6
OBJEKTIF :
1. Mahasiswa dapat mengetahui konsep dasar probabilitas
2. Mahasiswa dapat mengetahui distribusi probabilitas
3. Mahasiswa dapat mengetahui distribusi probabilitas diskrit
4. Mahasiswa dapat mengetahui distribusi probabilitas kontinu
Dengan 0 ≤ P(A) ≤ 1
Keterangan:
P(A) = Probabilitas bahwa kejadian A terjadi
X = Banyaknya elemen sub set yang membentuk kejadian A
n = Banyaknya elemen set
Contoh :
Ada 100 buah barang dibungkus rapih
Dari 100 buah barang tersebut 15 buah rusak
A = Kejadian memperoleh barang rusak
Kalau Anda mengambil sebuah, secara acak, berapa probabilitasnya bahwa barang
tersebut rusak?
Penyelesaian:
n = 100 (elemet set)
X = 15 (elemen sub-set, pembentuk kejadian A)
X 15
P(A) = = = 𝟎, 𝟏𝟓
n 100
Kalau X = 0, semua barang dalam keadaan bagus, tidak ada yang rusak.
o
P(A) = = 0, A disebut impossible event (kejadian yang tak mungkin terjadi).
n
terjadi).
̅) = 1 – P(A), A
0 ≤ P(A) ≤ 1 P(A ̅ = bukan A, artinya rentang probabilitas paling
Contoh :
Anda mengambil suatu kartu dari suatu set kartu bridge, berapa probabilitasnya
bahwa kartu tersebut AS?
Penyelesaian:
N = 52, X = 4 (ada 4 buah AS)
X 4 1
P(AS) = = =
n 52 13
Contoh :
Ada 1000 orang karyawan suatu perusahaan. Ada 150 orang karyawan yang
membeli saham di bursa efek. Kalau Anda bertemu dengan salah satu seorang
karyawan tersebut, berapa probabilitasnya bahwa karyawan tersebut membeli
saham di bursa efek?
Penyelesaian:
n = 1000, X = 150
A = kejadian karyawan akan membeli saham
X 150
P(A) = = = 0,15 (15%) , probabilitas bahwa karyawan akan membeli
n 1000
Keterangan:
P = Permutasi
n = Jumlah kejadian yang dapat dipilih
k = Jumlah kejadian yang harus dipilih
Contoh :
Banyak bilangan tiga digit yang dapat dibentuk dengan menggunakan angka-
angka 1, 2, 3, 4, 5 adalah:
Tanpa pengulangan:
5!
𝑃35 = (
5−3)!
5!
=
2!
5432!
=
2!
= 60
Dengan pengulangan: 5 . 5 . 5 = 125
b. Kombinasi
Banyak kombinasi k objek yang diambil dari n objek yang berbeda (tanpa
memperdulikan urutannya; dinyatakan dengan lambang 𝐶𝑘𝑛 adalah:
Keterangan :
C = Kombinasi
n = Jumlah kejadian yang dapat dipilih
k = Jumlah kejadian yang harus dipilih
Contoh :
Misalkan dimiliki lima bola dengan warna berbeda-beda. Jika diambil tiga bola
dari kumpulan lima bola itu, banyak kombinasi yang mungkin adalah:
5!
𝐶35 = 3!2!
= 10
Contoh :
Misalkan dilakukan Bernoulli Trials sebanyak n kali, dengan probabilitas
sukses p pada tiap percobaan. Variabel random X menyatakan banyak sukses
dalam n kali percobaan tersebut, maka distribusi probabilitas X dikatakan
berdistribusi binomial dengan n kali percobaan dan probabilitas sukses p.
Misalkan dilakukan n = 4 kali percobaan, maka semua hasil yang mungkin
adalah sebagai berikut:
0 𝐶4 = 1 P0 q4 = q4
0
1 𝐶4 = 4 P1 q3 = p q3
1
2 𝐶4 = 6 P2 q2
2
3 𝐶4 = 4 P3 q1 = p3 q
3
4 𝐶4 = 1 P4 q0 = P4
4
P (X = 𝑥) = 𝐶𝑛 px qn-x ; x = 0, 1, …, n ; q = 1 – p
Beberapa contoh grafik distribusi binomial dapat dilihat pada Gambar 6.1.
