PROBABILITAS

Mata Kuliah Statistika Bisnis

Muhammad Rizki, S.E., M.M.
TUJUAN PEMBELAJARAN

Mengetahui konsep dasar probabilitas

Mengetahui jenis pendekatan probabilitas

Mengetahui dalil probabilitas

 KONSEP DASAR PROBABILITAS
Konsep dasar probabilitas adalah digunakan untuk menghadapi
ketidakpastian

Ketidakpastian ini dicoba untuk dapat diukur (dikuantifisir) dengan

suatu konsep probabilitas (kemungkinan, kebolehjadian)

Tidak pernah ada probabilitas negatif ataupun lebih besar dari 1

Terdapat beberapa jenis yaitu pendekatan probabilitas, probabilitas

klasik, empiris dan subjektif
 PROBABILITAS KLASIK

Probabilitas klasik yang sering

dinamakan probabilitas a priori

Probabilitas yang suatu peristiwa akan terjadi sudah

dapat diketahui sebelum dilakukan percobaan

Misalnya probabilitas munculnya mata dadu 4 adalah

1/6 karena untuk sebuah dadu terdapat 6 mata
 PENDEKATAN EMPIRIS
Probabilitas didefinisikan sebagai proporsi waktu terjadinya sebuah
peristiwa dalam jangka panjang jika kondisi stabil atau frekuensi
relatif dari seluruh peristiwa dalam sejumlah besar percobaan

Besarnya probabilitas adalah limit dari frekuensi relatif jika

jumlah percobaan bertambah tanpa batas, karena makin banyak
percobaan, frekuensi relatif yang diperoleh makin stabil

Misalnya probabilitas terjadinya peristiwa

kecelakaan lalu lintas sebagai akibat
pengemudi tidak memiliki SIM selama 1 tahun
 PENDEKATAN SUBJEKTIF
Probabilitas suatu peristiwa yang ditentukan dengan
perasaan atau kepercayaan seseorang yang didasarkan pada
fakta-fakta yang ada misalnya data tentang frekuensi relative
Probabilitas subjektif biasanya ditentukan
jika terjadinya peristiwa hanya sekali atau
paling banyak beberapa kali
Misalnya seorang pimpinan akan memilih seorang pegawai
baru dari tiga calon yang telah lulus ujian saringan yang berarti
sama pandai, sama lincah, dan sama penuh kepercayaan diri
 PERISTIWA DALAM PROBABILITAS
Kontestan
Pemberi Suara Guntur Jumlah
Riki (R) Fatma (F)
(G)
Pria (L) 30 50 40 120
Wanita (W) 40 30 10 80
Jumlah 70 80 50 200

P (R) = 70/200 = 0,35

P (G) = 80/200 = 0,40
P (F) = 50/200 = 0,25
 PERISTIWA BERSAMA (JOINT EVENT)

Terjadinya dua atau lebih peristiwa dalam satu percobaan

Pada peristiwa bersama, dua atau lebih peristiwa dapat terjadi bersama-sama.

Untuk mencegah perhitungan ganda dalam dua peristiwa X dan Y yang terjadi bersama maka
diikuti aturan sebagai berikut:

P(X atau Y) = P(X) + P(Y) – P(XY)

• P(X atau Y) = probabilitas terjadinya X atau Y atau X dan Y terjadi bersama
• P(XY) = probabilitas peristiwa X dan Y terjadi bersama-sama
• P(X) = probabilitas terjadinya X
• P (Y) = probabilitas terjadinya Y
 CONTOH PERISTIWA BERSAMA
Kontestan
Pemberi Suara Guntur Jumlah
Riki (R) Fatma (F)
(G)
Pria (L) 30 50 40 120
Wanita (W) 40 30 10 80
Jumlah 70 80 50 200

Probabilitas pemberi suara wanita P(W) = 0,4 adalah jumlah probabilitas bersama WR, WG, dan WF

P(X atau Y) = P(X) + P(Y) – P(XY)

P(W) = P(WR)+P(WG)+P(WF) = (40/200) + (30/200) + (10/200) = 0,2 + 0,15 + 0,05 = 0,4

 PERISTIWA MUTUALLY EXCLUSIVE

Hanya satu dari dua (atau lebih) peristiwa yang dapat terjadi

Dua peristiwa mutually exclusive tidak dapat terjadi bersamaan dalam satu
percobaan

Dua peristiwa X dan Y yang mutually exclusive, maka hukum probabilitasnya:

P(X atau Y) = P(X) + P(Y) – P(XY), karena P(XY)=0, maka P(X atau Y) = P(X) + P(Y)
 CONTOH PERISTIWA MUTUALLY
EXCLUSIVE
Kontestan
Pemberi Suara Guntur Jumlah
Riki (R) Fatma (F)
(G)
Pria (L) 30 50 40 120
Wanita (W) 40 30 10 80
Jumlah 70 80 50 200

