BAB 1

PENDAHULUAN
1.1 Latar Belakang

Secara sederhana probabilitas dapat diartikan sebagai sebuah peluang untuk suatu
kejadian.

1.2 Manfaat mempelajari probabilitas

sangat berguna untuk pengambilan keputusan yang tepat, karena kehidupan di dunia tidak
ada kepastian, sehingga diperlukan untuk mengetahui berapa besar probabilitas suatu
peristiwa akan terjadi. Probabilitas dinyatakan dalam angka pecahan antara 0 sampai 1
atau dalam persentase.

1.3 Pengertian probabilitas

Lind (2002) dalam mendefenisikan probabilitas sebagai:

“Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi dimasa
mendatang. Probabilitas dinyatakan antara 0 sampai 1 atau dalam persentase”
Probabilitas dinyatakan dalam bentuk pecahan dari 0 sampai 1. probabilitas 0 menunjukkan
sesuatu yang tidak mungkin terjadi, sedangkan probabilitas 1 mununjukkan peristiwa pasti
terjadi.
Contoh penulisan probabilitas dalam desimal atau persentase:
1. Pada hari Jumat adalah penutupan bursa saham, maka kebanyakan investor berusaha
meraih keuntungan melalui penjualan saham atau yang biasanya diistilahkan profit
taking, sehingga probabilitas menjual mencapai 0,7 sedangkan membeli 0,3.
2. melihat kondisi kesiapan mahasiswa yang mengikuti ujian Statistika II, maka
mahasiswa yang mempunyai probabilitas untuk lulus 70% dan kalah 30%
 Probabilitas kejadian dengan nilai 0 berarti peristiwa yang tidak mungkin terjadi, seperti
seorang anak balita melahirkan seorang bayi. Sedangkan probabilitas dengan nilai 1
adalah peristiwa yang pasti terjadi, seperti semua manusia pasti akan meninggal.
1.4 PENDEKATAN PROBABILITAS
Untuk menentukan tingkat probabilitas suatu kejadian, maka ada tiga pendekatan yaitu
pendekatan klasik, pendekatan relatif dan pendekatan subjektif.

1.4.1 Pendekatan klasik

Diasumsikan bahwa semua peristiwa mempunyai kesempatan yang sama untuk terjadi
(equally likely)
Probabilitas suatu peristiwa kemudian dinyatakan sebagai rasio antara jumlah kemungkinan
hasil dengan total kemungkinan hasil (rasio peristiwa terhadap hasil)
1.4.2 Pendekatan Relatif
Probabilitas suatu kejadian tidak dianggap sama, tergantung dari berapa banyak suatu
kejadian terjadi, yang dinyatakan sebagai berikut:

Jumlah peristiwa yangterjadi

Probabilitaskejadian relatif =
jumlah totalpercobaan
1.4.3Pendekatan Subjektif

Yang dimaksud dengan pendekatan subjektif adalah menentukan besarnya probabilitas

suatu peristiwa didasarkan pada penilaian pribadi dan dinyatakan dalam derajat
kepercayaan.
 BAB 2
PEMBAHASAN

2.1 KONSEP DASAR DAN HUKUM PROBABILITAS

2.1.1 Hukum Penjumlahan
Hukum penjumlahan menghendaki peristiwa yang saling lepas (mutually exclusive)
yaitu apabila suatu peristiwa terjadi, maka peristiwa lain tidak dapat terjadi pada saat
bersamaan. Hukum ini
dilambangkan sebagai:

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

Untuk kejadian yang lebih banyak dilambangkan sampai n yaitu:

P(A atau ... n) = P(A) + P(B) + +P(n)

Contoh:

Berikut adalah kegiatan perdangan saham di BEJ untuk tiga perusahaan perbankan
dengan jumlah total sebanyak 200 transaksi
Jenis Transaksi Volume Transaksi
Jual saham (A) 120
Beli saham (B) 80
Jumlah Total transaksi 200

Penyelesaian:
Dari data diatas diketahui bahwa:
Probabilitas Jual = P(A) = 120/200 = 0.60
Probabilitas Beli = P(B) = 80/200 = 0.4

