Teori Probabilitas dan

Aplikasi Bayes Theorem

Pengertian-pengertian pokok pada
probabilitas
Pertimbangkan beberapa kegiatan berikut:
pelemparan sebuah uang logam (koin)
pelemparan sebuah dadu
pertanyaan kepada konsumen tentang
kepuasannya
observasi harian tentang harga saham
pemeriksaan tentang kesesuaian mutu hasil
produksi
Pengertian-pengertian pokok pada
probabilitas
Ada kesamaan: minimal dua kemungkinan
hasil dan tidak dapat secara pasti ditentukan
kemungkinankemungkinan mana yang akan
mewujud.
Pengertian-pengertian pokok pada
probabilitas
Eksperimen random (Random experiment):
Sebuah proses yang berujung pada sekurang
kurangnya dua kemungkinan hasil (outcome)
dengan ketidakpastian tentang hasil mana
yang akan mewujud.
Hasil dasar (Basic outcome):
Merupakan daftar dari hasil yang mungkin
terjadi atau mewujud dari sebuah eksperimen
random.
Pengertian-pengertian pokok pada
probabilitas
Ruang sampel (Sample space):
Merupakan himpunan seluruh kemungkinan
hasil dasar, dinotasikan dengan S.
Peristiwa (Event):
Merupakan himpunan hasil dasar dari sebuah
ruang sampel, yang dikatakan mewujud bila
eksperimen randomnya menghasilkan salah
satu dari anggotanya.
Pengertian-pengertian pokok pada
probabilitas
Irisan peristiwa-peristiwa:
Jika E1, E2, ... , Ek merupakan peristiwa2
dalam S maka irisan mereka, E1 E2 ... ,
Ek adalah himpunan hasil dasar yang
merupakan anggota setiap Ei (i = 1, 2, ..., k).
Catatan: Jadi anggota irisan harus mempunyai
seluruh atribut Ei. Anggota dari E1 E2 adalah yang
mempunyai atribut E1 dan E2 sekaligus.
Lihat Diagram Venn
Pengertian-pengertian pokok pada
probabilitas
Peristiwa-peristiwa saling lepas (Mutually
exclusive events)
Peristiwaperistiwa dalam S yang tidak
mungkin mewujud bersamaan.
Dalam konteks irisan, peristiwaperistiwa ini
tidak mempunyai irisan, sehingga E1 E2
... , Ek = .
Catatan: Kelas2 pada dist. frek. bersifat mut. excl.
Lihat Diagram venn
Pengertian-pengertian pokok pada
probabilitas
Gabungan peristiwa-peristiwa:
Jika E1, E2, ... , Ek merupakan peristiwa2
dalam S maka gabungan mereka, E1 E2 ...
, Ek adalah himpunan hasil dasar yang
merupakan anggota dari paling tidak satu di
antara Ei tersebut (i = 1, 2, ..., k).
Catatan: Jadi anggota gabungan mempunyai atribut
minimal satu di antara Ei saja. Anggota dari E1 E2
adalah yang mempunyai atribut E1 atau E2.
Pengertian-pengertian pokok pada
probabilitas
Peristiwa-peristiwa yang lengkap bersama
(Collectively exhaustive events):
Merupakan kumpulan peristiwa yang
gabungannya membentuk S.
Artinya, jika E1, E2, ... , Ek peristiwa2 dalam S,
dan jika E1 E2 ... , Ek = S, maka
keseluruhan k peristiwa itu disebut
collectively exhaustive.
Catatan: Kelas2 pada dist frek mempunyai 2 sifat tsb.
Pengertian-pengertian pokok pada
probabilitas
Komplemen peristiwa:
Jika A sebuah peristiwa dalam S maka
himpunan hasil dasar yang menjadi anggota
dari S tetapi tidak menjadi anggota A disebut
komplemen dari A, dan dinotasikan dengan A
atau .
Macam-macam probabilitas
1. Classical Approach: (a priori probability)
Penentuan probabilitasnya tanpa melakukan
eksperimen. Probabilitas sebuah peristiwa, A:
Banyaknya Anggota Peristiwa A
P A
Banyaknya Anggota S
Syarat: setiap hasil yang mungkin terjadi
bersifat equally likely.
Contoh-contoh probabilitas klasik:
Probabilitas mendapat sisi kepala dari
pelemparan 1 koin sebanyak 1 kali:
1
PKepala
2
Contoh-contoh probabilitas klasik:
Probabilitas mendapat sisi nomor genap dari
pelemparan 1 dadu sebanyak 1 kali:
3 1
PGenap
6 2
Probabilitas mendapat 2 sisi kepala dari
pelemparan dua koin:
1
PKeduanya Kepala
4
Macam-macam probabilitas
2. Relative Frequency Approach
Merupakan frekuensi relatif hasil observasi
untuk sebuah peristiwa pada sebuah
percobaan (trial) yang sangat besar, atau
proposi dari berapa kali sebuah peristiwa
mewujud dalam jangka panjang bila keadaan-
keadaannya kurang lebih stabil.
Contoh Probabilitas Frekuensi Relatif:
Bila 60 di antara 100.000 orang berumur 40 tahun
wafat sepanjang periode setahun maka probabilitas
kematian seseorang dari kelompok usia tersebut dalam
periode setahun:
60
PMeninggal 0,0006
100.000
Tetapi tidak bisa: karena dua orang dari enam presiden
pertama Indonesia mempunyai latar belakang ITB
maka besarnya probabilitas seorang yang berlatar
belakang ITB untuk menjadi presiden adalah: 2/6
3. Subjective Approach
Probabilitas yang didasarkan atas keyakinan
seseorang akan besarnya kebolehjadian terjadinya
sebuah peristiwa. Latar belakang keyakinan bisa
dari pengalaman akan hal yang sama atau informasi
yang diperoleh dari seseorang.
Prob subyektif untuk sebuah peristiwa dari orang
yang berbeda bisa berbeda, tergantung kepada
keyakinannya. Juga, probabilitas subyektif dari
orang yang sama untuk sebuah peristiwa yang sama
pada waktu yang berbeda dapat berbeda.
Operasioperasi Probabilitas
1. P A A P A P A 1

