TEORI PROBABILITAS/PELUANG

 TEORI PELUANG: antara lain membahas tentang

ukuran atau derajat ketidakpastian sesuatu peristiwa
 PERISTIWA: Segala bagian yang mungkin didapat dari
hasil eksperimen
 EKSPERIMEN YANG DAPAT DIULANGI:
 Mengundi dengan uang logam/dadu
 Membaca temperatur udara tiap hari
 Mencatat kendaraan yang melalui tikungan setiap jam
 Menghitung barang yang rusak yang diproduksi tiap
hari
 Contoh: eksperimen mencatat banyaknya mobil yang
melalui sebuah tikungan setiap jam. Hasilnya bisa
terdapat 0, 1, 2, 3….… kendaraan melalui tikungan itu.
Beberapa peristiwa yang didapat misalnya: tidak ada
mobil yang melalui tikungan dalam sejam, lebih dari 3
mobil per jam, 6 mobil per jam dst.
 TEORI PELUANG
DUA PERISTIWA ATAU LEBIH SALING EKSKLUSIF, jika
terjadinya peristiwa yang satu mencegah terjadinya
yang lain.
Contoh: uji coba melempar dengan uang logam
 bila gambar garuda terjadi, berarti gambar
angka tidak terjadi
Jika E menyatakan suatu peristiwa terjadi, maka E
kita pakai menyatakan peristiwa itu tidak terjadi.
Dua peristiwa tersebut jelas saling eksklusif.
Contoh: E berarti barang dihasilkan rusak, dan E
berarti barang yang dihasilkan tidak rusak. Dua
peristiwa itu saling eksklusif
 DEFINISI PELUANG
DEFINISI PELUANG KLASIK:
Misalkan sebuah peristiwa E dapat terjadi
sebanyak n kali diantara N peristiwa
yang saling eksklusif dan masing-
masing terjadi dengan kesempatan
yang sama.

Maka Peluang peristiwa E terjadi adalah

Peluang peristiwa E = n/N
dan disingkat:
P(E) = n/N
 PELUANG
 Ketika melakukan undian dengan sebuah mata uang
logam bermuka 2 menghasilkan 2 peristiwa,
 Berarti seluruh peristiwa N = 2, yaitu muka Garuda
(G) diatas dan muka huruf (H) diatas
 Jika E = muka Garuda diatas, maka n = 1
Maka P(E) = P (muka G diatas) = P(G) = ½
 Jelas P(G) = P(H) = ½
 Undian dadu yang bermuka 6 menghasilkan 6
peristiwa, jadi N = 6
 Juika E = muka bermata 4 diatas, maka n = 1,
maka peluang muka bermata 4 diatas = P(E) =
P(mata 4) = 1/6
 Jika E = muka bermata 1 diatas, maka n = 1, maka
peluang muka bermata satu P(E) = P(mata 1) = 1/6
dst.
 PELUANG
 Sebuah kotak berisi 20 kelereng yang identik
kecuali warnanya. Terdapat 5 berwarna
merah, 12 berwarna kuning dan sisanya
berwarna hijau.
 Maka peluang mengambil kelereng
berwarna merah = 5/20 = 0,25;
 peluang mengambil kelereng warna kuning
= 12/20 = 0,6
 peluang hijau = 3/20 = 0,15
 BEBERAPA ATURAN PELUANG
 P(E) n / N n = peristiwa yang diharapkan dpt terjadi
N = total peristiwa
 Peluang peristiwa E  P(E) = 0  peristiwa E pasti tidak terjadi
P(E) = 1  peristiwa pasti terjadi
0 < P(E) < 1
 P(E) = 1 - P(E)  peristiwa E dan E saling berkomplemen

