PELUANG (PROBABILITY)

 Kata kunci  MUNGKIN  kita berhadapan dengan

sesuatu :
q Mungkin hari ini hujan, yang tidak pasti
q Mungkin saya akan dapat nilai A
 MUNGKIN  kita beri numeric 0 s/d 1  kita sudah
mengubah pengertian mungkin ke dalam Pengertian
PELUANG.
 Peluang hari ini akan hujan adalah 0,8 peluang saya akan
dapat nilai A adalah 0,6.
 Sebuah coin dilempar dua kali yang kita perhatikan
susunan sisi coin yang muncul
G
G H
H G  S = [GG, GH, HG, HH]
H
 G = Gambar
 H = Huruf
 DEFINISI PELUANG

Definisi Klasik
Jika dalam ruang sampel s dan berisi n equally likely dan
mutually exclusive sample points, terdapat m favourable sample
points to an event A maka praobablita terjadinya events A adalah

m
P A  
n
Definisi Empirik (Definisi Statistik)
Jika percobaan dilakukan berulang-ulang dalam kondisi yang
sama maka

m
P A   n ~
lim
n
Peluang subyektif,
 yaitu peluang yang didasarkan kepada tingkat keyakinan
seseorang tentang akan terjadinya sesuatu peristiwa tertentu.
 HUKUM-HUKUM PELUANG
 Jika A merupakan sebuah peristiwa yang pasti akan terjadi, maka P (A)
=1
 Jika A merupakan peristiwa yang tidak mungkin terjadi, maka P (A) = 0
 Jika A merupakan sebuah peristiwa tertentu, maka 0  P (A)  1
 Jika A merupakan sebuah peristiwa tertentu dan à merupakan peristiwa
komplemennya, maka P (Ã) = 1 – P (A)
 Jika A dan B merupakan dua buah peristiwa yang dapat terjadi bersama-
sama, maka P (AB) = P (A) + P (B) – P (AB)
 Keterangan : P (AB) melambangkan bahwa peristiwa A atau B atau
kedua-duanya terjadi P (AB) adalah lambang bahwa peristiwa A dan B
terjadi.
 Jika A dan B dua buah peristiwa yang mutually exclusive,
maka : P (AB) = P (A) + P (B)
 Jika A dan B independent (saling bebas) maka P (AB) =
P(A).P(B)
 Jika A dan B merupakan dua buah peristiwa yang tidak
independent, maka P(AB) = P(A).P(B/A)
Peristiwa (B/A) disebut peristiwa terjadinya B dengan
syarat bahwa A telah terjadi.
Variabel Random atau Variat
(Random Variable/Variat)
Kita kembali ke persoalan pelemparan sebuah coin tiga kali. Yang kita
perhatikan sekarang adalah banyaknya gambar yang muncul, yang kita beri
lambing Y. Sample space susunan keluarnya sisi coin kita gambar sebagai
berikut :
Definisi : Sebuah variabel Y disebut variabel
random atau variat, apabila untuk setiap nilai Y
terdapat peluangnya masing-masing
DISTRIBUSI PELUANG
 Distribusi Binomial ; Ciri-ciri nya :
 Variatnya hanya dapat menghasilkan satu diantara dua
peristiwa, yang diberi lambang SUKSES dan GAGAL.
 Peristiwa S (Sukses) atau G (Gagal) dapat terjadi
berulang-ulang dalam rentetan peristiwa yang terjadi,
dan peristiwa-peristiwa G atau S itu terjadinya
independent (bebas)
Besarnya peluang untuk terjadinya S adalah P. Peluang P
ini besarnya tetap untuk seluruh rentetan peristiwa;
tentu saja peluang terjadinya G = I – P
Bentuk Fungsi Distribusi

P A  x   P I - P 
n! x n- x

x! n - x !
untuk x = 0,1, … , n

Distribui Binomial adalah distribusi berparameter dua,

yaitu n dan p. jika x mengikuti distribusi Binomial rata-
rata x, adalah x = n.p dan simpangan baku

 x  n.p 1- p
 DISTRIBUSI BINOMIAL
Syarat :
1. Experiment berulang-ulang dan independen
2. Diklasifikasi  SUKSES dan GAGAL
3. probabilita dari SUKSES atau GAGAL bersifat konstant
4. Experiment dilakukan dalam kondisi yang sama dan
jumlahnya tertentu (memenuhi syarat eksperiment
Bernoulli)
Contoh : Pelemparan mata uang (coin) 5 kali
 Salah satu titik sampelnya adalah : G,G,G,H,H
 P(G,G,G,H,H) = P (G)3.P(H)2 = (1/2)3.(1/2)2
 Titik sampel yang lain merupakan permutasi dari
G,G,G,H,H.
 Yaitu permutasi dari obyek yang tidak semuanya dapat
dibedakan

n!
Permutasi   5    dalam hal ini n  5, n  3, n  2
 32  n!.n ! 1 2
2
5! 5 x 4 x 3 x 2x1
Permutasi   5     10
 32  3!.2! 3 x 2 x 1x 2 x 1
Probabilita (3G, 2H) = P (3G, 2H) =
Pada contoh pelemparan coin 5x kita dapat menyajikan
distribusi probabilitas sebagai berikut :

x f(x) = p(x) x.p(x) X2.p(x)