Sehingga probabilitas A atau B,

P(A atau B) = P(A) + P(B) = 0.6 +0.4 = 1.0

 2.1.2Hukum Perkalian.
Dalam hukum perkalian dikehendaki setiap peristiwa independent yaitu suatu peristiwa
terjadi tanpa harus menghalangi peristiwa lain terjadi.
“Peristiwa independent adalah terjadinya peristiwa atau kejadian tidak mempengaruhi
probabilitas terjadinya peristiwa lain.”
Dapat dinyatakan dalam bentuk:
(P(A dan B) = P(A) x P(B)

2.1.3 Diagram pohon probabilitas

Tahapan dalam menyusun diagram pohon:
1. Tahap 1 adalah langkah awal kegiatan, kita mulai dengan tanda titik atau bulatan dengan
angka, tahap 1 diumpamakan sebagai pohonnya dengan pohon
 Teorema Bayes
Teorema ini dikembangkan oleh Thomas Bayes pada abad ke-18. Bayes seorang pendeta,
bertanya apakah Tuhan ada dengan memerhatikan fakta-fakta yang ada di bumi. Jadi bila Tuhan
ada, maka ada fakta sebagai ciptaan Tuhan. Apabila fakta dilambangkan P(A1) untuk suatu fakta
dan P(A2) untuk fakta lain, sedang keberadaan Tuhan dinyatakan dengan P(B), maka teorema
Bayes dinyatakan sebagai:

( ) (
P A1 P B A1 )
( )
P A B =
1
( ) ( ) ( ) (
P A P B A +P A P B A
1 1 2
)
2

Rumus diatas merupakan probabilitas bersyarat, suatu kejadian terjadi setelah kejadian lain
ada. P(A1|B) menyatakan bahwa fakta-fakta di bumi akan ada apabila Tuhan ada. Karena banyak
fakta tersebut maka rumus Bayes diperluas:

( )
P A B = ( ) (
P A P B A )
1 1
A. FAKTORIAL
Faktorial digunakan untuk mengetahui berapa banyak cara yang mungkin dalam mengatur
sesuatu kelompok. Contoh konvensional, apabila kita mempunyai tiga bank yaitu BCA, BII dan
BNI ada berapa cara menyusun uratan ketiga bank tersebut?

Secara sederhana dapat kita lakukan dengan mengurut ketiga bank sebagai berikut:
BCA, BII, BNI BCA, BNI, BII BII, BCA, BNI
BII, BNI, BCA BNI, BII, BCA BNI, BCA, BII

13
Dari uraian diatas dapat kita ketahui bahwa terdapat 6 cara mengurutkan nama bank tersebut,
namun apabila jumlah bank tersebut 100 buah bank, tentu kita akan kewalahan dalam
mengurutkan. Maka dapat dilakukan dengan pendekatan faktorial, Apabila bank berjumlah tiga
maka cara menurutkan nama bank:

3! = 3 x 2 x 1 = 6

A. PERMUTASI
Digunakan untuk mengetahui sejumlah kemungkinan susunan (arrangement) jika terdapat
satu kelompok objek. Pada permutasi ini kita berkepentingan dengan susunan atau urutan dari
objek, permutasi dirumuskan sebagai berikut:

n
n!
Pr =
(nr )!

dimana :
P : Jumlah permutasi atau cara objek disusun n :
Jumlah total objek yang disusun
r : Jumlah objek yang digunkan pada saat bersamaan, jumlah r dapat sama dengan
n atau lebih kecil
! : tanda dari faktorial
B. KOMBINASI
Kombinasi digunakan apabila kita tertarik pada berapa cara sesuatu diambil dari
keseluruhan objek tanpa memerhatikan urutannya. Misalnya ada 10 bank dan kita hanya akan
mengambil 3 bank, maka ada beberapa kombinasi bank yang dapat diambil tanpa memerhatikan
urutan atau susunannya. Dirumuskan sebagai berikut:

n Cr = n!
r! (nr) !

