KULIAH 5 STATISTIKA:

Teori dan Distribusi Probabilita

STIK-PTIK ANGKATAN 79
TAHUN 2021
 TEORI PROBABILITAS (1)
1. Pendahuluan
Probabilita adalah peluang atau kemungkinan
suatu peristiwa (event) tertentu akan terjadi.

Teori probabilitas merupakan dasar dalam hal

pengambilan kesimpulan tentang data populasi
berdasarkan informasi dari data sampel.

2. Perumusan Probabilitas
2.1 Pendekatan Klasik
2.2 Pendekatan Empiris
2.3 Pendekatan Subjektif
 TEORI PROBABILITAS (2)
2.1 Pendekatan Klasik
Probabilitas suatu peristiwa, misalnya X, adalah hasil
bagi antara jumlah kejadian X yang mungkin terjadi
dengan jumlah semua peristiwa yang mungkin terjadi.
Formula:
Jumlah peristiwa X yang mungkin terjadi
P (X) = ------------------------------------------------------------
Jumlah semua peristiwa yang mungkin terjadi

Contoh:
Lempar Dadu, dengan mata dadu: 1,2,3,4,5,6
Misalkan X=muncul mata dadu 2  nilai probabilitas:
P(X=2)= 1/6 =0,167
 TEORI PROBABILITAS (3)
2.1 Pendekatan Empiris
Probabilitas suatu peristiwa, misalnya X, adalah hasil
bagi antara jumlah peristiwa X dengan jumlah seluruh
peristiwa yang terjadi secara empiris. Formula:
Jumlah peristiwa X secara empiris
P (X) = -------------------------------------------------------------------
Jumlah semua peristiwa yg terjadi secara empiris
Contoh 1:
Dalam pencarian kasus mobil hilang oleh reserse selama tahun 2010,
dari 200 mobil hilang dapat ditemukan 40.
Misalkan X = mobil hilang yang ditemukan, maka: P (X) = 40/200 = 0,20
Contoh 2:
Misalkan dadu dilempar 100 kali, dan muncul angka 2 sebanyak 17
kali,
P (X=2) = 17/100 = 0,170 ≈ 0,167 (relatif sama dgn pendekatan klasik)
Catatan: Semakin besar jumlah percobaan, hasil pendekatan emipris
akan semakin mendekati hasil pendekatan klasik
 TEORI PROBABILITAS (4)
2.3 Pendekatan Subjektif
Probabilitas suatu peristiwa didasarkan pada
keyakinan dan pendapat pribadi seseorang.
Pendekatan subjektif biasanya dipakai apabila
diperlukan informasi cepat, dan tingkat
akurasinya sangat ditentukan pengalaman.
Oleh karena itu, kadangkala pendekatan
subjektif sering mengakomodasi pendapat
pakar Metode Delphi
Contoh: Probabilitas terpilihnya pasangan
SBY-Budiono pada Pilpres 2009
menurut pengamat politik A adalah
0,6 atau 60 %
 TEORI PROBABILITAS (5)
3. Peristiwa, Ruang Sampel, dan Probabilitas
3.1 Peristiwa adalah suatu hasil dari ”percobaan”,
misalnya munculnya mata dadu 1 atau 2 pada
percobaan (proses perbuatan suatu observasi)
melemparkan mata dadu.
3.2 Ruang Sampel adalah himpunan (kumpulan) yang
mempunyai unsur dari semua peristiwa.
Contoh 1: Ruang Sampel pelemparan satu koin:
M (Muka); B (Belakang)
Contoh 2: Ruang Sampel pelemparan dua koin:
(M,M); (M, B); (B, B); (B, M)
 TEORI PROBABILITAS (6)
3. Peristiwa, Ruang Sampel, dan Probabilitas
Jumlah peristiwa X1
3.3 Probabilitas suatu peristiwa (Xi) = ---------------------
Ruang sampel
Contoh 1: Ruang Sampel pelemparan 1 koin: M; B

