## B EE LL AA J J AARRT TA AN NP PA AB B

A TA AT SA S
PRODI DIII KEBENDAHARAAN NEFARA – PKN STAN – BPPK – KEMENKEU RI

STATISTIKA
PERTEMUAN 5
Konsep Dasar Peluang
 # B E L A J A R T A N P A B A T A S
PRODI DIII KEBENDAHARAAN NEFARA – PKN STAN – BPPK – KEMENKEU RI

M a t e r i Pe r t e m u a n
Ko n s e p D a s a r Pe l u a n g
a. Konsep dasar peluang (klasik dan distribusi frekuensi)
b. Aturan penambahan dan Perkalian
c. Pengenalan variabel
d. Distribusi peluang diskrit dan kontinyu
e. Distribusi peluang binomial
f. Distribusi peluang normal
Konsep dasar peluang (klasik dan
distribusi frekuensi)
o Nama Lain
Probabilitas, Peluang atau Kemungkinan

p k n s t a n . a c . i d
o Konsep
Peluang adalah ukuran numerik tentang seberapa
sering peristiwa itu akan terjadi.

–
Probabilitas merupakan suatu nilai yang digunakan

# B E L A J A R T A N P A B A T A S
untuk mengukur tingkat terjadinya suatu kejadian
yang acak.

Semakin besar nilai probabilitas menyatakan

bahwa peristiwa itu akan sering terjadi.
Konsep dasar peluang (klasik dan
distribusi frekuensi)
 Ruang Sampel (S)
Himpunan/Kumpulan dari seluruh kemungkinan hasil yang didapatkan dari suatu percobaan
Contoh : S = {1, 2, 3, 4, 5, atau 6}

p k n s t a n . a c . i d
Himpunan semesta dari semua titik sampel dari suatu percobaan
Titik Sampel : {1}, {2}, {3}, {4}, {5}, {6}

 Kejadian/ Event

–
# B E L A J A R T A N P A B A T A S
Kumpulan hasil-hasil dasar yang digolongkan oleh suatu ciri tertentu
Contoh : A = {muncul angka genap},

Kejadian/event merupakan himpunan bagian dari ruang sampel

Satu peristiwa terdiri dari satu hasil

Peristiwa yang pasti : ruang sampel

Konsep dasar peluang (klasik dan
distribusi frekuensi)

• Nilai Peluang

p k n s t a n . a c . i d
Peluang dinyatakan dengan bilangan desimal atau bilangan pecahan

Nilai dari probabilitas berkisar antara 0 dan 1

–
# B E L A J A R T A N P A B A T A S
Semakin dekat nilai probabilitas ke nilai 0 semakin kecil kemungkinan
suatu kejadian akan terjadi. Semakin dekat nilai probabilitas ke nilai 1
semakin besar peluang suatu kejadian akan terjadi
Konsep dasar peluang (klasik dan 6

distribusi frekuensi)

A B A B A dan B

p k n s t a n . a c . i d
A B A B A B

–
(A  A ) = S

# B E L A J A R T A N P A B A T A S
A B c

S Sample space, S
Ac
A B A A
Event, 6A
Konsep dasar peluang (klasik dan 7

distribusi frekuensi)

p k n s t a n . a c . i d
Bersifat Bersifat
Obyektif Subyektif

–
# B E L A J A R T A N P A B A T A S
Pendekatan Klasik

Pendekatan
Frekuensi Relatif
 8
PENDEKATAN KLASIK

• Konsep
Perhitungan probabilitas secara klasik didasarkan pada asumsi bahwa

p k n s t a n . a c . i d
seluruh hasil dari suatu eksperimen mempunya kemungkinan atau
peluang yang sama.

• Contoh

–
# B E L A J A R T A N P A B A T A S
Kejadian A terjadi sebanyak x cara dari n cara.
Ada n barang, x rusak, (n – x) tidak rusak.
Probabilitas barang yang diambil rusak, P(A).
 9
PENDEKATAN KLASIK

x
a. P( A) = , P( A)  0 , sebab x  0 , n  0

p k n s t a n . a c . i d
n

n−x n x x
P( A) = = − = 1−
n n n n

–
# B E L A J A R T A N P A B A T A S
b. P( A) = 1 − P( A)

A = bukan A (bukan barang rusak )

A = komplemen A
 10
PENDEKATAN KLASIK

Tidak ada yang rusak, x = 0

p k n s t a n . a c . i d
P ( A) =
0
=0
n

Semua barang rusak, x = n

–
# B E L A J A R T A N P A B A T A S
P ( A) = = 1
n
n

0 ≤ P(A) ≤ 1
A = Sukses
A = Gagal
 A
PENDEKATAN KLASIK

A
S

# B E L A J A R T A N P A B A T A S – p k n s t a n . a c . i d
11
 12
PENDEKATAN KLASIK

• Contoh
Suatu pabrik memproduksi 150 barang. Kepala pabrik menyatakan bahwa

p k n s t a n . a c . i d
25 barang tersebut rusak. Jika seorang pembeli mengambil satu barang
secara acak, berapa peluang terambilnya barang tersebut rusak.

• Jawaban

–
# B E L A J A R T A N P A B A T A S
n = 150, x = 25, jika A adalah barang rusak, maka

P ( A) = =
x 25
= 0,17 = 17%
n 150
 13
PENDEKATAN KLASIK

• Contoh
Seorang Direktur Bank mengatakan bahwa dari 1000 nasabahnya terdapat 150

p k n s t a n . a c . i d
orang yang tidak puas dengan pelayanan Bank. Pada suatu hari kita bertemu dengan
salah seorang nasabah.Berapa probabilitasnya bahwa nasabah tsb tidak puas?

• Jawaban

–
# B E L A J A R T A N P A B A T A S
n = 1000, x = 150, jika A adalah nasabah yang tidak puas, maka :

P ( A) = =
x 150
= 0,15 = 15%
n 1000
PENDEKATAN FREKUENSI 14
RELATIF

• Konsep
Perhitungan probabilitas berdasarkan frekuensi relatif menggunakan

p k n s t a n . a c . i d
limit dari frekuensi relatif yang diperoleh dari suatu percobaan.