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

Contoh: Bila pada contoh lalu perhatian hanya pada berbagai

kemungkinan komposisi para juara, tanpa membedakan urutan
juara pertama, kedua, dan ketiga maka banyaknya kemungkinan:
7! 7 6 5 4!
C37 35
3!7 3! 3 2 1 4!
Bivariate Probabilities

Misal ruang sampel yang terbagi jadi 2 kelompok peristiwa: A1,

A2, ... , Ah dan B1, B2, ... , Bk.
Peristiwaperistiwa Ai bersifat saling lepas dan lengkap
bersama; demikian pula peristiwaperistiwa Bj. Namun terdapat
irisan antara Ai dan Bj.
Misal: tabulasi silang antara pendapatan dan jumlah anak.
Pendapatan dikelompokkan menjadi tiga kategori: rendah,
sedang, dan tinggi; sedangkan jumlah anak menjadi empat
kategori, yaitu: tidak ada, 1 2, 3 4, dan 5+.
Bivariate Probabilities

Probabilitas untuk situasi tersebut dapat dinyatakan:

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)

Ah P(Ah B1) P(Ah B2) P(Ah Bk) P(Ah)

Jumlah P(B1) P(B2) P(Bk) 1
Bivariate Probabilities
Probabilitasprobabilitas P(A1), P(A2), , P(Ah), P(B1),
P(B2), , P(Bk) merupakan probabilitas marginal
(marginal probabilities).
Berbagai probabilitas Ai Bj merupakan joint
probabilities: probabilitas dari dua peristiwa secara
serempak.
Pada sekatan ruang sampel Ai dan ingin mengetahui
probabilitasprobablitas P(Bj) maka kita memiliki
probabilitas bersyarat; demikian pula pada sekatan ruang
sampel Bj dan kita tertarik dengan probabilitasprobabilitas
P(Ai).
Contoh bivariate probabilities
Calon pemasang iklan di TV ingin mengetahui
besarnya pemirsa untuk sebuah acara tertentu dan ciri
ciri yang relevan dari mereka.
Keluarga dikategorikan menjadi penonton yang
reguler, kadangkadang, dan tidak pernah (kategori Ai)
Pendapatan dikelompokkan menjadi pendapatan tinggi,
menengah, dan rendah.
Misalkan data penelitian terhadap 1.000 responden
untuk penelitian ini disajikan pada tabel :
Contoh bivariate probabilities