Gambar 6.1
Contoh Beberapa Grafik Distribusi Binomial dengan n = 5 dan Berbagai Nilai p
Contoh Soal :
Sepasang suami istri yang baru menikah merencanakan untuk
memperoleh empat orang anak. Jika rencananya mungkin terlaksana dan
diketahui probabilitas untuk memperoleh anak laki-laki dalam tiap kelahiran
adalah 0.51, maka:
a. Probabilitas untuk memperoleh empat orang anak laki-laki:
P (X = 4) = 𝐶44p4
= (1)(0.514) = 0.0677
b. Probabilitas untuk memperoleh tiga orang anak laki-laki:
P (X = 3) = 𝐶43p3q
= (4)(0.513)(0.49) = 0.2600
c. Probabilitas untuk memperoleh dua orang anak laki-laki:
P (X = 2) = 𝐶42p2q2
= (6)(0.512)(0.492) = 0.3747
d. Probabilitas untuk memperoleh paling sedikit dua orang anak laki-laki:
P (X ≥ 2) = P (X = 2) + P (X = 3) + P (X = 4)
= 0.3747 + 0.2600 + 0.0677 = 0.7024
b. P (X = 3)
1. Tekan icon R Commander pada desktop,
c. P (X = 2)
1. Tekan icon R Commander pada desktop,
2. Pilih menu Distribution, Discrete Distributions, Binomial Distribution,
d. P (X ≥ 2) atau P (X > 1)
1. Tekan icon R Commander pada desktop,
2. Pilih menu Distribution, Discrete Distributions, Binomial Distribution,
lalu Binomial Tail Probabilities
Contoh 1:
Sebuah kotak berisi 6 bola merah (M) dan bola hitam (H). Dari kotak
tersebut, dikeluarkan sebuah bola secara acak tiga kali berturut-turut. Probabilitas
untuk mendapatkan bola merah atau hitam pada tiap kali pengambilan, baik pada
sampling dengan ataupun tanpa pengembalian diperlihatkan pada Gambar 6.3.
Pada sampling dengan pengembalian, komposisi isi kotak selalu tetap 6
bola merah dan 4 bola hitam, probabilitas untuk mendapatkan bola merah selalu
berupa P(M) = 6/10 dan probabilitas untuk mendapatkan bola hitam selalu tetap
berupa P(H) = 4/10. Probabilitas untuk mendapatkan x bola merah (ataupun n-x
bola hitam) pada n kali pengambilan sampel dengan pengembalian dapat dihitung
dengan menggunakan distribusi binomial.
Pada sampling tanpa pengembalian, probabilitas untuk mendapatkan bola
merah (atau bola hitam) pada tiap kali pengambilan akan selalu berubah, karena
komposisi isi kotak akan selalu berubah sesuai dengan hasil yang diperoleh pada
Gambar 6.2. Skema Probabilitas hasil tiap percobaan pada sampling dengan
atau tanpa pengembalian
Contoh 2:
Misalkan sebuah kotak berisi 50 tabung elektronik, 10 diantaranya rusak dan 40
baik.
a N-a N
10 40 50
Untuk soal a :
Untuk soal b :
𝐶010 𝐶15
40 𝐶110 𝐶240
P (X =0) 50 P (X =1) 50
𝐶15 𝐶15
𝐶210 𝐶13
40 10 𝐶140
𝐶13 2
P (X =2) 50 P (X =3) 50
𝐶15 𝐶15
dan seterusnya.
Keterangan:
Contoh Soal:
Perusahaan mainan “PlayTime” mempekerjakan 50 orang di Departemen
Perakitan. 40 karyawan tergabung dalam serikat pekerja dan 10 lainnya tidak. Jika
5 karyawan dipilih secara acak untuk membentuk komite untuk bertemu dengan
manajemen mengenai waktu mulai shift. Berapakah probabilitas bahwa 4 dari 5
yang dipilih untuk komite menjadi anggota serikat pekerja?
Penyelesaian:
Jadi, probabilitas memilih 5 pekerja perakitan secara acak dari 50 pekerja serta
mendapatkan 4 dari 5 anggota serikat pekerja yaitu 0,431.
2. Masukkan nilai m (The Number Of White Balls in The Urn – jumlah sukses
dalam populasi = nilai a dalam soal) = 40
Masukkan nilai n (The Number Of Black Balls in The Urn - jumlah gagal dalam
populasi atau = lawan dari nilai m) = 10
Masukkan nilai k (The Number Of Balls Drawn From The Urn - Jumlah kejadian
dalam sampel ) = 5, karena banyaknya nilai yang diambil dari percobaan
adalah 5, kemudian tekan tombol OK.
Karena yang ditanya adalah nilai X = 4, maka lihat output Pr yang ke-4, yaitu
0,431.
(Contoh Soal diambil dari Lind, Marchal, and Wathen (2012), Page: 205)
Contoh Soal:
10% dari alat perkakas yang diproduksi dalam suatu proses produksi adalah
perkakas yang cacat. Carilah probabilitas bahwa dalam 10 sampel perkakas yang
dipilih secara acak, tepat 2 diantaranya merupakan perkakas yang cacat.