Misalkan,
fi
fr = frekuensi relatif P( X i ) = lim

–
# B E L A J A R T A N P A B A T A S
Xi = kejadian i n → n

Probabilitas suatu kejadian merupakan limit dari frekuensi

relatif kejadian tersebut.
PENDEKATAN FREKUENSI 15
RELATIF

X f fr

p k n s t a n . a c . i d
fr = frekuensi relatif
X1 f1
Xi = kejadian i
X2 f2
fi
Xk fk P( X i ) = lim
n → n

–
# B E L A J A R T A N P A B A T A S
f
fj
Jumlah j =n n =1

Jumlah Frekuensi Kejadian

Probabilitas =
Jumlah Observasi
PENDEKATAN FREKUENSI RELATIF 16

• Contoh
Data 65 karyawan beserta upah bulanan yang bekerja di perusahaan

p k n s t a n . a c . i d
disajikan dalam tabel berikut. Berapakah besarnya probabilitas bahwa
upahnya Rp65.000,00 dan Rp105.000,00 jika suatu saat akan diadakan
pengundian untuk mendapatkan bonus bulanan berdasarkan besarnya
upah bulanan.

–
# B E L A J A R T A N P A B A T A S
X 55 65 75 85 95 105 115
f 8 10 16 14 10 5 2
PENDEKATAN FREKUENSI 17
RELATIF
o Jawaban

p k n s t a n . a c . i d
X 55 65 75 85 95 105 115
f 8 10 16 14 10 5 2
n = jumlah karyawan = 65

–
f

# B E L A J A R T A N P A B A T A S
2 10
P( X = 65) = = = 0,15 atau 15 0
0
65
n
P( X = 105) =
f 6 =
5
= 0,0769 atau 8 0
0
n 65
PENDEKATAN FREKUENSI 18
RELATIF

• Contoh
Diketahui bahwa nilai ujian Statistika mahasiswa PKN STAN (X) adalah sbb :

p k n s t a n . a c . i d
Nilai Banyaknya mahasiswa
(1) (2)
< 25 10
25 – 50

–
30

# B E L A J A R T A N P A B A T A S
50 – 75 45
> 75 15
Jumlah 100

Kalau kita bertemu dengan salah seorang mahasiswa dari sekelompok

mahasiswa tsb, berapakah probabilitasnya bahwa dia mendapat nilai
25 < X < 50 ; 50 < X < 75 dan X > 75 ?
PENDEKATAN FREKUENSI 19
RELATIF

30
P(25  X  50) = = 0,3 atau 30%

p k n s t a n . a c . i d
100

45
P(50  X  75) = = 0,45 atau 45%

–
100

# B E L A J A R T A N P A B A T A S
15
P ( X  75) = = 0,15 atau 15%
100
PENDEKATAN FREKUENSI 20
RELATIF
Suatu eksperimen dilakukan dengan jalan melemparkan mata uang logam Rp 50 secara berulang-ulang. Mata uang tsb
mempunyai dua sisi gambar, yaitu sisi yang satu berupa gambar (G) dan sisi sebelahnya bukan gambar ( 𝐺ҧ )

p k n s t a n . a c . i d
Jika: X1 = kejadian melihat G
X2 = kejadian melihat 𝐺ҧ
n = banyaknya lemparan mata uang.

–
# B E L A J A R T A N P A B A T A S
f fr f fr f fr f fr f fr

X1 8 0,8 60 0,6 450 0,45 5.490 0,549 52.490 0,5249

X2 2 0,2 40 0,4 550 0,55 4.510 0,451 47.510 0,4751
n 10 1,0 100 1,0 1000 1,00 10.000 1,000 100.000 1,0000
PENDEKATAN FREKUENSI RELATIF 21

PENDEKATAN PERHITUNGAN PROBABILITAS

(FREKUENSI RELATIF)

p k n s t a n . a c . i d
–
# B E L A J A R T A N P A B A T A S
Untuk n = 10 P(X1) = 0,8 → log 10 = 1
Untuk n = 100 P(X1) = 0,6 → log 100 =2
Untuk n = 1.000 P(X1) = 0,45 → log 1.000 =3
Untuk n = 10.000 P(X1) = 0,549 → log 10.000 =4
Untuk n = 100.000 P(X1) = 0,5249 → log 100.000 =5
 22
PENDEKATAN SUBJECTIF

• Konsep

p k n s t a n . a c . i d
Probabilitas Subyektif didasarkan atas penilaian seseorang dalam
menyatakan tingkat kepercayaan

–
Jika tidak ada pengamatan masa lalu sebagai dasar, maka pernyataan

# B E L A J A R T A N P A B A T A S
probabilitas tersebut bersifat subyektif
 23
ATURAN DASAR PROBABILITAS

▪ Beberapa kombinasi dari kejadian dalam sebuah eksperimen dapat

dihitung probabilitasnya berdasarkan dua aturan, yaitu

p k n s t a n . a c . i d
1. Aturan Penjumlahan
o Kejadian Saling Meniadakan (Saling Lepas)
o Kejadian Tidak Saling Meniadakan
2. Aturan Perkalian

–
# B E L A J A R T A N P A B A T A S
o Kejadian Bebas
o Kejadian Tak Bebas (Bersyarat)
Kejadian Saling Meniadakan 24
(Saling Lepas)

▪ Kejadian saling meniadakan adalah kejadian dimana jika sebuah

kejadian terjadi, maka kejadian yang kedua tidak mungkin terjadi

p k n s t a n . a c . i d
secara bersamaan.
▪ Jika A telah terjadi, maka kejadian B tidak akan terjadi

–
# B E L A J A R T A N P A B A T A S
P( A atau B ) = P( A  B ) = P( A) + P(B )
Kejadian Saling Meniadakan 25
(Saling Lepas)

Contoh
Pada pelemparan dua buah dadu bersamaan. Tentukan peluang
munculnya dadu berjumlah 4 atau 8.

p k n s t a n . a c . i d
▪ Jawaban
P(A) = peluang munculnya dadu berjumlah 4
P(B) = peluang munculnya dadu berjumlah 8

–
# B E L A J A R T A N P A B A T A S
P(A atau B) = P(A) + P(B)

3 5 8 2
P(A atau B) = + = =
36 36 36 9
Kejadian Tidak Saling Meniadakan 26

▪ Dua kejadian saling berinterseksi (beririsan) disebut sebagai

probabilitas bersama.

p k n s t a n . a c . i d
▪ P(A atau B) adalah peluang bahwa A mungkin terjadi dan B mungkin
terjadi. Hal ini menyatakan, kemungkinan bahwa A dan B terjadi,
dalam hal kejadian yang tidak saling meniadakan.

