Anda di halaman 1dari 53

TEORI PROBABILITAS

(PELUANG)

dr. Taufik Ashar, MKM


BIOSTATISTIK FKUHN MEDAN
PENGERTIAN PELUANG
Probabilitas berasal dari kata Probability
yang artinya probable (probably) yang
berarti mungkin.
Jadi probabilitas adalah untuk mengukur
terjadinya kemungkinan.
Misalnya:
apakah pasien ini mungkin terserang sakit typus ?
apakah efek samping pemberian obat baru,
mengakibatkan toksik bagi pemakainya ?
dan lain sebagainya.
PENGERTIAN PELUANG
(1) sebagai frekuensi relatif atau peluang rata-
rata terjadinya suatu peristiwa yang dapat
diharapkan secara rata-rata atau dalam
jangka panjang,
(2) merupakan kalkulasi peluang untuk
mendapatkan berbagai sampel dari populasi
yang sudah diketahui, dan
(3) sebagai akibat penggunaan informasi
populasi untuk menyimpulkan sifat sampel
yang mungkin.
Andaikan kejadian A dapat terjadi dalam x
cara dari seluruh n cara yang mungkin, dan n
cara ini memiliki kemungkinan yang sama.
Dimana kejadian A dengan x cara, memiliki
ruang sampel n(A) = x, sedangkan n cara
yang mungkin terjadi dari seluruh kejadian
yang mungkin, memiliki ruang sampel n(S) =
n, maka probabilitas (peluang) atau
kemungkinan terjadi peristiwa tersebut
adalah :
Contoh 1
Dalam setiap pelemparan mata uang logam
yang seimbang, yang satu sisinya ada
gambar (G) dan sisi yang lain ada huruf (H).
Misalkan A adalah kejadian munculnya
gambar (G) dalam satu pelemparan mata
uang logam, artinya kejadian A memiliki
ruang sampel hanya satu atau n(A) = 1.
Sedangkan dalam setiap pelemparan mata
uang logam ada dua kemungkinan, yaitu
gambar atau huruf atau {G, H}, artinya ada
dua ruang sampel atau n(S) = 2.
Peristiwa pelemparan mata uang ini dalam statistik disebut
trial, kemungkinan munculnya G atau H disebut out come
atau event atau kejadian.
Misalnya A = {G} atau A = {H} , artinya n(A) = 1.
n(A) disebut ruang sampel dari kejadian A.
Ruang sampel (sample space) adalah adalah koleksi seluruh titik
sampel.
Titik sampel adalah hasil yang paling dasar dari suatu eksperimen
atau percobaan.

Rentetan seluruh peristiwa pelembaran disebut random squence


atau random series artinya ruang sampel dari seluruh kejadian
yang mungkin {G,H}, dilambangkan dengan S, dengan demikian
n(S) = 2.
Jika nilai yang diharapkan muncul adalah {G} saja,
maka banyaknya {G} yang muncul yang dinyatakan
terhadap seluruh pelemparan disebut proporsi.
Dengan semakin banyaknya seri pelemparan yang
dilakukan, maka munculnya {H} atau {G} semakin
stabil (akan mendekati suatu nilai tertentu), nilai
tertentu itu adalah seri pelemparan yang cukup
besar tapi masih terbatas jumlahnya.
Jumlah seri pelemparan ini disebut empirical
random sequences.
Contoh 2

Dalam pelemparan 1 buah Dadu, diperoleh ruang


sampel sebagai berikut : {1, 2, 3, 4, 5, 6} n(S) = 6.
Misalkan A adalah kejadian munculnya mata dadu 3
n(A) = 1, maka : n( A) 1
P( A)
n( S ) 6
Misalkan B adalah kejadian munculnya mata dadu ganjil
n(B) = 3, maka :
n( B ) 3 1
P( B)
n( S ) 6 2
Contoh 3
Definisi klasik
Masalah kartu, dadu serta mata uang
Probabilitas suatu kejadian E adalah rasio
jumlah keluaran yang sesuai dengan kejadian
yang dinginkan NE terhadap jumlah total
keluaran yang mungkin N.
P(kejadian E) = NE/N
Meskipun tepat, namun dalam
penggunaannya sangat tergantung dari
asumsi tiap keluaran memiliki kemungkinan
yang sama.
12
Definisi menurut frekuensi
relatif
Bila definisi klasik tidak dapat digunakan.
Jika percobaan telah dilakukan berkali-kali
dan 24% dari percobaan ini menghasilkan
kejadian yang diinginkan (E) prob kejadian
E 0,24
Secara simbolik jika percobaan dilakukan
sebanyak n kali dan kejadian E terjadi
sebanyak nE kali, maka probabilitas terjadinya
E adalah
P (Kejadian E) = nE/n