Penyelesaian:
n = 10; p = 10% = 0,1; µ = np = (10)(0,1) = 1; x = 2
µXe−µ
P(x) =
x!
(1)2(e−1)
P(2) = = 0,1839
2!
Contoh soal diambil dari: (Spiegel dan Stephens, 2004. Page 142).
bahwa variabel acak kontinu memiliki jumlah nilai yang tak terbatas dalam rentang
tertentu.
Distribusi kontinu terdiri dari distribusi uniform, distribusi normal, dan
distribusi eksponensial.
(b − a)2
σ=√
12
0 lainnya
jika mengkalikan tinggi sebaran dengan seluruh jangkauannya untuk mencari luas,
hasilnya selalu 1,00. Dengan kata lain, luas total dalam distribusi probabilitas
kontinu adalah sama dengan 1,00. Secara umum:
1
Luas = (tinggi)(alas) = (b − a) = 1,00
(b − a)
Jadi jika distribusi uniform berkisar antara 10 hingga 15, tingginya adalah
0,20, diperoleh dari 1/(15 – 10). Alasnya adalah 5, diperoleh dari 15 – 10. Luas
totalnya adalah:
1
Luas = (tinggi)(alas) = (15 − 10) = 1,00
(15 − 10)
Contoh:
Southwest Arizona State University menyediakan layanan bus kepada mahasiswa
saat mereka berada di kampus. Sebuah bus tiba di North Main Street dan College
Drive setiap 30 menit antara pukul 6 pagi dan 11 malam selama hari kerja.
Mahasiswa tiba di halte bus pada waktu yang acak. Waktu yang dibutuhkan
seorang mahasiswa untuk menunggu terdistribusi secara merata dari 0 sampai 30
menit.
1. Gambarlah grafik dari distribusi ini.
2. Tunjukkan bahwa luas distribusi uniform ini adalah 1,00.
3. Berapa lama seorang mahasiswa "biasanya" harus menunggu? Dengan kata
lain, apa yang dimaksud dengan waktu tunggu rata-rata? Berapa standar
deviasi waktu tunggu?
4. Berapa probabilitas seorang mahasiswa menunggu lebih dari 25 menit?
5. Berapa probabilitas seorang mahasiswa akan menunggu antara 10 dan 20
menit?
Penyelesaian:
Dalam hal ini, variabel acaknya adalah lamanya waktu seorang mahasiswa harus
menunggu. Waktu diukur pada skala kontinu, dan waktu tunggu dapat berkisar
dari 0 menit hingga 30 menit.
Standar deviasi distribusi adalah 8,66 menit. Ini mengukur variasi waktu
tunggu mahasiswa.
4. Luas dalam distribusi untuk interval 25 hingga 30 mewakili probabilitas
khusus. Dari rumus:
1
P(25 < waktu tunggu < 30) = (tinggi)(alas) = (30 − 25) = 0,1667
(30 − 0)
Jadi, probabilitas seorang mahasiswa menunggu antara 25 hingga 30 menit
adalah 0,1667. Kesimpulan ini diilustrasikan oleh grafik berikut.
Disini tidak perlu membuat perhitungan apa pun dari rumus di atas.
Distribusi probabilitas normal memiliki karakteristik utama sebagai berikut:
bawah kurva normal berada di sebelah kanan titik pusat ini dan setengah
lainnya di sebelah kirinya.
Simetris (symmetrical) mengenai rata-rata. Jika kita memotong kurva
normal secara vertikal pada nilai tengah, kedua bagian akan menjadi
bayangan cermin.
Tepat di kedua arah dari nilai pusat. Yaitu, distribusinya asimtotik
(asymptotic): Kurva semakin dekat dan dekat dengan sumbu X tetapi tidak
pernah benar-benar menyentuhnya. Dengan kata lain, ekor kurva
memanjang tanpa batas di kedua arah.
Lokasi distribusi normal ditentukan oleh rata-rata (µ). Dispersi atau
penyebaran distribusi ditentukan oleh standar deviasi (σ).
Nilai z menyatakan jarak atau perbedaan antara nilai tertentu dari X dan
rata-rata aritmatika dalam satuan standar deviasi. Setelah pengamatan
terdistribusi normal distandarisasi, nilai z terdistribusi normal dengan rata-rata 0
dan standar deviasi 1. Jadi distribusi z memiliki semua karakteristik dari setiap
distribusi probabilitas normal.