–
# B E L A J A R T A N P A B A T A S
P(A atau B) = P(A) + P(B) – P(A dan B)
P(A ∪ B) = P(A) + P(B) – P(A ∩ B)
Kejadian Tidak Saling Meniadakan 27

▪ Contoh
Berapa probabilitas bahwa sebuah kartu yang dipilih secara acak dari

p k n s t a n . a c . i d
satu set kartu yang berisi 52 kartu adalah kartu bergambar raja atau
bergambar hati?
▪ Jawaban
Kartu bergambar raja, (A) = 4 P ( A  B ) = P ( A) + P (B ) − P ( A  B )

–
Kartu bergambar hati, (B) = 13

# B E L A J A R T A N P A B A T A S
P( A  B ) =
4 13 1
+ −
Kartu bergambar raja dan hati, (A ∩ B) = 1 52 52 52
P( A  B ) =
16
52
P( A  B ) = 0,3077
Kejadian Tidak Saling Meniadakan 28

Sebuah perusahaan elektronik mengambil sampel 1000 rumah tangga sebagai responden dan
ditanya apakah akan membeli tv ukuran besar atau tidak. Setahun kemudian responden yang
sama ditanya apakah mereka telah membeli televisi ukuran besar tersebut? Hasilnya dapat dilihat

p k n s t a n . a c . i d
pada tabel berikut

Merencanakan Benar-benar telah membeli

Total
untuk membeli Ya Tidak
Ya 200 50 250

–
Tidak 100 650 750

# B E L A J A R T A N P A B A T A S
Total 300 700 1000

Berapa peluang seseorang telah merencanakan untuk membeli atau benar benar telah membeli?

P(A) = peluang seseorang telah merencanakan untuk membeli

P (AUB) = P(A) + P(B) – P(A∩B)
P(B) = peluang seseorang benar-benar telah membeli 250 300 200
= + −
1000 1000 1000
= 0,35
 29
Kejadian Tidak Bebas (Bersyarat)

▪ Probabilitas bersyarat P(A/B) menyatakan bahwa probabilitas

terjadinya kejadian A jika kejadian B sudah terjadi atau akan

p k n s t a n . a c . i d
terjadi.

𝑃 𝐴∩𝐵
𝑃 𝐴/𝐵 =
𝑃 𝐵

–
𝑃 𝐴∩𝐵

# B E L A J A R T A N P A B A T A S
𝑃 𝐵/𝐴 =
𝑃 𝐴

▪ P(A/B) = probabilitas A terjadi jika B terjadi

▪ P(B/A) = probabilitas B terjadi jika A terjadi
Kejadian Tidak Bebas (Bersyarat) 30

▪ Contoh
Dua dadu dilempar sekali. Jika A = {x : x < 5} dan B = {x : x bilangan

p k n s t a n . a c . i d
ganjil}. Hitunglah P(A/B) dan P(B/A). (Catatan : x = jumlah dua mata
dadu)

▪ Jawaban
P( A  B )

–
P( A  B ) P (B / A) =

# B E L A J A R T A N P A B A T A S
S = 36
P( A / B ) =
A = 6 (11, 12, 21, 13, 31, 22) P (B ) P ( A)
B = 18 (21, 41, 61, 12, 32, 52, 23,
P (B / A) =
2
P( A / B ) =
2
43, 63, 14, 34, 54, 25, 45, 65,
16, 36, 56) 18 6
A ∩ B = 2 (12, 21) P( A / B ) = 0,11 P(B / A) = 0,33
Kejadian Tidak Bebas (Bersyarat) 31

Terdapat populasi sarjana pada suatu kota. Total jumlah populasi tersebut adalah 900 sarjana. Dari populasi
sarjana tersebut dapat kita kategorikan menjadi seperti berikut:

p k n s t a n . a c . i d
Bekerja Menganggur TOTAL
Laki-laki 460 40 500
Perempuan 140 260 400
TOTAL 600 300 900
Pemerintah daerah kota tersebut akan mengambil secara acak seseorang diantara mereka untuk ditugaskan

–
mempublikasikan pentingnya didirikan industry baru di kota tersebut. Berapa peluang terpilih adalah sarjana laki-

# B E L A J A R T A N P A B A T A S
laki dengan syarat telah bekerja
Cara 2
Cara 1
600 460 𝑃 𝐿∩𝐵
L : yang terpilih laki-laki 𝑃 𝐿∩𝐵 𝑃 𝐵 = 𝑃 𝐿∩𝐵 = 𝑃 𝐿/𝐵 =
𝑃 𝐿/𝐵 = 900 900 𝑃 𝐵
B : yang terpilih telah bekerja 𝑃 𝐵
= 0,67 = 0,51 0,51
460 =
= 0,67
600 = 0,77
= 0,77
Kejadian Tidak Saling Meniadakan 32

460
Diagram Pohon 𝑃 𝐵∩L =
900

p k n s t a n . a c . i d
140
𝑃 𝐵 ∩ 𝐿ത =

–
Seluruh 900

# B E L A J A R T A N P A B A T A S
Populasi
Sarjana 40
𝑃 𝐵ത ∩ L =
300

260
𝑃 𝐵ത ∩ 𝐿ത =
900
Kejadian Tidak Bebas (Bersyarat) 33
Peluang kejadian Interseksi
(Kaidah Penggandaan)

▪ Probabilitas kejadian interseksi berasal dari rumus kejadian tak

bebas atau bersyarat

p k n s t a n . a c . i d
P( A  B )
P( A / B ) = P ( A  B ) = P (B )  P ( A / B )
P (B )

–
P( A  B )

# B E L A J A R T A N P A B A T A S
P (B / A) = P ( A  B ) = P ( A)  P ( B / A)
P ( A)
Kejadian Tidak Bebas (Bersyarat) 34
Peluang kejadian Interseksi
(Kaidah Penggandaan)

▪ Contoh
Pengambilan 2 kartu berturut-turut dari satu set kartu bridge.

p k n s t a n . a c . i d
Berapa probabilitasnya bahwa pengambilan kartu pertama As, yang
kedua juga kartu As. Hasil pengambilan pertama tidak
dikembalikan lagi. Hasil pengambilan kedua dipengaruhi oleh hasil
pengambilan pertama.