P(E )+ P(E) = 1)
 Dalam undian dengan sebuah dadu, misalnya E =
mendapat muka 6 disebelah atas, maka P(E) = 1/6. Jelas
bahwa E = bukan mata 6 yang diatas (1, 2, 3 atau
lainnya), P(E) nya = 5/6
 Kalau peluang mendapatkan hadiah = 0,51, maka
peluang tidak mendapat hadiah = 0.39
 BEBERAPA ATURAN PELUANG
 Jika k buah peristiwa yang saling eksklusif ,
E1, E2, … Ek saling eksklusif, maka peluang
terjadinya E1, E2, …. atau Ek sama dengan jumlah
peluang tiap peristiwa. Rumus:

P(E1 atau E2 atau ….. Ek) = P(E1) +P(E2) + …. + P(Ek)

 Undian uang logam, P(G) = ½ dan P(H) = ½ ,
maka total P(E) + P(H) = 1
 Mata dadu, P(mata-1) = P(mata-2) = P(mata-3) =
P(mata-4) = P(mata-5) = P(mata-6-) = 1/6 
total P(mata-1) atau P(mata-2) atau P(mata-3)
atau P(mata-4) atau P(mata-5) atau P(mata-6) = 1
BEBERAPA ATURAN PELUANG
Contoh: Sebuah kotak berisi 10 kelereng merah, 18
hijau dan 22 kuning.
 Peluang mengambil kelereng merah =
10/(10+18+22) = 10/50= 0,2
 Peluang mengambil kelereng hijau = 18/50 =
0,36
 Peluang mengambil kelereng kuning = 22/50 =
0,44
 Peluang mengambil kelereng merah atau kuning
= 0,2 + 0,44 = 0,64
BEBERAPA ATURAN PELUANG
Contoh: Ada 200 lembar undian berhadiah dimana
terdapat sebuah hadiah pertama, 5 hadiah kedua,
10 hadiah ketiga dan sisanya tidak tak berhadiah.
Seseorang membelinya selembar. Berapa peluang
orang itu akan memenangkan hadiah pertama atau
hadiah kedua?
 Disini ada ada 4 peristiwa yang saling eksklusif
yaitu A = hadiah ke-1 , B = hadiah ke-2, C =
hadiah ke-3 dan D = tidak dapat hadiah.
 P(A) = 1/200 = 0,005,
 P(B) = 5/200 = 0,025,
 P(C) = 10/200 = 0,05 ,
 P(D) = 184/200 = 0,92
 P(A atau B) = P(A) + P(B) = 0,005 + 0,025 =
0,03
 BEBERAPA ATURAN PELUANG
 HUBUNGAN BERSYARAT: jika peristiwa yang satu
menjadi syarat terjadinya peristiwa yang lain 
A|B : peristiwa A terjadi harus didahului peristiwa B.
Peluangnya ditulis  P (A|B)
 PERISTIWA BEBAS (INDEPENDEN): jika terjadi atau
tidak terjadinya suatu peristiwa tidak mempengaruhi
terjadinya peristiwa yang lain

P (A|B) = P (A)  Jika A dan B Independen

Ditulis A dan B untuk menyatakan peristiwa-peristiwa

A dan B kedua-duanya terjadi. Maka berlaku:
P (A dan B) = P (B) . P (A|B) akibatnya:

P (A dan B) = P (A) . P (B)

 BEBERAPA ATURAN PELUANG
 Jika hanya peristiwa peristiwa A terjadi, atau peristiwa B
terjadi, dimana tidak mungkin keduanya terjadi 
eksklusif  contoh: A = hari hujan , B = hari panas

P(A atau B) = P(A) + P(B)

 Jika peristiwa A terjadi, atau peristiwa B terjadi, atau
kedua2nya terjadi, maka atau kedua2nya terjadi, 
inklusif  A = hujan, B = salju atau (A dan B) = hujan +
salju
P(A atau B) = P(A) + P(B) – P(A dan B)