14
17
17
 5. Luas daerah di bawah kurva adalah 1; ½ di sisi kanan nilai tengah dan ½ di sisi kiri.
Distribusi probabilitas dan kurva mempunyai persamaan matematika yang sangat
tergantung pada nilai tengah () dan standar deviasi (). Distribusi probabilitas dan kurva normal
dari suatu variable acak (X) yang nilainya terletak -  sampai  dinyatakan dengan lambang X ~
N(X; , ).
Bila X suatu pengubah acak normal dengan nilai tengah , dan standar deviasi , maka
persamaan kurva normalnya adalah:

2
1 1/2 (xμ)/σ

Ν(X;μ,σ) = e   ,untuk    X 
2ππ2

Jenis-jenis probabilitas Normal

Jenis-jenis probabilitas normal sangat dipengaruhi oleh nilai rata-rata hitung dan standar
deviasinya, maka distribusi probabilitas kurva normal diantaranya:
a. Distribusi probabilitas dan Kurva Normal dengan  dan  Berbeda.

10
9
8
7
6
5
4
3
2
1
0
m
Me s o ku r ticPla ty kur ticLe p to kur tic
Keterangan:
1. Mesokurtik
Kurva normal ini mempunyai  = Md dan Mo yang sama , namun  berbeda
2. Platykurtik

17
 Nilai  semakin tinggi dan kurva semakin pendek. Nilai  tinggi menunjukkan bahwa nilai
data semakin menyebar dari nilai tengahnya ()
3. Leptokurtik
Nilai  semakin rendah dan kurva semakin runcing. Niali  rendah ini menunjukkan
data semakin mengelompok pada nilai tengahnya ().
b. Distribusi probabilitas dan Kurva Normal dengan  Berbeda dab  sama
Bentuk distribusi probabilitas dan kurva normal dengan  berbeda dan  sama mempunyai
jarak antara kurva yang berbeda, namun bentuk kurva tetap sama. Gambar diatas menunjukan
nilai rata-rata berbeda dengan standar deviasi yang sama. Pada contoh dapat dilihat mangga
dikelompokkan menjadi mutu ”A” dengan berat rata-rata 450 gram, mutu ”B” dengan 300
gram dan mutu ”C” dengan 150

gram.

c. Distribusi Probabilitas dan Kurva normal dengan  Berbeda dan  berbeda

Kurva dengan  berbeda dan  berbeda mempunyai titik pusat yang berbeda pada sumbu
mendatar dan bentuk kurva berbeda karena mempunyai standar deviasi yang berbeda. Kurva
seperti ini relatif sering terjadi karena antara populasi terdapat perbedaan atau setiap populasi
juga mempunyai keragaamn yang berbeda.

d. Distribuís probabilitas Normal Baku

Distribuís normal baku adalah distribusi probabilitas acak normal dengan nilai tengah nol
dan simpangan baku 1.
Beberapa hal yang perlu dilakukan dalam rangka distribusi probabilitas normal baku adalah
mengubah atau membakukan distribusi aktual dalam bentuk distribusi normal baku yang dikenal
dengan nilai Z atau skor Z. Rumus niali Z adalah:

X μ
Ζ=
18
 σ

dimana:
Z = skor Z atau nilai normal baku
X = Nilai dari statu pengamatan atau pengukuran
 = Nilai rata-rata hitung suatu distribusi
 = standar deviasi suatu distribusi

e. Luas dibawah Kurva Normal

Kurva normal juga mengikuti hukum empirik. Untuk distribusi simetris, dengan distribusi
frekuensi berbentuk lonceng seperti kurva normal diperkirakan 68,26% data akan berada pada
kisaran rata-rata hitung ditambah dua kali standar devíasi, (X  1 ), (X  2) dan semua data
atau 99,74 % akan berada pada kisaran rata-rata hitung ditambah tiga kali standar deviasi, (X 
3).

19
 68,26%

95,44%

99,74%

- - - = +1 +2 +3

3 2 1 x   
   Z=0 +1 +2 +3

• Luas antara nilai Z (-1<Z<1) sebesar 68,26% dari jumlah data.