Misalkan X = Peristiwa muncul M  Xi: {0.1}

maka P (X=0) = P(B) = 1/2
P (X=1) = P (M) = 1/2
Contoh 2: Ruang Sampel pelemparan dua koin: (MM); (MB); (BB); (BM)
Misalkan X = Peristiwa muncul M  Xi: {0,1,2}
maka P (X=0) = P (BB) = 1/4
P (X=1) = P (MB) + P (BM) = 1/4 + 1/4 = 2/4
P (X=2) = P (MM) = 1/4
Kesimpulan Properti Probabilitas:
1) Probabilitas setiap peristiwa berkisar 0 s/d 1  1 ≥ P(Xi) ≥ 0
2) Jumlah probabilitas semua peristiwa adalah 1  ∑ P(Xi) = 1
 DISTRIBUSI PROBABILITAS (1)
1. Distribusi ProbabilitasVariabel Diskrit dan Kontinyu
- Variabel Random adalah variabel yang nilainya diproleh dari
suatu percobaan. Variabel Random dapat berupa variabel
diskrit atau variabel kontinyu
- Variabel Diskrit adalah variabel yang merupakan bilangan
bulat dan jumlahnya terbatas.
Contoh: Jumlah penjualan mobil per hari: x = 0.1,2,3,..., 500
Jumlah munculnya munculnya mata dadu 1 pada
peristiwa pelemparan 10 kali: x=0,1,2,3,..., 10
- Variabel Kontinyu adalah variabel yang terdiri dari nilai-nilai
yang terletak pada suatu interval tertentu, sehingga dapat
berupa bilangan pecahan maupun bilangan bulat
Contoh: Tinggi badan 150 mhs STIK 57: 165 cm,177,2
cm,..
Nilai statistik mhs STIK 56: 45 < x < 98
 DISTRIBUSI PROBABILITAS (2)
Distribusi Probabilitas Variabel Diskrit:
Jenis distribusi probabilitas variabel diskrit cukup banyak, antara lain:
Distribusi Binomial, Distribusi Negatif Binomial, Distribusi Poisson, dan
Distribusi Hipergeometik, tapi yang dipelajari pada kuliah ini hanya Distribusi
Binomial dan Distribusi Poisson.

1 Distribusi Binomial
a. Ciri Distribusi Binomial:
- Hanya ada 2 kemungkinan dalam percobaan: sukses atau gagal
- Dari n percobaan: x1 , x2 , ,,, xk independen (tidak terkait)
- Probabilitas setiap percobaan harus sama, yaitu p, sedangn
probabilitas gagal sama dengan q atau 1-p

- Rumus: P (X) = nCx px (1-p)n-x

E(x) = np  Nilai rata-rata
Var (X) = np(1-p)  Nilai variance
 DISTRIBUSI PROBABILITAS (3)
b. Contoh Distribusi Binomial
Koin dilemparkan 5 kali:
a. Berapa probabilitas M muncul 2 kali?
b. Berapa probabiliti muncul M kurang atau sama dengan 2?
c. Berapa probabilitas muncul M lebih dari 2 kali?
d. Berapa probabilitas muncul M antara 2 sampai 3 kali?
- probabiliti sukses  p = ½
- probabiliti gagal  q = 1-p = 1-1/2 = ½
- jumlah percobaan  n = 5
5! 5x4x3x2x1
- P(2) = 5C2 (1/2)2 (1/2)5-2 = --------- (1/2)2 (1/2)3 = ------------------ (1/2)2 (1/2)3 = 0,3125
2! (5-2)! (2x1) (3x2x1)
- Bila Gunakan Tabel Binomial (Tabel 2 halaman 152)  P (2) = 0,3125
- P (x≤2) = P(x=0) + P(x=1) + P (x=2) = 0,0313 + 0,1563+0,3125 = 0,500
- P (x>2) = P (x=3)+P(X=4)+P (x=5) = 0,3125 + 0,1563 + 0,0313 = 0,500
- P (2≤x≤3) = P(x=2) + P (x=3) = 0,3125 + 0,3125 = 0,6250
 DISTRIBUSI PROBABILITAS (4)
2 Distribusi Poisson

x e - 
P (x) = --------------
x!

dimana : P (x) = Probabilita dari peristiwa x

 = rata-rata terjadinya suatu peristiwa
e = 2,71828
E(x) =   Nilai rata-rata
Var(x) =   Nilai Variance
 = dibaca lamda
 DISTRIBUSI PROBABILITAS (5)
a. Aplikasi Distribusi Poisson
– Untuk menggambarkan kejadian yang jarang terjadi (rare events) atau
kejadian yang berhubungan dengan waktu tunggu (waiting time).
– Sebagai pendekatan terhadap Distribusi Binomial dengan sampel yang
besar (n > 30) dan peluang yang kecil (p <0,1)
b. Contoh applikasi Distribusi Poisson  berhubungan dengan waiting time
Contoh 1: Kedatangan perkara di Polsek X mengikuti Distribusi Poisson
dengan rata-rata kedatangan perkara perhari sebanyak 5
perkara, berapa probabilitas pada suatu hari tertentu
sebanyak 6 perkara masuk?