–
▪ Jawaban
P ( A  B ) = P ( A)  P ( B / A)

# B E L A J A R T A N P A B A T A S
S = 52
P( A  B ) =
4 3
A=4 
B/ A = 3, S = 51 52 51
P( A  B ) =
12
2652
P( A  B ) = 0,0045
KEJADIAN BEBAS 35

▪ Dua kejadian atau lebih dikatakan merupakan kejadian bebas

apabila terjadinya kejadian tersebut tidak saling mempengaruhi.

p k n s t a n . a c . i d
▪ Dua kejadian A dan B dikatakan kejadian bebas, jika kejadian A
tidak mempengaruhi kejadian B, dan sebaliknya.

–
# B E L A J A R T A N P A B A T A S
P(A dan B) = P(A) × P(B)
 36
KEJADIAN BEBAS

▪ Contoh
Pada pelemparan dua buah dadu bersamaan. Berapa peluang munculnya dadu

p k n s t a n . a c . i d
berjumlah 7 dan 5?

▪ Jawaban
P(A) = peluang munculnya dadu berjumlah 7

–
P(B) = peluang munculnya dadu berjumlah 5

# B E L A J A R T A N P A B A T A S
P ( A  B ) = P ( A)  P (B )

P( A  B ) =
6 6

36 36
P( A  B ) =
1
36

36
SEBARAN/DISTRIBUSI
PELUANG

Distribusi peluang mempunyai hubungan yang erat dengan

p k n s t a n . a c . i d
distribusi frekuensi. Frekuensi dalam distribusi frekuensi
diperoleh berdasarkan hasil percobaan atau hasil observasi.
Sedangkan frekuensi dalam distribusi peluang merupakan

–
hasil yang diharapkan jika percobaan atau pengamatan

# B E L A J A R T A N P A B A T A S
dilakukan, sehingga distribusi peluang ini seringkali disebut
distribusi teoritis.
SEBARAN/DISTRIBUSI
PELUANG

Ilustrasi

p k n s t a n . a c . i d
• Misalnya seorang anak melempar bola basket
sebanyak2 (kali) kali.
• Kita ingin mengamati berapa banyaknya bola
yang berhasil masuk kedalam ring.

–
• Coba uraikan banyaknya kemungkinan dari

# B E L A J A R T A N P A B A T A S
pengamatan tersebut.
• Berapakah peluang dari setiap kemungkinan
tersebut? (jika peluang bola masuk kedalam ring
= 0.5)
SEBARAN/DISTRIBUSI
PELUANG

Misalnya, 0.6

p k n s t a n . a c . i d
X= banyaknya bola yg berhasil masuk ke dalam ring 0.5
0.5
X= { 0, 1, 2}
0.4

P(X=x)
𝑋 Possible Event 𝑃(𝑋= 𝑥)
0.3

–
0.25 0.25
1

# B E L A J A R T A N P A B A T A S
0 Gagal,Gagal 1 1
= 0.2
2 2 4
Gagal, Sukses 1 1 1 1 2 0.1
1 + =
Sukses, Gagal 2 2 2 2 4
0
1 1 1
2 Sukses, Sukses = 0 1 2
2 2 4
X= banyaknya bola yg masuk ke ring
SEBARAN/DISTRIBUSI
PELUANG
X= banyaknya bola yg berhasil masuk ke dalam ring
Fungsi Peluang
X= {0, 1, 2}

p k n s t a n . a c . i d
𝑋 Possible Event
• Setiap nilai peubah acak, berpadanan
dengan satu atau lebih kemungkinan 0 Gagal,Gagal 1 1 1
=
kejadian. 2 2 4
• Setiap nilai peubah acak bisa Gagal, Sukses

–
1 1 1 1 2
1

# B E L A J A R T A N P A B A T A S
+ =
ditentukan nilai peluangnya. Sukses, Gagal 2 2 2 2 4
• Fungsi yang menyatakan peluang 1 1 1
dari setiap nilai peubah acak disebut 2 Sukses, Sukses =
2 2 4
fungsi peluang. 1 2
𝑃 𝑋=0 = ෍ 𝑃 𝑋 =𝑥 =𝑃 𝑋 =0 +𝑃 𝑋 =1 +𝑃 𝑋 =2
• Total nilai dari fungsi ini adalah 1. 4 0
2 1 2 1
2 ෍ 𝑃 𝑋=𝑥 = + + =1
𝑃 𝑋=1 = 0 4 4 4
4
1
𝑃 𝑋=2 =
VARIABEL/PEUBAH ACAK

• Suatu fungsi yang nilainya berupa bilangan nyata yang ditentukan

p k n s t a n . a c . i d
oleh setiap unsur dalam ruang contoh
• Kuantifikasi suatu kejadian acak menjadi bilangan riil
• Variabel/Peubah acak dibedakan menjadi dua, yaitu variabel acak

–
diskrit dan variabel acak kontinue

# B E L A J A R T A N P A B A T A S
VARIABEL/PEUBAH ACAK
Variabel acak diskret
▪ Segugus nilai dari suatu peubah acak
yang dapat dicacah (countable)
▪ Variabel yang merupakan bilangan
bulat dan jumlahnya terbatas
▪ Variabel yang merupakan hasil
penghitungan
P(x) = 1
Variabel acak kontinu
p k n s t a n . a c . i d
▪ Nilai-nilai dari peubah acak tersebut
tidak dapat dicacah (uncountable)
▪ Nilai dalam peubah acak tersebut
berupa selang interval
▪ Variabel yang merupakan hasil
–
pengukuran
# B E L A J A R T A N P A B A T A S
0  P(x)  1
VARIABLE ACAK DISKRET

