120 200
terjadi pada saat BURUK 80 80
bersamaan P(Buruk)  P(B)   0.4
JUMLAH TOTAL INSPEKSI 200 200
Sehingga probabilitas A atau B :
P(Baik atau rusak)  P(A atau B)  0.6  0.4  1
APABILA DITINJAU DARI PRODUK YANG DIINSPEKSI :
P R O D UK Y ANG DIINS P E K S I J UML AH 70
P(produk 1)  P(D)   0.35
P R O D UK 1 70 200
80
P R O D UK 2 80 P(produk 2)  P(E)   0.4
200
P R O D UK 3 50 50
J UML AH P R ODUK K E S E L UR UHAN 200 P(produk 3)  P(F)   0.25
200

Sehingga probabilitas D atau E atau F:

P(prod1 atau prod2 atau prod3)  P(D atau E atau F)  0.35  0.4  0.25  1
 aturan perhitungan peluang
kejadian majemuk
ATURAN PENJUMLAHAN PADA GABUNGAN
KEJADIAN (union)
1. Dalam keseharian jarang sekali terjadi hanya satu peristiwa sederhana.
2. Pada gabungan kejadian terdapat dua jenis peristiwa yang terjadi.
3. Diagram venn untuk kejadian bersama adalah :

A A∩D D
S
4. Dilambangkan dengan P(AUD). Pada contoh sebelumnya : probabilitas
hasil inspeksi baik dari produk 1.
5. Aturan penjumlahan dinyatakan dengan :
P(A atau D)  P(A)  P(D) - P(A  D)
aturan perhitungan peluang
kejadian majemuk
CONTOH ATURAN PENJUMLAHAN PADA GABUNGAN KEJADIAN :
P R ODUK YANG DIINS P E K S I
J UML AH
HAS IL INS P E K S I P R ODUK 1 P R ODUK 2 P R ODUK 3
B AIK 30 50 40 120
B UR UK 40 30 10 80
TOTAL 70 80 50 200

JAWAB :
120
P(A)   0.6
200
70 P(A atau D)  P(A)  P(D) - P(A  D)
P(D)   0.35
200 P(A atau D)  0.6  0.35 - 0.15  0.80
30
P(A  D)   0.15
200
Partially overlapping
aturan perhitungan peluang
kejadian majemuk

ATURAN PERKALIAN
1. Dipergunakan pada peristiwa yang independent <saling
bebas>, yaitu suatu peristiwa terjadi tanpa harus menghalangi
peristiwa lain terjadi.
2. Contoh peristiwa independent adalah pelemparan mata uang
dua kali, pada pelemparan pertama diperoleh ANGKA, pada
pelemparan kedua bisa muncul ANGKA lagi atau GAMBAR
<hasil lemparan pertama tidak mempengaruhi probabilitas
kejadian kedua>.
3. Aturan perkalian dinyatakan dengan :

P( A dan B) = P( A ) x P(B)
aturan perhitungan peluang
kejadian majemuk
CONTOH ATURAN PERKALIAN (Contoh 1)
Pada pelemparan uang logam dua kali ke udara, berapa
probabilitas kedua lemparan menghasilkan GAMBAR ?

JAWAB :
Probabilitas ANGKA = ½
Probabilitas GAMBAR = ½
Pada pelemparan pertama dan kedua probabilitas GAMBAR
sebesar ½. MAKA :

1 1 1
P( A dan B) = P( A ) x P(B) = x =
2 2 4
Contoh 2 :

Sebuah kotak berisi 5 bola putih dan 3 bola merah.

Diambil satu bola secara acak dan dikembalikan lagi
ke dalam kotak itu.Lalu dilakukan pengambilan
kedua.Berapa peluang mendapat bola putih pada
pengambilan pertama dan kedua?

Jawab :

P(Pt).P(Pt)=(5/8)(5/8)=25/64
aturan perhitungan peluang
kejadian majemuk
ATURAN PERKALIAN PADA PROBABILITAS BERSYARAT
1. Probabilitas bersyarat adalah suatu peristiwa akan terjadi
dengan ketentuan peristiwa yang lain telah terjadi.
2. Probabilitas bersyarat dilambangkan dengan :

P( B A)
Probabilitas peristiwa B dengan syarat peristiwa A telah terjadi.
3. Aturan perkaliannya dinyatakan dengan :
P( A dan B) = P( A ) x P(B A )

Note : “dan” adalah Irisan A dan B

 aturan perhitungan peluang kejadian majemuk

CONTOH ATURAN PERKALIAN PADA PROBABILITAS BERSYARAT

Eksperimen : Tarik 1 Kartu. Catat Jenis dan Warna Kartu.
Ditanya : berapa probabilitas As dengan syarat hitam.