Jawab: 6 e - 5
P (x=6) = -------------- = 0,1462 (lihat Tabel 3 hal 156)
6!
 DISTRIBUSI PROBABILITAS (6)
b. Contoh Applikasi Distribusi Poisson  Kasus jarang, n besar, dan p kecil
Contoh 2: Berdasarkan pengalaman suatu percetakan, setiap mencetak
10,000 lembar kertas biasanya 50 lembar rusak. Pada suatu
waktu, perusahaan mencetak 1000 lembar kertas, pertanyaan:
a. Berapa probabilitas mendapatkan tepat 6 lembar kertas
yang rusak?
b. Berapa probabilitas mendapatkan paling banyak 2 lembar
kertas rusak?
Jawab: p= 50/10.000 = 0,005
 = np = 1000 (0,005) = 5
56 e - 5
P (x=6) = -------------- = 0,1462 (lihat tabel 3)
6!
P (x ≤ 2) = P (x=0) +P(x=1)+P(x=2)= 0,0067+0,0337+0,0842
= 0,1246
 DISTRIBUSI PROBABILITAS (7)
3. Distribusi ProbabilitasVariabel Kontinu Hanya Distribusi Normal &
F
1 Distribusi Normal
a. Bentuk Distribusi Normal
1) Bentuknya sepert “lonceng”
2) Kurvanya simetris  Mean = Median = Modua
3) Sample space (ruang sampel) random variabel x: -  < x < + 
34,1% 34,1%

13,6% 68,26% 13,6%

0,15% 2,2% 95,55% 2,2% 0,15%

- +
-3 -2  -1  µ +1 +2 +3
 Distribusi Probabilitas (8)
b. Fungsi Distribusi Normal

  1 2  x   2 
  
1 
 2 e
 

dimana :  = Standar deviasi populasi

x = Nilai data
=e3,14159 dan = 2,71828
 = Rata-rata populasi
 Distribusi Probabilitas (9)
c. Beberapa catatan terkait Distribusi Normal
1. Karena ada banyak nilai  dan  maka ada banyak distribusi
normal, atau akan ada berbagai macam bentuk kurva.
2. Karena distribusi normal merupakan distribusi probabilitas, maka
luas daerah di bawah kurva adalah 1 atau 100 %.
3. Karena distribusi normal bentuknya simetris, maka luas daerah di
sebelah kiri  sama dengan luas daerah di sebelah kanan 
4. Dengan transformasi varianel ke Distribusi Normal Standar, tidak
perlu menggunakan kalkulus untuk menghitung luas daerah pada
distribusi normal  Tersedia tabel untuk menghitung luas daerah
pada distribusi normal dengan menggunakan distribusi normal
standar, yang juga dikenal sebagai Distribusi Z (Tabel 4 hal 160)
 DISTRIBUSI PROBABILITAS (10)
d. Distribusi Standar Normal (Distribusi Z)
1) Menggunakan standar deviasi sebagai satuannya
2) Pada distribusi normal standar; = 0 dan  = 1
3) Jika   0 dan   1, kita tetap dapat menggunakan distribusi normal
standar dengan melakukan transformasi Z x-
4) Bila dilakukan transformasi Z  Z = --------

34,1% 34,1%

13,6% 68,26% 13,6%

0,15% 2,2% 95,55% 2,2% 0,15%

- +
-3 -2  -1  µ +1 +2 +3

5) Bentuk fungdi Distribusi Z  f (Z)  N (0,1)