Jika diketahui P(A) = 0,70; P(B) = 0,35 ; P(A dan B) = 0,15

P(A atau B) = 0,70 + 0,35 – 0,15 = 0,90
 LATIHAN
 Jika peluang mendapatkan kartu raja = 1/13, dan
peluang mendapatkan kartu satu = 1/13, maka
berapa peluang mendapatkan kartu raja atau satu?
 P(A atau B) = 1/13 + 1/13 = 2/13
 Tentukan peluang untuk mendapatkan kartu skop
hitam atau kartu ratu merah pada permainan 52
kartu.
 Karena ada 13 kartu skop hitam, maka peluang
mendapatkan kartu skop hitam = 13/52
 Karena ada 2 kartu ratu merah, maka peluang
mendapatkan kartu ratu merah = 2/52
 Peluang mendapatkan kartu raty merah dan skop
hitam = 13/52 + 2/52 = 15/52
 LATIHAN
 Peluang seorang pengunjung untuk pesan sate pada
restoran = 0,40, peluang pesan es teler = 0,25. Apabila
kedua peristiwa itu independen, berapa peluang seorang
pengunjung memesan sate dan es teler?
 P(A dan B) = 0,40 x 0,25 = 0,1
Untuk menggambarkan k peristiwa independen, maka :

P(A1 dan A2 dan ….. Ak) = P(1) . P(A2) …..P(Ak)

 Ada 3 mata uang logam yang dilempar dalam permainan,
maka ada 3 peristiwa independen.
 Peluang untuk mendapatkan gambar garuda = (1/2)
(1/2) (1/2) = 1/8
 Permainan 4 buah dadu, berarti ada 4 peristiwa
independen, maka peluang mendapatkan mata 6,
 (1/6) (1/6) (1/6) (1/6) = 1/1296
Dikemukakan 1763 oleh Thomas Bayes dan disempurnakan oleh
Laplace, Kaidah ini didasarkan pada prinsip bahwa tambahan
informasi dapat memperbaiki probabilitas.
Kaidah Bayes menyatakan:
 Jika dalam suatu ruang sampel (S) terdapat beberapa peristiwa
mutually exclusive, mis. A1, A2, A3 ……An yang memiliki
probabilitas tidak sama dengan nol dan apabila ada peristiwa
lain (mis. X) yang mungkin dapat terjadi pada peristiwa A1, A2,
A3 ……An dengan diketahui peristiwa X tersebut, maka:
P(Ai) P (X/Ai)
P(Ai/Xi) = ----------
R
i = 1, 2, 3, 4……n
R = ∑ P(Ai) P(Xi/(Ai)
= P(A1) P(X1/(A1) + P(A2) P(X2/(A2) + … P(An) P(Xn/(An)
Pada kaidah ini terdapat beberapa probabilitas:
 Probabilitas Awal (prior) yaitu probabilitas berdasarkan
informasi yang tersedia (sebelum ada tambaan informasi
yaitu P(Ai)
 Probabilitas bersyarat, yaitu probabilitas di mana
terjadinya suatu peristiwa didahului oleh terjadinya
peristiwa lain, yaitu P (X/Ai)
 Peristiwa ganda, yaitu gabungan dari beberapa
probabilitias (probabilitas gabungan) yaitu [P(Ai).P (Xi/Ai)]
 Probabilitas posterior, yaitu probabilitas yang diperbaiki
dengan adanya informasi tambahan, yaitu: P(Ai/Xi)
Diketahui bahwa kuliah statistik diikuti oleh 40 mhs semester III,
20 mhs semV, dan 10 mhs sem VII. Hasil UAS menunjukkan
bahwa 10 mhs sem III, 7 mhs sem. V, dan 5 sem.VII mendapat
nilai A. Jika seorang mhs dipilih secara acak dan diketahui
mendapat nilai A, berapa probabilitas ia berasal dari semester VII?