P(L atau W) = P(L) + P(W) =(120/200) + (80/200) = 0,6 + 0,4 =1 karena P(LW)=0

P(R atau G) = P(R) + P(G) = (70/200) + (80/200) = 0,35 + 0,4 = 0,75 karena P(RG)=0

P(R atau G atau F) = P(R) +P(G) + P(F) = (70/200) + (80/200) + (50/200) = 0,35 +0,4 + 0,25 =1 Karena P(RG),
P(GF), P(FR), P(RGF)=0
 PROBABILITAS BERSYARAT

Probabilitas peristiwa X akan terjadi

dengan syarat peristiwa Y telah terjadi

𝑃(𝑋𝑌)
P(X|Y)=
𝑃(𝑌)
• P ( XY ) = P ( Y ) P ( X | Y ) dan P ( YX ) = P ( X ) P ( Y | x )
• Karena P ( XY ) = P ( YX ) maka P ( Y ) P ( X | Y ) = P ( x ) P ( Y | X )
 CONTOH PERISTIWA BERSYARAT
Kontestan
Pemberi Suara Guntur Jumlah
Riki (R) Fatma (F)
(G)
Pria (L) 30 50 40 120
Wanita (W) 40 30 10 80
Jumlah 70 80 50 200
𝑃(𝑋𝑌)
P(X|Y)=
𝑃(𝑌)

𝑃(𝑅𝑊) 40/200 0,2

P(R|W)= = 80/200 = 0,4 = 0,5
𝑃(𝑊)

𝑃(𝑊𝑅) 40/200 0,2

P(W|R)= = 70/200 = 0,35 = 0,57
𝑃(𝑅)
 CONTOH FAKTORIAL

Faktorial bilangan asli n adalah perkalian semua bilangan asli yang

kurang atau sama dengan n

Misalnya, kita ingin mengetahui berapa cara yang mungkin dalam

mengatur tiga huruf pertama dari abjad (ABC) dapat dihitung dengan
dengan menggunakan faktorial: 3!=3x2x1=6

Cara yang sederhana adalah dengan membuat coretan coba-coba seperti

berikut: ABC ACB BAC BCA CAB CBA
 PERMUTASI
Susunan unsur berbeda yang dibentuk dari n unsur, diambil dari n unsur atau sebagian
unsur

Misalnya, ada berapa cara yang mungkin dalam mengatur 4 huruf dari 6 huruf pertama
dalam abjad.

Dengan mengambil satu huruf untuk setiap posisi dan menerapkan perkalian, dapat
diperoleh banyaknya permutasi 4 huruf dari 6 huruf, yaitu:

𝑛! 6! 6𝑥5𝑥4𝑥3𝑥2!
P= = = = 360 cara
𝑛−𝑟 ! 6−4 ! 2!
 KOMBINASI
Setiap kelompok yang hanya dibedakan berdasar item yang diikutsertakan (dan bukan urutannya)
dinamakan kombinasi

Suatu kombinasi dari 10 huruf pertama dari abjad adalah kelompok huruf itu sendiri, tanpa
memperhatikan tatanannya. Semua susunan-susunan berikut: ABC ACB BAC BCA CAB CBA
Diperhitungkan sebagai suatu kombinasi tunggal

Tetapi, dalam kelompok-kelompok dengan huruf-huruf yang berbeda seperti berikut: EFG JFK EIK
ADJBCL EDJ Masing-masing menunjukkan suatu kombinasi yang berlainan.

Misalnya, kombinasi dari 4 huruf yang diambil dari 6 huruf pertama dalam abjad adalah Crn =
n! 6! 6x5x4! 6x5
= = = 1x2 =15 cara
r!(n−r)! 4!(6−4)! 4!2!
 DISTRIBUSI PROBABILITAS

Distribusi probabilitas
• Suatu daftar dari semua nilai variabel random diskrit dengan probabilitas
terjadinya masing-masing nilai itu
Variabel random diskrit
• Hanya mengisi nilai-nilai tertentu yang terpisah dalam suatu interval
• Contoh: banyaknya pemunculan sisi kepala dalam pelemparan suatu uang logam.
Variabel random kontinu
• Dapat mengisi nilai mana pun dalam suatu interval
• Contoh: umur penduduk Indonesia
 DISTRIBUSI PROBABILITAS
BINOMIAL
Distribusi probabilitas binomial menggambarkan data yang dihasilkan
oleh suatu percobaan yang dinamakan percobaan Bernoulli