0 0,0312 0 0

1 0,1562 0,1562 0,1562

2 0,3125 0,6250 1,2500

3 0,3125 0,9375 2,8125

4 0,1562 0,6248 2,4992

5 0,0312 0,1560 0,7800

 : 2,4995  : 7,4979
Rata-rata distribusi binomial = n.p
 Sebuah perusahaan pembuat komputer mengetahui bahwa
secara tehnis 10% dari hasil produksinya akan tidak
memenuhi kaualitas standar dan dianggap rusak. Jika 15 unit
komputer yang dihasilkan dipilih secara acak/random dari
seluruh hasil produksi, berapakahprobabilitasnya:
a) 3 unit komp.rusak. b)13atau lebih yg baik.
 Distribusi POISSON
Berdasarkan catatan kantor imigrasi, rata-rata setiap bulan
terdapat 5 turis berasal dari Italia. Jika banyaknya turis yang
datang berdistribusi POISSON, berapa probabilitas setiap
bulan 2 orang turis berasal dari Italia ?
 DISTRIBUSI NORMAL
 Distribusi normal merupakan distribusi variat kontinue ,
kurvanya berbentuk bel (lonceng), simetris berdiri tegak
pada  yang sama dengan median dan modusnya. Luas
daerah kurva normalnya merupakan probabilitas density
function sebesar 100 prsen, dari variabel X yang
bergerak dari - s/d
 Untuk menghitung probabilitas dengan distribusi
normal, lihat tabel Normal Standar (dist. Z).
. .
 DISTRIBUSI SAMPLING

Dari masing-masing sampel kita dapat menghitung nilai-

nilai statistiknya (statistik deskriptif) : x, p, s2, me, mo,
dan lain-lain
macam distribusi sampling

Distribusi sampling rata-rata

Distribusi sampling beda dua rata-rata
Distribusi sampling beda dua proporsi
Distribusi sampling variance, dan lain-lain
 Distribusi Sampling Rata-rata
 Sebagai ilustrasi, misal kita memiliki 5 angka. Diambil dua
angka (satu persatu) dengan pemulihan angka yang sudah
terpilih.
DISTRIBUSI SAMPLING OF PROPORTION
 Ada lima orang mahasiswa yang terpilih dalam nominasi
calon pengurus BEM. Kelima mahasiswa tersebut
ABCDE, ada 3 tidak memperoleh rekomendasi dari
DEKAN. Dan ada 2 yang medapat rekomendasi
 ESTIMASI & TEST HIPOTESIS

 Jika kita mempunyai sampel, kita akan melihat kondisi

populasi, salah satu cara dengan cara :
 - ESTIMATION
- TESTING HYPOTHESIS
ESTIMATION

 Point Estimation
 Interval Estimation
 Dalam estimasi biasanya diambil confidence
interval = confidence coefisien = confidence limit =
95% = 1 - 
 = level of significant = 5%
Test Hipothesis
 PERBEDAAN RATA-RATA DARI DUA
KELOMPOK BERBEDA

Jika kita mempunyai POPULASI I dengan

rata-rata M1 dan simpangan baku 1, serta
populasi II dengan rata-rata M2 dan
simpangan baku 2. Banyaknya sampel
untuk masing-masing populasi n1 dan n2
dengan rata-rata X1 dan X2. Dengan demikian
selisih rata-rata kedua populasi dan kesalahan
bakunya.
Jika simpangan baku populasi tidak diketahui, dapat
didekati dengan simpangan baku sampel
Kita akan menguji hipotesis perbedaan rata-rata dua populasi
(M1 – M2). Tiga pasangan hipotesis yang dapat terjadi :
 a. Ho : 1 – 2 = 0, H1 : 1 – 2  0
 b. Ho : 1 – 2  0, H1 : 1 – 2 < 0
 c. Ho : 1 – 2  o, H1 : 1 – 2 > 0
 Apabila sampel besar ( n > 30) kita gunakan uji statistik Z.
sedangkan bila sampel kecil (n  30) kita gunakan uji statisik
t.
UJI DUA PROPORSI
UJI BEDA RATA-RATA LEBIH DARI 2

Dalam hal ini, kita menggunakan F test, dan kita harus

mencari dua variance (S2) yang akan kita bandingkan, yaitu
variance antar sampel (between the sample) dan variance
dalam sampel (within the sample) yaitu :
2
S between the sample
F 2
S within the sample
Untuk n tidak sama
 Untuk n tidak sama, asumsinya adalah populasi
berdistribusi normal dan homoginitas sejenis . Dalam hal
ini kita gunakan tabel ANOVA

Sumber variasi d.f Jumlah Rata-rata jumlah F

kwadrat kuadrat

Rata-rata 1 Ry R = Ry/1 A/D

Antar kelompok k –1 Ay A = AY/k-1
Dalam kelompok  (N – Dy D = Dy/(N – 1)
1) y2
ni