2. P A B P A P B P A B
3. a. P A B P A B
P B
b. PB A PB A P A B
P A P A
Operasioperasi Probabilitas
4. Bila P A B P A B PB atau P A B PB A P A
maka A dan B dependen secara statistik
(statistically dependent)
5. Bila A dan B statistically independent maka:
P A B P A PB karena P A B P A dan PB A PB
Contoh Operasi Probabilitas
Berdasar pengalaman, seorang pemilik restoran
mengetahui: 75% konsumen menggunakan saus tomat;
80% konsumen gunakan sambal; 65% konsumen
gunakan keduanya.
(a) Berapa probabilitas seorang konsumen akan
gunakan saus tomat atau sambal?
(b) Berapa probabilitas seorang konsumen gunakan
saus tomat, bila ybs diketahui gunakan sambal?
(c) Berapa probabilitas seorang konsumen gunakan
sambal, bila ybs diketahui gunakan saus tomat?
Bila A adalah peristiwa konsumen menggunakan saus
tomat dan B adalah peristiwa konsumen sambal maka:
P(A) = 0,75; P(B) = 0,80; P(A B) = 0,65; sehingga:
a. P A B P A P B P A B 0,75 0,80 0,65 0,90
P A B 0,65
b. P A B 0,8125
P B 0,80
c. PB A P A B 0,65 0,8667
P A 0,75
Aturan penghitungan
Aturan 1. Bila sembarang dari k peristiwa berbeda yang
bersifat saling lepas dan lengkap bersama dapat
mewujud pada setiap percobaan (trial) sebanyak n kali
maka banyaknya hasil yang mungkin terjadi:
kn
Contoh:
Banyaknya kemungkinan hasil dari pelemparan sebuah koin
sebanyak 5 kali adalah: 25 = 32.
Banyaknya kemungkinan hasil dari pelemparan sebuah dadu
sebanyak 3 kali adalah: 63 = 216.
Aturan 2. Bila terdapat k1 peristiwa pada percobaan
pertama, k2 peristiwa pada percobaan kedua, ... , dan kn
peristiwa pada percobaan ke-n maka banyaknya hasil
yang mungkin terjadi:
(k1) (k2) ... (kn)
Contoh: Nomor identitas seseorang terdiri atas 3 buah huruf dan
diikuti 5 buah angka maka banyaknya kemungkinan hasil dari
penyusunan huruf dan angka untuk identitas tersebut =
(26) (26) (26) (10) (10) (10) (10) (10) = 1.757.600.000.
Aturan 3. Banyaknya cara bahwa keseluruhan n
obyek yang berbeda dapat disusun berurutan:
n! = (n) (n1) (n2) ... (2)(1)
Contoh: Lomba lari final 100 meter lelaki SEA Games
diikuti oleh 7 peserta. Berbagai kemungkinan hasil
urutan pencapaian garis akhir ketujuh peserta adalah
berjumlah: 7! = (7) (6) (5) (4) (3) (2) (1) = 5040.
Aturan 4. Banyaknya cara untuk menyusun secara
berurutan X obyek yang dipilih dari n obyek yang
berbeda disebut permutasi X dari n yang dinyatakan:
n n!
P Px
n x
n x !
Contoh: Lomba lari final 100 meter lelaki SEA Games diikuti
oleh 7 peserta. Berbagai kemungkinan hasil urutan juara
pertama, kedua, dan ketiga dari ketujuh peserta berjumlah:
7! 7 6 5 4 3 2 1
P37 210
7 3! 4 3 2 1
Aturan 5. Banyaknya cara untuk menyusun secara
berurutan X obyek yang dipilih dari n obyek yang
berbeda tanpa membedakan urutan yang ada disebut
kombinasi X dari n : C C n n!
x!n x !
