KONSEP DASAR PELUANG =
PROBABILITAS
Probabilitas dan Teori Keputusan
Konsep-Konsep Dasar
Probabilitas
Distribusi Probabilitas
Diskrit
Distribusi Normal
Teori Keputusan
Pengertian Probabilitas dan
Manfaat Probabilitas
Pendekatan Terhadap
Probabilitas
Hukum Dasar Probabilitas
Teorema Bayes
Menggunakan MS Excel Untuk
Probabilitas
 Konsep Dasar Probabilitas
Definisi:
Probabilitas adalah peluang suatu kejadian

Manfaat:
Manfaat mengetahui probabilitas adalah membantu pengambilan
keputusan yang tepat, karena kehidupan di dunia tidak ada
kepastian, dan informasi yang tidak sempurna.

Contoh:
• pembelian harga saham berdasarkan analisis harga saham
• peluang produk yang diluncurkan perusahaan (sukses atau
tidak), dll.
 Konsep Dasar Probabilitas
Probabilitas:
Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan
terjadi di masa mendatang. Probabilitas dinyatakan antara 0 sampai
1 atau dalam persentase.
Percobaan:
Pengamatan terhadap beberapa aktivitas atau proses yang
memungkinkan timbulnya paling sedikit dua peristiwa tanpa
memperhatikan peristiwa mana yang akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah
percobaan atau kegiatan.
 PENDEKATAN PROBABILITAS

1. Pendekatan Klasik

2. Pendekatan Relatif

3. Pendekatan Subjektif
 PENDEKATAN KLASIK

Definisi:
Setiap peristiwa mempunyai kesempatan yang
sama untuk terjadi.

Rumus:

5
 PENDEKATAN KLASIK

Percobaan Hasil Probabi-

litas
Kegiatan 1. Muncul gambar 2 ½
melempar uang 2.   Muncul angka

Kegiatan 1. Menjual saham 2 ½

perdagangan 2. Membeli saham
saham
Perubahan harga 1.   Inflasi (harga naik) 2 ½
2.   Deflasi (harga turun)

Mahasiswa belajar 1.   Lulus memuaskan 3 1/3

2. Lulus sangat memuaskan
3.   Lulus terpuji
 PENDEKATAN RELATIF

Definisi:
Probabilitas suatu kejadian tidak dianggap sama,
tergantung dari berapa banyak suatu kejadian terjadi.

Rumus:

Contoh:
 PENDEKATAN SUBJEKTIF

Definisi:

Probabilitas suatu kejadian didasarkan pada

penilaian pribadi yang dinyatakan dalam suatu
derajat kepercayaan.
 KONSEP DASAR HUKUM PROBABILITAS
A. Hukum Penjumlahan

P(A ATAU B) = P(A) + P(B)

Contoh : P(A) = 0,35, P(B) 0,40 DAN P (C) 0,25

Maka P(A ATAU C ) = 0,35 + 0,25 = 0,60

Peristiwa atau Kejadian Bersama

A AB B

P(A ATAU B) = P(A) + P(B) – P (AB)

Apabila P(AB) = 0,2, maka ,
P(A ATAU B) = 0,35 + 0, 40 – 0,2 = 0,55
 KONSEP DASAR HUKUM PROBABILITAS

• Peristiwa Saling Lepas

P(AB) = 0
Maka P(A ATAU B) = P (A) + P(B) + 0
= P(A) + P(B)

A B

• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875

• Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)
 KONSEP DASAR HUKUM PROBABILITAS

• Hukum Perkalian
P( A DAN B) = P(A) X P(B)
Apabila P(A) 0,35 DAN P(B) = 0,25
Maka P(A DAN B) = 0,35 X 0,25 = 0,0875

• Kejadian Bersyarat P(B|A)

P(B|A) = P(AB)/P(A)

• Peristiwa Pelengkap (Complementary Event)

P(A) + P(B) = 1 atau P(A) = 1 – P(B)
 DIAGRAM POHON

Keputusan Jual atau Beli Jenis Saham Probabilitas bersama

Diagram Pohon Probabilitas Bersyarat 1 x 0,6 x 0,35 = 0,21

BCA
0,35

Suatu diagram Jual BLP 0,40 1 x 0,6 x 0,40 = 0,24

berbentuk BNI 0,25 1 x 0,6 x 0,25 = 0,15
0,6
pohon yang 1

membantu
mempermudah BCA 0,35 1 x 0,4 x 0,35 = 0,14
mengetahui Beli
BLP 0,40 1 x 0,4 x 0,40 = 0,16
probabilitas
suatu peristiwa BNI
0,25 1 x 0,4 x 0,25 = 0,10

Jumlah Harus = 1.0 0,21+0,24+0,15+0,14

+0,16+0,10 =1,0
 TEOREMA BAYES

Merupakan probabilitas bersyarat-suatu kejadian

terjadi setelah kejadian lain ada.
Rumus:
 BEBERAPA PRINSIP MENGHITUNG

• Factorial (berapa banyak cara yang mungkin dalam mengatur

sesuatu dalam kelompok).