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(B1) = 0,27 P(A3B1) = 0,48148

P(B2) = 0,41
P(A1B3) = 0,125
P(B2) = 0,32

P(A2B3) = 0,1875

P(A3B3) = 0,6875
Teorema Bayes

Berdasar pengertian probabilitas bersyarat,

seseorang dapat melakukan revisi terhadap
besarnya probabilitas terjadinya sebuah
peristiwa sehubungan dengan diperolehnya
informasi baru atau tambahan.
Prosedur untuk ini dimungkinkan oleh
teorema yang dikembangkan oleh Thomas
Bayes sebagai berikut:
Teorema Bayes
Bila dalam S terdapat peristiwa A dan B maka:
P(A B) = P(AB) P(B) ; atau P(A B) = P(BA) P(A)
sehingga: P(BA) P(A) = P(AB) P(B)
P A B P B
Bila kedua sisi dibagi P(A) diperoleh: P B A
P A
Bila untuk peristiwa B terdapat k subperistiwa yang saling lepas dan

lengkap bersama maka:
P A B j P B j
P B j A
P A

Karena: P(A) =P(A B1)+P(A B2)+ ... +P(A Bk) atau:

P(A) =P(AB1)P(B1)+P(AB2)P(B2) ... +P(ABk)P(Bk) maka:
Teorema Bayes

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 A B1 PB1 0,90 0,03

PB1 A 0,582
P A B1 PB1 P A B2 PB2 0,90 0,03 0,02 0,97
P( A B2 ) P( B2 ) 0,98 0,97
PB2 | A 0,997
A B ) B
P( 1 P( 1 ) P(+ A B ) B
2 P( 2 ) 0,1 0,03 0,98 0,97

Penyelesaian tabulair soal (a) dan (b):

Kondisi Prob. Prob. Joint Prob. Revised
Awal Bersyarat Probabilities
P(Bj) P(ABj) P(ABj) P(Bj)
B1 0,03 0,90 0,0270 0,582
B2 0,97 0,02 0,0194 0,418
0,0464 1,000
Contoh 2 Teorema Bayes:

Lembaga konsumen meragukan manfaat penggunaan alat

kedokteran yang dipromosikan sebagai sangat canggih dalam
pendeteksian gangguan pada otak. Sesungguhnya dewasa ini ada
alternatif cara pendeteksian gangguan itu dengan peralatan jauh
lebih sederhana sehingga biaya penggunaannya jauh lebih murah.
Berdasarkan penelitian yang mendalam, disimpulkan bahwa
keampuhan alat itu untuk mendeteksi keberadaan gangguan otak
pada pasien yang memang benar menderita penyakit adalah 99%,
dan keampuhannya untuk mendeteksi ketidakberadaan penyakit
pada pasien yang memang tidak menderita adalah 98%.
Studi yang dilakukan oleh lembaga konsumen melibatkan 1000
orang yang 12 di antaranya menderita gangguan otak.
Contoh 2 Teorema Bayes:
Pertanyaan:
a. Bila seseorang dideteksi menderita gangguan otak, berapa probabbilitas
bahwa dia sesungguhnya tidak menderita gangguan otak?
b. Bila seseorang dideteksi tidak menderita gangguan otak, berapa
probabbilitas bahwa dia sesungguhnya menderita gangguan otak?
Jawab:
Hasil pemeriksaan dinyatakan positif (A1) dan negatif (A2), untuk
menyatakan kesimpulan ada dan tidak ada gangguan penyakit.
Sedangkan keadaan pasien sesungguhnya dinyatakan sebagai menderita
gangguan (B1) dan tidak menderita gangguan (B2).
Diketahui bahwa: P(B1) = 0,012 dan P(B2) = 0,998. Juga P(A1|B1) = 0,99,
P(A2|B1) = 0,01, P(A1|B2) = 0,02 dan P(A2|B2) = 0,98.
Contoh 2 Teorema Bayes:
B1 B2
A1 P(A1 B1) = 0,990 P(A1 B2) = 0,020
A2 P(A2 B1) = 0,010 P(A2 B2) = 0,980
P(B1) = 0,012 P(B2) = 0,998
B1 B2 Jumlah
A1 P(A1B1) = 0,01188 P(A1B2) = 0,01976 0,03164
A2 P(A2B1) = 0,00012 P(A2B2) = 0,96824 0,96824
0,012 0,998 1,0000
0,02 0,988
PB2 A1 0,62453
0,02 0,988 0,99 0,012
PB1 A2 0,00012
Diagram Pohon Contoh 2 Teorema Bayes