• Berapa luas antara Z antara 0 dan sampai Z = 0,76 atau biasa dituis
P(0<Z<0,76)?
• Dapat dicari dari tabel luas di bawah kurva normal. Nilainya dihasilkan = 0,2764
DISTRIBUSI PROBABILITAS DISKRET
A. Pengertian Distribusi Probabilitas
Distribusi probabilitas menunjukan hasil yang diharapkan terjadi dari suatu kegiatan
dengan nilai probabilitas masing-masing hasil tersebut.
Distribusi probabilitas adalah sebuah daftar dari keseluruhan hasil suatu percobaan
kejadian yang disertai dengan nilai probabilitas masing-masing hasil (event).

B. Variabel Acak/Random

a. Variabel Acak
Variabel acak didefenisikan sebagai sebuah ukuran atau besaran yang merupakan hasil suatu
percobaan atau kejadian yang terjadi secara acak atau untung-untungan dan mempunyai nilai
yang berbeda-beda

b. variabel acak diskret

20
 variabel acak diskret merupakan hasil dari percobaan yang bersifat acak dan mempunyai nilai
tertentu yang terpisah dalam suatu interval. Variabel acak diskret ini biasanya berupa bilang
bulat dan berasal dari hasil perhitungan.
c. variabel acak kontinu
variabel acak kontinu mempunyai nilai yang menempati pada seluruh interval hasil percobaan,
biasanya dihasilkan dari hasil pengukuran dan bukan penjumlahan. Semua nilai yang
dihasilkan dari kegiatan pengukuran baik bulat maupun pecahan merupakan variabel acak
kontinu.
C. Rata-rata hitung, Varians, dan Standar deviasi
a. Nilai Rata-rata Hitung
Nilai rata-rata hitung merupakan nilai harapan (expected value) yang
dilambangkan E(x)
Rumus nilai rata-rata hitung:
 = E(x) = ∑ (X). P(X)
dimana:
 : Nilai rata-rata hitung distribusi pobabilitas
E(x) : Nilai harapan (expected value)
X : Kejadian
P(X) : Probabilitas suatu kejadian
∑ : Lambang operasi penjumlahan
b. Varians dan Standar deviasi
Varian dan standar deviasi merupakan ukuran penyebaran yaitu mengukur seberapa
besar data menyebar dari nilai tengahnya. Semakin kecil sebaran data, maka semakin baik,
karena menunjukkan data mengelompok pada nilai rata-rata hitung. Varian dan standar deviasi
dirumuskan sebagai berikut

21
 2 2
Varians = σ =  (X μ) .P(X)
 
StandarDeviasi =σ =
σ2

22
Dimana:
2 : Varians
 : Standar deviasi
X : Nilai suatu kejadian
 : Nilai rata-rata hitung distribusi probabilitas
P(X) : Probabilitas suatu kejadian X
∑ : Lambang operasi penjumlahan

D. Distribusi Probabilitas Binomial

Ini menggambarkan data yang dihasilkan oleh suatu percobaan yang dinamakan Bernoulli.

23
Ciri-ciri Percobaan Bernouli:

• Setiap percobaan menghasilkan dua kejadian:

(a) kelahiran anak: laki-laki-perempuan;
(b) transaksi saham: jual- beli,
(c) perkembangan suku bunga: naik–turun dan lain-lain.

• Probabilitas suatu kejadian untuk suskes atau gagal adalah tetap untuk setiap kejadian.
P(p), peluang sukses, P(q) peluang gagal, dan P(p) + P(q)= 1.

• Suatu percobaan dengan percobaan bersifat bebas.

• Data yang dihasilkan adalah data perhitungan.

Pembentukan Distribusí Binomial

Hal yang diperlukan dalam membentuk distribusí binomial:

a. banyaknya atau jumlah dari percobaan atau kegiatan
b. Probabilitas suatu kejadian baik sukses maupun gagal

Dapat dinyatakan sebagai berikut:

n!
P(r)= pr .qnr
r! (n
 r) !