Mis. : A1 peristiwa terpilihnya sem III, A2 peristiwa terpilihnya sem

V , A3 peristiwa terpilihnya sem VII, X peristiwa mendapat nilai A.
P(A1) = 40/70 = 0,57; P(A2) = 20/70 = 0,29; P(A3) = 10/70 = 0,14
P (X/Ai) =10/40 = 0,25; P (X/A2) = 7/40 = 0,35; P (X/A3) =5/10 = 0,5

P(A3) . P (X/A3)
P(A3/X) = -----------------------------------------
P(A1). P (X/Ai) + P(A2) . P (X/A2) + P(A3). P (X/A3)
(0,14).(0,5)
= -------------------------------------- = 0,223
(0,57).(0.25) + (0,29) (0,35) + (0,14 )(0.5)
 PEMBUATAN KEPUTUSAN
Melibatkan Teori Ekspektasi
 Contoh: peluang mendapatkan jumlah A adalah P(A), maka
ekspektasi = A . P (A)
 Jika peluang untuk mendapatkan jml. A1, A2, ….dan Ak adalah
P(A1) , P(A2) dan P(AK), maka:
 Ekspektasi = A1 . P (A1) + A2 . P (A2) + …. + Ak . P (Ak)
 Contoh: permainan dadu:
 Kita mendapat 2,00 USD bila mendapat mata-6
 Kita mendapat 0,5 USD bila mendapat mata-5
 Kita kehilangan 0,25 USD bila mendapat mata-4
 Kita kehilangan 1,00 USD bila mendapat mata-3, 2 atau 1
A1 = 2,00 A2 = 0,50 A3 = -0,25 A4 = -1,00
P(A1) = 1/6 P(A2) = 1/6 P(A3) = 1/6 P(A4) = 3/6
Ekspektasi = (2,00)(1/6) + (0,50)(1/6) – (0,25)(1/6)
– (1,00)(3/6) = - 0,125.
Hal ini berarti rata-rata pada permainan ini kita akan
kehilangan 12,5 sen
 VARIABEL ACAK
 Adalah suatu fungsi
bernilai real yang Contoh: Didalam suatu kardus
harganya ditentukan oleh terdapat dua anak ayam (A) dan
tiap anggota dalam ruang dua anak itik (I). Secara acak
sampel. diambil dua ekor satu demi satu
 Suatu variabel acak akan tanpa pengembalian.Bila variabel
mempunyai harga acak P menyatakan jumlah anak
tertentu dari suatu ayam yang diambil, maka nilai p
yang mungkin dari variabel acak P
percobaan
adalah:
 Suatu Variabel acak Tabel 1 Kejadian yang mungkin
ditentukan dalam huruf Kejadian sederhana P
besar, misalnya X.
AA 2
 Harganya dinyatakan AI 1
dalam huruf kecil, IA 1
misalnya : x II 0
 VARIABEL ACAK
 Ruang sampel diskret : ruang sampel yang mengandung
titik sampel yang berhingga banyaknya.
 Variabel acak diskret: variabel acak yang didefinisikan
pada ruang sampel diskret
 Ruang sampel kontinu: ruang sampel yang mengandung
titik sampel yang tidak berhingga banyaknya.
 Variabel acak kontinyu: variabel acak yang didefinisikan
pada ruang sampel kontinyu.
 Pada persoalan praktis:
 Variabel acak diskret menyatakan data yang dihitung:
jumlah anak ayam yang diambil; banyak barang yang cacat
dalam sampel berukuran k; bayak korban meninggal
disuatu jalan per tahun
 Variabel acak kontinyu: data yang diukur: tinggi, berat,
suhu, umur, jarak, dll.
 DISTRIBUSI PELUANG
 Undian dengan 2 buah mata uang, maka distribusi peluangnya:
disebut: “distribusi peluang”
x P(x)
dimana:
0 1/4 x = 0  peluang tidak keluar gambar garuda
1 1/2 x = 1  peluang salah satu mata uang keluar
gambar garuda
2 1/4 x = 2  peluang ke-2 mata uang keluar
Σ 1 gambar garuda

 Undian dengan 3 buah mata uang, maka distribusi peluangnya:

x P(x)
n
0
1
1/8
3/8
Σ p (xi) = 1
i=1
2 3/8
3
Σ
1/8
1
Ekspektasi  E(x) = Σ xi . p (xi)
 DISTRIBUSI PELUANG
Contoh: Jumlah mobil yang lewat suatu tikungan setiap
menit mengikuti distribusi peluang sbb.