13
Perbedaan
Klasik Frekuensi relatif
N =semua hasil n = percobaan yang
yang mungkin dilakukan berulang-
NE = keluaran ulang
dengan hasil E nE = percobaan
dimana kejadian E
terjadi

14
Sering digunakan.
Misalnya dari data RS diketahui dari 1000 pasien
yang dirawat di unit penyakit dalam, 20 orang
mengalami infeksi nosokomial.
Ke 1000 = percobaan apakah pasien akan mendapat
infeksi nosokomial atau tidak
20 pasien yang menderita infeksi nosokomial =
pasien yang mengalami kejadian yang diinginkan (E)
Prob terjadinya infeksi nosokomial pada pasienyang
dirawat di unit penyakit dalam = 20/1000 = 2%
15
Definisi Subyektif

Pemanfaatan probabilitas merupakan satu dan satu-satunya


kesempatan (one shot situation)
Misalnya seorang pengusaha yang ingin mendirikan RS
memperkirakan modal yang ditanam akan kembali dalam waktu
5 tahun dan keuntungan sudah dapat diperoleh pada tahun ke
5. Pengusaha tsb yakin 80 % bahwa RS akan meraih
keuntungan pada tahun ke 5 probabilitas RS akan
memperoleh keuntungan dalam kurun waktu 5 tahun adalah
80%.
Tidak mungkin si pengusaha mendirikan RS berkali-kali dan
melihat sebanyak apa kejadian yang diinginkan (keuntungan
dalam 5 tahun) terjadi.
Tingkat kebenaran probabilitas subyektif sangat tergantung dari
pengalaman subyektif.
16
HUKUM PROBABILITAS
KEJADIAN BERSYARAT
KEJADIAN BEBAS
KEJADIAN SALING EKSKLUSIF
KEJADIAN SALING INKLUSIF
Probabilitas Kejadian Bersyarat (Conditional Event Probability)
CONTOH
Probabilitas Kejadian Bebas (Independent Event Probability)
CONTOH
Probabilitas Kejadian Saling Eksklusif
(Mutually Exclusive Event Probability)
CONTOH
Probabilitas Kejadian Saling Inklusif
(Mutually Inclusive Event Probability)

CONTOH
CONTOH
EKSPEKTASI
CONTOH
1). Produksi suatu obat dinyatakan rusak
sebanyak 6,5 %. Untuk maksud penelitian,
diambil sebuah sampel secara acak terdiri
atas 80 tablet obat. Maka setiap sampel
diharapkan rata-rata berisi : 0,065 x 80 = 5,2
5.
2). Jika peluang seseorang mememenangkan
suatu permainan berhadiah Rp.1000,- adalah
, maka ekspektasi-nya adalah x
Rp.1000,- = Rp. 500,-
Counting Rules
Permutasi
Banyaknya kemungkinan pengambilan r objek dari
segugus n objek tanpa memperhatikan urutannya
P (n,r) = n!/(n-r)!
5! =5 x 4 x 3 x 2 x 1

Contoh: Ada tiga jenis pengobatan penyakit kanker yaitu


Operasi (O), Radiasi (R) dan Kemoterapi (K). Berapa banyak
kemungkinan dua jenis pengobatan yang akan diberikan
kepada satu pasien tanpa memperhatikan urutan pengobatan.
Jawab: n=3 dan r=2
P(3,2)=3!/(3-2)!=3!/1!=(3 x 2 x 1)/1=6
yaitu OR, RO, OK, KO, RK, KR
Counting Rules
Kombinasi
Banyaknya kemungkinan pengambilan r objek dari segugus
n objek dengan memperhatikan urutannya
C(n,r) = n!/(r!(n-r!)
Contoh: Ada tiga jenis pengobatan penyakit kanker yaitu
Operasi (O), Radiasi (R) dan Kemoterapi (K). Berapa banyak
kemungkinan dua jenis pengobatan yang akan diberikan
kepada satu pasien dengan memperhatikan urutan
pengobatan.
Jawab: n=3 dan r=2
C(3,2)=3!/2!(3-2)!=3!/(2! x 1!)=(3 x 2 x 1)/(2 x 1) x 1=3
yaitu OR, OK, RK
DISTRIBUSI PROBABILITAS
Distribusi probabilitas (peluang) dapat didefenisikan sebagai model
(bentuk yang terformat) yang terdiri dari penyataan yang mungkin dan
relatif terhadap situasi dan asumsi tentang populasi. Dalam penarikan
kesimpulan (inferensi) mengenai populasi pola distribusi probabilitas
dapat merupakan pola yang terbentuk tersebut.
Untuk bisa memahami distribusi probabilitas ini, coba kita pahami
ketika melakukan pelemparan sebuah mata uang yang homogen, akan
didapatkan : P(muka G) = P(muka H) = . Dengan memisalkan X
adalah banyaknya muka gambar {G} muncul, dimana dalam kasus ini
X = 0 dan 1. Maka probabilitas untuk setiap kejadian yang harapkan
terjadi, adalah :
P(X = 0) = (artinya, bukan gambar yang muncul)
dan P(X = 1) = (artinya, gambar yang muncul).
Dalam pelemparan dua mata uang yang dilakukan sekaligus, akan
didapatkan ruang sampel berikut : {HH, HG, GH, GG} n(S) = 4.
Misalkan X adalah munculnya gambar {G}, dimana : X = 0, 1 dan 2.
Dengan demikian untuk :
P(X = 0) = (artinya, tidak ada gambar yang muncul {HH})
P(X = 1) = (artinya, hanya ada 1 gambar yang muncul {GH, HG})
dan P(X = 2) = (artinya, ada dua gambar yang muncul {GG})
Format (model) yang tergambar pada contoh-contoh kasus di atas
menunjukkan pola distribsi peluang dari setiap kejadian yang
diharapkan relatif terhadap situasi dan asumsi tentang populasi
induknya.
VARIABEL ACAK DAN
DISTRIBUSI PROBABILITAS
(DISTRIBUSI TEORITIS)