WARNA
TOTAL
JENIS MERAH HITAM
AS 2 2 4
NON - AS 24 24 48
TOTAL 26 26 52

P( A dan B) = P( A ) x P(B A )
P( As dan hitam ) 2 52 2
P( As Hitam ) = = =
P(Hitam ) 26 52 26
 THINKING CHALLENGE
Tentukan Berapakah peluangnya ?
P(A|D) =
P(C|B) =
 THINKING CHALLENGE
<SOLUSI>
Peluangnya adalah :
P(A  D) 2 / 10 2
P(A | D) =  
P(D) 5 / 10 5

P(C  B) 1 / 10 1
P(C | B) =  
P(B) 4 / 10 4
Prosedur Menghitung Peluang

 Prosedur 1 : definisikan eksperimen yang akan

dilakukan
 Prosedur 2 : susun dan identifikasi kejadian
sederhananya
 Prosedur 3 : bebankan probabilitas untuk setiap
kejadian sederhana
 Prosedur 4 : tentukan kejadiannya
 Prosedur 5 : hitung peluang dari kejadian tersebut
 Contoh 

Seorang programmer komputer harus memilih 3

dari 5 pekerjaan yang menunggu. Jika
programmer tersebut tidak mengetahui bahwa
pekerjaan tersebut bervariasi waktu
penyelesaiannya , hitunglah :
a. Peluang programmer memilih 2 pekerjaan yang
membutuhkan waktu penyelesaian paling sedikit
b. Peluang programmer memilih 3 pekerjaan yang
membutuhkan waktu penyelesaian paling lama
 Prosedur 1 : definisikan eksperimen yang akan
dilakukan
Eksperimen : memilih 3 dari 5 pekerjaan yang tersedia
 Prosedur 2 : susun dan identifikasi kejadian
sederhananya
P1 : pekerjaan dengan waktu penyelesaian terkecil
P5 : pekerjaan dengan waktu penyelesaian terbesar
 Prosedur 3 : bebankan probabilitas untuk
setiap kejadian sederhana

Kejadian sederhana Peluang

P1 P2 P3 1/10
P1 P2 P4 1/10
P1 P2 P5 1/10
P1 P3 P4 1/10
P1 P3 P5 1/10
P1 P4 P5 1/10
P2 P3 P4 1/10
P2 P3 P5 1/10
P2 P4 P5 1/10
P3 P4 P5 1/10
 Prosedur 4 : tentukan kejadiannya
A : { Memilih 2 pekerjaan dengan waktu penyelesaian
paling sedikit }
B : { Memilih 3 pekerjaan dengan waktu penyelesaian
paling lama}

 Prosedur 5 : hitung peluang dari kejadian tersebut

P ( A ) = P(P1 P2 P3 ) + P(P1 P2 P4 ) + P(P1 P2 P5 )
= 1/10 + 1/10 +1/10 = 3/10
P ( B ) = P(P3 P4 P5 ) = 1/10
 visualisasi
ruang sampel <ADD>
visualisasi ruang sample <ADD>

Visualisasi ruang sampel

1.Listing/ daftar
2.Venn Diagram
3.Contingency Table
4.Decision Tree Diagram
visualisasi ruang sample <ADD>
Listing/ Daftar
Contoh : Seluruh enam sisi suatu dadu :

Contoh : Seluruh 52 kartu satu bungkus :

Contoh : Toss 2 Coins. Note Faces.

visualisasi ruang sample <ADD>
Venn diagram
Eksperimen : Pelemparan 2 Koin. Catat Permukaan.

Belakang

BM
hasil/ Titik MB
sampel MM
BB
S
Ruang Sampel
S = {MM, MB, BM, BB}
visualisasi ruang sample <ADD>
Contingency Table

Eksperimen : Pelemparan 2 Koin. Catat Permukaan.