Jumlah mobil 0 1 2 3 4 5 6 7 8
Peluang 0,01 0,05 0,10 0,28 0,22 0,18 0,08 0,05 0,03

 Dalam satu menit paling sedikit ada 3 mobil lewat tikungan

itu, maka peluangnya = 1 – (0,01 + 0,05 + 0,10) = 0,84
 Rata2 mobil yang lewat tikungan itu tiap menitnya = (0)
(0,01) + (1) (0,05) + (2) (0,10) + (3) (0,28) + (4) (0,22) + (5)
(0,18) + (6) (0,08) + (7) (0,05) + (8) (0,03) = 3,94.
Atau terdapat 394 mobil yang lewat tikungan tiap 100 menit
 Distribusi peluang di atas adalah distribusi diskret, tidak
kontinyu.
 Berdasarkan pengelompokan ruang sampel dan variabel
bebas, distribusi peluang juga dibedakan :
◦ Distribusi Peluang Diskret
 Distribusi seragam
 Distribusi binomial
 Distribusi multinomial
 Distribusi hipergeometrik
 Distribusi posson
 Distribusi binomial negatif
 Distribusi geometrik
◦ Distribusi Peluang Kontinyu
 Distribusi normal (Distribusi Gauss)
 Distribusi gamma
 Distribusi eksponensial
 Distribusi chi-kuadrat
 Distribusi weilbull
 BEBERAPA BENTUK KURVA
DISTRIBUSI FREKUENSI