32
Variabel = karakteristik unit yang diukur dalam
pengumpulan data yang nilainya bervariasi
umur, tinggi badan, berat badan, tekanan darah,
diagnosis, pengobatan dll
Variabel acak (random variable) = jika variabel
diukur sebagai bagian dari suatu percobaan atau
pada pengambilan sampel.
Variabel acak ada 2 : diskrit dan kontinyu

33
Distribusi Probabilitas

Distribusi Probabilitas

Diskrit Kontinyu

Binomial Poisson Lln Normal


Distribusi Probabilitas
Distribusi Binomial (Bernaulli)
Distribusi Poisson
Distribusi Normal (Gauss)
Distribusi Student (t W Gosset)
Distribusi Chi Square
Distribusi Fisher (F)
dll

35
Distribusi Binomial
Distribusi random diskrit
Distribusi probabilitas diskrit
Distribusi Bernaulli (penemu: James Bernaulli)
Bernaulli trial mempunyai 4 syarat:
1. Jumlah trial merupakan bilangan bulat
2. Setiap eksperimen mempunyai 2 outcome
(hasil)
3. Peluang sukses sama setiap eksperimen
4. Setiap eksperimen independen satu sama
lain

36
Distribusi Binomial
Ciri-ciri Distribusi Binomial
Masing-masing percobaan hanya mempunyai dua
kemungkinan, misal sukses-gagal, sehat-sakit, hidup-mati
Hasil dari masing-masing percobaan adalah independen
antara satu dengan lainnya
Probabilitas sukses (disimbol dengan p) adalah tetap antara
satu percobaan dengan pecobaan lainnya
Probabilitas gagal (disimbol dengan q) adalah 1-p
Probabilitas sukses biasanya adalah probabilitas yang sering
terjadi
Distribusi Binomial
Rumus
P(n,r) = n!/(r!(n-r)!) p q
r n-r

n=jumlah percobaan, r=jumlah sukses, n-r=jumlah gagal,


p=probabilitas sukses dan q=probabilitas gagal
Contoh: Sepasang suami istri merencanakan
punya anak tiga. Berapa probabilitas untuk
mendapatkan dua laki-laki dan satu perempuan
Jawab: n=3, r=2 (laki-laki) dan p=0.5
P(3,2) = 3!/(2!(3-2)!) 0.52 (1-0.5)2-1=0.375
maka probabilitas untuk mendapatkan dua laki-
laki dan satu perempuan adalah 0.375
Contoh:
Jumlah pasien tidak sembuh dalam suatu trial
pengobatan 10 orang dari 200 orang. Peluang tidak
sembuh (p) = 10/200 = 0,05, peluang sembuh = 0,95
Peluang seorang ibu hamil memeriksakan kehamilan ke
puskesmas 3/10. Peluang ibu tidak periksa ke
puskesmas = 7/10.