P(A1B1) = 0,99

P(B1) = 0,012 P(A2B1) = 0,01

P(B2) = 0,988
P(A1B2) = 0,02

P(A2B2) = 0,98
Pengertian Distribusi probabilitas

1. Distribusi probabilitas dan variabel random

Distribusi probabilitas:
Distribusi berbagai kemungkinan nilai variabel
yang dapat terjadi dari sebuah eksperimen random
yang frekuensinya ditunjukkan oleh probabilitas
masingmasing kejadiannya.
Variabel random:
Variabel hasil eksperimen random.
Contoh-contoh distribusi probabilitas

Distribusi Probabilitas Jumlah Sisi Kepala

Hasil Pelemparan Sebuah Koin
Xi P(Xi)
0
1
Jumlah 1
Contoh-contoh distribusi probabilitas
Distribusi Probabilitas Nomor Sisi
Hasil Pelemparan Sebuah Dadu
Xi P(Xi)
1 1/
6
2 1/
6
3 1/
6
4 1/
6
5 1/
6
6 1/
6
Jumlah 1
Contoh-contoh distribusi probabilitas
Distribusi Probabilitas Jumlah Sisi Kepala
Hasil Pelemparan Sebuah Koin Sebanyak 5 Kali
Xi P(Xi)
0 0.03125
1 0,15625
2 0,31250
3 0,31250
4 0,15625
5 0.03125
Jumlah 1
2. Expected value dan varians variabel random
Nilai yang diharapkan (expected value) pada
dasarnya adalah rerata tertimbang dari nilainilai
variabel random:
E X X X i P X i
i
E(X) : nilai yang diharapkan dari X
X : rerata dari variabel X
Xi : berbagai nilai variabel X
P(Xi) : probabilitas nilai variabel X
Varians variabel random dinyatakan sebagai:
VAR X X
2
i
X i X 2 P X i

i 2
2

X i P X i X E X E X
2 2

Deviasi standar variabel random :

X X2

Var(X) : dibaca sebagai varians dari X

Contoh expected value dan deviasi standar
Contoh 1: Expected value dari nomor sisi hasil pelemparan
sebuah dadu sebanyak satu kali adalah:
E(X) X = (11/6) + (21/6) + (31/6) + = 3,5
Contoh 2: Premi per tahun asuransi jiwa untuk orang
berumur 40 tahun adalah Rp 10,-. Santunan kepada ahli
waris = Rp 10.000,- bila peserta meninggal dalam periode
setahun. Probabilitas orang berumur 40 tahun meninggal
dalam periode setahun = 0,0006.
Bagi penyelenggara program, nilai harapannya: E(a) = 10
10.000 0,0006 = 10 6 = 4.
Artinya: dari setiap peserta, perusahaan asuransi bisa
berharap nilai positif (keuntungan) sebesar 4
Contoh expected value dan deviasi standar
Contoh 3: Deviasi standar jumlah sisi kepala hasil pelemparan 1 koin 5
kali adalah:
X X2 7,5 2,52 1,25 1,11803

Xi P(Xi) Xi2 P(Xi)