Nilai Harapan dan Varians

p k n s t a n . a c . i d
nilai harapan X adalah rata-rata suatu variabel random X atau distribusi probabilitasnya dan
dituliskan E [X]
E [X] = µ =  [x • P(x)]
2

–
1 1 1

# B E L A J A R T A N P A B A T A S
𝐸 𝑋 =෍ 𝑥𝑃 𝑋 = 𝑥 = 0 +1 +2 =1
𝑥=0 4 2 4

Artinya, rata-rata banyaknya lemparan yang akan masuk kedalam ring

adalah sebanyak1 lemparan (kalua ada 2 lemparan)
VARIABLE ACAK DISKRET

Nilai Harapan dan Varians

p k n s t a n . a c . i d
Varians

Var (X) = E(X2) – [E(X)]2

2

–
1 1 1 3

# B E L A J A R T A N P A B A T A S
2 2 2 2 2
𝐸 𝑋 =෍ 𝑥 𝑃 𝑋=𝑥 =0 +1 +2 =
𝑥=0 4 2 4 2

2 2 3 2 1
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝐸 𝑋 = − =
2 2 2
VARIABLE ACAK DISKRET

Fungsi Peluang Peubah Acak Diskret disebut juga Fungsi Massa Peluang

p k n s t a n . a c . i d
X= banyaknya bola yg berhasil masuk ke dalam ring
X= {0, 1, 2}

–
# B E L A J A R T A N P A B A T A S
1
𝑃 𝑋=0 = 1

𝑃 𝑋=1 =
4
2
4
1
𝑃 𝑋=𝑥 = { 4
2
4
untuk 𝑥 = 0 dan 2

untuk 𝑥 = 1
𝑃 𝑋=2 =
4
 •Binomial
•Bernoulli
VARIABLE ACAK DISKRET

# B E L A J A R T A N P A B A T A S – p k n s t a n . a c . i d
VARIABLE ACAK DISKRET

Bernoulli

p k n s t a n . a c . i d
Suatu distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli (Bernoulli trial). Sebuah percobaan Bernoulli
harus memenuhi syarat:
• Setiap percobaan hanya menghasilkan dua kemungkinan “sukses” atau “gagal”
• Jika probabilitas sukses p, maka probabilitas gagal q = 1 – p

Jika diambil X=1 untuk kejadian berhasil dan X=0 untuk kejadian gagal, Fungsi massa peluangnya adalah:

–
# B E L A J A R T A N P A B A T A S
𝑃 𝑋 =0 =1−𝑝
𝑃 𝑋=1 =𝑝

atau dapat dituliskan 𝑃 𝑋 = 𝑥 = 𝑝𝑥 1 − 𝑝 1−𝑥 untuk 𝑥 = 0 𝑑𝑎𝑛 1

Nilai harapan dan Varian

1
𝐸 𝑋 =෍ 𝑥𝑝 𝑥 = 0 1 − 𝑝 + 1 𝑝 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸 𝑋 2 = 𝑝 − 𝑝2
𝑥=0

𝐸 𝑋 =𝑝 𝑉𝑎𝑟 𝑋 = 𝑝(1 − 𝑝)
VARIABLE ACAK DISKRET

Bernoulli Seorang pemain bola akan melakukan tendangan pinalti. Jika

peluang bola masuk ke gawang lawan adalah 80%, tentukan fungsi

p k n s t a n . a c . i d
peluangnya
1 jika pemain bola tersebut berhasil memasukkan bola ke gawang lawan
𝑋ቊ
0 jika pemain bola tersebut gagal memasukkan bola ke gawang lawan

P(1) = P(X=1)=0.8

–
P(0) = P(X=0)=0.2

# B E L A J A R T A N P A B A T A S
P(x ≠ 0 atau 1) = P(X ≠ 0 atau 1) = 0

fungsi peluangnya adalah

0.8 , jika x = 1
𝑋 ቐ0.2 , jika x = 0
0 , selainnya (x ≠ 0 𝑎𝑡𝑎𝑢 1)
VARIABLE ACAK DISKRET

Binomial

p k n s t a n . a c . i d
• Distribusi binomial berasal dari percobaan binomial yaitu suatu proses Bernoulli yang diulang
sebanyak n kali dan saling bebas
• percobaan binomial memiliki ciri-ciri sebagai berikut:
o percobaan tersebut dilakukan berulang-ulang sebanyak n kali

–
o setiap percobaan menghasilkan keluaran yang dapat dikatagorikan sebagai gagal dan

# B E L A J A R T A N P A B A T A S
sukses
o probabilitas sukses p tetap konstan dari satu percobaan ke percobaan lain
o percobaan yang berulang adalah saling bebas
VARIABLE ACAK DISKRET

Binomial

p k n s t a n . a c . i d
• Jika kita melakukan 𝑛 tindakan bebas yang berpeluang 𝑝 untuk “berhasil” dan berpeluang (1 − 𝑝)
untuk “gagal”, maka X yang menyatakan banyaknya keberhasilan dalam 𝑛 tindakan adalah peubah acak
binomial.

• Fungsi massa peluangnya:

–
𝑛 𝑥

# B E L A J A R T A N P A B A T A S
𝑛−𝑥 , untuk
𝑏 𝑥, 𝑛, 𝑝 = 𝑃 𝑋 = 𝑥 = 𝑝 1−𝑝 𝑥 = 1,2, … , n
𝑥

• Nilai Harapan dan Varian

𝐸 𝑋 = 𝑛𝑝
𝑉𝑎𝑟 𝑋 = 𝑛𝑝 (1 − 𝑝)
VARIABLE ACAK DISKRET

Jika peubah acak X didefinisikan sebagai banyakanya

tendangan pinalti yang sukses dari 3 tendangan pinalti

p k n s t a n . a c . i d
P = peluang sukes untuk sekali melakukan tendangan pinalti
3 3
S S S → X=3 → 𝑃 𝑋=3 = 𝑝 (1 − 𝑝)3−3
3
S S G
3 2

–
G S S → X=2 → 𝑃 𝑋=2 = 𝑝 (1 − 𝑝)3−2
2

# B E L A J A R T A N P A B A T A S
S G S
G G S
3 1
S G G → X=1 → 𝑃 𝑋=1 = 𝑝 (1 − 𝑝)3−1
1
G S G
3 0
G G G → X=0 → 𝑃 𝑋=0 = 𝑝 (1 − 𝑝)3−0
0

Rata-rata sukses melakukan tendangan pinalti E(X) = np = 3p

 VARIABLE ACAK DISKRET

Ujian Mata Kuliah Statisika menggunakan tipe soal pilihan berganda. Setiap soal

p k n s t a n . a c . i d
terdapat empat pilihan jawaban dan hanya satu jawaban yang benar untuk setiap soal.
Selanjutnya, antar nomor soal diasumsikan saling bebas. “A” mengikuti ujian dan terdapat 10
soal yang harus dijawab.

a. Berapa peluang dia menjawab benar tepat 5 soal?

b. Berapa peluang dia menjawab soal minimal 3 yang benar?