Factorial = n!

• Permutasi (sejumlah kemungkinan susunan jika

terdapat satu kelompok objek).

Kombinasi nCr = n!/r! (n-r)!

• Kombinasi (berapa cara sesuatu diambil dari keseluruhan

objek tanpa memperhatikan urutannya.

Permutasi nPr = n!/ (n-r)!

 Apakah Probabiltas?
• Frekuensi relatif jangka panjang

– Jika melempar coin, frekuensi relatif dari “head” tidak menentu utk 2, 5
atau 10 pelemparan
– Jika pelemparan suatu coin dilakukan bbrp ribu kali, frekuensi relatif tetap
stabil

• Probabilitas matematis adalah idealisasi dari apa yg terjadi thd

frekuensi relatif setelah pengulangan sejumlah tak hingga eksperimen
random

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

 Probabilitas dari “Head”

• Probabilitas didasarkan pd frekuensi relatif jangka panjang

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

 Model Probabilitas
• Sample Space - set dari semua keluaran (outcomes) yg mungkin dari
eksperimen random (S)

• Event – suatu keluaran (outcome) atau satu set outcomes dari suatu
eksperimen

• Ukuran Probabilitas adalah suatu bilangan atau fungsi yg memetakan

dari events pada sample space ke bilangan real antara 0 dan 1

• Probabilitas dari semua outcomes yg mungkin (yaitu sample space)

harus sama dg 1

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

 Model Probabilitas
• Contoh: Pelemparan (toss) suatu dadu

• Sample Space: S ={1,2,3,4,5,6}

• Event: A = {muncul angka genap},

B = {muncul angka ganjil},
D= {muncul angka 2}

• Ukuran Probabilitas:
P(A) = 0,5; P(B) = 0,5; P(D) = 1/6

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

 Aturan-Aturan Probabilitas
• Probabilitas dari sembarang event P(A) hrs memenuhi
0 < P(A) < 1

• Complement Rule = complement dari sembarang event A adalah event A tdk

terjadi
 P(Ac) = 1 - P(A)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2,4}, Ac = {1,3,5,6}; P(A) = 1/3; P(Ac) = 1-1/3 = 2/3

• Addition Rule = utk dua events A dan B yg terpisah/ disjoint (no common
outcomes)
P (A or B) = P(A) + P (B)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2}, B = {1,3,5}; P(A or B) = P(A) + P(B) = 1/6 + 1/2 = 2/3

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

Peluang Bersyarat = Conditional Probability
• Utk dua event A dan B probabilitas dari event A diberikan bhw
event B telah terjadi dinyatakan:
P(A|B) dan ditentukan dg

P (A|B) = P(A and B)/P(B)

Contoh: Lempar satu dadu S = {1,2,3,4,5,6}.

mis A ={2}, B={bil genap} = {2,4,6},
P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

 Bayes Rule
• Utk dua event A dan B yg mempartisi sample space, yaitu (A atau B) = S
dan event ketiga C ditentukan di atas A dan B

Contoh: Lempar sepasang dadu S = {(1,1) (1,2), …. (6,6)} 36

kemungkinan outcomes. Mis A ={jumlah dadu 9 atau lebih besar},
A = {(6,3),(5,4), (4,5), (3,6), (6,4), (5,5), (4,6), (6,5), (5,6), (6,6)}
B = Ac = {jumlah dadu 8 atau kurang} = {(1,1) , (1,2,) ….(6,2), …(2,6)} ---
cat P(A) = 10/36 dan P(B) = 26/36

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012

 Bayes Rule
• Mis C event jumlah dari dadu adalah bil genap {2,4,6,8,10,12},
P(C|A) =4/10 dan P(C|B) = 14/26

Diunduh dari: telecom.ee.itb.ac.id/~hend/ET6043/ReviewProbstat.ppt ….. 27/7/2012