0 0,03125 0,00000
1 0,15625 0,15625
2 0,31250 1,25000
3 0,31250 2,81250
4 0,15625 2,50000
5 0,03125 0,78125
Jumlah 7,50000
Penerapan expected value dalam monetary value

Dalam dunia bisnis, keputusankeputusan

seringkali melibatkan situasi jangka panjang yang
kurang lebih berulang.
Penentuan jumlah stok barang untuk mendapatkan
keuntungan jangka panjang yang maksimum harus
dilakukan secara periodik.
Keputusan dalam situasi macam ini dapat
memanfaatkan konsep nilai yang diharapkan.
Contoh penerapan expected monetary value
Seorang pedagang belanja tahu dipasar pada pagi untuk dijual
sampai dengan siang harinya. Harga beli Rp 10,00 dan dijual Rp
15,00 per buah. Anggap tahu yang tidak laku terjual pada hari
beli harus dibuang. Anggap biaya operasional harian sama shg
bisa diabaikan dalam penghitungan; jadi keuntungan adalah
gross profit. Berdasar catatan selama 125 hari yang dipilih
random, diperoleh data jumlah tahu per hari yang laku terjual
Untuk kesederhaan masalah, jumlah tahu yang dapat terjual
hanya bisa seperti pada tabel.
Berdasar situasi tersebut, berapa jumlah tahu yang harus dibeli
setiap hari agar keuntungan jangka panjang maksimal?
Contoh penerapan expected monetary value
Jumlah Permintaan Tahu Per Hari
menurut Jumlah Hari Kejadiannya
Jumlah Terjual Banyaknya Hari Probabilitas
1000 30 0,24
1250 50 0,40
1500 30 0,24
1750 15 0,12
Jumlah 125
Contoh penerapan expected monetary value

Keuntungan Kondisional berbagai Situasi Stok dan Permintaan

Stok 1000 1250 1500 1750
Permintaan
1000 5000 2500 0 -2500
1250 5000 6250 3750 1250
1500 5000 6250 7500 5000
1750 5000 6250 7500 8750

Bila atas berbagai kemungkinan keuntungan tersebut dikalikan

dengan probabilitas kejadiannya, diperoleh kondisional berikut:
Contoh penerapan expected monetary value
Keuntungan Kondisional yang Diharapkan pada berbagai
Situasi Stok dan Permintaan
Stok 1000 1250 1500 1750
Permintaan
1000 1200 600 0 -600
1250 2000 2500 1500 500
1500 1200 1500 1800 1200
1750 600 750 900 1050
Expected Profit 5000 5350 4200 2150
Terlihat bahwa keputusan optimal (keuntungan maksimal
jangka panjang) adalah pada stok harian 1250 buah.
Distribusi binomial

Ciri-ciri distribusi binomial

Eksperimennya terdiri atas sejumlah tertentu percobaan yang
masingmasing menghasilkan peristiwaperistiwa sukses
dan gagal yang bersifat saling lepas dan lengkap bersama.
Probabilitas peristiwa sukses pada setiap percobaan, p,
adalah konstan; shg probabilitas peristiwa gagal, q = 1 p,
juga konstan untuk setiap percobaan.
Peristiwaperistiwa antar percobaan bersifat independen
secara statistik.
Contoh situasi distribusi binomial

Contoh 1: pelemparan 1 koin 5X dengan

variabel random jumlah sisi kepala. Pada
situasi ini, banyaknya percobaan atau
besarnya sampel adalah 5 dengan variabel
random: X = {0, 1, 2, 3, 4, 5}. Probabilitas
peristiwa sukses pada setiap pelemparan,
yaitu p = 0,5 sehingga probabilitas peristiwa
gagal adl q = 1p = 1 0,5 = 0,5.
Contoh situasi distribusi binomial

Contoh 2: pengambilan sampel pemeriksaan

kualitas yang relatif sangat kecil dibanding seluruh
produksi. Misalkan sampel adalah 50 unit dari
produksi 100.000 unit dimana terdapat 1.000 unit
yang cacat. Sampel satu per satu tanpa
pengembalian menghasilkan produk cacat (sukses)
atau produk sempurna (gagal). Probabilitas sukses
setiap pengambilan akan relatif konstan, yaitu 0,01.
Selain itu, hasil produk cacat sebuah pengambilan
tidak mempengaruhi probabilitas pengambilan
produk lain.
Formula distribusi binomial