–
# B E L A J A R T A N P A B A T A S
𝑛 𝑥 𝑛−𝑥 , untuk
a. 𝑃 𝑋 = 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 = 𝑥 𝑝 1 − 𝑝 𝑥 = 1,2, … , n

10−5
1 10 15 3
𝑃 𝑋 = 5 = 𝑏 5,10, =
4 5 4 4
5 5
10! 1 3
=
5! 5! 4 4
= 0,05833
VARIABLE ACAK DISKRET

b. Berapa peluang dia menjawab soal minimal 3 yang benar?

p k n s t a n . a c . i d
𝑃 𝑋 ≥ 3 = 𝑃 𝑋 = 3 + 𝑃 𝑋 = 4 + ⋯ + 𝑃(𝑋 = 10)
10

= ෍ 𝑏(𝑥, 10, 0.25)

𝑥=3

–
# B E L A J A R T A N P A B A T A S
atau

𝑃 𝑋 ≥ 3 = 1 − 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃(𝑋 = 2)
2

= ෍ 𝑏(𝑥, 10, 0.25)

𝑥=0

= 1 − 0.056 + 0.188 + 0.282 = 0.474

Variable Acak Kontinyu

p k n s t a n . a c . i d
Definisi:
Suatu peubah acak dengan ruang contoh yang terdiri
dari suatu selang (interval) atau gabungan dari beberapa

–
# B E L A J A R T A N P A B A T A S
selang.
 Variable Acak Kontinyu

# B E L A J A R T A N P A B A T A S – p k n s t a n . a c . i d
Distribusi Peluang Kontinyu

Distribusi Normal

p k n s t a n . a c . i d
• Distribusi normal disebut juga “Gaussian Distribution” (sesuai dengan nama penemunya Carl Gauss).
• Diantara sekian banyak distribusi, distribusi normal merupakan distribusi yang secara luas banyak
digunakan dalam berbagai penerapan. Distribusi normal merupakan distribusi kontinyu yang mensyaratkan
variabel yang diukur harus kontinyu misalnya tinggi badan, berat badan, skor IQ, jumlah curah hujan, isi
botol dll.

–
• Grafiknya disebut kurva normal dengan bentuk seperti genta

# B E L A J A R T A N P A B A T A S
Distribusi Peluang Kontinyu

Distribusi Normal

p k n s t a n . a c . i d
Fungsi kepadatan/kepekatan probabilitas normal dapat dituliskan sebagai berikut.
luas area kurva normal antara x = a dan x = b (probabilitas
bahwa nilai x terletak antara a dan b) dapat dihitung
sebagai: 𝑏
1  x− 
2
−  
f (x ) =
1

–
2   𝑃 𝑎 ≤ 𝑥 ≤ 𝑏 = න 𝑓 𝑥 𝑑𝑥
e

# B E L A J A R T A N P A B A T A S
, untuk - < X < 
 2 𝑎

Kurva kepekatan peluang

di mana :
 = 3,14159 𝑓 𝑥 𝑃 𝑎≤𝑥≤𝑏
e = 2,71828

a b
Distribusi Peluang Kontinyu

Distribusi Normal

p k n s t a n . a c . i d
Ciri – ciri :
1. Kurva berbentuk garis lengkung yang halus dan menyerupai
genta/ lonceng ;
2. Kedua ekor/ ujungnya semakin mendekati sumbu absisnya
tetapi tidak pernah memotong ;
3. Distribusi normal memiliki dua parameter, yaitu μ dan σ yang

–
masing – masing menentukan lokasi dan bentuk distribusi ;

# B E L A J A R T A N P A B A T A S
4. Titik tertinggi kurva normal berada pada rata – rata ;
5. Distribusi normal adalah distribusi yang simetris ;
6. Simpangan baku (standar deviasi = σ), menentukan lebarnya σ
kurva. Makin kecil σ, maka bentuk kurva makin runcing ;
7. Total luas daerah dibawah kurva normal adalah 1 ;
8. Jika jarak dari masing – masing nilai X diukur dengan σ, maka
kira – kira 68% berjarak 1σ, 95% berjarak 2σ, dan 99%
berjarak 3σ.
Distribusi Peluang Kontinyu

Distribusi Normal

p k n s t a n . a c . i d
𝑃 𝜇 − 𝜎 ≤ 𝑋 ≤ 𝜇 + 𝜎 ≈ 68%

–
𝑃 𝜇 − 2𝜎 ≤ 𝑋 ≤ 𝜇 + 2𝜎 ≈ 95%

# B E L A J A R T A N P A B A T A S
𝑃 𝜇 − 3𝜎 ≤ 𝑋 ≤ 𝜇 + 3𝜎 ≈ 99%
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
Persamaan matematika bagi kepadatan/kepekatan probabilitas normal tergantung pada dua
parameter, yaitu μ dan σ. Bila kedua nilai tersebut diketahui, maka kita dapat
menggambarkan kurva normal tersebut dengan pasti.

ILUSTRASI

–
# B E L A J A R T A N P A B A T A S
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

• Karena persamaan kurva normal tergantung pada nilai – nilai μ dan σ, maka kita akan

p k n s t a n . a c . i d
memiliki bermacam – macam bentuk kurva.
• Oleh karena itu dikembangkan suatu cara untuk mentransformasikan setiap hasil
pengamatan yang berasal dari sembarang variabel acak normal x menjadi variabel acak
normal z dengan μ = 0 dan σ = 1.

