A.

Pengertian Peluang Bersyarat

Peluang bersyarat adalah peluang terjadinya kejadian A bila diketahui bahwa suatu kejadian B telah
terjadi. Peluang bersyarat dilambangkan dengan P(A│B). P(A│B) dibaca “peluang terjadinya A bila B
telah terjadi” atau “peluang A, bila ABdiketahui”.

Misalkan ruang contoh berpeluang sama dari percobaan melempar sebuah dadu bersisi 6, maka S
={1,2,3,4,5,6}. Dan terdapat dua kejadian, yaitu B adalah kejadian muncul sisi kurang dari 6, maka B
={1,2,3,4,5}; dan A adalah kejadian munculnya sisi genap, maka A ={2,4,6}. Berdasarkan hal ini, maka
P (B) =5/6, dan p(A) =3/6=1/2. Jika dua kejadian A dan B dilakukan berurutan, yaitu B terjadi terlebih
dahulu,kemudian menyusul A, maka A = {2,4,6}. Peluang kejadian A setelah kejadian B (A given B ),
atau dituliskan sebagai p(A │ B) = 3/5.

1. Defenisi dan Sifat Peluang Bersyarat

Peluang bersyarat B, bila A diketahui dilambangkan dengan P(B│A), didefinisikan sebagai : Dengan
P(A) > 0

Disebut peluang A dengan syarat B.

Misalkan n(A) melambangkan banyaknya unsur dalam himpunan A. Dengan Menggunakan notasi,
dapat dituliskan : P (M = =

a. Sifat – Sifat:

0≤ P (A | B) ≤ 1 ==> 0 ≤ P(A ∩ B ) ≤ P (B)

Jika A ≤ B maka A∩B = A sehingga P(A | B) = P(A)/P(B)

Jika B ≤ A maka A∩B = B sehingga P(A | B) = 1

b. Contoh Peluang bersyarat

Misalkan ruang contoh S kita terdiri atas populasi sarjana disuatu kota. Kita akan mengkategorikan
populasi ini menurut jenis kelamin dan status pekerjaan.

Jenis Kelamin

Bekerja Menganggur

Laki – Laki

460 40

Perempuan 140

260

Misalkan kikta akan mengambil secara acak seorang diantara mereka untuk ditugaskan
mempublikasikan pentingnya didirikan industri-industri baru dikota tersebut. Perhatikan kejadian-
kejadian berikut :

M : Yang terpilih laki-laki

E : Yang terpilih telah bekerja.

Dengan menggunakan ruang contoh yang dipersempit E, kita memperoleh :

P(M│E) = 460/600 = 23/30

Misalkan n(A) melambangkan banyaknya unsur dalam himpunan A. Dengan Menggunakan notasi,
dapat dituliskan : P (M = =

Sedangkan dalam hal ini = P(E dan P(E) dihitung dari ruang contoh S. Maka didapat :

P(E) = = Dan P(E = =

Sehingga P (M = 23/45 : 2/3 = 23/30

peluang suatu penerbangan reguler berangkat tepat waktu adalah P(D) = 0,83, peluang penerbangan
mendarat pada waktunya adalah P(A)=0,92 dan pelunang penerbangan itu berangkat dan mendarat
tepat pada waktunya adalah P(D A) = 0,78. Hitung peluang bahwa suatu pesawat pada penerbangan
itu :

mendarat pada waktunya bila diketahui bahwa pesawat itu berangkat pada waktunya, dan
berangkat pada waktunya bila diketahui bahwa pesawat mendarat pada waktunya. Jawab Peluang
bahwa pesawat mendarat pada waktunya bila diketahui bahwa pesawat itu berangkat pada
waktunya.

P(A│D) =

U = 0,78/0,83

= 0,94

Peluang bahwa pesawat berangkat pada waktunya bila diketahui bahwa pesawat mendarat pada
waktunya.
P(D│A) =

= 0,78/0,92

= 0,85

Kaidah Penggandaan

Dengan menggandakan kedua sisi rumus peluang bersyarat :

Jadi, peluang terjadinya A dan B sekaligus sama dengan peluang A digandakan dengapeluang
terjadinya B bila A telah terjadi. Karena kejadian A B dan B A setara, maka berdasarkan hukum
diatas, dapat dituliskan :

P (A B) = P (B ) = P(B)P(A│B).

Dengan kata lain, tidak jadi persoalan kejadian mana yang disebut A dan mana yng disebut B.

Contoh :

Kaidah penggandaan khusus

Bila dua kejadian A dan B bebas, maka :

P (A B) = P(A)P(B)

Jadi, untuk menghitung peluang terjadinya dua kejadian bebas sekaligus, kita cukup menggandakan
peluang kejadian masing-masing.
Contoh :

Sebuah kota kecil memiliki satu mobil pemadam kebakaran dan satu mobil ambulance. Peluang
mobil kebakaran itu dapat digunakan pada saat diperlukan adalah 0,98 dan peluang ambulance
tersedia waktu diperlukan adalah 0,92. Dalam hal terjadi kecelakaan akibat kebakaran keduanya
tersedia dan siap digunakan ?