Dimana:
P (r) : Nilai probabilitas binomial
P : Probabilitas sukses suatu kejadian dalam setiap percobaan
r : Banyaknya peristiwa sukses suatu kejadian untuk keseluruhan percobaan n :
Jumlah total percobaan

24
q : Probabilitas gagal suatu kejadian yang diperoleh dari q = 1 – p

25
 ! : Lambang faktorial

Distribusi probabilitas Hipergeometrik

• Dalam distribusi binomial diasumsikan bahwa peluang suatu kejadian tetap atau konstan
atau antar-kejadian saling lepas.
• Dalam dunia nyata, jarang terjadi hal demikian. Suatu kejadian sering terjadi tanpa
pemulihan dan nilai setiap kejadian adalah berbeda atau tidak konstan.

• Distribusi dengan tanpa pemulihan dan probabilitas berbeda adalah Distribusi

Hipergeometrik.

26
 Pada kasus dimana terjadi percobaan tanpa pengembalian pada populasi yang terbatas, dan
jumlah sampel terhadap polpulasinya lebih 5%, distribusi hipergeometrik lebih tepat digunakan.
Distribusi hipergeometrik dinyatakan sebagai berikut:

( C ) ( C )
P(r)= s r N s n  r
NCn

Dimana:
P (r) : Nilai probabilitas hipergeometrik dengan kejadian r sukses N :
Jumlah populasi
s : Jumlah suskses dalam populasi
r : Jumlah suskses yang menjadi perhatian n
: Jumlah sampel dari populasi
C : Simbol kombinasi

Distribusi Probabilitas Poisson

• Dikembangkan oleh Simon Poisson

• Poisson memperhatikan bahwa distribusi binomial sangat bermanfaat dan dapat

menjelaskan dengan baik, namun untuk n di atas 50 dan nilai P(p) sangat kecil akan sulit
mendapatkan nilai binomialnya.
• Rumus:

27
 P(Χ)=

dimana
P(X) : Nilai probabilitas distribusi poisson
 : Rata-rata hitung dari jumlah nilai sukses; dimana 
= n.p e : Bilangan konstsan = 2,71828
X : Jumlah nilai sukses
P : probabilitas sukses suatu kejadian
! : Lambang faktorial

28
 μ
μx e Χ

TEORI
KEPUTUSAN

1. Elemen-elemen Keputusan
• Kepastian (certainty): informasi untuk pengambilan keputusan tersedia dan valid.

• Risiko (risk): informasi untuk pengambilan keputusan tidak sempurna, dan ada
probabilitas atas suatu kejadian.

• Ketidakpastian (uncertainty): suatu keputusan dengan kondisi informasi tidak

sempurna dan probabilitas suatu kejadian tidak ada.
Konflik (conflict): keputusan di mana terdapat lebih dari dua kepentingan.

• Setiap keputusan dalam atatistika mempunyai tiga elemen atau komponen penting
1. Pilihan atau alternatif yang terjadi bagi setiap keputusan.
2. States of nature yaitu peristiwa atau kejadian yang tidak dapat dihindari atau
dikendalikan oleh pengambil keputusan.
3. Hasil atau payoff dari setiap keputusan.

Hubungan elemen keputusan menurut Lind (2002)

29
 Peristiwa Ketidakpastian berkenaan dengan kondisi
mendatang. Pengambil keputusan tidak
m e m p uanuye laendi k en adltaelirntearthifadiahpadk
aopnuidapisaeitnm
D ga m bbaih
iltang.
keputusan. Pengambil keputusan harus
Tindakan mengevaluasi alternatif dan memilih alternatif
dengan kriteria tertentu.

Hasil/ Laba, impas (break even), rugi

Payoff

2. Keputusan dalam Keadaan Beresiko

Pengambilan keputusan dalam keadaan berisiko berarti bahwa terdapat informasi Namur tidak
sempurna, dan ada probabilitas terhadap statu kejadian. Ada beberapa langkah yang diperlukan
dalam pengambilan keputusan berisiko yaitu:
1. Mengidentifikasi berbagai macam alternatif yang ada dan layak bagi suatu
keputusan.
2. Menduga probabilitas terhadap setiap alternatif yang ada.
3. Menyusun hasil/payoff untuk semua alternatif yang ada
4. Mengambil keputusan berdasarkan hasil yang baik