–
• Untuk mengubah distribusi normal menjadi distribusi normal standard, gunakan nilai Z.

# B E L A J A R T A N P A B A T A S
Bentuk rumusnya adalah :
Dimana :
𝑋−𝜇 Z = variabel normal standar
X = nilai variabel random
𝑧=  = rata-rata variabel random
𝜎 = simpangan baku variabel random
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
0,5 0,5

–
# B E L A J A R T A N P A B A T A S
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
PT Terang Benderang, memproduksi Bohlam Lampu yang dapat hidup 900 jam dengan standar deviasi 50 jam. PT
Tersebut ingin mengetahui berapa persen produksi bohlam lampunya yang dapat hidup pada kisaran antara 800-
1.000 jam, sebagai bahan promosi bohlam lampu. Hitung berapa probabilitasnya!
X adalah peubah acak yang menyatakan lama hidup sebuah bohlam lampu
Diketahui

–
# B E L A J A R T A N P A B A T A S
μ = 900 dan σ = 50
Ditanyakan
P(800<X<1.000)?
𝑋−𝜇
𝑧=
𝜎 800 900 1000 -2 0 2
Hitung nilai Z
Z1 = (800-900)/50 = -2,00;
Z2 = (1.000-900)/50 = 2,00
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
P(800<X<1.000) = P(-2,00<Z<2,00)
= P(Z < 2) – P(Z>-2,00)
= 0,9775 – (1-0,9775)
= 0,9544
= 95,44%

–
# B E L A J A R T A N P A B A T A S
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam.

Jika PT Terang Benderang mengklaim bahwa lampu

bohlamnya menyala 800-1.000 jam, mempunyai peluang
benar 95,44%, sedang sisanya 4,56% harus dipersiapkan
untuk garansi.
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
P(800<X<1.000) = P(-2,00<Z<2,00);
= P(Z>2,00) + P(Z>-2,00)
= 0,4772 + 0,4772
= 0,9544

–
# B E L A J A R T A N P A B A T A S
Jadi 95,44% produksi berada pada kisaran 800-1.000 jam.

Jika PT Terang Benderang mengklaim bahwa lampu

bohlamnya menyala 800-1.000 jam, mempunyai peluang
benar 95,44%, sedang sisanya 4,56% harus dipersiapkan
untuk garansi.
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
Terdapat 200 orang mahasiswa yang mengikuti ujian Statisika pada sebuah Prodi, diperoleh bahwa nilai rata-rata
adalah 60 standard devisasi adalah 10. Bila distribusi nilai menyebar secara normal, tentukan:
a. persen yang mendapat A, jika nilai A ≥ 80;
b. persen yang mendapat nilai C, jika nilai C terletak pada interval 56 ≤ C ≤ 68;
c. Jika 12% peserta nilai tertinggi mendapat nilai A, berapa batas nilai A yang terendah ?

–
Jawaban :

# B E L A J A R T A N P A B A T A S
X adalah peubah acak yang menyatakan nilai statistika
0 2
Diketahui 𝑋−𝜇 Tabel Distribusi Z 0,5
Tabel Distribusi Z Penuh
μ = 60 dan σ = 10 a. 𝑧 =
𝜎
80 − 60 P(X ≥ 80) = P(Z ≥ 2) P(X ≥ 80) = P(Z ≥ 2)
𝑧= = 1 – 0,9772 = 0,5 – 0,4475
10
= 0,0228 = 0,0225
𝑧=2 = 2,28% = 2,25%
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
Tabel Distribusi Z Penuh
Jawaban :
P(56 ≤ X ≤ 68) = P(-0,4 ≤ Z ≤ 0,8)
X adalah peubah acak yang menyatakan nilai statistika = P(Z < 0,8) - P (Z < -0,4)
= 0,7881 - 0,3446
Diketahui = 0,4435
X1 = 56, X2 = 68, μ, = 60 dan σ = 10 = 44,35%

–
# B E L A J A R T A N P A B A T A S
𝑋−𝜇 𝑋−𝜇
b. 𝑍1 = 𝑍2 =
𝜎 𝜎
56 − 60 68 − 60
𝑍1 = 𝑍2 = Tabel Distribusi Z 0,5
10 10 P(56 ≤ X ≤ 68) = P(-0,4 ≤ X ≤ 0,8)
𝑍1 = −0,4 𝑍2 = 0,8 = P(X ≤ 0,8) + P (X≥-0,4)
= 0,2881 + 0,1554
= 0,4435
= 44,35%
Distribusi Peluang Kontinyu

Distribusi Z (Distribusi Normal Standard)

p k n s t a n . a c . i d
Jika 12% peserta nilai tertinggi mendapat nilai A, berapa batas nilai A yang terendah ?

Jawaban :
Tabel Distribusi Z (0,5)
𝐴 = 𝑃 𝜇 ≤ 𝑋 ≤ 𝑋𝐴 = 0,5 − 0,12 = 0,38 → Z=1,175

–
# B E L A J A R T A N P A B A T A S
𝜇 = 60

𝑋𝐴 − 𝜇
𝑍𝐴 = 𝑋𝐴 = (1,175)(10) + 60
𝜎
𝑋𝐴 = 𝑍𝐴 𝜎 + 𝜇 𝑋𝐴 = 71,75
Distribusi Peluang Kontinyu

Pendekatan distribusi normal untuk distribusi peluang binomial

p k n s t a n . a c . i d
• Dalam bahan kuliah sebelumnya sudah dijelaskan bahwa distribusi Poisson dapat digunakan untuk menghampiri
distribusi binomial ketika n membesar dan p sangat dekat ke 0 atau 1. Kedua distribusi tersebut adalah diskrit.
• Distribusi normal juga dapat digunakan untuk menghampiri distribusi binomial bilamana n cukup besar.
• Di bawah ini perbedaan penggunaan pendekatan poisson dan normal :
a. JIKA rata-rata (μ) ≤ 20 MAKA dapat dilakukan pendekatan dengan distribusi POISSON dengan μ = n x p
b. JIKA rata-rata (μ) > 20 MAKA dapat dilakukan pendekatan dengan distribusi NORMAL