KOIN KEDUA Hasil

TOTAL (Biasanya
KOIN PERTAMA MUKA BELAKANG
ditunjukkan
MUKA MM MB MM, MB dalam
Jumlah,
BELAKANG BM BB BM, BB
% Total)
TOTAL MM, BM MB, BB S

Ruang Sampel
S = {MM, MB, BM, BB}
visualisasi ruang sample <ADD>
Decision Tree Diagram
Eksperimen : Pelemparan 2 Koin. Catat Permukaan.
KOIN 1 KOIN 2
M MM
M
B MB
Hasil
M BM
B
B BB
Ruang Sampel
S = {MM, MB, BM, BB}
Marginal, Joint, and
Conditional Probability
MARGINAL PROBABILITY

 The probability of any single event used to define

contingency table is a marginal probability.
 Example :

Class Frequency
Male 120 Age (Years)
<30 30-45 >45
Female 80
Sex (U) (B) (O)
200 60 20 40
Male (M)
Female (F) 40 30 10
Class Frequency 100 50 50
Under 30 100
P(M) = 120/200 = 0.6
30-45 50
P(F) = 80/200 = 0.4
Over 45 50
P(U) = 0.5
200
P(B) = 0.25
P(O) =0.25
MARGINAL PROBABILITY Example
The probability selecting a clerical employee is 0.110
(from joint probabilities table) which is obtained by
summing the two joint probabilities for married and single
clerical employees.

Married Single Total

Clerical 0.038 0.072 0.110
Admin 0.034 0.017 0.051
Production 0.445 0.370 0.815
Other 0.020 0.004 0.024
Total 0.537 0.463 1.000
MARGINAL PROBABILITY Example

The probability selecting a married employee is 0.537

which is obtained by summing the joint probabilities for
married clerical, married Admin, married Production and
married Other employees.
Married Single Total
Clerical 0.038 0.072 0.110
Admin 0.034 0.017 0.051
Production 0.445 0.370 0.815
Other 0.020 0.004 0.024
Total 0.537 0.463 1.000
JOINT PROBABILITY

 Some types of data are characterized by more than

one type of information.
 The probability associated with bivariate outcome
(contain two types of informations) of an experiment is
called JOINT PROBABILITY.
 The Joint Probability of two events A and B denoted
by P (A and B)
Example of Joint Probability
Employees are classified according to the type of job they
hold and their marital status.

Married Single Total

Clerical 27 51 78

Admin 24 12 36

Production 314 261 575

Other 14 3 17

Total 379 327 706

Joint Probability Table
Employees are classified according to the type of job they
hold and their marital status.

Married Single Total

Clerical 0.038 0.072 0.110

Admin 0.034 0.017 0.051

Production 0.445 0.370 0.815

Other 0.020 0.004 0.024

Total 0.537 0.463 1.000

 Joint probability and Marginal probability
Dari 100 orang mahasiswa menunjukkan 20 orang mahasiswa
menyukai bulu tangkis & bola volley, 30 orang mahasiswa menyukai
bulu tangkis tapi tidak menyukai bola volley, 40 orang mahasiswa
menyukai bola volley tapi tidak menyukai bulu tangkis, dan 10 orang
mahasiswa tidak menyukai kuduanya. Dari data ini dapat disusun
bentuk contingency table sebagai berikut:

Suka bulu tangkis Suka bola volley (Y)

(X) P(X)
Ya Tidak
Ya 0.2 0.3 0.5
Tidak 0.4 0.1 0.5
P(Y) 0.6 0.4 1

Joint probability ~ joint distribution

Marginal probability ~ Marginal distribution
CONDITIONAL PROBABILITY
(Probabilitas Bersyarat)
Definisi :
Peluang yang dalam perhitungannya mengalami
perubahan dikarenakan adanya informasi tambahan
pada saat proses / eksperimen dilakukan.
Peluang bersyarat kejadian A muncul jika diketahui
kejadian B muncul adalah:

P A  B 
P A / B   dimana P (B) ≠ 0
P( B)
Probabilitas Bersyarat Dalam Data
# Cuaca Temperatur Kecepatan Angin Berolah-raga
1 Cerah Normal Pelan Ya
2 Cerah Normal Pelan Ya
3 Hujan Tinggi Pelan Tidak
4 Cerah Normal Kencang Ya
5 Hujan Tinggi Kencang Tidak
6 Cerah Normal Pelan Ya

Banyaknya data berolah-raga=ya adalah 4 dari 6 data maka dituliskan

P(Olahraga=Ya) = 4/6
Banyaknya data cuaca=cerah dan berolah-raga=ya adalah 4 dari 6
data maka dituliskan
P(cuaca=cerah dan Olahraga=Ya) = 4/6
P(cuaca=cerah l olagraga=ya)
4/6
P(cuaca  cerah | olahraga  ya)  1
4/6
Probabilitas Bersyarat Dalam Data
# Cuaca Temperatur Berolahraga
1 cerah normal ya
2 cerah tinggi ya
3 hujan tinggi tidak
4 cerah tinggi tidak
5 hujan normal tidak
6 cerah normal ya

P (cuaca  cerah, temperatur  normal | olahraga  ya)  ??