a) Normal b) Triangular c) Uniform

d) Binomial e) Log Normal f) Pareto

DISTRIBUSI NORMAL/
KURVA NORMAL/
DISTRIBUSI GAUSS
Distribusi kontinyu
 Terpenting dalam bidang statistika, paling banyak
dipakai di Teknik Perminyakan
 Grafik atau kurvanya berupa garis lengkung berbentuk
genta / lonceng (bell shape) dengan kedua ujung kurva
semakin mendekati sumbu x akan tetapi tidak pernah
memotongnya.
 Menggambarkan berbagai kumpulan data yang ada di
alam.
 Datanya bisa diukur
 Jumlah data yang nilainya ekstrim (sangat besar atau
sangat kecil) tidak terlalu banyak
 Data yang mempunyai atau mendekati nilai rata-rata,
jumlah/ frekuensinya terbanyak.
 Setengah dari data mempunyai nilai lebih kecil atau sama
dengan nilai rata-rata dan setengahnya lagi mempunyai
nilai lebih besar atau sama dengan nilai rata-ratanya.
 Bentuknya simetris thd X = µ (rata2)  nilai mean =
median = modus
 Luas dibawah kurva = 1 atau 100%
Persamaan matematik Distribusi
Peluang Normal (De Movre, 1733)
Y = ordinat kurva normal untuk
setiap harga x
µ = rata-rata
σ = simpangan baku
б = konstanta = 3,142
e = konstanta = 2,718
~ = tak terhingga
Jarak antara nilai x terhadap rata2
(µ) disebut simpangan baku σ
dalam kurva normal:
Prob.(µ-1σ <X< µ+1σ = 68.27%
Prob.(µ-2σ <X< µ+2σ = 95.45%
Prob.(µ-3σ <X< µ+3σ = 99.73%
Contoh: ada 200 sampel data pendapatan per bulan dari
jumlah keseluruhan 5000 karyawan suatu perusahaan
mempunyai nilai rata-rata µ = Rp.10juta dan
simpangan baku σ = Rp.2jt, maka:
 Prob.(10-1x2<X< 10+1x2jt) = 8<X<12 = 68.27%
 Prob.(10-2x2<X< 10+2x2jt) = 6<X<14 = 95.45%
 Prob.(10-3x2<X< 10+3x2jt) = 4<X<16 = = 99.73%
Berarti:
 Pendapatan yang kurang dari 8jt atau lebih 12jt sebanyak =
100% - 68.27% = 31.73% x 5000 = 1587 karyawan
 Pendapatan yang kurang dari 6jt atau lebih 14jt sebanyak =
100% - 95.45% = 4.55% x 5000 = 228 karyawan
 Pendapatan yang kurang dari 4jt atau lebih 16jt sebanyak =
100% - 99.73% = 0.27% x 5000 = 14 karyawan
 Bentuk kurva normal akan bergantung pada nilai
µ dan σ, sehingga bentuknya bisa bermacam-
macam.
 Untuk memudahkan melihat berapa besarnya
probabilitas dari variabel X yang besarnya diukur
dengan besarnya simpangan baku dan nilai rata-
ratanya, digunakan:
KURVA NORMAL BAKU  KURVA Z
 adalah kurva normal yang sudah diubah
menjadi:
DISTRIBUSI Z
dimana mean = µ = 0 dan standar deviasi= σ = 1
 Tabel Kurva Normal (Tabel A1)
 Kesimpulan
Suatu kelompok data dikatakan
mempunyai distribusi normal
atau hampir normal , jika:
 kurang lebih 68% dari anggota
data mempunyai nilai X dalam
interval (µ-1σ ) dan (µ +1σ );
 kurang lebih 95% dari anggota
data mempunyai nilai X dalam
interval (µ-2σ ) dan (µ +2σ );
 kurang lebih 99% dari anggota
data mempunyai nilai X dalam
interval (µ-3σ ) dan (µ +3σ )
 Dalam kenyataan sangat sulit
dijumpai kejadian yg benar2
mempunyai distribusi normal
 Dalam statistik: jika jumlah
data melebihi 30 sudah dapat
dianggap mempunyai
distribusi normal.
 Sangat penting dan sering
digunakan dalam statistik
CONTOH DISTRIBUSI NORMAL1
 Suatu jenis baterei mobil mean berumur 3 tahun dengan standar
deviasi 0.5 tahun. Bila dianggap umur baterai berdistribusi normal,
berapa peluang suatu batera9 berumur kurang dari 2.3 tahun?
Jawab:
Diketahui mean = µ = 3 dan standar deviasi= σ = 0.5
Ditanya: P(X< 2.3)
Untuk menghitung P(X< 2.3) buat diagram (Gb.4.8) yang
menunjukkan distribusi umur baterai yang diberikan dan luas yang
ditanyakan. Hitung luas di bawah kurva normal di sebelah kiri titik
2.3. Ini sama saja dengan menghitung luas daerah kiri nilai z
padanannya. Untuk x = 2.3 diperoleh:
z = (x - µ)/ σ = (2.3 – 3.0)/0.5 = - 1.4
Menggunakan Tabel A1 didapat untuk P(Z< -1.4) = 0.0808. maka