–
# B E L A J A R T A N P A B A T A S
𝑋 − 𝑛𝑝
𝑧=
dengan 𝑛𝑝𝑞
μ=nxp
𝜎2 = 𝑛 × 𝑝 × 𝑞
𝜎= 𝑛 ×𝑝×𝑞 • Pendekatan ini sangat baik jika n besar dan p mendekati 0,5. Juga seandainya
n tidak terlalu besar, pendekatan ini masih cukup baik, dengan syarat p tidak
terlalu dekat dengan 0 atau 1.
Distribusi Peluang Kontinyu

Pendekatan distribusi normal untuk distribusi peluang binomial

p k n s t a n . a c . i d
Dalam soal ujian terdapat 200 pertanyaan multiple choice, setiap soal terdiri dar 5 jawaban dan hanya
satu jawaban yang benar. Bila seorang mahasiswa hanya menerka saja, berapakah peluang
mahasiswa menebak dengan benar lebih dari 50 soal ?

Jawaban:

–
Diketahui: 𝑋 − 𝑛𝑝 50 − 40

# B E L A J A R T A N P A B A T A S
n = 200 p = 1/5 = 0,20 q = 1 - 0,20 = 0,80 𝑧= = = 1,77
𝑛𝑝𝑞 32
μ = n X p = 200 X 0.20 = 40
200
𝑃 𝑋 > 50 = ෍ 𝑏(𝑥; 200,0,20)
𝜎= 𝑛 ×𝑝×𝑞 𝑥=51

𝜎= 200 × 0,20 × 0,80

𝜎 = 32 𝑃 𝑍 > 1,77 = 1 − 0,9616 = 0,0384 = 3,84%

𝑃 𝑍 > 1,77 = 0,5 − 0,4616 = 0,0384 = 3,84%

Distribusi Peluang Kontinyu

Dalil Limit Pusat / The central limit theorem

p k n s t a n . a c . i d
Apabila suatu contoh acak berukuran n ditarik dari suatu populasi yang besar atau
takhingga dengan nilai tengah μ dan ragam σ2, maka nilai tengah contoh 𝑋ത akan
menyebar menghampiri sebaran normal dengan nilai tengah 𝜇𝑥ҧ = 𝜇 dan standard
𝜎
deviasi / simpangan baku 𝜎𝑥ҧ = . Dengan demikian
𝑛

–
# B E L A J A R T A N P A B A T A S
𝑥ҧ − 𝜇
𝑧=𝜎
ൗ 𝑛

Merupakan sebuah nilai bagi peubah acak normal baku Z

Distribusi Peluang Kontinyu

Dalil Limit Pusat / The central limit theorem

p k n s t a n . a c . i d
Aturan Praktis

• Jika populasi aslinya tidak berdistribusi normal, maka untuk n ≥ 30, distribusi sampling
mean akan mendekati normal. Distribusi sampling mean akan semakin mendekati
distribusi normal ketika ukuran sampelnya semakin besar.

–
# B E L A J A R T A N P A B A T A S
• Jika populasi aslinya berdistribusi normal, maka untuk sembarang ukuran sampel n,
distribusi sampling meannya mendekati distribusi normal.
Distribusi Peluang Kontinyu

Dalil Limit Pusat / The central limit theorem

p k n s t a n . a c . i d
Sebuah Lembaga Kesehatan pada suatu negara melaporkan bahwa nilai tengah/rata-rata
kenaikan berat badan selama masa kehamilan di negara tersebut adalah 7 kg. Asumsikan
bahwa populasi kenaikan berat badan tersebut berdistribusi normal dengan simpangan baku 2,9
kg.
(a) Tentukan peluang bahwa jika seorang ibu hamil dipilih secara acak, kenaikan berat

–
# B E L A J A R T A N P A B A T A S
badannya lebih dari 8 kg.
(b) Carilah peluang bahwa 20 ibu-ibu hamil yang dipilih secara acak memiliki nilai tengah/rata-
rata kenaikan berat badan lebih dari 8 kg.
Distribusi Peluang Kontinyu

Dalil Limit Pusat / The central limit theorem

p k n s t a n . a c . i d
Pembahasan
Diketahui : 𝜇 = 7 𝜎 = 2,9

a. Untuk menentukan peluang terpilihnya seorang ibu hamil dengan kenaikan berat badan lebih dari 8 kg, kita
gunakan distribusi peluang normal. Untuk itu, pertama kita konversi skor kenaikan berat badan 8 kg menjadi nilai
z

–
# B E L A J A R T A N P A B A T A S
𝑋−𝜇 (8−7)
𝑧= = = 0,34
𝜎 2,9
𝑃 𝑋 > 8 = 𝑃(𝑧 > 0,34)
= 1 − 𝑃 𝑧 ≤ 0,34
= 1 − 0,6331
= 0,3669
Jadi, peluang terpilihnya seorang ibu hamil dengan kenaikan berat badan lebih dari 8 kg adalah 0,3669
Distribusi Peluang Kontinyu

Dalil Limit Pusat / The central limit theorem

p k n s t a n . a c . i d
Pembahasan
Diketahui : 𝜇 = 7 𝜎 = 2,9 𝑛 = 20

b. Meskipun ukuran sampel tersebut kurang dari 30, kita tetap bisa menggunakan distribusi normal karena populasi
aslinya berdistribusi normal.

–
# B E L A J A R T A N P A B A T A S
𝜎 2,9
𝜇𝑥ҧ = 𝜇 = 7 𝜎= = = 0,65
𝑛 20

𝑥ҧ − 𝜇
𝑧=𝜎 𝑃 𝑋 > 8 = 𝑃(𝑧 > 1,54)
ൗ 𝑛 = 1 − 𝑃 𝑧 ≤ 1,54
= 1 − 0,9382
= 0,0618
8−7
𝑧= = 1,54
2,9 Jadi, peluang terpilihnya sampel berukuran 20 dengan nilai tengah/rata-rata
ൗ
20 lebih dari 8 kg adalah 0,0618.
 # B E L A J A R T A N P A B A T A S
PRODI DIII KEBENDAHARAAN NEFARA – PKN STAN – BPPK – KEMENKEU RI

TERIMA KASIH
#B ELA JA RTANPA BATAS