 Probabilitas Bersyarat Dalam Data
# Cuaca Temperatur Berolahraga
1 cerah normal ya
2 cerah tinggi ya
3 hujan tinggi tidak
4 cerah tinggi tidak
5 hujan normal tidak
6 cerah normal ya

Banyaknya data berolah-raga=ya adalah 3 dari 6 data maka dituliskan

P(Olahraga=Ya) = 3/6
Banyaknya data cuaca=cerah, temperatur=normal dan berolah-
raga=ya adalah 4 dari 6 data maka dituliskan
P(cuaca=cerah, temperatur=normal, Olahraga=Ya) = 2/6
2/6 2
P (cuaca  cerah, temperatur  normal | olahraga  ya)  
3/ 6 3
Probability Concepts

Bayes Rule
P(A ∩ B) P(A|B) * P(B)
P(B|A) = ----------- = ----------------
P(A) P(A)

This is Bayes Rule

Bayes, Thomas (1763) An essay

towards solving a problem in the doctrine
P( A | B) P( B ) of chances. Philosophical Transactions
P ( B | A)  of the Royal Society of London, 53:370-
P( A) 418
Deriving Bayes Rule
P(A  B) P(B | A)  P(A  B)
P(A | B)  P(A)
P(B)

P(A | B)P(B)  P(A  B) P(B | A)P(A)  P(A  B)

P(A | B)P(B)  P(B | A)P(A)

P(B | A)P(A)
P(A | B) 
P(B)
 TREE DIAGRAM
Is the another useful device for determining probabilities
Numerical Example
 Only 1 in 1000 people have rare disease A
 P(positive test result FROM people has disease) = .99
 P(positive test result FROM people has no disease)=.02
 If one randomly tested individual is positive, what is the probability they
have the disease
 Label events:
 A = has disease Ao = no disease
B+
 B+ = Positive test result
 Examine probabilities A B-
 p(A) = .001
 p(Ao)= .999 B+
Ao
 p(B+|A) = .99
 p(B+|Ao)= .02 B-
Numerical Example
p(A ∩ B) = .00099

P(positive test result from

people has disease)

p(Ao ∩ B) = .01998
P(positive test result from
people has no disease)
 E
A
1. P(E∩A) = ?
E∩A E’∩A 2. P(E’∩A) = ?
3. P(A) = ?
E’

1. P(E∩A) = P(E) P(A l E) 2. P(E’∩A) = P(E’) P(A l E’)

3. P(A) = P(E∩A) + P(E’∩A)

= P(E) P(A l E) + P(E’) P(A l E’)

P ( AB )  P( B | A) P( A)
P(A  B)
P(A | B) 
P(B)
P(B) = P(A) P(B l A) + P(A’) P(B l A’)
p(A ∩ B) = .00099

p(Ao ∩ B) = .01998
It’s time to practice..!
Materials for a food-processing plant are supplied by four companies. The
following table lists the percentage of defective items from each company
and the percentage of materials supplied by that company to the food-
processing plant.

% Materials Supplied % Defective Materials

Supplier 1 40 2
Supplier 2 5 10
Supplier 3 20 8
Supplier 4 35 3

a. Determine the percentage of all materials that are defective

b. Given that a material supplied to the plant is defective, what is the
probability that it came from supplier?
Sixty percent of individual investors blamed themselves for stock
portfolio losses during the bear market of 2001. Of those investors that
blame themselves for their personal losses, 40% had a loss of more than
30%. Of those individual investors who did not blame themselves for
their portfolio losses, 60% had a loss of more than 30%.

a. What is the probability that an individual investor had a loss of more

than 30%?

b. What is the probability that a randomly selected individual investor

with a loss of more than 30% takes the blame for his/her portfolio
losses?
ASSIGNMENT..! 

Introduction to Business Statistics. By: Kvanli, Pavur,

Keeling
pp.159-160
No. 4.79, 4.81, 4.85