A. Nilai yang diharapkan (Expected Value)

EV = Payoff x Probabilitas Suatu Kejadian

30
 SAHAM BAIK P= BURUK
0,5 P = 0,5 Perhitungan EV Nilai EV
LPBN 444.444 277.778 (444.444 x 0,5) + 361.111
(277.778 x 0,5)
MEGA 1.081.081 162.162
BBCA 1.487.667 61.667

Nilai EV yang terbesar merupakan keputusan yang terbaik. Dari EV tersebut, maka keputusan
investasi H. Ibrahim adalah membeli saham BBCA
B. Expected Opportunity Loss
• Metode lain dalam mengambil keputusan selain EV
• EOL mempunyai prinsip meminimumkan kerugian karena pemilihan bukan keputusan
terbaik.
• Hasil yang terbaik dari setiap kejadian diberikan nilai 0, sedangkan untuk hasil yang lain
adalah selisih antara nilai terbaik dengan nilai hasil pada peristiwa tersebut.

EOL = Opportunity Loss x Probabilitas Suatu Peristiwa

SAHAM OL BAIK OL
P= 0,5 BURUK Perhitungan EV Nilai EV
P = 0,5
LPBN 1.043.223 0 (1.043.223 x 0,5) + 521.612
(0 x 0,5)
MEGA 406.586 115.616
BBCA 0 216.111

Nilai OL untuk alternatif terbaik adalah nol, maka kondisi baik adalah BBCA = 0 dan kondisi
terburuk LPBN = 0. nilai OL terendah adalah untuk BBCA maka dapat direkomendasikan untuk
dibeli oleh investor.
C. Ecpected value of Perfect Information
Hasil yang diharapkan dalam informasi sempurna merupakan perbedaan antara hasil maksimum
dalam kondisi kepastian dan hasil maksimum dalam kondisi ketidak pastian
• Setiap keputusan tidak harus tetap setiap saat. Keputusan dapat berubah untuk
mengambil kesempatan yang terbaik.
• Pada kasus harga saham, pada kondisi baik, saham BBCA adalah pilihan terbaik,
namun pada kondisi buruk, maka saham MEGA lebih baik.
• Apabila hanya membeli saham BBCA maka
EV = 1.487.667 x 0,5 + 61.667 x 0,5 = 774.667
• Apabila keputusan berubah dengan adanya informasi yang sempurna dengan membeli
harga saham BBCA dan MEGA
EVif = 1.487.667 x 0,5 + 277.778 x 0,5 = 822.723

31
 • Nilai EVif lebih tinggi dari EV dengan selisih:
= 822.723 -774.667 = 108.056.
Nilai ini mencerminkan harga dari sebuah informasi.
Nilai informasi ini menunjukkan bahwa informasi yang tepat itu berharga -- dan menjadi peluang
pekerjaan -- seperti pialang, analis pasar modal, dan lain-lain.
D. Pengambilan Keputusan dalam Kondisi Ketidakpastian
Keputusan dalam ketidakpastian menunjukkan tidak adanya informasi yang sempurna, juga tidak
adanya probabilitas atau informasi tentang probabilitas suatu kejadian. Ada beberapa kriteria yang
telah dikembangkan dalam pengambilan keputusan untuk kondisi ketidakpastian:
1. Kriteria Laplace
Probabilitas semua kejadian diasumsikan sama, dan hasil perkalian antara hasil dengan
probabilitas yang tertinggi tertinggi adalah keputusan terbaik.
2. Kriteria Maximin
Keputusan didasarkan pada kondisi pesimis atau mencari Nilai maksimum pada kondisi
pesimis (lakukan yang terbaik dalam situasi terburuk)
3. Kriteria Maximax
Keputusan didasarkan pada kondisi optimis dan mencari nilai maksimumnya.
4. Kriteria Hurwicz
Keputusan didasarkan pada perkalian hasil dan koefisien optimisme. Koefisien ini nilainya
antara 0 sampai 1. nilai 0 untuk kondisi yang sangat pesimis dan nilai 1 untuk kondisi yang
sangat optimis. Koefisien ini merupakan perpaduan antara optimis dan pesimis. Alternatif yang
terbaik adalah nilai yang tertinggi dari hasil perkalian antara hasil atau payoff dengan koefisien
optimisme.
5. Kriteria (Minimax) Regret
Keputusan didasarkan pada nilai regret minimum. Nilai regret diperoleh dari nilai OL
(opportunity Loss) pada setiap kondisi dan dipilih yang maksimum. Alternatif keputusan yang
diambil adalah nilai regret yang minimum.