Contoh:
Pendapatan mingguan shift mandor di industri kaca mengikuti distribusi
probabilitas normal dengan rata-rata $1.000 dan standar deviasi $100. Berapa
nilai z untuk pendapatan (X) dari seorang shift mandor yang berpenghasilan:
Penyelesaian:
a. Nilai z untuk X = $790 adalah:
X−μ $790 − $1.000
z= = = −2,10
σ $100
Lihat gambar tabel di bawah ini. Margin kiri baris 2.1 dan ke kolom 0,00.
Nilainya adalah 0,4821. Jadi, area di bawah kurva normal standar yang
sesuai dengan nilai z = 2,10 adalah 0,4821. Namun, karena distribusi
normalnya simetris, area antara 0 dan nilai z negatif sama dengan area
antara 0 dan nilai z positif. Kemungkinan menemukan mandor yang
berpenghasilan antara $790 dan $1.000 adalah 0,4821. Dalam notasi
probabilitas, dituliskan P($790 < penghasilan mingguan < $1000) = 0,4821.
b. Mean membagi kurva normal menjadi dua bagian yang identik. Area di
sebelah kiri rata-rata adalah 0,5000, dan area di sebelah kanan juga 0,5000.
Karena daerah kurva antara $790 dan $1.000 adalah 0,4821, maka luas di
bawah $790 adalah 0,0179, didapat dari 0,5000 – 0,4821. Dalam notasi
probabilitas, dituliskan P(pendapatan mingguan < $790) = 0,0179.
Selanjutnya, kita dapat mengantisipasi bahwa 1,79% mandor
menghasilkan pendapatan kurang dari $790 per minggu.
Waktu layanan dalam suatu sistem (misalnya, berapa lama waktu yang
dibutuhkan untuk melayani pelanggan).
Waktu antara "hits" di situs web.
Masa pakai komponen listrik.
Waktu sampai panggilan telepon berikutnya tiba di pusat layanan
pelanggan.
Gambar 6.5
Ciri lain dari distribusi eksponensial adalah hubungannya yang erat dengan
distribusi poisson. Poisson adalah distribusi probabilitas diskrit dan juga memiliki
parameter tunggal (µ). Untuk menjelaskan hubungan antara poisson dan distribusi
eksponensial, misalkan tingkat kedatangan pelanggan di restoran keluarga selama
jam makan malam adalah 6 per jam. Kami menggunakan distribusi poisson untuk
menemukan probabilitas pada jam makan malam tertentu bahwa 2 pelanggan
tiba, atau 7 tiba, dan seterusnya. Jadi kita memiliki distribusi poisson dengan rata-
Contoh:
Pesanan resep tiba di situs web apotek menurut distribusi probabilitas
eksponensial dengan rata-rata satu setiap 20 detik. Temukan probabilitas pesanan
berikutnya tiba dalam waktu
Penyelesaian:
a. Pertama, tentukan parameter laju 𝜆 adalah 1/20. Untuk mencari probabilitas,
kitamasukkan 1/20 untuk 𝜆 dan 5 untuk x.
1
P(waktu kedatangan < 5) = 1 – e−20(5) = 1 – e-0,25 = 1 – 0,7788 = 0,2212
Kemudian masukan Variable value(s) = 40, Rate = 1/20 = 0,05. Lalu pilih
Upper tail karena dalam soal yang ditanyakan “lebih dari 40 detik”. Apabila
dalam soal dinyatakan “kurang dari” maka pilih “Lower tail”. Kemudian klik
OK.
c. Untuk menentukan probabilitas bahwa akan memakan waktu lebih dari 5detik
tetapi kurang dari 40 detik untuk pesanan berikutnya tiba yaitu dirumuskan:
P(5 ≤ x ≤ 40) = P(waktu kedatangan ≤ 40) – P(waktu kedatangan ≤ 5)
1 1
P(5 ≤ x ≤ 40) = (1 – e−20(40)) – (1 – e−20(5)) = 0,8647 – 0,2212 = 0,6435
Dapat disimpulkan bahwa 64% dari waktu, waktu antar pesanan akan
berkisar 5detik dan 40 detik. (Lind, Marchal, and Wathen (2012), Page: 223-
249).
DAFTAR PUSTAKA
Harlan, Johan. 2004. Metode Statistika 1. Jakarta: Gunadarma.
Lind, D. A., Marchal, W. G., & Wathen, S. A. 2012. Statistical Techniques in Business
& Economics. New York: McGraw-Hill.
Spiegel, Murray R., dan Stephens, Larry J. 2004. Statistik. Edisi ketiga. Jakarta: PT
Erlangga.
Supranto, J., dan Limakrisna, Nandan. 2010. Statistika Ekonomi & Bisnis. Jakarta:
Mitra Wacana Media.