n x x
B B1 B2 Bk Jumlah
A
A1 P(A1 B1) P(A1 B2) P(A1 Bk) P(A1)
A2 P(A2 B1) P(A2 B2) P(A2 Bk) P(A2)
B B1 B2 B3 Jumlah
A
A1 40 130 40 210
A2 100 110 60 270
A3 130 170 220 520
Jumlah 270 410 320 1000
Contoh bivariate probabilities
Dengan pengertian frekuensi relatif akan diperoleh
tabel probabilitas:
B B1 B2 B3 Jumlah
A
A1 0,04 0,13 0,04 0,21
A2 0,10 0,11 0,06 0,27
A3 0,13 0,17 0,22 0,52
Jumlah 0,27 0,41 0,32 1,00
Contoh bivariate probabilities
P(A1 B1) = 0,04 (joint probability)
P(A2 B1) = 0,10 (joint probability)
P(A3 B1) = 0,13 (joint probability)
+/+
P(B1) = 0,27 (marginal probability)
Conditional probabilities:
P A1 B1 0,04
P(A1B1) = 0,14815
PB1 0,27
P(A2B3) = 0,1875
P(B2 A3) = 0,32691
P(B2 A1) = 0,61905
P(A1B1) = 0,14815
P(A2B1) = 0,37037
P(B2) = 0,41
P(A1B3) = 0,125
P(B2) = 0,32
P(A2B3) = 0,1875
P(A3B3) = 0,6875
Teorema Bayes
lengkap bersama maka:
P A B j P B j
P B j A
P A
P Bj A
P ABj P Bj
P A B1 PB1 P A B2 PB2 P A Bk PBk
Contoh 1 Teorema Bayes:
Probabilitas seseorang menderita penyakit Ostolaris adalah 0,03.
Untuk penyakit tersebut tersedia peralatan diagnosisnya.
Jika seseorang benarbenar menderita penyakit itu, probabilitas
diagnosis akan menyimpulkan adanya penyakit (hasil diagnosis
positif) adalah 0,90. Jika penyakit tersebut tidak ada, probabilitas
diagnosis akan berkesimpulan positif adalah 0,02.
Berdasarkan situasi tersebut:
(a). Jika diagnosis memberi hasil positif pada seseorang, berapa
probabilitas bahwa yang bersangkutan memang menderita penyakit
tersebut?
(b). Berapa proporsi dari diagnosis yang menunjukkan hasil positif?
(c). Jika diagnosis memberi hasil negatif pada seseorang, berapa
probabilitas yang bersangkutan sesungguhnya tidak menderita
penyakit tersebut?
Contoh 1 Teorema Bayes:
Misalkan diagnosis positif adalah A. (Apakah diagnosis negatif?)
Untuk situasi memang benar menderita penyakit dan tidak menderita
penyakit masingmasing B1 dan B2.
Informasi awal adalah probabilitas seseorang menderita suatu
penyakit tertentu atau P(Bj) dan probabilitas hasil diagnosis akan
positif pada kedua situasi pasien atau P(ABj).
Informasi tambahan jika diagnosis memberi hasil positif pada (a),
dan jika diagnosis memberi hasil negatif, pada (c).
Sedangkan yang ingin diketahui adalah probabilitas pasien memang
benar menderita penyakit tersebut jika diagnosis memberi hasil
positif pada (a), dan probabilitas bahwa pasien sesungguhnya tidak
menderita penyakit tersebut jika diagnosis memberi hasil negatif,
pada (c).
Contoh 1 Teorema Bayes:
P(A1B1) = 0,99
P(B2) = 0,988
P(A1B2) = 0,02
P(A2B2) = 0,98
Pengertian Distribusi probabilitas
i 2
2
X i P X i X E X E X
2 2
P X r Crn p r q nr
0 C050 0,0100,99=
50
0,605006
1 C150 0,0110,99 49
= 0,305559
2 C250 0,0120,99=48 0,075618
3 C350 0,0130,99=47 0,012221
4 C450 0,0140,99=46 0,001450
5 C550 0,0150,99=45 0,000135
6 C650 0,0160,99=44 0,000010
Jumlah 0,999999
Contoh penggunaan formula distribusi binomial