A. Analisis Pohon Keputusan

Pohon keputusan berguna untuk menyusun bebrapa alternatif dengan hasil bersyarat
(conditional payoff), keputusan yang terbaik adalah dengan nilai EV yang tertinggi.

Keputusan EV Probabilitas payoff

Probabilitas Ekonomi 1.180
Boom (0,63)
836
(1)
Probabilitas
Ekonomi 250
Membeli Saham LPBN Krisis (0,37)
Probabilitas Ekonomi 2.000
2.8801.371 Boom (0,63)
(2)

Membeli Saham MEGA Probabilitas Ekonomi 300

Krisis (0,37)

Probabilitas Ekonomi
Boom (0,63) 4.463
2.880
(3)

Probabilitas Ekonomi 185

Membeli Saham BBCA
Krisis (0,37)
32
METODE DAN DISTRIBUSI SAMPLING

33
34
3. Penarikan sample Cluster (cluster sampling)
Penarikan cluster adalah teknik memilih sampel dari kelompok unit-unit kecil (cluster) dari
sebuah populasi yang relatif besar dan tersebar luas. Anggota dalam setiap cluster bersifat
tidak homogen berbeda dengan penarikan sampel terstruktur.
4. Penarikan sampel secara sistematis (systematic Random Sampling)

Penarikan dikatakan sampel sistematis apabila setiap unsur atau anggota dalam populasi
disusun dengan cara tertentu-Secara alfabetis, dari besar kecil atau sebaliknya-kemudian dipilih
titik awal secara acak lalu setiap anggota ke K dari populasi dipilih sebagai sampel.
5. penarikan sampel Kuota (Kuota sampling)

Penarikan sampel kuota adalah pengambilan sampel dari populasi yang mempunyai ciri-ciri
tertentu sampai jumlah atau kuota yang diinginkan. Tujuan penarikan sampel kuota adalah
untuk memperbaiki keterwakilan seluruh komponen dalam populasi. Sebagai contoh apabila
akan dilakukan penelitian terhadap tingkat kehadiran mahasiswa yang mengambil matakuliah
statistika dari populasi 150 orang ditentukan kuota 20 orang. Kalau pengumpulan data belum
mencapai 20 orang maka penelitian belum dianggap selesai.

6. penarikan sampel purposive (purposive sampling)

Penarikan sampel purposive adalah penarikan sampel dengan pertimbangan tertentu.

Pertimbangan tersebut berdasarkan pada kepentingan atau tujuan penelitian. Penarikan sampel
dengan purposive ada dua cara:
a. convenience sampling yaitu penarikan sampel berdasarkan keinginan peneliti sesuai
dengan tujuan penelitian.
b. Judment sampling yaitu penarikan sampel berdasarkan penilaian terhadap
karakteristik anggota sampel yang disesuaikan dengan tujuan penelitian.

B. Kesalahan penarikan sampel (sampling error)

Merupakan perbedaan antara nilai statistik sampel dengan nilai parameter dari populasi. Dalam
pemilihan sampel, dimana jumlah sampel adalah sebagian dari populasi, mungkin akan terdapat
perbedaan antara rata-rata hitung dan standar deviasi sampel terhadap rata-rata hitung dan standar
deviasi populasi. Perbedaan nilai statistik ini yang dikenal dengan kesalahan penarikan sampel
(sampling error).