P(X<2.3) = P(Z< -1.4) = 0.0808

 Suatu perusahaan listrik menghasilkan bola lampu yang
umurnya berdistribusi normal dengan mean = 800 jam dan
standar deviasi 40 jam. Hitung peluang suatu bola dapat
menyala antara 778 dan 834 jam.
Diketahui : Diketahui µ = 800 σ = 40
Ditanya: P(778 < X < 834)
Buat diagram (Gb.4.9)  nila z berpadanan x1 = 778 dan x2= 834
z1 = (x1 - µ )/ σ = (778 – 800)/40 = - 0.55
z2 = (x2 - µ )/ σ = (834 – 800)/40 = 0.85
Jadi
: P(778 < X < 834) = P( -0.55 < Z < 0.85)
Karena tabel kurva normal baku (Tabel A1) hanya menghitung
sebelah kiri suatu hatga z, maka luas antara z1= -0.55 dan z2
= 0.85 sama dengan luas sebelah kiri z2 = 0.85 dikurangi luas
sebelah kiri z1 = - 055, maka
: P(778 < X < 834) = P(Z< 0.85) - P(Z< - 0.55)
Dari Tabel A1 didapat: = P(Z< 0.85) = 0.8023 P(Z< - 0.55)= 0.2912
= 0.8023 - 0.2912 = 0.5111
 Suatu mesin membuat alat tahanan listrik dengan harga
mean 40 ohm dan standar deviasi 2 ohm. Misalkan bahwa
tahanan berdistribusi normal. Berapa persentase alat yang
mempunyai tahanan melebihi 43 ohm?
Diketahui : Diketahui µ = 40 σ = 2
Ditanya: P(X > 43)
Buat diagram (Gb.4.10)  luas disebelah kanan x = 43
z = (x - µ )/ σ = (43 – 40)/2 = 1.5
: P(X > 43) = P(Z > 1.5)
Karena tabel kurva normal baku (Tabel A1) hanya menghitung
sebelah kiri suatu hatga z, maka luas total daerah kurva normal
sama dengan satu, maka luas di sebelah kanan z = 1.5 sama
dengan 1 dikurangi luas disebelah kiri z = 1.5, maka:
P(X > 43) = 1 - P(Z < 1.5)
Dari tabel A1 , diperoleh P(Z < 1.5) = 0.9332, maka:
P(X > 43) = 1 - 0.9332 = 0.0668
 Suatu pengukur dipakai untuk menolak semua suku
cadang yang ukurannya tidak memenuhi ketentuan
1.50+ d. Diketahui bahwa pengukuran tersebut
berdistribusi normal dengan harga mean 1.50 dan
standar deviasi 0.2. Tentukan harga d sehingga
ketentuan tersebut mencakup 95% seluruh
pengukuran.
Disini terbalik, dimulai dengan luas atau peluang yang
diketahui, tentukan harga z, kemudian tentukan x dari rumus x
= σz + µ
Dari tabel A1 dapat dicari bahwa:
P (-1.96 < z < 1.96) = 0.95
Jadi 1.50 + d = (0.2)(1.96) + 1.50
sehingga diperoleh : d = ((0.2)(1.96) = 0.392
 Jika sampel ukuran kecil <30, maka pendekatan
distribusi z makin kecil akuratnya, W.S. Gosset
mengusulkan suatu distribusi Student’s t (thn 1908)
 Nilai T bergantung pada x, S2 dan v

 V = derajat kebebasan didefinisikan:

V=n–1
Jika kita ambil sampel berukuran n dari suatu populasi
berdistribusi normal yang mean = µ dengan mean sampel x
dan standar deviasi s, maka nilai statistik sampel :
t = (x - µ)/(s√n)
Dimana s = standar deviasi sampel , n = ukuran sampel
Tabel A2 memberikan nilai tσ sedemikian rupa sehingga di
ebelah kanannya terdapat luas sebesarnya σ. Tabel tsb.
Berisikan nilai-nilai t untuk derajat kebebasan tertentu, v
dan peluang, σ, tertentu. Contoh nilai t untuk derajat
kebebasan 10 sehingga luas sebelah kanannya 0.025,
adalah t = 2.228
Suatu pabrik bola lampu yakin lampunya akan tahan
menyala rata2 500 jam, Untuk itu tiap bulan diuji 25 lampu.
Bila nilai t yang dihitung terletak antara –t0.05 dan t0.05 maka
pengusaha pabrik lampu itu akan mempertahankan
keyakinannya. Kesimpulan apakah yang seharusnya dia
ambil dari sampel dari sampel dengan rataan x = 518 dan
standar deviasi 40 jam? Asumsikan bahwa distribusi waktu
menyala mendekati normal.
 Dari Tabel A2 diperoleh (v = 25 – 1 = 24), t0.05 = 1.711, jadi
pengusaha puas dengan keyakinannya jika sampel 25
bola lampu mempunyai nilai t antara -1.711 dan 1.711.
Bila memang µ = 500, maka
T = (518 – 500)/(40/√25) = 2.25
Jadi pengsaha tadi kemungkinan besar akan menyimpulkan
bahwa produksinya lebih baik daripada yg diduga semula.
Berdasarkan tabel Z ..\Tabel kurva Normal.doc
didapat luasnya = 0,4772 atau 47,72%
Berdasarkan tabel Z ..\Tabel kurva Normal.doc didapat
Luas kurva normal 550 – 600 = 0,4928 – 0,3944 = 0,0984 =
9,84%
3. Dari hasil survei terhadap 200
petak tanah milik 200 petani di
kabupaten tangerang, ternyata
hasil panen padi rata-rata =
4000kg per hektar dan dengan
deviasi standar/simpangan baku
= 800 kg. Jika hasil panen dari
200 sampel tersebut diatas
datanya ternyata mendekati
distribusi normal, hitunglah :
Berapa kg hasil panen darri para
petani yang ada.
Berdasarkan tabel Z ..\Tabel
kurva Normal.doc
Jadi 10% petani yang hasil
panennya termasuk paling
rendah, maksimal 2976 kg dan
10% yang panennya termasuk
kelompok paling tinggi minimal
5024 kg
Berapa banyak (%)
petani yang hasil
panennya 2000 kg atau
kurang (maksimum
2000 kg?
Jumlah petani yang
hasil panennya
maksimum 2000 kg =
0,50 – 0,4938 =
0,0062% atau 1 orang
Berapa petani yang
hasil panennya antara
4000 – 5000 kg?