39
Kalau suatu trial dilakukan n kali (n = 1, 2, 3, , n)
maka jumlah sukses (variabel random X) dapat
menjalani nilai dari 0 sampai n (0, 1, 2, , n) kali.
Contoh: Seorang ibu ingin mempunyai tiga orang anak
(n = 3). Maka kalau yang dianggap sukses adalah
lahirnya anak perempuan maka variabel random X dapat
menjalani nilai 0, 1, 2, 3.
Simbol untuk suatu trial Bernaulli/Binomial b(X,n,p)
Suatu probabilitas binomial/Bernaulli, banyaknya sukses
yang akan terjadi, pada n kali trial, dimana probabilitas
sukses setiap trial adalah p

40
Contoh:

Probabilitas seorang bayi tidak diimunisasi 0.2. Kalau


pada suatu hari di puskesmas ada sebanyak 5 bayi,
berapa peluang 2 bayi belum diimunisasi.
b(X=2, n=5, p=0.2) b(2, 3, 0.2)
Rumus umum:
n x
p (1 p)n x
x
n n!

x x! (n x)!
41
Peluang bayi belum diimunisasi dari 5 bayi yang
berkunjung ke puskesmas kalau peluang tidak imunisasi
0.2

5 4 3 2 1 2 3
p 0.2 0.8 0.2048
2 1(3 2 1)
Kalau trial sudah banyak perhitungan probabilitas
memakai rumus sudah sulit tabel binomial

42
Latihan
1. Seorang ahli gizi di RSCM sudah
berpengalaman menyatakan bahwa
jeruk import selalu rusak sebanyak
20%. Pada suatu hari ia membuka
sebanyak 10 jeruk, berapa peluang
yang rusak:
a. paling banyak 3 jeruk
b. antara 2-4 jeruk
43
2. Biasanya di suatu puskesmas dari semua
resep yang masuk 30% resep berisi
antibiotik. Pada suatu hari diambil acak
20 resep, berapa peluang dari 20 resep
akan berisi antibiotik:
a. tepat 5 resep
b. paling sedikit 8 resep

44
Distribusi Poisson
Ciri-ciri Distribusi Poisson
Sama seperti ciri-ciri distribusi binomial
N percobaan besar
Probabilitas terjadinya suatu kejadian adalah kecil
atau kejadian yang jarang terjadi
Percobaan dapat juga dalam selang waktu
tertentu
Rumus
f(x)=( e )/x!
x -

dimana: =np , e=2.71828 dan x=probabilitas yang dicari


Contoh

Kejadian seseorang akan meninggal karena shok pada


waktu disuntik dengan vaksin meningitis 0,0005. Kalau
di suatu kota jumlah orang yang dilakukan vaksinasi
sebanyak 4000, berapa peluang tepat 3 orang akan
terjadi shok.
Jawab:
= = np = 4000 x 0,0005 = 2

23 * 2,718282
p(x 3) 0,1804
3 * 2 *1
46
Distribusi Normal
Paling banyak digunakan dalam analisis statistik
Variabel random kontinu
Grafiknya selalu ada di atas sumbu datar x
Simetris
Mempunyai satu modus kurva unimodal
Seperti lonceng
Grafiknya mendekati sumbu datar x dimulai dari
x = - 3 ke kiri dan x = + 3 kanan
Luas = probability = 1
47
Distribusi Normal
f(X)
Bell Shape
Simetris
Medan, Median dan
X
Mode sama
IQR 1.33
Mean
Median
Mode
1
Fungsi :
1 ( x ) 2

e 2
2
f(x)
2
f(x) distribusi kontinu akan selalu dapat dicari dengan
persamaan fungsi kurva normal (secara integral)
tetapi tidak praktis.
Agar lebih praktis ada tabel kurva normal.
Kurva normal standar mempunyai =0 dan =1
N(0,1)

49
Untuk suatu sampel yang cukup besar biasanya kurva yang
x
dibentuk dari distribusi tersebut simetris dengan dan simpangan
baku tertentu kurva normal umum.
Untuk dapat menentukan probabilitas di dalam kurva normal umum,
maka nilai yang akan dicari ditransformasikan dulu ke nilai kurva
normal standar melalui transformasi Z (deviasi relatif)

x xx
z z
s
50
Distribusi Student (t)

Fungsi: K
f (t ) 1/ 2 n
t
2
1
n 1
t=-<t<
K = bilangan tetap yang tergantung pada n sehingga
luas daerah di bawah kurva sama dengan 1 unit.
Terdapat bilangan (n-1) derajat kebebasan.
Untuk harga-harga n yang besar (n > 30) mendekati
distribusi normal.

51
Distribusi CHI KUADRAT

Persamaan:
f(u) = K.u1/2v-1.e-1/2u
u = 2 dan harga u > 0
v = derajat kebebasan
K = bilangan tetap tergantung pada v
luas daerah di bawah kurva sama
dengan 1 satuan luas
Umumnya merupakan kurva positif miring ke kanan.

52
Distribusi F

Persamaan :

F 1 / 2( v1 2)
f (F ) K. 1 / 2 ( v1 v2 )
v1 F
1
v2

F memenuhi F > 0
K = bilangan tetap tergantung pada v1 dan v2 sehingga
luas di bawah kurva sama dengan 1
v1 = dk pembilang
v2 = dk penyebut
Mempunyai 2 dk
Tidak simetris dan umumnya sedikit positif
53