  1 2 Z 2 
  
1 

 
e  

 2
 DISTRIBUSI PROBABILITAS (11)
e. Beberapa Contoh Penggunaan Distribusi Normal Standar (Tabel Z) 
Tabel 4, halaman Lampiran Modul
1) Misalnya diketahui distribusi nilai statistik mahasiswa PTIK Angkatan 63
adalah nilai rata-rata (µ) = 75 dan standar  = 15,
Pertanyaan: a) Berapa probabilitas mahasiswa mempunyai nilai 60- 90
Jawaban: Lakukan Transformasi Z
60 -75 90 - 75
x = 75  Z = -------- = - 1 x = 90  Z = --------- = 1
15 15

0,3413 = = 0,3413 (Lihat Tabel 4, hal 160)

Z= -1 Z= 1
P ( 60 < x < 90) = P (-1<Z<1) = 2 P (Z < 1) = 2 x 0,3413 = 0,6826 = 68,26 %
 DISTRIBUSI PROBABILITAS (12)
2) Menggunakan Contoh 1
Pertanyan b): Berapa probabilitas mahasiswa mempunyai nilai 75-95
Jawaban: Lakukan Transformasi Z
75 -75 95 - 75
x = 75  Z = -------- = 0 x = 95  Z = --------- = 1,333 = 1,33
15 15

= 0,4082 (Lihat Tabel 4)

Z =0 Z= 1,33

P ( 75< x < 95) = P (0<Z<1,33) = 0,4082 = 40,82 %

 DISTRIBUSI PROBABILITAS (13)
3) Menggunakan Contoh 1
Pertanyan c): Berapa probabilitas mhs mempunyai nilai antara 55-75
Jawaban: Lakukan Transformasi Z
55 -75 75-75
x = 55  Z = --------= 1,333 = - 1,33 x = 75  Z = ------- = 0
15 15

= 0,4082
(Lihat
Tabel 4)
=

Z=-1,33 Z=0 Z=0 Z=1,33

P ( 55<x <75) = P (-1,33<Z<0) = 0,4082 = 40,82 %

 DISTRIBUSI PROBABILITAS (14)
4) Menggunakan Contoh 1
Pertanyan c): Berapa probabilitas mahasiswa mempynyai nilai diatas 85
Jawaban: Lakukan Transformasi Z
85 -75
x = 85  Z = -------- = 0,666 = 0,67
15

= 0,2486 (Lihat Tabel 4)

0,5000- 0,2486
=0,2514

Z =0 Z= 0,67

P ( x > 85) = P (Z>0,67) = 0,5000-0,2486 = 0,2514 = 25,14 %

 Soal Latihan 6
1. Kerjakan soal-soal latihan pada Sub Bab 8.8
2. Soal UTS No. 6 Angkatan 63 (2013)
Berdasarkan hasil pengamatan di suatu pintu tol selama Januari-Juli
2012, rata-rata jumlah mobil yang lewat pada jam pulang kerja
(17.00-19.00) adalah 0,3333 per menit.
Pertanyaan:
Apabila indikator toll macet adalah “apabila dalam 10 menit ada 5
mobil atau lebih yang lewat pintu tol”, hitunglah:
a Probabilita selama 10 menit pada jam pulang kerja 5 mobil akan
lewat dan berikan interpretasi.
b. Probabilita selama 10 menit pada jam pulang kerja, kurang dari 5
mobil akan lewat dan berikan interpretasi.
 
 Soal Latihan 6
1. Kerjakan soal-soal latihan pada Sub Bab 8.8
2. Soal UTS No. 25 dan 26 Angkatan 64 (2014)
1) Berdasarkan hasil pengamatan di suatu pintu tol selama satu
bulan, rata-rata jumlah mobil yang lewat pada malam hari (jam 19.00 -
24.00) adalah 0,1 mobil per menit. Hitunglah:
a. Probabilita selama 1 (satu) jam pada malam hari sebanyak 6
mobil akan lewat
b. Probabilita selama 1 (satu) jam pada malam hari kurang dari 2
mobil akan lewat. 
2) Berdasarkan hasil pengamatan terhadap muatan sebanyak 100
truk yang lewat di suatu ruas jalan X selam sebulan yang lalu,
diperoleh rata-rata muatan (µ) sebanyak 6000 kg dan standar deviasi
() sebanyak 500 kg.Pertanyaan: Apabila peraturan menyatakan
bahwa truk hanya boleh membawa muatan maksimum 7000 kg,
hitung:
a. Probabilita truk yang melanggar peraturan (diatas 7000 kg)
b. Probabilita truk yang membawa muatan antara 4000-7000 kg