P X r Crn p r q nr

P(X = r) probabilitas peristiwa sukses sebanyak r

n banyaknya percobaan atau besarnya sampel
C rn kombinasi r obyek yang diambil dari n obyek
p dan q masing2 probabilitas peristiwa sukses dan gagal
Sedangkan rerata dan deviasi standarnya adalah:
X np
X npq
Contoh penggunaan formula distribusi binomial

Distribusi Probabilitas Jumlah Sisi Kepala

Hasil Pelemparan Sebuah Koin sebanyak 5 Kali
Xi P(Xi)

0 C05 0,500,55 = 0,03125

1 C15 0,510,54 = 0,15625
2 C25 0,520,53 = 0,31250
3 C35 0,530,52 = 0,31250
4 C45 0,540,51 = 0,15625
5 C55 0,550,50 = 0,03125
Jumlah 1,0000
Contoh penggunaan formula distribusi binomial

Distribusi Probabilitas Jumlah Produk Cacat

Xi P(Xi)

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

Contoh 3: Berdasarkan hasil pada tabel di atas,

(1) berapa probabilitas jumlah produk rusak
yang dijumpai dalam sampel sebanyak
banyaknya tiga unit; (2) berapa probabilitas
mendapat sampel dengan jumlah produk rusak
lebih dari enam; dan, (3) berapa probabilitas
memperoleh sekurangkurangnya 45 unit
produk baik?
Contoh penggunaan formula distribusi binomial

(1). P(X 3) = P(X=0 X=1 X=2 X=3) =

P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =
0,60501 + 0,30556 + 0,07562 + 0,01222 = 0,9984
(2). P(X > 6) = 1 P(X 6) = 1 0,999999 = 0,000001.
(3). P(X5) =
P(X=0)+P(X=1)+P(X=2)+P(X=3)+P(X=4)+P(X=5)
= 0,605 + 0,306 + 0,076 + 0,012 + 0,001 + 0,00013 =
0,9999.
Distribusi Poisson

1. Situasi penerapan distribusi Poisson

Banyaknya telepon masuk pada waktu istirahat
siang di sebuah kantor;
Banyaknya kecelakaan lalu lintas yang fatal di
sebuah ruas jalan tol; dan
Banyaknya mesin yang rusak selama sebulan pada
sebuah pabrik.
Distribusi Poisson

2. Ciri-ciri distribusi Poisson

Bila interval waktu yang ada dapat dipilahpilah maka untuk
sembarang interval waktu yang amat pendek, probabilitas
bahwa sebuah peristiwa mewujud selama pilahan interval
waktu proporsional dengan panjangnya interval waktu tsb;
Probabilitas untuk dua atau lebih kejadian pada pilahan
interval yang amat pendek tersebut sedemikian kecilnya bila
dibandingkan dengan sebuah kejadian sehingga dapat
dianggap nol; dan,
Banyaknya kejadian pada interval waktu yang berbeda (tidak
overlapping) adalah saling independen.
Formula Distribusi Poisson
e l lx
P X x
x!
P(X = x) probabilitas peristiwa sukses sebanyak x
e adalah bilangan natural, e = 2,71828
l adalah rerata kejadian selama interval waktu 0
sampai dengan t.
Sedangkan rerata dan deviasi standarnya adalah:
X l
X l
Contoh penggunaan formula distribusi Poisson
Rerata banyaknya konsumen yang datang pada titik pembayaran adalah
dua orang per lima menit. Bila kasirnya meninggalkan tempat untuk
sepuluh menit, (a) berapa probabilitas ada 3 konsumen yang datang
namun tidak terlayani? (b) berapa probabilitas dua atau lebih konsumen
datang tapi tidak terlayani?
e 4 43
(a). P X 3 0,19537
3!
e 4 40
(b). P X 0 0,01832
0!
e 4 41
P X 1 0,07326
1!
P X 2 1 0,01832 0,07326 0,90842