Jumlah petani yang

hasil panennya antara
4000 – 5000 = 0,3944
atau 39,44% atau 79
petani
Berapa hasil panen
tertinggi dari 10%
petani yang hasil
panennya termasuk
kelompok yang paling
rendah?

Hasil panen teringgi

dari 10% petani yang
panennya termasuk
kelompok yang paling
rendah adalah 2976
kg.
 DISTRIBUSI BINOMIAL
 Disebut juga DISTRIBUSI BERNOULI
 Adalah suatu distribusi teoritis yang
menggunakan variabel acak diskrit yang terdiri
dari dua kejadian yang berkomplemen, seperti
sukses-gagal, kepala-ekor, ya-tidak, rusak-
tidak rusak

 CIRI-CIRI DISTRIBUSI BINOMIAL

 Setiap percobaannya hanya memiliki dua
hasil,
 Probabilitas suatu peristiwanya adalah tetap
untuk setiap percobaan
 Percobaannya bersifat saling bebas
 Jumlah percobaan yang merupakan komponen
percobaan binomial harus tertentu.
 DISTRIBUSI BINOMIAL
RUMUS : P(X = x) = Cxn . Px . Qn-x

dimana:
x = banyaknya peristiwa sukses
n = banyaknya percobaan
P = probabilitas peristiwa sukses
Q= probabilitas peristiwa gagal

n!
Cxn = ---------- n! = 1 x 2 x3 x 4 x 5 x …. n
x! (n – x)! 0! = 1,0
 DISTRIBUSI BINOMIAL
CONTOH SOAL 1
Sebuah mesin memproduksi semacam alat, ternyata
hasil produksinya terdapat 5% rusak. Jika secara acak
diambil 10 buah dari alat tersebut untuk diperiksa,
berapa probabilitas akan didapat a) 2 rusak dan b)
tidak ada yang rusak?
n = 10 P = 5% = 0,05 Q = 95% = 0,95
RUMUS : P(X=x) = Cxn . Px . Qn-x
P(X=2) = C210 . (0,05)2 . (0,95)8 = 45 (0.0025) (0,66)
= 0,07425
P(X=0) = C010 . (0,05)0 . (0,95)10 = 1 (1) (0,60) =
0,60
 DISTRIBUSI BINOMIAL
CONTOH SOAL 2
Suppose we are drilling five wildcats in a new
basin where the chance of discovery (wildcat
success ratio) is 0,15 on each well. Assuming
each well is a Bernouli trials, what is the
probability of only one discovery in the five wells?
n =5 P = 0,15 Q = 0,85 x = 1
RUMUS : P(X=x) = Cxn . Px . Qn-x
P(X=1) = C15 . (0,15)1 . (0,85)5-1 = 5(0,15)1 .
(0,85)4 = 0,3915