Ciri-ciri dari percobaan Bernoulli adalah

• Setiap percobaan hanya menghasilkan dua peristiwa, misalnya ya atau tidak, berhasil atau
gagal, baik atau cacat, kepala atau ekor
• Probabilitas suatu peristiwa (misal munculnya sisi kepala) adalah konstan (tidak berubah
untuk setiap percobaan)
• Semua percobaan independen secara statistik artinya peristiwa dari suatu percobaan
tidak mempengaruhi atau dipengaruhi peristiwa dalam percobaan lain
 CONTOH DISTRIBUSI PROBABILITAS
BINOMIAL (1)
Misalnya, seorang murid menghadapi 5 pertanyaan pilihan ganda dengan setiap pertanyaan memiliki 6
jawaban (a, b, c, d, e, f). Jika sebelum menjawab pertanyaan ia melemparkan dadu, muncul sisi 1 berarti
menjawab a, muncul sisi 2 berarti menjawab b, dan seterusnya, berapa probabilitas murid itu akan
menjawab 4 soal dengan benar?

• Setiap pertanyaan mempunyai 6 pilihan sementara dalam menjawab murid berspekulasi, maka
probabilitas menjawab benar P(B) = 1/6, sehingga probabilitas menjawab salah P(S)=1-P(B) = 5/6.
• Jika susunan 4 jawaban yang benar dari murid itu adalah B B B B S. Karena masing-masing
percobaan bersifat independen, maka: P(B B B B S) = P(B) P(B) P(B) P(B) P (S) = 1/6 1/6 1/6 1/6
5/6 = (1/6)4 (5/6)1
• Kemungkinan lain dari 4 susunan jawaban yang benar adalah B S B B B dan P (B S B B B) = P(B) P(S)
P(B) P(B) P(B) = 1/6 5/6 1/6 1/6 1/6 = (1/6)4 (5/6)1
• Ternyata probabilitas dari 4 jawaban yang benar dari 5 pertanyaan adalah sama untuk susunan yang
mana pun. Banyaknya kemungkinan susunan 4 benar dan salah dapat dicari dengan rumus:
n! 5! 5x4!
• Crn = r!(n−r)! = 4!(5−4)! = = 5 cara
4!1!
 CONTOH DISTRIBUSI PROBABILITAS
BINOMIAL (2)
Untuk mencari probabilitas menjawab 4 soal dengan benar P(4) diperoleh dengan
menjumlahkan probabilitas dari C45 = 5 susunan
Karena probabilitas untuk setiap susunan adalah sama, maka P(4) dapat dihitung dengan
mengalikan C45 dan probabilitas salah satu susunan, yaitu:
P(r) = C45 x pr x qn-r
P(4) = C45 x (1⁄ 6)4 x (5 ⁄6)1
P(4) = 5 x 0,000772 x 0,833333 = 0,003215 = 0,0032
Dengan menerapkan rumus binomial untuk contoh tadi diperoleh:
P ( 0 ) = 1x 1 x 0,40188 = 0,4019
P ( 1 ) = 5 x 0,16667 x 0,48225 = 0,4019
P ( 2 ) = 10 x 0,02778 x 0,57870 = 0,1608
P ( 3 ) = 10 x 0,00463 x 0,69444 = 0,0322
P ( 4 ) = 5 x 0,00077 x 0,83333 = 0,0032
P ( 5 ) = 0,00833 x 0,00013 x 1 = 0,0000
1,00
 DISTRIBUSI PROBABILITAS POISSON
Distribusi probabilitas poisson dapat digunakan untuk menghitung
probabilitas banyaknya kedatangan dalam suatu selang waktu tertentu

Ciri-ciri probabilitas kedatangan mengikuti proses Poisson:

• Tingkat kedatangan rata-rata dapat diduga berdasar data masa lalu
• Tingkat kedatangan rata-rata per satuan waktu adalah konstan
• Probabilitas suatu kedatangan dalam selang waktu yang sangat pendek adalah sangat
kecil sehingga probabilitas lebih dari satu kedatangan dalam selang waktu yang pendek
akan mendekati nol
• Banyaknya kedatangan dalam suatu selang waktu tidak dipengaruhi oleh apa yang terjadi
dalam selang waktu sebelumnya
 CONTOH DISTRIBUSI PROBABILITAS
POISSON
Misalnya, kedatangan pasien rata-rata di ruang gawat darurat adalah 5 per hari. Jika
kedatangan mengikuti proses Poisson,:
1. Berapa probabilitas kedatangan 3 pasien per hari?
2. Berapa probabilitas kedatangan 3 pasien pada malam saja?

e = Konstanta = 2.71828 = 2,7183

1. t=1, λ=5, X=3

𝑒 −5 .1 (5 . 1)3
P(3) = = 0,14037
3!
2. t=12/24=1/2, λ=5, X=3
𝑒 −5 .1/2 (5 . 1/2)3
P(3) = = 0,21375
3!
SEKIAN
TERIMA KASIH