C. Distribusi Sampel rata-rata dan proporsi

35
Distribusi sampel dari rata-rata hitung sampel dan populasi adalah suatu distribusi probabilitas
yang terdiri dari seluruh kemungkinan rata-rata hitung sampel dari suatu ukuran sampel tertentu
yang dipilih dari populasi, dan probabilitas terjadinya dihubungkan dengan setiap rata-rata hitung
sampel.
a. Distribusi sampel rata-rata dan porposi menpunyai nilai hitung rat-rata:
1 1
 = N x p = p
Cn
C nN

b. Distribusi sampel rata-rata dan porposi mempunyai standar deviasi

 p  2
1 X
Sp = ( )CN
2 p
Sx = x
CNn (  ) n

c. Hubungan antara standar deviasi sampel x dan porposi pada kondisi sampel terbatas

Sx = (N  n) Sp = P(1 P) x (N  n)
nN 1 n N 1
d. Hubungan standar deviasi sampel x dan porposi pada kondisi sampel tidak terbatas

Sx = Sp = P(1 P)
n
n
d. Distribusi sampel rata-rata dan porposi merupakan distribusi normal, sehingga dapat
diketahui nilai Znya yaitu

x 
Z= s
Z=
(p  P)
sp

36
D. Distribusi Sampel Selisih rata-rata dan proporsi
Distribusi sampel selisih apabila terdapat dua atau lebih populasi yang diambil sebagai sampel
a. Distribusi sampel selisih rata-rata
1. Nilai rata-rata
=1  2

X x1 x 2 = x1  x 2

2. Nilai standar deviasi

S2 S2
S2 +S2
S x1 x2= x1x 2 = n+
x1x n2
2
1

3. Nilai Z
(x 1
x 
) (  )
2 1 2
Z=
Sx1x 2

37
b. Distribusi sampel selisih proporsi

1. Nilai rata-rata
=P1 – P2

P p1 p2 = P1  P2

38
 2. Nilai standar deviasi
P1 ( 1  P1 ) + P2 ( 1
S =S2p1p2+S2 =
 Pn21)n 2
p1 p2

3. Nilai Z

Z=
( p1  p 2 )(P1  P2 )
Sp1p 2

E. Faktor Koreksi untuk populasi terbatas

Faktor koreksi adalah usaha untuk memperbaiki hasil dugaan parameter dan diterapkan
jika rasio n/N lebih besar dari 0,05. faktor koreksi terhadap standar deviasi dirumuskan
sebagai berikut

N  n
Sx =
nN 1

sedang untuk standar deviasi proporsi

p  (1 p)N  n
Sp =
nN 1
Ringkasan

Dalam hukum perkalian dikehendaki setiap peristiwa independent yaitu suatu peristiwa terjadi tanpa harus
menghalangi peristiwa lain terjadi. «Peristiwa independent adalah terjadinya peristiwa atau kejadian tidak
mempengaruhi probabilitas terjadinya peristiwa lain».

Teorema ini dikembangkan oleh Thomas Bayes pada abad ke-18. Bayes seorang pendeta, bertanya apakah
Tuhan ada dengan memerhatikan fakta-fakta yang ada di bumi.

PP+PP

Rumus diatas merupakan probabilitas bersyarat, suatu kejadian terjadi setelah kejadian lain ada. Digunakan
untuk mengetahui sejumlah kemungkinan susunan jika terdapat satu kelompok objek.

Misalnya ada 10 bank dan kita hanya akan mengambil 3 bank, maka ada beberapa kombinasi bank yang dapat
diambil tanpa memerhatikan urutan atau susunannya.

Distribusi probabilitas dan Kurva Normal dengan  dan  Berbeda. Nilai  semakin tinggi dan kurva semakin
pendek.

Kurva normal ini mempunyai  = Md dan Mo yang sama , namun  berbeda

Bentuk distribusi probabilitas dan kurva normal dengan  berbeda dan  sama mempunyai jarak antara kurva

39
yang berbeda, namun bentuk kurva tetap sama. Distribuís normal baku adalah distribusi probabilitas acak
normal dengan nilai tengah nol dan simpangan baku 1. Beberapa hal yang perlu dilakukan dalam rangka
distribusi probabilitas normal baku adalah mengubah atau membakukan distribusi aktual dalam bentuk
distribusi normal baku yang dikenal dengan nilai Z atau skor Z.  = standar deviasi suatu distribusi e.

40