Jawab :

Misalkan A dan B masing-masing menyatakan bahwa mobil kebakaran dan ambulance siap
digunakan. Maka, : P(A B) = P(A)P(B) = (0,98).(0,92) =0,9016

Kaidah penggandaan umum

Jika dalam suatu percobaan kejadian-kejadia A1, A2, . . . Ak dapat terjadi, maka :

P(A1 A2 A3 . . . Ak)

= P (A1)P(A2 A1 )P(A3 │ A1 A2 )…P(Ak │ A1 A2 … AK-1)

Jika Kejadian – Kejadian A1, A2, . . . Ak bebas, maka :

P(A1 A2 A3 . . . Ak) = P(A1)P(A2)…P(AK)

Contoh :

Tiga kartu diambil berturut-turut dan tanpa pemulihan. Tentukan peluang bahwa kartu yang
terambil bahwa kartu yang terambil pertama adalah ace merah, yang kedua sepuluhatau jack. Dan
yang ketiga lebih besar 3 tetapi kurang dari 7.

Jawab :

Pertama-tama kita definisikan kejadian :

A1 : kartu pertama adalah ace merah

A2 : kartu kedua adala sepuluh atau jack.

A3 : kartu ketiga lebih besar dari 3 dan kurang dari 7

Sekarang :

P(A1) = 2/52

P(A2│A1) = 8/52

P(A3 │A1 A2) = 12/52

Sehingga :

P(A1 A2 A3) = P(A1)P(A2│A1)P(A3│A1 A2) = (2/52)(8/51)(12/50) = 8/5525

2. Kejadian saling bebas

Dua buah kejadian A dan B dikatakan saling bebas jika munculnya kejadian A tidak mempengaruhi
kejadian B. Peluang kejadian A dan B terjadi bersama sama adalah P(A Ո B) = P(A) × P(B)

Contoh Soal

Andi melempar dua buah dadu, berapakah peluang muncul angka genap prima pada dadu pertama
dan angka ganjil pada dadu kedua!

Pembahasan

misalkan A = kejadian muncul mata dadu genap prima pada dadu pertama

A={2}, maka P(A) = 1/6

misalkan B = kejadian muncul mata dadu ganjil pada dadu kedua = {1,3,5} maka P(B) = 3/6

Kejadian A tidak mempengaruhi kejadian B, maka digunakan rumus:

Jadi, peluang muncul angka genap prima pada dadu pertama dan angka ganjil pada dadu kedua
adalah 0,5.
3. Teorema Bayes

Teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda. Dalam penafsiran Bayes,
teorema ini menyatakan seberapa jauh derajat kepercayaan subjektif harus berubah secara rasional
ketika ada petunjuk baru. Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers
probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika Bayes dan memiliki
penerapan dalam sains, rekayasa, ilmu ekonomi (terutama ilmu ekonomi mikro), teori permainan,
kedokteran dan hukum. Penerapan teorema bayes untuk memperbarui kepercayaan dinamakan
inferens bayes.

Contoh singkat dari teorema bayes:

Misalkan kawan Anda bercerita dia bercakap-cakap akrab dengan seseorang lain di atas kereta api.
Tanpa informasi tambahan, peluang dia bercakap-cakap dengan perempuan adalah 50%. Sekarang
misalkan kawan Anda menyebut bahwa orang lain di atas kereta api itu berambut panjang. Dari
keterangan baru ini tampaknya lebih boleh jadi kawan Anda bercakap-cakap dengan perempuan,
karena orang berambut panjang biasanya wanita. Teorema Bayes dapat digunakan untuk
menghitung besarnya peluang bahwa kawan Anda berbicara dengan seorang wanita, bila diketahui
berapa peluang seorang wanita berambut panjang.

Misalkan:

W adalah kejadian percakapan dilakukan dengan seorang wanita.

L adalah kejadian percakapan dilakukan dengan seorang berambut panjang

M adalah kejadian percakapan dilakukan dengan seorang pria

Kita dapat berasumsi bahwa wanita adalah setengah dari populasi. Artinya peluang kawan Anda
berbicara dengan wanita, Misalkan juga bahwa diketahui 75 persen wanita berambut panjang. Ini
berarti bila kita mengetahui bahwa seseorang adalah wanita, peluangnya berambut panjang adalah
0,75. Kita melambangkannya sebagai:

keterangan tambahan kita juga mengetahui bahwa peluang seorang pria berambut panjang adalah
0,3. Dengan kata lain:

Di sini kita mengasumsikan bahwa seseorang itu adalah pria atau wanita, atau P(M) = 1 -P(W) = 0,5.
Dengan kata lain M adalah kejadian komplemen dari W.

Tujuan kita adalah menghitung peluang seseorang itu adalah wanita bila diketahui dia berambut
panjang, atau dalam notasi yang kita gunakan, P(W|L). Menggunakan teorema Bayes.